基于一种杂交学习算法的自适应复信道均衡技术

本文提出了一种基于多层前馈神经网络杂交学习算法的自适应复信道均衡的新方法。该学习算法用来训练一个输入、输出、权值和激活函数均为复数的神经网络。神经网络的训练利用了监督和非监督相结合的杂交技术 ,而权值的调整是基于TLS(totalleastsquare)准则进行的。计算机仿真结果表明 ,无论是在线性还是在非线性信道中 ,所提出的方法都表现出了很好的性能 ,这为自适应复信道均衡提供了一种新方法。

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题 ,提出了一种新的将 BP算法和 GS算法相结合的杂交学习算法 ,其中 GS算法对隐层到输出层的权值和阈值进行学习 ,BP算法用于输入层到隐层权值的学习 ,并给出一种最佳的隐层节点数的选取方法 .仿真实验表明 ,该杂交学习算法具有学习速度快且能获得全局最优解的特点 ,并可有效地对学习过程中出现的病态情况进行求解 。