混沌映射优化的Hopfield神经网络盲检测算法

"改进的混沌Hopfield神经网络盲检测算法" Hopfield神经网络是一种基于人工神经元模型的计算模型，由John J. Hopfield在1982年提出，主要用于模拟大脑的记忆过程。它是一个能量系统，通过迭代更新神经元状态来达到稳定状态，即全局最优解。然而，原始的Hopfield神经网络在处理复杂问题时可能会陷入局部最优，导致解决方案不准确。 本文主要关注的是提高Hopfield神经网络在盲检测中的性能。盲检测是一种无需完整信号信息的信号恢复方法，尤其适用于通信领域中，如在接收端恢复被噪声干扰的信号。传统的Hopfield神经网络在盲检测中可能存在激活函数过于线性，导致对输入信号的非线性特性处理不足的问题。 为了改善这一情况，作者提出了一个改进的激活函数，该函数在原点附近的非线性逼近能力更强。这样的设计使得网络能更好地适应各种输入信号的非线性特征，从而增强神经元对输入值变化的敏感性，提高抗干扰能力。 此外，针对Hopfield神经网络易陷入局部最优的缺陷，作者引入了混沌扰动策略。混沌理论中的混沌映射具有良好的遍历性和类随机性，可以生成看似随机但实际上是有规律的序列。在算法的起始阶段，利用混沌映射生成初始序列，当全局最优值保持不变时，对网络状态进行小幅度的混沌扰动。这种扰动有助于网络跳出局部最优，寻找更优的全局解，从而提升算法的收敛速度和盲检测的准确性。 在实际的仿真验证中，结合改进的激活函数和混沌扰动的Hopfield神经网络盲检测算法表现出更优的性能，包括更快的收敛速度和更高的抗干扰能力。这表明，该方法对于解决通信信号的盲检测问题具有很大的潜力和应用价值，对于提高通信系统的鲁棒性和可靠性有着积极的意义。 关键词：盲检测、混沌扰动、Hopfield神经网络、激活函数 中图分类号：TN911（电信技术类） 文献标识码：A doi:10.11959/j.issn.1000−0801.2018016（标识论文的唯一性）