專利名稱：基于空間分集的小波神經網絡盲均衡方法
技術領域：
本發明涉及一種基于空間分集的小波神經網絡盲均衡方法，屬于克服水聲信道多徑衰落引起的碼間干擾(Inter-Symbol Interference，ISI)的盲均衡方法的技術領域。
背景技術：
水下通信系統中，多徑衰落和信道失真引起的碼間干擾(Inter-SymbolInter-ference，ISI)，使傳輸信號發生畸變，并在接收端產生誤碼，嚴重影響了通信質量。減少碼間干擾的有效手段就是采用均衡技術。由于均衡本身可以看成是模式分類問題，而神經網絡具有良好的模式分類特性，因此用神經網絡設計盲均衡器是值得研究的課題(見文獻[1]CHENG Hai-qing，ZHANG Li-yi.Blind Equalization Algorithm Using Feed-forwardNeural Network Based on a Modified Target Function[J].Journal Of Tai yuan University OfTechnology，2006，3739-41)。由于小波分析具有良好的變焦特性和時頻局部特性，而神經網絡具有自學習、自適應性、強魯棒性和推廣能力，因此小波神經網絡是人們關注的問題。小波神經網絡具有較強的逼近能力，而且使得神經元之間的相互影響減小，因此可以加快訓練算法的收斂速度(見文獻[2]WANG Jun-feng.Study on adaptive equalizationalgorithms based on wavelets and neural networks[D].Ph.D.Thesis，Xidian Universtiy，Xi’an，China，2003)。傳統的均衡技術需要周期性地發送訓練序列，浪費了有限的帶寬資源，而不需要發送已知訓練序列的盲均衡技術，能節省帶寬，提高通信效率。通過均衡技術，可設計出與信道特性完全相反的均衡器，以抵消信道畸變帶來的影響(見文獻[3]E.G.Larsson，On the combination of spatial diversity and multi-user diversity[J].IEEECommunications Letters，2004，8517-519)，但傳統的盲均衡方法是針對單一信道進行研究的，新一代的高速水下通信系統將采用基于多徑均衡的方法，因此分集技術的出現，為盲均衡器的設計提出了一種新的思路(見文獻[4]Sung-Hoon Moon，Ju-Yeun Kim andDong-Seog.Han.Spatial diversity technique for Improvement of DTV receptionperformance[J].IEEE Transactions on consumer electronics，2003，49(4)958～964)。眾多分集技術中，由于空間分集有不犧牲信號帶寬的優點，成為目前使用最多的分集形式(見文獻[5]Cybeako G.Approximations by superposition of a sigmoidal function[J].Math ContrSyst Signals，1989，2303-314.Conference Record of the Twenty-Ninth Asilomar Conference onSignals，Systems and Computers，19951694-1647)。空間分集利用多個陣元接收信號來降低多徑衰落的影響，從而改善信息傳輸的可靠性。
發明內容
本發明的目的是針對現有技術存在的缺陷，將空間分集技術引入到小波神經網絡盲均衡方法，發明了基于空間分集技術的小波神經網絡盲均衡方法。該方法充分利用空間分集技術和小波神經網絡盲均衡方法的優點，加快了收斂速度、減小了均方誤差。
本發明為實現上述目的，采用如下技術方案 本發明基于空間分集的小波神經網絡盲均衡方法，其特征在于包括如下步驟 第一步將發射信號序列s(k)分別經過第D重支路脈沖響應信道即c(1)(k)至c(D)(k)得到D重支路信道輸出向量即x(1)(k)至x(D)(k)，其中，k為時間序列，D為自然數表示分集重數，下同； 第二步采用D重支路信道噪聲w(1)(k)至w(D)(k)和第一步所述的D重支路信道輸出向量得到D重支路均衡器輸入信號y(1)(k)至y(D)(k)； 第三步將第二步所述的D重支路均衡器輸入信號分別經過D重支路小波神經網絡均衡器即f(1)(k)至f(D)(k)得到D重支路小波神經網絡均衡器輸出信號即z(1)(k)至z(D)(k)； 第四步將第三步所述的D重支路小波神經網絡輸出信號經過組合器進行合并處理得到組合器輸出信號z(k)。
所述的基于空間分集的小波神經網絡盲均衡方法，其特征在于所述小波神經網絡采用三層前饋小波神經網絡WNN，依次為輸入層、隱含層和輸出層，每個支路小波神經網絡方法都相同，其中第d支路的小波神經網絡方法具體如下 (a)將第二步所述的D重支路均衡器輸入信號中第d支路均衡器輸入信號y(d)(k)經過輸入層得到隱含層輸入信號i＝1，2，…I，I表示輸入層神經元個數，l＝1，2，…，L，L表示隱含層神經元個數，fil(d)(k)為第d支路輸入層第i個神經元與隱含層第l個神經元的連接權值，d＝1，2，3…，D，D為自然數表示分集重數； (b)將步驟(a)所述的隱含層輸入信號ul(d)(k)經過隱含層得到隱含層輸出信號和輸出層的輸入信號ψ(·)為隱含層傳遞函數采用Morlet母小波變換后的函數，ul，R(d)(k)，ul，I(d)(k)分別表示隱含層輸入信號ul(d)(k)的實部和虛部，flp(d)(k)為隱含層第l個神經元與輸出層第p個神經元連接權值，p＝1，2，…P，P表示輸出層神經元個數； (c)將步驟(b)所述的輸出層的輸入信號up(d)(k)經過輸出層得到小波神經網絡均衡器輸出信號其中F(·)輸出層傳遞函數，up，R(d)(k)，up，I(d)(k)分別表示輸出層的輸入信號up(d)(k)的實部和虛部。
3、根據權利要求2所述的基于空間分集的小波神經網絡盲均衡方法，其特征在于將所述組合器輸出信號z(k)經過盲均衡器到第d支路輸入層第i個神經元與隱含層第l個神經元的連接權值fil(d)(k)和隱含層第l個神經元與輸出層第p個神經元的連接權值flp(d)(k)，其中i＝1，2，…I，I表示輸入層神經元個數，l＝1，2，…，L，L表示隱含層神經元個數，d＝1，2，3…，D，D為自然數表示分集重數，p＝1，2，…P，P表示輸出層神經元個數；fil(d)(k)、flp(d)(k)及f(d)(k)的求取包括如下步驟 d)由組合器輸出信號z(k)和發射信號序列s(k)，定義代價函數 e)按最速下降法，對步驟d)所述的代價函數求梯度后，得到第d支路小波神經網絡輸出層第l個神經元與隱含層第p個神經元的自適應權值flp(d)(k)、第d支路小波神經網絡輸入層第i個神經元與隱含層第l個神經元的自適應權值fil(d)(k)；得到第d支路小波神經網絡的小波函數中的自適應伸縮因子a(d)(k)及尺度因子b(d)(k)； f)由步驟e)所述的第d支路小波神經網絡輸出層第p個神經元與隱含層第l個神經元的自適應權值flp(d)(k)及第d支路小波神經網絡輸入層第i個神經元與隱含層第l個神經元的自適應權值fil(d)(k)得到第d支路小波神經網絡盲均衡器權向量f(d)(k)。
由于空間分集技術可以降低水聲信道的多徑衰落，并且可以提高輸出信噪比；而小波神經網絡具有較強的逼近能力和較快的學習速度，為此，發明了基于空間分集技術的小波神經網絡盲均衡方法(SDE-WNN)。該方法充分利用了空間分集技術和小波神經網絡的優點，與小波神經網絡盲均衡方法(WNN)相比，在收斂速度和均方誤差性能方面，體現出更明顯的優越性，加快了收斂速度，較大幅度的降低了均方誤差。水聲信道仿真結果驗證了本發明方法的有效性。因而，本發明方法能夠有效地實現信號與噪聲的分離以及信號的實時恢復。
圖1第d支路小波神經網絡盲均衡器結構圖； 圖2空間分集均衡器結構圖； 圖3本發明基于空間分集技術的小波神經網絡盲均衡器結構圖 圖4本發明實施例1仿真圖，(a)誤差曲線(b)WNN1輸出星座圖(c)WNN2輸出星座圖(d)SDE-WNN的輸出星座圖； 圖5本發明實施例2仿真圖，(a)誤差曲線(b)WNN1輸出星座圖(c)WNN2輸出星座圖(d)SDE-WNN的輸出星座圖。
具體實施例方式 下面結合附圖對發明的技術方案進行詳細說明 如圖1所示，第d支路小波神經網絡盲均衡器。
小波神經網絡作為一種前向神經網絡，其模型簡單，并且具有一般神經網絡難以達到的模擬精度和學習速度快，Cybenc已經證明用含有一個隱含層的前饋神經元網絡可以以任意精度逼近任意的連續函數，所以本發明采用三層小波神經網絡(WNN)，其結構如圖2，圖中，fil(d)(k)為第d支路輸入層第i個神經元與隱含層第l個神經元的連接權值，I表示輸入層神經元個數，i＝1，2，…，I；L表示隱層神經元個數，l＝1，2，…L；flp(d)(k)為第d支路隱含層第l個神經元與輸出層第p個神經元的連接權值，P表示輸出層神經元個數p＝1，2，…，P；第d支路輸入層的輸入為y(d)(k)＝x(d)(k)+w(d)(k)＝{y(d)(k-1)，y(d)(k-2)，…，y(d)(k-i)}T；第d支路隱含層的輸入為ul(d)(k)；第d支路隱含層輸出為vl(d)(k)；第d支路輸出層單元的輸入為up(d)(k)，神經網絡的總輸出為z(k)。隱含層傳遞函數采用Morlet母小波變換后得到公式為 式中，a，b分別為伸縮因子和平移因子。輸出層傳遞函數為 F(x)＝x+αsin(πx)(2) 式中，-∞＜x＜∞，0＜α＜1，x代表是ul(d)(k)和up(d)(k)，該函數對輸入信號具有良好的識別能力。
對于QAM類復數信號通過小波神經網絡時，將不可避免地產生相位偏轉的現象，所以考慮將網絡中傳輸的信號分為實部和虛部兩路進行傳輸。那么第d支路小波神經網絡輸入信號、輸入層與隱含層的連接權值、隱含層與輸出層連接權值可表示為復數形式為 這樣，小波神經網絡的狀態方程方程為 采用常數模(CMA)代價函數 式中，z(k)為小波神經網絡的輸出信號，R2＝E[|s(k)|4]/E[s(k)|2]是發射信號序列的模。根據最速下降法，可得到網絡的權值迭代公式為 網絡的隱含層神經元采用小波變換作傳遞函數，網絡的權系數和小波變換的伸縮因子和平移因子通過網絡訓練得到。
從而，第d支路小波神經網絡的輸出層第l個神經元與隱含層第p個神經元的權值迭代公式為 同理可得，第d支路小波神經網絡的輸入出層第i個神經元與隱含層第l個神經元的權值迭代公式為 伸縮因子a經過網絡訓練后迭代公式為 同理，平移因子b迭代公式為 如圖2所示，等增益空間分集均衡系統。
信道的衰變多途特性使得水聲數字通信比較困難，以往多數水聲通信的研究主要側重于單通道技術，空間分集處理則側重于選擇或組合技術。在水下聲通信中，空間分集組合對于改善信道條件是一種引人注意的技術。在接收端采用適當的合并技術，將這些信號合并，從而提高接收端的信噪比，降低誤碼率。具有D條路徑的空間分集盲均衡系統模型，如圖2所示。{s(k)}是發射信號序列；c(d)(k)是第d支路信道的脈沖響應；{w(d)(k)}是第d支路的高斯白噪聲序列；y(d)(k)＝[y(d)(k)，y(d)(k-1)，…，y(d)(k-Mf+1)]T是第d支路均衡器的輸入信號；f(d)(k)＝[f(d)(k)，f(d)(k+1)，…，f(d)(k+Mf-1)]是均衡器的權向量；其中Mf為均衡器的長度；z(d)(k)是第d支路均衡器的輸出；其中d＝1，2…D，z(k)是經過合并后的輸出信號。
因此空間分集的基本思想是在空間上通過多個傳輸特性不同的信道接收信號，再通過適當的合并方式有效地合并信號，從而提高接收端的信噪比、降低誤碼率。合并處理的方法是分集均衡器的關鍵技術之一，由于等增益合并實現起來是最簡單的，所以本發明采用等增益合并技術。所謂等增益合并(Equal Gain Combining，EGC)，就是在接收端有D個分集支路，經過相位調整后，按照相同的增益系數，同相相加，再送入組合器進行合并。等增益合并的平均輸出信噪比為 合并增益為 式中，SNRE表示最大合并后的平均輸出信噪比，SNR表示合并前每個支路的平均信噪比，D表示分集支路數。
如圖3所示，基于空間分集技術的小波神經網絡盲均衡方法。
空間分集能夠提高接收端的信噪比、降低誤碼率，而小波神經網絡具有很高的模擬精度和很快的訓練速度，現將空間分集技術引入到小波神經網絡盲均衡方法，得到基于空間分集技術的小波神經網絡盲均衡方法。其原理結構，如圖3所示。
引入空間分集技術后的第d支路小波神經網絡輸出層與隱層的權值迭代公式為 同理可得，輸入層權值迭代公式修正為 式中，ρ為步長。
引入空間分集后，伸縮因子a(d)經過小波神經網絡訓練迭代公式為 式中，μ1為伸縮因子的迭代步長。
同理，平移因子b(d)迭代公式修正為 其中，μ2為平移因子的迭代步長。式(28)～(38)為本發明“基于空間分集的小波神經網絡盲均衡方法(Wavelet Neural Network Equalization algorithm Based On Spatial Diversity，SDE-WNN)”。該方法利用空間分集技術能夠消除信道衰落和提高輸出信噪比，從而對小波神經網絡均衡器達到優化的性能，進而達到提高收斂速度和降低均方誤差的效果。
實施實例 為驗證本發明方法SDE-WNN的性能，采用水聲信道進行實例分析。
實施例1實例中采用典型稀疏兩徑水聲信道H1(z)＝1+0.4z-12和均勻介質兩徑水聲信道H2(z)＝1+0.59997z-20；發射信號為4QAM，信噪比為20dB，實驗中采用D＝2，用WNN1和WNN2表示信道1和信道2的小波神經網絡盲均衡器，小波神經網絡盲均衡器的長度為11。
圖4仿真結果表明，本發明方法SDE-WNN的收斂速度要快于WNN1和WNN2，從圖(a)可知，本發明方法SDE-WNN均方誤差比WNN1小1dB，而比WNN2明顯小4dB，圖4(b)、(c)、(d)三圖相比較可知，本發明方法SDE-WNN的星座圖更加清晰，緊湊。
實施例2仍采用實施例1的信道，發射信號為2PAM，信噪比為20dB，實驗中采用D＝2，用WNN1和WNN2表示信道1和信道2的小波神經網絡盲均衡器，小波神經網絡盲均衡器的長度為11。
圖5表明，本發明方法SDE-WNN的收斂速度要快于WNN1和WNN2，并且均方誤差明顯比WNN1和WNN2小2dB和5dB，圖5(b)、(c)、(d)的比較可知，本發明方法SDE-WNN的星座圖更加清晰、緊湊、均衡效果更明顯。
權利要求
1、一種基于空間分集的小波神經網絡盲均衡方法，其特征在于包括如下步驟
第一步將發射信號序列s(k)分別經過第D重支路脈沖響應信道即c(1)(k)至c(D)(k)得到D重支路信道輸出向量即x(1)(k)至x(D)(k)，其中，k為時間序列，D為自然數表示分集重數，下同；
第二步采用D重支路信道噪聲w(1)(k)至w(D)(k)和第一步所述的D重支路信道輸出向量得到D重支路均衡器輸入信號y(1)(k)至y(D)(k)；
第三步將第二步所述的D重支路均衡器輸入信號分別經過D重支路小波神經網絡均衡器即f(1)(k)至f(D)(k)得到D重支路小波神經網絡均衡器輸出信號即z(1)(k)至z(D)(k)；
第四步將第三步所述的D重支路小波神經網絡輸出信號經過組合器進行合并處理得到組合器輸出信號z(k)。
2、根據權利要求1所述的基于空間分集的小波神經網絡盲均衡方法，其特征在于所述小波神經網絡采用三層前饋小波神經網絡WNN，依次為輸入層、隱含層和輸出層，每個支路小波神經網絡方法都相同，其中第d支路的小波神經網絡方法具體如下
(a)將第二步所述的D重支路均衡器輸入信號中第d支路均衡器輸入信號y(d)(k)經過輸入層得到隱含層輸入信號i＝1，2，…I，I表示輸入層神經元個數，l＝1，2，…，L，L表示隱含層神經元個數，fil(d)(k)為第d支路輸入層第i個神經元與隱含層第l個神經元的連接權值，d＝1，2，3…，D，D為自然數表示分集重數；
(b)將步驟(a)所述的隱含層輸入信號ul(d)(k)經過隱含層得到隱含層輸出信號和輸出層的輸入信號ψ(·)為隱含層傳遞函數采用Morlet母小波變換后的函數，ul，R(d)(k)，ul，I(d)(k)分別表示隱含層輸入信號ul(d)(k)的實部和虛部，flp(d)(k)為隱含層第l個神經元與輸出層第p個神經元連接權值，p＝1，2，…P，P表示輸出層神經元個數；
(c)將步驟(b)所述的輸出層的輸入信號up(d)(k)經過輸出層得到小波神經網絡均衡器輸出信號其中F(·)輸出層傳遞函數，up，R(d)(k)，up，I(d)(k)分別表示輸出層的輸入信號up(d)(k)的實部和虛部。
3、根據權利要求2所述的基于空間分集的小波神經網絡盲均衡方法，其特征在于將所述組合器輸出信號z(k)經過盲均衡器到第d支路輸入層第i個神經元與隱含層第l個神經元的連接權值fil(d)(k)和隱含層第l個神經元與輸出層第p個神經元的連接權值flp(d)(k)，其中i＝1，2，…I，I表示輸入層神經元個數，l＝1，2，…，L，L表示隱含層神經元個數，d＝1，2，3…，D，D為自然數表示分集重數，p＝1，2，…P，P表示輸出層神經元個數；fil(d)(k)、flp(d)(k)及f(d)(k)的求取包括如下步驟
d)由組合器輸出信號z(k)和發射信號序列s(k)，定義代價函數
e)按最速下降法，對步驟d)所述的代價函數求梯度后，得到第d支路小波神經網絡輸出層第l個神經元與隱含層第p個神經元的自適應權值flp(d)(k)、第d支路小波神經網絡輸入層第i個神經元與隱含層第l個神經元的自適應權值fil(d)(k)；得到第d支路小波神經網絡的小波函數中的自適應伸縮因子a(d)(k)及尺度因子b(d)(k)；
f)由步驟e)所述的第d支路小波神經網絡輸出層第p個神經元與隱含層第l個神經元的自適應權值flp(d)(k)及第d支路小波神經網絡輸入層第i個神經元與隱含層第l個神經元的自適應權值fil(d)(k)得到第d支路小波神經網絡盲均衡器權向量f(d)(k)。
全文摘要
本發明公布了一種基于空間分集的小波神經網絡盲均衡方法。本發明方法是在分析空間分集技術和小波神經網絡盲均衡性能的基礎上，利用空間分集來減少衰落的影響，通過小波神經網絡盲均衡器的較強逼近能力來克服碼間干擾。本發明克服了由信道的多徑傳播和衰落特性在接收端引起的碼間干擾，提高了通信質量并且收斂速度快、均方誤差小。水聲信道仿真結果，驗證了本發明方法的有效性。本發明方法能夠有效地實現信號與噪聲的分離以及信號的實時恢復。
文檔編號H04L25/03GK101651643SQ20091018337
公開日2010年2月17日 申請日期2009年9月18日 優先權日2009年9月18日
發明者郭業才, 敏 高 申請人:南京信息工程大學