1.基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,包括以下步骤:A、将从非线性信道中采集的畸变信号y(n)作为复值神经网络的输入,将延时τ个单位的原始输入信号s(n‑τ)作为期望输出,将复值神经网络的实际输出和期望输出的均方误差作为损失函数;
B、采用AP‑NAG算法训练复值神经网络,直至将损失函数值降低到预设值以下;
C、将训练之后的复值神经网络模型作为信道均衡器;
其中,采用AP‑NAG算法训练复值神经网络的第t次迭代包括以下步骤:(t‑1) (t‑1) (t‑1)
B1、计算当前位置W 向前偏移之后的损失函数J(W ‑βvt‑1),其中,W 为第(t‑1)次迭代时所设复值神经网络所有可调权值和偏置构成的列向量β为预设的固定值,vt‑1是上次迭代的下降方向;
B2、使用Wirtinger算子计算损失函数的复梯度B3、使用ALRT算法选出合适的α,计算当前迭代点的下降方向;公式如下:(t) (t‑1)
B4、更新参数:W =W ‑vt。
2.如权利要求1所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,所述步骤B3包括以下步骤:B31、遍历所有候选节点以及尺度因子序列,求出对应的损失值;
B32、找出损失值最小的点,更新参数;
B33、根据损失值从小到大的顺序筛选出M个候选节点用作下次迭代。
3.如权利要求2所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,所述步骤B31具体包括:给定候选节点数M和尺度因子序列 遍历M个候选节点,每个节点的参数α分别与尺度因子序列N个因子相乘;公式如下:
4.如权利要求3所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,所述步骤B32中更新参数如下:其中,mt,nt表示使得损失函数J取得最小值的下标。
5.如权利要求4所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,所述B33具体包括:根据损失值J的大小将 从小到大排序,并
将前M对参数保存为 作为下次迭代的候选节点。
6.如权利要求1所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,步骤B2中使用Wirtinger算子计算损失函数的复梯度 公式如下:*
其中,W为W的共轭, 和 分别为W的实部和虚部。
7.如权利要求1所述的基于AP‑NAG算法的复值神经网络信道均衡器设计方法,其特征在于,步骤C之后还包括以下步骤:D、输入测试集数据测试其性能,根据测试结果进一步调试复值神经网络。