一种卫星信道复数神经多项式网络盲均衡系统及方法   0    0

本发明公开了一种卫星信道复数神经多项式网络盲均衡系统及方法，本发明采用复数神经多项式网络作为盲均衡模块，其中的单层神经网络用来补偿卫星信道线性特性、非线性无记忆处理器用来补偿卫星信道非线性特性。通过构建模糊控制规则，设计了六层模糊神经网络控制器，其中的第六层权向量由固定步长常模方法进行调整；由六层模糊神经网络控制器对单层神经网络和非线性无记忆处理器权向量的迭代步长进行高精度控制。本发明具有简单的系统结构、较快的收敛速度和较小的稳态误差，较好地解决了高复杂度问题，有效地克服了收敛速度与均方误差之间的矛盾。

1.一种卫星信道复数神经多项式网络盲均衡方法，其特征在于，包括以下步骤：
步骤1，将发射信号a(n)经卫星信道c(n)后与信道噪声w(n)相加得到复数神经多项式网络盲均衡模块的输入信号，即是单层神经网络的输入信号x(n)，x(n)＝c(n)a(n)+w(n)，其中，n为整数，表示时间序列；
步骤2，步骤1中的单层神经网络的输入信号x(n)经过单层神经网络得到其输出信号Y(n)，Y(n)＝F(n)XT(n)，其中，F(n)＝[f1(n),f2(n),…fM(n)]为单层神经网络权向量，fm(n)为单层神经网络第m个权系数，m＝1,2，…M；X(n)＝[x(n),x(n-1),…,x(n-M)]为复数神经多项式网络盲均衡模块的输入向量；T表示转置；M表示单层神经网络的权向量长度；
其中，单层神经网络权向量F(n)的更新方法为：
其中，
Z′(n)为Z(n)的导数，Z′(n)＝[0,1,2y(n),…,(L-1)yL-2(n)]；e(n)为误差函数；*表示取共轭；FR(n)和FI(n)分别是F(n)的实部与虚部，FR(0)、FI(0)与F(0)均采用中心抽头初始化；μ1(n)为F(n)的迭代步长； 为常模代价函数；ψ′(Y(n))为ψ
(Y(n))的导数；
无记忆处理器权向量H(n)的更新方法为：
H(n+1)＝H(n)+μ2(n)e(n)Z*(n)S(n)
式中，μ2(n)为H(n)的迭代步长；e(n)为误差函数；*表示取共轭；
F(n)的迭代步长μ1(n)与H(n)的迭代步长μ2(n)均由模糊神经网络控制器控制，其中：
模糊神经网络控制器的模糊控制规则定义如下：
规则1：如果ΔMSE(n)为正，且MSE(n)大，则Δα(n)大；
规则2：如果ΔMSE(n)为正，且MSE(n)中，则Δα(n)中大；
规则3：如果ΔMSE(n)为正，且MSE(n)小，则Δα(n)中；
规则4：如果ΔMSE(n)为零，且MSE(n)大，则Δα(n)中；
规则5：如果ΔMSE(n)为零，且MSE(n)中，则Δα(n)中；
规则6：如果ΔMSE(n)为零，且MSE(n)小，则Δα(n)中；
规则7：如果ΔMSE(n)为负，且MSE(n)大，则Δα(n)中；
规则8：如果ΔMSE(n)为负，且MSE(n)中，则Δα(n)中小；
规则9：如果ΔMSE(n)为负，且MSE(n)小，则Δα(n)小；
其中，MSE(n)是均方误差，ΔMSE(n)是均方误差增量，α(n)表示μ1(n)或μ2(n)，Δα(n)是α(n)的变化量；
模糊神经网络控制器各层的处理过程如下：
第一层即输入层，将ΔMSE(n)和MSE(n)作为模糊神经网络控制器的输入变量，α1(n,1)＝ΔMSE(n)，α1(n,2)＝MSE(n)，O1(n,i1,j1)＝α1(n,i1)，i1＝1,2，j1＝1,2,3，其中，α1(n,1)表示n时刻第一层第一个节点的输入，α1(n,2)表示n时刻第一层第二个节点的输入，O1(n,i1,j1)为n时刻第一层第i1个节点第j1个输出，ΔMSE(n)＝MSE(n)-MSE(n-1)；
第二层即模糊化层，将ΔMSE(n)和MSE(n)划分为三个模糊等级，分别为：
α2(n,i2,j2)＝O1(n,i1,j1)；
式中，m(i2,j2)表示n时刻第2层第i2个节点输入和第j2个模糊域的高斯函数中心，和q(i2,j2)表示n时刻第2层第i2个节点输入和第j2个模糊域的宽带；O2(n,i2,j2)表示n时刻第2层第i2个节点输入和第j2个输出；i2＝1,2,3，j2＝1,2,…,9，α2(n,i2,j2)为第2层第i2个节点输入和第j2个输入；
第三层即规则层，此层节点输出为第2层节点输出之积，其中：
O3(n,1)＝O2(n,1,1)*O2(n,2,1)；
O3(n,2)＝O2(n,1,2)*O2(n,2,2)；
O3(n,3)＝O2(n,1,3)*O2(n,2,3)；
O3(n,4)＝O2(n,1,2)*O2(n,2,1)；
O3(n,5)＝O2(n,1,2)*O2(n,2,2)；
O3(n,6)＝O2(n,1,2)*O2(n,2,3)；
O3(n,7)＝O2(n,1,3)*O2(n,2,1)；
O3(n,8)＝O2(n,1,3)*O2(n,2,2)；
O3(n,9)＝O2(n,1,3)*O2(n,2,3)；
式中，O3(n,j2)表示n时刻第3层第j2个节点的输出；
第四层即模糊运算层，该层节点输出由第三层节点输出按模糊控制规则运算获得，即O4(n,1)＝O3(n,1)；
O4(n,2)＝O3(n,2)；
O4(n,4)＝O3(n,8)；
O4(n,5)＝O3(n,9)；
式中，O4(n,p)表示第n时刻第4层第p个的输出，p＝1,2,3,4,5；
第五层即误差引入层，引入误差MSE(n)后，得
O5(n,p)＝β(p)*O4(n,p)*MSE(n)
式中，O5(n,p)表示第n时刻第5层的第p个输出；第5层的所有输出构成向量O5(n)＝{O5(n,1),O5(n,2),…,O5(n,5)}；β(p)为控制量，用来调整该层的输出，完成规则的后部分；
第六层即解模糊输出层：
Δα(n)＝O6(n)＝w6(n)O5(n)；
式中，O6(n)为第n时刻第6层的输出；w6(n)为第n时刻第六层的向量，w6(n)＝[w61(n),w62(n),…,w65(n)]，其中，w6p(n)表示从第5层第p个输出到第6层节点支路上的权系数，w6(n)的更新方法为固定步长常模方法，具体为w6(n+1)＝w6(n)-η(|Δα(n)|2-R1)Δα(n)O5(n)，η为w6(n)的迭代步长，初始权向量w6(0)为中心抽头初始化； 为均方误差MSE
(n)的模值；
模糊神经网络控制器的第六层输出Δα(n)，用来对α(n)进行更新，更新方法为α(n+1)＝α(n)-|Δα(n)|
式中，α(n)的初值α(0)＝1，Δα(n)的初值Δα(0)＝0；
步骤3，步骤2中的单层神经网络的输出信号Y(n)经活化约束函数ψ(·)映射后，得到非线性无记忆处理器的输入信号y(n)，y(n)＝ψ(Y(n))＝ψ(YR(n))+jψ(YI(n))，其中，YR(n)和YI(n)分别是Y(n)的实部与虚部；
步骤4，步骤3中的非线性无记忆处理器的输入信号y(n)经非线性无记忆处理器g处理后得其输出信号S(n)，即复数神经多项式网络盲均衡模块的输出信号，S(n)＝g(y(n))＝H(n)ZT(n)，其中，g(·)是非线性处理函数；H(n)＝[h0(n),h2(n),…,hL-1(n)]是无记忆处理器权向量，hl(n)表示无记忆处理器的第l个权系数，0≤l≤L-1，L为正整数，是非线性无记忆处理器的权向量长度；Z(n)＝[1,y(n),y2(n),…,yL-1(n)]是非线性无记忆处理器的输入向量，yl(n)指y(n)的l次方。

2.根据权利要求1所述的一种卫星信道复数神经多项式网络盲均衡方法，其特征在于，步骤3中活化约束函数ψ(·)的表达式为：
其中，γ表示YR(n)或YI(n)，|·|表示取绝对值。

3.基于如权利要求1或2中任意所述的一种卫星信道复数神经多项式网络盲均衡方法的盲均衡系统，其特征在于，包括信道模块、复数神经多项式网络盲均衡模块、模糊神经网络控制器模块，复数神经多项式网络盲均衡模块包括单层神经网络、活化约束模块和非线性无记忆处理器，其中，
信道模块是卫星信号的传输通道；
单层神经网络用于对卫星信道的线性特性进行补偿；
活化约束模块用于利用非线性约束函数将非线性无记忆处理器输入限定非线性约束函数的最小值与最大值区域内，以保证非线性无记忆处理器的收敛性和稳定性；
非线性无记忆处理器用于对卫星信道的非线性特性进行补偿；
模糊神经网络控制器模块用于对单层神经网络和非线性无记忆处理器权向量的迭代步长进行控制。