一種模因方法優(yōu)化的多模盲均衡方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明一種將模因方法和盲均衡技術(shù)相結(jié)合的多模盲均衡方法，用于水聲通信系 統(tǒng)中，可以有效地均衡高階多模調(diào)制信號，具體涉及一種模因方法優(yōu)化的多模盲均衡方 法。
【背景技術(shù)】
[0002] 在通信系統(tǒng)中，為了有效地消除有限帶寬和多徑傳播等引起的碼間干擾，接收端 需要引入盲均衡技術(shù)。在盲均衡技術(shù)中，常模盲均衡方法（CMA，ConstantModulusblind equalizationAlgorithm)是使均衡器輸出信號星座點(diǎn)盡可能分布在一個半徑為（信號的 統(tǒng)計(jì)模值）的圓上，從而不斷調(diào)整均衡器的權(quán)向量。CMA最大的優(yōu)點(diǎn)在于它的代價函數(shù)只與 接收序列的幅度有關(guān)，而與相位無關(guān)，所以CMA非常適用于常模信號。但是，對于具有不同 模值的高階QAM和APSK信號，其星座點(diǎn)分布在不同半徑的圓上，如果采用CMA進(jìn)行均衡就 會使輸出信號星座點(diǎn)趨于單一圓上，從而產(chǎn)生較大的誤差，甚至導(dǎo)致無效。近年，Yang提出 的多模盲均衡方法（MMA,Multi-ModulusblindequalizationAlgorithm)是對CMA的一 種改進(jìn)。它的主要思想是以判決輸出信號的模值作為圓的半徑，把星座圖分成多個區(qū)域，每 個區(qū)域都有各自的誤差函數(shù)，從而將剩余誤差控制在較小的范圍內(nèi)。與CMA相比，MMA均衡 高階多模信號時收斂性能有所提高，并且不需要相位旋轉(zhuǎn)器來消除相位模糊；尤其對于非 方形星座、密集型星座，MMA能夠更加充分地利用符號的統(tǒng)計(jì)特性。但是，MMA與CMA-樣存 在模型誤差的問題，使其收斂速度及收斂后的剩余誤差仍不甚理想。
[0003] 模因方法（MA,MemeticAlgorithm)是一種結(jié)合遺傳機(jī)制和局部搜索的優(yōu)化方法， 它采用與遺傳方法（GA,GeneticAlgorithm)類似的運(yùn)算流程，并在此基礎(chǔ)上加入了局部搜 索，使每次迭代后的所有個體都能達(dá)到局部最優(yōu)。模因方法充分吸收了遺傳方法和局部搜 索方法的優(yōu)點(diǎn)，達(dá)到了全局進(jìn)化和局部開發(fā)能力的平衡。方法易于理解，容易實(shí)現(xiàn)，具有簡 單的可操作性。
[0004] 結(jié)合MA和MMA各自的特點(diǎn)，發(fā)明了一種基于模因方法的多模盲均衡方法 (MA-MMA)，其原理是利用MA快速搜索到一組適用于MMA方法的全局最優(yōu)解，并以此作為MMA 的最優(yōu)初始化權(quán)向量進(jìn)行迭代。仿真結(jié)果表明，本發(fā)明方法恢復(fù)高階多模信號能力具有顯 著的提高，收斂速度快、穩(wěn)態(tài)誤差小。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種模因方法優(yōu)化的多模盲均衡方法，利用模 因方法快速搜索到一組適用于多模盲均衡方法的全局最優(yōu)解，并以此作為多模盲均衡方法 的初始化權(quán)向量進(jìn)行迭代。本發(fā)明方法恢復(fù)高階多模信號能力具有顯著的提高，收斂速度 快、穩(wěn)態(tài)誤差小，解決了多模盲均衡方法均衡高階多模QAM信號時誤差函數(shù)與信號星座模 型不匹配導(dǎo)致收斂速度慢、剩余均方誤差大的缺陷。
[0006] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0007] 本發(fā)明提供一種模因方法優(yōu)化的多模盲均衡方法，包括以下步驟：
[0008] 1)將發(fā)射信號s(k)經(jīng)過脈沖響應(yīng)信道h(k)后加入信道噪聲n(k)，得到盲均衡器 輸入時域信號x(k):
[0009] x(k) =s(k)h(k)+n(k),
[0010] 其中，k為整數(shù)且表示時間序列；
[0011] 2)將步驟1)得到的盲均衡器輸入時域信號x(k)經(jīng)過盲均衡器得到輸出信號 z(k)：
[0012] z(k) =w(k)x(k)，
[0013] 其中，w(k)為盲均衡器的權(quán)向量，其更新公式為w(k+l) =w(k)_yeQOxYk)， w(k)的初始化權(quán)向量w(0)根據(jù)模因方法優(yōu)化獲取；e(k)為誤差信號；y為w(k)的迭代步 長，是實(shí)數(shù)，〇<y< 1YGO為x(k)的共輒。
[0014] 作為本發(fā)明的進(jìn)一步優(yōu)化方案，初始化權(quán)向量w(0)由模因方法優(yōu)化獲取，具體步 驟為：
[0015] 2. 1)確定參數(shù)
[0016] 確定種群總數(shù)N，二進(jìn)制位數(shù)S，最大迭代次數(shù)G，交叉概率P。，變異概率P"，其中，N 為偶數(shù)；當(dāng)前迭代次數(shù)為T;
[0017] 2. 2)種群初始化
[0018] 隨機(jī)產(chǎn)生初始種群，包含N個個體，記作X= [Xi，X2，…，XN];其中每個個體均滿足 X_<X#X_，X_和X_為設(shè)定的X艱值的上下限，1彡i彡N;當(dāng)前迭代次數(shù)初值T= 〇 ；
[0019]2. 3)確定適應(yīng)度函數(shù)
[0020] 模因方法的適應(yīng)度函數(shù)為多模盲均衡方法代價函數(shù)的倒數(shù)，即
[0021]
[0022] 其中，fitness(XJ為模因方法的適應(yīng)度函數(shù)，為多模盲均衡方法的代價函 數(shù)；
[0023] 2. 4)編碼
[0024] 對初始種群中的每個個體中的每一位元素進(jìn)行二進(jìn)制編碼，編碼長度為S，并將每 一位元素的二進(jìn)制碼按原有順序連接起來組成一組長度為LXS的二進(jìn)制碼，L為每個個體 中的元素個數(shù)，編碼后的種群為編碼種群Y=[LY2，…，YJ，其中I對于X^勺編碼；
[0025] 2. 5)交叉操作
[0026] 將編碼種群Y中所有個體兩兩配對，對所配對的個體進(jìn)行交叉判斷；將每次進(jìn)行 交叉判斷的一組父體分別記作YjPYb，a、bG[1，…N]且a乒b，同時隨機(jī)產(chǎn)生一個（0，1) 之間的隨機(jī)數(shù)￡，用于判斷隨機(jī)選取的該組父體是否進(jìn)行交叉操作，若e小于該組父體的 交叉概率P。，則該組父體進(jìn)行交叉操作產(chǎn)生兩個新個體，分別為乙'和V并保存；否則， 不進(jìn)行交叉操作，舍棄不進(jìn)行交叉操作的該組父體；直至所有配對個體處理完成；
[0027] 2. 6)變異操作
[0028] 對編碼種群Y中所有個體依次進(jìn)行變異判斷；將每次進(jìn)行變異判斷的個體記作 Y。，同時隨機(jī)產(chǎn)生一個（0, 1)之間的隨機(jī)數(shù)〇，用于判斷該個體是否進(jìn)行變異操作；若〇小 于該個體變異概率Pm，則對該個體進(jìn)行變異操作產(chǎn)生一個新個體Y。'并保存；否則不進(jìn)行 變異操作，舍棄不進(jìn)行交叉操作的該個體；直至所有個體處理完成；
[0029] 2. 7)合并種群
[0030] 將經(jīng)過2. 5)交叉操作和2. 6)變異操作后產(chǎn)生的新個體與步驟2. 4)中編碼種群Y合并構(gòu)成當(dāng)前種群Z，Z= [Zi，Z2，…，ZN+J，其中，N+x為當(dāng)前種群中個體的總數(shù)，x為編 碼種群Y經(jīng)過交叉、變異操作后產(chǎn)生的新個體數(shù)，x為非負(fù)整數(shù)；
[0031] 2. 8)解碼并計(jì)算適應(yīng)度值
[0032] 對當(dāng)前種群Z中的N+x個個體進(jìn)行解碼，并根據(jù)步驟2. 3)中的公式計(jì)算當(dāng)前種 群Z中所有個體的適應(yīng)度值；
[0033] 2. 9)選擇
[0034] 使用輪盤賭方法從當(dāng)前種群Z中選取N個個體繼續(xù)進(jìn)化，而未被選中的的個體則 被舍棄；被選中的N個個體，按照被選中的先后依次記為X/，X' 2，…，X' N;
[0035] 2. 10)局部搜索
[0036] 對步驟2. 9)選中的N個個體進(jìn)行局部搜索，具體為：
[0037] 對第i個體Xi'個體，以多模盲均衡方法的代價函數(shù)J_ (X/)為約束條件，在X/ 的鄰域內(nèi)搜索新個體使為極小值，將為極小值時的新個體作為下一次迭 代中的初始個體&，從而得到下一次迭代的初始種群X;
[0038] 2. 11)判斷終止條件
[0039] 從步驟2. 4)到步驟2. 10)完成一次迭代過程，T=T+1;判斷當(dāng)前迭代次數(shù)T是否 達(dá)到最大迭代次數(shù)G，若未達(dá)到，則返回至步驟2. 4.);否則結(jié)束迭代，輸出最優(yōu)個體，并將 其作為盲均衡器的初始化權(quán)向量。
[0040] 作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟2. 5)中進(jìn)行交叉操作產(chǎn)生的兩個新個體的 計(jì)算公式為
[0041] YJ =
[0042] V = c〇2Yb+(l-c〇2)Ya
[0043] 式中，V和V分別為Y，Yb進(jìn)行交叉操作產(chǎn)生的兩個新個體，《郴《 2為 (〇, 1)上兩個不相關(guān)的隨機(jī)數(shù)。
[0044] 作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟2. 6)中進(jìn)行變異操作產(chǎn)生的一個新個體的 計(jì)算公式為
[0045]
[0046] 其中，Y。'為Y。進(jìn)行變異操作產(chǎn)生的新個體；gt為種群進(jìn)化標(biāo)識，gt=t/G，t為當(dāng) 前種群的進(jìn)化代數(shù)，G為種群的最大迭代次數(shù)；rand為[0, 1]上的隨機(jī)數(shù)；sign隨機(jī)選取0 或1。_和Y_分別為X_和X_的二進(jìn)制編碼序列。
[0047] 作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟2. 9)中，在選擇過程中，第j個個體被選擇的 概率定義為
[0048]
[0049] 式中，fitness(ZJ為當(dāng)前種群Z中第j個個體的適應(yīng)度值。
[0050] 本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：
[0051] 現(xiàn)有常模盲均衡方法收斂速度慢，收斂后穩(wěn)態(tài)誤差大，且存在盲相位特征；而本發(fā) 明一種模因方法優(yōu)化的多模盲均衡方法，以