Разработка и исследование нейросетевых эквалайзеров

Разработка и исследование нейросетевых эквалайзеров

Автор: Ле Хай Нам

Шифр специальности: 05.13.17

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Москва

Количество страниц: 225 с. ил.

Артикул: 3027085

Автор: Ле Хай Нам

Стоимость: 250 руб.

Разработка и исследование нейросетевых эквалайзеров  Разработка и исследование нейросетевых эквалайзеров 

ОГЛАВЛЕНИЕ
Введение.
Глава 1. Анализ существующих методов построения адаптивных
эквалайзеров для приема сигналов
1.1. Адаптивный эквалайзер
1.1.1. Адаптивный линейный эквалайзер.
1.1.1.1. Алгоритм сведения к нулю
1.1.1.2. Алгоритм наименьших квадратов.
1.1.2. Адаптивный эквалайзер с обратной связью по решению
1.1.3. Слепой эквалайзер
1.1.3.1. Стохастический градиентный алгоритм.
1.1.3.2. Алгоритмы слепого эквалайзера, основанные на статистике сигнала второго и более высокого порядка
1.2.Адаптивный эквалайзер канала с использованием нейронной сети
1.2.1. Эквалайзер с использованием многослойного персептрона
1.2.2. Эквалайзер с использованием радиальной базисной сети
Ф 1.2.3. Эквалайзер с использованием рекуррентной нейронной сети.
1.2.4. Слепой нейросетевой эквалайзер.
1.3. Выводы по главе 1
Глава 2. Комплексные нейронные сети как базис построения
перспективных эквалайзеров
2.1. Структура комплексной нейронной сети.
2.1.1. Комплексный нейрон.
2.1.2.0днослойная комплексная нейронная сеть
2.1.3.Двухслойная комплексная нейронная сеть
2.2. Функция активации комплексной нейронной сети.
2.3. Алгоритмы настройки комплексных нейронных сетей.
2.4. Общий алгоритм настройки нейронной сети.
2.5. Скорость обучения комплексной нейронной сети.
2.6. Выводы по главе 2.
Глава 3. Решение задачи построения эквалайзера в нелинейных каналах для обработки сигналов с различной
квадратурной амплитудной модуляцией .
3.1. Разработка эквалайзера с использованием комплексных
нейронных сетей
3.1.1. Входной сигнал нейронной сети
3.1.2. Выходной сигнал нейронной сети.
3.1.3. Желаемый выходной сигнал нейронной сети
3.1.4. Функция активации
3.1.5. Описание структуры нейросетевого эквалайзера.
3.1.6. Функционал оптимизации.
3.1.7. Метод поиска экстремума функционала оптимизации
3.1.7.1. Алгоритм градиентного спуска.
3.1.7.2. Методов второго порядка
3.1.8. Выбор начальных условий для настройки нейронной сети
ф 3.2. Разработка эквалайзера с использованием комплексной
радиальной базисной сети
3.2.1. Структура эквалайзера с использованием комплексной радиальной базисной сети
3.2.2. Алгоритмы настройки эквалайзеров с использованием радиальной базисной сети
3.3. Разработка эквалайзера с использованием комплексной
рекуррентной нейронной сети
3.3.1. Комплексная рекуррентная нейронная сеть
3.3.1.1.Структура нейронной сети.
3.3.1.2. Алгоритм настройки коэффициентов нейронной сети
А. Алгоритм обратного распространения.
Б. Алгоритм с использованием расширенного фильтра
Колмана.
3.3.2. Комплексная нейронная сеть с полными обратными связями
3.3.2.1.Структура нейронной сети.
3.3.2.2. Алгоритм настройки коэффициентов нейронной сети
А. Комплексный рекуррентный алгоритм настройки коэффициентов нейронной сети в реальном времени РАРВ
Б. Рекуррентный алгоритм настройки коэффициентов нейронной сети в реальном времени с применением расширенного фильтра Колмана РАРВРФК.
3.4. Разработка эквалайзера с использованием самоорганизующейся комплексной вейвлетнейронной сети СОКВНС
3.4.1. Структура эквалайзера с самоорганизующейся комплексной вейвлет нейронной сетью.
3.4.2. Алгоритм обучения самоорганизующейся комплексной
вейвлет нейронной сети.
Ф 3.4.2.1. Самоорганизующийся алгоритм.
3.4.2.2. Алгоритм настройки параметров.
3.5. Разработка комплексного гибридного нейросетевого эквалайзера
3.5.1. Структура комплексного гибридного нейросетевого эквалайзера.
3.5.2. Алгоритм настройки коэффициентов нейронной сети.
3.5.2.1. Самоорганизующийся алгоритм
3.5.2.2. Алгоритм настройки параметров
3.6. Выводы по главе 3
Глава 4. Моделирование и экспериментальное исследование иейросетевых эквалайзеров для обработки сигналов с
квадратурной амплитудной модуляцией.
4.1. Математическое моделирование каналов связи.
4.1.1. Модель канала с аддитивным шумом.
4.1.2. Модель линейного фильтрового канала
4.1.3. Модель нелинейного канала
4.2. Квадратурная Амплитудная Модуляция.
4.3. Построение моделей иейросетевых эквалайзеров в пакете
программ МАТЬАВМи1ЛЖ.
4.4. Моделирование и исследование эквалайзера для обработки
сигналов с модуляцией 4КАМ
4.4.1. Моделирование и исследование эквалайзера с использованием комплексной нейронной сети
4.4.1.1. Исследование зависимости качества от числа нейронов.
4.4.1.2. Исследование зависимости качества от степени нелинейности канала.
4.4.1.3. Исследование скорости обучения с использованием
алгоритма второго порядка
4.4.2. Моделирование и исследование эквалайзера с использованием комплексной рекуррентной нейронной сети
4.4.2.1. Исследование зависимости качества от числа нейронов.
4.4.2.2. Исследование зависимости качества от степени нелинейности канала.
4.4.2.3. Исследование скорости обучения с использованием алгоритма второго порядка.
4.4.3. Моделирование и исследование эквалайзера с
использованием комплексной сети с полными обратными
связями для рекуррентного алгоритма настройки коэффициентов сети в реальном времени.
4.4.3.1. Исследование зависимости качества от степени нелинейности канала
4.4.3.2. Исследование скорости обучения с использованием алгоритма второго порядка
4.4.4. Моделирование и исследование эквалайзера с использованием комплексной радиальной базисной сети
4.4.4.1. Исследование зависимости качества от числа нейронов
4.4.4.2. Исследование зависимости качества от степени нелинейности канала
4.4.5. Моделирование и исследование эквалайзера с использованием самоорганизующейся комплексной вейвлетнейронной сети.
4.4.6. Сравнение качества работы эквалайзеров различного вида
4.4.7. Моделирование и исследование эквалайзера с обратной
Ф связью по решению.
4.5. Разработка и исследование эквалайзера для сигналов с
многоуровневой квадратурной амплитудной модуляцией
4.5.1. Разработка и исследование эквалайзера для сигналов с
модуляцией КАМ.
4.5.1.1. Разработка и исследование эквалайзера с использованием комплексных нейронных сетей.
4.5.1.2. Разработка и исследование эквалайзера с использованием комплексной гибридной нейронной
4.5.2. Разработка и исследование эквалайзера для сигналов с модуляцией КАМ
4.5.3. Разработка и исследование эквалайзера для сигналов с модуляцией КАМ
4.6. Выводы по главе 4
Заключение.
Библиография


Временная дисперсия появляется тогда, когда импульсная характеристика канала отличается от идеальной. В результате временной дисперсии, переданный символ оказывает влияние на множество других передаваемых символов. Данное явление известно как межеимвольная интерференция МСИ. Решение задачи снижения МСИ можно свести к синтезу приемника, который уменьшает МСИ в принимаемом сигнале. Такой компенсатор МСИ назван эквалайзером или выравнивателем канала. Имеются оптимальные и субоптимальные приемники, которые компенсируют МСИ при передаче цифровой информации по частотноограниченным, не идеальным каналам. Оптимальный приемник использует оценку максимального правдоподобия для детектирования информационной последовательности отсчетов фильтра демодулятора. Субоптимальные приемники используют или линейный эквалайзер или эквалайзер с обратной связью по решению. Однако в большинстве систем связи, которые используют эквалайзеры, характеристики канала априори неизвестны и во многих случаях характеристики канала . В этом случае эквалайзеры проектируются так, чтобы приспосабливаться к характеристикам канала, и, в случае если они меняются во времени, адаптироваться к этому изменению. Обычные эквалайзеры используют адаптивный линейный фильтр на основе алгоритма наименьших квадратов НК или алгоритма сведения к нулю СН. Ниже рассматриваются два алгоритма для автоматической и адаптивной настройки коэффициентов фильтров. В случае линейного эквалайзера можно использовать два различных критерия для определения значений коэффициентов эквалайзера. Один критерий основан на минимизации пикового искажения на выходе эквалайзера. Второй критерий основан на минимизации среднеквадратичной ошибки СКО на выходе эквалайзера 1. Рис. Блок схема канала с дискретным временем и эквалайзер показаны на рис. Входной сигнал 5 поступает на фильтр передатчика и потом передается через канал на фильтр приемника. Л Ме1 у к, 1. У,. ЛГС длина канала с конечной импульсной характеристикой КИХ, т. Гауссовский шум. Далее сигнал поступает на эквалайзер, который должен компенсировать МСИ и восстановить переданный сигнал як. На рис. Рис. Структура линейного эквалайзера Оценку кго символа можно выразить так. Я , О,
здесь 1 размер эквалайзера, т. У, равной нулю. В общем случае V где оптимальная задержка решения. В процессе обучения известная обучающая последовательность уЖк передастся до приемника. Л скалярный множитель, который контролирует скорость процесса настройки, как это будет показано ниже. Такой алгоритм называется алгоритм сведения к нулю СП. После процесса обучения, когда коэффициенты эквалайзера сошлись к своим оптимальным значениям, решения на выходе детектора обычно достаточно надежны, так что они могут быть использованы для продолжения процесса настройки коэффициентов. Такой метод называется моделью адаптации, управляемого решениями. В этом случае взаимные корреляции в 1. IV, 1 . Па рис. ЭНВП с моделью обучения и с адаптивной моделью функционирования. Характеристики алгоритма СН похожи на характеристики алгоритма наименьших квадратов НК, который минимизирует СКО и который подробно описывается в следующем разделе. Рис. Адаптивный эквалайзер с нулевыми взаимными помехами
Е
1. Производится минимизация по взвешивающим коэффициентам иу. На каждом шаге обучения алгоритма НК веса меняются в направлении, противоположном соответствующей компоненте градиента. ЕекХк. Вектор ИУк представляет собой набор коэффициентов кой итерации, ек Укук является сигналом ошибки на кой итерации. Хк вектор отсчетов принимаемого сигнала, по которым делаются оценки ук, Хк хк9. А положительное число, выбираемое достаточно малым для того, чтобы обеспечить сходимость итеративной процедуры. Если минимум СКО достигнут на некотором шаге к ко, тогда 0, так что дальнейшего изменения весовых коэффициентов не происходит. В общем случае, при использовании метода наискорейшего спуска точное значение i нельзя получить при конечных величинах к0. Однако его можно достичь с заданной точностью при некотором конечном значении к0. Рис.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.224, запросов: 244