模糊控制的动态小波神经网络反馈盲均衡方法.pdf

(19)中华人民共和国国家知识产权局*CN101902416A*(12)发明专利申请(10)申请公布号CN101902416A(43)申请公布日2010.12.01(21)申请号201010216296.2(22)申请日2010.06.30(71)申请人南京信息工程大学地址210044江苏省南京市宁六路219号(72)发明人郭业才王丽华(74)专利代理机构南京经纬专利商标代理有限公司32200代理人许方(51)Int.Cl.H04L25/03(2006.01)H04L25/02(2006.01)权利要求书3页说明书10页附图3页(54)发明名称模糊控制的动态小波神经网络反馈盲均衡方法(57)摘要本发明公布了一种模糊控制的动态小波神经网络反馈盲均衡方法，包括如下步骤：a.)将发送信号序列x(n)经过未知信道h(n)后与高斯白噪声N(n)相叠加得到观测序列y(n)；b.)b.)将误差信号e(n)经过常数模算法CMA得到动态小波神经网络中横向滤波器构成的线性部分的抽头系数c(n)；c.)将模糊神经网络控制器输入量偏差E(n)和偏差变化ΔE(n)经过模糊神经网络控制器得到动态小波神经网络中小波神经网络构成的非线性部分中小波函数的伸缩因子和平移因子的迭代步长变化值Δμ；d.)将所述观测序列y(n)依次经过动态小波神经网络和判决器得到输出信号本发明具有更快的收敛速度和更小的稳态误差，完全适用于水声信道。CN109246ACN101902416A权利要求书1/3页1.一种模糊控制的动态小波神经网络反馈盲均衡方法，包括如下步骤：a.)将发送信号序列x(n)经过未知信道h(n)后与高斯白噪声N(n)相叠加得到观测序列y(n)，其中n为时间序列，下同；其特在于，还包括如下步骤：b.)将误差信号e(n)经过常数模算法CMA得到动态小波神经网络中横向滤波器构成的线性部分的抽头系数c(n)；c.)将模糊神经网络控制器输入量偏差E(n)和偏差变化ΔE(n)经过模糊神经网络控制器得到动态小波神经网络中小波神经网络构成的非线性部分中小波函数的伸缩因子和平移因子的迭代步长变化值Δμ；d.)将步骤a.)所述观测序列y(n)依次经过动态小波神经网络和判决器得到输出信号2.根据权利要求1所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于所述模糊神经网络控制器包括输入层、模糊化层、规则层、归一化层和解模糊化层；输入层的控制方法如下：输入量偏差E(n)和偏差变化ΔE(n)做为步长的控制量输入，式中，i＝1，2为模糊神经网络的输入个数，j＝1，2，3为模糊域，分别表示模糊神经网络第t层的第i个神经元的输入与输出，表示模糊神经网络第t层中第i个输入中第j个模糊域的输出，t＝1，2，…，5，下同；模糊化层的控制方法如下：式中，和分别表示第2层中第i个输入中第j个模糊域的输入空间模糊域的期望与方差；规则层的控制方法如下：归一化层的控制方法如下：2CN101902416A权利要求书2/3页式中，h＝1，2，…，5表示模糊规则的后件数；解模糊层的控制方法如下：式中，δh(n)为第5层的权值。3.根据权利要求1所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于所述动态小波神经网络由横向滤波器构成的线性部分和小波神经网络WNN构成的非线性部分组成，横向滤波器的输出为：小波神经网络的输出为：其中下标I表示虚部，下标R表示实部，将和加权融合得：式中，0≤α≤1，0≤β≤1，为加权因子，并且满足α+β＝1；则输出信号为：式中，f(·)表示输出层的输入和输出之间的传递函数。4.根据权利要求3所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于所述小波神经网络WNN隐层到输出层的连接权重更新方法为：K(n)＝-2βe(n)[f(gR(n))f′(gR(n))+jf(gI(n))f′(gI(n))]。5.根据权利要求3所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于所述小波神经网络WNN输入层至隐层连接的权重更新方法为：式中，μ2为迭代步长，6.根据权利要求3所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于所述小波神经网络WNN反馈系数更新方法为：式中，μ3为迭代步长，7.根据权利要求3所述的模糊控制的动态小波神经网络反馈盲均衡方法，其特征在于3CN101902416A权利要求书3/3页所述输出层传递函数f(·)采用的形式为：f(X)＝X+λsin(πX)，式中，X为输出层的输入信号，λ是常数。4CN101902416A说明书1/10页模糊控制的动态小波神经网络反馈盲均衡方法技术领域[0001]本发明涉及一种动态小波神经网络反馈盲均衡方法，尤其涉及一种模糊控制的动态小波神经网络反馈盲均衡方法。背景技术[0002]在无线和数字通信系统中，由于受到反射、漫射和