基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

频率分集多小波神经网络盲均衡算法

在分析多小波神经网络盲均衡的基础上,提出了频率分集多小波神经网络盲均衡算法（ FD －MWT －FNN）,该算法利用多小波的特性,加快算法的收敛速度,采用具有对称特性的误差函数减小算法的均方误差,为了进一步提高算法的性能,引入频率分集技术克服多径衰落的影响。水声信道的仿真结果表明,该算法具有收敛速度快,稳态误差小的特点。     

基于小波神经网络的航空通信盲均衡方法

针对航空通信信道中,多径干扰带来的信号畸变以及信道记忆效应所产生的码间干扰会严重影响通信质量,且现有的均衡算法由于收敛速度较慢无法适应高速航空通信的需求。提出了一种利用均衡器输出信号构建反馈循环的小波神经网络盲均衡算法。该方法利用反馈循环来消除航空信道的记忆效应,并结合小波神经网络时频局域性的特性来消除航空信道的多径效应和信号畸变所产生的码间干扰。仿真结果表明,该方法可以有效提高盲均衡算法的收敛速度,并使输出的信号星座图更加清晰与紧凑,有利于码间干扰的消除,具有一定的实际应用价值。     

基于空间协方差矩阵的欠定卷积盲源分离

利用空间协方差矩阵表示的盲源分离模型与瞬时理想模型的一致性,本文提出了基于空间协方差矩阵的欠定卷积盲源分离方法。本方法用零均值高斯随机变量的协方差矩阵来表示各个源信号经过传输信道后的短时傅里叶变换,采用层次聚类估计出高斯随机变量协方差矩阵的初值,并使用极大期望值算法(EM)求解对数似然函数,最后采用维纳滤波法语音增强技术求解时频域内的源信号。通过仿真实验,验证了算法的有效性。     

离散Hopfield实现多值信号盲检测

传统神经网络算法局限于二值神经网络,无法解决多值信号盲检测问题。提出了基于离散Hopfield网络直接盲检测多值信号的两种算法,构造了4电平的离散激活函数。本算法不依赖统计量,建立直接盲检测发送信号的优化性能函数,利用离散Hopfield网络直接盲检测多值信号。给出新的适用于多值离散Hopfield神经网络的能量函数和网络权矩阵,理论证明该网络具有很好的稳定性。仿真结果表明本算法能快速收敛到真平衡点,盲检测效果好,适用于随机信道。     

基于改进目标函数的前馈神经网络盲均衡算法

针对前馈神经网络的特性和盲均衡中CMA算法的特点构造出一个新的目标函数J(n)。该目标函数综合考虑使盲均衡的代价函数和神经网络的误差函数同时减小。仿真结果表明,使用此算法加快了均衡过程的收敛速度、减小了剩余误差及误码率。     

基于改进目标函数的前馈神经网络盲均衡算法

针对前馈神经网络的特性和盲均衡中CMA算法的特点构造出一个新的目标函数J (n)。该目标函数综合考虑使盲均衡的代价函数和神经网络的误差函数同时减小。仿真结果表明,使用此算法加快了均衡过程的收敛速度、减小了剩余误差及误码率。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

面向无人机数据采集的短突发CPM盲Turbo均衡

在无人机辅助的战场侦察传感器数据采集中,短突发连续相位调制(continuous phase modulation, CPM)具有重大的实用价值,但也面临着盲均衡复杂度高、性能差等问题。基于期望最大化(expectation-maximization, EM)-维特比类盲均衡算法,针对短突发CPM提出了一种盲Turbo均衡算法。采用盲信道捕获方法设计了一组初值方案,同时在EM算法中嵌入Lazy维特比算法,提高了信道估计收敛性并降低了复杂度;接着在编码CPM中匹配卷积码和交织器,优化系统参数,并利用Turbo均衡进一步改善误码率;针对短帧迭代过程中交织深度不够导致的正反馈问题,通过改进外信息交换方式提升Turbo迭代的收敛性。理论分析和仿真结果表明,相比传统方法,所提算法在显著降低计算复杂度的同时能够兼顾误码率性能。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于子空间拟合的 UWB 稀疏信道盲估计

针对 TH-PPM 超宽带系统,利用信道的稀疏性,提出一种基于子空间拟合的稀疏信道盲估计算法.该算法首先利用接收信号的均值循环卷积特性,估计出信道的频域响应,接着利用子空间拟合算法确定出非零抽头系数的位置,最后再采用最小二乘算法完成对非零系数值的估计,避免了无谓的零抽头估计,改善了算法性能.该算法以码片周期采样,且仅需要作一些简单的信号处理如重叠相加、离散傅立叶变换等,因此运算量较小.仿真表明,与没有利用信道稀疏性的一阶盲算法相比具有更优的均方误差和误比特率性能.     

修正的解相关前馈神经网络盲均衡算法研究

针对基于传统梯度下降算法的前馈神经网络盲均衡在输入线性相关条件下收敛速度慢的问题,提出了一种修正解相关前馈神经网络盲均衡改进算法。对接收观测数据进行解相关处理,使梯度方向保持正交,同时,设定判断阈值,如果前馈神经网络输入相关系数大于阈值,说明输入向量强相关,保持梯度更新大小和方向不变,以克服强相关输入条件下解相关算法收敛停滞的问题。计算机仿真结果表明,文中提出的算法与基于直接梯度下降算法和传统解相关前馈神经网络盲均衡算法相比具有更快的收敛速度,有效提高了均衡性能。     

自适应均衡算法的盲均衡处理研究

基于中频信号的盲均衡算法,利用通信信号的周期平稳性,提出卫种代价函数,并推导了其盲均衡算法。计算机仿真表明,该算法有较好的收敛性能,克服了CM算法对相位不敏感的缺点。     

混沌优化在模糊系统优化设计中的应用

在基于 T- S模型的模糊神经网络的基础上 ,提出了一种将混沌优化方法和最小二乘法相结合的优化方法。用变尺度混沌优化方法优化隶属函数参数 ,而用最小二乘法估计规则后件参数。该方法同时利用了变尺度混沌优化的快速全局搜索能力和最小二乘法的快速收敛性 ,因此网络学习速度快 ,精度高。仿真结果表明了该方法的有效性 ,所建立的模型具有良好的泛化能力。     

基于TURBO原理的复杂环境中UWB时变信道的跟踪估计

在复杂环境的超宽带通信系统中,信道估计的正确与否直接关系到接收机的性能。首先给出了一种基于Intel模型的时变信道仿真方法,以该超宽带时变信道为研究对象,提出一种基于TURBO原理和连续信道译码、结合训练比特的信道估计方法,能够直接估计本地接收模板,并跟踪信道的时变性。与先估计信道冲激响应,再重构模板信号的方法相比,大大简化了估计的过程。     

基于纠错码的ADSL信道信噪比估计算法

通过卷积编码的信息来估计信道信噪比 ,以利于ADSL网络的自适应传输 ,由于算法简单实用 ,且可以在传输过程中实时地更新信道信息 ,故非常适合于实际运用 .文中的仿真结果表明 ,该基于循环纠错码的信道信噪比估计算法在实际系统中具有很好的性能 .     

空时编码的OFDM盲信道估计

提出一种新的恒模复调制、单天线接收实现空时编码的OFDM(ST-OFDM)盲信道估计的算法.建立了2发1收的ST-OFDM系统模型;利用空时编码的特点,对发射信号采用恒模复调制,引入周期相关特性,将各子信道分开进行估计;利用循环前缀引入的信息冗余给出子空间算法,实现盲信道估计.恒模复调制可避免非常数调制导致的峰值功率问题.该算法不需要对OFDM信号进行冗余预编码,不会降低系统码率;由于采用单天线接收就可实现盲信道估计,不需要改变接收机的结构;不受信道阶数过估计的影响.但如有信道零点在OFDM子载波上,算法不能成立,因此受信道零点位置的限制.     

多载波调制码分多址系统自适应盲信道估计

针对多载波调制码分多址系统中循环前缀的引入会降低系统传输效率及相应的盲信道估计方法运算量大等问题，在分析了无需循环前缀而利用虚拟子载波的盲信道估计方法的基础上，将子载波的正交性与信号时域特征相结合，提出一种基于恒模准则的盲信道估计方法，通过将频域的扩频码等效到时域，利用恒模算法锁定期望用户，抑制干扰用户和无需大量矩阵求逆运算等特性，在时域实现了盲信道估计与多用户分离，数值仿真结果表明，基于恒模准则的信道估计均方根误差小于基于有限码集的方法，并且具有运算量小，收敛速度快等特点。     

Fuzzy fault diagnosis system of MCFC

A kind of fault diagnosis system of molten carbonate fuel cell (MCFC) stack is proposed in this paper. It is composed of a fuzzy neural network (FNN) and a fault diagnosis element. FNN is able to deal with the information of the expert knowledge and the experiment data efficiently. It also has the ability to approximate any smooth system. FNN is used to identify the fault diagnosis model of MCFC stack. The fuzzy fault decision element can diagnose the state of the MCFC generating system, normal or fault, and can decide the type of the fault based on the outputs of FNN model and the MCFC system. Some simulation experiment results are demonstrated in this paper.     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。