1.基于双Sigmoid混沌神经网络的信号盲检测方法，其特征在于，包括如下步骤：步骤A，构造接收数据矩阵：

接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：T

XN=SΓ

式中，XN是接收数据阵，S是发送信号阵，Γ是由信道冲激响hjj构成的块Toeplitz矩T阵；(·) 表示矩阵转置；

其中，发送信号阵：

T

S=[sL+M(k),…,sL+M(k+N-1)]=[sN(k),…,sN(k-M-L)]N×(L+M+1)，M为信道阶数，L为均衡器阶数，N为所需数据长度；

T

sL+M(k)=[s(k),…,s(k-L-M)];其中，s∈{±1}，时刻k为自然数；

hjj=[h0,…,hM]q×(M+1)，jj=0,1,…,M；

q是过采样因子，取值为正整数；

T

XN=[xL(k),…,xL(k+N-1)] 是N×(L+1)q接收数据阵，其中xL(k)=Γ·sL+M(k);步骤B，接收数据矩阵奇异值分解：式中，

H

(·) 是Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉基阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

Uc是N×(N-(L+M+1))酉基阵；

D是(L+M+1)×(L+1)q奇异值阵；

步骤C，设置权矩阵W=IN-Q，其中IN是N×N维的单位阵，步骤D，选择双Sigmoid混沌神经网络的激活函数，进行双Sigmoid混沌神经网络迭代运算；

双Sigmoid混沌神经网络动态方程为：y(t)=σ(s(t))

对该方程进行迭代运算，然后把每次迭代的结果代入双Sigmoid混沌神经网络的能量函数E(t)中，当该能量函数E(t)达到最小值，即y(t)=y(t-1)时，该双Sigmoid混沌神经网络达到平衡，迭代结束；

其中，

s(t)为双Sigmoid混沌神经网络N个神经元构成的向量，且si(t)为发送数据阵的列向量，i代表第i个神经元，0≤i≤N；t为网络迭代过程中运行的时间，该网络中的连续时间t和离散时间k通过欧拉公式实现转换；

σ(.)为神经元的第一个Sigmoid函数，f(.)为神经元的第二个Sigmoid函数；

k为该网络的衰减因子，W为双Sigmoid混沌神经网络的网络权矩阵，α为该网络的尺度参数；

z(t)为随着网络的迭代循环而逐渐变小的变量，β为z(t)的下降导数；

y(t)为N个神经元的输出yi(t)构成的向量，该网络达到最后平衡时，可近似的认为每个神经元的yi(t)=si(t)，y(t)即为求取的发送信号。

2.权利要求1所述的基于双Sigmoid混沌神经网络的信号盲检测方法，其特征在于，步骤D中，所述双Sigmoid混沌神经网络的激活函数分别为：σ(x)=tanh(x)

f(x)=sin(x)

其中，x为神经网络的输入，f(x)的导数远小于σ(x)的导数。

3.权利要求1所述的基于双Sigmoid混沌神经网络的信号盲检测方法，其特征在于，步骤D中，所述双Sigmoid混沌神经网络的能量函数为：其中：

该混沌神经网络由N个神经元构成；

E(t)为该混沌神经网络的能量函数；

α为该网络的尺度参数；

H

矩阵W为混沌神经网络的权矩阵，且W=W，矩阵W的对角元ωii>0；

k为该网络的衰减因子；

yi(t)为t时刻第i个神经元的输出；

T -1

σ(t)=σ(s(t))，σ(t)为该网络激活函数σ(t)的转置，σi (τ)为第i个神经元的Sigmoid函数σi(τ)的反函数，σ′(t)、f′(t)分别为Sigmoid函数σ(x)和f(x)对时间的导数，且σ′(t)>0、f′(t)>0，zi(t)为随着该网络的迭代循环而逐渐变小的变量。