一种膜结构下的认知无线电系统参数优化方法技术方案

本发明专利技术涉及一种通过膜结构下的混合量子雁群方法来实现同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的一种膜结构下的认知无线电系统参数优化方法。本发明专利技术包括：确定膜结构；产生量子位置和速度；将系统参数与混合位置一一对应；更新速度和量子位置；映射成系统参数，计算适应度值；更新每只大雁的局部最优混合位置和全局最优混合位置；对全局最优混合位置进行更新；把整个量子雁群的所有大雁所经历的全局最优混合位置映射为系统参数，从表层膜输出。本发明专利技术解决了离散和连续参量混合的系统参数优化问题，并设计膜结构下的混合量子雁群方法作为求解策略，所设计的方法具有收敛精度高和收敛速度快的优点。

【技术实现步骤摘要】
一种膜结构下的认知无线电系统参数优化方法
本专利技术涉及一种通过膜结构下的混合量子雁群方法来实现同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的一种膜结构下的认知无线电系统参数优化方法。
技术介绍
随着无线通信业务需求的快速增长，不可再生的频谱资源日益稀少，提高频谱利用率缓解频谱资源短缺已成为人们迫切的希望。认知无线电(Cognitiveradio)作为一种新兴技术能够有效解决因频谱固定分配导致的利用率极低的问题。该技术通过对已授权频谱的二次利用，即在不干扰授权用户正常工作的条件下，使用空闲频谱，从而提高了频谱利用率，因此认知无线电技术被认为是无线通信
的“下一件大事”。认知无线电通信系统能够智能的感知外界环境变化，并通过自主学习和推理，自适应的调整系统参数，进而提高通信系统的性能。自适应调整系统参数是认知无线电技术的一个重点也是难点，它要求具有较高的实时性和稳定性。认知无线电系统参数配置过程也被称为认知引擎的决策过程，这一过程是认知无线电工作的核心环节，也是智能性的起源。因此，对认知无线电系统参数(例如发射功率、调制方式、帧长度、带宽等)进行合理优化，提高通信质量显得极为重要。经对现有技术文献的检索发现，赵知劲等在《物理学报》(2007,Vol.56,No.11,pp.6760–6767；2009,Vol.58,No.7,pp.5118–5125)上发表的“基于量子遗传算法的认知无线电决策引擎研究”和“基于二进制粒子群算法的认知无线电决策引擎”中提出了基于量子遗传算法和粒子群算法的认知无线电系统参数优化方法，都是使用离散优化问题求解每个子载波的调制方式和功率，由于使用离散优化问题求解每个子载波功率会存在量化误差，因此不会达到所要求的系统性能，因此该类单优化方法不能同时使复杂通信环境下认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率同时达到最优。El-Saleh等在《IEEEMalaysiaInt.Conf.Commun.SpecialWorkshopDigit.TVContents.》(IEEE(数字电视内容)会议)(15-17，Dec.2009，pp.343-347)上发表的“Developmentofacognitiveradiodecisionengineusingmulti-objectivehybridgeneticalgorithm”提出了使用遗传算法去求解认知无线电系统中的系统参数，由于使用离散单目标遗传算法求解，无法有效解决认知无线电系统参数确定时存在量化误差的问题。认知无线电参数的配置主要依据系统工作环境，用户需求等因素。对多个认知无线电系统参数的配置过程也就是对多个目标函数的优化过程。根据需求合理的选择目标函数的权重，将多目标优化问题转化为单目标优化问题是一个行之有效的方法。但传统的参数优化过程被看作为离散优化问题，因而不能得到足够的精度。因此，利用对调制方式采用离散编码，发射功率采用实数编码这一混合编码方式，并提出膜结构下的混合量子雁群算法用于求解认知无线电系统的离散参数和实参数这个混合优化问题，进而进行认知无线电系统的参数优化和合理设置。
技术实现思路
本专利技术的目的在于提供一种收殓精度更高、速度更快的膜结构下的认知无线电系统参数优化方法。本专利技术的目的是这样实现的：(1)确定膜结构，由表层膜0和基础膜1，2，…，M构成，有M个基础膜包含在标号为0的表层膜的膜结构记作[0[1]1[2]2…[M]M]0；(2)产生量子雁群中大雁的量子位置和速度：把第i只大雁速度的前l1维速度初始化为i＝1,2,…,P，后N维速度的初始值在[-0.1，0.1]之间产生，l＝l1+N，N为子载波总数，P为量子雁群所包含大雁数，对第i只大雁的量子位置测量得到的混合位置为对于前l1维，1≤j≤l1；对于后N维，l1+1≤j≤l，混合位置对应的系统参数为(3)将系统参数通过简单编码规则与大雁的混合位置一一对应：为第i只大雁混合位置，i＝1,2,…,P，为其对应的系统参数，是由取值{0,1}的二进制数构成的l1维向量，可映射为N个子载波调制方式，为第j个子载波的调制阶数，为第j个子载波的发射功率，根据通信模式要求设置权重组合，得到适应度函数为3个权值的关系为w1+w2+w3＝1，0≤w1≤1，0≤w2≤1，0≤w3≤1；fz(y)(1≤z≤3)被归一化到[0,1]之间，N为系统的子载波数，构造的最小化发射功率、最大化数据速率和最小化比特错误率的归一化最大值优化的表达式分别为：式中是N个子载波的平均发射功率，pmax是最大发射功率；是平均误比特率,是N个子载波支路发射功率和调制阶数的函数；Mmax是最大调制阶数,Mmin是最小调制阶数；把每只大雁的混合位置影射为系统参数，根据适应度函数进行适应度计算，评价所找到混合位置的优劣，在第t次迭代第i只大雁的混合位置根据其映射的系统参数的适应度函数进行评价，其值越大，混合位置越优秀；第i只大雁所经历的局部最优混合位置为把P只大雁均匀分配到M个基础膜中，第k(k＝1,2,…,M)个基础膜中所有大雁所经历过的最优混合位置记作所有大雁所经历的全局最优混合位置记作初始时设t＝0；(4)在基础膜更新每只大雁的速度和量子位置：在第k个基础膜中第i只大雁的第j维的速度在t+1次迭代为：第j维量子位使用模拟量子旋转门更新为其中，1≤i≤P，1≤j≤l1；为速度代表量子旋转门的角速度；常数c1、c2和c3分别表示第i只大雁所经历的局部最优混合位置、第k个基础膜内的最优混合位置和所有大雁所经历的最优混合位置对速度更新的影响程度，取值为小于0.1的常数；第i只大雁的第j维混合位置通过对量子位置进行测量得到，即为均匀分布在[0，1]间的随机数，k＝1,2,…,M；在第k个基础膜中第i只大雁的第j维速度在t+1次迭代为：第j维量子位在t+1次迭代更新为l1+1≤j≤l，若超出[-0.1，0.1]的边界，限制到边界，c4、c5和c6分别为表征大雁的局部最优混合位置、全局最优混合位置和膜内平均局部最优混合位置对速度更新影响程度，r1、r2和r3是[0，1]间的均匀随机数，是在第k个基础膜中所有大雁局部最优混合位置的第j维位置的均值；(5)对于每只大雁的混合位置，映射成系统参数，计算适应度值，适应度函数为w1+w2+w3＝1，0≤w1≤1,0≤w2≤1,0≤w3≤1，i＝1,2,…,P；(6)更新每只大雁的局部最优混合位置和全局最优混合位置：对于第i只大雁，到现在为止所经历的最优混合位置记为i＝1,2,…,P；在第k个基础膜，所有大雁所经历过的基础膜内最优混合位置记作k＝1,2,…,M，全局最优混合位置就是整个雁群到现在为止所经历的适应度值最大的混合位置；(7)各基础膜和表层膜进行信息交流，把所有基础膜中的最优混合位置传递给表层膜，在表层膜比较每个基础膜传递来的最优混合位置信息，对全局最优混合位置进行更新，并把全局最优混合位置传回基础膜；(8)如果没有达到最大迭代代数，令t＝t+1，返回步骤(4)继续迭代；否则，迭代终止，执行步骤(9)输出全局最优混合位置；(9)把整个量子雁群的所有大雁所经历的全局最优混合位置映射为系统参数，从表层膜输出。本专利技术本文档来自技高网...

【技术保护点】
一种膜结构下的认知无线电系统参数优化方法，其特征在于：（1）确定膜结构，由表层膜0和基础膜1，2，…，M构成，有M个基础膜包含在标号为0的表层膜的膜结构记作[0[1]1[2]2…[M]M]0；（2）产生量子雁群中大雁的量子位置和速度：把第i只大雁速度的前l1维速度始化为i＝1,2,…,P，后N维速度的初始值在[‑0.1，0.1]之间产生，l＝l1+N，N为子载波总数，P为量子雁群所包含大雁数，对第i只大雁的量子位置测量得到的混合位置为对于前l1维，1≤j≤l1；对于后N维，l1+1≤j≤l，混合位置对应的系统参数为yit=(yi1t,yi2t,···,yi,2Nt);]]>（3）将系统参数通过简单编码规则与大雁的混合位置一一对应：为第i只大雁混合位置，i＝1,2,…,P，yit=(yi1t,yi2t,···,yiNt,yi(N+1)t,···,yi,2Nt)]]>为其对应的系统参数，是由取值{0,1}的二进制数构成的l1维向量，可映射为N个子载波调制方式，为第j个子载波的调制阶数，为第j个子载波的发射功率，根据通信模式要求设置权重组合，得到适应度函数为3个权值的关系为w1+w2+w3＝1，0≤w1≤1，0≤w2≤1，0≤w3≤1；fz(y)(1≤z≤3)被归一化到[0,1]之间，N为系统的子载波数，构造的最小化发射功率、最大化数据速率和最小化比特错误率的归一化最大值优化的表达式分别为：f1(yit)=1-p‾pmax=1-1NΣj=1Nyi(j+N)tpmax,f2(yit)=1NΣj=1Nlog2(yijt)-log2Mminlog2Mmax-log2Mmin,f3(yit)=1-log100.5log10p‾be,]]>式中是N个子载波的平均发射功率，pmax是最大发射功率；是平均误比特率,是N个子载波支路发射功率和调制阶数的函数；Mmax是最大调制阶数,Mmin是最小调制阶数；把每只大雁的混合位置影射为系统参数，根据适应度函数进行适应度计算，评价所找到混合位置的优劣，在第t次迭代第i只大雁的混合位置根据其映射的系统参数的适应度函数进行评价，其值越大，混合位置越优秀；第i只大雁所经历的局部最优混合位置为把P只大雁均匀分配到M个基础膜中，第k（k＝1,2,…,M）个基础膜中所有大雁所经历过的最优混合位置记作所有大雁所经历的全局最优混合位置记作初始时设t＝0；（4）在基础膜更新每只大雁的速度和量子位置：在第k个基础膜中第i只大雁的第j维的速度在t+1次迭代为：第j维量子位使用模拟量子旋转门更新为其中，1≤i≤P，1≤j≤l1；为速度代表量子旋转门的角速度；常数c1、c2和c3分别表示第i只大雁所经历的局部最优混合位置、第k个基础膜内的最优混合位置和所有大雁所经历的最优混合位置对速度更新的影响程度，取值为小于0.1的常数；第i只大雁的第j维混合位置通过对量子位置进行测量得到，即xijt+1=1,μijt+1>(uijt+1)20,μijt+1≤(uijt+1)2,]]>为均匀分布在[0，1]间的随机数，k＝1,2,…,M；在第k个基础膜中第i只大雁的第j维速度在t+1次迭代为：vijt+1=c4r1(qijt-xijt)+c5r2(qgjt-xijt)+c6r3(mkjt-xijt),]]>第j维量子位在t+1次迭代更新为l1+1≤j≤l，若超出[‑0.1，0.1]的边界，限制到边界，c4、c5和c6分别为表征大雁的局部最优混合位置、全局最优混合位置和膜内平均局部最优混合位置对速度更新影响程度，r1、r2和r3是[0，1]间的均匀随机数，是在第k个基础膜中所有大雁局部最优混合位置的第j维位置的均值；（5）对于每只大雁的混合位置，映射成系统参数，计算适应度值，适应度函数为w1+w2+w3＝1，0≤w1≤1,0≤w2≤1,0≤w3≤1，i＝1,2,…,P；（6）更新每只大雁的局部最优混合位置和全局最优混合位置：对于第i只大雁，到现在为止所经历的最优混合位置记为i＝1,2,…,P；在第k个基础膜，所有大雁所经历过的基础膜内最优混合位置记作k＝1,2,…,M，全局最优混合位置就是整个雁群到现在为止所经历的适应度值最大的混合位置；（7）各基础膜和表层膜进行信息交流，把所有基础膜中的最优混合位置传递给表层膜，在表层膜比较每个基础膜传递来的最优混合位置信息，对全局最优混合位置进行更新，并把全局最优混合位置传回基础膜；（8）如果没有达到最大迭代代数，令t＝t+1，返回步骤（4）继续迭代；否则，迭...

【技术特征摘要】
1.一种膜结构下的认知无线电系统参数优化方法，其特征在于：(1)确定膜结构，由表层膜0和基础膜1，2，…，M构成，有M个基础膜包含在标号为0的表层膜的膜结构记作[0[1]1[2]2…[M]M]0；(2)产生量子雁群中大雁的量子位置和速度：把第i只大雁速度的前l1维速度初始化为i＝1,2,…,P，后N维速度的初始值在[-0.1，0.1]之间产生，l＝l1+N，N为子载波总数，P为量子雁群所包含大雁数，对第i只大雁的量子位置测量得到的混合位置为对于前l1维，1≤j≤l1；对于后N维，l1+1≤j≤l，混合位置对应的系统参数为(3)将系统参数通过简单编码规则与大雁的混合位置一一对应：为第i只大雁混合位置，i＝1,2,…,P，为其对应的系统参数，是由取值{0,1}的二进制数构成的l1维向量，可映射为N个子载波调制方式，为第j个子载波的调制阶数，为第j个子载波的发射功率，1≤j≤N，根据通信模式要求设置权重组合，得到适应度函数为3个权值的关系为w1+w2+w3＝1，0≤w1≤1，0≤w2≤1，0≤w3≤1；fz(y)被归一化到[0,1]之间，1≤z≤3，N为系统的子载波数，构造的最小化发射功率、最大化数据速率和最小化比特错误率的归一化最大值优化的表达式分别为：式中是N个子载波的平均发射功率，pmax是最大发射功率；是平均误比特率,是N个子载波支路发射功率和调制阶数的函数；Mmax是最大调制阶数,Mmin是最小调制阶数；把每只大雁的混合位置影射为系统参数，根据适应度函数进行适应度计算，评价所找到混合位置的优劣，在第t次迭代第i只大雁的混合位置根据其映射的系统参数的适应度函数进行评价，其值越大，混合位置越优秀；第i只大雁所经历的局部最优混合位置为把P只大雁均匀分配到M个基础膜中，第kk＝1,2,…,M个基础膜中所有大雁所经历过的最优混...

【专利技术属性】
技术研发人员：高洪元，李晨琬，刁鸣，赵忠凯，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23