<menuitem id="rdtpj"></menuitem><i id="rdtpj"></i>
<ins id="rdtpj"><noframes id="rdtpj"><cite id="rdtpj"></cite><del id="rdtpj"><th id="rdtpj"></th></del><ins id="rdtpj"></ins>
<ins id="rdtpj"><noframes id="rdtpj"><cite id="rdtpj"></cite>
<cite id="rdtpj"><noframes id="rdtpj"><cite id="rdtpj"><noframes id="rdtpj"><del id="rdtpj"><noframes id="rdtpj"><del id="rdtpj"></del>
<del id="rdtpj"></del>
<cite id="rdtpj"><noframes id="rdtpj">
<ins id="rdtpj"><noframes id="rdtpj"><ins id="rdtpj"></ins>
<ins id="rdtpj"></ins>
| 加入桌面 | 手機版 | 無圖版
高級搜索 標王直達
排名推廣
排名推廣
發布信息
發布信息
會員中心
會員中心
 
當前位置: 首頁 » 行業資訊 » 技術資料 » 正文

改進型BP神經網絡自適應均衡器設計

放大字體  縮小字體 發布日期:2017-06-28  來源:中國衡器網  作者:[db:作者]  瀏覽次數:1868
核心提示:  在數字無線通信系統中,由于多徑效應和信道帶寬限制導致傳輸過程中不可避免地產生碼間干擾,使傳輸質量明顯下降。目前常用的方法是采用自適應均衡技術降低碼間干擾和聲的影響來減少誤碼,并跟蹤時變信道,解決

  在數字無線通信系統中,由于多徑效應和信道帶寬限制導致傳輸過程中不可避免地產生碼間干擾,使傳輸質量明顯下降。目前最常用的方法是采用自適應均衡技術降低碼間干擾和聲的影響來減少誤碼,并跟蹤時變信道,解決時變波形的嚴重失真問題。在時域中,由于傳統實現方法存在收斂速度慢且收斂性能取決于輸入信號等問題⑴,人們提出采用變換域的自適應均衡算法,即通過域的變換(如離散余弦變換、離散傅立葉變換、離散正交小波變換)來改變輸入信號的自相關矩陣的最大特征值與最小特征值之比,用于提高收斂速度。為了減少計算的復雜度,基于小波域的濾波器又引入部分系數迭代更新的算法,相應的多小波及小波神經網絡的方法也先后出現。引入變換域后雖然收斂速度提高了,但在這些算法中計算量過于龐大造成實時性能明顯下降。

  本文針對傳統設計方法的不足,在BP網絡設計方法的基礎上,提出了種改進的BP神經網絡設計均衡器的硬件實現方法。通過借助于神經網絡的訓練序列就能自適應調整均衡器的抽頭系數,達到自適應均衡的目的。從優化硬件結構的角度考慮,對神經網絡的硬件實現方式進行了研究,利用流水線技術,找出合理的設計方案。最后采用自頂向下的設計方法,通過硬件FPGA優化,利用Altera公司低成本的Cyclone系列EP2C35芯片實現自適應均衡器技術。這種均衡器性能良好,特別適用于實時性能要求嚴格的信號處理系統,在未來的無線通信系統中有著廣闊的應用前景。

  BP網絡改進算法傳統的反向傳播算法(BP算法)利用網絡誤差的平方和,對網絡誤差函數的導數進行權值和閾值調整,從而降低誤差平方和。從網絡誤差函數推導出輸出層的誤差導數或占矢量,隱層的5矢量可由下―層的5矢量導出。這種占矢量的反向傳播正是BP的由來,即吵)=-,其中丑d為系統期望,丑為系統的實際輸出,其計算性能指標為/=乞e2(t)。

  根據梯度下降法得到神經網絡權值的修正,即w(灸+1)=w(灸)+2,義,其中為步長因子,但是這種BP算法的步長因子難以確定,導致收斂的穩定性下降,收斂速度變慢。針對這問題,本文提出種改進的BP網絡設計自適應均衡器,有效地消除碼間干擾,具體的7個步驟如下:對輸入向量采用歸一化預處理。

  確定神經網絡結構,本文選擇隱層有10個神經元,輸出層有單個神經元。

  對網絡輸入到最末隱層之間的所有權值進行初始化:首先在樣本集中任意取2個不同的樣本點xA2,計算網絡隱層節點的梯度Pw=W/W =(尤於-XM)/x2-XM,然后計網絡隱層節點敏感區的寬度化=w=GxM-xM,其中般取0.9左右,“為之間的隨機數。根據匕和化可以計算出第z隱層節點的權值對網絡輸出層權值進行賦值。由于網絡輸出層權值的變化對網絡輸出的影響最大,可根據網絡抗干擾性能對網絡輸出層權值進行設計。對選擇樣本集中的特殊點求平均值xa,其中q為特殊樣點的個數。計算各樣點的差值,用這些差值組成將這些特殊樣本集中加入到網絡中得到輸出/,再根據特殊樣本集找到相對應期望平均值的誤差',即其中分別為網絡輸出的個數和隱層節點的個數,則網絡輸出層的權值為w.:斗'.7-1,其中前向傳播計算網絡輸出。計算隱層節點的輸出為其中z.為隱層節點的輸出,wz為隱層節點的權值,x,為輸入向量,力為隱層節點閾值。

  其中M為輸出結點的輸出,為隱層節點的輸出,vfi為輸出結點的權值,0為輸出結點的閾值。

  (6)進行網絡訓練更新權值。計算網絡誤差為其中Ae為誤差變化率,y為泄漏因子,n為記憶因子,2為協調器補償因子以補償權值增量。

  當網絡的誤差變化率較大時,網絡輸出層權值及隱層權值在協調器的控制下較大,使網絡迅速變化;當誤差在范圍內時,網絡輸出層權值在協調器的控制下減小,同時停止隱層權值的修正,以避免網絡產生過沖反向誤差;當誤差小于10%時,隱層權值在協調器的控制下進行修正,而停止網絡輸出層權值的修正,使網絡的綜合誤差達到允許值。

  (7)判斷誤差,結束網絡。判斷誤差AE是否小于期望五,如滿足要求則結束;否則,返回網絡繼續調整權值,直到滿足實際需求為止。

  2算法的仿真分析通過Matlab對傳統BP網絡算法與本文中的改進算法進行仿真比較。為BP網絡的訓練結果與理想輸出的比較結果圖,其中BP網絡的隱層神經元數目=10,傳統BP網絡學習率為=0.05,最大迭代次數epocfe=100,目標誤差指標goai=1xe5.(a)為傳統BP網絡算法的輸入、輸出關系圖,在相同的迭代條件下,實際的輸出與訓練后的網絡輸出相比有明顯的誤差。(b)為改進BP網絡算法的輸入、輸出關系圖,從圖可以看出,在相同的條件下,實際的輸出與訓練后的網絡輸出基本重合,可以達到較好的效果。顯然,本文改進算法的穩態誤差是優于傳統BP神經網絡的。

  為BP網絡誤差與迭代次數關系曲線。(a)為傳統BP網絡算法的誤差曲線,在100次迭代后的誤差仍大于10-2.(b)為本文提出的改進BP網絡算法的誤差曲線,顯然本文中提出的算法

 
 
[ 行業資訊搜索 ]  [ ]  [ 告訴好友 ]  [ 打印本文 ]  [ 關閉窗口 ]

 
0條 [查看全部]  相關評論

 
推薦圖文
推薦行業資訊
點擊排行
 
 
購物車(0)    站內信(0)     新對話(0)
關閉
天下釆票免费资料大全