基于通信信号直接盲检测的泛函网络方法研究.docVIP

基于通信信号直接盲检测的泛函网络方法研究 　　摘 要 　　通信技术的快速发展引发了对短数据信号检测问题更为苛刻的要求。该文根据通信信号星座的固有特点，从泛函网络角度出发，提出短数据信号盲检测的泛函网络方法。设计一种基于多输入多输出泛函网络框架下的信号盲处理方法的基本思路，预计为通信系统的信号直接盲检测提供一种崭新思路，为实际通信系统开发提供借鉴。 　　【关键词】盲检测 泛函网络 MIMO 　　1 引言 　　随着下一代网络、物联网等通信技术日益创新和迅速发展，促使信号盲检测技术研究者不断探索更新的技术满足当前不断提高的无线信号传输速率和增强的传输信道的时变性。对新技术的研究主要在于加强盲检测算法的适用性和自适应能力、增强降噪性能、误码性能、降低系统开销减少能耗、降低运算复杂度和加快收敛速度等方面。基于这些工作，国内外发展了一些性能优秀的盲检测算法。 　　有一种是基于二阶统计量的盲均衡算法（Second Order Statistics， SOS）[1][2]，这类算法在计算过程中涉及信道阶数，要求对信道阶数的可辨识性非常敏感，而实际运用中容易受到干扰和噪声影响影响算法稳定性。 　　另一种是基于有限字符集约束的直接利用字符集盲检测算法[3]，该种盲算法对于复杂信号算法复杂度较高、实用性较低，未见相关文献对复杂信号情况的讨论。 　　还有是基于人工神经网络的盲检测方法[4-10]，在文献[5]中提出和发展了支持向量机框架下的MPSK信号盲检测算法，该算法能够简化信号检测域值的选择。然而，在复数域信号检测中算法复杂度极高。在文献[6]中介绍了采用有限脉冲响应滤波器和泛函连接人工神经网络联合的方法设计自适应非线性均衡器，有效改善算法复杂度、误码性能较好。该方法取消了传统的人工神经网络中的隐层，结构相对简单，在训练过程时的计算负载较低。文献[7][8]分别提出了两种基于反馈神经网络的盲均衡方法，并发展了一种低复杂度的流水线（Pipelined）判决反馈神经网络均衡器的设计方法。文献[9]提出了基于反馈网络模型的Hopfield神经网络的信号直接盲检测的初步思路，但是对于密集信号的盲检测能力未作相关论述。当然除了列举的一系列文献中提及的方法外，基于神经网络的通信信号盲检测方法还有很多种，不再一一列举。 　　根据以上研究，目前基于传统人工神经网络的信号盲处理方法对于通信信号检测中存在的局部极小化、收敛速度慢、自适应性能差等问题还没有能够很好的解决，而且在多值复数域信号的研究领域中还涉及较少。 　　泛函网络[13]（Functional Networks， FN）是一种基于人工神经网络的新兴的研究方向。是人工神经网络的拓展，通过学习过程中神经元之间自适应调整提高系统的适用性和自适应性能。对FN神经元优化的问题是目前研究的热点。目前，FN在很多领域都得到很好的应用。比如在线性及非线性回归、非线性系统辨识和混沌时间序列预测，以及泛函方程求解等领域[10]；特征选择问题[11]；分类及回归问题[12]；植物生长动态建模[13]；软件可靠性分析[14]。文献[15]通过对比FN和人工神经网络ANN在捕鱼的渔获量预测中试验表明，证明了FN比人工神经网络在学习和泛化能力均强[16]。 　　通过以上研究，表明泛函网络可以用于优化传统人工神经网络，解决一些传统人工神经网络难以解决的问题。 　　无线通信信号在传输过程中受到气候、电磁环境等各种干扰。本文根据通信信号星座的固有特点，结合FN模型结构特征，提出一种短数据信号检测的FN方法。提出一种基于多输入多输出泛函网络（MIMOFN）框架下的信号盲检测方法的基本思路。 　　2 系统模型 　　为实现无线通信信号直接盲检测，首要的条件就需要设计一个多输入多输出（MIMO）的模型。FN各个神经元之间的连接没有权值，每个神经元都可以独立学习，互不相同，可相互间可以输出不同的数据，之间的连线用来表示数据的流动方向。FN的函数结构存在多样性，没有唯一的结构可以描述所有的泛函网络，同样也没有唯一的函数可以表示所有的泛函网络。不过为保证整个系统有较好的泛化能力，根据每个系统自身的特点都能找到一个最优的网络结构。在这个网络结构系统中，根据结构几何参数对系统输入输出的影响，设计神经元的输入输出的流向和数量。尽可能减小函数基规模。根据这些特点将单输入单输出（SISO）泛函网络模型进行拓展推广。设计一个多输入多输出的泛函网络拓扑结构如图1。 　　如图1所示，第一层和最后一层分别是是输入、输出层。第二层为第一神经函数处理层，包含F，G，J，K等神经元。第三层为第二神经函数处理层，包含L，N，P，Q等神经元，第三层包括若干个中间存储单元层，用来存储由第二层神经元产生的信息。根据该拓扑结构，大致推出用于信号盲盲检测的