專利名稱：引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種帶寬受限的水聲通信中引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法。
背景技術(shù)：
在帶寬受限的水聲通信中，由于信道衰落和多徑傳輸?shù)人a(chǎn)生的碼間干擾 (Inter-symbol Interference, ISI)嚴(yán)重影響通信質(zhì)量，降低了水下數(shù)據(jù)傳輸?shù)目煽啃院蛡鬏斔俾?，因此需要采用有效的信道均衡技術(shù)來消除(見文獻(xiàn)[1] Shafayat Abrar5Asoke K. Nandi. Blind equalization of square—QAM signals :a multi-modulus approach. IEEE Trans. Commun. 2010.6(58) :pp. 1601-1604)。使用常數(shù)模盲均衡方法代替?zhèn)鹘y(tǒng)的自適應(yīng)均衡方法，不需發(fā)送訓(xùn)練序列，可節(jié)省大量帶寬，有效地提高信息的傳輸速率。但對(duì)于具有不同模值的高階正交振幅調(diào)制信號(hào)(QAM)，其收斂速度慢、穩(wěn)態(tài)誤差大(見文獻(xiàn)[2] Jenq-Tay Yuan，and Tzu-Chao Lin. Equalization and Carrier Phase Recovery of CMA and MMA in Blind Adaptive Receivers. IEEE Trans. Signal Process. 2010. 6(58) :pp.3206-3217 ; 文獻(xiàn)[3]吳迪，葛臨東，王彬.適用于高階QAM信號(hào)的混合型盲均衡算法[J].信息工程大學(xué)學(xué)報(bào).2010，1(11) :pp.45-48;文獻(xiàn)W]許小東，戴旭初，徐佩霞.適合高階QAM信號(hào)的加權(quán)多模盲均衡算法[J].電子與信息學(xué)報(bào)，2007.四(6) :pp. 1352-1355.)。為了克服這一缺點(diǎn)，Yang提出了多模盲均衡方法(Multi-Modulus Algorithm, MMA)，其主要適用于高階QAM系統(tǒng)中，并在消除碼間干擾的同時(shí)糾正星座圖的相位旋轉(zhuǎn)，但其收斂速度仍然較慢、穩(wěn)態(tài)誤差也較大(見文獻(xiàn)[5] Yang J，Werner JJ, Dumont G A. The multimodulus blind equalization and its generalized algorithm [J]. IEEE Journal On Sel. Areas in Commun, 2002, 20 (5) :997-1015 ；文獻(xiàn)[6] Jenq-Tay Yuan, Kun-Da Tsai. Analysis of the Multimodulus Blind Equalization Algorithm in QAM Communication Systems. IEEE Trans. Commun. 2005. 9 (53) :pp. 1427-1431 ；文獻(xiàn)[7]竇高奇，高俊.適用于高階 QAM系統(tǒng)的多模盲均衡新算法[J].電子與信息學(xué)報(bào).2008，2 (30) :pp. 388-391 ；文獻(xiàn)[8] Gholami M R，Esfahani S N. Improving the convergence rate of blind equalization using transform domain[C]//ISSPA, Shush，United Arab Emirates :University of Sharjah. 2007 ；pp. 1-4 ；)。文獻(xiàn)[9] [10] [11](見文獻(xiàn)[9]韓迎鴿，郭業(yè)才，吳造林，周巧喜.基于正交小波變換的多模盲均衡器設(shè)計(jì)與算法仿真研究[J]儀器儀表學(xué)報(bào)，2008， 29(7) :pp. 1441-1445 ；文獻(xiàn)[10]Zhu jie，Guo Ye-cai，Yang Chao· Decision teedback blind equalization algorithm based on momentum and orthogonal wavelet packet transform. WiCOMr 09Proceedings of the 5th International Conference on Wireless communications, networking and mobile computing，IEEE，2009 :pp· 2161-2164 ；文獻(xiàn) [11]韓迎鴿，郭業(yè)才.引入動(dòng)量項(xiàng)的正交小波變換盲均衡算法[J]系統(tǒng)仿真學(xué)報(bào).2008， 20(6) :pp. 1559 1562)研究表明，對(duì)均衡器的輸入信號(hào)進(jìn)行小波變換，并對(duì)信號(hào)進(jìn)行能量歸一化處理，可以使各分量之間的自相關(guān)性得到有效降低，加快了收斂速度，但這些盲均衡算法都是采用梯度下降算法來尋找均衡器最優(yōu)權(quán)向量的，它對(duì)權(quán)向量的初始化比較敏感， 不當(dāng)?shù)某跏蓟资顾惴ㄊ諗恐辆植繕O小值，甚至發(fā)散。文獻(xiàn)[12] [13] [14] [15](見文獻(xiàn) [12]Feng Liu, Hu-cheng An，Jia-ming Li，and Lin-dong Ge. Build Equalization Using v-Support Vector Regressor for Constant Modulus Signals [J]. 2008 International Joint Conference on Neural Networks (I JCNN2008)，IEEE，2008 :pp. 161 164 ；文獻(xiàn)[13] Marcelino Lazaro, Jonathan Gonzalez-Olasola. Blind equalization using the IRWLS formulation of the Support Vector Machine[J]. Signal Processing. 2009,7(89) pp.1265-1270 ；文獻(xiàn)[14] Cooklev. Τ. An Efficient Architecture for Orthogonal Wavelet Transforms[J]. IEEE Signal Processing Letters，2006，13(2) :pp· 77 79 ；文獻(xiàn)[15]宋恒，王晨.基于非單點(diǎn)模糊支持向量機(jī)的判決反饋均衡器[J].電子與信息學(xué)報(bào).2008,30(1) :pp. 117 120)提出了一種將支持向量機(jī)(SVM)引入盲均衡問題的算法， 該算法由于利用支持向量機(jī)和結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化的特點(diǎn)，使得收斂速度大大提高并且具有全局最優(yōu)解。但在支持向量機(jī)的構(gòu)造過程中，SVM的參數(shù)設(shè)置對(duì)最終分類精確度有較大的影響。合理的參數(shù)選擇可以使支持向量機(jī)具有更高的精度、更好的泛化能力(見文獻(xiàn)[16] 姚全珠，田元.基于人工免疫的支持向量機(jī)模型選擇算法[J].計(jì)算機(jī)工程.2008，15 (34) pp.223 225. Yao Quan-zhu, Tian Yuan. Model Selection Algorithm of SVM Based on Artificial Immune[J]. Computer Engineering. 2008,15(34) :pp. 223 225)。

發(fā)明內(nèi)容
本發(fā)明目的是針對(duì)正交小波變換多模盲均衡方法(WT-MMA)收斂速度慢且存在局部收斂問題，發(fā)明了一種引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法 (CSA-SVM-WT-MMA)。該發(fā)明方法通過對(duì)多模盲均衡器的輸入信號(hào)進(jìn)行正交小波變換，以降低信號(hào)的自相關(guān)性，并利用支持向量機(jī)將多模盲均衡問題轉(zhuǎn)化為全局最優(yōu)的支持向量回歸問題，通過提取一小段初始數(shù)據(jù)，對(duì)盲均衡器的權(quán)向量進(jìn)行初始化，同時(shí)還利用免疫算法對(duì)支持向量機(jī)中的參數(shù)進(jìn)行了優(yōu)化選擇。理論分析與水聲信道仿真結(jié)果表明，該發(fā)明方法明顯優(yōu)于多模盲均衡方法、正交小波多模盲均衡方法和支持向量機(jī)正交小波多模盲均衡方法。因此，具有一定的實(shí)用價(jià)值。本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案本發(fā)明引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法，其特征在于包括如下步驟a.)將發(fā)射信號(hào)a (k)經(jīng)過脈沖響應(yīng)信道c(k)得到信道輸出向量x (k)，其中k為時(shí)間序列，下同；b.)采用信道噪聲ν (k)和步驟a所述的信道輸出向量χ (k)得到正交小波變換器 (WT)的輸入信號(hào):y(k) = v(k)+x(k)；c.)將步驟b所述的均衡器的輸入信號(hào)y(k)經(jīng)過正交小波變換后的到均衡器輸入 R(k)，將均衡器輸入R(k)經(jīng)過多模盲均衡方法更新均衡器權(quán)向量；其特征在于當(dāng)發(fā)射器發(fā)射信號(hào)時(shí)，取均衡器接收信號(hào)y(k) = yEe(k)+Jylffl(k) (k = 1，2…N， yEe(k)為y(k)的實(shí)部，yIffl(k)為y(k)的虛部，后面類似的表達(dá)式，所表達(dá)的含義相同)的前N組向量，利用支持向量機(jī)來對(duì)這N組數(shù)據(jù)進(jìn)行均衡。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則以及發(fā)射信號(hào)的統(tǒng)計(jì)特性，以精度ε估計(jì)均衡器的初始權(quán)向量fsvm (η)。建立如下支持向量機(jī)回歸問題
權(quán)利要求
1. 一種引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法，其特征在于包括如下步驟a.)將發(fā)射信號(hào)a(k)經(jīng)過脈沖響應(yīng)信道c(k)得到信道輸出向量x(k)，其中k為時(shí)間序列，下同；b.)采用信道噪聲ν(k)和步驟a所述的信道輸出向量x(k)得到正交小波變換器(WT) 的輸入信號(hào)=y(k) = v(k)+x(k)；c.)將步驟b所述的均衡器的輸入信號(hào)y(k)經(jīng)過正交小波變換后的到均衡器輸入 R(k)，將均衡器輸入R(k)經(jīng)過多模盲均衡方法更新均衡器權(quán)向量；其特征在于當(dāng)發(fā)射器發(fā)射信號(hào)時(shí)，取均衡器接收信號(hào)y(k) = yEe(k)+Jylffl(k) (k = 1，2…N，yEe(k) 為y(k)的實(shí)部，yIm(k)為y(k)的虛部，_/+ = λΓΤ為虛數(shù)單位，后面類似的表達(dá)式，所表達(dá)的含義相同)的前N組向量，利用支持向量機(jī)來對(duì)這N組數(shù)據(jù)進(jìn)行均衡。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則以及發(fā)射信號(hào)的統(tǒng)計(jì)特性，以精度ε估計(jì)均衡器的初始權(quán)向量fsvm (η)。建立如下支持向量機(jī)回歸題式中，Esvm(·)表示支持向量機(jī)回歸的精度ε估計(jì)。其約束函數(shù)為 Rik)-^/^yik))2 <8 VifsvMi y(k)f-R(k)< ε式⑵中，R(k) =REe(k)+JRlffl (k),#m ε決定了 ε不敏感區(qū)域的寬度和支持向量的數(shù)目。為了“軟化”上述硬性ε_(tái)帶支持向量機(jī)，引入松弛變量ξ (k)、_和懲罰函數(shù)C，式 (1)和O)的最優(yōu)化問題就可以轉(zhuǎn)化為求解以下約束最優(yōu)化問題約束條件為Ri^-Hf^f y(k)f <ε + ξ(^ < MfsvMi y(k)f-R(k) <ε + ^φ)(4)式⑶和⑷中，ξ (k)和_是衡量樣本離群的距離大小，而懲罰變量C則體現(xiàn)了對(duì)該離群點(diǎn)的重視程度。但是由于約束條件對(duì)于均衡器權(quán)向量fsvm(η)含有二次項(xiàng)，上面的最優(yōu)化問題無法通過SVM所采用的線性規(guī)劃方法求解。于是，根據(jù)一種迭代權(quán)二次規(guī)劃算法(Iterative Reweighted Quadratic Programming, IRffQP)來解決這一問題，可以將式(4)中的二次約束改寫為線性約束。即Hfsvm(n))Ty(k))zsvm(k)-R(k) <ε + ξφ) m - ((/漏(η))τ y(k))z_ (k)<s + ξ^)式中，
2.根據(jù)權(quán)利要求1所述的引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法，其特征在于支持向量機(jī)參數(shù)選擇方法如下 (1)種群初始化隨機(jī)產(chǎn)生一定數(shù)目的抗體群，其中的每個(gè)抗體分別對(duì)應(yīng)核函數(shù)、懲罰參數(shù)C和e中的一組取值；(2)計(jì)算親和度值計(jì)算抗體和抗原之間的親和度值；(3)克隆選擇克隆選擇操作是克隆增值操作的逆操作。該操作是從抗體各自克隆增值后的子代中選擇優(yōu)秀的個(gè)體，從而形成新的抗體群，是一個(gè)無性選擇過程。一個(gè)抗體經(jīng)過克隆增值后形成一個(gè)亞抗體群，再經(jīng)過親和度成熟操作后通過克隆選擇操作實(shí)現(xiàn)局部的親和度升高。首先對(duì)第二步所述抗體群中的抗體按親和度從小到大的順序進(jìn)行排列，根據(jù)親和度(一個(gè)抗體對(duì)一個(gè)相同鏈長(zhǎng)的抗原產(chǎn)生識(shí)別的程度稱為親和度)的大小評(píng)價(jià)，選擇最佳抗體進(jìn)行克隆擴(kuò)增操作，得到擴(kuò)增后的抗體群A，克隆數(shù)與親和度成正比。(4)精英交叉策略精英交叉的原理如下在免疫算法的實(shí)現(xiàn)中，首先給定一個(gè)精英交叉的概率I\。(kc表示king-crossover，即精英交叉)，對(duì)于第三步所述的克隆抗體群中第t代每個(gè)個(gè)體a(t) 產(chǎn)生一個(gè)
之間的隨機(jī)數(shù)R，如果R小于精英交叉概率Pk。，則a(t)被選中與保存的當(dāng)前代精英個(gè)體b(t)進(jìn)行交叉，其方法是將a(t)和b(t)放入一個(gè)小的交配池中，根據(jù)選定的交叉策略(單點(diǎn)、兩點(diǎn)、多點(diǎn)和一致交叉等)，對(duì)a(t)和b(t)進(jìn)行交叉操作，得到一對(duì)子代個(gè)體a' (t)和b' (t)。然后，用a' (t)替代種群中的a(t)，b' (t)則丟失不用。(5)高頻變異對(duì)抗體群A中每個(gè)克隆抗體進(jìn)行高頻變異，產(chǎn)生變異群A* ；高頻變異作為克隆選擇的主要操作算子，可以防止進(jìn)化早熟并增加抗體的多樣性；(6)計(jì)算親和度值將( 所述的高頻變異后的各抗體重新計(jì)算其對(duì)應(yīng)的親和度值。(7)選擇從變異群k*中選擇η個(gè)親和度高的抗體替換初始抗體群中η個(gè)親和度低的抗體，η反比于抗體群的平均親和度值；(8)判斷終止與否根據(jù)抗體的進(jìn)化代數(shù)進(jìn)行判斷，當(dāng)進(jìn)化代數(shù)小于最大進(jìn)化代數(shù)，則轉(zhuǎn)至( ，重復(fù)進(jìn)行 (2) (5)的操作步驟，直至進(jìn)化代數(shù)大于最大進(jìn)化代數(shù)，如達(dá)到終止條件，則程序結(jié)束，輸出全局參數(shù)最優(yōu)解。
全文摘要
本發(fā)明公布了一種引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法，利用免疫克隆選擇算法的全局搜索能力，對(duì)支持向量機(jī)盲均衡方法中的參數(shù)選擇由人工選取變?yōu)樽詣?dòng)確定，然后將支持向量機(jī)引入到正交小波多模盲均衡方法中，發(fā)明了一種引入免疫優(yōu)化支持向量機(jī)的小波多模盲均衡方法，該方法通過利用支持向量機(jī)(SVM)對(duì)提取的一小段起始數(shù)據(jù)訓(xùn)練來估計(jì)盲均衡器的初始權(quán)值，同時(shí)利用免疫算法對(duì)SVM中的參數(shù)進(jìn)行了優(yōu)化選擇，并將SVM估計(jì)出的初始權(quán)值作為正交小波多模盲均衡方法的權(quán)向量。本發(fā)明與多模盲均衡方法、正交小波多模盲均衡方法和支持向量機(jī)正交小波多模盲均衡方法相比，具有快的收斂速度和小的穩(wěn)態(tài)誤差，更好地提高了水聲通信質(zhì)量。
文檔編號(hào)H04L25/03GK102299875SQ201110160149
公開日2011年12月28日 申請(qǐng)日期2011年6月15日 優(yōu)先權(quán)日2011年6月15日
發(fā)明者丁銳, 季童瑩, 郭業(yè)才 申請(qǐng)人:南京信息工程大學(xué)