（电路与系统专业论文）基于信号估计的模糊神经网络分类器盲均衡算法的研究[电路与系统专业优秀论文].pdf

太原理工大学硕士研究生学位论文 基于信道估计的模糊神经网络分类器盲均衡算法的研究 摘要 盲均衡是数字通信系统中消除码问干扰的关键技术，它能够不借 助训练序列，而仅仅利用所接收到的信号序列的先验信息对信道进行 均衡。传统盲均衡器中采用固定的判决电平，造成高的判决误差。模 糊神经网络结合了神经网络和模糊理论各自的优点，模糊神经网络分 类器可对不确定信息作出定量描述，具有很高的识别精度，可以有效 降低判决误差。 本文所做的主要工作有： ( 1 ) 简要概述了现有基于神经网络盲均衡算法的各种实现方法及 其发展动态，分析了其特点。同时，阐述了模糊神经神经网络在均衡 器中的应用以及现有的盲信道估计的实现方法。提出了模糊神经网络 在盲均衡算法中的几种可行的应用方式及其原理。 ( 2 ) 针对原有盲均衡器采用固定电平进行判决的特点，提出了一 种由模糊神经网络分类器代替原有判决器的盲均衡算法。该算法将盲 信道估计、反卷积和模糊神经网络分类器相联系。文中给出了高阶累 积量盲信道估计的推导公式，利用反卷积获得输入信号的初步估计值， 再利用模糊神经网络分类器进行判决。计算机仿真表明，新算法相对 于前馈神经网络盲均衡算法在性能上有一定的提高与改善，不仅加快 了收敛速度，而且减小了稳态剩余误差。 ( 3 ) 提出了一种模糊神经网络聚类盲均衡算法。该算法根据聚类 太原理工大学硕士研究生学位论文 算法特点先计算各信号的相似程度，进而实现信号的判决，使得输出 信号尽可能逼近发送信号，以减少判决误差。计算机仿真表明，新算 法的收敛性能优于前馈神经网络盲均衡算法。 关键词盲均衡，模糊神经网络，分类器，信道估计，隶属函数 i i 太原理工大学硕士研究生学位论文 s t u d yo nf u z z yn e u r a ln e t w o r k c l a s s i f i e rb l i n de q u a l i z a t i o n a l g o i u t h mb a s e do nc h a n n e le s t i m a t i o n a b s t r a c t b l i n de q u a l i z a t i o ni st h ek e yt e c h n o l o g yt oo v e r c o m et h ei n t e r - s y m b o l i n t e r f e r e n c eo s i ) i nd i g i t a lc o m m u n i c a t i o ns y s t e m s i ti san e wa d a p t i v e t e c h n o l o g yw i t h o u tr e s o r t i n gt oat r a i n i n gs e q u e n c e ，w h i c ho n l yu t i l i z e st h e p r i o ri n f o r m a t i o no ft r a n s m i t t e ds i g n a l st oe q u a l i z et h ec h a n n e lc h a r a c t e r t h et r a d i t i o n a le q u a l i z e ru t i l i z e sf i x e dd e t e r m i n i n gl e v e l ，a sar e s u l t ，i th a s ah i 曲d e t e r m i n i n ge r r o r f u z z yn e u r a ln e t w o r k sc o m b i n et h ev i r t u e s b e t w e e nn e u r a ln e t w o r k sa n df u z z yt h e o r yr e s p e c t i v e l y f u z z yn e u r a l n e t w o r k sc a l lq u a n t i f i c a t i o n a l l yd e s c r i b eu n c e r t a i ni n f o r m a t i o n ，p o s s e s s h i 曲l ys u p e r n a l i d e n t i f i c a t i o np r e c i s i o n a n dm e ye f f e c t i v e l yd e d u c e d e t e r m i n i n ge p r o r t h em a j o rc o n t r i b u t i o no f t h i sp a p e ri ss u m m a r i z e da sf o l l o w ： ( 1 ) t h i s p a p e rs i m p l yf o r m u l i z e st h ei nb e i n gn e u r a ln e t w o r kb l i n d e q u a l i z a t i o na l g o r i t h m sa n dd e v e l o p m e n t ，a n a l y z e st h e i rc h a r a c t e r s a tt h e s a m et i m e ，i ta n a l y z e st h ea p p l i c a t i o no ff u z z yn e u r a ln e t w o r k si nt h eb l i n d e q u a l i z e ra n dt h ei m p l e m e n to fb l i n d c h a n n e le s t i m a t i o n t h i s p a p e r p r o p o s e ss o m eb l i n de q u a l i z a t i o na l g o r i t h mp r i n c i p l e sa n da p p l y i n gw a y s b a s e do nf u z z yn e u r a ln e t w o r k s ( 2 ) i no r d e rt oo v e r c o m ed i s a d v a n t a g e sb r o u g h to u tt h ef i x e dl e v e l d e t e r m i n a t i o ni nf o r m e rb l i n de q u a l i z e r s ，an e wb l i n da l g o r i t h mb a s e do n i i i 太原理工大学硕士研究生学位论文 f u z z yn e u r a ln e t w o r kc l a s s i f i e ri sp o s s e s s e d t h i sa l g o r i t h mc o n n e c t sb l i n d c h a n n e le s t i m a t i o n ，d e c o n v o l u t i o na n df u z z yn e u r a ln e t w o r kc l a s s i f i e r t h i sp a p e rf i r s t l yg i v e sh i g h e ro r d e rc u m u l a n t sc h a n n e le s t i m a t i o nf o r m u l a t h ep r i m a r ye s t i m a t i o nv a l u eo fs i g n a l si sa c q u i r e db yd e c o n v o l u t i o n a n d t h e nt h es i g n a l sa r ec l a s s i f i e db yaf u z z yn e u r a ln e t w o r kc l a s s i f i e r t h e s i m u l a t i o nr e s u l ts h o w st h a tt h en e wa l g o r i t h mh a sb e t t e rp e r f o r m a n c et h a n f e e d f o r w a r dn e u r a ln e t w o r k i th a st h ei m p r o v e dp e r f o r m a n c eo ft h e c o n v e r g e n c es p e e d a n dr e s i d u a le r r o r ( 3 ) 1 1 1 i sp a p e rp r o p o s e sa n o t h e rf u z z yn e u r a ln e t w o r ka l g o r i t h m b a s e do nc l u s t e r a c c o r d i 堙t ot h ec h a r a c t e ro fc l u s t e r ，t h i sa l g o r i t h mf i r s t l y c a l c u l a t e st h es i m i l a rd e g r e ea m o n gs i g n a l s s i g n a ld e t e r m i n a t i o ni s r e a l i z e d i tm a k e ss u r et h a tt h e o u t p u ts e q u e n c ea p p r o x i m a t e s t h e t r a n s m i t t e d s i g n a l s a sa c c u r a t ea s p o s s i b l e t or e d u c ed e t e r m i n a t i o n e r r o r t h es i m u l a t i o nr e s u l ts h o w st h a tt h ec o n v e r g e n c ep e r f o r m a n c eo f t h e n e w a l g o r i t h mi sb e t t e rt h a nt h a to f t h eb l i n de q u a l i z a t i o na l g o r i t h mb a s e d o nf e e d f o r w a r dn e u r a in e t w o r k k e yw o r d sb l i n de q u a l i z a t i o n ，f u z z yn e u r a ln e t w o r k ，c l a s s i f i e r ，c h a n n e l e s t i m a t i o n ，m e m b e r s h i pf u n c t i o n i v 声明 本人郑重声明：所呈交的学位论文。是本人在指导教师的指导下。 独立迸行研究所取得的成果。除文中已经注明弓| 用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 论文作者签名： 象l ：丞丛 关于学位论文使用权的说明 本人完全了解太原理工大学有关保管、使用学位论文的规定，其 审包括：学校有权保管、并翔有关部门送交学位论文豹原件与复印 件；学校可以采用影印、缩印或其它复制手段复制并保存学位论文； 学校可允许学位论文被查阅或借阅；学校可以学术交流为目的。 复制赠送翻交换学位论文；学校可以公布学位论文的全部或部分内 容( 保密学位论文在解密后遵守此规定 。 签名：玉；3 ：塞丛e i 其i ：盈塑冱：丝鲨 导孵签名：鬓。兰茎矍e t l t l t ：立! ：堡主上 太原理工大学硕士研究生学位论文 第一章绪论 盲均衡是一种新兴的自适应均衡技术，能够不借助训练序列，而仅仅利用所 接收到的信号序列本身的统计特性对信道进行均衡。在实际工程中，任何系统或 多或少含有非线性成分，这就需要解决非线性系统的均衡问题。神经网络具有良 好的系统近似能力和问题处理能力【l 】，神经网络能够以任意精度逼近非线性函数 删。在盲均衡问题中，人们利用神经网络的特性构造出适合盲均衡的网络模型。由 于基于神经网络的盲均衡具有收敛速度快、误码率低等优点，已成为盲均衡技术 发展的熟点。 1 1 盲均衡技术及其解决的关键问题 盲均衡技术是指在未知信道特性的情况下，不发送训练序列，仅仅依据接收 序列对信道进行均衡，从而达到恢复发送序列目的的新兴自适应均衡技术。盲均 衡的主要目的是消除通信过程中产生的码间干扰( i n t e r - s y m b o li n t e r f e r e n c e ，简称 i s i ) ，实现对信道的非理想特性的补偿，从而在接收端重构发送序列。把码间干扰 对数字通信系统的影响等效为一个基带系统进行分析，等效基带信道冲激响应 b ) 代表了发送滤波器、调制器、传输介质和解调器的总体效应。发送信号z 0 ) 可能具 有若干个离散的幅度值。在第耵时刻通过信道发送出来，r 代表采样间隔。最终 接收到的信号) ，g ) 是发送序列与信道冲激响应的卷积，并叠加了高斯白噪声n b ) 。 y 0 ) = 0 如0 一| r ) + n 0 ) ( 1 - 1 ) k 如果在k t + n o 时刻对接收信号进行取样( 代表信道延时) ，则可得到 y ( k r + n o ) = x t g o 弘0 0 ) + 而厅g o + 船一f r ) + n o o + i 力k = o ，1 ，2 ，( 1 - 2 ) f 七 式中，右边第一项是实际所需信号，第二项代表邻近信号形成的干扰和，也就是 码间干扰( z 孵) ，第三项是离散的高斯自噪声。不难看到，码间干扰项正比于信道 冲激响应的取值 0 0 + 灯) ，接收信号包含了i s i 和噪声双重干扰。在信道严重畸变 太原理工大学硕士研究生学位论文 时，i s l 的分量有可能大于发送信号，此时难以从接收信号中还原出发送信号。当 传送信号的功率远大于噪声功率时，离散噪声的影响可以忽略，这样i s l 就成了通 信中的最大障碍。在理想传输条件下，信道的联合冲激响应满足n y q u 括t 第一准则， 此时i s i 就不存在了，接收到的信号就是发送信号。但是，由于总是存在系统设计 误差和信道特性的变化，实际通信中总存在码间干扰。所以，为了减小码间干扰 的影响，在通信中就必须使用均衡器。 假设未知信道的传输函数为 d ) ，x 0 ) 为发送信号，”o ) 为噪声( 一般认为是 加性噪声) ，y o ) 为均衡器的输入信号，舅0 ) 为重建的输入信号。 y 0 ) = x o ) 如) + ”0 ) ( 1 - 3 ) 彳0 ) = j ，g ) ，w 0 ) ( 1 - 4 ) 其中，w “) 为均衡器的冲激响应。 均衡器的目的就是要使均衡器输出舅g ) 为输入x 0 ) 的估计值，即 舅0 ) = 工g 一女 ( 1 - 5 ) 其中，k 为一整数时延，为一常数相移。这在信道均衡中是允许的，因为恒定的 时延并不影响信号的恢复质量。 把式( 1 - 3 ) 代入式( 1 - 4 ) 式得 舅0 ) = 厅o ) x o ) ”妇) ( 1 - 6 ) 要使均衡器的输出成为系统输入的估计值，即满足式( 1 5 ) ，就必须确定出上 式中的向0 ) w 0 ) 。在传统均衡算法中，由于均衡器利用发送接收端己知的训练序 列来调整，这就相当于式( 1 - 6 ) 中的x 0 ) 与z o ) 均己知，这样就不难利用解卷积 或反卷积算法来确定出系统的整体响应胁0 ) w 0 ) 】。 为了实现式( 1 - 5 ) ，只要让 o ) 川，) = 万0 一女即可，此时系统的联合冲激 响应就相当于满足了n y q u i s t 第一准则，式( 1 - 6 ) 就变成 膏g ) = 占o 一七k x 0 ) ( 1 - 7 ) 式中，占“) 为k r o u e c k e r 函数。 将式( 1 - 7 ) 进行f o u r i e r 变换得到 2 太原理工大学硕士研究生学位论文 j 如) = ( 缈k “一，) 即 0 ) = 丽i e 柏训 ( 1 8 ) ( i - 9 ) 所以说，盲均衡的目的就是要在没有训练序列的情况下实现上式中所示的传 递函数) 。由于不能发送训练序列，所以就需要用其它方法来获得 ( ”) + w g ) ， 这就是盲均衡所要解决的主要问题p 1 。 1 2 神经网络盲均衡技术 在盲均衡问题中，充分利用神经网络的特性，构造适合盲均衡的网络模型。 由于基于神经网络盲均衡算法具有收敛速度快，误码率低等优点，已成为均衡技 术发展的新亮点。基于神经网络的盲均衡算法吲，就目前已经提出的算法而言，从 原理上主要分为三大类。 1 2 1 基于代价函数方法 首先选择一个网络结构，提出一个代价函数，代价函数实质就是用函数构造 了输入输出之间的差别，并且根据这个代价函数确定权值的递推方程。然后，通 过求代价函数的极小值来达到调整权值的目的。目前，运用此方法的神经网络盲 均衡主要有： ( 1 ) 基于多层神经网络与高阶累积量的盲均衡 多层神经网络的训练采用一种混合算法，其主要优点是代价函数具有严格的u 性，且收敛速度较快。高阶累积量对高斯噪声具有抑制作用，接收信号事先通过 高阶累积量运算器，将高斯噪声滤掉，然后同时进行信道辨识、神经网络训练和 信号的恢复。在整个盲均衡过程，对神经网络的训练一刻也不停息的进行，每一 次神经网络的权值都是基于上一次接收序列。周正等睁i 提出了基于多层神经网络与 高阶累积量的盲均衡算法，该算法结合了r o s a r i o 算法与s o l i s 和w e t s 的随机优化 方法的优点，其代价函数为 3 太原理工大学硕十研究生学位论文 ，= 去瞳o ) 一舅g ) 】2 ( 1 1 0 ) 其中，x o ) 为输入序列，z 0 ) 为均衡后的序列。 c h e o l w o oy o u 等【6 】提出了综合优化的多层前馈神经网络。他们构造了一个代价 函数是 ，= z 0 堪g n ( m 。) 风一i ( n 】2 j ( 1 1 1 ) 其中，m i = i d e c ( ( n 朔2 ，岛是一可选参量，且存在最优值。 目前基于多层神经网络的盲均衡算法中，主要任务在于进一步提高算法的收 敛速度。 ( 2 ) 基于递归神经网络的盲均衡 递归神经网络具有规模小、性能优的特点。gk e c h r i o t i s 等7 1 最先成功地将递 归神经网络用于盲均衡中，其收敛速度较先前算法有明显改善，而且能处理p a m , q 嘣m 等信号。gk e c h r i o t i s 等【8 】所采用的代价函数为 ，：壹口。吒o + 1 ) ：壶k 。仁t g ) ) 一e g t g ) ) 】2 ( 1 - 1 2 ) 其中，a t 为相应的误差权值。 g n + l = 熹k 仁。鲫o + 1 ) 】 ( 1 1 3 ) 但其代价函数有4 个参数，参数的选取很难把握。因此，在此基础上，梁启 联等【9 】提出了基于递归神经网络盲均衡的改进算法。首先简化了代价函数，把原有 的参数改为2 个，克服原代价函数参数过多的缺点。他们所采用的代价函数是 ，= 窆吼吼o + 1 ) = 玄吼ie + 仁o ) ) 一 i = lt ；ii ( 1 - 1 4 ) 该算法有效地解决了上述缺陷，能处理脚m 及刨吖等各种信号。但网络的 训练过程是一个复杂的非线性优化问题，且由于代价函数的非u 性，使得用于训 练的随机梯度下降算法极有可能陷人局部最小点，即很难获得最优解。对递归神 经网络，仍须进一步研究能保证获得最优解的算法。 ( 3 ) 基于反馈神经网络盲均衡 4 太原理工大学硕士研究生学位论文 反馈神经网络盲均衡器具有大规模分布并行信息处理能力和非线性动力学性 质，提供了优良的处理性能。廖日平等1 提出了优化反馈神经网络盲均衡算法， 其收敛速度快，对非平稳信号适应性好，对初始权值不敏感。其神经网络电路不 复杂，容易实现高速数字时变信道下的全局最优化盲均衡。s e u n g j i nc h o i 等f i l 】提 出了线性反馈盲均衡算法，其权值迭代公式为 w o + 1 ) = w 0 ) - r 百a j ( w ) ( 1 一1 5 ) 其中，玎是迭代步长。 而代价函数为 j = 一专善善| 0 9 2 只( j g ) ) ( 1 - 1 6 ) 其中，小) 经过信道槐的输出为x i ( n ) ；霹是而经过线性反馈神经网络的输。 出；毋晦是信号霉的概率密度；聊为单输入多输出信道阶数；为观测样值。 该算法提出不进行信道辨识就直接进行盲均衡，有较强的计算能力，主要应 用于单输入多输出( s i n g l ei n p u tm u l t i p l eo u t p u t ，简称s i m o ) 系统中。就此，鲁 瑞1 2 1 把双线性反馈神经网络用于盲均衡，并且与恒模算法相结合，提出了基于双 线性神经网络的盲均衡算法。 ( 4 ) 基于小波神经网络的盲均衡 s h i c h u nh e 掣1 3 1 在1 9 9 7 年提出可回归小波神经网络盲均衡算法，此算法建立 在输入信号的统计规律上，各个神经元彼此相连，能够迅速准确地处理动态行为， 可以有效地进行非线性信道的盲均衡。近来，牛晓薇【h 1 对原有的前馈小波神经网 络进行了改进，构造出一种新的结构。而且还提出了一种基于双线性反馈结构的 小波神经网络盲均衡新算法，把恒模算法与小波神经网络相结合，提出的代价函 数为 ，：垮纠2 喝 ( 1 - 1 7 舯荆舯龇妒捌。 5 太原理工大学硕士研究生学位论文 该算法既适合于实数信道也适合于复数信道，而且收敛速度与误码率均有明 显改善。 ( 5 ) 基于自组织神经网络的盲均衡 早在1 9 9 2 年，s i m o nh a y k i n t l s l 就有关于自组织神经网络盲均衡的讨论，当时， 他归结为是b u s s g a n g 类的发展。c h a r 融sc c a v a l c a n t e l l 6 1 等在2 0 0 0 年对基于自 组织神经网络盲均衡进行了改进，建构的网络是双层的，第一层是自组织网络， 第二层是监督网络。自组织神经网络使得代价函数最小以期得到最优参数值。该 算法既适用于最小相位信道，也适用于非最小相位信道，均有良好的性能。 1 2 2 基于能量函数方法 根据网络的能量函数构造权值，神经网络都有自己的能量函数和状态方程， 当网络中的任何一个神经元的状态发生变化时，能量函数都将减小，即网络系统 总是朝着能量减小的方向变化，最终进入稳定状态。根据能量函数的这一特性， 将原有的代价函数经过适当变化后，作为网络的能量函数，再根据新的能量函数 设计网络的状态方程，这就对原有网络进行了改造，也可以达到所要求的目的。 当前，基于此类方法的盲均衡主要有： ( 1 ) 基于细胞神经网络的盲均衡 细胞神经网络的基本特性是它的局域连接性，即每个细胞只与它相邻的细胞 相连接，正因为这一特点，细胞网络的硬件实现较容易。而且细胞网络还具有收 敛速度快，良好的动态处理能力，稳定性强等特点。赵建业等1 8 l 提出了基于细胞 网络的盲均衡算法，该算法构造了一个能量函数，即 o ) = 一吉z e a ( i ，；| ，h 。u 。 ( 1 1 8 ) 一+ 去吃一z b ( ，；七，) 1 ixt,j|jk , l 其中，彳( f ，j ；k ，) 、口( f ，j ；k ，) 分别为a 、b 模板，即决定了神经网络的连接关系； 为神经元c ( f ，) 的输出；厶为独立电流源；, 4 为邻近神经元c ，) 的输入 随着能量函数的减小，网络系统进入稳态，能量函数达到极小值时，获得各 6 太原理工大学硕士研究生学位论文 细胞状态即代价函数最小时的“”) ，“ ) 为均衡器的抽头系数，此时的而) 是最 优值，从而实现盲均衡。 ( 2 ) 基于级联神经网络的盲均衡 刘建成掣1 9 1 提出的级联神经网络盲均衡采用的模块网络是由均衡子网络和压 缩子网络组成，均衡子网络目的在于提取信号源的处理单元，而压缩子网络在于 消除已从混合信号提取了信号后其它多余信息的处理单元。压缩子网络的权值调 整采取能量函数调整法，采用的能量函数是 e o ) ；妻兰阮0 1 2 二持l ( 1 - 1 9 ) 其中，置0 ) = 门0 ) 一w ， ) i ，0 一p ) ，y 。g ) 是输入信号，i 0 ) 是输出信号，v o ) 是 ， 均衡子网的输出。 当网络的能量函数达到最小值时，网络权值也达到最优，此网络的迭代公 式是 w i n + o = m 似+ 碱g 弘0 ) ( 1 2 0 ) 其中，玎是迭代步长。 此网络的缺点主要在于该方法对源信号的数量有限制，只有当源信号的数目 等于或小于传感器的数目时才可实现均衡。 1 2 3 基于过采样的盲源分离方法 该方法在于根据信号的统计特征对信号进行盲分离，盲分离的过程也即进行 均衡的过程，也称之为互信息最小化的独立分量分析方法【2 0 i 。在此过程中，通过 信号的统计特性来调整网络的权值，以达到实现盲均衡的目的。而今，用此方法 的网络有： ( 1 ) 基于独立分量分析神经网络盲均衡 刘琚等提出了独立分量分析( i n d e p e n d e n c ec o m p o n e n t a n a l y s i s ，简称i c a ) 神经网络盲均衡。i c a 神经网络是通过完成线性变换求得输出相互独立的分量。该 算法是利用盲信号分离发展起来的一种新的盲均衡方法。其迭代公式为 7 太原理工大学硕士研究生学位论文 w g + 1 ) = w 0 ) + 叩g 0 ) ( 1 - 2 1 ) 其中，玎是迭代步长。 g 0 ) = i 一( 幕o 塘伍0 ) ) 卜v 0 ) ( 1 - 2 2 ) 其中，爻0 ) 是输入信号x 0 ) 的估计值，i 为单位矩阵，伍蝴和g 伍o ) ) 是又0 ) 的线 性或非线性函数。 ( 2 ) 基于线性神经网络盲均衡 y o n g f a n g 等【2 2 1 提出了单层和双层线性神经网络盲均衡器。与其他自适应盲均 衡算法不同的是，该算法是以传输信号相关矩阵特征为基础，进而实现对神经网 络的训练和逼近学习。在此基础上，胡波等矧将盲信号分离与此相结合，进一步 改进了此类盲均衡方法，文中采用的迭代公式为 w g + 1 ) = w o ) + 玎4 一厂仅g 蟾7 伍0 ) ) ) w 0 ) ( 1 2 3 ) 其中，日是迭代步长，0 和9 0 为 ，羔+b：o，l，2)(1-24)p 2 m1 = 该方法根掘信号码间的相互独立性，利用过采样和盲信号分离的思想实现实 数信道和复数信道的均衡。该网络的主要特点在于其结构简单，便于实现实时处 理，且有较快的收敛速度。而且此方法不受信道是否为最小相位的限制。 随着神经网络的发展，基于神经网络盲均衡算法也在不断改进，新型的神经 网络模型的出现，使得神经网络的计算和处理能力在提高，给盲均衡技术的发展 提供了契机。 1 3 模糊自适应均衡与盲均衡的发展 自适应均衡是盲均衡的i ； 提和基础，盲均衡技术主要目的在于在均衡过程中， 避免发送训练序列。目前，把模糊逻辑和模糊神经网络运用于盲均衡问题才刚刚 起步，但这些技术已经在自适应均衡中有了广泛的应用。主要有： ( 1 ) 1 9 9 9 年，r a m a mp i c h e v a r 等矧使用模糊规则调整神经网络均衡算法的 8 珈 哟p p 叫 1 1 l l 脚稍 太原理工大学硕士研究生学位论文 学习速率和反向传播网络的动量，从而加快均衡算法的收敛速度。而且他们指出， 由于神经网络能处理非线性问题，所以神经网络均衡器具有对非线性信道进行均 衡的能力。r a m a mp i c h e v a r 等提出将反向传播网络与模糊规则相结合，在处理非 线性问题的同时，利用模糊规则进行参数的调整，从而加快收敛速度。 ( 2 ) 2 0 0 0 年，s a r a t k u m a r p a t r a 等【2 5 1 分析了模糊最大后验概率m a p 均衡器 的运行情况。文中的均衡器中添加了一个预处理器，此类均衡器模糊化计算量小， 有效地解模糊器和推论产生器降低了均衡器的复杂性，扩大了这种均衡器在移动 通信和受同信道干扰( c o - c h a n n e li n t e r f e r e n c e ，简称c c i ) 影响的通信系统的应用 范围，是一种适合于非线性信道的模糊均衡器。 ( 3 ) 2 0 0 2 年，p r a s a n n ak u m a rs a h u 等伫6 】提出一种计算量小的模糊神经网络 均衡器。这种均衡器的性能近似于最大后验概率( 删p ) 均衡器，但是计算复杂 度却显著降低，并能采用有师聚类算法进行训练。该均衡器利用矢量信号状态得 到均衡器的判决函数，而矢量信号状态可通过对标量信道状态的计算得到。标量 信道状态是指无噪声的条件下接收到的信号采样，而标量状态可通过聚类算法得 到。标量信道状态的计算简单，其计算复杂度依赖于均衡器的阶数，而且标量状 态很适合与 i f - t h e n 规则结合。如果得到矢量信号状态，那么均衡器的判决函数 也就很容易得到。研究表明这种均衡器能减少计算复杂度，能用先验标量聚类算 法训练，很适合用于移动环境中。 ( 4 ) 2 0 0 3 年，r a f a e lf e r r a r i 等2 _ 7 】提出模糊误差预测均衡器，它是无师非线 性均衡，其性能接近贝叶斯均衡器。一般的非线性均衡器并不依赖于有师学习， 这是因为参考信号并不适用于任何情况，这也是提出无师均衡准则的目的所在。 模糊均衡器由于有模糊规则 i f - t h e n ”，所以是非线性元件，适用于实时处理。模 糊均衡器的应用主要是它能达到贝叶斯均衡器的最优性能，这一重要特性与模糊 均衡器的预测能力一起使得文中提出的均衡器有很好的特性。 ( 5 ) 2 0 0 4 年，祖家奎等【2 s 】提出了非单点模糊逻辑均衡器。自适应非单点模糊 滤波器参数优化算法采用最速下降算法，参数的初始选择对均衡器有很重要的影 响。文中采用聚类算法选择初始参数，有效地加快了均衡器的收敛速度，但该均 9 太原理1 = 大学硕士研究生学位论文 衡器仍需解决稳定性问题。 ( 6 ) c h i n g - h u n g 卯【2 9 l 等提出了一个使用周期性模糊神经网络均衡器对非线 性时变信道进行均衡。周期性模糊神经网络是以学习能力和模糊规则结构为基础 的，在给定有限信息的情况下，周期性模糊神经网络用来估计周期信号。反馈学 习算法用来加快学习速度。对于时变信道的均衡来说，该方法结构较简单。 ( 7 ) 2 0 0 5 年，白煜【3 0 1 利用模糊神经网络具有良好控制能力的特点，将模糊神 经网络用作控制器，用于控制盲均衡算法的步长因子，得到模糊神经网络控制的 交步长盲均衡算法。同时，利用模糊神经网络能够逼近任何非线性函数的特点， 用模糊神经网络取代横向滤波器，得到模糊神经网络均衡器。 对于模糊神经网络盲均衡算法的研究仍处于起步阶段，随着模糊逻辑和模糊 神经网络的发展，进一步完善和改进模糊盲均衡算法已成为一种趋势。 1 4 论文结构安排 本论文结构安排如下： 第一章为绪论，首先分析了盲均衡技术研究的目的意义，而后对神经网络盲 均衡算法进行了分类总结，最后分析了模糊理论应用于均衡器的国内外发展概况， 提出模糊神经网络盲均衡的发展前景。 第二章为模糊神经网络分类器盲均衡算法的基础知识。首先阐述了模糊神经 网络的特点和结构形式，分析了模糊隶属函数的选取以及模糊神经网络的学习算 法。其次分析了盲信道估计和盲均衡技术的基本原理，最后分析了基于模糊神经 网络盲均衡的实现方式。 第三章提出了基于模糊神经网络分类器的盲均衡算法。该算法首先利用高阶 累积量对信道进行估计，然后反卷积得到输入序列的初步估计值，最后利用模糊 神经网络分类器对估计值进行分类，从而实现均衡的目的。经过仿真试验表明， 这种算法在实数和复数系统中都有很好的均衡效果。 第四章提出了一种基于模糊聚类算法的盲均衡方案，并分别在实数和复数系 统中对模糊神经网络盲均衡算法进行了推导和计算机仿真。 1 0 太原理工大学硕士研究生学位论文 第五章对文中所提出的盲均衡算法进行了性能上的分析和比较，为以后的研 究提供依据。 太原理工大学硕士研究生学位论文 第二章模糊神经网络分类器盲均衡的基础知识 模糊神经网络( f u z z yn e u r a ln e t w o r k ，简称f n n ) 是模糊逻辑和神经网络二 者相结合的产物。人们能根据周围的模糊信息进行逻辑思考，模糊逻辑就是以此 为基础，其目的在于通过隶属函数与串并行规则对模糊信息进行处理；而神经网 络则是以生物神经网络为模拟对象，通过网络的自学习、自组织、自适应等方法 对归一化信息进行处理。模糊逻辑和神经网络在许多方面具有关联性和互补性l ”】。 而且，理论上已经证明，模糊逻辑系统能以任意精度逼近一个非线性函数【3 2 1 ，神 经网络具有映射能力，这说明二者之间有密切的联系。所以，将模糊逻辑系统与 人工神经网络结合起来，取长补短，必能把信息处理领域提高到一个新的高度。 在这样的系统中，神经网络模拟大脑的拓扑结构，模糊逻辑系统模拟信息模糊处 理的思维能力，所以两者的结合就产生了模糊神经网络。 2 1 模糊神经网络的基础知识 2 1 1 模糊的概念 模糊性是指客观事物在状态及属性方面的不分明性。其根源是在类似事物间 存在一系列过渡状态，它们互相渗透、互相贯通，使得彼此之间没有明显的分界 线。例如，个子“高”，个子“矮”，什么是“高”、“矮”，却是不明确的，它们之间不 存在明确的分界线，因而是模糊的，具有模糊性。模糊性是客观世界中某些事物本 身所具有的一种特性，它与随机性有着本质的区别。对于随机性而占，事物本身 的含义是明确的，只是在一定条件下可能发生也可能不发生，而模糊性所反映的 事物本身是模糊不清的。 2 1 2 模糊神经网络及其特点 模糊神经网络是模糊理论同神经网络相结合的产物，它融合了神经网络与模 糊推理的优点，集学习、联想、识别、自适应及模糊信息处理于一体。模糊逻辑 与神经网络的结合研究是国际智能领域的前沿方向之一。 1 2 太原理工大学硕士研究生学位论文 模糊神经网络作为具有一定的处理定性与定量知识的技术与方法，可充分利用 模糊逻辑所具有的较强的结构性知识表达能力和神经网络强大的自学习与定量数 据的直接处理能力。模糊神经网络处理模糊信息要妥善解决的两个关键问题是模 糊规则的自动提取和模糊变量基本状态隶属函数的构建。 在模糊神经网络中，神经网络和模糊推理充分发挥各自的优点、优势互补。模 糊技术的优势在于逻辑推理能力，可进行复杂的信息处理，将模糊技术用于神经 网络，大大拓宽了神经网络处理信息的范围和能力；神经网络在自学习和自组织 方面有很强的优势，利用神经网络技术处理模糊信息，从而使得模糊规则能够自 动提取以及模糊隶属函数能自动生成。 模糊神经网络是全部或部分由模糊神经元构成的，可处理模糊信息的神经网络 系统。图2 1 为模糊神经网络的一般结构图【3 3 1 。图中每个节点层的节点数及权值可 以由模糊系统所采用的具体模块获得，其隶属函数和模糊规则通过一定的学习算法 产生。 输入 前提模糊化连接处理单元模糊判决 输出 图2 - 1 模糊神经网络逻辑结构 * f i g 2 一lt h el o g i c a ls t r u c t u r eo f f u z z yn e u r a ln e t w o r k 模糊神经网络除具有一般神经网络的性质和特点外，还具有一些特殊性质： ( 1 ) 由于采用模糊数学中的计算方法，使一些处理单元的计算变得较为简便， 从而加快了处理信息的速度； ( 2 ) 由于采用了模糊化的运行机制，加强了系统的容错能力； ( 3 ) 大大增强了系统处理信息的手段，使系统处理信息的方法变得更加灵活； ( 4 ) 扩大了系统处理信息的范围，可同时处理确定性信息和不确定信息。 2 1 3 模糊神经网络的结构 模糊神经网络作为处理模糊信息的神经网络，是由大量模糊的或者是非模糊的 神经元相互连接构成的网络系统。目前，随着模糊神经网络的发展，其结构也是多 1 3 太原理t 大学硕士研究生学位论文 种多样的。按照网络结构不同，可将其分为前馈模糊神经网络、动态模糊神经网络、 基于遗传算法的模糊神经网络、模糊极大极小神经网络等。本文采用的是前馈模糊 神经网络，以下只就酊馈模糊神经网络结构进行简单介绍。 图2 2 为前馈模糊神经网络结构，其中，9 ) 和d 9 ) 分别表示第f 层的第，个节点 的输入和输出，网络各层涵义及输入输出映射关系为： 第一层为输入层 0 1 ) = t ，钟= 0 f = 1 ，2 ，疗 ( 2 - 1 ) 第二层为模糊化层 0 2 ) = 钟，钟= ( ，j 2 ) y - - 1 ，2 ，m ( 2 - 2 ) 其中，厶( ) 是第二层中第f 个输入第个语言值的隶属函数。 它的作用在于对输入信号进行模糊化。 第五层 第四层 第三层 第二层 第一层 图2 - 2 常规模糊神经网络模型 f i g 2 - 2t h ed i a g r a mo f g e n e r a lf u z z yn e u r a ln e t w o r k 第三层完成输入与模糊控制规则d 口件的匹配 妒= 彬，q ”= n 啦蜚砖 i = l 第四层完成归一化运算 1 4 ( 2 3 ) 太原理工大学硕士研究生学位论文 r ( 4 ) ，j 4 = 叫”，q 4 ) - l ( 2 - 4 ) 0 4 = i 第五层是输出层，即表示模糊神经网络的解模糊层，它所实现的是清晰化计算 0 ，) ：0 j 4 ，吵) ：艺0 s ) ( 2 5 ) j = l 其中，是第四层与第五层的连接权值。 前馈模糊神经网络是一种强有力的学习系统，它结构简单，电路实现容易，通 过非线性单元的映射可以处理非线性系统。同时，相对其他结构而言，计算量较少， 具有较强的分类能力和辨识能力。 2 1 4 模糊隶属函数的构造方法和选取规则 隶属函数是模糊集合应用于实际问题的基石，对一个具体的模糊对象，首先 应当确定切合实际的隶属函数，才能应用模糊数学方法作具体的定量分析，然而 正确构造隶属函数并无统一模式。隶属函数的构造本质上讲是客观的，但是对同 一模糊现象每个人对它可能会有不同的理解，所以隶属函数的确定在很大程度上 带有人为的主观任意性。迄今为止，隶属函数的构造还没有可靠的理论作为依据， 大多数隶属函数的建立方法还停留在经验和实验的基础上。对于同一个模糊概念， 不同的人会建立不完全相同的隶属函数。虽然形式不同，但只要能反映同一模糊 概念，在解决实际问题中的效果是一样的。常用的有以下几种构造方法： ( 1 ) 模糊统计法【蚓 首先选定一个论域u ，如“人的集合”，在u 中选择一个固定元素“u ，例如“李 四”，然后考虑u 一个运动着的边界可变的普通集合彳，例如“高个子”，而“高个子” 到底是多高，这个概念是随着条件、场所和不同观点而改变的，让不同观点的人评 论“李四”是不是属于“高个子”这个集合爿，即“a 或“叠a ，则对高个子的隶属 度0 ) 表示为 0 ) ：! i r a 坚巡( 2 - 6 ) 1 5 太原理工大学硕士研究生学位论文 其中，以为总的试验次数，只要充分大就可以了，随着一的增大，卢0 ) 就会趋向一 个【o ，l 】闭区间的数，即隶属度。 ( 2 ) 例证法 例证法是z a d e h 【3 习于1 9 7 2 年提出的，主要思想是从已知有限个。的值，来估 计论域u 上的模糊子集a 的隶属函数。例如论域u 是全体人类，一是“高个子的人”， 显然彳是模糊子集。为了确定，可先给出一个高度h 值，然后选定几个语言真 值( 即一句话真的程度) 中的一个，来回答某人高度是否算“高”。如语言真值分为 “真的”，“大致真的”，“似真又似假”，“大致假的”，“假的”，然后把这些语言真值 分别用数字表示，分别为l ，0 7 5 ，o 5 ，o 2 5 和0 。对几个不同高度h i , h 2 ，h n 都 作为样本进行询问，就可以得到一的隶属函数4 的离散表示法。 ( 3 ) 专家经验法 根据专家的实际经验，确定隶属函数的方法称为专家经验法。例如郭荣江【3 6 】 利用模糊数学总结著名中医关幼波大夫的医疗经验，设计的关幼波治疗肝病的计 算机诊断程序这一专家系统，就是采用此种方法确定隶属函数的，获得很好的效 果。 设全体待诊断病人为论域( ，令患有脾虚性迁延性肝炎的病人全体为模糊子集 a ，a 的隶属函数为4 。从1 6 种症状中判断病人是否患此种疾病。这1 6 种症状 分别用口l ，a 2 ，口1 6 来表示( 其中o l ：g p t 异常；0 2 ：3 t 高；) 。 把每一症状视为普通子集，则特征函数为 删= 嚣 有症状q 无症状口， ( 2 7 ) 由医学知识和专家临床经验，对每一症状在患有“脾虚性迁延性肝炎”中所起的 作用各赋予一定的权系数局，仍，局6 ，规定a 的隶属函数为 纵o ) ：丝垃牟掣芝巫趔