基于离散双向联想记忆神经网络的多元通信系统

doi:10.11772/j.issn.1001-9081.2022010151

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (3): 848-852.DOI: 10.11772/j.issn.1001-9081.2022010151

所属专题：网络与通信

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

收稿日期:2022-02-14 修回日期:2022-04-12 接受日期:2022-04-18 发布日期:2022-04-21 出版日期:2023-03-10
通讯作者: 王友国
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。
基金资助:
国家自然科学基金资助项目(62071248)

Multivariate communication system based on discrete bidirectional associative memory neural network

Weikang CHEN¹, Qiqing ZHAI², Youguo WANG²()

^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

Received:2022-02-14 Revised:2022-04-12 Accepted:2022-04-18 Online:2022-04-21 Published:2023-03-10
Contact: Youguo WANG
About author:CHEN Weikang， born in 1997， M. S. candidate. His research interests include signal and information processing.
ZHAI Qiqing， born in 1990， Ph. D.， lecturer. His research interests include signal and information processing， stochastic resonance.
Supported by:
National Natural Science Foundation of China(62071248)

摘要/Abstract

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

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 compression

中图分类号:

TP391.9

陈伟康, 翟其清, 王友国. 基于离散双向联想记忆神经网络的多元通信系统[J]. 计算机应用, 2023, 43(3): 848-852.

Weikang CHEN, Qiqing ZHAI, Youguo WANG. Multivariate communication system based on discrete bidirectional associative memory neural network[J]. Journal of Computer Applications, 2023, 43(3): 848-852.

图/表 8

图1 BAM网络的拓扑结构

Fig. 1 Topological structure of BAM network

图2 基于BAM神经网络的多元通信系统

Fig. 2 BAM neural network based multivariate communication system

图3 不同噪声下A与Tb对系统Pe的影响

Fig. 3 Influence of A and Peon Pe of system under different noise intensities

图4 不同噪声下传输不同进制信号时系统的Pe

Fig. 4 Pe of system when transmitting signals with different radix numbers under different noise intensities

图5 不同噪声下传输三元信号时不同神经元数的系统Pe

Fig. 5 Pe of system with different neuron numbers when transmitting ternary signals under different noise intensities

图6 不同噪声下码元间隔对系统传输多元信号的影响

Fig. 6 Influence of code element interval on system transmission of multivariate signals under different noise intensities

图7 不同噪声强度下的译码图像

Fig. 7 Decoded images under different noise intensities

图8 不同噪声强度下译码图像相似度

Fig. 8 Decoded image similarity under different noise intensities

参考文献 19

1	HOPFIELD J J. Neural networks and physical systems with emergent collective computational abilities［J］. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79（8）： 2554-2558. 10.1073/pnas.79.8.2554
2	KOSKO B， AUDHKHASI K， OSOBA O. Noise can speed backpropagation learning and deep bidirectional pretraining［J］. Neural Networks， 2020， 129： 359-384. 10.1016/j.neunet.2020.04.004
3	TATEM A J， LEWIS H G， ATKINSON P M， et al. Super-resolution target identification from remotely sensed images using a Hopfield neural network［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（4）： 781-796. 10.1109/36.917895
4	周亮亮，李整，文雨松. 基于BAM神经网络河床断面模式识别的中小桥水害预测［J］. 公路， 2008（12）：209-214. doi:10.7666/d.y1536635
	ZHOU L L， LI Z， WEN Y S. Water hazard prediction of small and medium bridges for pattern recognition of riverbed profile based on BAM neural network［J］. Highway， 2008（12）： 209-214. doi:10.7666/d.y1536635
5	顾发英，罗旋，刘育，等. 基于DHNN指纹库的电网故障诊断方法［J］. 水电能源科学， 2021， 39（2）：195-199.
	GU F Y， LUO X， LIU Y， et al. Power grid fault diagnosis method based on DHNN fingerprint database［J］. Water Resources and Power， 2021， 39（2）： 195-199.
6	ZHANG Z M， ZHANG Y， CHEN S W， et al. UAV motion-blurred image restoration using improved continuous Hopfield network image restoration algorithm［J］. Journal of Information Hiding and Multimedia Signal Processing， 2017， 8（4）： 823-830.
7	ZHANG Y， ZHANG Z M， LIANG Y， et al. Blind signal detection using complex transiently chaotic Hopfield neural network［J］. Journal of Information Hiding and Multimedia Signal Processing， 2018， 9（3）： 523-530.
8	刘玉龙，江铭炎. 基于Hopfield神经网络的多用户OFDM系统自适应资源分配［J］. 电路与系统学报， 2010， 15（2）：47-51. 10.3969/j.issn.1007-0249.2010.02.009
	LIU Y L， JIANG M Y. Adaptive resource allocation in multiuser OFDM system based on Hopfield neural networks［J］. Journal of Circuits and Systems， 2010， 15（2）： 47-51. 10.3969/j.issn.1007-0249.2010.02.009
9	DUAN L L， DUAN F B， CHAPEAU-BLONDEAU F， et al. Stochastic resonance in Hopfield neural networks for transmitting binary signals［J］. Physics Letters A， 2020， 384（6）： No.126143. 10.1016/j.physleta.2019.126143
10	于海斌，徐心和. 双向联想记忆神经网络的一种编码策略［J］. 电子学报， 1997， 25（5）：6-10.
	YU H B， XU X H. A new coding strategy for bidirectional associative memories［J］. Acta Electronica Sinica， 1997， 25（5）： 6-10.
11	潘园园，张力，段玲玲，等. 离散Hopfield神经网络的手写数字识别研究［J］. 复杂系统与复杂性科学， 2018， 15（1）：75-79. 10.13306/j.1672-3813.2018.01.011
	PAN Y Y， ZHANG L， DUAN L L， et al. Study of handwritten digital recognition in discrete Hopfield neural networks［J］. Complex Systems and Complexity Science， 2018， 15（1）： 75-79. 10.13306/j.1672-3813.2018.01.011
12	蔡利梅，张元，黎少辉. BAM网络在车型识别中的应用［J］. 郑州轻工业学院学报， 2002， 17（2）：59-61.
	CAI L M， ZHANG Y， LI S H. Application of BAM neural network in the recognition of the automotive style［J］. Journal of Zhengzhou Institute of Light Industry， 2002， 17（2）： 59-61.
13	CHENG K S， LIN J S， MAO C W. The application of competitive Hopfield neural network to medical image segmentation［J］. IEEE Transactions on Medical Imaging， 1996， 15（4）： 560-567. 10.1109/42.511759
14	王元莉. 神经网络对带噪声汽车牌照的识别［J］. 甘肃联合大学学报（自然科学版）， 2005， 19（3）：17-19. 10.3969/j.issn.1672-691X.2005.03.007
	WANG Y L. Vehicle licence plate with noisy recognition by artificion neural network［J］. Journal of Gansu Lianhe University （Natural Sciences）， 2005， 19（3）： 17-19. 10.3969/j.issn.1672-691X.2005.03.007
15	SCHONFELD D. On the hysteresis and robustness of Hopfield neural networks［J］. IEEE Transactions on Circuits and Systems Ⅱ： Analog and Digital Signal Processing， 1993， 40（11）： 745-748. 10.1109/82.251846
16	KATADA N， NISHIMURA H. Stochastic resonance in recurrent neural network with Hopfield-type memory［J］. Neural Processing Letters， 2009， 30（2）： 145-154. 10.1007/s11063-009-9115-3
17	PAVLOVIC V， SCHONFELD D， FRIEDMAN G. Stochastic noise process enhancement of Hopfield neural networks［J］. IEEE Transactions on Circuits and Systems Ⅱ： Express Briefs， 2005， 52（4）： 213-217. 10.1109/tcsii.2004.842027
18	KOSKO B. Adaptive bidirectional associative memories［J］. Applied Optics， 1987， 26（23）： 4949-4960. 10.1364/ao.26.004947
19	韩力群. 人工神经网络理论、设计及应用［M］. 2版. 北京：化学工业出版社， 2007：134-137.
	HAN L Q. Theory， Design and Application of Artificial Neural Network［M］. 2nd ed. Beijing： Chemical Industry Press， 2007： 134-137.

[1]	杨蒙蒙, 张爱华. 基于灰度共生矩阵和同步正交匹配追踪的分形图像压缩[J]. 计算机应用, 2021, 41(5): 1445-1449.
[2]	张刚, 高俊鹏. 组合型幂指函数三稳态随机共振微弱信号检测[J]. 计算机应用, 2018, 38(9): 2747-2752.
[3]	李卓, 徐哲, 陈昕, 李淑琴. 基于KLT和HEVC的嵌入式高光谱图像实时压缩[J]. 计算机应用, 2018, 38(8): 2393-2397.
[4]	王爱珍, 胡姣, 韩航程. 基于级联随机共振的直接序列扩频信号的捕获方法[J]. 计算机应用, 2018, 38(7): 2020-2023.
[5]	唐国斐, 周海芳, 谭庆平. 基于多核DSP的星载并行遥感图像压缩系统设计与实现[J]. 计算机应用, 2017, 37(5): 1246-1250.
[6]	郝静, 杜太行, 江春冬, 孙曙光, 付超. 调参随机共振在超高频微弱信号检测中的应用[J]. 计算机应用, 2016, 36(9): 2374-2380.
[7]	何杰, 肖琨. 基于独立非同分布广义K信道的OSTBC-MIMO系统及性能[J]. 计算机应用, 2016, 36(9): 2390-2395.
[8]	王友国, 董洪程, 刘健. 最佳匹配阵列随机共振系统中利用噪声改善信息传输[J]. 计算机应用, 2016, 36(8): 2192-2196.
[9]	王爱珍, 侯成郭, 任国凤. 直接序列扩频的分层级联随机共振接收算法[J]. 计算机应用, 2015, 35(4): 934-937.
[10]	黄胜, 杜呈尘, 翦伟. 基于图像低频子带极大值映射的量化算法[J]. 计算机应用, 2015, 35(11): 3288-3292.
[11]	刘树群潘章容. 基于Fisher分类和空间映射的分形图像编码方法[J]. 计算机应用, 2013, 33(12): 3552-3554.
[12]	郭艳菊陈雷陈国鹰. 基于改进人工蜂群的图像矢量量化码书设计算法[J]. 计算机应用, 2013, 33(09): 2573-2576.
[13]	李诗高秦前清. 支持分辨率渐进码流的无损图像编码方法[J]. 计算机应用, 2013, 33(06): 1697-1700.
[14]	李朝友孙济洲. 基于区域收缩的大规模数据库人脸识别[J]. 计算机应用, 2012, 32(07): 2049-2052.
[15]	黄可坤. 基于自适应编码次序的多级树集合分裂算法[J]. 计算机应用, 2012, 32(03): 732-735.

基于离散双向联想记忆神经网络的多元通信系统

Multivariate communication system based on discrete bidirectional associative memory neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 19

相关文章 15

编辑推荐

Metrics