摘要：随着计算机技术的迅速发展，我们对通信网络的性能和速度的要求也变得更高。由于其结构极其复杂、用户接入的随机性和信元交换的不可预测性，目前宽带网技术的难题在于满足用户的需要以及保证通讯服务质量的同时来如何充分利用网络资源。本文主要采用BP神经网络的梯度和牛顿法相结合的算法，利用其各自的优缺点互补的特性，再结合的盲均衡算法，解决信道间的相互干扰。
关键词：BP神经网络 牛顿法 盲均衡技术
中图分类号：U491.113 文献标识码：A 文章编号：1007-9416（2016）06-0025-01
Abstract：With the rapid development of computer technology，we have higher. Requirements about the performance and speed of the communication network .Because of its structure is extremely complex， unpredictability and randomness of user access cell switching， the current problem is that broadband technology to meet the needs of users and to ensure the quality of communication service ，at the same time how to make full use of network resources. This paper uses gradient and Newton Combination with BP neural network algorithm， the use of their respective advantages and disadvantages of complementary features， What is the use in blind equalization algorithm to solve the mutual interference between channels.
Key Words：Neural network；Newton method； blind equalization
目前，基于BP神经网络的盲均衡算法比其他的算法具有更低的误码率和信噪比。由于BP神经网络的训练时间长且有不确定性，因此不适宜单独应用于盲均衡技术中。牛顿法通过一种迭代求非线性方程的最优解得来，它在学习后期收敛快且有二阶收敛速度的优势，但牛顿法在网络学习初始阶段对学习初值较为敏感，也不适合单独应用，因此本文提出一种基于BP神经网络和牛顿法相结合的算法，利用BP神经网络算法在网络学习初级阶段函数调整速度快，学习后期，牛顿法的迭代算法复杂度较低，收敛较快，充分发挥两种算法各自的优点，从而解决信道的非理想特性引起的码间干扰，从而提高通信的质量。
前馈BP神经网络由多层非线性处理单元组成，相邻层之间通过突触权阵连接起来。由多个选定的发送信号作为一组数据构成原始样本集.经过剔除重复或冲突的样本等加工处理，得到最终样本集。通过前馈BP神经网络学习获得网络的学习模型.从而建立输入到期望结果输出的对应关系，人为的对权系数进行学习，使输出的结果更大程度的趋近预期均衡值，从而很大成都提高信道的使用效率。
前馈BP神经网络中前一层的输出作为下一层的输入，通过对权系数进行学习，从而调整输出结果。设发送信号X（x），将X（x）作为网络的输入，经过信道t，由人给定相应场合下想要输出的均衡信号为O（y），均衡器的长度为l，隐层的神经元的个数为n个，调节权值为d（x）；
因为后期BP神经网络的收敛速度会比较慢，通过牛顿法进行相应的优化，可以提高算法的计算效率，当下对的的任务是将BP神经网络算法作为优化目标函数f，求函数f的极大极小问题，可以转化为求解函数f的导数f’=0的问题，这样求可以把优化问题看成方程求解问题（f’=0）。即剩下的算法优化部分即是对牛顿法进行求解。这次为了求解f’=0的根，把f（m）的泰勒展开，展开到2阶形式：这个式子是成立的，当且仅当 Δx 无线趋近于0。此时上式等价与：求解：，得出相应迭代公式；牛顿法利用其曲线本身的信息，比梯度下降法更容易收敛（迭代更少次数），从而简化算法的复杂度。
结论：盲均衡技术在通信发展史上具有举足轻重的地位，它解决了自适应均衡技术对通信效率的影响，利用所接收到的信号序列对信道进行均衡。随着通信性能的要求的不断提高，盲均衡技术越来越受到学者们的关注。而BP神经网络算法的应用是近年研究的重要技术之一，它具有鲁棒性、学习性、非线性逼近等特性，为盲均衡技术的研究提供了崭新的思路，但由于其本身还未完全被人们所掌握，目前仍存在训练复杂度较高，时间较长等缺点，BP神经网络本身仍有一系列问题等待解决。运用其他算法弥补该算法的部分缺点，将会大大改进算法的性能。BP神经网络前途广阔，随着问题的各个击破，他将渗透到生活中的每个领域，为生活的方方面面带来便利。
参考文献
[1]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.
[2]郭业才.自适应盲均衡技术[M].合肥工业大学出版社，2007：1.
[3]马晓宇，胡建伟.盲均衡技术的研究及发展[J].中国新通信，2009年19期.
[4]梁久祯，黄德双，黄德双.神经网络的一种梯度牛顿耦合算法[J].大庆石油学院学报，2001.
[5]刘子通.基于前馈神经网络的盲均衡算法研究[J].中北大学学报，2011.