（电路与系统专业论文）遗传前馈神经网络盲均衡算法的研究[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 遗传前馈神经网络盲均衡算法的研究 摘要 现代通信系统中，由于信道衰落、多径传播、同频及邻频干扰等 因素的存在，使得信道产生严重畸变，从而导致码间干扰的产生，降 低了系统性能。盲均衡技术的采用极大地抑制了码间干扰，提高了系 统特性。盲均衡技术是指不借助训练序列，而仅利用接收序列本身的 先验信息就能自动收敛的自适应均衡技术。它能有效地补偿信道的非 理想特性，克服码间干扰，减小误码率，提高通信质量，已成为当前 飞速发展的数字通信领域的一个研究热点。 在高速数据传输环境下，由于完全的线性信道是不存在的，因而 针对线性信道处理的算法就会失效。因此非线性信道的盲均衡技术就 成为亟待解决的难题。多层人工神经网络形成一个静态网络，可以映 射静态输入到静态输出，因而人们将目光逐渐转向基于神经网络非线 性特性的盲均衡算法。 传统的前馈神经网络盲均衡算法在解决盲均衡问题上取得一定的 成绩，算法可用于线性或非线性信道，同时克服了信道阶次不确定性 带莱的影响，对加性噪声也具有一定的容错性。然而基于神经网络本 身的特性，它们只对局部搜索有优势，对于有多个极值的情况，容易 陷入局部极小。遗传算法是一种全局并行的随机搜索方法，具有较强 i 太原理工大学硕士研究生学位论文 的鲁棒性和全局收敛能力，本文在总结神经网络盲均衡算法缺陷和局 限性的基础上，针对神经网络的结构以及网络权值的优化等方面将遗 传算法引入神经网络盲均衡，并通过大量的仿真实验验证了提出的算 法的有效性。 论文的主要成果包括： ( 1 ) 在分析总结神经网络盲均衡算法缺陷和局限性的基础上，针 对神经网络的结构及网络权值的优化等方面提出新的方法和思路，确 定了神经网络盲均衡算法与遗传算法的结合点。 ( 2 ) 针对传统遗传算法的弊端，文中提出了一种新型保持种群多 样性的遗传算法，并分别将该算法用于神经网络盲均衡器的权值及其 结构的优化，并先后对p a m 及q a m 信号进行仿真，结果证明了相对 于神经网络盲均衡算法，两种改进算法在收敛速度及其剩余误差等性 能指标方面均有所改善。 ( 3 ) 归纳和总结了传统遗传算法对神经网络结构优化的缺陷和局 限性，而且为了避免传统遗传算法存贮量大、运行时间长和操作复杂 的弊端，本文采用精英紧凑遗传算法来实现对网络结构的优化。仿真 结果表明，该算法在线性和非线性信道不仅提高了收敛速度，而且获 得更小的剩余误差。 关键词：盲均衡，前馈神经网络，遗传算法，代价函数，紧凑遗传算 法，适应度 太原理工大学硕士研究生学位论文 r e s e a r c ho nb l i n de q u a l i z a t i o n a l g o 砌t h mb a s e do nf e e d f o r w a r d n e u r a ln e t w o r ko p t i m i z e d b yg e n e t i ca l g o r i t h m a b s t r a c t i nm o d e mc o m m u n i c a t i o ns y s t e m s ，t r a n s m i s s i o nc h a n n e li sg r e a t l y d i s t o r t e db e c a u s eo ft h ee x i s to ff a c t o r ss u c ha sc h a n n e l - f a d i n g ，m u l t i p a t h p r o p a g a t i o n a n ds i d e c h a n n e l i n t e r f e r e n c e ，a n dt h u si n t e r - s y m b o l i n t e r f e r e n c e ( i s l ) e m e r g e s ，w h i c hs e v e r e l yr e d u c e st h ep e r f o r m a n c eo f t r a n s m i s s i o nc h a n n e l t h ea d o p t i o no fe q u a l i z a t i o n t e c h n i q u eg r e a t l y s u p p r e s s e si n t e r - s y m b o li n t e r f e r e n c ea n di m p r o v e st h ep e r f o r m a n c eo ft h e s y s t e m t h eb l i n de q u a l i z a t i o ni s ak i n do fs e l f - a d a p t i v ee q u a l i z a t i o n m e t h o d ，w h i c hc a nr e a l i z ec h a n n e lc o n v e r g e n c er e l i e ss o l e l yo nt h e p r i o r - i n f o r m a t i o n o fr e c e i v e d o u t p u ts e q u e n c e i t c a n e f f e c t i v e l y c o m p e n s a t et h en o n - i d e a lc h a r a c t e r so ft r a n s m i s s i o nc h a n n e la n dr e d u c e e r r o rr a t e ，a n d s u b s e q u e n t l yi m p r o v e sc o m m u n i c a t i o np e r f o r m a n c e r e c e n t l yi th a sb e c o m ea n e wh o tp u r s u i ti nr e l e v a n tf i e l d i nm o d e mt r a n s m i s s i o ne n v i r o n m e n t ，s i n c et h e r ei s n ta n yc o m p l e t e l y l i n e a rc h a n n e l ，t h ea l g o r i t h m sa i m i n ga ts o l v i n gl i n e a rc h a n n e lp r o c e s s i n g i l l 太原理工大学硕士研究生学位论文 b e c o m ei n v a l i d ，s ob l i n de q u a l i z a t i o nt e c h n o l o g yt h a tc a no v e r c o m et h e p r o b l e md r a w sm o r ea n dm o r ea t t e n t i o n a sw ea l lk n o w , m u l t i - l a y e rn e u r a l n e t w o r kc a r lf o r mas t a t i cn e t w o r k ，w h i c hc a nm a ps t a t i ci n p u t si n t os t a t i c o u t p u t s ，s on o w a d a y sm o r ea n dm o r ea t t e n t i o ni sp a i dt ob l i n de q u a l i z a t i o n a l g o r i t h mb a s e do na r t i f i c i a ln e u r a ln e t w o r k c o n v e n t i o n a lb l i n de q u a l i z a t i o na l g o r i t h m sb a s e do nf e e d f o r w a r d n e u r a ln e t w o r k so b t a i ns o m ea c h i e v e m e n t st os o m ed e g r e e ，f o re x a m p l e ， t h ea l g o r i t h m sc a nb eu s e di n a n yk i n do fc h a n n e l s ，n om a t t e rl i n e a ro r n o n l i n e a ro n e s ，t h e ya l s oo v e r c o m ei n f l u e n c e sc a u s e db yu n c e r t a i n t yo f c h a n n e l o r d e r s ，a n d b e s i d e s t h a t ，t h e y o w nn o t a b l ef a u l tt o l e r a n c e p e r f o r m a n c ea g a i n s t a d d i t i v e n o i s e h o w e v e r , b e c a u s e o fi n h e r e n t d e f i c i e n c yo fn e u r a ln e t w o r k , t h e ya r eo n l yg o o da tl o c a ls e a r c h i n g ，w h e n c o n f r o n t i n gw i t hp r o b l e m sw i t hm o r et h a no n ep o l e ；t h ea l g o r i t h m si n c l i n e t ot r a pi nl o c a lo p t i m u m g e n e t i ca l g o r i t h mi sar a n d o ms e a r c h i n gm e t h o d w i t hg l o b a la n dp a r a l l e lc h a r a c t e r i s t i c s ，a n di to w n sp o w e r f u lr o b u s ta n d g l o b a lc o n v e r g e n tp r o p e r t i e s ，a f t e rs u m m a r i z i n g a n d a n a l y z i n g d i s a d v a n t a g e sa n dl i m i t a t i o n so ft r a d i t i o n a la l g o r i t h m s ，t h ep a p e ra d o p t s g e n e t i ca l g o r i t h mi nn e u r a ln e t w o r kb l i n de q u a l i z a t i o nb yo p t i m i z i n gt h e s t r u c t u r e sa n dw e i g h t so ft h e s en e t w o r k s ，t h ec o m p u t e rs i m u l a t i o n ss h o w t h a tt h ei m p r o v e da l g o r i t h mo b t a i n sg o o dc o n v e r g e n c ep e r f o r m a n c ea n d 太原理工大学硕士研究生学位论文 h a ss u p e re q u a l i z a t i o ne f f e c t s t h em a i nw o r k so f t h i sp a p e rc a nb es u m m a r i z e da sf o l l o w s ： ( 1 ) t h ep a p e ra n a l y z e sd i s a d v a n t a g e sa n dl i m i t a t i o n so fe x i s t i n g n 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 n s ，a n di tp r e s e n t sn e wt h o u g h t s a n d m e t h o d si no p t i m i z i n go fn e u r a ln e t w o r ks t r u c t u r e sa n di t sw e i g h t s a n d t h e nt h ep a p e rd e t e r m i n e sb o n d i n gp o i n t sb e t w e e ng aa n dn e u r a ln e t w o r k b l i n de q u a l i z a t i o n ( 2 ) i no r d e rt oo v e r c o m es h o r t c o m i n g so fc o n v e n t i o n a lg e n e t i c a l g o r i t h m ，t h ep a p e rp r o p o s e san e wg a w h i c hc a nm a i n t a i n sp o p u l a t i o n d i v e r s i t y , a n dt h e na p p l i e s t h e a l g o r i t h m i n o p t i m i z i n gw e i g h t sa n d s t r u c t u r e so ff e e d - f o r w a r dn e u r a ln e t w o r kr e s p e c t i v e l y , s i m u l a t i o nr e s u l t s p r o v et h a tc o m p a r i n gt ot r a d i t i o n a ln e u r a ln e t w o r kb l i n de q u a l i z a t i o n a l g o r i t h m ，t h ep r o p o s e da l g o r i t h m s o b t a i n g r e a ti m p r o v e m e n t s i n c o n v e r g e n c es p e e da n dr e s i d u a le r r o r ( 3 ) b a s e do na n a l y z i n gl i m i t a t i o n so f p r e v i o u ss t r u c t u r eo p t i m i z a t i o n a l g o r i t h mo fn e u r a ln e t w o r k ，i no r d e rt oo v e r c o m ei t ss h o r t c o m i n g ss u c ha s c o m p l e xo p e r a t i o n ，l o n gs e a r c h i n gt i m ea n dl a r g em e m o r y , t h ep a p e ra d o p t s e l i t i s m b a s e dc o m p a c tg e n e t i ca l g o r i t h mi no p t i m i z i n gs t r u c t u r eo fn e u r a l n e t w o r k ，s i m u l a t i o nr e s u l t ss h o wt h i sn e u r a ln e t w o r kb l i n de q u a l i z a t i o n a l g o r i t h ma c h i e v e sf a s t e rc o n v e r g e n c es p e e da n ds m a l l e rr e s i d u a le r r o ri n v 太原理工大学硕士研究生学位论文 l i n e a rc h a n n e l sa n dn o n l i n e a ro n e s k e y w o r d s ：b l i n de q u a l i z a t i o n ，f e e d f o r w a r dn e u r a ln e t w o r k ，g e n e t i c a l g o r i t h m ，c o s tf u n c t i o n ，c o m p a c tg e n e t i ca l g o r i t h m ，f i t n e s s v i 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， 独立进行研究所取得的成果。除文中已经注明引用的内容外，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：豆二l 三b 一 日期：二坦乒- 卜 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 中包括：学校有权保管、并向有关部门送交学位论文的原件与复印 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。 复制赠送和交换学位论文；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) o 签名：量13 盘一日期： 2 1 1 7 ：玉：19 导师签名：丝兰蔓魄孑u9 太原理工大学硕士研究生学位论文 第一章绪论 进入2 1 世纪以来，伴随着科技的飞速发展，准确、高速、大容量已经成为现 代通信系统的主要特征，数字通信技术以其高精度、高可靠性、强灵活性等优点 迅速占据了通信领域的主导位置。然而通信范围的不断扩大，通信环境变得更加 复杂多样，同时导致了通信信道中严重的干扰及非理想特性的产生。此时均衡技 术应运而生了，自盲均衡技术问世以来，在通信领域中的应用越来越广泛，其研 究也受到了国内外广泛关注。 1 1 盲均衡技术研究的背景和意义 信道辨识( i d e n t i f i c a t i o n ) 与均衡( e q u a l i z a t i o n ) 是通信信号处理中的核心技 术之一。现代通信系统中，信道畸变引起的码间串扰( i n t e rs y m b o li n t e r f e r e n c e ， 简称1 s i ) 及信道间干扰( i n t e r - c h a n n e li n t e r f e r e n c e ，简称i c i ) 是影响通信质量的主 要因素。特别是基于现代通信系统的频带有限性，人们不断追求使用高效的调制 方式来提高通信效率，导致信号电平数增多，从而增加了码间串扰的概率。为了 实现高速可靠的通信，必须克服码间干扰的影响，均衡技术的面世使得此类问题 迎刃而解。实际中的信道是时变的，为了准确地补偿信道的特性，必须动态地跟 踪信道的变化，及时调整均衡器参数，具有此特性的均衡器称为自适应均衡器【o ”。 自适应均衡技术是通信系统中一个重要的理论和技术问题，它存在着许多不 同的结构和算法【0 ”，如自适应l m s 信道均衡器、自适应分数间隔抽头均衡器、自 适应恒模均衡器、自适应最小二乘均衡算法、自适应格型l s 均衡算法、自适应平 方根r l s 均衡算法、自适应r l s 最大似然估计均衡算法、混合滑动指数窗r l s 自适 应判决反馈均衡算法、高阶累积量自适应均衡方法等，此外，还有许多改进型和 混合型的算法和实现结构。 然而，传统的均衡技术在启动工作时要求信号初始眼图张开，否则就需要发 太原理工大学硕士研究生学位论文 送端发送一个接收端已知的训练序列( t r a i n i n gs e q u e n c e s ) 或者利用某些信道的辅 助信息，然后利用反卷积或解卷积( d e c o n v o l u t i o n ) 运算得到传输信道的逆特性， 也就是说在掌握了系统的整体特性前提下才可以进行正常通信。 数字通信的飞速发展，对现代通信系统的可靠性和有效性有了更高的要求， 此时自适应均衡技术的局限性在实际的应用中不断涌现出来1 0 2 1 ： ( 1 ) 频率资源是限制通信发展的一个主要因素，训练序列占用部分带宽，从 而降低了有效传信率，这是自适应均衡技术最大的弱点； ( 2 ) 训练序列在很多情况下无法发送，如军事信号的拦截、地震波的探测等； ( 3 ) 对于严重的衰落信道，训练序列必须频繁发送； ( 4 ) 一旦传输系统出现故障，曾经连接的环路就要求中断以便重新恢复，或 连接到另一环路上。在这种情况下，接收机就要对所有的解调条件重新设置。 此时，克服自适应均衡缺点的必要性日益突出，因而不需要发送训练序列就 能进行自适应均衡是非常重要的，这便是盲均衡( b l i n de q u a l i z a t i o n ) 问题。 盲均衡技术不借助于训练序列，仅利用接收信号本身的先验信息，如信号的 统计特征、信号的调制方式及幅度、相位的变化等，选择合适的代价函数和误差 控制量，来调节均衡器的权系数，使均衡器输出接近于发送序列。自日本学者y s a t 0 1 0 3 1 提出s a t o 算法以来，盲均衡在通信领域中的应用越来越广泛。 1 2 盲均衡技术的研究进展 前己提及，盲均衡的概念是1 9 7 5 年由日本学者y s a t 0 1 0 3 1 提出的，他对传统的自 适应均衡算法的均方误差函数进行了简单改进，首次提出“自恢复均衡 ( s e l f - r e c o v e r i n ge q u a l i z a t i o n ) ”，即后来盲均衡的概念。此后，关于盲均衡算法一 直是国际通信界的一个研究热点，迄今为止盲均衡算法可分为经典盲均衡算法、 基于循环平稳信号的盲均衡算法和基于神经网络的盲均衡算法三大类。 1 2 1 经典盲均衡算法 经典盲均衡又称为平稳信号盲均衡，其基本特征是对接收到的信号按波特率 2 太原理工大学硕士研究生学位论文 采样，即对每个码元取一个采样值。这类技术又可分为基于高阶统计量的盲均衡 和b u s s g a n g 类型盲均衡两种，其本质都是利用平稳信号的高阶统计量，因而划分为 一类，它们的缺点是收敛慢且存在局部极小点，不适用于的快速变化通信信道叫l 。 ( 1 ) b u s s g a n g 类盲均衡 b u s s g a n g 类盲均衡是最早出现的算法。它利用信号的物理特征构造合适的代价 函数和误差控制函数来调节均衡器的权系数。这是一种以迭代方式进行的盲均衡 算法，且在均衡器的输出端对数据进行非线性变换，当代价函数达到极值点后， 系统也就成为期望的理想系统。被均衡的序列表现) b b u s s g a n g 统计特性，因此，被 称为b u s s g a n g 类盲均衡算法。其中较典型的有s a t o 算法哪】( 1 9 7 5 年) ，g o d a r d 算法 【0 5 】( 1 9 8 0 年) ，b g 算法 0 6 1 ( 1 9 8 4 年) ，s t o pa n d g o 算法【0 7 l ( 1 9 8 7 ) 等，2 0 0 2 年， 王峰、赵俊渭等1 0 8 睫出了基于倒三谱初始化b u s s g a n g 类盲均衡算法，该算法利 用倒三谱，根据倒三谱累积量方程，直接估计出均衡器参数，提高了收敛速度， 最初用于水下通信。2 0 0 5 年，许华、郑辉0 9 1 提出了一种基于短数据重用思想对 b u s s g a n g 类盲均衡进行初始化的方法，这种方法使均衡器收敛的时间大大减少，其 收敛速度甚至比使用高阶谱进行均衡器初始化的方法更快。 b u s s g a n g 类盲均衡算法是在需要训练序列的传统自适应均衡基础上发展起来 的，保持了传统均衡器的简单性，物理概念清楚，运算量较小，便于实时实现。 缺点是算法的收敛时间较长，收敛后剩余误差较大，没有解决求解过程中的局部 最小问题，对非线性信道或存在零点的信道均衡效果不佳【0 8 】。 ( 2 ) 基于高阶统计量的盲均衡 众所周知，高阶谱中隐含有系统的幅度特性和相位特性，因而可以直接从系 统接收信号的高阶累积量中获得信道参数，因此非常适合于解决非最小相位系统 的盲解卷积问题。其关键是建立信号的高阶累积量与信道参数之间的关系方程， 然后以解方程的方式获得信道参数。由于这种方法是以解方程的方式获得信道参 数的，一般都能保证算法的全局收敛性，但这类算法的运算量太大。较为典型的 有d h a t z i n a k o s 和c l n i k i a s 博士1 0 9 1 于1 9 9 1 年提出的t f a 算法，它能保证全局收敛， 但运算量较大。同年b p o r a t 和b f r i e d l a n d e r l l 0 提出了适用于q a m 系统的一阶和四 太原理工大学硕士研究生学位论文 阶累积量的盲均衡算法。之后，o s h a l v i i h 提出了二阶、四阶矩累积量的方法，不 仅适用于非高斯型传输数据，而且适用于高斯型传输数据。1 9 9 2 年，唐军等l lz j 实 现了将常模算法与高斯算法相互结合。1 9 9 3 年，f c z h e n g 等1 1 3 1 又将该算法推广到 p a m 系统。1 9 9 6 年，j g a d z o w t l 4 j 提出归一化累积量的概念。2 0 0 5 年，周德鑫、冯 大政等i ”】针对多输入多输出线性系统的盲辨识问题，提出了一个线性的基于方程 误差的高阶累积量( h i g h e r - o r d e rc u m u l a n t s ，简称h o c ) 算法的改进算法，该算 法充分利用了输出信号的累积量矩阵固有结构，从而提高了算法的估计性能。对 于高阶统计量算法，下一步目标是寻找计算量更小的算法，使其更为实用化。 1 2 2 循环平稳信号盲均衡 信号可分为平稳信号和非平稳信号。在非平稳信号中有一类特殊的时变信号， 其统计特性的非平稳性呈现为周期或多周期( 各周期不能通约) 平稳变化，这类 信号统称为循环平稳信号( c y c l es t a t i o n a r y ，简称c s ) 。c s 盲均衡的核心是过采 样，其采样频率取n y q u i s t 采样频率的整数倍。尽管二阶统计量基本不能解决非最 小相位系统的均衡问题，但是其统计量可辨识和均衡时不变非最小相位系统。但 系统若为时变，那就必须使用高阶循环平稳统计量了。循环平稳信号盲均衡的优 点有很多，它不仅可以分离平稳及非平稳信号，还对任何平稳噪声以及循环平稳 的高斯噪声都不敏感，因而可用于恢复时变系统的相位信息，能够表征非线性【叫。 基于c s 盲均衡上述优点，其研究一直受到国内外学者的青睐，1 9 9 1 年， g a r d n e d ”1 最早意识到，利用调制信号的循环平稳性，只需用二阶统计量便可恢复 信道的幅度和相位特性。1 9 9 4 年，t o n g 1 7 - 1 8 】等首次提出，利用二阶循环平稳统计 量就可盲辨识和盲均衡非最小相位系统。1 9 9 7 年，c h e v r e u i l a 与l o u b a t o n p 1 1 9 1 提出了采用强n c s 方法以及结构化子空间方法对数字通信中的f i r 信道进行 盲估计和均衡。同年，g b g i a n n a k i s 【2 0 】系统地分析了循环平稳信号的机理及 其它在盲均衡中的应用。2 0 0 3 年，曹士坷、张力军【2 i - 2 2 l 利用双频调制将循环平稳 理论引入多用户信道盲估计，次年，他们又将该算法引申到c d m a 信道的盲估计。 4 太原理工大学硕士研究生学位论文 1 2 3 基于神经网络的盲均衡 信道均衡也可看成分类问题，即把均衡器看成一个判决器，以便尽量精确地 重构发送序列。神经网络作为非线性动态系统，具有大规模并行处理、高度的鲁 棒性等特征，对处理一些复杂的非线性问题特别有效。基于神经网络理论的盲均 衡算法从原理上主要有两种口引。一种是基于传统代价函数的方法，首先选择一个 网络结构，之后提出一个代价函数，最终通过求此代价函数的极小值来达到调整 权值的目的；另一种是根据网络的能量函数构造权值，根据神经网络能量函数的 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，实现对原有网络的改造。迄今为止，国内外利用神 经网络处理信道盲均衡的方法主要有以下几种。 ( 1 ) 基于前馈神经网络和高阶累积量的盲均衡 s m o 和b s h a f a i l 2 4 1 于1 9 9 4 年提出采用前馈神经网络( f e e d f o r w a r d n e u r a l n e t w o r k ，简称为f n n ) 和高阶谱的盲均衡方案。它是基于信道输出信号的四阶谱 对信道进行辩识，而后利用神经网络的非线性构造出该信道的逆信道。这种方案 可用于线性信道或非线性信道，同时克服了信道阶次不确定性带来的影响，对加 性噪声也具有一定的容错性，但该算法收敛速度较慢，只能用于p a m 信号。由 于高阶累积量对高斯噪声具有抑制作用，基于此思想，周正、梁启联2 5 】提出了基 于多层神经网络与高阶累积量的盲均衡算法。2 0 0 5 年，肖瑛、李振兴等【2 6 l 提出了 变步长b p 神经网络盲均衡算法，并将其应用于水声通信中，取得了良好的效果。 2 0 0 6 年，张晓琴、张立毅等2 7 1 提出了一种新的前馈神经网络复值盲均衡算法，通 过设计新的代价函数，降低了误码率和稳态剩余误差。 ( 2 ) 基于线性神经网络以及细胞神经网络的盲均衡 1 9 9 9 年，y o n g f a n g 和w s t o m m y l 2s j 等提出了一种基于线性神经网络的盲均 衡算法，它是利用传输信号相关矩阵的特征为神经网络的训练运用一种随机逼近 的学习算法。其优点在于模型结构简单，收敛速度较快，且易于实时应用。赵建 业【z 引于2 0 0 0 年提出了用一维细胞神经网络实现盲均衡的新算法，该算法是一种利 用神经网络解决盲均衡问题的新思路。 太原理工大学硕士研究生学位论文 ( 3 ) 基于递归神经网络的盲均衡 递归神经网络具有规模小、收敛速度快的优点，g k e c h r i o t i s 圳于1 9 9 4 年首先 将递归神经网络用于盲均衡，极大地改善了盲均衡器的收敛速度，但是由于递归 网络的结构极其复杂，算法的计算复杂度大大增加。1 9 9 7 年，梁启联、刘泽民等 【3 1 】为了降低算法复杂度，在此基础上提出了新的代价函数将递归神经网络的训练 算法用共轭梯度法进行代替，加快了收敛速度和克服了局部最优。但该算法只适 用于p a m 信号。2 0 0 6 年，高春圣、张志涌【3 2 j 提出了一种基于离散h o p f i e l d 神经 网络直接盲信号均衡的新方法，它利用接收数据正交补投影和发送信号属于有限 字符集的先验知识之上，在s i m o 信道中大大提高了收敛速度。 ( 4 ) 模糊神经网络盲均衡算法 模糊信息处理是以模糊逻辑为基础，侧重于人类思维中的模糊性特点。模仿 人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难题。人工神 经网络是以生物神经网络为模拟对象，试图在模拟推理及自学习等方面向前发展， 使人工智能更接近人脑的自组织和并行处理等功能。2 0 0 6 年，张晓琴等1 3 习在分析 神经网络盲均衡局限性的基础上，利用模糊神经网络控制盲均衡算法的迭代步长， 提出了一种新的模糊神经网络控制的变步长盲均衡算法，从而改善了均衡性能。 同年，张朝霞等1 3 4 1 利用得到的信道特性来估计f n n 盲均衡器中的隶属函数中心与 宽度初值，提出一种新的基于模糊神经网络的盲均衡算法，大大减小了计算量。 李灯熬等p 5 】在传统c m a 算法基础上模糊神经网络设计控制器对其进行改进，在一 定程度上提高了收敛性能， ( 5 ) 径向基函数( r b f ) 神经网络盲均衡 以便解决传统b p 算法收敛速度慢的缺点，1 9 9 1 年，c h e n 等人口6 】开始研究基 于径向基函数( r b f ) 的实信号均衡器，之后他们又将研究范围推广到复数域，提 出了复数域均衡算法的概念【期，基于径向基函数神经网络( r b f n n ) 和概率神经 网络( p n n ) 的概念，l ir u i 等【3 8 j 也提出了将径向基函数( r b f ) 神经网络用于盲 均衡的方法。此后，j g o m e s 、v b a r m s 0 1 3 9 1 通过实现在隐层进行有选择性的求和与 聚类，对r b f n n 盲均衡算法作出了改进，但网络结构过于庞大导致训练不利。2 0 0 3 6 太原理工大学硕七研究生学位论文 年，王军锋、张彬等t 4 0 j 提出了几种新的适用于q a m 信号的复数r b f 神经网络自 适应均衡器结构，并给出了相应的自适应算法，大大提高了算法的收敛特性。 1 3 遗传算法优化神经网络算法国内9 1 、研究动向 遗传算法起源于对生物系统所进行的计算机模拟研究。早在上世纪6 0 年代， 美国m i c h i g a n 大学的j o h n h o l l a n d 教授开始研究自然和人工系统的自适应行为， 在认识到生物的遗传和自然进化现象与人工自适应系统的相似的基础上，运用生 物遗传和进化思想来研究自然和人工自适应系统的生成以及它们与环境的关系， 并发现可以借助于生物遗传机制，以群体的方法来设计人工系统。基于此，h o l l a n d 教授【4 l l 提出了遗传算法的基本定理一模式定理，从而奠定了遗传算法的理论基础。 之后，他还实现了第一个基于遗传算法的机器学习系统一分类器系统，开创了基 于遗传算法的机器学习的新概念，为分类器系统构造出了一个完整的框架。 遗传算法为求解复杂系统优化问题提供了一个通用的框架，它不依赖于问题 的具体领域，广泛应用于并行分布处理、复杂系统分析和建模、自适应控制、自 动程序设计、模式识别和图像处理等领域。由于遗传算法是对自然进化的一个粗 糙简化，其完整的数学基础有待深入研究。 遗传神经网络概念的提出已很久，其理论框架也逐渐完善，遗传思想己成为 目前模拟进化过程的三种主要研究途径之一，它主要强调个体的行为变化、强调 父代和子代之间行为联系。基于遗传算法与神经网络的互补性，上世纪中期，各 领域研究人员已经开始着手遗传算法对神经网络的优化，但将遗传神经网络应用 于通信信道的盲均衡却很晚才引起人们的注意。2 0 0 3 年，陈金召、郑鹏等1 4 2 】将遗 传算法引入盲均衡技术，分析了如何厢遗传算法求解基于高阶累积量盲均衡问题， 并给出了一种求解算法的具体步骤。同年，李宗凡1 4 3 蟾用进化思想和传统g o d a r d 均衡器代价函数，提出一种基于进化思想的盲均衡新算法，具有收敛速度快且不 会误收敛至局部最优所的特点。同时，李智勇、童调生m i 针对神经网络结构设计 的问题及一般结构学习方法的不足，提出了基于多物种进化遗传算法，并给出了 太原理工大学硕士研究生学位论文 基于此算法的神经网络结构进化设计方法，具有模型搜索空间广泛、算法适应性 强的特点。2 0 0 5 年，田俊霞、匡镜明等【4 5 l 针对训练径向基函数神经网络均衡器的 随机梯度算法( s g ) 中，神经网络结构是指定的并且训练样本较长的问题，引入 进化规划思想，蒙特卡洛仿真表明，算法利用很少训练样本便可达到与s g 算法相 同的性能。2 0 0 6 年，肖瑛、刘国枝等【4 6 】提出了一种遗传优化神经网络的水声信道 盲均衡算法，对前馈神经网络拓扑结构和网络权重同时优化，有效地克服了传统 前馈神经网络盲均衡的缺陷，提高了前馈神经网络盲均衡的泛化性能并加强了跟 踪时变信道的能力和对信道突变的适应能力。 1 4 论文结构安排 全文章节安排如下： 第一章为绪论，介绍了均衡技术在数字通信领域的地位和必要性，对现有的 盲均衡算法进行了总结分类，分析了各类算法的特点。 第二章阐述了盲均衡的基本概念、数学模型，盲均衡的一般分类及其结构， 并结合b b r 公式对盲均衡实现的三个准则进行了论述，推导了s w 定理的证明过 程，为后续章节打下数学基础。 第三章介绍了神经网络和遗传算法的基础知识，讨论了基于遗传算法对神经 网络的优化的必要性及其常用方法。 第四章分别采用遗传算法权值优化神经网络来实现盲均衡以及结构优化神经 网络来实现盲均衡，并分别给出了具体方案及算法设计过程。在结构优化神经网 络盲均衡算法中，文中引入特定的遗传算子，并利用新算法分别对p a m 与q a m 信号进行均衡，经过仿真实验表明两种算法可以达到很好的均衡效果。 第五章提出了基于紧凑遗传算法的神经网络盲均衡器，分析了其设计思想及 其设计流程，并通过具体例子的仿真来证明算法的有效性。 第六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，并指出了进一步研究的方向。 太原理工大学硕士研究生学位论文 第二章盲均衡算法的基本理论 随着现代科技的飞速发展，数字通信技术已经深入到社会生活的方方面面。 随着通信范围不断扩大、通信环境变得更加复杂多样，对数字通信质量的要求越 来越高。不需要训练信号，只利用接收机接收到的信号就能获得与信道匹配的参 数，这种具有“自学”能力的均衡器被称为盲均衡器。它具有收敛域大、应用范 围广等其它均衡器未所能及的优点，因而近年来已成为通信界的研究热点。 2 1 盲均衡问题实质 盲均衡技术是不借助于训练序列，仅利用接收信号本身的先验信息，如信号 的统计特征、信号的调制方式及幅度、相位的变化范围等，选择一个合适的代价 函数和误差控制量，以调节均衡器的权系数，使均衡器输出接近于发送值。其原 理图如图2 1 所示。 噪声 蹦2 - 1 百均衡原理框图 f i g 2 - is c h e m a t i cd i a g r a mo f b l i n de q u a l i z a t i o n 图中，工0 ) 为发送序列， ( ”) 是传输信道的冲激响应，w b ) 是均衡器的冲激响应， 栉0 ) 是信道上叠加的噪声，一般认为是加性噪声，y 0 ) 是信道传输后的输出序列亦 即均衡器输入，工o ) 为均衡器的输出序列，王o ) 是恢复序列。 从图2 1 易知 太原理工大学硕士研究生学位论文 y o ) = b o ) + o ) 】+ n o ) 莹( n ) = y 0 ) t 曲，) ( 2 1 ) ( 2 2 ) 均衡器的目的就是要使均衡器的输出譬o ) 充分逼近输入序列x ( k ) ，在信道均衡 时，恒定的时延和相移并不影响恢复信号的质量，为此要求 z 0 ) = x ( n 一七k ” ( 2 3 ) 式中，t 为一整数时延，矿为一常数相移。综合以上诸式 z o ) = 陆0 ) w ，o ) 】x o ) ( 2 - 4 ) 由卷积理论知 x 0 一k ) e 一= 工0 ) j 0 一七k 一 ( 2 5 ) 所以有 g ) 而) = 6 0 一| i ) p 如 ( 2 6 ) 对上式两边取傅立叶变换，得 日( ) 0 ) = p 一舳一，) 也就是 形b ) 2 南e “一p ) 协， 因此，盲均衡的实现可以抽象为上式中0 ) 的实现。实质上，均衡器设计的 主要目的就是通过均衡算法来调整均衡器的权长及其权系数，使得系统输入信号 与均衡器的判决输出满足匕式。 2 2 盲均衡器的分类及其结构 目前，盲均衡技术的研究存在两个难题，一是凸性代价函数的寻找或是非凸 性代价函数的全局寻优，另一个是均衡器结构的合理选择。均衡器结构的选择将 1 0 太原理工大学硕士研究生学位论文 会直接影响均衡的性能。 一般可以将均衡器划分为线性均衡器和非线性均衡器两类，横向结构与格形 结构是其典型结构，对应每一类均衡器都有一簇算法来自适应地调整均衡器参数。 常用均衡器的分类可以通过图2 2 来表示。 尉2 - 2 均衡器的一般分荚 f 嘻2 - 2c l a s s i f i c a t i o no f e q u a l i z e r 当信道干扰不太严重，尤其当信道是最小相位时，一般用经典线性均衡器即 可满足要求，经典盲均衡器主要采用有限长抽头式横向滤波器，其结构框图如 图2 3 所示。 图2 3 中，设横向滤波器的输入序列矢量y “) 为 y o ) = 【y g ) ，o 一1 ) ，y o 一+ l 才 ( 2 8 ) 滤波器的权矢量( 或称系数矢量) w ( ”) 为 w o ) = 【如1w 1 0 l ，w l 一。0 才 ( 2 9 ) 图中，横向滤波器实现输入向量的加权叠加，其输出i 0 ) 可表示为 譬( 胛) = w ，o 涉0 一f ) = y 7 0 ) w n ) = w 7 0 ) y 加) ( 2 1 0 ) i = o 式中，工为横向滤波器的抽头个数。 太原理1 人学硕 研究生学付论文 ) 如一 爿h 一上+ 图2 - 3 横向滤波器的结构图 f i g 2 - 3s t r u c t u r a lg r a p ho f t r a n s v e r s