1.一种基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,包括:采用一种可选择搜索方向的训练方法训练复数值前向神经网络,在复数值前向神经网络训练过程中,引入方向因子,构建出多个搜索方向,采用强Wolfe线性搜索策略确定对应搜索方向上的学习步长,并采用宽度优先搜索策略选择合适的搜索方向和学习步长作为实际搜索方向和学习步长,从而使目标函数E(ψ)的值尽可能减少;
将训练好的所述复数值前向神经网络作为信道均衡器,并用于数字通信系统中,其中,所述复数值前向神经网络的输入为所述数字通信系统含噪声信号v(n)的非线性信道输出oT
(n)=[o(n),o(n‑1),…,o(n‑k+1)] ,所述复数值前向神经网络的期望输出为x(n‑τ),其中,τ为延迟单元,k为均衡器的阶数。
2.如权利要求1所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,具体流程为:
S1.采集用于复信道均衡器设计的复数值前向神经网络的训练数据;将数字通信系统T
中含噪声信号v(n)的非线性信道的输出向量o(n)=[o(n),o(n‑1),…,o(n‑k+1)] 和τ个延迟单元的非线性信道输入x(n‑τ)构建为训练样本对,其中k为均衡器的阶数;
S2.构建一个复数值前向神经网络,并初始化由权值和偏置构成的参数向量ψ;
S3.通过可选择搜索方向的训练方法训练用于复信道均衡器设计的复数值前向神经网络;
S4.判断训练方法是否满足训练停止条件;如果不满足,继续训练;如果满足,得到已训练好的复数值前向神经网络,实现复信道均衡器的设计。
3.如权利要求1所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,步骤S3的具体流程为:
S3‑1.为了使目标函数E(ψ)的值在每一次训练后尽可能地减少,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向;
S3‑2.在构建搜索方向后,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长。
4.如权利要求1所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3‑1中,引入一组方向因子αg(g=1,2,...,G),从而构建出多个搜索方向,并根据最优性条件,删除使目标函数值上升的搜索方向,具体实现过程如下:假设目标函数为E(ψ),引入方向因子αg,则在第m次迭代时,潜在的搜索方向可以通过下式计算:
其中 是在第(m‑1)次迭代时保留下来的第f个搜索方向(f=1,2,...,F),αg表示引入的第g个方向因子(g=1,2,...,G), 表示利用第(m‑1)次迭代时保存的第f个搜索方向计算得到的共轭系数,即
对所有的f和g,根据 是否小于0,决定是否删除搜索方向 如果小于0,则删除该搜索方向,并在后续的学习中不再保留。
5.如权利要求1所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3‑2中,采用强Wolfe线性搜索策略确定搜索方向对应的学习步长,具体实现过程如下:
确定搜索方向后,根据
和
计算搜索方向对应的学习步长;这里l1和l2为给定的参数。
6.如权利要求2所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,步骤S3还包括S3‑3.在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,更新(m) (m+1)
复数值前向神经网络参数向量ψ ,获得新的权值和偏置ψ 。
7.如权利要求6所述的基于复数值前向神经网络的复信道均衡器设计方法,其特征在于,在步骤S3‑3中,在构建的多个搜索方向和学习步长中,采用宽度优先搜索策略选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,并更新复(m) (m+1)
数值前向神经网络参数向量ψ ,获得一组新的权值和偏置ψ ,具体实现过程如下:根据公式 和 选择一组使目标函数值最小的搜索方向和学习步长作为本次迭代的搜索方向和学习步长,从而得到参数更新表达式:
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。