遗传算法优化神经网络权值盲均衡算法的研究

doi:10.3778/j.issn.1002-8331.2009.11.049

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (11): 162-164.DOI: 10.3778/j.issn.1002-8331.2009.11.049

• 数据库、信号与信息处理 • 上一篇下一篇

遗传算法优化神经网络权值盲均衡算法的研究

张立毅^1,2,刘婷¹,孙云山¹,李锵²

1.天津商业大学信息工程学院，天津 300134
2.天津大学电子信息工程学院，天津 300072

收稿日期:2008-03-03 修回日期:2008-05-07 出版日期:2009-04-11 发布日期:2009-04-11
通讯作者: 张立毅

Research of genetic algorithm optimization neural network weights blind equalization algorithm based on real number coding

ZHANG Li-yi^1,2,LIU Ting¹,SUN Yun-shan¹,LI Qiang²

1.College of Information Engineering，Tianjin University of Commerce，Tianjin 300134，China
2.School of Electric Information Engineering，Tianjin University，Tianjin 300072，China

Received:2008-03-03 Revised:2008-05-07 Online:2009-04-11 Published:2009-04-11
Contact: ZHANG Li-yi

摘要/Abstract

摘要： 将遗传算法与神经网络盲均衡算法相结合，提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值，然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明，该算法与传统BP神经网络盲均衡算法相比，收敛速度加快，稳态剩余误差减小，误码率降低。

关键词: 盲均衡算法, 神经网络, 遗传算法, 初始权值

Abstract: The project of two-stage optimization neural network weights is proposed by combining genetic algorithm with neural network blind equalization algorithm.At first，the initialization weight is optimized using the characteristic of genetic algorithm，which is strong global search capability.And then，optimal weight is gained in virtue of the merit of BP algorithm，which is fast local search speed.Computer simulations show that，compared with traditional blind equalization algorithm based on BP neural network，the convergence speed of the proposed algorithm is quickened，state residual error is decreased and BER is reduced.

Key words: blind equalization algorithm, neural network, genetic algorithm, initial weight

张立毅^1,2,刘婷¹,孙云山¹,李锵². 遗传算法优化神经网络权值盲均衡算法的研究[J]. 计算机工程与应用, 2009, 45(11): 162-164.

ZHANG Li-yi^1,2,LIU Ting¹,SUN Yun-shan¹,LI Qiang². Research of genetic algorithm optimization neural network weights blind equalization algorithm based on real number coding[J]. Computer Engineering and Applications, 2009, 45(11): 162-164.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

遗传算法优化神经网络权值盲均衡算法的研究

Research of genetic algorithm optimization neural network weights blind equalization algorithm based on real number coding

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics