基于chebyshev神经网络数据通信.pdfVIP

報討論 運用Chebyshev函數連結類神經網路於數位通信系統之通道等化器設計 學生姓名 楊哲詩 : 號：9212202 指導教授 蘇仲鵬 : 我們針對非線性通道之數位通信系統使用簡化回饋式Chebyshev 函數連結類神經網 路(RDF-CFLANN)去設計通道等化器 。由於利用函數擴展之功能 ，所以RDF-CFLANN 不需要像多層感知機網路（MLP ）中的隱藏層 ，因此RDF-CFLANN 具有較簡單的網路 結構、較少的算術運算量及較快之執行速度之優點。另外 ，我們在 RDF-CFLANN 網路 中加上回授之功能，使它比CFLANN 有更好的效能表現 。. Keywords: nonlinear channel equalizers, neural network, CFLANN , DF-CFLANN,RDF-CFLANN 1. INTRODUCTION 傳輸頻寬是數位通信系統中最重要的資源 ，為了妥善利用此資源 ，信號通常在有限頻寬之通道中傳 送 ，所以接收到的信號難免產生符號間干擾(ISI) 。另外 ，在通道中傳送信息時，常遭受到其他雜訊的干 擾 ，或是本身設備不夠完善 ，使接收到的信號產生失真。所以我們必須對接收到的信號加以補償 ，以使 信息傳送無誤[1] 。多層感知機（MLP ）類神經網路便非常普遍且被廣泛應 用於各種領域 ，皆有不錯的表 現 ，譬如 ，語音辨識[2] 、影像處理[3] 、通道等化器[4,5] .等，不勝枚舉 ，其中我們對等化器特別感興趣 ， 因為它是現代通訊系統中重要的一環。因類神經網路對輸入信號 輸出信號空間 ，具有複雜的映對 （mapping ）能力，能解決非線性分類問題，所以以類神經網路解決通道非線性失真或符號間干擾的問題 ， 再適合不過了。 Siu et. al[4]首先將類神經網路應用在數位通信系統之通道等化器上 ，他們比較以多層感知機網路 （MLP ） 架構 LTE 架構在實現通道等化方面的差別 ，結果顯示在高雜訊情況下 ，MLP 等化器在位元 錯誤率(BER)與均方誤差(MSE)性能比 LTE 更好 ，且 MLP 等化器對 習率 （learning gain ）的變動所引 起的效能變化也較不敏感。但是MLP 本身有較長的訓練時間和收斂至不想要的局部最小值的限制，雖然 Zerguine et. al [5]以同時具有回授之多層感知機網路及方格結構之等化器(MLP-RDFE-LS)解決局部最小值 問題[6] ，但其計算複雜度及電路架構大量增加 。 在1999 Patra 等人將函數連結類神經網路(FLANN)的函數近似採用三角函數多項式去擴展輸入信號 空間的維度，也成功地應用在非線性通道等化[7] ，在[7]中指出FLANN 性能 於MLP 。 Lee et. al[8]建 立起適合ANN 之Chebyshev 多項式模型 ，並且用於FLANN 有廣泛的函數趨進能力且 比MLP 較快收斂 。而後Patra et. al[9]將Chebyshev FLANN 成功地用於非動態系統的確認 。 我們提出之RDF-CFLANN 等化器其接收信號經過函數擴展後 輸出之回授信號一起線性組合，利用 BP 演算法訓練網路 。經由模擬結果顯示在具有嚴重的非線性失真及符號間干擾之最差通道環境情況下 ， 其BER 之性能表現比CFLANN 還好3~5dB ，而其網路結構比MLP 更簡單且計算複雜度大幅降低 。另外 RDF-CFLANN 比DF-CFLANN 函數擴展項較少，更適合來實現平行處理。 1 2. ARCHITECTURE 2.1 System Architecture 數位通信系統方塊 如Figure 1 所示 ， 中‘CHANNEL’代表傳