题 目基于复数hopfield神经网络的盲信号检测-blind signal detection based on complex hopfield neural network.docxVIP

摘要盲信号检测算法自30年前首次被提出以来，在众多科学领域，特别是在语音信号分离与识别、生物信号处理、无线通信系统等领域，已得到深入的研究和发展，然而，仍然存在一些关键理论与实际问题需要解决。本博士论文针对这些问题展开研究，主要做出了如下工作：（1）分析了高阶统计量算法和二阶统计量算法，讨论了其优缺点及需要解决的关键问题。高阶统计量算法需要采用自适应均衡，因此需要先设计均衡器。二阶统计量算法往往要求先盲辨识信道。本文从理论和仿真两个角度分析验证，高阶统计量算法所需的数据量很大，且局限于高斯加性噪声，处理复杂星座信号时剩余残差很大；基于二阶统计量（SOS）的算法对发送信号的独立性要求较高，信号有色时，算法不能有效实现，且还要求子信道不能有公零点。（2）针对高阶统计量算法数据量需求大，以及二阶统计量算法不能处理含公零点信道的缺陷，利用基于有限字符集的盲检测性能函数构造了盲检测算法。由于此性能函数利用星座先验知识，根据接收信号与发送信号之间的子空间关系所建立，因此本文的盲检测算法不需要设计均衡器，也无需辨识信道，能够直接盲检测发送信号。本文算法不依赖任何统计信息，也不依赖接收信号的任何（SOS或HOS）统计量，而直接地、充分地利用星座本身。由于不以“适用于任何信号的Bezout恒等式”为基础，因此适用于更广泛的信道。（3）探索了四种基于字符集性能函数的盲检测算法，包括?近似算法、微粒子群算法、免疫算法和遗传算法等。仿真表明，这几种盲检测算法利用较短数据即可成功检测二电平信号(BPSK和QPSK)。但是随着信号星座复杂度增加，不同电平的信号对于代价函数所产生的权重影响不同，搜索容易陷入“低电平信号”(例如?1)构成的局部最小点。而且算法复杂度代价太大，不适用于复杂星座的MQAM和MPSK信号。（4）本文用基于字符集的性能函数构造了三种新的多值复数Hopfield神经网络，适用于盲检测MQAM的“实虚型连续多值激活复数Hopfield神经网(ComplexHopfieldNeuralNetworkwithReal-Imaginary-typeSoft-Multistate-activation-function,CHNN_RISM)”、“实虚型离散多电平激活复数Hopfield神经网(ComplexHopfieldNeuralNetworkwithReal-Imaginary-typeHard-Multistate-activation-function,CHNN_RIHM)”，以及适用于盲检测MPSK信号的“幅相型离散多电平激活复数Hopfield神经网(ComplexHopfieldNeuralINetworkwithAmplitude-Phase-typeHard-Multistate-activation-function,CHNN_APHM)”。由于文献中二值实数激活函数和能量函数不能描述多值复数Hopfield神经网络的动力学特性，设计了新的幅相型多值激活函数和适用于新网络的能量函数，并分别在同步更新模式和异步更新模式下证明了网络的稳定性。为了能成功盲检测信号，利用本文特有的性能函数构造了联结权阵。由于这三种复数Hopfield神经网络的特性，不同电平的信号对于能量函数所产生的权重影响相同，并证明真解点的能量函数为一个与检测数据长度N有关的固定值。这几种盲检测算法只利用发送信号所属字符集的信息。除了要求输入数据是“独立同分布”和“属于有限字符集”外，没有利用输出数据的任何其它统计信息。仿真实验表明：基于这三种网络的算法仅需较短接收数据（与二阶统计量算法相当）就可有效盲检测复杂星座信号，并适用于含公零点信道。关键词：复杂星座信号，盲检测，复数Hopfield神经网络，统计量IIABSTRACTAfternearly30years,manysubstantialcontributionstoblindsignalsdetectionhavebeenmadeinvariousscientificfields,suchasspeechsourceseparationandrecognition,biologicalsignalprocessing,andwirelesscommunication,etc.Unfortunately,someimportanttheoreticalandpracticalissuesarestillunsolvedandtheywillbefocusedinthisdissertation.Themaincontributionsofthisdissertationareasfollows:TheblindequalizationalgorithmsbasedonHighOrderStatistics