基于混合递阶遗传算法的判决反馈RBF网络信道均衡器设计

针对判决反馈RBF网络信道均衡器的结构特点,提出了一种混合递阶遗传算法,对网络隐层结构以及径向基函数中心和宽度采用递阶结构联合编码并分层次进行遗传操作,不仅可以确定隐层节点参数,同时也可以确定隐层节点数, 解决了网络拓扑结构的优化设计问题;将网络参数空间划分为线性空间和非线性空间分别进行优化训练,简化了递阶遗传操作空间,加速算法收敛。     

基于非单点模糊RBF网络的判决反馈均衡器

提出了一种具有较强抗突发干扰能力的非单点模糊径向基函数（Radial Basis Function,RBF）网络判决反馈均衡器.该方法将具有前置滤波特性的非单点模糊化技术引入RBF网络,利用梯度下降法自适应调整参数.通过仿真实验,并与基于径向基函数网络的判决反馈均衡器（Radial Basis Function Network-Decision Feedback Equalizer,RBFN-DFE）和传统判决反馈均衡器（Decision Feedback Equalizer,DFE）进行比较,结果证明该方法抗突发干扰能力强,误码性能好.     

基于免疫RBF网络阵列的雷达信号分类识别方法

本文提出了基于免疫算法设计的径向基函数(RBF)网络阵列实现对雷达信号体制和用途的分类识别.同单个神经网络相比,这种方法克服了识别类型较多时存在的扩充、修改、维护等难点.在RBF子网络的训练中,采用结合记忆机制的递阶免疫算法确定RBF网络的隐层参数,有效折衷了系统性能和运算量之间的矛盾.实验结果表明,采用这种方法设计的雷达信号识别系统达到了很高的性能.     

编码理论、信道理论与技术、编译码器

Y2000-62093-V-587 0012934采用前馈神经网络的信道均衡=Channel equalizationby feedforward neural networks[会,英]/Lu,B.& E-vans,B.L.//1999 IEEE International Symposium onCircuits and Systems,Vol.5 of 6.—V-587～V-590(PC)从符号误差率与信噪比(SNR)方面比较了多层感知器(MLP)与径向基函数(RBF)均衡器的性能。介绍了采用 MLP 与 RBF 网络级联的简化复杂性神经网络均衡器。模拟结果表明,MLP-RBF 均衡器优于 MLP均衡器和 RBF 均衡器。参18     

基于小波包变换和判决反馈RBF网络的组合均衡器

本文提出了一种基于小波包变换和判决反馈RBF网络的组合非线性均衡器的结构和算法.首先将信号进行小波包分解,再将分解后的信号分量送入带有判决反馈结构的RBF神经网络进行均衡.一方面,小波包具有很强的去相关能力,可以提高均衡器的收敛速度;另一方面,RBF神经网络具有较强的非线性模式分类能力,可降低均衡器的均方误差.在仿真实验中,针对无线通信数字信号传输过程中由于多径效应和信道衰落而产生的码间干扰(ISI)问题,比较了最小均方(LMS)算法和组合均衡器算法的均衡效果,结果表明,组合均衡算法具有更快的收敛速度,更低的误码率.     

基于一种新型RBF网络的捷变频雷达频率预测技术

针对捷变频雷达的频率预测问题,提出了基于一种新型RBF网络的频率预测方法。该方法将频率预测问题等效为伪随机序列预测问题,并采用结合人工免疫聚类和进化规划的混合算法确定RBF网络的隐层参数。计算机仿真表明,采用这种方法设计的RBF网络预测器可以准确地预测捷变频码,是一种对抗捷变频雷达的有效方式。     

RBF神经网络在二相编码雷达脉冲压缩中的应用

研究了径向基函数(RBF)神经网络在二相编码脉冲压缩技术中的应用，对网络的学习算法进行了改进，基于最小二乘原理调整网络隐含层至输出层的连接权值，采用自适应梯度下降方法，在线调整隐层神经元的宽度参数a，采用13位巴克码进行仿真，结果表明，改进的算法有较快的收敛性，可获得45dB以上的输出主旁瓣比，提高了雷达的探测性能。     

一种基于AGA的RBF网络混合学习算法

基于目前RBF网络学习方法中的一些不足,提出了一种基于AGA的混合学习方法,即应用AGA对网络隐单元RBF个数和宽度σ同时优选,并将最佳隐单元数作为K-均值聚类数得到隐单元中心,隐层到输出层的权值由LS法确定。针对K-均值聚类算法对初始值敏感的问题,算法在最后阶段对其执行多次运算,由此选择最佳结果。仿真结果表明,该方法在大样本情况下,训练得到的网络在精度和结构上得到了良好的结合。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

基于人工免疫RBF神经网络的分类模型研究

径向基函数(RBF)神经网络广泛应用于非函数逼近、模式识别等领域,是一种泛化能力强、训练速度快的智能信息处理方法,其隐层中心的选择很关键.用改进的人工免疫网络算法提取原数据集的特征数据,并以该特征数据作为RBF网络隐层节点的中心,从而自适应地确定聚类中心的数量和位置,提高了RBF神经网络的学习速度和精度.将改进后的人工免疫RBF应用于iris数据集分类和遥感影像分类中,实验证明了算法模型有效可行,且具有理想的分类准确率.与其它神经网络分类方法相比,大大提高了分类准确率.     

A blind decision feedback equalizer incorporating fixed lagsmoothing

A new type of blind decision feedback equalizer (DFE) incorporating fixed lag smoothing is developed in this paper. The structure is motivated by the fact that if we make full use of the dependence of the observed data on a given transmitted symbol, delayed decisions may produce better estimates of that symbol. To this end, we use a hidden Markov model (HMM) suboptimal formulation that offers a good tradeoff between computational complexity and bit error rate (BER) performance. The proposed equalizer also provides estimates of the channel coefficients and operates adaptively (so that it can adapt to a fading channel for instance) by means of an online version of the expectation-maximization (EM) algorithm. The resulting equalizer structure takes the form of a linear feedback system including a quantizer, and hence, it is easily implemented. In fact, because of its feedback structure, the proposed equalizer shows some similarities with the well-known DFE. A full theoretical analysis of the initial version of the algorithm is not available, but a characterization of a simplified version is provided. We demonstrate that compared to the zero-forcing DFE (ZF-DFE), the algorithm yields many improvements. A large range of simulations on finite impulse response (FIR) channels and on typical fading GSM channel models illustrate the potential of the proposed equalizer     

切比雪夫函数型连接神经网络在信道均衡中的应用

本文提出一种基于切比雪夫函数型连接神经网络(CFLNN)的信道均衡方法。传统的前馈神经网络虽然能有效地解决信道均衡的问题,但具有计算复杂度过高,收敛速度慢等缺点。函数型连接神经网络通过对输入模式进行非线性扩展,可以不必使用隐层而不降低整体性能,从而极大简化了网络结构。同时,神经网络的学习方法得以简化,提高了收敛速度。本文采用可变尺度共扼梯度下降法(SCG)对该函数型连接网络进行训练。仿真结果表明了用切比雪夫函数型连接神经网络解决信道均衡问题的有效性。     

基于遗传算法的微波均衡器仿真和工程设计

研究了用于均衡行波管增益的微波均衡器的计算机仿真和工程设计问题。理论分析并建立了均衡 器的一般微波网络模型,该网络模型具有数十个优化变量,能够使均衡器实现任意有理函数类的均衡曲线。利用遗 传优化算法完成多变量的单目标或多目标优化,最终根据优化结果来具体实现均衡器的工程设计并为后期调试提 供指导。设计了一种C 波段10 阶同轴均衡器,实物调节和测试表明该设计对该波段的各种均衡曲线均有很好的适 应性,均衡误差1dB 以内,其中均衡枝节还具有温度补偿特性,高低温温飘小于5MHz。     

基于混合遗传算法及最低误码率准则的几何特征均衡器

针对高效调制通信系统中带内干扰抑制问题,提出一种基于最低误码率准则的非线性几何特征均衡器,并用径向基函数神经网络来实现.为优化非线性均衡器的参数训练,本文构造了一种新的遗传随机梯度混合算法.仿真表明:对于扩展的二元相移键控信号,在相对强的窄带干扰下,匹配滤波器及线性均衡器已失效,而基于最低误码率准则的几何特征均衡器仍能表现出良好的性能,也大大优于基于最小均方误差准则的非线性均衡器.     

一种脉冲噪声下的自适应均衡算法

由单层神经自适应滤波器和Chebyshev正交多项式滤波器级联构成一个均衡器,基于此均衡器结构,提出一种基于分数低阶统计量的自适应均衡算法(称为NC-NLMP算法).仿真结果表明,对线性信道和非线性信道,NC-NLMP算法的均衡性能均优于传统的FIR横向滤波器的自适应均衡算法和神经网络均衡算法;对于非线性信道,NC-NLMP算法的均衡性能远优于后两者;NC-NLMP算法对高斯噪声和稳定分布脉冲噪声都具有很好的均衡性能,对背景噪声韧性强.     

Application of Least Squares Lattice Algorithms to Adaptive Equalization

In many applications of adaptive data equalization, rapid initial convergence of the adaptive equalizer is of paramount importance. Apparently, the fastest known equalizer adaptation algorithm is based on a recursive least squares estimation algorithm. In this paper we show how the least squares lattice algorithms, recently introduced by Morf and Lee, can be adapted to the equalizer adjustment algorithm. The resulting algorithm, although computationally more complex than certain other equalizer algorithms (including the fast Kalman algorithm), has a number of desirable features which should prove useful in many applications.     

含公零点FIR-MIMO信道的直接盲检测

首先在发送信号属于有限字符集和FIR-MIMO信道卷积矩阵行数大于列数的情况下,给出了FIR-MIMO均衡器存在的一个充分性条件。然后,利用变换矩阵的方法把盲信号检测问题转化为二值约束下的二次规划问题,并利用遗传算法求解二次规划,最后进行了实例仿真。仿真结果表明：在FIR-MIMO信道含公零点的情况下,所提出的均衡器可以正确地恢复发送信号;而无论FIR-MIMO信道是否含有公零点,提出的直接盲多用户检测算法都比经典的子空间算法性能优越。     

Recovering hidden information in audio by genetic algorithm

An audio recovering method of spread-spectrum hidden information is proposed based on genetic algorithm. In this method the embedded sequence length is confh＇med firstly, then the best estimated sequence with the confa＇med length is got by genetic algorithm, finally the confidential message hidden in stego-andio can be recovered. Using this approach, the hidden information can be recovered without any information fi＇om the transmitter. The presented method has been implemented on PC, and the experimental results show that the average recovering correct rate is higher than 90%.     

An FIR Equalizer Design for Nonlinear Channels Using Hybrid GA and LMI

In this paper, a finite impulse response (FIR) equalizer for nonlinear discrete-time channels is designed by employing a hybrid genetic algorithm (GA) and linear matrix inequality (LMI) approach from an H_∞ perspective. The GA technique is utilized to linearize the nonlinear channel model, and the approximate error can be viewed as a state uncertainty. Then, the design of the FIR equalizer is transformed into LMIs, and the coefficients of the FIR equalizer can be obtained by solving an LMI optimization problem. Finally, numerical examples are included to illustrate the effectiveness of the proposed methodology.     

一种基于信道缩短的深衰落稀疏均衡改进算法

针对较低信噪比下的深衰落稀疏多径信道,提出了一种基于信道缩短的自适应稀疏均衡改进算法。该算法采用前置分数间隔信道缩短均衡器与后置自适应稀疏均衡器级联的均衡器结构,其中,首先利用短训练序列设计基于最小均方误差准则的前置均衡器,前置均衡器与稀疏多径信道级联后得到能量集中于较短时间区域且分布稀疏的等效信道,使得原始信道的深衰落畸变得到部分有效补偿;然后采用能实现稀疏信号重构的随机梯度追踪算法调整后置自适应均衡器的抽头系数,后置均衡器用于消除等效信道的剩余符号间干扰。仿真结果表明,与传统的单级分数间隔自适应均衡器相比,该算法具有收敛速度快和运算复杂度低的优点。