基于rbf神經(jīng)網(wǎng)絡(luò)的ds?ss信號(hào)偽碼盲估計(jì)方法
【專利摘要】本發(fā)明請求保護(hù)一種基于RBF神經(jīng)網(wǎng)絡(luò)的DS?SS信號(hào)偽碼盲估計(jì)方法，屬于信號(hào)處理技術(shù)領(lǐng)域。該方法首先將已進(jìn)行連續(xù)周期分段的一周期接收信號(hào)采樣后作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)與期望信號(hào)，并根據(jù)RBF來有監(jiān)督地調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)，用網(wǎng)絡(luò)第二層權(quán)值向量的符號(hào)函數(shù)來代表DS?SS信號(hào)的偽碼序列，然后通過不斷輸入信號(hào)來反復(fù)訓(xùn)練權(quán)值直至收斂，最終就可以通過該權(quán)值向量的符號(hào)函數(shù)將信號(hào)的偽碼重建出來。該方法克服了信號(hào)自相關(guān)矩陣特征分解方法在實(shí)現(xiàn)直接序列擴(kuò)頻(DS?SS)信號(hào)偽碼盲估計(jì)時(shí)存在處理數(shù)據(jù)向量不能太長以及BP神經(jīng)網(wǎng)絡(luò)方法存在偽碼較長以及信噪比較低時(shí)收斂性能差的問題。仿真實(shí)驗(yàn)表明，即使在?13dB信噪比或偽碼長度為1000位條件下，該方法仍然有效。
【專利說明】
基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼盲估計(jì)方法
技術(shù)領(lǐng)域
[0001 ] 本發(fā)明涉及通信中一種常用的直接序列擴(kuò)頻信號(hào)Direct Sequence Spread Spectrum(DS-SS)的處理，具體為一種基于徑向基Radial Basis Function(RBF)神經(jīng)網(wǎng)絡(luò) 的偽碼序列盲估計(jì)問題。
【背景技術(shù)】
[0002] 直接序列擴(kuò)頻(DS-SS)信號(hào)是通過將攜帶有有用信息的窄帶信息碼序列與高速擴(kuò) 頻序列(也稱為PN序列或偽碼序列)相乘而獲得的寬帶擴(kuò)頻信號(hào)，因而具有優(yōu)良的抗干擾能 力和低截獲特性，在軍事通信與民用通信中得到了廣泛的應(yīng)用。不同于跳頻通信技術(shù)的"躲 避"策略，擴(kuò)頻通信技術(shù)采用的是"隱蔽"策略，即通過擴(kuò)展頻譜來降低將DS-SS信號(hào)的功率 譜密度，直至淹沒在噪聲中，從而將有用信號(hào)"隱藏"在噪聲中使非合作方難以截獲有用信 息。此外，擴(kuò)頻通信的接收方必須知道發(fā)送方所使用的偽碼序列才能通過匹配濾波器恢復(fù) 出有用信號(hào)。因此，尋求一種合適的方法來盲估計(jì)出DS-SS信號(hào)的偽碼序列就變得很有意 義。
[0003] 目前，在低信噪比情況下盲估計(jì)出發(fā)送方所使用偽碼序列是一個(gè)難點(diǎn)問題，針對 該方面的研究文獻(xiàn)比較少。文獻(xiàn)"張?zhí)祢U.低信噪比長偽碼直擴(kuò)信號(hào)的盲估計(jì)方法.信號(hào)處 理，2008"提出利用信號(hào)自相關(guān)矩陣特征分解的方法來實(shí)現(xiàn)偽碼序列的盲估計(jì)，但該方法處 理的數(shù)據(jù)向量不可能太長，且跟蹤非平穩(wěn)環(huán)境變化的能力不太強(qiáng)。文獻(xiàn)"Zhang T Q.Use APEX neural networks to extract the PN sequence in lower SNR DS-SS signals.Lecture Notes in Computer Science,2006"使用帶約束的Hebbian學(xué)習(xí)規(guī)則的 神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)偽碼序列的盲估計(jì)，但該神經(jīng)網(wǎng)絡(luò)是基于"無監(jiān)督"的。文獻(xiàn)"趙德芳.基于 BP神經(jīng)網(wǎng)絡(luò)的直擴(kuò)信號(hào)擴(kuò)頻碼盲識(shí)別.電訊技術(shù)，2010"使用基于反向誤差傳播(BP)神經(jīng)網(wǎng) 絡(luò)來實(shí)現(xiàn)偽碼序列的盲估計(jì)，但其在偽碼序列較長或信噪比較低時(shí)收斂性能差。因此本發(fā) 明提出基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼盲估計(jì)方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題，針對信號(hào)自相關(guān)矩陣特征分解方法在實(shí)現(xiàn)直接序列 擴(kuò)頻(DS-SS)信號(hào)偽碼盲估計(jì)時(shí)存在處理數(shù)據(jù)向量不能太長以及BP神經(jīng)網(wǎng)絡(luò)方法存在偽碼 序列較長或信噪比較低時(shí)收斂性能差的問題，提出了一種基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò) 的方法。該方法能夠在_13dB信噪比或偽碼長度為1000位條件下精確的盲估計(jì)出DS-SS信號(hào) 的偽碼序列。
[0005] 本發(fā)明解決上述技術(shù)問題的技術(shù)方案是:一種基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼 序列盲估計(jì)方法，其步驟在于，首先將接收到的信號(hào)按照已知周期進(jìn)行連續(xù)周期分段并采 樣形成接收信號(hào)的連續(xù)周期分段采樣觀察向量集，其次將已進(jìn)行連續(xù)周期分段采樣的一周 期接收信號(hào)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)與期望信號(hào)，并根據(jù)RBF來有監(jiān)督地調(diào)節(jié)神經(jīng)網(wǎng) 絡(luò)，用網(wǎng)絡(luò)第二層權(quán)值向量的符號(hào)函數(shù)來代表DS-SS信號(hào)的偽碼序列，然后通過不斷輸入信 號(hào)來反復(fù)訓(xùn)練權(quán)值直至收斂，最終就可以通過該權(quán)值向量的符號(hào)函數(shù)將信號(hào)的偽碼序列估 計(jì)出來。
[0006] 通常情況下偽碼序列取最長線性反饋移位寄存器序列，即m序列。此時(shí)，基帶DS-SS系統(tǒng)的接收信號(hào)可以建模為式中，n(t)是一個(gè)均值為零方差為 σ 2的加性高斯白噪聲，S ( t )基帶D S - S S信號(hào)，其信號(hào)模型可以表示為：
，式中，m[k]是第k個(gè)信息碼符號(hào)，N是擴(kuò)頻序列的周期 長度，{p[ i ]，i = 〇，…，N-I}是PN序列，q⑴是一個(gè)矩形切普脈沖，T。是切普周期，To是PN序列 的周期(To = NTc)，τ = Tx是隨機(jī)時(shí)延。
[0007] 本發(fā)明運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)的方法對DS-SS信號(hào)的偽碼序列進(jìn)行盲估計(jì)，分析推導(dǎo)了 通過高斯徑向基函數(shù)、標(biāo)準(zhǔn)高斯徑向基函數(shù)、反S型徑向基函數(shù)、柯西徑向基函數(shù)、多二次徑 向基函數(shù)以及逆多二次徑向基函數(shù)有監(jiān)督地調(diào)節(jié)RBF神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)DS-SS信號(hào)的偽碼序 列盲估計(jì)，克服了信號(hào)自相關(guān)矩陣特征分解方法存在的處理數(shù)據(jù)向量不能太長以及BP神經(jīng) 網(wǎng)絡(luò)方法存在偽碼較長或信噪比較低時(shí)收斂性能差的問題，實(shí)現(xiàn)了在較低信噪比與較長偽 碼序列條件下DS-SS信號(hào)偽碼序列的精確盲估計(jì)。
【附圖說明】
[0008] 圖1本發(fā)明匹配濾波器框圖；
[0009] 圖2本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0010] 圖3本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)盲估計(jì)DS-SS信號(hào)偽碼流程圖；
[0011] 圖4本發(fā)明誤碼性能圖；
[0012] 圖5本發(fā)明偽碼估計(jì)均值性能圖；
[0013]圖6本發(fā)明偽碼估計(jì)收斂曲線圖；
[0014]圖7本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)在不同碼長下均值性能圖；
[0015]圖8本發(fā)明BP神經(jīng)網(wǎng)絡(luò)在不同碼長下均值性能圖；
【具體實(shí)施方式】
[0016] 以下結(jié)合附圖和具體實(shí)例，對本發(fā)明的實(shí)施作進(jìn)一步的描述。
[0017] 圖1所示為本發(fā)明匹配濾波器框圖，該圖的目的在于說明若接收方已知擴(kuò)頻序列， 則可以用一個(gè)匹配濾波器來實(shí)現(xiàn)信號(hào)的主動(dòng)解擴(kuò)，解擴(kuò)的關(guān)鍵在于實(shí)現(xiàn)碼同步，即Τ χ = 0。 圖1中輸入a(t)表示第k個(gè)信息碼周期的接收信號(hào)，Τ。是切普周期，{p[i]，i=0，~，N-l：^ 與發(fā)送方相同的一周期的PN序列，目1與n(t)不相關(guān)，則有
[0018] CD
[0019] 由上式可知，當(dāng)進(jìn)入匹配濾波器的第k個(gè)信息碼符號(hào)周期的接收信號(hào)^(〇的時(shí)延 τ = Τχ = 0時(shí)，就會(huì)與假設(shè)已知的擴(kuò)頻序列相匹配從而使輸出0(t)的模取最大值。因此就可 以根據(jù)〇(t)取最大值的時(shí)刻估計(jì)出Tx的值，從而使輸出0(t)經(jīng)窄帶濾波后每隔一個(gè)信息碼 符號(hào)周期就給出一個(gè)同步脈沖，即每隔一個(gè)信息碼符號(hào)周期得到一個(gè)局部峰值，然后用它 去控制本地偽碼發(fā)生器以期與發(fā)送方偽碼取得同步，完成解擴(kuò)。
[0020] 由以上分析可知，采用匹配濾波器實(shí)現(xiàn)DS-SS信號(hào)解擴(kuò)的前提是要知道發(fā)送方的 偽碼序列{?[1]4=〇，一，^1}，然而對擴(kuò)頻通信中的民用管理或軍事偵察方來說偽碼是未 知的，因此對信號(hào)的監(jiān)管偵聽就比較困難，能否從接收到的DS-SS信號(hào)中直接盲估計(jì)出偽碼 序列是擺在面前的一個(gè)重要問題。
[0021] 圖2所示為本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，是一種p-h-m結(jié)構(gòu)形式三層前饋RBF神經(jīng)網(wǎng) 絡(luò)，該網(wǎng)絡(luò)有P個(gè)輸入節(jié)點(diǎn)單元，h個(gè)隱節(jié)點(diǎn)單元和m個(gè)輸出節(jié)點(diǎn)單元。該網(wǎng)絡(luò)的輸入向量為X (η) = [χι(η) X2(n)…χρ(η)]τ，權(quán)值矩陣為
為第i個(gè)隱節(jié)點(diǎn)的徑向基函數(shù)激活函數(shù)。本發(fā)明中，徑向基函數(shù)可以分別采用高斯函數(shù)(如 式(2))、標(biāo)準(zhǔn)高斯函數(shù)(如式(3))、反S型函數(shù)(如式(4))、柯西函數(shù)(如式(5))、多二次函數(shù) (如式(6))以及逆多二次函數(shù)(如式(7))。
[0022] (2)
[0023] (3) (4)
[0024] (5)
[0025]
[0026] (6) (7)
[0027]
[0028] 這里，Cl(n)為第i個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心向量值，I I · I I則表示歐式范數(shù)，S1(I1)為第 i個(gè)隱節(jié)點(diǎn)的擴(kuò)展常數(shù)或?qū)挾?，?η)越小，徑向基函數(shù)的寬度就越小，徑向基函數(shù)就越具有 選擇性。
[0029] 圖中Σ表示輸出層神經(jīng)元采用線性激活函數(shù)，那么該RBF神經(jīng)網(wǎng)絡(luò)的輸出為
[0030]
(8)
[0031] 本發(fā)明運(yùn)用該RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖，當(dāng)接收信號(hào)為基帶DS-SS系統(tǒng)的接收信號(hào) 時(shí)，將接收信號(hào)在不重疊的周期窗內(nèi)采樣，不失一般性，這里假設(shè)采樣周期等于一個(gè)碼片寬 度，即采樣周期ST s = T〇/N=T。。則系統(tǒng)進(jìn)行N次采樣得到的一周期接收信號(hào)為
[0032]
[0033]
[0034]
[0035]
[0036]
[0037]
[0038] 這樣，偽碼序列就會(huì)以一個(gè)較為魯棒的形式估計(jì)出來。
[0039]本發(fā)明中RBF神經(jīng)網(wǎng)絡(luò)取N-I-N結(jié)構(gòu)，即輸入神經(jīng)元個(gè)數(shù)與輸出神經(jīng)元個(gè)數(shù)均等于 偽碼長度(或偽碼長度的兩倍）。當(dāng)時(shí)延為〇時(shí)，輸入神經(jīng)元個(gè)數(shù)與輸出神經(jīng)元個(gè)數(shù)均等于偽 碼長度，輸入信號(hào)為一周期的數(shù)據(jù)向量；當(dāng)時(shí)延不為〇時(shí)，輸入神經(jīng)元個(gè)數(shù)與輸出神經(jīng)元個(gè) 數(shù)均等于兩倍的偽碼長度，輸入信號(hào)為兩周期的數(shù)據(jù)向量。本發(fā)明以時(shí)延為0、徑向基函數(shù) 取標(biāo)準(zhǔn)高斯函數(shù)為例，得出隱層節(jié)點(diǎn)單元的輸出為
[0040]
(12)
[0041] 若取權(quán)值向量為w(n) = [wi(n) W2(n)…WN(n)]T，則輸出層單元的輸出為y(n) = [yi (n) y2(n)…yN(n)]T，其中：
[0042]
[0043] 接下來需要對數(shù)據(jù)中心c(n)和擴(kuò)展常數(shù)δ(η)和權(quán)值向量w( n)這三個(gè)未知向量進(jìn) 行確定。對于數(shù)據(jù)中心c(n)，通常選取的方法有幾種，分別是從輸入樣本中隨機(jī)選取法、正 交最小二乘法、有監(jiān)督選取中心法、自組織選取法以及智能優(yōu)化算法等。在本發(fā)明中選取數(shù) 據(jù)中心等于輸入信號(hào)，即c(n)=x(n)(而直接用文獻(xiàn)中其他方法選取數(shù)據(jù)中心來構(gòu)建的徑 向基函數(shù)并不能實(shí)現(xiàn)本發(fā)明目的，還有待進(jìn)一步研究），而擴(kuò)展常數(shù)和權(quán)值向量采用梯度訓(xùn) 練方法來調(diào)節(jié)。因此，由c(n)=x(n)推知誤差校正信號(hào)為
[0044]
(14)
[0045]則該神經(jīng)網(wǎng)絡(luò)的輸出yj對擴(kuò)展常數(shù)和權(quán)值向量的梯度分別為
[0048] 那么擴(kuò)展常數(shù)和權(quán)值向量的調(diào)節(jié)量分別為
[0046]
[0047]
[0049] (17)
[0050] (IB)
[0051] 其中Tl和μ是學(xué)習(xí)速率，且0<τ?，μ<1，最后得出擴(kuò)展常數(shù)和權(quán)值向量的更新公式為
[0052] (19)
[0053] (20)
[0054]然后反復(fù)更新權(quán)值向量使其逐漸逼近DS-SS信號(hào)的偽碼序列，最終達(dá)到收斂，此時(shí) 就可以通過權(quán)值向量將偽碼序列重建出來。
[0055]圖3所示為本發(fā)明基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼序列盲估計(jì)流程圖，具體步 驟:第（1)步，將接收到的信號(hào)按照已知周期進(jìn)行連續(xù)周期分段并采樣形成接收信號(hào)的連續(xù) 周期分段采樣觀察向量集，并將已進(jìn)行連續(xù)周期分段采樣的一周期接收信號(hào)作為RBF神經(jīng) 網(wǎng)絡(luò)的輸入信號(hào)與期望信號(hào);第(2)步，RBF神經(jīng)網(wǎng)絡(luò)擴(kuò)展常數(shù)和網(wǎng)絡(luò)權(quán)值隨機(jī)初始化，并設(shè) 置終止條件，即設(shè)置允許的最小誤碼率;第（3)步，對于時(shí)刻η，輸入新的數(shù)據(jù)向量x(n);第 (4)步，計(jì)算隱層神經(jīng)元的輸t
?第(5)步，按照式（13)計(jì)算輸 出yj(n)，j = l，2，···，Ν;第(6)步，按照式（14)來計(jì)算誤差ej(n)=xj(n)-yj(n)，j = l，2,…， P;第(7)步，按照式（19)來更新擴(kuò)展常數(shù);第(8)步，按照式(20)來更新權(quán)值向量;第(9)步， 返回第(2)步繼續(xù)，直到達(dá)到允許的最小誤碼率。此時(shí)，就可以通過RBF神經(jīng)網(wǎng)絡(luò)第二層權(quán)值 向量的符號(hào)函數(shù)將信號(hào)的偽碼序列估計(jì)出來。
[0056]利用仿真實(shí)驗(yàn)對本發(fā)明算法的理論推導(dǎo)進(jìn)行驗(yàn)證，實(shí)驗(yàn)參數(shù)設(shè)置:蒙特卡洛次數(shù) 為1]1(^ = 200，上采樣次數(shù)為33 = 8位/(31^(即1'3 = 1'。= 81'(3，1'(3為采樣周期），若無特別說明， 徑向基函數(shù)取標(biāo)準(zhǔn)高斯徑向基函數(shù)。
[0057]圖4(a)所示為接收信號(hào)信噪比為_5dB，偽碼長度L=IOO位，時(shí)延Tx = O時(shí)的誤碼性 能圖，其中上方子圖表示由PN序列發(fā)生器產(chǎn)生的100位原始PN序列，中間子圖表示在上述實(shí) 驗(yàn)條件下RBF神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時(shí)輸出權(quán)值向量值的200次蒙特卡洛加權(quán)平均值(此時(shí)輸出 權(quán)值向量長度為100)，下方子圖表示由上方子圖所示的原始PN序列與中間圖所示的權(quán)值向 量的符號(hào)函數(shù)相減所得誤差序列的模?？梢悦黠@看出，網(wǎng)絡(luò)權(quán)值的符號(hào)函數(shù)值與原始PN序 列值完全相反，因此可知，可以通過神經(jīng)網(wǎng)絡(luò)收斂時(shí)的第二層網(wǎng)絡(luò)權(quán)值的符號(hào)函數(shù)將無時(shí) 延情形下的原始PN序列重建出來。圖4(b)為相同信噪比、偽碼長度以及徑向基函數(shù)條件下， 時(shí)延T x辛0時(shí)的誤碼性能圖，其中上方子圖表示由PN序列發(fā)生器產(chǎn)生的100位原始PN序列， 中間子圖表示在上述實(shí)驗(yàn)條件下RBF神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時(shí)輸出權(quán)值向量值的200次蒙特卡 洛加權(quán)平均值(此時(shí)輸出權(quán)值向量長度為200)，下方子圖表示由上方子圖所示的原始PN序 列與中間子圖所示權(quán)值向量的從第21位到120位截?cái)嘈蛄械姆?hào)函數(shù)相減所得的誤差序列 的模。同理可以得出，可以通過網(wǎng)絡(luò)權(quán)值的第21位到底120位截?cái)嘈蛄械姆?hào)函數(shù)將有時(shí)延 情形下的原始PN序列重建出來。
[0058]圖5、圖6分別為接收信號(hào)信噪比為0到-13dB，偽碼長度L= 100位，時(shí)延Tx = O時(shí)的 均值性能曲線圖與學(xué)習(xí)收斂曲線圖，由圖5可以看出隨著信噪比的降低，RBF神經(jīng)網(wǎng)絡(luò)達(dá)到 收斂所需的平均數(shù)據(jù)組數(shù)增加，均值性能變差，且當(dāng)信噪比低于_12dB時(shí)，均值性能急劇惡 化。由圖6同樣可以得出，當(dāng)信噪比較高時(shí)，RBF神經(jīng)網(wǎng)絡(luò)收斂速度較快，當(dāng)信噪比較低時(shí)， RBF神經(jīng)網(wǎng)絡(luò)收斂速度較慢，尤其當(dāng)信噪比低于-12dB時(shí)，收斂性能急劇惡化。
[0059]圖7、圖8分別為RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)在不同偽碼長度下的均值性能曲線圖， 由圖可知，隨著偽碼長度的增加，不論是本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)還是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，達(dá)到收 斂所需的平均數(shù)據(jù)組數(shù)都會(huì)增加，性能都會(huì)變差;但是，在相同偽碼長度與相同信噪比條件 下，本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)達(dá)到收斂所需的平均數(shù)據(jù)組數(shù)要小于BP神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時(shí)所需 平均數(shù)據(jù)組數(shù)，即本發(fā)明性能要由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，從而為實(shí)現(xiàn)DS-SS信號(hào)偽碼序列的 盲估計(jì)提供了一種更優(yōu)的方法。
[0060]本發(fā)明提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼序列盲估計(jì)的方法，克服了 接收信號(hào)自相關(guān)矩陣特征分解方法處理的數(shù)據(jù)向量不能太長以及BP神經(jīng)網(wǎng)絡(luò)方法在偽碼 較長或信噪比較低時(shí)性能差的缺點(diǎn)。分析推導(dǎo)了高斯徑向基函數(shù)、標(biāo)準(zhǔn)高斯徑向基函數(shù)、反 S型徑向基函數(shù)、柯西徑向基函數(shù)、多二次徑向基函數(shù)以及逆多二次徑向基函數(shù)用于DS-SS 信號(hào)偽碼序列的盲估計(jì)，并仿真驗(yàn)證了 RBF神經(jīng)網(wǎng)絡(luò)在不同信噪比、不同偽碼長度下的性 能，并與相應(yīng)條件下的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較。結(jié)果表明，本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)即使在信噪 比為_13dB條件下仍然有效，且隨著信噪比的降低或偽碼長度的增加，RBF神經(jīng)網(wǎng)絡(luò)達(dá)到收 斂所需的平均數(shù)據(jù)組數(shù)增加，均值性能變差，且在相同偽碼長度與相同信噪比條件下，本發(fā) 明RBF神經(jīng)網(wǎng)絡(luò)的收斂性能要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的收斂性能，從而對該信號(hào)的后續(xù)處理(信息 碼估計(jì))具有重要意義。
【主權(quán)項(xiàng)】
1. 一種基于RBF神經(jīng)網(wǎng)絡(luò)的DS-SS信號(hào)偽碼盲估計(jì)方法，其步驟在于，首先將接收到的 信號(hào)按照已知周期進(jìn)行連續(xù)周期分段并采樣形成接收信號(hào)的連續(xù)周期分段采樣觀察向量 集，其次將已進(jìn)行連續(xù)周期分段采樣的一周期接收信號(hào)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入與期望信 號(hào)，并根據(jù)RBF來有監(jiān)督地調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)，用網(wǎng)絡(luò)第二層權(quán)值向量的符號(hào)函數(shù)來代表DS-SS 信號(hào)的偽碼序列，然后通過不斷輸入信號(hào)來反復(fù)訓(xùn)練權(quán)值直至收斂，最終就可以通過該權(quán) 值向量的符號(hào)函數(shù)將信號(hào)的偽碼序列估計(jì)出來。2. 根據(jù)權(quán)利要求1所述的估計(jì)方法，其特征在于，建立基帶DS-SS系統(tǒng)的接收信號(hào)模型 為xIOzSUHnU)。式中，n(t)是一個(gè)均值為零方差為 〇2的加性高斯白噪聲，S(t)基帶 DS-SS信號(hào)，其信號(hào)模型可以表示為：S(〇 = -:? -啤^ir)。式中，m[k]是第 k個(gè)信息碼符號(hào)，N是擴(kuò)頻序列的周期長度，{?[1]4 = 0，一，^1}是?~序列，(1(〇是一個(gè)矩形 切普脈沖，T。是切普周期，To是PN序列的周期(Τ〇 = ΝΤ〇，τ = Τχ是隨機(jī)時(shí)延。3. 根據(jù)權(quán)利要求1所述的估計(jì)方法，其特征在于，建立一種p-h-m結(jié)構(gòu)形式的三層前饋 RBF神經(jīng)網(wǎng)絡(luò)模型，其中p為輸入節(jié)點(diǎn)單元數(shù)，h和m分別為隱節(jié)點(diǎn)單元數(shù)和輸出節(jié)點(diǎn)單元數(shù)。 該網(wǎng)絡(luò)的輸入向量為x(n) = [xi(n) X2(n)…χρ(η)]τ，權(quán)值矩陣為 wn{n) ··· wlm(n) w{n) ~ ^22(7) Φ i ( n )為第i個(gè)隱節(jié)點(diǎn)的徑向基函數(shù)激活函 * * ?爭》 ?yhl{n) wh2{n) ··· whm(n)_ 數(shù)。且分別可取高斯函數(shù) 標(biāo)準(zhǔn)高斯函數(shù)'柯西函數(shù)-以及逆多二次函數(shù)°這里，Cl(n)為第i個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心向量值，| | · | |則表示 歐式范數(shù)，Si(n)為第i個(gè)隱節(jié)點(diǎn)的擴(kuò)展常數(shù)或?qū)挾?，? (η)越小，徑向基函數(shù)的寬度就越小， 徑向基函數(shù)就越具有選擇性。RBF神經(jīng)網(wǎng)絡(luò)的輸出為)',,(/?) = ⑷j = 1,2,··-,.# 〇 i=l4. 根據(jù)權(quán)利要求1-3所述的估計(jì)方法，同時(shí)結(jié)合RBF神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)中心與擴(kuò)展常數(shù)選取 方法，令RBF神經(jīng)網(wǎng)絡(luò)取N-1-N結(jié)構(gòu)，令數(shù)據(jù)中心等于輸入信號(hào)，即c(n)=x(n)。此時(shí)可得RBF 神經(jīng)網(wǎng)絡(luò)的出隱層節(jié)點(diǎn)單元的輸出為取權(quán)值向量為w(n) = [wi(n) W2(n)…WN(n)]T，可得輸出層單元的輸出為y(n) = [yi (n) y2(n)…yN(n)]T，其中：誤差校正信號(hào)為 ej(n)=xj(n)-yj(n)=xj(n)-wj(n) j = l ,2,···Ν 則該神經(jīng)網(wǎng)絡(luò)的輸出對擴(kuò)展常數(shù)和權(quán)值向量的梯度分別為那么擴(kuò)展常數(shù)和權(quán)值向暈的調(diào)節(jié)暈分別為其中η和μ是學(xué)習(xí)速率，且〇<η，μ<1，最后得出擴(kuò)展常數(shù)和權(quán)值向量的更新公式為 Ν. -f 1) --= ^'(/7) + X V?\ (/?) ) Μ vr, (/? + 1} = vr, (") + Vu , (/7) = U，,（/?)十} 然后通過反復(fù)更新權(quán)值向量使其逐漸逼近DS-SS信號(hào)的偽碼序列，最終達(dá)到收斂，此時(shí) 就可以通過權(quán)值向量將偽碼序列估計(jì)出來。
【文檔編號(hào)】H04L25/02GK106067868SQ201610528716
【公開日】2016年11月2日
【申請日】2016年7月6日
【發(fā)明人】張?zhí)祢U, 趙軍桃, 江曉磊
【申請人】重慶郵電大學(xué)