改進的Hopfield型神經網絡盲檢測算法的研究.pdf

1、Hopfield神經網絡盲檢測算法具有不依賴于統計量、適用于含有公零點的信道且所需數據量短等優(yōu)勢，相比于高階統計量和二階統計量盲檢測算法，更加可以滿足當今通信系統高速且可靠的傳輸要求。然而Hopfield神經網絡由于采用梯度下降動力學的優(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Hopfield神經網絡（Hopfield Neural Network, HNN）

2、模型的基礎之上設計了可變步長的Hopfield神經網絡（Variable Step Hopfield Neural Network，VSHNN），用于通信系統盲檢測，使用了新的激活函數、設計了可變步長的結構，并給出了該網絡的穩(wěn)定性證明。實驗結果表明：在文獻信道下，VSHNN算法不僅抗干擾能力均勝于文獻HNN算法和文獻暫態(tài)混沌神經網絡(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TCNN的基礎上構建了一種雙Sigmoid結構并帶有函數擾動項的混沌神經網絡(Disturbed Chaotic Neural Network With Double Sigmoid, DS-DCNN)，用于通信系統盲檢測，設計了該網絡新的能量函數，并且分別證明了在同步和異步更新模式下該網

4、絡的穩(wěn)定性。實驗結果表明：相比于TCNN盲檢測算法、HNN盲檢測算法和二階統計量算法，DS-DCNN算法擁有更強的抗干擾能力和更快速的收斂速度，并且所需要的數據量更短。
　?。?）因為非線性自反饋項能使混沌神經網絡展現出更加豐富的動力學行為，從而使網絡具有更為優(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網絡中去，由此構建了雙Sigmoid非線性自反饋混沌神經網絡（Nonlinear Self-feed

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