作為一種新型的遞歸神經(jīng)網(wǎng)絡(luò),回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network,ESN）因其獨特的動態(tài)儲備池結(jié)構(gòu)以及簡單的訓(xùn)練方式被廣泛應(yīng)用于非線性動態(tài)系統(tǒng)建模、時間序列預(yù)測和信道均衡等領(lǐng)域。在衛(wèi)星通信系統(tǒng)中,信道的非線性和群時延特性會使得發(fā)送信號在接收端產(chǎn)生嚴重的失真。盲均衡技術(shù)能夠在信道先驗信息未知的情況下,僅利用發(fā)送信號的統(tǒng)計信息近似無失真的恢復(fù)出原始發(fā)送信號,在充分利用衛(wèi)星信道頻帶資源的同時,克服因信道非理想特性產(chǎn)生的信號畸變。本文主要針對衛(wèi)星信道研究回聲狀態(tài)網(wǎng)絡(luò)的在線盲均衡算法。主要貢獻如下:（1）在深入研究回聲狀態(tài)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和訓(xùn)練算法的基礎(chǔ)上,針對衛(wèi)星信道盲均衡問題,提出了基于回聲狀態(tài)網(wǎng)絡(luò)的遞歸最小二乘常模算法（ESN-RLS-CMA）。該算法以回聲狀態(tài)網(wǎng)絡(luò)為基本框架,利用發(fā)送信號的先驗統(tǒng)計信息構(gòu)造盲均衡代價函數(shù),采用遞歸最小二乘（Recursive Least Squares,RLS）算法在線迭代更新ESN的輸出權(quán)值,以獲得網(wǎng)絡(luò)代價函數(shù)的最小值。仿真實驗表明:在Volterra級數(shù)建模的衛(wèi)星信道下,針對常模QPSK信號,相較于傳統(tǒng)的在線算法,本文提出的ESN-RLS-... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１衛(wèi)星通信系統(tǒng)示意圖??由于；ａ墾的功率限制因素以及對禽速數(shù)據(jù)傳輸需求的不斷增長，功率和寬帶??

ａｅｇｅｒ于２００１?１年提出，羼于儲備池計算（ｒｅｓｅｒｖｏｉｒ??ｃｏｍｐｕｔｉｎｇ，?ＲＣ）范疇［５３＿５５］的新型遞Ｊｌ３神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它使用一個被稱為動態(tài)儲備??池的處理神經(jīng)元相互連接的遞．歸網(wǎng)絡(luò)來代替ＲＮＮ的隱藏層。相對于傳統(tǒng)的ＲＮＮ，??ＥＳＮ的優(yōu)點是只需要訓(xùn)練網(wǎng)絡(luò)的輸出權(quán)值，而儲備池連接權(quán)值和輸入權(quán)值通常??是隨機給定的。因此，ＥＳＮ不僅具有簡單有效的學(xué)習(xí)方式，而且可以獲得更高??精度的學(xué)習(xí)結(jié)果［５６］。??３．１．１回聲狀態(tài)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)??標(biāo)準ＥＳＮ的拓撲結(jié)構(gòu)如圖３－１所示，網(wǎng)絡(luò)由輸入層、動態(tài)儲備池和輸出層式??部分組成。中間的動態(tài)儲備池仿照了動物大腦的思考機制，由大量神經(jīng)元稀疏連??接形成網(wǎng)絡(luò)，通過動態(tài)更新儲備池的內(nèi)部狀態(tài)實現(xiàn)短期記憶功能，而旦能夠表現(xiàn)??出良好的非線性逼近能力。輸出層包含從輸出到儲備池的反饋連接（如圖中虛線??所示），為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，也可以忽略此連接。??輸入層?動態(tài)儲備池?輸出層??圖３－１回聲狀態(tài)網(wǎng)絡(luò)拓撲結(jié)構(gòu)??１６??

數(shù)為／（〇?＝丨３１１１１（〇，讀出函數(shù)／。１１［（＿）?＝?１，儲備池譜半徑／？（＼＾）?＝?０．９，稀疏??度ＳＤ＝０．２。本實驗采用均方誤差（ＭＳＥ）作為三種算法的性能評價標(biāo)準，計算公式??如下：??ＭＳＥ＝ｙＪ（ｙ（？）－Ｊ（？ｉ））２?（３．２９）??＾?ｎ＝ｌ??其中，Ｌ為數(shù)據(jù)長度。??３．３．２實驗結(jié)果分析??針對ＥＳＮ的經(jīng)典訓(xùn)練算法，用５０００個數(shù)據(jù)樣本作為訓(xùn)練樣本，剩余數(shù)據(jù)作??為測試樣本，采用嶺＠＿的方式訓(xùn)練ＥＳＮ的輸出權(quán)值，其中正則化系數(shù)２＝１０＿８。??圖３－２和圖３－３分別是ＥＳＮ的儲備池規(guī)模為ｉＶ＝４００時的預(yù)測結(jié)果和預(yù)測誤差??曲線（取前２０００個預(yù)測值）。從圖中可以著出，ＥＳＮ對非線性時間序列有著良??好的逼近能力，對于前８００個數(shù)據(jù)，預(yù)測值跟ｇ標(biāo)值幾乎全部吻合。但隨著時間??的推移，預(yù)測誤叢逐漸變大。??２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??圖３＿２?ＥＳＮ時間序列預(yù)測結(jié)果（Ａ／＝４００）??ＥＳＮ預(yù)測誤差??°－８［?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??０．６?－?ＩＩ?—??Ｉ；；：???－０．４－?ｆ?｜?Ｉ?－??－０．６?－?｜?—??＿〇８ｌ?１?１?１?１?１?１?１?１?１???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??測試集樣本編號??圖３－３?ＥＳＮ時間序列預(yù)測誤差（Ａ／＝４００）??圖３＿４和圖３－５是當(dāng)儲備池規(guī)模ＡＴ＝２００時的預(yù)測結(jié)果和預(yù)測

【參考文獻】：
期刊論文
[1]專題:衛(wèi)星通信系統(tǒng)與技術(shù)[J].   無線電通信技術(shù). 2019(06)
[2]快速Q(mào)AM信號多模盲均衡算法[J]. 李進,馮大政,劉文娟.  電子與信息學(xué)報. 2013(02)
[3]基于遞歸神經(jīng)網(wǎng)絡(luò)的盲均衡算法的改進[J]. 梁啟聯(lián),周正,劉澤民.  北京郵電大學(xué)學(xué)報. 1997(04)
[4]基于多層神經(jīng)網(wǎng)絡(luò)的盲均衡算法[J]. 梁啟聯(lián),周正.  北京郵電大學(xué)學(xué)報. 1996(03)

碩士論文
[1]基于極限學(xué)習(xí)機的衛(wèi)星信道盲均衡算法研究[D]. 楊蓉.蘭州大學(xué) 2019
[2]基于粒子濾波的非線性衛(wèi)星信道盲均衡方法研究[D]. 孫海飛.解放軍信息工程大學(xué) 2015
[3]基于小波神經(jīng)網(wǎng)絡(luò)理論盲均衡算法的研究[D]. 牛曉薇.太原理工大學(xué) 2004



本文編號：3429131