论文部分内容阅读
在人工神经网络的发展过程中,Hopfield神经网络扮演着重要的角色,它不依赖于统计量,相比其它的同类算法,所需要的数据量更短,更能符合现代可靠且高速的通信要求。评价一次通信质量的好坏主要有以下影响因素:系统的抗干扰能力和系统处理信号的速率,因此HNN神经网络的抗干扰能力和收敛速度在实际应用中均扮演着至关重要的角色。本文从上述因素入手,以QPSK信号为前提,主要做出以下创新工作:(1)从抗干扰能力入手,本文第二章在经典Hopfield神经网络(Hopfield Neural Network,HNN)的基础上提出了复数连续Hopfield型正反馈神经网络(Positive Feedback HNN,PFHNN)盲检测算法。本文在复数HNN的结构中加入正反馈,构建了新的能量函数并证明了其稳定性。接着提出了具有自适应正反馈系数的VS-PFHNN(Variable-Step PFHNN,VS-PFHNN)盲检测算法,最后为提高收敛速度加入双Sigmoid结构。实验表明:PFHNN盲检测算法能够改善HNN盲检测网络的抗干扰性能,而VS-PFHNN盲检测算法则更明显的改善了网络的抗干扰性能。(2)从处理信号的速率入手,本文第三章深入研究了双Sigmoid复数连续Hopfield型神经网络(Complex-Syetem Double-Sigmoid HNN,CS-DSHNN)盲检测算法。本文设计了一种新的激活函数,构造了新的HNN复数系统(Complex-System HNN,CSHNN),设计新的能量函数并证明了其稳定性。接着引入双Sigmoid思想,提出了新的CS-DSHNN算法,给出了新的能量函数并证明了其稳定性。实验表明:CSHNN算法提高了盲检测网络的抗干扰能力,而CS-DSHNN盲检测算法则拥有明显的更快的收敛速率。(3)本文第四章详细研究了文中第三章所选取的Sigmoid函数中的参数对整个网络性能的影响。函数中含有k和?两个参数,本文首先研究k和?单独变化时整个HNN网络的收敛速度,接着使两个参数同时变化,观察网络的代价函数J的影响三维图,选取最优参数组合。实验表明:参数k的取值变化对网络收敛速度有较大的影响,而参数?的取值变化对网络收敛速度则有较小的影响。当两者同时变化时,选取代价函数J为0的点即为参数的最优组合,使得HNN网络盲检测算法在相同的初始条件下能够获得最优性能。