基于离散双向联想记忆神经网络的多元通信系统_陈伟康.pdf

2023 03 10计算机应用,Journal of Computer Applications2023,43(3):848-852ISSN 10019081CODEN JYIIDUhttp：/基于离散双向联想记忆神经网络的多元通信系统陈伟康1，翟其清2，王友国2*（1.南京邮电大学 通信与信息工程学院，南京 210003；2.南京邮电大学 理学院，南京 210023）（通信作者电子邮箱）摘要：针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题，提出一种基于离散双向联想记忆（BAM）神经网络的多元通信系统。首先，根据需要传输的信号，选取适当的神经元数量和记忆向量，计算权值矩阵，并生成BAM神经网络；然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统，通过神经网络进行循环迭代，并向各神经元添加高斯噪声，之后按照码元间隔采样输出并在无损信道中传输，接收端依据判决规则译码判决；最后在图像处理领域，利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明，对于码元间隔较大的弱调制信号，随着噪声强度的增加，差错概率先减后增，随机共振现象比较明显；差错概率还与信号的进制数呈正相关关系，与信号幅度、码元间隔和神经元个数呈负相关关系，某些条件下，差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外，解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善，扩展了BAM神经网络和随机共振在图像压缩编码中的应用。关键词：双向联想记忆神经网络；多元通信系统；随机共振；差错概率；图像压缩中图分类号：TP391.9 文献标志码：AMultivariate communication system based on discrete bidirectional associative memory neural networkCHEN Weikang1，ZHAI Qiqing2，WANG Youguo2*（1.College of Telecommunications and Information Engineering，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210003，China；2.College of Science，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210023，China）Abstract:Aiming at the problem that noise increases the error probability of the transmission signals of nonlinear digital communication system，a multivariate communication system based on discrete Bidirectional Associative Memory（BAM）neural network was proposed.Firstly，the appropriate number of neurons and memory vectors were selected according to the signals to be transmitted，the weight matrix was calculated，and BAM neural network was generated.Secondly，the multivariate signals were mapped to the initial input vectors with modulation amplitude and continuously input into the system.The input was iterated through the neural network and Gaussian noise was added to each neuron.After that，the output was sampled according to the code element interval，and then transmitted in the lossless channel，and the decision was decoded by the receiver according to the decision rule.Finally，in the field of image processing，the proposed system was used to transmit the compressed image data and decode the recovered image.Simulation results show that for weakly modulated signals with large code element interval，with the increase of noise intensity，the error probability firstly decreases and then increases，and the stochastic resonance phenomenon is relatively obvious.At the same time，the error probability is positively correlated with the radix number of the signal，and negatively correlated with the signal amplitude，code element interval and the number of neurons.Under certain conditions，the error probability can reach 0.These results show that BAM neural network can improve the reliability of digital communication system through noise.In addition，the similarity of the image restored by decoding shows the improvement of moderate noise on image restoration effect，extending the application of BAM neural network and stochastic resonance in image compression coding.Key words:Bidirectional Associative Memory(BAM)neural network;multivariate communication system;stochastic resonance;error probability;image compression0 引言 自从 1982 年 Hopfield1提出了经典的 Hopfield 神经网络，联想记忆网络开始成为神经网络的重要分支，它的理论研究和应用在近几十年取得了长足的发展。许多新型的神经元模型以及组成的神经网络被提出。神经网络采用并行计算和分布式数据处理，在图像处理、模式识别、故障诊断、文章编号：1001-9081（2023）03-0848-05DOI：10.11772/j.issn.1001-9081.2022010151收稿日期：20220214；修回日期：20220412；录用日期：20220418。基金项目：国家自然科学基金资助项目（62071248）。作者简介：陈伟康（1997），男，江苏扬州人，硕士研究生，主要研究方向：信号与信息处理；翟其清（1990），男，江苏南通人，讲师，博士，主要研究方向：信号与信息处理、随机共振；王友国（1968），男，江苏淮安人，教授，博士，主要研究方向：信号与信息处理、随机共振、在线社交网络。第 3 期陈伟康等：基于离散双向联想记忆神经网络的多元通信系统信息传输、人工智能等方面2-7有非常成功的应用。在通信与信号处理领域，Zhang等7在幅值相位型离散Hopfield神经网络的基础上引入混沌神经网络算法，提高了盲检测多进制相移键控（Multiple Phase Shift Keying，MPSK）信号的性能。刘玉龙等8发现利用Hopfield神经网络可以在一定条件下解决多用户正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）通信系统的子载波分配和比特自适应加载的资源分配最优化问题。Duan等9在研究基于Hopfield神经网络的信号传输系统时发现，适量的噪声可以改善系统的性能，并且当信号被重尾噪声破坏时，具有大量神经元的系统在每比特输入信噪比较低时优于匹配滤波器。于 海 斌 等10提 出 一 种 基 于 双 向 联 想 记 忆（Bidirectional Associative Memory，BAM）神经网络的按位加权编码策略，使网络对不满足连续性的样本模式集具有良好的联想能力。在图像识别与处理领域，Zhang等6改变激活函数以提高基于Hopfield神经网络的盲检测算法的性能，以解决无人机运动模糊图像恢复的问题。潘园园等11利用 Hopfield 神经网络进行手写数字识别，并发现适量噪声有助于数字图像恢复得更清晰。蔡利梅等12研究了基于BAM神经网络的车型识别问题。Cheng等13提出一种基于竞争性Hopfield神经网络的并行无监督方法进行医学图像分割，取得了更优的效果。王元莉14提出了一种基于BAM神经网络的快速增强算法识别带噪声污染的字符，具有很好的实时性和容错性。神经网络能够实现联想记忆，因为系统在一定条件下存在稳定的平衡点或周期解，吸引域中的任意初始状态都将收敛到相应的平衡点或周期解。将稳定的平衡点或周期解称为记忆模式，初始状态收敛到相应平衡点或周期解的过程称为联想并恢复记忆的过程。为了探究和利用联想记忆神经网络的这种性质，本文基于 BAM 神经网络构建了一种多元通信系统以传输多元信号。多元信号被调制为带有幅值的初始状态向量，在码元持续时间里，不断输入系统中，经过神经网络的循环迭代和以码元间隔为周期的采样，假定是在无噪无损的信道中传输，最终在接收端判决译码。在文献 9中的基于Hopfield神经网络的二元通信系统中，向系统神经元加入适量高斯噪声有助于提升传输性能，还展示出了联想记忆神经网络中的随机共振现象15-17。因此本文也尝试向神经元中加入高斯噪声，并研究噪声对该通信系统译码性能的影响。最后，将本文系统应用于传输图像压缩编码，并通过图像相似度这一指标，探究噪声对系统译码恢复图像的影响。1 BAM神经网络多元通信系统 1.1BAM神经网络BAM神经网络由Kosko18于1987年提出，在各种联想记忆网络中比较常用。不同于 Hopfield 神经网络的自联想，BAM神经网络可以实现双向异联想。BAM是一种双层双向网络19，如图1所示。当向其中一层输入信号时，另一层可得到输出。初始输入可以作用于网络的任一层，信息可以双向传播，没有明确的输入或输出层。BAM网络联想的过程是网络从动态到稳态的过程。对给定权值矩阵的 BAM 网络，当第 p个网络的记忆向量Xp作用于输入层时，t=1时刻该层的输出X(1)=Xp通过加权矩阵W传到输出层，由该侧神经元的激活函数fy()进行非线性变换后得到t=1时刻该层的输出Y(1)=fyWX()1；