基于回声状态网络的卫星信道在线盲均衡算法研究
发布时间：2021-10-10 20:45
作为一种新型的递归神经网络,回声状态网络（Echo State Network,ESN）因其独特的动态储备池结构以及简单的训练方式被广泛应用于非线性动态系统建模、时间序列预测和信道均衡等领域。在卫星通信系统中,信道的非线性和群时延特性会使得发送信号在接收端产生严重的失真。盲均衡技术能够在信道先验信息未知的情况下,仅利用发送信号的统计信息近似无失真的恢复出原始发送信号,在充分利用卫星信道频带资源的同时,克服因信道非理想特性产生的信号畸变。本文主要针对卫星信道研究回声状态网络的在线盲均衡算法。主要贡献如下:（1）在深入研究回声状态网络的拓扑结构和训练算法的基础上,针对卫星信道盲均衡问题,提出了基于回声状态网络的递归最小二乘常模算法（ESN-RLS-CMA）。该算法以回声状态网络为基本框架,利用发送信号的先验统计信息构造盲均衡代价函数,采用递归最小二乘（Recursive Least Squares,RLS）算法在线迭代更新ESN的输出权值,以获得网络代价函数的最小值。仿真实验表明:在Volterra级数建模的卫星信道下,针对常模QPSK信号,相较于传统的在线算法,本文提出的ESN-RLS-...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图１－１卫星通信系统示意图??由于；ａ垦的功率限制因素以及对禽速数据传输需求的不断增长，功率和宽带??
ａｅｇｅｒ于２００１?１年提出，羼于储备池计算（ｒｅｓｅｒｖｏｉｒ??ｃｏｍｐｕｔｉｎｇ，?ＲＣ）范畴［５３＿５５］的新型递Ｊｌ３神经网络结构。它使用一个被称为动态储备??池的处理神经元相互连接的递．归网络来代替ＲＮＮ的隐藏层。相对于传统的ＲＮＮ，??ＥＳＮ的优点是只需要训练网络的输出权值，而储备池连接权值和输入权值通常??是随机给定的。因此，ＥＳＮ不仅具有简单有效的学习方式，而且可以获得更高??精度的学习结果［５６］。??３．１．１回声状态网络的拓扑结构??标准ＥＳＮ的拓扑结构如图３－１所示，网络由输入层、动态储备池和输出层式??部分组成。中间的动态储备池仿照了动物大脑的思考机制，由大量神经元稀疏连??接形成网络，通过动态更新储备池的内部状态实现短期记忆功能，而旦能够表现??出良好的非线性逼近能力。输出层包含从输出到储备池的反馈连接（如图中虚线??所示），为了简化网络结构，也可以忽略此连接。??输入层?动态储备池?输出层??图３－１回声状态网络拓扑结构??１６??
数为／（〇?＝丨３１１１１（〇，读出函数／。１１［（＿）?＝?１，储备池谱半径／？（＼＾）?＝?０．９，稀疏??度ＳＤ＝０．２。本实验采用均方误差（ＭＳＥ）作为三种算法的性能评价标准，计算公式??如下：??ＭＳＥ＝ｙＪ（ｙ（？）－Ｊ（？ｉ））２?（３．２９）??＾?ｎ＝ｌ??其中，Ｌ为数据长度。??３．３．２实验结果分析??针对ＥＳＮ的经典训练算法，用５０００个数据样本作为训练样本，剩余数据作??为测试样本，采用岭＠＿的方式训练ＥＳＮ的输出权值，其中正则化系数２＝１０＿８。??图３－２和图３－３分别是ＥＳＮ的储备池规模为ｉＶ＝４００时的预测结果和预测误差??曲线（取前２０００个预测值）。从图中可以着出，ＥＳＮ对非线性时间序列有着良??好的逼近能力，对于前８００个数据，预测值跟ｇ标值几乎全部吻合。但随着时间??的推移，预测误叢逐渐变大。??２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??图３＿２?ＥＳＮ时间序列预测结果（Ａ／＝４００）??ＥＳＮ预测误差??°－８［?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??０．６?－?ＩＩ?—??Ｉ；；：???－０．４－?ｆ?｜?Ｉ?－??－０．６?－?｜?—??＿〇８ｌ?１?１?１?１?１?１?１?１?１???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??测试集样本编号??图３－３?ＥＳＮ时间序列预测误差（Ａ／＝４００）??图３＿４和图３－５是当储备池规模ＡＴ＝２００时的预测结果和预测
【参考文献】：
期刊论文
[1]专题:卫星通信系统与技术[J]. 无线电通信技术. 2019(06)
[2]快速QAM信号多模盲均衡算法[J]. 李进,冯大政,刘文娟. 电子与信息学报. 2013(02)
[3]基于递归神经网络的盲均衡算法的改进[J]. 梁启联,周正,刘泽民. 北京邮电大学学报. 1997(04)
[4]基于多层神经网络的盲均衡算法[J]. 梁启联,周正. 北京邮电大学学报. 1996(03)
硕士论文
[1]基于极限学习机的卫星信道盲均衡算法研究[D]. 杨蓉.兰州大学 2019
[2]基于粒子滤波的非线性卫星信道盲均衡方法研究[D]. 孙海飞.解放军信息工程大学 2015
[3]基于小波神经网络理论盲均衡算法的研究[D]. 牛晓薇.太原理工大学 2004
本文编号：3429131
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图１－１卫星通信系统示意图??由于；ａ垦的功率限制因素以及对禽速数据传输需求的不断增长，功率和宽带??
ａｅｇｅｒ于２００１?１年提出，羼于储备池计算（ｒｅｓｅｒｖｏｉｒ??ｃｏｍｐｕｔｉｎｇ，?ＲＣ）范畴［５３＿５５］的新型递Ｊｌ３神经网络结构。它使用一个被称为动态储备??池的处理神经元相互连接的递．归网络来代替ＲＮＮ的隐藏层。相对于传统的ＲＮＮ，??ＥＳＮ的优点是只需要训练网络的输出权值，而储备池连接权值和输入权值通常??是随机给定的。因此，ＥＳＮ不仅具有简单有效的学习方式，而且可以获得更高??精度的学习结果［５６］。??３．１．１回声状态网络的拓扑结构??标准ＥＳＮ的拓扑结构如图３－１所示，网络由输入层、动态储备池和输出层式??部分组成。中间的动态储备池仿照了动物大脑的思考机制，由大量神经元稀疏连??接形成网络，通过动态更新储备池的内部状态实现短期记忆功能，而旦能够表现??出良好的非线性逼近能力。输出层包含从输出到储备池的反馈连接（如图中虚线??所示），为了简化网络结构，也可以忽略此连接。??输入层?动态储备池?输出层??图３－１回声状态网络拓扑结构??１６??
数为／（〇?＝丨３１１１１（〇，读出函数／。１１［（＿）?＝?１，储备池谱半径／？（＼＾）?＝?０．９，稀疏??度ＳＤ＝０．２。本实验采用均方误差（ＭＳＥ）作为三种算法的性能评价标准，计算公式??如下：??ＭＳＥ＝ｙＪ（ｙ（？）－Ｊ（？ｉ））２?（３．２９）??＾?ｎ＝ｌ??其中，Ｌ为数据长度。??３．３．２实验结果分析??针对ＥＳＮ的经典训练算法，用５０００个数据样本作为训练样本，剩余数据作??为测试样本，采用岭＠＿的方式训练ＥＳＮ的输出权值，其中正则化系数２＝１０＿８。??图３－２和图３－３分别是ＥＳＮ的储备池规模为ｉＶ＝４００时的预测结果和预测误差??曲线（取前２０００个预测值）。从图中可以着出，ＥＳＮ对非线性时间序列有着良??好的逼近能力，对于前８００个数据，预测值跟ｇ标值几乎全部吻合。但随着时间??的推移，预测误叢逐渐变大。??２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??图３＿２?ＥＳＮ时间序列预测结果（Ａ／＝４００）??ＥＳＮ预测误差??°－８［?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??０．６?－?ＩＩ?—??Ｉ；；：???－０．４－?ｆ?｜?Ｉ?－??－０．６?－?｜?—??＿〇８ｌ?１?１?１?１?１?１?１?１?１???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??测试集样本编号??图３－３?ＥＳＮ时间序列预测误差（Ａ／＝４００）??图３＿４和图３－５是当储备池规模ＡＴ＝２００时的预测结果和预测
【参考文献】：
期刊论文
[1]专题:卫星通信系统与技术[J]. 无线电通信技术. 2019(06)
[2]快速QAM信号多模盲均衡算法[J]. 李进,冯大政,刘文娟. 电子与信息学报. 2013(02)
[3]基于递归神经网络的盲均衡算法的改进[J]. 梁启联,周正,刘泽民. 北京邮电大学学报. 1997(04)
[4]基于多层神经网络的盲均衡算法[J]. 梁启联,周正. 北京邮电大学学报. 1996(03)
硕士论文
[1]基于极限学习机的卫星信道盲均衡算法研究[D]. 杨蓉.兰州大学 2019
[2]基于粒子滤波的非线性卫星信道盲均衡方法研究[D]. 孙海飞.解放军信息工程大学 2015
[3]基于小波神经网络理论盲均衡算法的研究[D]. 牛晓薇.太原理工大学 2004
本文编号：3429131
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3429131.html
