模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法
【專利摘要】本發(fā)明公布了一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，所述方法如下：隨機初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價函數(shù)確定果蠅的味道濃度函數(shù)，對由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進行模擬退火操作，得到果蠅群的不會陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權向量。本發(fā)明在處理高階正交幅度調制信號時，收斂速度快、穩(wěn)態(tài)誤差小，避免了陷入局部最優(yōu)的缺陷，實用性強。
【專利說明】模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法
【技術領域】
[0001]本發(fā)明涉及一種盲均衡方法，尤其涉及一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法。
【背景技術】
[0002]傳統(tǒng)多模盲均衡方法(Mult1-modulusAlgorithm, MMA)(見文獻[I]徐小東，戴佩初，徐曉霞.適合高階QAM信號的加權多模盲均衡算法[J].電子與信息學報,2007.6, 29 (6):雨 1352 ?1355.文獻[2] J.Yang, GDumont.The MultimodulusBlindequalizationandltsGeneralizedAlgorithms.2002 (20) 5:997-1015.)將 QAM 信號的實部和虛部分開均衡，有效地糾正了 QAM信號的相位旋轉，但對高階QAM信號，MMA均衡效果仍不理想。廣義離散多模盲均衡方法，采用梯度下降算法對均衡器權向量進行更新，易陷入局部收斂，難以獲得全局最優(yōu)解，收斂后存在穩(wěn)態(tài)誤差較大和收斂速度較慢，而其收斂速度慢的主要因素是輸入信號存在自相性(文獻[3]:ShafayatA, AsokeKN.Blindequalizationof square-QAMsignals:amultimodulusapproach[J].1EEETransactionon Communications.2010，(58)6:1674-1685.)。為了降低輸入信號的自相關性，以加快收斂速度，將正交小波變換引入盲均衡方法中是一種有效辦法(見文獻[4]郭業(yè)才，劉振興?；谄胶庹欢嘈〔ㄗ儞Q的盲均衡算法[J]，兵工學報，2010，31 (3): 279?284.)。果蠅優(yōu)化方法是一種隨機搜索全局優(yōu)化方法，該方法模擬果蠅覓食行為，利用果蠅群體協(xié)作機制和信息共享機制搜尋種群最優(yōu)解，具有良好的全局尋優(yōu)能力且魯棒性強，但易陷入局部收斂及“早熟”現(xiàn)象(見文獻
[5]潘文超著.果蜆優(yōu)化算法[M].滄海書局，2011.文獻[6]Panffen-Tsa0.A newfruitflyoptimizationalgorithm:takingthefinaneialdistressmodeI asanexample[J].Knowledge-BasedSystems, 2012, 26:69-74.)。
[0003]模擬退火方法模擬固體退火過程，采用串行優(yōu)化結構，通過賦予搜索過程一種時變且最終趨于零的概率突跳性，從而有效地避免陷入局部極值并最終趨于全局最優(yōu)，具有優(yōu)良的局部搜索能力，但其收斂速度慢、全局搜索能力弱、初值魯棒性差(見文獻[7]龐峰.模擬退火算法的原理及算法在優(yōu)化問題上的應用[D].吉林:吉林大學.2006:6-8.文獻[8]宋煒，劉強.基于模擬退火算法的過程挖掘研究[J].電子學報，2008，36(4A):35-139)。

【發(fā)明內容】

[0004]本發(fā)明目的是針對現(xiàn)有盲均衡技術在均衡高階正交幅度調制信號(QAM)時存在的缺陷(見文獻[9]王彬，葛臨東，霍亞娟.適用于高階QAM信號的多?；旌厦ぞ馑惴╗J].數(shù)據采集與處理.2011.26(1):8-14.)，發(fā)明了一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法(SA-F0A-WT-GSMMA)。
[0005]本發(fā)明方法在廣義離散多模盲均衡方法的基礎上充分結合了正交小波變換，果蠅優(yōu)化方法和模擬退火方法的優(yōu)點，利用果蠅優(yōu)化方法全局搜索能力強、魯棒性高和收斂速度快的特點優(yōu)化均衡器權向量；利用正交小波變換，降低輸入信號與噪聲的自相關性，加快收斂速度；利用模擬退火方法優(yōu)良的局部搜索能力，避免了果蠅優(yōu)化方法陷入早熟現(xiàn)象，進一步減小穩(wěn)態(tài)誤差、加快收斂速度。
[0006]本發(fā)明為實現(xiàn)上述目的，采用如下技術方案:
[0007]本發(fā)明模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，所述方法如下:
[0008]隨機初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價函數(shù)確定果蠅的味道濃度函數(shù)，對由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進行模擬退火操作，得到果蠅群的不會陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權向量；
[0009]所述模擬退火與果蠅混合優(yōu)化權向量方法如下:
[0010]步驟1:果蠅群的味道濃度確定:將廣義離散多模盲均衡方法WT-GSMAA的代價函數(shù)JesMMAOg作為果蠅群中第i個果蠅的味道濃度F(Xi)，i=1, 2，…M，M為果蠅群中果蠅的規(guī)模，為正整數(shù)；
[0011]步驟2:初始化果蠅群參數(shù):
[0012]設果蠅群中果蠅的規(guī)模為m，果蠅位置向量的維數(shù)為d，為正整數(shù)；果蠅群中第i個果蠅的初始位置向量均為Xi=Uil, xi2,…，xid)，xid為第i個果蠅的第d維初始位置；第i個果蠅的初始味道濃度為F(Xi)；
[0013]步驟3:第i個果蠅的位置向量Xi與步進向量Vi:
[0014]Xi=X+Vi
[0015]Vi=(VilJifJid)
[0016]Vid=U.rand (0,1)
[0017]式中，Xi表示第i個果蠅的位置向量Xi= (Xn，Xi2, - ,Xid)，Xid為第i個果蠅的第d維位置Vid表示第i個果蠅的第d維步進長度，為區(qū)間[_u，u]內的隨機數(shù)，u表示步進因子，rand (0, 1)表示0到1之間的隨機數(shù)'Ni表示第i個果蠅的步進向量；
[0018]步驟4:計算果蠅味道濃度F(Xi):按步驟I所述的果蠅群中第i個果蠅的味道濃度確定方法，計算果蠅味道濃度F (Xi)；
[0019]步驟5:在果蠅群體中找出味道濃度最低的果蠅個體作為最優(yōu)個體，與最優(yōu)個體對應的味道濃度和位置向量稱為最優(yōu)果蠅個體的味道濃度和位置向量；
[0020]步驟6:更新果蠅群的味道濃度和位置向量:將最優(yōu)果蠅個體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個體的味道濃度作為果蠅群的味道濃度；
[0021]步驟7:重復執(zhí)行步驟3至步驟5，若當前最優(yōu)果蠅個體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟6 ；
[0022]步驟8:若當前最優(yōu)果蠅個體的味道濃度不再變化時，則與之對應的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量X。X。-，X2opt,…，χ_)，Xdopt為當前最優(yōu)果蠅個體的第d維位置；否則轉至步驟7 ；
[0023]步驟9:避免果蠅群最優(yōu)位置向量X_陷入局部最優(yōu)，對果蠅群的最優(yōu)位置向量Xopt進一步作模擬退火操作，果蠅群最優(yōu)位置向量的每一維皆按Metropolis準則棄留，Metropolis 準則為
【權利要求】
1.一種模擬退火與果蜆混合優(yōu)化小波廣義離散多模盲均衡方法,其特征在于，所述方法如下: 隨機初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價函數(shù)確定果蠅的味道濃度函數(shù)，對由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進行模擬退火操作，得到果蠅群的不會陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權向量。
2.根據權利要求1所述的模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，其特征在于，所述模擬退火與果蠅混合優(yōu)化權向量方法如下: 步驟1:果蠅群的味道濃度確定:將廣義離散多模盲均衡方法GSMAA的代價函數(shù)JcsMMA(Xi)作為果蠅群中第i個果蠅的味道濃度F (Xi)，i=l，2，...，M，M為果蠅群中果蠅的規(guī)模，為正整數(shù)； 步驟2:初始化果蠅群參數(shù):設果蠅群中果蠅的規(guī)模為m，果蠅位置向量的維數(shù)為d，為正整數(shù)；果蠅群中第i個果蠅的初始位置向量均為Xi=Uil, xi2,…，xid)，xid為第i個果蠅的第d維初始位置；第i個果蠅的初始味道濃度為F(Xi)； 步驟3:第i個果蠅的位置向量Xi與步進向量Vi:
Xi=Xi+Vi
Vi= (Vil, Vi2,-,Vid)
Vid=U.rand (O, I) 式中，Xi表示第i個果蠅的位置向量Xi= (Xn，Xi2，…，Xid)，Xid為第i個果蠅的第d維位置，Vid表示第i個果蠅的第d維步進長度，為區(qū)間[_u，u]內的隨機數(shù)，u表示步進因子，rand (O, I)表示O到I之間的隨機數(shù)'Ni表示第i個果蠅的步進向量； 步驟4:計算果蠅味道濃度F(Xi):按步驟I所述的果蠅群中第i個果蠅的味道濃度確定方法，計算果蠅味道濃度F (Xi)； 步驟5:在果蠅群體中找出味道濃度最低的果蠅個體作為最優(yōu)個體，與最優(yōu)個體對應的味道濃度和位置向量稱為最優(yōu)果蠅個體的味道濃度和位置向量； 步驟6:更新果蠅群的味道濃度和位置向量:將最優(yōu)果蠅個體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個體的味道濃度作為果蠅群的味道濃度； 步驟7:重復執(zhí)行步驟3至步驟5，若當前最優(yōu)果蠅個體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟6; 步驟8:若當前最優(yōu)果蠅個體的味道濃度不再變化時，則與之對應的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量X。#=^-，X2opt, -,Xdopt), Xdopt為當前最優(yōu)果蠅個體的第d維位置；否則轉至步驟7; 步驟9:為避免果蠅群最優(yōu)位置向量X_陷入局部最優(yōu)，對果蠅群的最優(yōu)位置向量Xopt進一步作模擬退火操作，果蠅群最優(yōu)位置向量的每一維皆按Metropolis準則棄留，Metropolis 準則為
【文檔編號】H04L25/03GK103475608SQ201310233250
【公開日】2013年12月25日 申請日期:2013年6月13日 優(yōu)先權日:2013年6月13日
【發(fā)明者】郭業(yè)才, 吳珊, 黃友銳, 劉曉明 申請人:南京信息工程大學