改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)均衡器設(shè)計(jì)：
在數(shù)字無線通信系統(tǒng)中，由于多徑效應(yīng)和信道帶寬限制導(dǎo)致傳輸過程中不可避免地產(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(yīng)均衡技術(shù)降低碼間干擾和聲的影響來減少誤碼，并跟蹤時(shí)變信道，解決時(shí)變波形的嚴(yán)重失真問題。在時(shí)域中，由于傳統(tǒng)實(shí)現(xiàn)方法存在收斂速度慢且收斂性能取決于輸入信號(hào)等問題⑴，人們提出采用變換域的自適應(yīng)均衡算法，即通過域的變換（如離散余弦變換、離散傅立葉變換、離散正交小波變換）來改變輸入信號(hào)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(jì)算的復(fù)雜度，基于小波域的濾波器又引入部分系數(shù)迭代更新的算法，相應(yīng)的多小波及小波神經(jīng)網(wǎng)絡(luò)的方法也先后出現(xiàn)。引入變換域后雖然收斂速度提*了，但在這些算法中計(jì)算量過于龐大造成實(shí)時(shí)性能明顯下降。
本文針對(duì)傳統(tǒng)設(shè)計(jì)方法的不足，在BP網(wǎng)絡(luò)設(shè)計(jì)方法的基礎(chǔ)上，提出了種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)均衡器的硬件實(shí)現(xiàn)方法。通過借助于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練序列就能自適應(yīng)調(diào)整均衡器的抽頭系數(shù)，達(dá)到自適應(yīng)均衡的目的。從優(yōu)化硬件結(jié)構(gòu)的角度考慮，對(duì)神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)方式進(jìn)行了研究，利用流水線技術(shù)，找出合理的設(shè)計(jì)方案。zui后采用自頂向下的設(shè)計(jì)方法，通過硬件FPGA優(yōu)化，利用Altera*低成本的Cycl0ne系列EP2C35芯片實(shí)現(xiàn)自適應(yīng)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(yán)格的信號(hào)處理系統(tǒng)，在未來的無線通信系統(tǒng)中有著廣闊的應(yīng)用前景。
BP網(wǎng)絡(luò)改進(jìn)算法傳統(tǒng)的反向傳播算法（BP算法）利用網(wǎng)絡(luò)誤差的平方和，對(duì)網(wǎng)絡(luò)誤差函數(shù)的導(dǎo)數(shù)進(jìn)行權(quán)值和閾值調(diào)整，從而降低誤差平方和。從網(wǎng)絡(luò)誤差函數(shù)推導(dǎo)出輸出層的誤差導(dǎo)數(shù)或占矢量，隱層的5矢量可由下―層的5矢量導(dǎo)出。這種占矢量的反向傳播正是BP的由來，即吵）=-，其中丑d為系統(tǒng)期望，丑為系統(tǒng)的實(shí)際輸出，其計(jì)算性能指標(biāo)為/=乞e2（t）。
根據(jù)梯度下降法得到神經(jīng)網(wǎng)絡(luò)權(quán)值的修正，即w（灸+1）=w（灸）+2，義，其中為步長(zhǎng)因子，但是這種BP算法的步長(zhǎng)因子難以確定，導(dǎo)致收斂的穩(wěn)定性下降，收斂速度變慢。針對(duì)這問題，本文提出種改進(jìn)的BP網(wǎng)絡(luò)設(shè)計(jì)自適應(yīng)均衡器，有效地消除碼間干擾，具體的7個(gè)步驟如下：對(duì)輸入向量采用歸*化預(yù)處理。
確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，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(duì)網(wǎng)絡(luò)輸入到zui末隱層之間的*有權(quán)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(jì)算網(wǎng)絡(luò)隱層節(jié)點(diǎn)的梯度Pw=W/W=（尤於-XM）/x2-XM，然后計(jì)網(wǎng)絡(luò)隱層節(jié)點(diǎn)敏感區(qū)的寬度化=w=GxM-xM，其中般取0.9左右，“為之間的隨機(jī)數(shù)。根據(jù)匕和化可以計(jì)算出第z隱層節(jié)點(diǎn)的權(quán)值對(duì)網(wǎng)絡(luò)輸出層權(quán)值進(jìn)行賦值。由于網(wǎng)絡(luò)輸出層權(quán)值的變化對(duì)網(wǎng)絡(luò)輸出的影響zui大，可根據(jù)網(wǎng)絡(luò)*干擾性能對(duì)網(wǎng)絡(luò)輸出層權(quán)值進(jìn)行設(shè)計(jì)。對(duì)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(shù)。計(jì)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(jù)特殊樣本集找到相對(duì)應(yīng)期望平均值的誤差'，即其中分別為網(wǎng)絡(luò)輸出的個(gè)數(shù)和隱層節(jié)點(diǎn)的個(gè)數(shù)，則網(wǎng)絡(luò)輸出層的權(quán)值為w.：斗'.7-1，其中前向傳播計(jì)算網(wǎng)絡(luò)輸出。計(jì)算隱層節(jié)點(diǎn)的輸出為其中z.為隱層節(jié)點(diǎn)的輸出，wz為隱層節(jié)點(diǎn)的權(quán)值，x，為輸入向量，力為隱層節(jié)點(diǎn)閾值。
其中M為輸出結(jié)點(diǎn)的輸出，為隱層節(jié)點(diǎn)的輸出，vfi為輸出結(jié)點(diǎn)的權(quán)值，0為輸出結(jié)點(diǎn)的閾值。
（6）進(jìn)行網(wǎng)絡(luò)訓(xùn)練更新權(quán)值。計(jì)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(diào)器補(bǔ)償因子以補(bǔ)償權(quán)值增量。
當(dāng)網(wǎng)絡(luò)的誤差變化率較大時(shí)，網(wǎng)絡(luò)輸出層權(quán)值及隱層權(quán)值在協(xié)調(diào)器的控制下較大，使網(wǎng)絡(luò)迅速變化；當(dāng)誤差在范圍內(nèi)時(shí)，網(wǎng)絡(luò)輸出層權(quán)值在協(xié)調(diào)器的控制下減小，同時(shí)停止隱層權(quán)值的修正，以避免網(wǎng)絡(luò)產(chǎn)生過沖反向誤差；當(dāng)誤差小于10%時(shí)，隱層權(quán)值在協(xié)調(diào)器的控制下進(jìn)行修正，而停止網(wǎng)絡(luò)輸出層權(quán)值的修正，使網(wǎng)絡(luò)的綜合誤差達(dá)到允許值。
（7）判斷誤差，結(jié)束網(wǎng)絡(luò)。判斷誤差AE是否小于期望五，如滿足要求則結(jié)束；否則，返回網(wǎng)絡(luò)繼續(xù)調(diào)整權(quán)值，直到滿足實(shí)際需求為止。
2算法的仿真分析通過Matlab對(duì)傳統(tǒng)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(xùn)練結(jié)果與理想輸出的比較結(jié)果圖，其中BP網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目=10，傳統(tǒng)BP網(wǎng)絡(luò)學(xué)習(xí)率為=0.05，zui大迭代次數(shù)ep0cfe=100，目標(biāo)誤差指標(biāo)g0ai=1xe5.（a）為傳統(tǒng)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(xùn)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(xùn)練后的網(wǎng)絡(luò)輸出基本重合，可以達(dá)到較好的效果。顯然，本文改進(jìn)算法的穩(wěn)態(tài)誤差是優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的。
為BP網(wǎng)絡(luò)誤差與迭代次數(shù)關(guān)系曲線。（a）為傳統(tǒng)BP網(wǎng)絡(luò)算法的誤差曲線，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。
