基于Hopfield神经网络的盲算法的分析.pdf

Further Research on Blind Detection Algorithm Based on Hopfield work ThesisSubmitted toNanjing University of Posts and munications for the Degree of Master of Engineering By HUAN Rusong Supervisor: Prof. YU Shujuan February2014 万方数据南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人学位论文及涉及相关资料若有不实,愿意承担一切相关的法律责任。南京邮电大学学位论文使用授权声明本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档;允许论文被查阅和借阅;可以将学位论文的全部或部分内容编入有关数据库进行检索; 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质论文的内容相一致。论文的公布(包括刊登)授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。研究生签名:_____________ 日期:____________ 研究生签名:____________导师签名:____________ 日期:_____________ 万方数据 I 摘要 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 work, HNN)模型的基础上构建了双 Sigmoid Hopfield神经网络(Double Sigmoid Hopfield work, 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 Neural Network, 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(work, TCHNN)的基础上构建了双Sigmoid混沌神经网络(Double Sigmoid TransientlyChaotic HopfieldNeural Network, 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。关键词:Hopfield神经网络,能量函数,盲检测,混沌万方数据 II Abstract The algorithm of blind detection of Hopfield work (HNN)is not affected by the limit of the channel with common zeroes. Compared with the algorithm of the second order statistics (SOS) and high order statistics(HOS),the algorithm