本發(fā)明屬于無線通信信號(hào)處理及神經(jīng)網(wǎng)絡(luò)
技術(shù)領(lǐng)域：
，尤其是涉及一種非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)信號(hào)盲檢測(cè)方法。
背景技術(shù)：
：數(shù)據(jù)通信和無線傳感網(wǎng)技術(shù)的迅猛發(fā)展，對(duì)通信信號(hào)的盲檢測(cè)(BlindDetection)提出了更高的要求。所謂盲檢測(cè)僅利用接受信號(hào)本身便能夠檢測(cè)出發(fā)送信號(hào)，從而消除符號(hào)間干擾(ISI)以提高信息傳輸速率和可靠性。為解決傳統(tǒng)自適應(yīng)均衡技術(shù)容易引起的信道帶寬利用率低等問題，許多文獻(xiàn)開始使用Hopfield神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)盲檢測(cè)問題進(jìn)行研究。Hopfield神經(jīng)網(wǎng)絡(luò)(HopfieldNeuralNetworks,HNN)盲檢測(cè)算法不受信道是否含公零點(diǎn)的限制且所需發(fā)送數(shù)據(jù)更短，與二階統(tǒng)計(jì)量盲算法和高階統(tǒng)計(jì)量盲算法相比，更能滿足現(xiàn)代通信系統(tǒng)高速且可靠的傳輸要求。文獻(xiàn)[張昀，現(xiàn)代通信系統(tǒng)與通信信號(hào)處理[PhD],博士學(xué)位論文(南京：南京郵電大學(xué)),2012.]基于HNN的盲檢測(cè)算法研究已有初步成效，證明了網(wǎng)絡(luò)趨向穩(wěn)定平衡的充要條件。文獻(xiàn)[YangS,LeeCM,HBP:improvementinBPalgorithmforanadaptiveMLPdecisionfeedbackequalizer[J].IEEETransactionsonCircuitsandSystem,2006,53(3):240-244]指出HNN算法往往會(huì)陷入局部極小點(diǎn)，有時(shí)甚至收斂不到優(yōu)化問題的最優(yōu)解或者近似最優(yōu)解。文獻(xiàn)[MMartín-Valdivia,ARuiz-Sepúlveda,FTriguero-Ruiz,ImprovinglocalminimaofHopfieldnetworkswithaugmentedLagrangemultipliersforlargescaleTSPs[J].NeuralNetworks,2000,13(3):283-285]為解決局部極小點(diǎn)問題，在算法流程中，需在判斷算法陷入局部極小值后，另行選擇不同的起點(diǎn)，以得到全局最優(yōu)點(diǎn)。文獻(xiàn)[LuonanChen,KazuyukiAihara,Chaoticsimulatedannealingbyaneuralnetworkmodelwithtransientchaos[J].NeuralNetworks,1995，8(6):915–930]指出，暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(TransientlyChaoticNeuralNetwork,TCNN)可以避免陷入局部最優(yōu)。然而，TCNN具有負(fù)的自耦合，會(huì)導(dǎo)致能量函數(shù)的收斂速度變慢。針對(duì)這一問題，本發(fā)明提出了一種基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法，在暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上改進(jìn)混沌神經(jīng)網(wǎng)絡(luò)的自反饋項(xiàng)，能充分利用混沌的動(dòng)態(tài)特性進(jìn)行搜索，避免陷入局部最優(yōu)值，并且雙Sigmoid結(jié)構(gòu)能提高搜索速度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)的缺陷和不足，提供一種非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)信號(hào)盲檢測(cè)方法。本發(fā)明方法是在暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上改進(jìn)混沌神經(jīng)網(wǎng)絡(luò)的自反饋項(xiàng)，能充分利用混沌的動(dòng)態(tài)特性進(jìn)行搜索，避免陷入局部最優(yōu)值，并且雙Sigmoid結(jié)構(gòu)能提高搜索速度。該網(wǎng)絡(luò)旨在為無線通信網(wǎng)的全反饋網(wǎng)絡(luò)的信號(hào)盲檢測(cè)提供一種避免陷于局部最優(yōu)且搜索精度高的算法，為無線通信網(wǎng)提供準(zhǔn)確且快速的信號(hào)盲檢測(cè)方法。為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)信號(hào)盲檢測(cè)方法，其步驟如下：步驟A，構(gòu)造接收數(shù)據(jù)矩陣：接收端接收單個(gè)用戶發(fā)送信號(hào)，經(jīng)過過采樣，獲得離散時(shí)間信道的接收方程：XN＝SΓT式中，XN是接收數(shù)據(jù)陣，S是發(fā)送信號(hào)陣，Γ是由信道沖激響hjj構(gòu)成的塊Toeplitz矩陣；(·)T表示矩陣轉(zhuǎn)置；其中，S=[sL+M(k),...,sL+M(k+N-1)]N×(L+M+1)T=[sN(k),...,sN(k-M-L)]N×(L+M+1),]]>M為信道階數(shù)，L為均衡器階數(shù)，N為所需數(shù)據(jù)長(zhǎng)度；sL+M(k)＝[s(k),…,s(k-L-M)]T；其中，s∈{±1}，時(shí)刻k為自然數(shù)；hjj＝[h0,…,hM]q×(M+1)，jj＝0,1,…,M；q是過采樣因子，取值為正整數(shù)；XN＝[xL(k),…,xL(k+N-1)]T是N×(L+1)q接收數(shù)據(jù)陣，其中xL(k)＝?！L+M(k)；步驟B，接收數(shù)據(jù)矩陣奇異值分解：XN=[U,Uc]·D0·VH]]>式中，(·)H是Hermitian轉(zhuǎn)置；U是奇異值分解中的N×(L+M+1)酉基陣；0是(N-(L+M+1))×(L+1)q零矩陣；V是(L+1)q×(L+1)q酉基陣；Uc是N×(N-(L+M+1))酉基陣；D是(L+M+1)×(L+1)q奇異值陣；步驟C，設(shè)置權(quán)矩陣W＝IN-Q，其中IN是N×N維的單位陣，步驟D，將Chen’s混沌神經(jīng)網(wǎng)絡(luò)中的線性自反饋項(xiàng)改為非線性自反饋項(xiàng)，為了加快系統(tǒng)收斂速度使用雙Sigmoid結(jié)構(gòu)；雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)方程為：dyi(t)dt=f(ϵyi(t)+α[Σj=1nwijxj(t)+Ii]-λzi(t)g(xi(t)-I0))]]>xi(t)＝σ(yi(t))zi(t+1)＝(1-β)zi(t)對(duì)該方程進(jìn)行迭代運(yùn)算，然后把每次迭代的結(jié)果代入雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的能量函數(shù)E(t)中，當(dāng)該能量函數(shù)E(t)達(dá)到最小值，即yi(t)＝y(tǒng)i(t-1)時(shí)，該雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)達(dá)到平衡，迭代結(jié)束；其中，yi(t)為神經(jīng)網(wǎng)絡(luò)中第i個(gè)神經(jīng)元的內(nèi)部狀態(tài)；i代表第i個(gè)神經(jīng)元，j代表第j個(gè)神經(jīng)元，i≠j，且i、j為[0,N]內(nèi)任意的整數(shù)；t為神經(jīng)網(wǎng)絡(luò)迭代過程運(yùn)行的時(shí)間，該神經(jīng)網(wǎng)絡(luò)中的連續(xù)時(shí)間t和離散時(shí)間k通過歐拉公式實(shí)現(xiàn)轉(zhuǎn)換；ε為該網(wǎng)絡(luò)的衰減因子，且0≤ε≤1；wij為該網(wǎng)絡(luò)中神經(jīng)元j到神經(jīng)元i的互聯(lián)權(quán)值，并且wij＝wji；α為該網(wǎng)絡(luò)的耦合因子；Ii為第i個(gè)神經(jīng)元的偏置，I0是初始神經(jīng)元偏置；zi(t)為第i個(gè)神經(jīng)元的自反饋連接權(quán)值，λ為神經(jīng)元間衰減因子，且λ>0，β為變量zi(t)的衰減因子；xi(t)為第i個(gè)神經(jīng)元的輸出；該神經(jīng)網(wǎng)絡(luò)達(dá)到最后平衡時(shí)，可近似認(rèn)為每個(gè)神經(jīng)元的xi(t)＝y(tǒng)i(t)，xi(t)即為求取的發(fā)送信號(hào)；σ(.)為該神經(jīng)網(wǎng)絡(luò)的第一個(gè)Sigmoid激活函數(shù)，f(.)為該神經(jīng)網(wǎng)絡(luò)的第二個(gè)Sigmoid激活函數(shù)；并且：σ(s)＝tanh(c·s)f(s)=11+e-s]]>其中，s為神經(jīng)網(wǎng)絡(luò)的輸入，c是激活函數(shù)的內(nèi)置調(diào)整參數(shù)，f(.)的導(dǎo)數(shù)遠(yuǎn)小于σ(.)的導(dǎo)數(shù)；g(.)為該神經(jīng)網(wǎng)絡(luò)的非線性自反饋項(xiàng)：g(s)＝tanh(s)所述雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的能量函數(shù)E(t)為：E(t)＝Ehopfield+EaddEhopfield=-α2Σi=1nΣj=1nxi(t)wijxj(t)-ϵΣi=1n∫0xi(t)σi-1(τ)dτ-αΣi=1nIixi(t)]]>Eadd=λΣi=1nzi(t)∫0xi(t)g(τ-I0)dτ]]>其中：該混沌神經(jīng)網(wǎng)絡(luò)由N個(gè)神經(jīng)元構(gòu)成；E(t)為能量函數(shù)，該能量函數(shù)由Ehopfield和Eadd兩部分組成，Ehopfield為普通Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)項(xiàng)，Eadd為雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)能量函數(shù)的附加能量項(xiàng)；為第i個(gè)神經(jīng)元的Sigmoid函數(shù)σi(τ)的反函數(shù)。本發(fā)明的有益效果是：本發(fā)明提出一種非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)信號(hào)盲檢測(cè)方法，使用非線性函數(shù)作為混沌神經(jīng)網(wǎng)絡(luò)的自反饋項(xiàng)，并將雙Sigmoid函數(shù)運(yùn)用到盲檢測(cè)方法中，每次迭代時(shí)，首先進(jìn)入混沌神經(jīng)網(wǎng)絡(luò)，然后再進(jìn)入第二個(gè)激活函數(shù)。由于混沌神經(jīng)網(wǎng)絡(luò)具有可以避免陷于局部最優(yōu)的優(yōu)點(diǎn)，所以本發(fā)明繼承了混沌神經(jīng)網(wǎng)絡(luò)這一特點(diǎn)，提高了盲檢測(cè)性能；并且，與線性自反饋項(xiàng)的混沌神經(jīng)網(wǎng)絡(luò)相比，非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)具有更為復(fù)雜的動(dòng)力學(xué)行為，使網(wǎng)絡(luò)的內(nèi)部狀態(tài)具有更為高效的混沌搜索能力和搜索效率。本發(fā)明方法，在同等條件下，抗噪性能優(yōu)于傳統(tǒng)的Hopfield信號(hào)盲檢測(cè)方法。附圖說明圖1本發(fā)明雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)圖。圖2本發(fā)明基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法與Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法及暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法的誤碼率比較圖。HNN(HopfieldNeuralNetwork)算法為Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法，TCNN(TransientlyChaoticNeuralNetwork)算法為暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)算法，DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)算法為雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)算法。圖3本發(fā)明基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法與暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(TCNN)算法分別在不同數(shù)據(jù)長(zhǎng)度條件下的誤碼率比較圖。圖3.(a)是基于TCNN(TransientlyChaoticNeuralNetwork)盲檢測(cè)算法，圖3.(b)是基于DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)盲檢測(cè)算法。具體實(shí)施方式下面結(jié)合附圖，對(duì)本發(fā)明提出的基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的信號(hào)盲檢測(cè)方法進(jìn)行詳細(xì)說明：基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的信號(hào)盲檢測(cè)方法，其實(shí)施過程如下：忽略噪聲時(shí)，離散時(shí)間信道的接收方程定義如下XN＝SΓT(1)式中，XN是接收數(shù)據(jù)陣，S是發(fā)送信號(hào)陣，Γ是由信道沖激響hjj構(gòu)成的塊Toeplitz矩陣；(·)T表示矩陣轉(zhuǎn)置；其中，發(fā)送信號(hào)陣：S＝[sL+M(k),…,sL+M(k+N-1)]T＝[sN(k),…,sN(k-M-L)]N×(L+M+1)，M為信道階數(shù)，L為均衡器階數(shù)，N為所需數(shù)據(jù)長(zhǎng)度；sL+M(k)＝[s(k),…,s(k-L-M)]T；其中，s∈{±1}，時(shí)刻k為自然數(shù)；hjj＝[h0,…,hM]q×(M+1)，jj＝0,1,…,M；q是過采樣因子，取值為正整數(shù)；XN＝[xL(k),…,xL(k+N-1)]T是N×(L+1)q接收數(shù)據(jù)陣，其中xL(k)＝?！L+M(k)；對(duì)于式(1)，Γ滿列秩時(shí)，一定有滿足QsN(k-d)＝0，Uc是N×(N-(L+M+1))酉基陣，由奇異值分解中得到；其中：(·)H是Hermitian轉(zhuǎn)置；U是奇異值分解中的N×(L+M+1)酉基陣；0是(N-(L+M+1))×(L+1)q零矩陣；V是(L+1)q×(L+1)q酉基陣；Uc是N×(N-(L+M+1))酉基陣；D是(L+M+1)×(L+1)q奇異值陣；據(jù)此構(gòu)造性能函數(shù)及優(yōu)化問題J0=sNH(k-d)QsN(k-d)=sHQs---(2)]]>s^=argmins^∈{±1}N{J0}---(3)]]>其中，s∈{±1}N是N維向量，所屬字符集{±1}，表示信號(hào)的估計(jì)值。argmin()表示使目標(biāo)函數(shù)取最小值時(shí)的變量值，d為延時(shí)因子，d＝0,…,M+L。如此，盲檢測(cè)問題就成為了式(3)的全局最優(yōu)解問題。圖1是本發(fā)明雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)圖，包含權(quán)矩陣模塊、兩個(gè)激活函數(shù)、積分器、衰減因子、耦合因子和自反饋項(xiàng)。a.)該系統(tǒng)的動(dòng)態(tài)方程為：dyi(t)dt=f(ϵyi(t)+α[Σj=1nwijxj(t)+Ii]-λzi(t)g(xi(t)-I0))---(4)]]>xi(t)＝σ(yi(t))(5)zi(t+1)＝(1-β)zi(t)(6)其中，該混沌神經(jīng)網(wǎng)絡(luò)由N個(gè)神經(jīng)元構(gòu)成；t為網(wǎng)絡(luò)迭代過程中運(yùn)行的時(shí)間，該網(wǎng)絡(luò)中的連續(xù)時(shí)間t和離散時(shí)間k之間可以通過歐拉公式互相轉(zhuǎn)換，yi(t)為神經(jīng)網(wǎng)絡(luò)中第i個(gè)神經(jīng)元的內(nèi)部狀態(tài)；i代表第i個(gè)神經(jīng)元，j代表第j個(gè)神經(jīng)元，i≠j，且i、j為[0,N]內(nèi)任意的整數(shù)；σ(.)為神經(jīng)元的第一個(gè)Sigmoid函數(shù)，f(.)為神經(jīng)元的第二個(gè)Sigmoid函數(shù)，g(.)為此網(wǎng)絡(luò)的非線性自反饋項(xiàng)；ε為該網(wǎng)絡(luò)的衰減因子，且0≤ε≤1，wij為雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)中神經(jīng)元j到神經(jīng)元i的互聯(lián)權(quán)值，并且wij＝wji；α為該網(wǎng)絡(luò)的耦合因子，Ii為第i個(gè)神經(jīng)元的偏置，I0為初始神經(jīng)元的偏置；zi(t)為第i個(gè)神經(jīng)元的自反饋連接權(quán)值，λ為神經(jīng)元間衰減因子，且λ>0，β為變量zi(t)的衰減因子；xi(t)為第i個(gè)神經(jīng)元的輸出；該神經(jīng)網(wǎng)絡(luò)達(dá)到最后平衡時(shí)，可近似認(rèn)為每個(gè)神經(jīng)元的xi(t)＝y(tǒng)i(t)，xi(t)即為求取的發(fā)送信號(hào)；本文把雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的激活函數(shù)設(shè)計(jì)為：σ(s)＝tanh(c·s)(7)f(s)=11+e-s---(8)]]>其中，c是激活函數(shù)的內(nèi)置調(diào)整參數(shù)，f(.)的導(dǎo)數(shù)遠(yuǎn)小于σ(.)的導(dǎo)數(shù)；本文所述的非線性自反饋項(xiàng)設(shè)計(jì)g(.)為：g(s)＝tanh(s)(9)b.)能量函數(shù)在圖1所示的采用式(4)、式(5)、式(6)描述的雙Sigmoid混沌神經(jīng)網(wǎng)絡(luò)中，若該網(wǎng)絡(luò)由N個(gè)神經(jīng)元構(gòu)成，wij滿足wij＝wji，且wii>0；變量zi(t)的衰減因子β滿足β>0，Sigmoid函數(shù)σ(.)和f(.)的導(dǎo)數(shù)都分別大于零，那么該神經(jīng)網(wǎng)絡(luò)的能量函數(shù)表述為：E(t)＝Ehopfield+Eadd(10)Ehopfield=-α2Σi=1nΣj=1nxi(t)wijxj(t)-ϵΣi=1n∫0xi(t)σi-1(τ)dτ-αΣi=1nIixi(t)---(11)]]>Eadd=λΣi=1nzi(t)∫0xi(t)g(τ-I0)dτ---(12)]]>其中：E(t)為能量函數(shù)，該能量函數(shù)由Ehopfield和Eadd兩部分組成，Ehopfield為普通Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)項(xiàng)，Eadd為雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)能量函數(shù)的附加能量項(xiàng)。能量函數(shù)是一個(gè)與迭代時(shí)間有關(guān)系的變量，為第i個(gè)神經(jīng)元的Sigmoid函數(shù)σi(τ)的反函數(shù)。綜上所述，該網(wǎng)絡(luò)每次循環(huán)都先進(jìn)入混沌神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)跳出了局部極小點(diǎn)之后再進(jìn)入第二個(gè)激活函數(shù)，混沌神經(jīng)網(wǎng)絡(luò)和第二個(gè)激活函數(shù)就構(gòu)成了一個(gè)雙Sigmoid混沌神經(jīng)網(wǎng)絡(luò)，既保證了網(wǎng)絡(luò)可以避免局部極小點(diǎn)又使得網(wǎng)絡(luò)的收斂速度加快，最后達(dá)到網(wǎng)絡(luò)的平衡。為利用雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)盲檢測(cè)，求解式(2)、(3)的信號(hào)盲檢測(cè)問題，要使能量函數(shù)的最小值點(diǎn)對(duì)應(yīng)于盲檢測(cè)性能函數(shù)的最小值點(diǎn)。由于歐拉公式可以使連續(xù)時(shí)間和離散時(shí)間之間進(jìn)行相互轉(zhuǎn)換，在網(wǎng)絡(luò)達(dá)到穩(wěn)定時(shí)，可近似認(rèn)為xi(t)＝y(tǒng)i(t)，比較能量函數(shù)式(11)的第一部分與性能函數(shù)式(2)，則可看出相差一個(gè)負(fù)號(hào)，所以可考慮設(shè)計(jì)雙Sigmoid非線性混沌神經(jīng)網(wǎng)絡(luò)的權(quán)矩陣為投影算子形式W＝IN-Q，其中IN是N×N維的單位陣，這樣就使能量函數(shù)E(t)的最小值點(diǎn)對(duì)應(yīng)于盲檢測(cè)性能函數(shù)(2)的最小值點(diǎn)，從而能夠用雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)盲檢測(cè)。圖2和圖3分別是本發(fā)明基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)的信號(hào)盲檢測(cè)方法的仿真實(shí)驗(yàn)圖。這里的仿真采用不含公零點(diǎn)的經(jīng)典文獻(xiàn)信道，發(fā)送信號(hào)為二進(jìn)制相移鍵控信號(hào)，噪聲為高斯白噪聲，所有仿真結(jié)果都經(jīng)過100次蒙特卡洛實(shí)驗(yàn)而得。圖2是在條件相同的情況下，本發(fā)明算法與Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法及暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法的誤碼率比較圖。圖3本發(fā)明與暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(TCNN)算法分別在不同數(shù)據(jù)長(zhǎng)度條件下的誤碼率比較圖。圖3.(a)是暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(TCNN)盲檢測(cè)算法在不同數(shù)據(jù)長(zhǎng)度條件下的誤碼率變化圖，圖3.(b)是雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)(DS-NSCNN)盲檢測(cè)算法在不同數(shù)據(jù)長(zhǎng)度條件下的誤碼率變化圖。圖中HNN(HopfieldNeuralNetwork)算法為Hopfield神經(jīng)網(wǎng)絡(luò)算法，TCNN(TransientlyChaoticNeuralNetwork)算法為混沌神經(jīng)網(wǎng)絡(luò)算法，DS-NSCNN(NonlinearSelf-feedbackChaoticNeuralNetworkWithDoubleSigmoid)算法為雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)算法。仿真圖表明：本發(fā)明雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)算法比Hopfield算法和暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)盲檢測(cè)算法具有更好的誤碼性能，并且本發(fā)明基于雙Sigmoid非線性自反饋混沌神經(jīng)網(wǎng)絡(luò)算法在盲檢測(cè)時(shí)所需數(shù)據(jù)量比暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)算法更短。當(dāng)前第1頁1 2 3