一种模因方法优化的多模盲均衡方法技术

本发明专利技术公开了一种模因方法优化的多模盲均衡方法，将个体进化和个体间的社会行为等概念引入到盲均衡技术中，将多模盲均衡方法( MMA )代价函数的倒数定义为模因方法( MA )的适应度函数，利用 MA 的种群优化机制和局部深度搜索能力，在全局范围内搜索个体最优向量并作为 MMA 的初始优化权向量；然后，通过多模盲均衡方法进行迭代，得到最优 MMA 的权向量。与常模盲均衡方法CMA、多模盲均衡方法MMA及基于遗传方法的多模盲均衡方法(GA-MMA )相比，本发明专利技术方法在均衡高阶多模信号时收敛速度最快、稳态误差最小、输出信号星座图最清晰。

【技术实现步骤摘要】

本专利技术一种将模因方法和盲均衡技术相结合的多模盲均衡方法，用于水声通信系 统中，可以有效地均衡高阶多模调制信号，具体涉及一种模因方法优化的多模盲均衡方 法。
技术介绍
在通信系统中，为了有效地消除有限带宽和多径传播等引起的码间干扰，接收端 需要引入盲均衡技术。在盲均衡技术中，常模盲均衡方法（CMA，ConstantModulusblind equalizationAlgorithm)是使均衡器输出信号星座点尽可能分布在一个半径为（信号的 统计模值）的圆上，从而不断调整均衡器的权向量。CMA最大的优点在于它的代价函数只与 接收序列的幅度有关，而与相位无关，所以CMA非常适用于常模信号。但是，对于具有不同 模值的高阶QAM和APSK信号，其星座点分布在不同半径的圆上，如果采用CMA进行均衡就 会使输出信号星座点趋于单一圆上，从而产生较大的误差，甚至导致无效。近年，Yang提出 的多模盲均衡方法（MMA,Multi-ModulusblindequalizationAlgorithm)是对CMA的一 种改进。它的主要思想是以判决输出信号的模值作为圆的半径，把星座图分成多个区域，每 个区域都有各自的误差函数，从而将剩余误差控制在较小的范围内。与CMA相比，MMA均衡 高阶多模信号时收敛性能有所提高，并且不需要相位旋转器来消除相位模糊；尤其对于非 方形星座、密集型星座，MMA能够更加充分地利用符号的统计特性。但是，MMA与CMA-样存 在模型误差的问题，使其收敛速度及收敛后的剩余误差仍不甚理想。 模因方法（MA,MemeticAlgorithm)是一种结合遗传机制和局部搜索的优化方法， 它采用与遗传方法（GA,GeneticAlgorithm)类似的运算流程，并在此基础上加入了局部搜 索，使每次迭代后的所有个体都能达到局部最优。模因方法充分吸收了遗传方法和局部搜 索方法的优点，达到了全局进化和局部开发能力的平衡。方法易于理解，容易实现，具有简 单的可操作性。 结合MA和MMA各自的特点，专利技术了一种基于模因方法的多模盲均衡方法 (MA-MMA)，其原理是利用MA快速搜索到一组适用于MMA方法的全局最优解，并以此作为MMA 的最优初始化权向量进行迭代。仿真结果表明，本专利技术方法恢复高阶多模信号能力具有显 著的提高，收敛速度快、稳态误差小。
技术实现思路
本专利技术所要解决的技术问题是提供，利用模 因方法快速搜索到一组适用于多模盲均衡方法的全局最优解，并以此作为多模盲均衡方法 的初始化权向量进行迭代。本专利技术方法恢复高阶多模信号能力具有显著的提高，收敛速度 快、稳态误差小，解决了多模盲均衡方法均衡高阶多模QAM信号时误差函数与信号星座模 型不匹配导致收敛速度慢、剩余均方误差大的缺陷。 本专利技术为解决上述技术问题采用以下技术方案： 本专利技术提供，包括以下步骤： 1)将发射信号s(k)经过脉冲响应信道h(k)后加入信道噪声n(k)，得到盲均衡器 输入时域信号x(k): x(k) =s(k)h(k)+n(k), 其中，k为整数且表示时间序列； 2)将步骤1)得到的盲均衡器输入时域信号x(k)经过盲均衡器得到输出信号 z(k)： z(k) =w(k)x(k)， 其中，w(k)为盲均衡器的权向量，其更新公式为w(k+l) =w(k)_yeQOxYk)， w(k)的初始化权向量w(0)根据模因方法优化获取；e(k)为误差信号；y为w(k)的迭代步 长，是实数，〇<y< 1YGO为x(k)的共辄。 作为本专利技术的进一步优化方案，初始化权向量w(0)由模因方法优化获取，具体步 骤为： 2. 1)确定参数 确定种群总数N，二进制位数S，最大迭代次数G，交叉概率P。，变异概率P"，其中，N 为偶数；当前迭代次数为T; 2. 2)种群初始化 随机产生初始种群，包含N个个体，记作X= ;其中每个个体均满足 X_<X#X_，X_和X_为设定的X艰值的上下限，1彡i彡N;当前迭代次数初值T= 〇 ；2. 3)确定适应度函数 模因方法的适应度函数为多模盲均衡方法代价函数的倒数，即 其中，fitness(XJ为模因方法的适应度函数，为多模盲均衡方法的代价函 数； 2. 4)编码 对初始种群中的每个个体中的每一位元素进行二进制编码，编码长度为S，并将每 一位元素的二进制码按原有顺序连接起来组成一组长度为LXS的二进制码，L为每个个体 中的元素个数，编码后的种群为编码种群Y=[LY2，…，YJ，其中I对于X^勺编码； 2. 5)交叉操作 将编码种群Y中所有个体两两配对，对所配对的个体进行交叉判断；将每次进行 交叉判断的一组父体分别记作YjPYb，a、bG且a乒b，同时随机产生一个（0，1) 之间的随机数￡，用于判断随机选取的该组父体是否进行交叉操作，若e小于该组父体的 交叉概率P。，则该组父体进行交叉操作产生两个新个体，分别为乙'和V并保存；否则， 不进行交叉操作，舍弃不进行交叉操作的该组父体；直至所有配对个体处理完成； 2. 6)变异操作 对编码种群Y中所有个体依次进行变异判断；将每次进行变异判断的个体记作 Y。，同时随机产生一个（0, 1)之间的随机数〇，用于判断该个体是否进行变异操作；若〇小 于该个体变异概率Pm，则对该个体进行变异操作产生一个新个体Y。'并保存；否则不进行 变异操作，舍弃不进行交叉操作的该个体；直至所有个体处理完成； 2. 7)合并种群 将经过2. 5)交叉操作和2. 6)变异操作后产生的新个体与步骤2. 4)中编码种群Y合并构成当前种群Z，Z= [Zi，Z2，…，ZN+J，其中，N+x为当前种群中个体的总数，x为编 码种群Y经过交叉、变异操作后产生的新个体数，x为非负整数； 2. 8)解码并计算适应度值 对当前种群Z中的N+x个个体进行解码，并根据步骤2. 3)中的公式计算当前种 群Z中所有个体的适应度值； 2. 9)选择 使用轮盘赌方法从当前种群Z中选取N个个体继续进化，而未被选中的的个体则 被舍弃；被选中的N个个体，按照被选中的先后依次记为X/，X' 2，…，X' N; 2. 10)局部搜索 对步骤2. 9)选中的N个个体进行局部搜索，具体为： 对第i个体Xi'个体，以多模盲均衡方法的代价函数J_ (X/)为约束条件，在X/ 的邻域内搜索新个体使为极小值，将为极小值时的新个体作为下一次迭 代中的初始个体&，从而得到下一次迭代的初始种群X; 2. 11)判断终止条件 从步骤2. 4)到步骤2. 10)完成一次迭代过程，T=T+1;判断当前迭代次数T是否 达到最大迭代次数G，若未达到，则返回至步骤2. 4.);否则结束迭代，输出最优个体，并将 其作为盲均衡器的初始化权向量。 作为本专利技术的进一步优化方案，步骤2. 5)中进行交叉操作产生的两个新个体的 计算公式为 YJ = V = c〇2Yb+(l-c〇2)Ya 式中，V和V分别为Y，Yb进行交叉操作产生的两个新个体，《郴《 2为 (〇, 1)上两个不相关的随机数。 作为本专利技术的进一步优化方案，步骤2. 6)中进行变异操作产生的一个新个体的 计算公式为 其中，Y。'为Y。进行变异操作产生的新个体；gt为种群进化标识，gt=t/G，t为当 前种本文档来自技高网...

【技术保护点】
一种模因方法优化的多模盲均衡方法，其特征在于，包括以下步骤：1)将发射信号s(k)经过脉冲响应信道h(k)后加入信道噪声n(k)，得到盲均衡器输入时域信号x(k)：x(k)＝s(k)h(k)+n(k)，其中，k为整数且表示时间序列；2)将步骤1)得到的盲均衡器输入时域信号x(k)经过盲均衡器得到输出信号z(k)：z(k)＝w(k)x(k)，其中，w(k)为盲均衡器的权向量，其更新公式为w(k+1)＝w(k)‑μe(k)x*(k)，w(k)的初始化权向量w(0)根据模因方法优化获取；e(k)为误差信号；μ为w(k)的迭代步长，是实数，0≤μ＜1；x*(k)为x(k)的共轭。

【技术特征摘要】

【专利技术属性】
技术研发人员：郭业才，张苗青，姚超然，禹胜林，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32