基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法.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CN108574653A(43)申请公布日2018.09.25(21)申请号201810351404.3(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)发明人张昀于舒娟李冰蕊陈少威杨杰曹建(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3页说明书7页附图2页(54)发明名称基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法(57)摘要本发明公开了基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，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W；步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞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，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。本发明首次利用双Sigmoid混沌神经网络和迟滞噪声构成了一个双Sigmoid迟滞噪声混沌神经网络，增强了网络的优化性能，提高了网络优化解的质量，本发明的抗噪性能和收敛速度优于传统的Hopfield信号盲检测算法。CN108574653ACN108574653A权利要求书1/3页1.基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，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W；步骤SS4：选择双Sigmoid迟滞混沌神经网络的激活函数，进行双Sigmoid迟滞混沌神经网络迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞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，则所述双Sigmoid迟滞噪声混沌神经网络达到平衡，迭代结束。2.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS1具体包括：接收端接收单个用户发送信号，经过过采样，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hjj构成的块Toeplitz矩阵；(·)T表示矩阵转置。3.根据权利要求2所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，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)，其中，M为信道阶数，L为均衡器阶数，N为所需数据长度；TsL+M(k)＝[s(k),L,s(k-L-M)]；其中，s∈{±1}，时刻k为自然数；所述步骤SS1中的所述信道冲激响hjj为：hjjhjj＝[h0,L,hM]q×(M+1)，其中，jj＝0,1,L,M，q是过采样因子，取值为正整数；所述步骤SS1中的所述接收数据矩阵XN为：TXN＝[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所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，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；D是(L+M+1)×(L+1)q奇异值矩阵。5.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS3中的所述设置权矩阵W具体包括：设置权矩阵W＝IN-Q，其中IN是N×N维的单位阵，Uc是N×(N-(L+M+1))酉矩阵。2CN108574653A权利要求书2/3页6.根据权利要求1所述的基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法，其特征在于，所述步骤SS4具体包括：所述双Sigmoid迟滞噪声混沌神经网络动态方程为：xi(t)＝σ(yi(t))；zi(t+1)＝(1-β1)zi(t)；A[n(t+1)]＝(1-β2)A[n(t)]；对所述双Sigmoid迟滞噪声混沌神经网络动态方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid迟滞噪声混沌