基于准对角递归神经网络盲均衡算法的研究.pdfVIP

2007年 12月 太原大学学报 第8卷第4期总第32期 Journal Of Taiyuan University Vo1．8No．4 SumNo．32 文章编号：1671—5977(2007)04—0135—03 基于准对角递归神经网络盲均衡算法的研究 贾枫关 ，程海青2，张立毅2 (1．LU西省物流技术学校，山西 太原 030031；2．太原理工大学 信息学院，山西 太原 030024) 摘 要：提出了一种基于准对角递归神经网络的盲均衡算法。利用了准对角递归神经网络结构简单、计 算量小，而动态特性强的优点，结合传统的恒模盲均衡算法定义了代价函数，用最速梯度下降法推导出了其算 法迭代公式。计算机仿真表明该算法收敛速度较快、剩余误差较小。 关键词：盲均衡算法；准对角递归神经网络；代价函数；剩余误差 中图分类号：TN911．5 文献标识码：A 盲均衡技术是一种新兴的自适应均衡技术， 盲均衡恒模(CMA)算法，提出了一种新的有效的 它能够不借助于训练序列，仅利用接收序列本身 盲均衡算法。 的先验信息来均衡信道特性，使其输出序列尽量 1 基于神经网络盲均衡的原理 接近发送序列，能有效地补偿信道的非理想特 基于神经网络盲均衡算法的基本原理如图1 性，克服码间干扰，减少误码率，提高通信质量， 所示[31。 在通信等领域有着极其重要的应用价值l 。 卵( ) 由于信道均衡可以看作是一个模式分类问 题，而神经网络技术具有良好的模式分类特性， 因此，随着神经网络技术的发展，人们开始采用 不同结构的神经网络来实现信道盲均衡。在实 图 1 基于神经网络盲均衡算法的原理图 际应用中，被控对象通常都是时变的、动态的。 其中，h( )为未知信道的传输函数，z( )为 因此，递归神经网络由于其反馈特征，能够获取 发送信号， ( )为噪声，一般认为是加性噪声， 系统的动态相应特征，更适合于实现信道盲均 ( )为均衡器的输入信号，z％(T／)为均衡器的 衡。 输出信号。其关系为： 最早提出的递归神经网络DRNN虽然结构 S(T／)=h(b)× (T／) 简单，然而，在隐层没有考虑神经元之间互连的 _y(T／)=S( )+ (T／) 特点。已经证实生物神经元之间具有互连的特 z％(T／)= (T／)×删( ) 点，而且不同神经元之间的连接非常复杂、方式 均衡器的目的就是要使均衡器输出z％( ) 多样。鉴于此，李鸿儒等人[21从生物神经元特点 为输入z(T／)的估计值，即 和神经网络应用的需要出发，对DRNN的结构进 z％( )=z( 一k) 行了改进，提山了一种改进的对角递归神经网络 其中，k为一整数时延， 为一常数相移。这 结构，在原DRNN的基础上，隐层神经元之间增 在信道均衡中是允许的，因为恒定的时延并不影 加了神经元的互连关系，称之为准对角递归神经 响信号的恢复质量。得到： 网络(Quasi—Diagonal Recur