为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失...为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从2个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明:当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比(ACPR)比LM算法改善了2 d B。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。展开更多
文摘针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。
文摘为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从2个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明:当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比(ACPR)比LM算法改善了2 d B。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。
