基于AP-NAG算法的复值神经网络信道均衡器设计方法

摘要

本发明公开了一种基于AP‑NAG算法的复值神经网络信道均衡器设计方法，包括以下步骤：将从非线性信道中采集的畸变信号y(n)作为复值神经网络的输入，将延时τ个单位的原始输入信号s(n‑τ)作为期望输出，将复值神经网络的实际输出和期望输出的均方误差作为损失函数；B、采用AP‑NAG算法训练复值神经网络，直至将损失函数值降低到预设值以下；C、将训练之后的复值神经网络模型作为信道均衡器。本发明解决了NAG算法用于复值神经网络训练的理论问题，并使其参数能自适应调整，实现了复值神经网络的高效训练，相对于传统的一阶优化算法性能有了明显提升，收敛速度更快。相对于二阶优化算法，本算法的计算量和存储量更小，但是收敛速度并不逊色。