自我組織模糊類神經網路應用於非線性時變通道決策回授等化器

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：91

、訪客IP：3.146.178.90

姓名

林德成(Te-cheng Lin) 查詢紙本館藏

畢業系所

通訊工程學系

論文名稱

自我組織模糊類神經網路應用於非線性時變通道決策回授等化器
(Self-Organizing Fuzzy Neural Network Applied to Decision Feedback Equalizers of Nonlinear Time-varying Channels)

相關論文

★ Branch and Bound 演算法在全光網路包含串音局限的限制條件之最佳化規劃效能分析	★ 平行式最佳區塊碼解碼演算法
★ 數位廣播之視訊系統架構與信號估測	★ 粒子群優化演算法應用於電信業解決方案選商及專案排程之優化
★ 結合PSO及K-Means聚類分析演算法的圖像分割	★ 利用粒子群優化演算法改善分群演算法在訊號分群上之應用
★ 應用模糊聚類與粒子演算法之色彩分群研究	★ 粒子群優化演算法應用於企業更新數據網路採購之優化
★ 粒子群演算法應用於無線區域網路產品硬體開發成本優化	★ 粒子群演算法應用企業伺服器負載平衡之省電優化
★ 粒子群優化演算法應用於瓦斯業微電腦瓦斯表自動讀表之優化	★ 近場通訊之智慧倉儲管理
★ 在Android 平台上實現NFC 室內定位	★ 適用於訊號傳輸暨無線電力傳輸之設計
★ 結合PSO及圖像品質評估演算法識別頻譜訊號	★ 粒子群優化與二維Otsu演算法於影像二元化閥值選取研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

傳統上，一些模糊類神經網路系統都使用倒傳遞演算法(Back propagation, BP)調整其系統參數，但是不良的初始值往往會導致演算法收斂到局部最佳解（Local Minimum）。故，好的初始值是很重要的。而在模糊類神經網路系統結構的設計上，模糊規則數量會直接影響到系統的效能，在系統學習期間，若該數量保持不變，則可能導致模糊規則數不適當之情形產生。
為了解決BP法收斂到局部最佳解以及模糊類神經網路系統的結構設計問題，我們提出一種新型自我組織模糊類神經網路系統，它可根據輸入資訊自動建立系統結構以及設計初始值，再用BP訓練系統參數以達最佳效果。
最後，我們將提出的演算法，應用在非線性時變通道決策回授等化器上，並和傳統模糊類神經網路系統架構下的等化器做比較。從模擬結果可看出其有效降低位元錯誤率(Bit Error Rate, BER)及均方誤差收斂值(Mean Square Error, MSE)。

摘要(英)

Conventionally, a fuzzy neural network (FNN) system may adopt back-propagation (BP) learning algorithm to adjust parameters. An improper initial value in BP may lead to local minimum. Therefore, initial value selection is very important for BP. Furthermore, on structure design of FNN, the fuzzy rule numbers may affect the performance.
Specially, if the number of fuzzy rules keeps unchanged during learning, which is prone to bring a deficiency or redundancy of fuzzy rules.
To overcome the local minimum problem and structure design of a FNN system, we propose a novel self-organizing fuzzy neural network (SOFNN) system, which establishes the structure and obtain the initial values of the system automatically. Then the BP is used to optimize the parameters of a FNN system.
Finally, the proposed algorithm is applied to decision feedback equalizer (DFE) of nonlinear time-varying channels for comparison with the conventional FNN. The simulation results show that SOFFN-based DFE can reduce both the BER and MSE effectively.

關鍵字(中)

★ 自我組織
★ 模糊類神經網路
★ 時變通道

關鍵字(英)

★ self organizing
★ fuzzy neural network
★ time varying channel

論文目次

摘要 i
Abstract ii
目錄 iv
圖目錄 vi
表目錄 viii
第一章緒論 1
1-1 前言 1
1-2 調適性濾波器 2
1-3 調適性等化器 4
1-4 本篇論文組織 6
第二章模糊類神經網路 7
2-1 類神經網路 7
2-2 決策回授等化器 9
2-3 模糊系統 11
2-4 模糊類神經網路 14
2-5 模糊類神經網路等化器 17
第三章學習演算法 20
3-1 競爭式學習演算法 20
3-2 自我組織學習演算法 26
3-2-1 結構學習演算法 27
3-2-2 參數學習演算法 30
第四章模擬結果與分析 36
4-1 非時變通道的模擬結果 36
4-1-1 收斂特性-均方誤差收斂值： 39
4-1-2 位元錯誤率： 40
4-1-3 複雜度： 42
4-2 時變通道的模擬結果 43
4-2-1 收斂特性-均方誤差收斂值： 47
4-2-2 位元錯誤率： 48
4-2-3 複雜度： 49
第五章結論 50
參考文獻 51

參考文獻

[1]S. Siu, C.-L. Ho and C.-M Lee, “TSK-based Decision Feedback Equalizer Using an Evolutionary Algorithm Applied to QAM Communication Systems,” IEEE Trans. Circuits Syst. II-Express Briefs, Vol.52, no.9, pp.596-600, Sept. 2005.
[2]C.-H. Lee and Y.-C. Lin, “An adaptive neuro-fuzzy filter design via periodic fuzzy neural network,” Signal Process., Vol.85, no.2, pp.401-411, Feb. 2005.
[3]H. Song, C. Wang, Y. He, S. Ma and J. Zuo, “Decision feedback equalizer based on non-singleton fuzzy regular neural networks,” Journal of Systems Engineering and Electronics, Vol.17, no.4, pp.896-900, Dec. 2006.
[4]S. Haykin, Adaptive filter theory, 3rd Edition, Prentice-Hall, Englewood Cliffs, NJ, 1996.
[5]S. Siu, G.J. Gibson and C.F.N. Cowan. “Decision feedback equalization using neural network structures and performance comparison with standard architecture,” IEEE proceedings, Vol.137, Part I, no.4, pp.221-225, Aug. 1990.
[6]蘇木春, 張孝德, “機器學習：類神經網路、模糊系統以及基因演算法則,” 二版, 全華科技圖書股份有限公司, 台北市, 民國95年
[7]L. Xu, A. Krzyzak and E. Oja, “Rival Penalized Competitive Learning for Clustering Analysis, RBF Net, and Curve Detection,” IEEE Trans. on Neural Networks, Vol. 4, no. 4, pp. 636-649, Jul. 1993.
[8]Y. M. Cheung, “On rival penalization controlled competitive learning for clustering with automatic cluster number selection,” IEEE Trans. on Knowledge and Data Engineering, Vol.17, no.11, pp.1583-1588, Nov. 2005.
[9]J. Ma and T. Wang, “A cost-function approach to rival penalized competitive learning (RPCL),” IEEE Trans. Syst., Man., Cybern.—part B, Vol. 36, no.4, pp. 722-737, Aug. 2006.
[10]R.-C. Lin, W.-D. Weng and C.T. Hsueh. “Design of an SCRFNN-based nonlinear channel equaliser,” IEE Proc.-Commun., Vol. 152, no.6, pp. 771-779, Dec. 2005.
[11]S. S. Yang, S. Siu, and C. L. Ho, “Analysis of the initial values in split-complex backpropagation algorithm,” IEEE Trans. on Neural Netw., Vol.19, no.9, pp. 1564-1573, Sept. 2008.
[12]Q. Liang and J. M. Mendel, “Equalization of nonlinear time-varying channels using type 2 fuzzy adaptive filters,” IEEE Trans. Fuzzy Syst., Vol.8, no.8, pp. 551-563, Oct. 2000.
[13]S. Siu, S. S. Yang, C. M. Lee, and C. L. Ho, ”Improving the Back-Propagation Algorithm Using Evolutionary Strategy,” IEEE Trans. Circuits Syst. II-Express Briefs, Vol.54, no.2, pp. 171-175, Feb. 2007.

指導教授

賀嘉律(Chia-lu Ho)

審核日期

2009-6-30

推文