论文部分内容阅读
Hopfield神经网络盲检测算法不受信道是否含公零点的限制且所需发送数据更短，与二阶统计量盲算法和高阶统计量盲算法相比，更能满足现代通信系统中高速数据传输的要求。然而深入研究发现Hopfield神经网络盲检测算法仍存在不足之处。本文针对不足之处展开研究，主要做出如下创新工作：（1）在经典Hopfield神经网络（Hopfield Neural Network, HNN）模型的基础上构建了双Sigmoid Hopfield神经网络（Double Sigmoid Hopfield Neural Network, DS-HNN），设计给出新网络的结构图、新的激活函数和新的能量函数，并且分析了新网络的稳定性。仿真实验表明：DS-HNN能量函数的收敛速度明显快于经典Hopfield神经网络；无论是在随机信道还是在固定信道的情况下，DS-HNN算法的抗噪性都优于HNN算法，且DS-HNN算法还能很好地适用于含公零点信道。（2）在HNN的基础上构建了正反馈Hopfield神经网络（Positive Feedback Hopfield NeuralNetwork, PFHNN），设计给出该网络新的能量函数，同时在异步更新模式和同步更新模式下证明了网络的稳定性。仿真实验表明：无论是固定信道还是随机信道，PFHNN的误码性都明显优于传统的网络，具备更强的抗干扰能力；PFHNN在含公零点的信道中运行，同样表现出较好地性能，证明了该网络对信道有较强的鲁棒性。（3）首先在混沌神经网络（Transiently Chaotic Hopfield Neural Network, TCHNN）的基础上构建了双Sigmoid混沌神经网络（Double Sigmoid Transiently Chaotic Hopfield NeuralNetwork, DS-TCHNN），设计了适合于该网络的两个激活函数。然后根据TCHNN和DS-TCHNN的特性分别设计给出了这两个网络的能量函数，接着依据DS-TCHNN能量函数分别在异步更新模式和同步更新模式下证明了DS-TCHNN的稳定性。仿真实验表明：DS-TCHNN算法继承了混沌神经网络的优点确实能够避免网络局部最优点；并且DS-TCHNN算法的能量函数收敛速度明显快于TCHNN算法，有效的改善了TCHNN算法收敛速度慢的缺点；除此之外，DS-TCHNN算法要求的数据长度更短,从而使算法的计算复杂度降低,运行速度得到提高。