一、基于累积量的两层前馈神经网络盲辨识（论文文献综述）
李媛[1]（2020）在《极限学习机在线盲均衡算法研究》文中认为均衡技术可以有效地改善多径效应和信道畸变对通信质量的影响,主要有两类:自适应均衡技术和盲均衡技术。前者虽可以有效地消除多径效应造成的码间干扰,但却需要不停地发送训练序列,造成有效频谱的浪费。而盲均衡技术能够不借助训练序列,仅利用接收序列本身的先验信息,便可实现信道均衡,因此逐渐引起研究人员的广泛关注。其中,神经网络盲均衡方法因其良好的非线性映射能力而成为解决盲均衡问题的重要研究方向之一。极限学习机（Extreme Learning Machine,ELM）是新型的单隐层前馈神经网络,不仅继承了神经网络良好的泛化能力,而且具有结构简单,运行速度快的独特优点。然而目前基于极限学习机的盲均衡算法研究甚少,且研究成果属于批量训练算法,无法满足实时通信系统的需求。对此,本文提出了基于在线序列极限学习机的常模算法（OS-ELM-CMA）和基于递归最小二乘法的极限学习机在线盲均衡算法。主要贡献如下:（1）在深入研究极限学习机及其相关算法的基础上,提出了基于在线序列极限学习机的常模算法（OS-ELM-CMA）,该算法将正则化极限学习机（Regularized Extreme Learning Machine,RELM）的代价函数引入在线序列极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）的模型中,结合常模算法（Constant Modulus Algorithm,CMA）的误差函数构造代价函数,通过迭代重加权最小二乘（Iterative Re-Weighted Least Square,IRWLS）法迭代求解OS-ELM初始学习阶段的输出权值。OS-ELM-CMA在学习过程中可以逐个或者逐块添加数据,满足了在线盲均衡的需求。仿真实验证明,相较于传统的CMA和基于迭代求解的正则化极限学习机常模算法,本文提出的OS-ELM-CMA不仅实现了在线盲均衡,而且具有更低的均方误差（Mean Square Error,MSE）值。（2）针对OS-ELM初始学习阶段需要批量数据训练网络的缺点,为了实现完全意义的在线盲均衡,针对常模信号和多模信号分别提出了基于递归最小二乘（Recursive Least Squares,RLS）法的极限学习机常模算法（ELM-RLS-CMA）和基于递归最小二乘法的极限学习机多模算法（ELM-RLS-MMA）。此外,针对非线性卫星信道设计了盲均衡实验,以验证ELM不同参数的选取对算法性能的影响以及两种算法针对QPSK常模信号和16QAM多模信号表现出的性能差异,实验结果表明,ELM-RLS-MMA不仅具有和ELM-RLS-CMA相当的性能,还可以解决相位偏转问题。（3）为了充分证明提出的ELM-RLS对于盲均衡问题的解决能力,进一步在预测原理盲均衡的框架下,将ELM作为非线性误差滤波器,利用RLS训练输出权值,并采用自动增益装置和旋转因子实现了QAM信号的在线盲均衡。通过仿真实验证明,针对16QAM信号,ELM-PEF和ELM-RLS-MMA性能相当,具有良好的均衡能力,均可以解决相位偏转问题。
袁治普[2]（2020）在《基于深度学习网络的信号解调技术研究》文中指出解调误码率是影响无线通信系统性能的关键因素,基于特征表达的神经网络可以对接收信号进行正确有效的判决。在认知无线电和智能通信等领域,接收端需要对不同调制类型的信号进行准确的识别与解调,深度学习网络可以根据调制类型的变化及时地改变判决规则,同时,深度学习网络的运行模式可以降低解调系统的运算复杂度。首先,针对MPSK、MQAM和MAPSK数字调制信号,本文提出一种基于SAE网络的确知信号解调方法,利用SAE网络对基带采样信号进行特征提取,经Softmax分类层输出解调比特流。仿真结果表明在加性高斯白噪声和多径衰落信道环境下,基于SAE网络的解调方法比传统相干解调方法性能提升3～5dB,同时比传统相干解调方法具备更低的运算复杂度。其次,针对未知调制类型的信号,本文设计了一种基于单一 SAE网络架构的盲解调系统模型。仿真结果表明在AWGN信道环境下,当调制类型较少时,基于单一 SAE网络的解调方法比传统相干解调方法性能提升4～5dB。最后,针对MPSK和MQAM信号,本文提出了一种基于调制识别和多网络架构的盲信号解调方法。仿真结果表明,在多种调制类型系统中,本文提出的调制识别方法比现有方法具备更高的识别准确率,同时可以对信号实现高性能的解调。
刘子通[3]（2011）在《基于神经网络的盲均衡算法研究》文中研究说明盲均衡技术是一门新兴的现代自适应均衡技术,它相对于传统的自适应均衡技术来说,可以只利用接收信号本身的一些数据特征来自适应地调节均衡器的参数,从而消除由信道的非理想特性引起的码间串扰,达到均衡信道的目的。这种均衡方法不但可以提高通信效率,还可以从一定程度上减小通信系统的复杂性。本文首先对盲均衡技术和神经网络的原理和发展现状进行了详细的介绍,然后对各种基于神经网络的盲均衡技术的优缺点进行了分析。高阶神经网络具有很强的非线性变换能力。而且,由于网络中不含隐含层,所以算法的收敛速度也比较快,且不容易陷入局部最小,它的非线性变换能力是和阶数成正比的,而当阶数增加时,网络的权矩阵的维数会以几何幂的速度增长,这就导致了这种网络用硬件实现起来变的非常困难。本文针对以上问题引入了双线性反馈神经网络（BLRNN）。这种网络可以逼近多种非线性方程,同时,当阶数增加时,网络的计算量也不会以几何幂的形式增加,这就使其能够较容易地用硬件来实现。本文根据盲均衡算法的特点,将BLRNN自适应算法和传统的恒模算法进行了结合,并成功的将这种算法应用到了复数域内。最后通过计算机对此类算法在不同的信道下进行了仿真,结果表明,这种改进算法相对于传统的恒模算法在性能上有了一定程度的改进。
张晓琴[4]（2008）在《基于模糊神经网络盲均衡算法的研究》文中认为无线和数字通信系统中,由于信号在传输过程中会受到复杂传播机制的影响,从而产生码间干扰。为了消除码间干扰,要在接收端进行均衡,以补偿信道特性,正确恢复发送序列。传统的均衡器由于需要不断地发送训练序列,已经不能满足数字通信技术发展的要求。盲均衡技术不需要训练序列,仅利用接收序列的统计特性便能自适应地调节参数,也就是说,盲均衡技术本身完全不用训练序列,就可以自启动收敛并防止失锁情况,且能使滤波器的输出与要恢复的输入信号相近。盲均衡技术有效克服了传统均衡器的缺点,对于信道的经常性衰落、严重的非线性及时变特性、多径传播等的影响,以及接收机无法跟踪上信道特性而出现的通信中断,盲均衡器会自动调整参数,跟踪信道特性,完成对信号的最佳估计。目前已在通信、雷达,地震勘探,图像处理等领域中得到应用。本文所做的主要工作有:（1）系统分析了盲均衡算法原理以及盲均衡技术的发展现状,研究了模糊神经网络特点、结构及确定方法,分析了隶属函数的选取原则,阐述了模糊神经网络的学习算法,首次提出三种基于模糊神经网络的盲均衡算法,并分析其实现原理。（2）分析了传统固定步长恒模盲均衡算法,针对步长大小会影响算法的收敛效果,提出变步长盲均衡算法的设计思想。利用模糊神经网络的控制功能,提出基于模糊神经网络控制步长因子的盲均衡算法,以提高步长控制的精度。通过误差信号和误差信号的变化大小及相关的规则,控制步长的实时变化,使得在算法初期采用大步长提高算法的收敛速度,在算法收敛后采用小步长,提高算法的收敛精度,从而解决了收敛速度和精度之间的相互制约。（3）根据传统前馈神经网络盲均衡算法中非线性修正因子α对算法收敛性能的影响,提出利用模糊神经网络控制α因子,得到优化的神经网络盲均衡算法的设计思想。通过误差信号及其变化作为模糊神经网络的输入信号,经过模糊神经网络的控制算法,得到时变的非线性修正因子α值,使得α在算法开始阶段信号畸变较为严重时取值较大,加快信号盲均衡的收敛速度,在算法逐渐收敛的同时,α因子也逐渐减小,以降低收敛后的剩余误差,从而有效地改进算法。（4）分析研究了模糊聚类的原理、分类及特点应用,并基于模糊神经网络聚类的特点提出了利用模糊神经网络作为分类器的盲均衡算法思想。传统的盲均衡技术将均衡后的信号经过判决器直接判决归类,恢复发送信号,但判决器一般用阈值进行判决,属于硬划分。模糊神经网络分类器利用模糊算法对被分类的信号进行动态的归类,属于软判决,可以有效地提高信号分类的正确率。（5）认真研究了动态模糊神经网络的原理及分类,分析了无线通信系统中,信道的时变性和不确定性决定了盲均衡过程是一个动态的均衡过程,针对动态模糊神经网络可以利用系统的当前数据和历史数据,符合盲均衡过程中信道动态变化的特性,提出利用动态模糊神经网络取代横向滤波器,直接进行盲均衡的算法。
康艳旗[5]（2007）在《基于多层前馈神经网络盲均衡算法的研究》文中指出盲均衡技术是一种不需要发送训练信号，仅利用接收信号本身的统计特性就能对信道的色散特性进行均衡的新型自适应均衡技术。可以有效地克服码间干扰，提高通信质量，是目前数字通信和信号处理领域的热点研究课题之一。人工神经网络是理论化的大脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，能够进行复杂的逻辑操作并实现非线性关系，用神经网络优化均衡算法具有重要的理论意义和实用价值。本文所做的主要工作如下：（1）分析了三层前馈神经网盲均衡算法的缺陷，讨论了其改进形式，提出了基于四层前馈神经网络的盲均衡算法。通过计算机仿真表明，与原算法相比，新算法的均衡效果有所提高。（2）在总结基于四层前馈神经网络的盲均衡算法性能的基础上，提出五层前馈神经网络的盲均衡算法。通过计算机仿真表明，与三层和四层算法相比，新算法的均衡效果有了进一步的提高。（3）研究了一般的多层前馈神经网络盲均衡算法中各项性能指标，将三层前馈神经网络盲均衡算法与四、五层的前馈神经网络盲均衡算法相比较，总结出通过增加隐含层的方法可以降低稳态剩余误差和误码率，但收敛速度将会随着层次的增加而降低。
李艳琴[6]（2007）在《基于前馈神经网络盲多用户检测算法的研究》文中指出在码分多址系统中，各用户之间扩频码并非完全正交，进而产生了多址干扰和“远-近”效应等，成为影响接收机性能和系统容量的主要因素。尽管多址干扰和“远-近”效应并不能完全避免，但可以采用多用户检测技术减小多址干扰的影响，改善系统性能，增大系统容量。神经网络具有运算速度快、并行处理能力强等优点，将神经网络与盲多用户检测相结合，研究基于神经网络的盲多用户检测算法已成为当前的热点课题。本文主要工作可以概括如下：1．简要讨论了多用户检测的目的与意义；概述了现有盲多用户检测算法的各种实现方法及其发展动态，分析了其特点，阐述了盲多用户检测的基本原理和常用算法，分析了神经网络的特点和结构，以及约束问题的求解。2．提出了基于恒模的前馈神经网络盲多用户检测算法，分别利用罚函数和增广Lagrange函数对约束恒模代价函数进行求解，获得前馈神经网络权值的最优解，从而得到新的前馈神经网络盲多用户检测算法。仿真实验表明，新算法改善了多用户检测的误码率、收敛速度和跟踪能力等性能。3．提出了基于最小峰度准则的前馈神经网络盲多用户检测算法，首先根据信号的高阶谱特性构造了基于最小峰度准则的代价函数，利用约束项来约束代价函数以保证期望信号的准确获取，进而利用上述两种优化方法对代价函数进行求解，得到基于最小峰度准则的前馈神经网络盲多用户检测算法。仿真表明新算法在误码率和收敛性方面优于传统线性约束算法。
宋蕾[7]（2007）在《基于神经网络盲源分离算法的研究》文中指出盲源分离是神经网络领域与信号处理领域相结合的产物，它是最近十年发展起来的一个新的研究领域。盲源分离要解决的问题是当源信号和混合信道的特征均未知的情况下，分离出原始信号的算法。它具有非常重要的理论意义和实用价值，被广泛应用于无线通信领域、生物医学信号分析与处理、图像识别、数据挖掘、语音增强以及地球物理数据处理方面，有着非常广阔的发展前景。本文所做的主要工作：（1）介绍了盲源分离算法的研究目的和意义，阐述了盲源分离问题的起源及发展动态。分析了盲源分离的基础理论，总结并证明了高阶累积量、负熵、熵、互信息、似然函数等常用的目标函数，以及各种优化算法。给出了评判盲源分离算法性能的标准。（2）分析了基于神经网络盲源分离算法的原理和结构。针对基于最小互信息前馈神经网络盲源分离算法，提出了加入动量项的改进前馈神经网络盲源分离算法。该算法把前一时刻权值的调节量用于当前权值的调节过程中，可以有效地抑制网络陷入局部极小，防止了振荡，加快了权值的收敛速度。通过计算机仿真实验验证了该算法的优良性能。（3）分析了基于最大熵递归神经网络的盲源分离算法原理及结构，针对Matsuoka等人提出的递归神经网络盲源分离算法基础上，提出了一种基于全递归神经网络的盲源分离算法，该算法在分离网络结构和优化算法上对原算法进行改进，特别是当信号被严重伸缩，即混合矩阵A近似奇异的时候，分离效果良好。计算机仿真实验证明了该算法的良好分离性能。（4）对盲源分离算法在各领域的应用作了介绍，尤其是对在图像处理和生物医学信号处理中的应用作了初步的探讨。
贾枫美[8]（2006）在《基于递归神经网络盲均衡算法的研究》文中研究表明均衡技术是数字通信系统中克服码间干扰的有效方法，其中盲均衡是均衡技术的最新发展，它不需要借助训练序列就能自适应调整均衡器的抽头系数，因此得到广泛应用。本文对神经网络盲均衡算法进行了深入研究，分析了其在收敛性能上存在的缺点，将两种简单的递归神经网络引入到盲均衡算法中，提出了两种改进算法，并通过计算机仿真对收敛性能进行了验证。本文所做的主要工作有：（1）对神经网络和神经网络盲均衡算法的原理及发展分别进行了阐述，分析了它们的优缺点。归纳了递归神经网络的结构，并分析了其结构及功能的异同。（2）将两种递归神经网络——对角递归神经网络和准对角递归神经网络应用于盲均衡算法中，利用其结构简单、计算量少，而又具有动态特性的优点，结合传统的恒模盲均衡算法重新构造了代价函数，提出了两种新算法。并用最速梯度下降法推导了其算法迭代公式。（3）对提出的新算法进行计算机仿真，结果证明新算法收敛速度快，稳态剩余误差小。
李何,张立毅[9]（2006）在《神经网络盲均衡》文中研究说明盲均衡作为有效解决码间干扰问题的关键技术,实现它的办法有许多种。神经网络对非线性函数有良好的逼近能力,人们经常用神经网络来实现盲均衡。本文对基于神经网络实现盲均衡的几种算法进行了初步的总结和概括。
肖瑛[10]（2006）在《基于水声信道的盲均衡算法研究》文中研究指明传统的自适应均衡技术由于需要重复发送训练序列，在水声通信中，必将占用本不富裕的水声通信带宽，降低通信效率，而盲均衡具有无需训练序列的优良特性，并且理论与实践均证明，盲均衡可以在某些传统自适应均衡技术无效的条件下依然能够很好实现均衡，在特定约束条件下，还能获得比传统自适应均衡技术更好的均衡性能。随着现代化水声通信向高速信息传输需求的发展，对水声通信盲均衡理论和算法进行分析和研究具有重要意义。 本文针对水声信道特性，对Bussgang类盲均衡算法和直接高阶统计量算法做了理论与算法上的研究和分析，并针对水声信道非线性特性，对前馈神经元网络盲均衡算法的实现进行了分析和改进。研究内容主要包括以下几个方面： 1、从数学上盲反卷积的角度对盲均衡实现的理论依据、均衡准则、约束条件进行了分析。根据BBR公式，说明了在信号满足非高斯分布前提下输入信号与输出信号之间统计特性的联系，并论证了盲均衡中需要借助高阶累积量这一工具的原因。 2、对Bussgang类盲均衡算法的特例CMA算法的理论基础和算法实现进行了研究，分析了CMA算法的代价函数局部极小值问题，并针对CMA算法收敛速度慢，收敛后剩余误差大的缺陷给出了改进算法：利用小样本重用方法初始化均衡器权重，定义了移动窗剩余误差，并根据移动窗剩余误差对算法学习步长进行自适应调整，由移动窗剩余误差确定切换门限，综合以上提出了一种双模式算法。仿真结果证明了改进算法在收敛速度及均衡性能上的有效性。 3、直接高阶累积量的盲均衡算法存在计算量庞大以及对累积量准确估计的问题。文中在对倒三谱盲均衡算法分析的基础上，提出了一种遗忘递推倒三谱盲均衡算法，通过数据块递推估计方法，减少了倒三谱盲均衡算法的计算量并保证了累积量估计的准确性。 4、鉴于水声信道存在非线性特性，分析了利用前馈神经网络作为盲均衡器的盲均衡方法，并针对直接BP算法的缺陷给出了利用代价函数调整学习步
二、基于累积量的两层前馈神经网络盲辨识（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于累积量的两层前馈神经网络盲辨识（论文提纲范文）
（1）极限学习机在线盲均衡算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第二章 盲均衡理论概述 |
| 2.1 盲均衡理论基础 |
| 2.1.1 盲均衡原理 |
| 2.1.2 盲均衡准则 |
| 2.2 盲均衡分类 |
| 2.2.1 Bussgang类盲均衡算法 |
| 2.2.2 基于高阶统计量的盲均衡算法 |
| 2.2.3 非线性盲均衡算法 |
| 2.3 盲均衡评价标准 |
| 2.4 本章小结 |
| 第三章 基于在线序列极限学习机的常模算法 |
| 3.1 极限学习机理论 |
| 3.2 在线序列极限学习机(OS-ELM) |
| 3.3 基于在线序列极限学习机的常模算法 |
| 3.4仿真实验 |
| 3.4.1 实验设计 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于递归最小二乘的极限学习机在线盲均衡算法 |
| 4.1 最小均方算法和递归最小二乘算法 |
| 4.1.1 最小均方(LMS)算法 |
| 4.1.2 递归最小二乘(RLS)算法 |
| 4.2 基于递归最小二乘的极限学习机在线盲均衡算法 |
| 4.2.1 基于RLS的极限学习机常模算法 |
| 4.2.2 基于RLS的极限学习机多模算法 |
| 4.3仿真实验 |
| 4.3.1 参数设置对算法性能的影响 |
| 4.3.2 两种在线盲均衡算法的性能对比 |
| 4.4 本章小结 |
| 第五章 基于预测原理的极限学习机在线盲均衡算法 |
| 5.1 基于预测原理的盲均衡算法 |
| 5.2 基于预测原理的极限学习机在线盲均衡算法 |
| 5.3仿真实验 |
| 5.3.1 参数设置对算法的影响 |
| 5.3.2 算法性能对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）基于深度学习网络的信号解调技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器学习的确知信号解调研究现状 |
| 1.2.2 盲信号解调研究现状 |
| 1.3 本文研究内容及结构安排 |
| 第二章 高阶调制系统与深度学习网络 |
| 2.1 高阶数字调制系统 |
| 2.1.1 调制实现原理 |
| 2.1.2 解调器基本结构 |
| 2.2 无线信道特性与抗噪性能分析 |
| 2.2.1 无线信道特性 |
| 2.2.2 抗噪性能分析 |
| 2.3 深度学习 |
| 2.3.1 理论基础 |
| 2.3.2 自编码器 |
| 2.3.3 去噪自编码器 |
| 2.3.4 SAE深度学习网络 |
| 2.4 本章小结 |
| 第三章 基于SAE深度学习网络的确知调制类型信号解调 |
| 3.1 系统模型 |
| 3.2 基于SAE深度学习网络的解调系统设计 |
| 3.2.1 数据集生成 |
| 3.2.2 解调网络构建 |
| 3.2.3 解调网络训练 |
| 3.3 性能仿真 |
| 3.3.1 运算复杂度 |
| 3.3.2 误码率性能分析 |
| 3.3.3 系统参数对解调性能的影响 |
| 3.4 本章小结 |
| 第四章 基于SAE深度学习网络的未知调制类型信号盲解调 |
| 4.1 基于单一SAE网络架构的调制信号盲解调 |
| 4.1.1 解调系统设计 |
| 4.1.2 性能仿真 |
| 4.2 调制识别 |
| 4.2.1 信号的高阶累积量参数 |
| 4.2.2 基于特征参数和SAE网络的调制信号识别 |
| 4.2.3 基于SAE网络的调制信号识别 |
| 4.2.4 两种调制识别方法性能对比 |
| 4.3 基于调制识别和多网络架构的调制信号盲解调 |
| 4.3.1 系统模型 |
| 4.3.2 性能仿真 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于神经网络的盲均衡算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的目的与意义 |
| 1.2 基于神经网络的盲均衡技术的发展现状 |
| 1.2.1 盲均衡技术的发展现状 |
| 1.2.2 神经网络的发展现状 |
| 1.2.3 基于神经网络的盲均衡技术的发展现状 |
| 1.3 本文主要工作以及章节安排 |
| 第二章 信道盲均衡技术 |
| 2.1 盲均衡技术的基本原理 |
| 2.2 盲均衡技术的准则与性能表征 |
| 2.3 盲均衡的基本算法 |
| 2.3.1 最小均方(LMS)算法 |
| 2.3.2 递归最小二乘(RLS)算法 |
| 2.4 盲均衡算法性能的评价准则 |
| 2.4.1 算法收敛速度 |
| 2.4.2 稳态剩余误差 |
| 2.4.3 误码率 |
| 2.5 经典盲均衡算法 |
| 2.5.1 经典盲均衡的优缺点分析 |
| 2.5.2 恒模算法 |
| 第三章 人工神经网络的技术基础 |
| 3.1 人工神经网络概述 |
| 3.2 人工神经元及其特性 |
| 3.2.1 生物神经元 |
| 3.2.2 人工神经元的数学模型 |
| 3.2.3 人工神经元的激活函数 |
| 3.3 人工神经网络模型及学习规则 |
| 3.3.1 人工神经网络模型 |
| 3.3.2 神经网络的学习规则 |
| 3.4 基于神经网络的盲均衡 |
| 3.4.1 基于神经网络盲均衡的原理 |
| 3.4.2 基于神经网络的盲均衡算法的分类与分析 |
| 第四章 基于双线性反馈神经网络的盲均衡算法研究 |
| 4.1 基于双线性反馈神经网络的盲均衡算法的理论基础 |
| 4.2 双线性反馈神经网络对PAM 系统的盲均衡 |
| 4.2.1 实值双线性反馈神经网络盲均衡算法 |
| 4.2.2 计算机仿真 |
| 4.3 双线性反馈神经网络在QAM 系统中的盲均衡算法 |
| 4.3.1 复值双线性反馈神经网络盲均衡算法 |
| 4.3.2 计算机仿真 |
| 4.4 算法跟踪信道突变性能仿真 |
| 4.5 小结 |
| 第五章 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
（4）基于模糊神经网络盲均衡算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 研究盲均衡技术的意义 |
| 1.2 盲均衡技术的算法分析 |
| 1.2.1 经典算法 |
| 1.2.2 高阶谱算法 |
| 1.2.3 神经网络算法 |
| 1.3 基于神经网络盲均衡技术的研究现状 |
| 1.3.1 基于代价函数方法 |
| 1.3.2 基于能量函数方法 |
| 1.3.3 基于统计特征方法 |
| 1.3.4 基于模糊神经网络自适应均衡器的发展 |
| 1.4 课题的研究背景 |
| 1.5 论文结构安排 |
| 第2章 模糊神经网络 |
| 2.1 模糊神经网络的概念 |
| 2.1.1 模糊神经网络的概念 |
| 2.1.2 模糊神经网络的特点 |
| 2.2 模糊神经网络的结构 |
| 2.2.1 模糊神经网络的拓扑结构 |
| 2.2.2 网络结构的确定 |
| 2.3 模糊神经网络隶属函数的选取 |
| 2.3.1 模糊神经网络隶属函数的确定方法 |
| 2.3.2 常用的隶属函数 |
| 2.3.3 隶属函数的选取原则 |
| 2.4 模糊神经网络的学习算法 |
| 2.4.1 结构学习 |
| 2.4.2 参数学习 |
| 2.5 模糊神经网络盲均衡算法的原理 |
| 2.5.1 基于模糊神经网络控制器的盲均衡算法 |
| 2.5.2 基于模糊神经网络分类器的盲均衡算法 |
| 2.5.3 基于模糊神经网络均衡器的盲均衡算法 |
| 第3章 基于模糊神经网络控制器的盲均衡算法 |
| 3.1 模糊神经网络控制器的基本原理 |
| 3.1.1 模糊控制器的原理 |
| 3.1.2 自适应模糊控制器原理 |
| 3.1.3 模糊控制特点及应用 |
| 3.2 恒模盲均衡算法的基本原理 |
| 3.2.1 经典盲均衡算法的基本原理 |
| 3.2.2 恒模盲均衡算法的基本原理及性能分析 |
| 3.2.3 变步长及控制参数盲均衡算法思想的提出 |
| 3.3 模糊神经网络控制恒模盲均衡器步长的算法 |
| 3.3.1 模糊神经网络控制恒模盲均衡器步长算法的基本原理 |
| 3.3.2 模糊神经网络控制恒模盲均衡器步长的算法形式 |
| 3.3.3 基于模糊神经网络控制步长的QAM盲均衡算法仿真 |
| 3.3.4 基于模糊神经网络控制步长的PSK盲均衡算法仿真 |
| 3.4 基于模糊神经网络控制非线性修正因子的盲均衡算法 |
| 3.4.1 模糊神经网络控制非线性修正因子的盲均衡算法原理 |
| 3.4.2 模糊神经网络控制非线性修正因子的算法形式 |
| 3.4.3 基于模糊神经网络控制非线性修正因子的QAM盲均衡算法仿真 |
| 3.4.4 基于模糊神经网络控制非线性修正因子的PSK盲均衡算法仿真 |
| 3.5 本章小结 |
| 第4章 基于模糊神经网络分类器的盲均衡算法 |
| 4.1 模糊神经网络分类器的基本原理 |
| 4.1.1 聚类分析的基本概念 |
| 4.1.2 聚类分析的分类 |
| 4.1.3 模糊聚类的特点及应用 |
| 4.1.4 信道盲估计算法 |
| 4.2 基于直接法聚类的模糊神经网络盲均衡算法 |
| 4.2.1 基于直接法聚类盲均衡算法的基本原理 |
| 4.2.2 基于直接法聚类的盲均衡算法形式 |
| 4.2.3 基于直接聚类模糊神经网络分类器的QAM盲均衡算法仿真 |
| 4.2.4 基于直接聚类模糊神经网络分类器的PSK盲均衡算法仿真 |
| 4.3 基于动态聚类法模糊神经网络的盲均衡算法 |
| 4.3.1 基于动态聚类法模糊神经网络盲均衡算法的基本原理 |
| 4.3.2 基于动态聚类法模糊神经网络的盲均衡算法形式 |
| 4.3.3 基于动态聚类模糊神经网络分类器的QAM盲均衡算法仿真 |
| 4.3.4 基于动态聚类法模糊神经网络分类器的PSK盲均衡算法仿真 |
| 4.4 本章小结 |
| 第5章 模糊神经网络取代横向滤波器的盲均衡算法 |
| 5.1 动态模糊神经网络的基本原理 |
| 5.1.1 动态模糊神经网络原理 |
| 5.1.2 动态模糊神经网络的特点 |
| 5.2 基于带延时单元的动态模糊神经网络盲均衡算法 |
| 5.2.1 基于带延时单元的动态模糊神经网络盲均衡算法基本原理 |
| 5.2.2 基于带延时单元的动态模糊神经网络盲均衡的算法形式 |
| 5.2.3 基于带延时单元的动态模糊神经网络的QAM盲均衡算法仿真 |
| 5.2.4 基于带延时单元的动态模糊神经网络的PSK盲均衡算法仿真 |
| 5.3 基于反馈型动态模糊神经网络的盲均衡算法 |
| 5.3.1 基于反馈型动态模糊神经网络的盲均衡算法的基本原理 |
| 5.3.2 基于反馈型动态模糊神经网络盲均衡的算法形式 |
| 5.3.3 基于反馈型动态模糊神经网络的QAM盲均衡算法仿真 |
| 5.3.4 基于反馈型动态模糊神经网络的PSK盲均衡算法仿真 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文所做的工作 |
| 6.2 本文的创新点 |
| 6.3 进一步研究的方向 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文目录 |
（5）基于多层前馈神经网络盲均衡算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究前馈神经网络盲均衡算法的意义 |
| 1.2 基于前馈神经网络盲均衡算法的研究进展 |
| 1.3 论文主要工作 |
| 第二章 基于前馈神经网络盲均衡的基本理论 |
| 2.1 盲均衡技术的基本原理 |
| 2.1.1 盲均衡的概念 |
| 2.1.2 盲均衡的均衡准则 |
| 2.1.3 盲均衡算法 |
| 2.1.4 盲均衡的性能表征 |
| 2.2 神经网络的基础知识 |
| 2.2.1 人工神经网络及其特征 |
| 2.2.2 人工神经网络的发展 |
| 2.2.3 人工神经网络ANN的主要模型 |
| 2.3 神经网络的类型 |
| 2.3.1 前馈神经网络及其模型 |
| 2.3.2 反向传播算法及BP神经网络 |
| 2.4 基于多层前馈神经网络盲均衡算法的基本原理 |
| 2.4.1 基于神经网络控制器的盲均衡算法 |
| 2.4.2 基于神经网络均衡器的盲均衡算法 |
| 2.4.3 基于神经网络分类器的盲均衡算法 |
| 第三章 基于四层BP神经网络的盲均衡算法 |
| 3.1 三层BP神经网络盲均衡算法 |
| 3.1.1 三层神经网络CMA算法的BP形式及其优点 |
| 3.1.2 三层BP神经网络盲均衡算法的缺点 |
| 3.2 四层前馈神经网络盲均衡算法 |
| 3.2.1 四层前馈神经网络的模型 |
| 3.2.2 四层前馈神经网络盲均衡算法迭代形式 |
| 3.2.3 计算机仿真 |
| 3.3 算法跟踪信道突变、抗干扰性能仿真及评价 |
| 3.4 本章小结 |
| 第四章 基于五层前馈神经网络盲均衡算法 |
| 4.1 五层前馈神经网络的模型 |
| 4.2 五层前馈神经网络盲均衡算法迭代形式 |
| 4.3 计算机仿真 |
| 4.3.1 五层与三层前馈神经网络盲均衡算法仿真比较 |
| 4.3.2 算法跟踪信道突变、抗干扰性能仿真及评价 |
| 4.3.3 五层与四层前馈神经网络盲均衡算法仿真比较 |
| 4.3.4 算法跟踪信道突变、抗干扰性能仿真及评价 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于前馈神经网络盲多用户检测算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 多用户检测的目的与意义 |
| 1.2 盲多用户检测的提出 |
| 1.3 盲多用户检测的国内外研究动态 |
| 1.4 论文的内容安排 |
| 第二章 前馈神经网络盲多用户检测的理论基础 |
| 2.1 多用户检测技术的系统模型 |
| 2.2 盲多用户检测原理与常用算法 |
| 2.2.1 盲多用户检测的基本原理 |
| 2.2.2 盲多用户检测的常用算法 |
| 2.3 前馈神经网络 |
| 2.3.1 神经网络的特点 |
| 2.3.2 神经网络的分类 |
| 2.3.3 前馈神经网络的结构 |
| 2.3.4 网络输入层和输出层的设计 |
| 2.4 恒模算法 |
| 2.5 最小峰度准则 |
| 2.6 神经网络盲多用户检测 |
| 2.7 约束问题的优化求解 |
| 2.8 本章小结 |
| 第三章 恒模前馈神经网络盲多用户检测算法基本原理 |
| 3.1 恒模前馈神经网络盲多用户检测算法基本原理 |
| 3.1.1 前馈神经网络结构 |
| 3.1.2 前馈神经网络盲多用户检测算法 |
| 3.2 基于罚函数优化的前馈神经网络盲多用户检测算法 |
| 3.2.1 罚函数优化前馈神经网络盲多用户检测算法推导 |
| 3.2.2 计算机仿真 |
| 3.3 基于增广Lagrange优化的前馈神经网络盲多用户检测算法 |
| 3.3.1 增广Lagrange优化前馈神经网络盲多用户检测算法推导 |
| 3.3.2 计算机仿真 |
| 3.4 本章小结 |
| 第四章 LMK准则下的前馈神经网络盲多用户检测算法 |
| 4.1 基于LMK准则下的自适应多用户检测算法的实现 |
| 4.2 基于罚函数优化的LMK前馈神经网络盲多用户检测算法 |
| 4.2.1 LMK准则下罚函数优化盲多用户检测算法推导 |
| 4.2.2 计算机仿真 |
| 4.3 增广Lagrange优化的LMK前馈神经网络盲多用户检测算法 |
| 4.3.1 LMK准则下增广Lagrange优化算法推导 |
| 4.3.2 计算机仿真 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表论文 |
（7）基于神经网络盲源分离算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究盲源分离技术的意义 |
| 1.3 盲源分离技术的发展及研究现状 |
| 1.4 本论文的主要内容和结构安排 |
| 第二章 盲源分离的基础理论 |
| 2.1 盲源分离的数学模型 |
| 2.1.1 瞬时线性混合信号的盲源分离 |
| 2.1.2 卷积混合信号的盲源分离 |
| 2.1.3 非线性混合信号的盲源分离 |
| 2.2 盲源分离的假设及不确定性 |
| 2.2.1 实现盲源分离的假设条件 |
| 2.2.2 多个高斯源的不可分离性 |
| 2.2.3 盲源分离的不确定性 |
| 2.3 盲源分离的目标函数 |
| 2.3.1 统计独立性 |
| 2.3.2 高阶统计量 |
| 2.3.3 负熵与最大熵准则 |
| 2.3.4 互信息最小化准则 |
| 2.4 梯度计算和优化方法 |
| 2.4.1 基于梯度的学习算法 |
| 2.4.2 不动点算法 |
| 2.5 盲源分离算法性能的评价标准 |
| 2.6 本章小结 |
| 第三章 基于前馈神经网络的盲源分离算法 |
| 3.1 盲源分离的神经网络结构 |
| 3.2 基于前馈神经网络的盲源分离算法 |
| 3.1.1 前馈神经网络 |
| 3.1.2 盲源分离的前馈网络结构 |
| 3.1.3 基于最小互信息前馈神经网络的盲源分离算法 |
| 3.3 加入动量项的改进前馈神经网络盲源分离算法 |
| 3.3.1 加入动量项的最小互信息盲源分离算法 |
| 3.3.2 计算机仿真实验 |
| 3.4 本章小结 |
| 第四章 基于递归神经网络的盲源分离算法 |
| 4.1 基于递归神经网络的盲源分离 |
| 4.1.1 递归神经网络 |
| 4.1.2 盲源分离的递归网络结构 |
| 4.1.3 基于最大熵递归神经网络的盲源分离算法 |
| 4.2 基于全递归神经网络的盲源分离算法 |
| 4.2.1 一种基于全递归神经网络的盲源分离算法 |
| 4.2.2 计算机仿真实验 |
| 4.3 本章小结 |
| 第五章 盲源分离的应用 |
| 5.1 图像处理 |
| 5.1.1 图像理解 |
| 5.1.2 图像恢复 |
| 5.2 生物医学信号处理 |
| 5.3 通信系统 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文所做的工作 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于递归神经网络盲均衡算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 通信均衡技术的发展 |
| 1.2 盲均衡技术及其发展 |
| 1.3 神经网络盲均衡算法国内外研究动态 |
| 1.4 本文的主要研究工作及其论文章节安排 |
| 第二章 基于递归神经网络盲均衡的基础知识 |
| 2.1 盲均衡技术的基本原理 |
| 2.1.1 盲均衡的定义 |
| 2.1.2 盲均衡的均衡准则 |
| 2.1.3 盲均衡的算法 |
| 2.1.4 盲均衡的性能表征 |
| 2.2 神经网络的基础知识 |
| 2.2.1 人工神经网络及其特征 |
| 2.2.2 人工神经网络的发展 |
| 2.2.3 人工神经网络ANN的主要模型 |
| 2.3 递归神经网络的基础知识 |
| 2.3.1 递归神经网络及其特征 |
| 2.3.2 递归神经网络的结构 |
| 2.4 基于递归神经网络盲均衡算法的基础知识 |
| 2.4.1 基于神经网络的盲均衡算法 |
| 2.4.2 基于递归神经网络的盲均衡算法 |
| 第三章 基于对角递归神经网络的盲均衡算法 |
| 3.1 引言 |
| 3.2 对角递归神经网络盲均衡算法的基本原理 |
| 3.3 对角递归神经网络盲均衡模型及状态方程 |
| 3.4 对角递归神经网络盲均衡算法 |
| 3.5 计算机仿真 |
| 3.6 算法跟踪信道突变、抗干扰性能及评价 |
| 3.7 小结 |
| 第四章 基于准对角递归神经网络盲均衡算法 |
| 4.1 引言 |
| 4.2 准对角递归神经网络盲均衡算法的基本原理 |
| 4.3 准对角递归神经网络盲均衡模型及状态方程 |
| 4.4 准对角递归神经网络盲均衡算法的算法 |
| 4.5 计算机仿真 |
| 4.6 信道突变、抗干扰性能及评价 |
| 4.7 小结 |
| 第五章 结论与展望 |
| 5.1 本文所做的主要工作 |
| 5.2 今后进一步研究的方向 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
（10）基于水声信道的盲均衡算法研究（论文提纲范文）
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景和意义 |
| 1.3 盲均衡研究现状 |
| 1.3.1 Bussgang类盲均衡算法 |
| 1.3.2 高阶统计量盲均衡算法 |
| 1.3.3 非线性均衡器盲均衡算法 |
| 1.4 算法性能的评价标准 |
| 1.5 本文研究的内容 |
| 第2章 盲反卷积与盲均衡 |
| 2.1 盲反卷积 |
| 2.2 高阶统计量 |
| 2.2.1 累积量的性质 |
| 2.2.2 高斯过程的累积量 |
| 2.2.3 高阶累积量谱的主要性质 |
| 2.3 高阶累积量与盲均衡 |
| 2.4 盲均衡准则 |
| 2.4.1 置零准则 |
| 2.4.2 峰度准则 |
| 2.4.3 累积量归一化准则(Gadzow定理) |
| 2.5 盲均衡器的选择 |
| 2.6 本章小结 |
| 第3章 水声信道下 CMA盲均衡算法分析 |
| 3.1 引言 |
| 3.2 CMA算法的理论分析 |
| 3.2.1 Bussgang变换分析 |
| 3.2.2 CMA算法的实现 |
| 3.2.3 cMA算法R_2的选取依据 |
| 3.3 CMA算法中的初始权 |
| 3.4 CMA算法的学习步长 |
| 3.5 双模切换 CMA算法 |
| 3.6 CMA及改进算法综合分析 |
| 3.7 本章小结 |
| 第4章 基于高阶谱理论的盲均衡 |
| 4.1 引言 |
| 4.2 倒三谱盲均衡算法分析 |
| 4.3 自适应倒三谱盲均衡算法 |
| 4.4 累积量的估计问题 |
| 4.5 遗忘递推倒三谱盲均衡 |
| 4.6 本章小结 |
| 第5章 遗传算法与神经网络盲均衡 |
| 5.1 引言 |
| 5.2 前馈神经网络盲均衡 |
| 5.2.1 代价函数的设定 |
| 5.2.2 算法实现 |
| 5.3 改进的前馈神经网络盲均衡 |
| 5.4 遗传优化前馈神经网络盲均衡 |
| 5.5 本章小结 |
| 第6章 实验数据处理与分析 |
| 6.1 水池实验系统介绍 |
| 6.2 联合盲均衡和载波恢复 |
| 6.2.1 均衡器结构 |
| 6.2.2 算法实现 |
| 6.3 实验数据处理分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研工作和取得的科研成果 |
| 致谢 |
四、基于累积量的两层前馈神经网络盲辨识（论文参考文献）
- [1]极限学习机在线盲均衡算法研究[D]. 李媛. 兰州大学, 2020(01)
- [2]基于深度学习网络的信号解调技术研究[D]. 袁治普. 西安电子科技大学, 2020(05)
- [3]基于神经网络的盲均衡算法研究[D]. 刘子通. 中北大学, 2011(10)
- [4]基于模糊神经网络盲均衡算法的研究[D]. 张晓琴. 太原理工大学, 2008(10)
- [5]基于多层前馈神经网络盲均衡算法的研究[D]. 康艳旗. 太原理工大学, 2007(04)
- [6]基于前馈神经网络盲多用户检测算法的研究[D]. 李艳琴. 太原理工大学, 2007(04)
- [7]基于神经网络盲源分离算法的研究[D]. 宋蕾. 太原理工大学, 2007(04)
- [8]基于递归神经网络盲均衡算法的研究[D]. 贾枫美. 太原理工大学, 2006(04)
- [9]神经网络盲均衡[A]. 李何,张立毅. 无线传感器网及网络信息处理技术——2006年通信理论与信号处理年会论文集, 2006
- [10]基于水声信道的盲均衡算法研究[D]. 肖瑛. 哈尔滨工程大学, 2006(11)