專利名稱：引入小波神經網(wǎng)絡的t/2分數(shù)間隔盲均衡方法
技術領域：
發(fā)明涉及一種引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，屬于克服水聲信道多 徑衰落引起的碼間干擾(Inter-Symbol Interference, ISI)的盲均衡-技術領域。
背景技術：
水下通信系統(tǒng)中，多徑衰落和信道失真引起的碼間干擾(Inter-Symbol Interference ，ISI),嚴重影響通信質量。減少碼間干擾的有效手段就是采用均衡技術。與 自適應均衡技術相比，盲均衡技術不需要周期性地發(fā)送訓練序列，能節(jié)省帶寬，有效地 提高通信效率。均衡器參數(shù)調整的過程是一個求逆系統(tǒng)的過程，是一個非線性逼近問題 (見文獻[l]王軍鋒.小波和神經網(wǎng)絡在自適應均衡中的算法研究[D].西安西安電子科 技大學，2003 )，而小波神經網(wǎng)絡具有較強的非線性逼近能力，因此用小波神經網(wǎng)絡設計 均衡器是值得研究的課題(見文獻[2]牛曉薇,張立毅.基于PAM系統(tǒng)的小波神經網(wǎng)絡 盲均衡算法.太原理工大學學報，2004,30(3):21 -24 ),將d、波神經網(wǎng)絡應用到盲均衡技術 中，所得小波神經網(wǎng)絡盲均衡算法(wavelet neural network blind equalization algorithm, WNN)，結構簡單、易于實現(xiàn)，但收斂速度慢、穩(wěn)態(tài)誤差較大，且只適應PAM系統(tǒng)(見 文獻[3]基于分數(shù)間隔的水聲信道盲均衡算法研究[J].聲學與電子工 程,2005,78(2):21-23 ),實驗表明分數(shù)間隔因對信道輸出的過釆樣能夠為信道均衡提供足 夠的分集，避免了因欠采樣引起的頻譜混疊，使得接收信號中含有更詳細的傳輸信道信 息，可以更有效地對失真信道進行補償，從而提高了盲均衡算法收斂速度并降低了穩(wěn)態(tài) 誤差。
發(fā)明內容
本發(fā)明所要解決的技術問題是針對現(xiàn)有技術存在的缺陷提供一種引入小波神經網(wǎng)絡 的T/2分數(shù)間隔盲均衡方法。
本發(fā)明為實現(xiàn)上述目的，采用如下技術方案
本發(fā)明種引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在于包括如下步驟: 第一步將以符號長度r為周期的發(fā)射信號序列a(A:)經過第d個子信道得到第d個
乂-
子信道的輸出信號為,乂A) = J "(w)c(d)(A:-+ ,其中^表示波特間隔抽樣的
m=0
信道沖激響應長度，w^(A:)為第d個子信道噪聲，c^(A:)為第i/個子信道沖擊響應， d = l,2，兩個子信道結構相同，A為時間序列，w為自然數(shù)；
第二步將第一步所述的第d個子信道輸出信號經過第d個子小波神經網(wǎng)絡 均衡器得到第d個子小波神經網(wǎng)絡均衡器輸出信號z^(A;)， ^ = 1,2，兩個子信道結構相 同；
第三步將第二步所述的二個子小波神經網(wǎng)絡均衡器輸出信號送入組合器，進行合 并處理得到輸出信號z(A:)。
所述的引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在于所述小波神經網(wǎng)絡均衡器采用嵌入式三層小波神經網(wǎng)絡WNN,依次為輸入層、隱含層和輸出層，小波神 經網(wǎng)絡均衡器構成方法具體如下
(a) 將第一步所述的第d個子信道輸出信號經過輸入層得到隱含層輸入信
號《)(A:)^i/f)(A:)乂，A:)， / = 1，2,-../, I表示輸入層神經元個數(shù)，/ = 1,2，...，丄，L
表示隱層神經元個數(shù)，為第d個子小波神經網(wǎng)絡輸入層第/個神經元與隱層第/個 神經元的連接權值，其中^/ = 1,2，兩個子信道結構相同；
(b) 將步驟(a)所述的第t/個子小波神經網(wǎng)絡隱含層輸入信號w"("經過隱含層 得到隱含層輸出信號v,w(A) = v(《rU") + ^("SX")和輸出層的輸入信號
=力yj力("v"(" ， 為隱含層傳遞函數(shù)采用Morlet母小波變換后的函數(shù)，
/=i
， "SXQ分別表示第"個子小波神經網(wǎng)絡隱含層輸入信號w,^(A)的實部和虛部，
《，A:)為第d個子小波神經網(wǎng)絡隱含層第/個神經元與輸出層第個神經元的連接權值， p二l，2,…P, P表示輸出層神經元個數(shù)；
(c) 將步驟(b)所述的第d個子小波神經網(wǎng)絡輸出層輸入信號《乂"經過輸出層 得到第d個子小波神經網(wǎng)絡均衡器輸出信號zw= F04Je(A:》+ (")，其中
輸出層傳遞函數(shù)，"JJe("， ";^("分別表示第t/個子小波神經網(wǎng)絡輸出層的輸入信號
""(A:)的實部和虛部。
所述的引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在于將所述組合器輸 出信號z("通過盲均衡方法得到第d個子小波神經網(wǎng)絡輸入層第/個神經元與隱含層第/ 個神經元的連接權值力(力("和隱含層第/個神經元與輸出層第；？個神經元的連接權值 yJO("，其中!' = 1,2，.../, I表示輸入層神經元個數(shù)，/ = 1,2，".，Z, L表示隱層神經元個 數(shù)，c/ = l，2，兩個子信道結構相同。
本發(fā)明將小波神經網(wǎng)絡引入至172分數(shù)間隔盲均衡方法中，得到一種引入小波神經 網(wǎng)絡的T/2分數(shù)間隔盲均衡方法(T/2 fractionally spaced based on wavelet neural network blind equalization algorithm (T/2-FSE-WNN)),本發(fā)明方法在小波神經網(wǎng)絡均衡器的信號輸 入端，以2倍波特率對接收信號過采樣，改變了分數(shù)間隔均衡器結構，從而加快了收斂 速度、減小了穩(wěn)態(tài)誤差。針對QAM信號，具有較強的載波恢復能力。
圖1: 7V2分數(shù)間隔FSE多信道模型圖。
圖2:本發(fā)明引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡器結構圖。
圖3:本發(fā)明實施例1仿真圖(a)誤差曲線；(b)均方根誤差曲線；(c)T/2-FSE-FNN
輸出星座圖；(d)WNN輸出星座圖；(e)T/2-FSE-WNN輸出星座圖。
圖4:本發(fā)明實施例2仿真圖(a)誤差曲線；(b)均方根誤差曲線；(c)T/2-FSE-FNN
輸出星座圖；(d)WNN輸出星座圖；(e)T/2-FSE-WNN輸出星座圖。
具體實施例方式
下面結合附圖對發(fā)明的技術方案進行詳細說明 1 T/2分數(shù)間隔均衡器信號進
行過采樣，避免因欠采樣引起的頻鐠混疊，使得接收信號中含有更詳細的傳輸信道信息， 更加有利于信道的均衡。分數(shù)采樣模型可以等效為單輸入多輸出(SIMO)的多信道模型 r / 2分數(shù)間隔FSE多信道模型，如圖1所示。
設a("是以符號長度7為周期的發(fā)射信號序列，第d支路信道W = 1,2)的沖激響應為
c(,) = c[2(/t + lH-1] (1)
第d個子信道的輸出為
(A) = J] a(w>;(d) (yt _ w) + (2)
式中，A^表示波特間隔抽樣的信道沖激響應長度。設均衡器的長度為A^:2M,，則772 分數(shù)間隔均衡器的輸出信號為
z("= 2 /(附)y("m) (3)
該均衡器利用分數(shù)間隔改變了算法的性能，有利于信道的均衡，但存在收斂速度 慢的不足。
2小波神經網(wǎng)絡引入T/2分數(shù)間隔盲均衡方法
為克服分數(shù)間隔盲均衡算法的不足，充分利用小波神經網(wǎng)絡的較強非線性逼近能 力和4艮快的訓練速度，將小波神經網(wǎng)絡引入分數(shù)間隔盲均衡算法中。 2.1 小波神經網(wǎng)絡
小波神經網(wǎng)絡主要思想是用小波函數(shù)為隱層神經元激勵函數(shù)，從而將小波與前饋神 經網(wǎng)絡結合起來，使整個網(wǎng)絡的確定以小波理論為基礎，可以避免前饋神經網(wǎng)絡結構設 計上的盲目性，具有較強的函數(shù)學習和推廣能力特點，并且有很好的特征提取和屏蔽隨 機噪聲能力。
從結構上看，小波神經網(wǎng)絡作為一種前向神經網(wǎng)絡，其模型簡單，并且具有一般神 經網(wǎng)絡難以達到的模擬精度和學習速度，Cybenc已經證明用含有一個隱含層的前饋神 經元網(wǎng)絡可以以任意精度逼近任意的連續(xù)函數(shù)，所以本發(fā)明采用三層小波神經網(wǎng)絡 (WNN)，其結構如圖2虛線框內所示，其中z—'表示延時一個單位，力(力("為第6/個子小 波神經網(wǎng)絡輸入層第z'個神經元與隱含層第/個神經元的連接權值，/ = 1，2,../, I表示輸 入層神經元個數(shù)；/ = 1，2，...，丄，L表示隱層神經元個數(shù)，yJ,A:)為第i/個子小波神經網(wǎng) 絡隱含層第/個神經元與輸出層第； 個神經元的連接權值，p-l,2，…尸，P表示輸出層神經 元個數(shù)，/"(A:)是第d個子小波神經網(wǎng)絡輸入層的輸入序列且 = {/力(A: — 1),/力(A:-2),...,(A:-z〕f ;第^個子小波神經網(wǎng)絡隱含層的輸入為 ;第d個子小波神經網(wǎng)絡隱含層輸出為v"(A:);第d個子小波神經網(wǎng)絡輸出層單元 的輸入為;隱含層傳遞函數(shù)采用Morlet母小波變換后得到公式(4)
i — A i a (")2 M/(-) = |<5 = fzV7 (4)
式中，a,6分別為伸縮因子和平移因子。輸出層傳遞函數(shù)為
= x + a sin(raO (5)
式中，-ao〈x〈00, Q<a<l, X代表是《)(/t)和《)("，該函數(shù)對輸入信號具有良好的識 別能力。
2.2引入小波神經網(wǎng)絡的分數(shù)間隔盲均衡器結構波神經網(wǎng)絡的T/2 分數(shù)間隔盲均衡方法，其原理如圖2所示，a(&)為發(fā)送序列，c^("為第d個子信道， w/，A:)為第d個子信道噪聲(一般為加性噪聲)，z^("為第d個子小波神經網(wǎng)絡的輸出； z("為組合器的輸出序列。
當發(fā)射信號為QAM信號時，經失真信息，將會不可避免地產生旋轉現(xiàn)象。為了克 服相位旋轉，本發(fā)明將小波神經網(wǎng)絡的輸入信號以及權向量的實部和虛部分開，分別經 過小波神經網(wǎng)絡訓練，經過輸出層傳遞函數(shù)后，再合并一起作為小波神經網(wǎng)絡的輸出， 能有效糾正相位旋轉。那么，T/2-FSE-WNN輸入信號、輸入層與隱含層的連接權值、隱 含層與輸出層連接權值表示為復數(shù)形式，即
(6)
力，)《)"""X》) (7) y )("=ySew+i/S (" (8)
式中，d = l,2，為分數(shù)間隔的子信道個數(shù)，Re表示實部，Im表示虛部。 第d個子小波神經網(wǎng)絡的狀態(tài)方程方程為
土 ，) (9)
《)w = xK")S (")+(") (10)
《,t《)w作) (li)
/，)=F("Se w)+員0 (12) 第^個子信道的代價函數(shù)為
単)=會[卜(,)|2-及"2 (13) 式中，z^Ot)為第d個子信道的輸出信號，f是發(fā)射信號序列的模。根據(jù)最速下降法，
可得到第d個子小波神經網(wǎng)絡輸出層與隱含層的權值迭代公式為
《)("i)=yTw-(14) 罪)—罪) ) (15)
《,)《)w
^p2.卜(,)l咖(,)f-A (16)
&，)_+，)|+,卜(，)|
《,)《)w 《)w
z(力
{《)(，'[《),Si ("+《),n《)(《(")
1 {一尸[《)w]h《)w^S("+y[vL")("]n《)w]/S)e("} (17)
《)("i) = (" - 2. p.[卜w ("|2 一 f ]
{《)w]n《)("〗+貝《)("]n《)(" (is)同理可得，輸入層權值迭代公式為
<formula>formula see original document page 7</formula>伸縮因子經過小波神經網(wǎng)絡訓練迭代公式為
<formula>formula see original document page 7</formula>(21)
式中，A為伸縮因子的迭代步長。
S^TO)離雄"^i^〗-拳^i^
3"(力(&) z(力(A:)1 、R"〃 、R"〃L巧,Re、， J #'ta、 ，
，(:)]《(《y] (22)
同理，平移因子w的迭代公式為
<formula>formula see original document page 7</formula>
式中，^為平移因子的迭代步長，式(6) (24)稱為引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均 衡方法(T/2 fractionally spaced based on wavelet neural network blind equalization algorithm, T/2-FSE-WNN)。
分數(shù)間隔均衡器對輸入信號以772的速率采樣，避免了因欠采樣引起的頻諳混疊， 可以有效地補償信道特性的畸變。將小波神經網(wǎng)絡引入后，充分利用其較強的非線性逼 近能力和很快的訓練速度，對均衡器的輸入信號訓練，從而加快了算法的收斂速度，降 低了穩(wěn)態(tài)誤差。實施實例
為了驗證本發(fā)明方法T/2-FSE-WNN的有效性，采用水聲信道進行仿真實驗，并與基 于T/2分數(shù)間隔前饋神經網(wǎng)絡盲均衡方法(T/2-FSE-FNN)和小波神經網(wǎng)絡盲均衡方法 (WNN)進行比較。
實施例1采用兩徑水聲信道c = [-0.35 0 0 1];發(fā)射信號為4QAM ,信噪比20dB , 均衡器權長均為12，并且均采用中心抽頭系數(shù)初始化。仿真結果，如圖3所示。
從圖3(a)仿真表明，本發(fā)明方法T/2-FSE-WNN的收斂速度比WNN和T/2-FSE-F麗 方法分別提高了約4倍和6倍，同時穩(wěn)態(tài)誤差分別減小了約7dB和lldB;由圖3(b)可知， 隨著信噪比的增加，三種方法的均方根誤差均不斷減小，其中本發(fā)明方法T/2-FSE-WNN 的均方根誤差減小的最快，并且同 一信噪比的比較結果更能顯示出本發(fā)明方法 T/2-FSE-WNN的優(yōu)越性。圖3(c, d, e)為均衡器收斂后的星座圖，表明本發(fā)明方法 T/2-FSE-WNN的輸出星座圖最為清晰、緊湊，有很強的抗碼間干擾(ISI)能力。圖3(c)和 圖3(e)相比較，表明本發(fā)明方法T/2-FSE-WNN具有很好的載波恢復能力，能有效恢復信 號的信息。
實施例2采用最小相位水聲信道c呵0.9656-0.0906 0.0578 0.2368];發(fā)射信號為 4PSK，信噪比20dB,均衡器權長均為12，并且均采用中心抽頭系數(shù)初始化，仿真結果 如圖4所示。
從圖4(a)仿真表明，本發(fā)明方法T/2-FSE-WNN比WNN和T/2-FSE-FNN方法的收斂 速度分別增加了約2倍和4倍，同時穩(wěn)態(tài)誤差比WNN和T/2-FSE-FNN分別減小了約5dB 和14dB;由圖4(b)可知，隨著信噪比的增加，三種方法的均方根誤差均不斷減小，且本 發(fā)明方法T/2-FSE-WNN的均方根誤差最小；同一信噪比情況下，更能顯示出本發(fā)明方法 T/2-FSE-WNN的優(yōu)越性。圖4(c， d, e)為均衡器收斂后的星座圖，圖4表明本發(fā)明方 法T/2-FSE-WNN的輸出星座圖最為清晰、緊湊。
由于分數(shù)間隔對均衡器輸入信號以T/2的速率采樣，避免了因欠采樣引起的頻譜混 疊，可以有效地補償信道特性的畸變；而小波神經網(wǎng)絡具有較強的逼近能力和較快的學 習速度，為此將兩者結合發(fā)明了 "引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法 (T/2-FSE-WNN)"。水聲信道仿真結果表明，與小波神經網(wǎng)絡盲均衡方法(WNN)和前饋神 經網(wǎng)絡分數(shù)間隔盲均衡方法(T/2-FSE-FNN)相比，本發(fā)明方法T/2-FSE-WNN在收斂速度、 均方誤差和均方根誤差等方面，體現(xiàn)出明顯的優(yōu)越性，能夠有效地實現(xiàn)信號與噪聲的分 離以及信號的實時恢復，并且對于QAM信號具有4^強的載波恢復能力，有4艮好的實際 應用價值。
權利要求
1、一種引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在于包括如下步驟第一步將以符號長度T為周期的發(fā)射信號序列a(k)經過第d個子信道得到第d個子信道的輸出信號為<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><msup> <mi>y</mi> <mrow><mo>(</mo><mi>d</mi><mo>)</mo> </mrow></msup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>m</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><msub> <mi>N</mi> <mi>c</mi></msub><mo>-</mo><mn>1</mn> </mrow></munderover><mi>a</mi><mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo></mrow><msup> <mi>c</mi> <mrow><mo>(</mo><mi>d</mi><mo>)</mo> </mrow></msup><mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mi>m</mi> <mo>)</mo></mrow><mo>+</mo><msup> <mi>w</mi> <mrow><mo>(</mo><mi>d</mi><mo>)</mo> </mrow></msup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0001" file="A2009101833740002C1.tif" wi="66" he="10" top= "41" left = "65" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中Nc表示波特間隔抽樣的信道沖激響應長度，w(d)(k)為第d個子信道噪聲，c(d)(k)為第d個子信道沖擊響應，d＝1，2，兩個子信道結構相同，k為時間序列，m為自然數(shù)；第二步將第一步所述的第d個子信道輸出信號y(d)(k)經過第d個子小波神經網(wǎng)絡均衡器得到第d個子小波神經網(wǎng)絡均衡器輸出信號z(d)(k)，d＝1，2，兩個子信道結構相同；第三步將第二步所述的二個子小波神經網(wǎng)絡均衡器輸出信號送入組合器，進行合并處理得到輸出信號z(k)。
2、根據(jù)權利要求1所述的引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在 于所述小波神經網(wǎng)絡均衡器采用嵌入式三層小波神經網(wǎng)絡WNN,依次為輸入層、隱含層 和輸出層，小波神經網(wǎng)絡均衡器構成方法具體如下(a)將第 一步所述的第d個子信道輸出信號y力("經過輸入層得到隱含層輸入信號<formula>formula see original document page 2</formula> I表示輸入層神經元個數(shù)<formula>formula see original document page 2</formula>表示隱層神經元個數(shù)，為第d個子小波神經網(wǎng)絡輸入層第/個神經元與隱層第/個 神經元的連接權值，其中^ = 1，2，兩個子信道結構相同；(b )將步驟(a)所述的第d個子小波神經網(wǎng)絡隱含層輸入信號經過隱含層 得到隱含層輸出信號v"(" = vi/("Sl(W) + /甲("S(")和輸出層的輸入信號<formula>formula see original document page 2</formula> v(O為隱含層傳遞函數(shù)采用Morlet母小波變換后的函數(shù)，<formula>formula see original document page 2</formula> "Si("分別表示第"個子小波神經網(wǎng)絡隱含層輸入信號"/力("的實部和虛部，為第d個子小波神經網(wǎng)絡隱含層第/個神經元與輸出層第； 個神經元的連接權值，/7 = 1,2，...尸，P表示輸出層神經元個數(shù)；(C)將步驟(b)所述的第t/個子小波神經網(wǎng)絡輸出層輸入信號《乂"經過輸出層得到第d個子小波神經網(wǎng)絡均衡器輸出信號= F("JSe(A:)) + W(wJi，其中 輸出層傳遞函數(shù)，wJSe(A:), ";i(A:)分別表示第d個子小波神經網(wǎng)絡輸出層的輸入信號wf("的實部和虛部。
3 、根據(jù)權利要求2所述的引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法，其特征在 于將所述組合器輸出信號z("通過盲均衡方法得到第d個子小波神經網(wǎng)絡輸入層第/個神經元與隱含層第/個神經元的連接權值乂"(A:)和隱含層第/個神經元與輸出層第p個神經元的連接權值yJ力(A:)，其中/ = 1,2廣./, I表示輸入層神經元個數(shù)，/ = 1,2,...,丄，L表示隱層神經元個數(shù)，c/ = l,2，兩個子信道結構相同。
全文摘要
本發(fā)明公布了一種引入小波神經網(wǎng)絡的T/2分數(shù)間隔盲均衡方法(T/2-FSE-WNN)。本發(fā)明方法在分析小波神經網(wǎng)絡和分數(shù)間隔理論的基礎上，利用小波神經網(wǎng)絡有較強的逼近能力，以及分數(shù)間隔對盲均衡器接收信號具有過采樣的優(yōu)點，將小波神經網(wǎng)絡融入到T/2分數(shù)間隔盲均衡方法中。與T/2分數(shù)間隔前饋神經網(wǎng)絡盲均衡方法(T/2-FSE-FNN)、小波神經網(wǎng)絡盲均衡方法(WNN)相比，本發(fā)明方法有更快的收斂速度、更小的穩(wěn)態(tài)誤差和均方根誤差，并且具有載波恢復的性能。水聲信道仿真結果，驗證了本發(fā)明方法的有效性。
文檔編號H04B13/02GK101656579SQ20091018337
公開日2010年2月24日 申請日期2009年9月18日 優(yōu)先權日2009年9月18日
發(fā)明者郭業(yè)才, 敏 高 申請人:南京信息工程大學