基于离散多电平迟滞的噪声混沌神经网络的盲检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109688076A(43)申请公布日2019.04.26(21)申请号201810351419.X(22)申请日2018.04.19(71)申请人南京邮电大学地址210003江苏省南京市鼓楼区新模范马路66号申请人南京邮电大学南通研究院有限公司(72)发明人于舒娟张昀金海红董茜茜何伟朱文峰(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.H04L25/03(2006.01)H04L1/00(2006.01)权利要求书4页说明书8页附图2页(54)发明名称基于离散多电平迟滞的噪声混沌神经网络的盲检测方法(57)摘要本发明公开了基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，包括如下步骤：构造接收数据矩阵XN；对所述接收数据矩阵XN进行奇异值分解；设置权矩阵WRI，并构造性能函数；将分段退火函数引入混沌神经网络中，构造基于分段退火的离散多电平迟滞混沌神经网络；构建基于离散多电平迟滞的噪声混沌神经网络的改进后新模型的动态方程，对所述改进后新模型的动态方程进行迭代运算，然后把每次迭代的结果代入基于离散多电平迟滞的噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，所述离散多电平迟滞混沌神经网络达到平衡，迭代结束。本发明改进激活函数构造了离散多电平迟滞的噪声混沌神经网络模型，更好的避免神经网络陷入极小值点。CN109688076ACN109688076A权利要求书1/4页1.基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，包括如下步骤：步骤SS1：构造接收数据矩阵XN；步骤SS2：对所述接收数据矩阵XN进行奇异值分解；步骤SS3：设置权矩阵WRI，并构造性能函数；步骤SS4：将分段退火函数引入混沌神经网络中，构造基于分段退火的离散多电平混沌神经网络；步骤SS5：在所述步骤SS4的分段退火的离散多电平混沌神经网络基础上引入随机噪声，构造基于离散多电平噪声混沌神经网络，同时改进传统的激活函数，引入迟滞激活函数改进盲检测方法的误码性能，构建基于离散多电平迟滞的噪声混沌神经网络的改进后新模型的动态方程，对所述改进后新模型的动态方程进行迭代运算，然后把每次迭代的结果代入基于离散多电平迟滞的噪声混沌神经网络的能量函数E(t)中，当所述能量函数E(t)达到最小值，所述离散多电平迟滞混沌神经网络达到平衡，迭代结束。2.根据权利要求1所述的基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，所述步骤SS1中的所述构造接收数据矩阵XN具体包括：接收端接收单个用户发送信号，经过采样，获得离散时间信道的接收方程：TXN＝SΓ式中，XN是接收数据矩阵，S是发送信号矩阵，Γ是由信道冲激响应hjj构成的块Toeplitz矩阵；(·)T表示矩阵的转置。3.根据权利要求2所述的基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，所述步骤SS1中的所述发送信号矩阵S为：TS＝[sL+M(k),L,sL+M(k+N-1)]＝[sN(k),L,sN(k-M-L)]N×(L+M+1)；T其中，M为信道阶数，L为均衡器阶数，N为所需数据长度；sL+M(k)＝[s(k),L,s(k-L-M)]；时刻k为自然数；所述步骤SS1中的所述信道冲激响应hjj为：hjj＝[h0,L,hM]q×(M+1)，jj＝0,1,L,M；q是过采样因子，取值为正整数；T所述步骤SS1中的所述接收数据矩阵为：XN＝[xL(k),L,xL(k+N-1)]是N×(L+1)q接收数据矩阵，其中xL(k)＝Γ·sL+M(k)。4.根据权利要求1所述的基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，所述步骤SS2具体包括：对所述接收数据矩阵XN进行奇异值分解，即：式中，(·)H是Hermitian转置；U是奇异值分解中的N×(L+M+1)酉矩阵；0是(N-(L+M+1))×(L+1)q零矩阵；V是(L+1)q×(L+1)q酉矩阵；Uc是N×(N-(L+M+1))酉矩阵；2CN109688076A权利要求书2/4页D是(L+M+1)×(L+1)q奇异值矩阵。5.根据权利要求1所述的基于离散多电平迟滞的噪声混沌神经网络的盲检测方法，其特征在于，所述步骤SS3具体包括：设置权矩阵WRI＝[A-QRI]，其中A是N×N维单位矩阵，QR是补投影算子Q的实部，QI表示补投影算子Q的虚部，据此构造性能函数如下：其中，s为N维复向量，其元素的实部为sR，其虚部为sI，实部和虚部都属于集合B，B＝{±1,±3,L,±gn|gn＝1+2(n-1)}，g1＝1，Δg＝gii+1-gii＝2，ii∈[1，n-1]，2n为发送信号集合的电平数；k为离散