神经网络在通信中的应用
发布时间:2008/5/29 0:00:00 访问次数:1194
| 神经网络是一门模仿人类神经中枢--大脑构造与功能的智能科学。他具有快速反应能力，便于对事务进行实时控制与处理；卓越的自组织、自学习能力；善于在复杂的环境下，充分逼近任意非线性系统，快速获得满足多种约束条件问题的最优化答案；具有高度的鲁棒性和容错能力等优越的性能。因此在通信中取得了广泛地应用。
1 神经网络在自适应信号处理中的应用 1．1 自适应滤波 利用神经网络的信号复原和特征抽取能力，可以做各种信号与信息的滤波检测，特别是对非线性问题能很好地解决。其中，多层前馈神经网络可用来学习非线性信号形成过程中的输入输出之间变换的映射关系。自组织神经网络可以分类自回归信号和图像处理，。多层感知器神经网络自适应非线性均衡器，对非线性信道的均衡性能远远超过常规线性判决反馈均衡器。将非线性神经网络应用于射体轨道跟踪系统、图像复原、模式识别及模糊控制系统等，都能取得较优和独特的性能，甚至能解决常规信息处理方法所不能求解的问题。 国外已经将神经网络用于非线性无记忆信道(如卫星通信信道等)的建模，分析和仿真结果明确表明其性能优于传统信道建模方法。 1．2 自适应盲均衡 基于神经网络的盲均衡目前有2种方法：一为利用过采样技术和独立分量分析(ica)神经网络方法，这是基于累积量的盲信源分离思想，即互信息最小化的独立分量分析方法；另一为利用回归子波神经网络盲均衡方法。 事实上，已经有许多文献报道了应用神经网络方法来进行信道均衡。文献中提出的神经网络方法都表现出了良好的性能，由于神经网络自身固有的特点，神经网络方法在处理非线性信道均衡问题时表现出的性能尤为突出。计算机仿真结果表明，神经网络均衡方法具有收敛速度快，误码率低等优点，这为自适应信道均衡提供了一种新的途径。 1．3 自适应盲信源分离 近年来，盲信源分离成为盲信号处理的研究热点，其原因主要是由于盲信源分离技术在许多方面都有应用。 利用神经网络进行盲信源分离方法有：利用类神经算法实现盲信源分离(jutten herault，1991)，基于信息理论判据的神经网络分离算法(xu，amari，1996)，最大化神经网络信息传输的分离算法(bell，sejnowski，1995)，基于多变量密度估计的盲信源分类算法，基于累积量展开的神经网络盲信源分离方法等。 此外，神经网络还可应用于自适应多径时延估计、自适应噪声和干扰对消、自适应波束形成、自适应波形选择、自适应模糊进化计算、自适应阵列信号处理和自适应编码等多种自适应信号处理领域。 2 神经网络应用于通信网络控制 随着计算机和通信技术的迅速发展，现代通信网络也越来越庞大、越来越复杂。因其高度复杂性以至传统的网络控制并不能很好的工作，这样的网络需要在动态发展的环境下自适应、智能系统来提供高的网络可靠性、精确的流量预测、高效的使用信道带宽、并且能优化网络。神经网络因其快速、灵活、自适应和智能控制能够完成这样的工作。 2．1 自适应呼叫允许控制 当用户提出一个呼叫或者连接请求时，呼叫允许控制就要依据现有的网络资源使用情况决定是否允许这个新的呼叫连接到网络上。神经网络能够根据流量特性自学习地组成一个多输入输出的非线性函数，并且处理速度能够非常迅速。 神经网络使用后向传播(back propagation)来学习目前的传输特性和相应的服务质量之间的关系。神经网络通过对运行的复用器行为的学习建立了一个判决函数。当复用器的特性改变时，神经网络能够通过他过去的经验，正确调整他的非线性函数。仿真表明神经网络方法比基于传统电信业务控制方法性能更好。后向传播神经网络还能够被应用到通信网络的其他许多相似问题，比如广域网管理、流量预测和其他的自适应控制问题。 2．2 最优路由选择 目前在高速路由器和交换机等网络互联的核心设备中都采用了交叉开关机制(crossbar)。这种交换结构是路由器和交换机的核心模块。交叉开关机制没有自路由能力，一般需要一个中心路由控制器。在文献中介绍了一个神经网络用于在交叉开关机制的路由控制器，其他文献也能发现类似的方法。国外已经用cmosvi．si实现了8x8神经网络来控制一个8x8交叉开关机制路由器，他的运行速度为120ns，对于实时控制交换机来说这个速度已经足够了。神经网络还能用来作为网络的流量控制、拥塞控制和网络速率调整，其仿真结果均表明用神经网络的方法显著优于传统的网络控制方法。 另外，神经网络因其反应速度快，善于在复杂的环境下解决非线性问题，还被广泛用于语音图像处理、雷达声纳的多目标跟踪与辨识、保密通信中。 3 结 语 神经网络在通信领域的应用，已显示出惊人的优越性。神经网络运用于通信中比传统方法更简单、更可靠。并且可实现快捷、灵活、自适应性、智能化实时管理。神
|
公网安备44030402000607
