基于混沌Hopfield型神經(jīng)網(wǎng)絡(luò)的盲算法研究.pdf

1、Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法具有所要求的數(shù)據(jù)量短、適用于公零點(diǎn)信道等優(yōu)點(diǎn)，與文獻(xiàn)基于統(tǒng)計(jì)量的盲檢測(cè)算法相比，更能滿足人們對(duì)無(wú)線數(shù)字通信系統(tǒng)提出的可靠性要求。但由于Hopfield神經(jīng)網(wǎng)絡(luò)采用梯度下降的優(yōu)化策略易陷入局部最優(yōu)，有時(shí)甚至收斂不到優(yōu)化問(wèn)題的最優(yōu)解或者近似最優(yōu)解。針對(duì)這一不足，本文受國(guó)家自然科學(xué)基金項(xiàng)目(項(xiàng)目批準(zhǔn)號(hào)：61302155)的支持，在Hopfield神經(jīng)網(wǎng)絡(luò)中引入混沌技術(shù)，主要做出如下創(chuàng)新工作：
　?。?）

2、依據(jù)混沌初始化發(fā)送序列的優(yōu)良遍歷特性，本文第二章在 Hopfield神經(jīng)網(wǎng)絡(luò)（Hopfield Neural Network, HNN）的基礎(chǔ)上引入混沌初始化和混沌擾動(dòng)，利用混沌映射產(chǎn)生初始發(fā)送序列，并且在算法出現(xiàn)早熟收斂時(shí)進(jìn)行小幅度的混沌擾動(dòng)，借此降低算法的誤碼率。仿真實(shí)驗(yàn)表明：改進(jìn)的混沌Hopfield神經(jīng)網(wǎng)絡(luò)能夠成功解算帶約束的二次規(guī)劃問(wèn)題,從而實(shí)現(xiàn)BPSK信號(hào)盲檢測(cè)，相對(duì)于文獻(xiàn)算法改善了算法性能。
　?。?）為了改善Hop

3、field神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)以及暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)（Transient Chaotic Neural Network，TCNN）收斂緩慢的缺陷，本文第三章在暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建了一種改進(jìn)的復(fù)合正弦混沌神經(jīng)網(wǎng)絡(luò)（Improved Compound Sine Chaotic Neural Network， ICSCNN)，設(shè)計(jì)了新的能量函數(shù)并分別在同步和異步更新模式下證明了該網(wǎng)絡(luò)的穩(wěn)定性。仿真實(shí)驗(yàn)表明：與二階統(tǒng)計(jì)量算法、Hopfi

4、eld神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法以及TCNN盲檢測(cè)算法相比，本文提出的算法顯著降低了算法的誤碼率和收斂時(shí)間，且所需的數(shù)據(jù)量更短，提高了盲檢測(cè)性能。
　?。?）由于小波函數(shù)具有良好的非線性特性，能使混沌的動(dòng)力學(xué)特性表現(xiàn)的更為明顯，本文第四章首先將小波混沌神經(jīng)網(wǎng)絡(luò)（Wavelet Chaotic Neural Network, WCNN)引入盲檢測(cè)環(huán)境中，然后為每個(gè)神經(jīng)元加一個(gè)激活函數(shù)構(gòu)成雙sigmoid小波混沌神經(jīng)網(wǎng)絡(luò)（Double Sig