多果蝇群协同优化小波常模盲均衡方法技术

本发明专利技术公开了一种多果蝇群协同优化小波常模盲均衡方法，将协同进化引入到果蝇优化方法中，提出了多果蝇群协同优化方法，发明专利技术了一种多果蝇群协同优化小波常模盲均衡方法MFOA-WTCMA；该方法将小波常模盲均衡方法WTCMA权向量初始优化的问题转化为利用多果蝇群协同搜索最低食物味道浓度的问题，搜索到最低食物味道浓度的果蝇群为最优果蝇群；将该果蝇群的当前位置向量作为WTCMA的初始最优权向量。仿真结果表明，与WTCMA和单果蝇群优化的小波常模盲均衡方法SFOA-WTCMA相比，本发明专利技术方法MFOA-WTCMA收敛速度最快、均方误差最小和全局性能最优，在通讯技术领域有很强的实用价值。

【技术实现步骤摘要】
多果蝇群协同优化小波常模盲均衡方法
本专利技术涉及信号处理
，特别是一种多果蝇群协同优化小波常模盲均衡方法。
技术介绍
无线通信信道带宽有限、通信环境复杂多变，会引起信号失真和码间干扰，严重影响通信质量。为了克服复杂信道对通信质量的影响，在接收端利用自适应均衡技术对信道特性补偿以消除码间干扰是比较有效的办法。然而，传统的自适应均衡技术需要不断发送周期性训练序列，极大地占用了本来就十分有限的带宽资源，难以提高带宽利用率。与传统的自适应均衡技术相比，WTCMA(WaveletTransformConstantModulusAlgorithm,小波常模盲均衡方法)因不需要发送训练序列而大大提高了带宽利用率，但其在收敛过程中易陷入局部极小值，形成了较大误判，影响着通信质量。WTCMA易陷入局部极小值的主要原因在于WTCMA权向量是中心抽头初始化或移动抽头初始化方法进行初始化的。只有采用合适的初始化方法获得初始最优权向量才能大大改善WTCMA的均衡性能，然而WTCMA权向量初始化一直是没有解决的问题。SFOA（SinglefruitFlyOptimizationAlgorithm，单果蝇群优化方法）是一种描述果蝇群生活习性的群智能全局优化方法，具有实现容易、操作简单、鲁棒性强等特点，该方法利用果蝇群中单果蝇个体协作机制和信息共享机制搜索种群最优解。然而，该方法在实际应用中也存在一些不足：(1)在大规模搜索区域或变化平坦搜索区域寻优时收敛速度慢；(2)当搜索复杂空间时，搜索初期收敛速度较快，搜索后期收敛速度大大降低；(3)在高维度大规模复杂空间的搜索过程中，容易陷入“早熟”局部极值点。
技术实现思路
本专利技术所要解决的技术问题是克服现有小波常模盲均衡方法WTCMA与单果蝇群优化方法SFOA存在的缺陷，而提供一种多果蝇群协同优化小波常模盲均衡方法MFOA-WTCMA(MFOAbasedWTCMA)，本专利技术将协同进化引入到果蝇优化方法中，以提高WTCMA的均衡性能及单果蝇优化方法SFOA的抗早熟性能、寻优性能和效率。本专利技术方法具有收敛速度最快、均方误差最小和全局性能最优的特点，在水声通信、卫星通信
中因信道畸变对通信信号造成的影响有很好的补偿作用。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种多果蝇群协同优化小波常模盲均衡方法，包括如下步骤：步骤一、将发射信号a(k)经过信道脉冲响应h(k)后加入信道噪声n(k)，得到正交小波变换器的输入信号y(k)：y(k)=a(k)h(k)+n(k)，其中，k为时间序列且为正整数；步骤二、将步骤一所述的正交小波变换器的输入信号y(k)经正交小波变换器进行正交小波变换后，得正交小波变换器的输出信号R(k)：R(k)=Qy(k)，其中，Q为正交小波变换矩阵；步骤三、将步骤二所述的正交小波变换器的输出信号R(k)经过小波常模盲均衡方法WTCMA处理后得到小波常模盲均衡器的输出信号z(k)：z(k)=fH(k)R(k)，其中f(k)为小波常模盲均衡方法WTCMA的权向量，上标H表示共轭转置；步骤四、将步骤二所述的正交小波变换器输出信号R(k)作为多果蝇群协同优化方法的输入信号，以获得WTCMA的权向量f(k)的初始优化权向量fopt(0)，该多果蝇群协同优化方法以食物味道浓度为性能评价标准，将最低食物味道浓度称为最优食物味道浓度，将与最优食物味道浓度对应的位置向量作为最优解；N个果蝇群先各自搜索到各自种群的最优解，然后比较N个最优解的食物味道浓度，从N个果蝇群中找出全局最优解；用该全局最优解来指导各果蝇群的搜索过程，使N个果蝇群跟踪全局最优解并进行下一次搜索，再次获取N个果蝇群的当前全局最优食物味道浓度；当当前全局最优食物味道浓度不变时，则与之对应的位置向量就是N个果蝇群协同搜索得到的当前全局最优位置向量，将此全局最优位置向量作为小波常模盲均衡方法WTCMA的初始优化权向量；步骤五、在步骤四获得初始优化权向量fopt(0)后，对小波常模盲均衡方法WTCMA的权向量f(k)进行更新。作为本专利技术的一种多果蝇群协同优化小波常模盲均衡方法的进一步优化的方案，所述步骤四中获得WTCMA的权向量f(k)的初始优化权向量fopt(0)具体步骤如下：(401)果蝇群初始化：随机产生N个果蝇群，每个果蝇群包括M只果蝇个体；N个果蝇群的初始位置向量c=(c1,c2...,cd,...,cD)，其中cd为N个果蝇群的第d维初始位置；第n个果蝇群的位置向量Cn=(Cn1,Cn2...,Cnd,...,CnD)，其中Cnd为第n个果蝇群第d维位置；第n个果蝇群中第m只果蝇的位置向量Cnm=(Cnm1,Cnm2,...,Cnmd,...,CnmD)，其中Cnmd为第n个果蝇群中第m只果蝇的第d维位置；n=1,2,...,N，m=1,2,...,M，d=1,2,...,D，N、M、D为正整数，D为位置向量的维数；第n个果蝇群第m只果蝇的位置向量处的食物味道浓度记为S(Cnm)；(402)确定食物味道浓度：第n个果蝇群中第m只果蝇的位置向量Cnm对应于小波常模盲均衡方法WTCMA的一个初始权向量f(0)，将WTCMA的代价函数作为第n个果蝇群第m只果蝇的位置向量处的食物味道浓度S(Cnm)，即有S(Cnm)=JWTCMA(f(0))；式中，JWTCMA(f(0))是由WTCMA的初始权向量f(0)确定的代价函数；(403)在N个果蝇群中，获取每个果蝇群的位置向量：每个果蝇群的位置向量均按第n个果蝇群的位置向量更新公式同时进行更新，即Cn=c+Vn；式中，Vn=(Vn1,Vn2,...,Vnd,...,VnD)为第n个果蝇群的步进向量，Vnd=unrand(0,1)为区间[0,un]内的随机数，un为第n个果蝇群的步进因子；(404)在N个果蝇群中，获取每个果蝇群中第m只果蝇的位置向量：每个果蝇群中第m只果蝇的位置向量，均按第n个果蝇群中第m只果蝇的位置向量更新公式同时进行更新，即Cnm=Cn+Unm；式中，Unm=(Unm1,Unm2,...,Unmd,...,UnmD)为第n个果蝇群中第m只果蝇的步进向量，Unmd=unmrand(0,1)为区间[0,unm]内的随机数，unm为第n个果蝇群中第m只果蝇的步进因子；(405)采用比较法从N个果蝇群中获取搜索到最低食物味道浓度的果蝇群及其对应的位置向量，获取过程如下：首先获得第n个果蝇群中第m只果蝇个体的食物味道浓度Snm，即Snm=S(Cnm)；比较第n个果蝇群中M个果蝇个体的食物味道浓度大小，将其中的最低食物味道浓度记为Sn-opt，且式中，表示从M个值中选取最小值；第n个果蝇群中最低食物味道浓度Sn-opt称为该果蝇群的最优食物味道浓度，与该果蝇群的最优食物味道浓度对应的果蝇个体称为该果蝇群的最优个体；该最优个体的位置向量Cn-opt称为该果蝇群的最优位置向量；再次，从N个果蝇群的最优食物味道浓度中获取全局最低食物味道浓度Sopt，即该全局最低食物味道浓度称为N个果蝇群的全局最优食物味道浓度，与N个果蝇群的全局最优食物味道浓度对应的位置向量Copt称为N个果蝇群的全局最优位置向量，并作为下一次N个果蝇群协同搜索时，N个果蝇群的初始位本文档来自技高网...

【技术保护点】
一种多果蝇群协同优化小波常模盲均衡方法，其特征在于，包括如下步骤：步骤一、将发射信号a(k)经过信道脉冲响应h(k)后加入信道噪声n(k)，得到正交小波变换器的输入信号y(k)：y(k)=a(k)h(k)+n(k)，其中，k为时间序列且为正整数；步骤二、将步骤一所述的正交小波变换器的输入信号y(k)经正交小波变换器进行正交小波变换后，得正交小波变换器的输出信号R(k)：R(k)=Qy(k)，其中，Q为正交小波变换矩阵；步骤三、将步骤二所述的正交小波变换器的输出信号R(k)经过小波常模盲均衡方法WTCMA处理后得到小波常模盲均衡器的输出信号z(k)：z(k)=fH(k)R(k)，其中f(k)为小波常模盲均衡方法WTCMA的权向量，上标H表示共轭转置；步骤四、将步骤二所述的正交小波变换器输出信号R(k)作为多果蝇群协同优化方法的输入信号，以获得WTCMA的权向量f(k)的初始优化权向量fopt(0)，该多果蝇群协同优化方法以食物味道浓度为性能评价标准，将最低食物味道浓度称为最优食物味道浓度，将与最优食物味道浓度对应的位置向量作为最优解；N个果蝇群先各自搜索到各自种群的最优解，然后比较N个最优解的食物味道浓度，从N个果蝇群中找出全局最优解；用该全局最优解来指导各果蝇群的搜索过程，使N个果蝇群跟踪全局最优解并进行下一次搜索，再次获取N个果蝇群的当前全局最优食物味道浓度；当当前全局最优食物味道浓度不变时，则与之对应的位置向量就是N个果蝇群协同搜索得到的当前全局最优位置向量，将此全局最优位置向量作为小波常模盲均衡方法WTCMA的初始优化权向量；步骤五、在步骤四获得初始优化权向量fopt(0)后，对小波常模盲均衡方法WTCMA的权向量f(k)进行更新。...

【技术特征摘要】
1.一种多果蝇群协同优化小波常模盲均衡方法，其特征在于，包括如下步骤：步骤一、将发射信号a(k)经过信道脉冲响应h(k)后加入信道噪声n(k)，得到正交小波变换器的输入信号y(k)：y(k)＝a(k)h(k)+n(k)，其中，k为时间序列且为正整数；步骤二、将步骤一所述的正交小波变换器的输入信号y(k)经正交小波变换器进行正交小波变换后，得正交小波变换器的输出信号R(k)：R(k)＝Qy(k)，其中，Q为正交小波变换矩阵；步骤三、将步骤二所述的正交小波变换器的输出信号R(k)经过小波常模盲均衡方法WTCMA处理后得到小波常模盲均衡器的输出信号z(k)：z(k)＝fH(k)R(k)，其中f(k)为小波常模盲均衡方法WTCMA的权向量，上标H表示共轭转置；步骤四、将步骤二所述的正交小波变换器输出信号R(k)作为多果蝇群协同优化方法的输入信号，以获得WTCMA的权向量f(k)的初始优化权向量fopt(0)，该多果蝇群协同优化方法以食物味道浓度为性能评价标准，将最低食物味道浓度称为最优食物味道浓度，将与最优食物味道浓度对应的位置向量作为最优解；N个果蝇群先各自搜索到各自种群的最优解，然后比较N个最优解的食物味道浓度，从N个果蝇群中找出全局最优解；用该全局最优解来指导各果蝇群的搜索过程，使N个果蝇群跟踪全局最优解并进行下一次搜索，再次获取N个果蝇群的当前全局最优食物味道浓度；当当前全局最优食物味道浓度不变时，则与之对应的位置向量就是N个果蝇群协同搜索得到的当前全局最优位置向量，将此全局最优位置向量作为小波常模盲均衡方法WTCMA的初始优化权向量；步骤五、在步骤四获得初始优化权向量fopt(0)后，对小波常模盲均衡方法WTCMA的权向量f(k)进行更新；对小波常模盲均衡方法WTCMA的权向量f(k)进行更新方法如下：即式中，为发射信号a(k)的统计模值，是一个正常数，E表示数学期望；*表示取共轭，μ为步长，diag表示对角矩阵；表示对小波变换系数rI,K(k)的平均功率估计，表示尺度变换系数sI+1,K(k)的平均功率估计，其迭代公式为式中，β为平滑因子，且0＜β＜1，rI,K(k)是尺度参数为I，平移参数为K的小波变换系数，I、K均取正整数；sI+1,K(k)为小波分解的最大尺度为I+1，平移参数为K的尺度变换系数。2.根据权利要求1所述的一种多果蝇群协同优化小波常模盲均衡方法，其特征在于，所述步骤四中获得WTCMA的权向量f(k)的初始优化权向量fopt(0)具体步骤如下：(401)果蝇群初始化：随机产生N个果蝇群，每个果蝇群包括M只果蝇个体；N个果蝇群的初始位置向量c＝(c1,c2…,cd,…,cD)，其中cd为N个果蝇群的第d维初始位置；第n个果蝇群...

【专利技术属性】
技术研发人员：郭业才，吴珊，黄友锐，
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