一种基于混合猴群优化的小波加权多模盲均衡方法技术

本发明专利技术公开了一种基于混合猴群优化的小波加权多模盲均衡方法，它采用列维飞行模式来确定猴群优化方法中的爬步长，并将模拟退火优化方法嵌入猴群优化方法中，得到了一种混合猴群优化方法，这个新方法有很强的全局寻优能力，利用这个新方法能得到猴群在搜索空间的最优位置向量，将此向量作为基于小波变换的加权多模盲均衡方法中的初始权向量，此时盲均衡系统成为期望的理想系统，具有很好的均衡能力。与现有技术相比，本发明专利技术对高阶正交振幅调制信号有很好的均衡能力，收敛速度快、稳态误差小，有一定的实用价值。

【技术实现步骤摘要】
一种基于混合猴群优化的小波加权多模盲均衡方法
：本专利技术涉及数据采集和信号处理
，具体讲是一种基于混合猴群优化的小波加权多模盲均衡方法。
技术介绍
：目前，水声通信是人们普遍接受的水下通信方式，水声信道中的多径传播、高背景噪声等因素会使信号在传输过程中产生严重的码间干扰(Inter-symbolInterference,ISI)，通信质量无法得到保证。为解决这一问题，各种均衡技术应运而生。加权多模方法(WMMA)利用判决符号的指数幂构成加权项，可以自适应调制模值，能有效降低模型误差，但在获取方法非凸性代价函数的全局最优解时，仍沿用了梯度下降的思想，无法克服方法易陷入局部极值的问题，难以进一步提高均衡效果,将小波变换(WT)引入WMMA，可降低信噪比，但只能一定程度上提高均衡效果。猴群优化方法(MA)具有良好的全局随机搜索能力，但局部搜索能力不够强，也容易陷入局部最优解，结合具有优秀搜索路径的列维飞行模式(LF)和具有极强局部搜索能力的模拟退火优化方法(SA)，可提高全局和局部意义下的搜索能力。
技术实现思路
：本专利技术要解决的技术问题是，提供一种可以大大降低均衡器的稳态均方误差本文档来自技高网...

【技术保护点】
一种基于混合猴群优化的小波加权多模盲均衡方法，包括基于小波变换的加权多模盲均衡方法(WT‑WMMA)，其特征在于：还包括混合猴群优化方法，所述方法结合在一起后的具体步骤如下：步骤①初始化阶段：先设置基于混合猴群优化的小波加权多模盲均衡方法中的相关参数，接着随机产生初始种群，生成信号y(k)，然后确定混合猴群优化方法的适应度函数，将y(k)作为混合猴群优化方法的输入信号，最后初始化猴群全局最优位置向量；步骤②混合猴群优化方法的迭代寻优阶段：通过混合猴群优化方法获得猴群的全局最优位置向量，并将其作为基于小波变换的加权多模盲均衡方法的初始权向量；步骤③信号均衡输出阶段：对上述步骤①中的输入信号y(k...

【技术特征摘要】
1.一种基于混合猴群优化的小波加权多模盲均衡方法，包括基于小波变换的加权多模盲均衡方法(WT-WMMA)，其特征在于：还包括混合猴群优化方法，所述方法结合在一起后的具体步骤如下：步骤①初始化阶段：先设置基于混合猴群优化的小波加权多模盲均衡方法中的相关参数，接着随机产生初始种群，生成信号y(k)，然后确定混合猴群优化方法的适应度函数，将y(k)作为混合猴群优化方法的输入信号，最后初始化猴群全局最优位置向量；步骤②混合猴群优化方法的迭代寻优阶段：通过混合猴群优化方法获得猴群的全局最优位置向量，并将其作为基于小波变换的加权多模盲均衡方法的初始权向量；步骤③信号均衡输出阶段：对上述步骤①中的输入信号y(k)通过小波加权多模盲均衡方法均衡输出。2.根据权利要求1所述的一种基于混合猴群优化的小波加权多模盲均衡方法，其特征在于：所述初始化阶段的具体步骤如下：步骤a设置基于混合猴群优化的小波加权多模盲均衡方法中所有相关参数；步骤b生成信号y(k)：信号经信道传输后将发生一定变化，y(k)＝cT(k)a(k)+b(k)(1)式(1)中，a(k)为平稳独立同分布且具有零均值的发射信号序列，c(k)为信道的脉冲响应向量，b(k)为加性高斯白噪声，y(k)为a(k)经信道传输后的信号序列；步骤c随机产生初始种群：在n维空间创建一个规模为m的猴群X＝[X1,X2,…,Xm]，则第i只猴子的位置可以用一个n维的向量Xi＝(xi1,xi2,…,xin)，i＝1,2,…,m来表示，每只人工猴的位置向量与基于小波变换的加权多模盲均衡方法中的权向量设置为相同形式。猴群初始位置的分配采用的是随机形式，过程如下：xij＝xmin,j+(xmax,j-xmin,j)rand(2)式(2)中，i＝1,2,…,m；j＝1,2,…,n，xij为第i只猴子在第j维的实际位置，xmin,j和xmax,j分别表示搜索空间第j维的下界和上界，rand产生一个在区间[0,1]上的实数；步骤d确定适应度函数：将混合猴群优化方法中适应度函数的倒数对应于小波加权多模盲均衡方法(WT-WMMA)的代价函数，两者关系如下：式(3)中，L(Xi)为基于小波变换的加权多模盲均衡方法的代价函数，f(Xi)为混合猴群优化方法的适应度函数。基于小波变换的加权多模盲均衡方法的最佳权向量是要使其代价函数取得最小值，而混合猴群优化方法中最终取得的全局最优解是适应度函数的最大值，故利用混合猴群优化方法求解均衡器的代价函数时将两者作以上对应；步骤e初始化猴群全局最优位置向量：将y(k)作为混合猴群优化方法的输入信号,根据适应度函数，分别计算初始状态中每只猴子的位置向量对应的适应度函数值，比较结果，将该群体中的最大适应度函数值定义为全局最优适应度函数值f(X*)的初始值，该值对应的位置向量定义为全局最优位置向量X*的初始值。3.根据权利要求1所述的一种基于混合猴群优化的小波加权多模盲均衡方法，其特征在于：所述混合猴群优化方法的迭代寻优阶段的具体步骤如下：步骤a爬过程，具体如下：1)在第t次的爬行中，随机生成一个向量ΔXi＝(Δxi1,Δxi2,…,Δxin)，i＝1,2,…,m，分量Δxij以相同的概率0.5取爬步长λi(λi＞0)或-λi，爬步长将采用列维飞行模式确定：Levy～ε＝t-1-β(0＜β≤2)(5)式(4)中，α为步长控制因子(α＞0，具体数值可根据实际情况设置)；为点对点乘法；L(β)为随机搜索路径，它移动的步长服从列维分布；式(6)中，i＝1,2,…,m，j＝1,2,…,n，向量f'i(xi)＝(f'i1(xi),f'i2(xi),…f'in(xi))称为适应度函数在点Xi处的伪梯度；3)设向量Y＝(y1,y2,…yn)，向量中各分量为yj＝xij+λi·sign(f'ij(xi))(7)式(7)中，i＝1,2,…,m，j＝1,2,…,n；4)若Y在搜索空间范围[a,b]内，则更新位置，Xi←Y，否则，保持Xi不变；5)返回爬过程的步骤1)，继续进行迭代，直到达到设置的最大爬次数或者前后两次迭代过程中适应度函数值无明显变化，爬过程结束，转入望-跳过程；步骤b望-跳过程，具体步骤如下：1)经过一段时间的攀爬，每只人工猴在其视野范围(xij...

【专利技术属性】
技术研发人员：高敏，周国良，郑亚强，李云玲，赵敏，
申请(专利权)人：淮南职业技术学院，
类型：发明
国别省市：安徽,34