改進的Hopfield型神經(jīng)網(wǎng)絡(luò)盲檢測算法的研究.pdf

1、Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測算法具有不依賴于統(tǒng)計量、適用于含有公零點的信道且所需數(shù)據(jù)量短等優(yōu)勢，相比于高階統(tǒng)計量和二階統(tǒng)計量盲檢測算法，更加可以滿足當(dāng)今通信系統(tǒng)高速且可靠的傳輸要求。然而Hopfield神經(jīng)網(wǎng)絡(luò)由于采用梯度下降動力學(xué)的優(yōu)化方式，尋優(yōu)過程中卻很容易陷入局部極小點或者找不到解。針對這一缺陷，本文做出以下主要創(chuàng)新工作：
　?。?）在文獻(xiàn)Hopfield神經(jīng)網(wǎng)絡(luò)（Hopfield Neural Network, HNN）

2、模型的基礎(chǔ)之上設(shè)計了可變步長的Hopfield神經(jīng)網(wǎng)絡(luò)（Variable Step Hopfield Neural Network，VSHNN），用于通信系統(tǒng)盲檢測，使用了新的激活函數(shù)、設(shè)計了可變步長的結(jié)構(gòu)，并給出了該網(wǎng)絡(luò)的穩(wěn)定性證明。實驗結(jié)果表明：在文獻(xiàn)信道下，VSHNN算法不僅抗干擾能力均勝于文獻(xiàn)HNN算法和文獻(xiàn)暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(Transient Chaotic Neural Network，TCNN)算法，而且VSHNN算法還可

3、以很好地適用于含有公零點信道，收斂速度也有了較明顯地提高。
　?。?）針對HNN容易陷入局部最小值以及TCNN收斂較慢的缺點，本文的第三章在文獻(xiàn)TCNN的基礎(chǔ)上構(gòu)建了一種雙Sigmoid結(jié)構(gòu)并帶有函數(shù)擾動項的混沌神經(jīng)網(wǎng)絡(luò)(Disturbed Chaotic Neural Network With Double Sigmoid, DS-DCNN)，用于通信系統(tǒng)盲檢測，設(shè)計了該網(wǎng)絡(luò)新的能量函數(shù)，并且分別證明了在同步和異步更新模式下該網(wǎng)

4、絡(luò)的穩(wěn)定性。實驗結(jié)果表明：相比于TCNN盲檢測算法、HNN盲檢測算法和二階統(tǒng)計量算法，DS-DCNN算法擁有更強的抗干擾能力和更快速的收斂速度，并且所需要的數(shù)據(jù)量更短。
　?。?）因為非線性自反饋項能使混沌神經(jīng)網(wǎng)絡(luò)展現(xiàn)出更加豐富的動力學(xué)行為，從而使網(wǎng)絡(luò)具有更為優(yōu)越的混沌搜索能力和搜索效率，本文的第四章將非線性的自反饋項引入到混沌神經(jīng)網(wǎng)絡(luò)中去，由此構(gòu)建了雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)（Nonlinear Self-feed

5、back Chaotic Neural Network With Double Sigmoid, DS-NSCNN），用于通信系統(tǒng)盲檢測。首先構(gòu)建了DS-NSCNN新模型，接著設(shè)計了該網(wǎng)絡(luò)能量函數(shù)，同時證明了同步和異步更新模式下的穩(wěn)定性。實驗結(jié)果表明：DS-NSCNN算法沿襲了TCNN的優(yōu)點，可以避免網(wǎng)絡(luò)局部最優(yōu)，抗干擾能力有了一定的提升；DS-NSCNN的能量函數(shù)收斂速度很明顯優(yōu)于HNN算法和TCNN算法；此外，DS-NSCNN算法只