改進(jìn)型BP神經(jīng)網(wǎng)絡(luò )自適應均衡器設計：

在數字無(wú)線(xiàn)通信系統中，由于多徑效應和信道帶寬限制導致傳輸過(guò)程中不可避免地產(chǎn)生碼間干擾，使傳輸質(zhì)量明顯下降。目前zui常用的方法是采用自適應均衡技術(shù)降低碼間干擾和聲的影響來(lái)減少誤碼，并跟蹤時(shí)變信道，解決時(shí)變波形的嚴重失真問(wèn)題。在時(shí)域中，由于傳統實(shí)現方法存在收斂速度慢且收斂性能取決于輸入信號等問(wèn)題⑴，人們提出采用變換域的自適應均衡算法，即通過(guò)域的變換（如離散余弦變換、離散傅立葉變換、離散正交小波變換）來(lái)改變輸入信號的自相關(guān)矩陣的zui大特征值與zui小特征值之比，用于提*收斂速度。為了減少計算的復雜度，基于小波域的濾波器又引入部分系數迭代更新的算法，相應的多小波及小波神經(jīng)網(wǎng)絡(luò )的方法也先后出現。引入變換域后雖然收斂速度提*了，但在這些算法中計算量過(guò)于龐大造成實(shí)時(shí)性能明顯下降。

本文針對傳統設計方法的不足，在BP網(wǎng)絡(luò )設計方法的基礎上，提出了種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò )設計均衡器的硬件實(shí)現方法。通過(guò)借助于神經(jīng)網(wǎng)絡(luò )的訓練序列就能自適應調整均衡器的抽頭系數，達到自適應均衡的目的。從優(yōu)化硬件結構的角度考慮，對神經(jīng)網(wǎng)絡(luò )的硬件實(shí)現方式進(jìn)行了研究，利用流水線(xiàn)技術(shù)，找出合理的設計方案。zui后采用自頂向下的設計方法，通過(guò)硬件FPGA優(yōu)化，利用Altera*低成本的Cycl0ne系列EP2C35芯片實(shí)現自適應均衡器技術(shù)。這種均衡器性能良好，特別適用于實(shí)時(shí)性能要求嚴格的信號處理系統，在未來(lái)的無(wú)線(xiàn)通信系統中有著(zhù)廣闊的應用前景。

BP網(wǎng)絡(luò )改進(jìn)算法傳統的反向傳播算法（BP算法）利用網(wǎng)絡(luò )誤差的平方和，對網(wǎng)絡(luò )誤差函數的導數進(jìn)行權值和閾值調整，從而降低誤差平方和。從網(wǎng)絡(luò )誤差函數推導出輸出層的誤差導數或占矢量，隱層的5矢量可由下―層的5矢量導出。這種占矢量的反向傳播正是BP的由來(lái)，即吵）=-，其中丑d為系統期望，丑為系統的實(shí)際輸出，其計算性能指標為/=乞e2（t）。

根據梯度下降法得到神經(jīng)網(wǎng)絡(luò )權值的修正，即w（灸+1）=w（灸）+2，義，其中為步長(cháng)因子，但是這種BP算法的步長(cháng)因子難以確定，導致收斂的穩定性下降，收斂速度變慢。針對這問(wèn)題，本文提出種改進(jìn)的BP網(wǎng)絡(luò )設計自適應均衡器，有效地消除碼間干擾，具體的7個(gè)步驟如下：對輸入向量采用歸*化預處理。

確定神經(jīng)網(wǎng)絡(luò )結構，本文選擇隱層有10個(gè)神經(jīng)元，輸出層有單個(gè)神經(jīng)元。

對網(wǎng)絡(luò )輸入到zui末隱層之間的*有權值進(jìn)行初始化：*先在樣本集中任意取2個(gè)不同的樣本點(diǎn)xA2，計算網(wǎng)絡(luò )隱層節點(diǎn)的梯度Pw=W/W=（尤於-XM）/x2-XM，然后計網(wǎng)絡(luò )隱層節點(diǎn)敏感區的寬度化=w=GxM-xM，其中般取0.9左右，“為之間的隨機數。根據匕和化可以計算出第z隱層節點(diǎn)的權值對網(wǎng)絡(luò )輸出層權值進(jìn)行賦值。由于網(wǎng)絡(luò )輸出層權值的變化對網(wǎng)絡(luò )輸出的影響zui大，可根據網(wǎng)絡(luò )*干擾性能對網(wǎng)絡(luò )輸出層權值進(jìn)行設計。對選擇樣本集中的特殊點(diǎn)求平均值xa，其中q為特殊樣點(diǎn)的個(gè)數。計算各樣點(diǎn)的差值，用這些差值組成將這些特殊樣本集中加入到網(wǎng)絡(luò )中得到輸出/，再根據特殊樣本集找到相對應期望平均值的誤差'，即其中分別為網(wǎng)絡(luò )輸出的個(gè)數和隱層節點(diǎn)的個(gè)數，則網(wǎng)絡(luò )輸出層的權值為w.：斗'.7-1，其中前向傳播計算網(wǎng)絡(luò )輸出。計算隱層節點(diǎn)的輸出為其中z.為隱層節點(diǎn)的輸出，wz為隱層節點(diǎn)的權值，x，為輸入向量，力為隱層節點(diǎn)閾值。

其中M為輸出結點(diǎn)的輸出，為隱層節點(diǎn)的輸出，vfi為輸出結點(diǎn)的權值，0為輸出結點(diǎn)的閾值。

（6）進(jìn)行網(wǎng)絡(luò )訓練更新權值。計算網(wǎng)絡(luò )誤差為其中Ae為誤差變化率，y為泄漏因子，n為記憶因子，2為協(xié)調器補償因子以補償權值增量。

當網(wǎng)絡(luò )的誤差變化率較大時(shí)，網(wǎng)絡(luò )輸出層權值及隱層權值在協(xié)調器的控制下較大，使網(wǎng)絡(luò )迅速變化；當誤差在范圍內時(shí)，網(wǎng)絡(luò )輸出層權值在協(xié)調器的控制下減小，同時(shí)停止隱層權值的修正，以避免網(wǎng)絡(luò )產(chǎn)生過(guò)沖反向誤差；當誤差小于10%時(shí)，隱層權值在協(xié)調器的控制下進(jìn)行修正，而停止網(wǎng)絡(luò )輸出層權值的修正，使網(wǎng)絡(luò )的綜合誤差達到允許值。

（7）判斷誤差，結束網(wǎng)絡(luò )。判斷誤差AE是否小于期望五，如滿(mǎn)足要求則結束；否則，返回網(wǎng)絡(luò )繼續調整權值，直到滿(mǎn)足實(shí)際需求為止。

2算法的仿真分析通過(guò)Matlab對傳統BP網(wǎng)絡(luò )算法與本文中的改進(jìn)算法進(jìn)行仿真比較。為BP網(wǎng)絡(luò )的訓練結果與理想輸出的比較結果圖，其中BP網(wǎng)絡(luò )的隱層神經(jīng)元數目=10，傳統BP網(wǎng)絡(luò )學(xué)習率為=0.05，zui大迭代次數ep0cfe=100，目標誤差指標g0ai=1xe5.（a）為傳統BP網(wǎng)絡(luò )算法的輸入、輸出關(guān)系圖，在相同的迭代條件下，實(shí)際的輸出與訓練后的網(wǎng)絡(luò )輸出相比有明顯的誤差。（b）為改進(jìn)BP網(wǎng)絡(luò )算法的輸入、輸出關(guān)系圖，從圖可以看出，在相同的條件下，實(shí)際的輸出與訓練后的網(wǎng)絡(luò )輸出基本重合，可以達到較好的效果。顯然，本文改進(jìn)算法的穩態(tài)誤差是優(yōu)于傳統BP神經(jīng)網(wǎng)絡(luò )的。

為BP網(wǎng)絡(luò )誤差與迭代次數關(guān)系曲線(xiàn)。（a）為傳統BP網(wǎng)絡(luò )算法的誤差曲線(xiàn)，在100次迭代后的誤差仍大于10-2.（b）為本文提出的改進(jìn)BP網(wǎng)絡(luò )算法的誤差曲線(xiàn)。