CN101431358A - 基于m-精英进化算法的垂直分层空时信号检测方法 - Google Patents

Abstract

本发明公开一种基于M－精英进化算法的垂直分层空时信号检测方法，它涉及通信技术领域。其步骤为：(1)接收列信号；(2)设定检测终止条件，给定运行参数，随机产生初始种群，计算种群适应度；(3)对初始种群排序，并将其划分为精英种群及普通种群；(4)判定终止条件，若满足则结束对当前列信号的检测，输出检测信号，执行(7)，否则执行(5)；(5)从精英种群及普通种群中选择出父代个体，产生子代个体，并计算适应度；(6)利用子代个体对父代个体进行更新，返回(4)；(7)若无其他待信号检测则结束检测，否则返回(1)。该方法具有复杂度低，检测性能好的优点，用于第四代移动通信中对垂直分层空时系统的信号检测。

Description

基于M-精英进化算法的垂直分层空时信号检测方法

技术领域

本发明属于通信技术领域，具体涉及垂直分层空时V-BLAST信号检测方法，该方法可用于第四代移动通信的信号检测。

背景技术

为了提高系统容量，第四代的无线宽带移动通信系统将会采用多输入多输出MIMO技术，即在基站端放置多个天线，在移动台也放置多个天线，基站和移动台之间形成MIMO通信链路。MIMO技术已经成为无线通信领域的关键技术之一。随着使用天线数目的增加，MIMO技术实现的复杂度大幅度增高，从而限制了天线的使用数目，不能充分发挥MIMO技术的优势。目前，如何在保证一定的系统性能的基础上降低MIMO技术的算法复杂度和实现复杂度，成为业界面对的巨大挑战。

在MIMO系统的研究中，贝尔实验室垂直分层空时V-BLAST系统因能有效提高频谱效率且易于实现而备受关注，进而V-BLAST检测方法也成为了研究热点。图1给出了V-BLAST系统的原理框图。信号源比特流经串并变换成为T路子比特流，每一路子比特流映射为调制符号并由其对应的发射机发射出去。发射机以相同的符号速率发射符号，并且其间是符号同步的。接收端是由R个天线组成，每根天线都会接收来自T个发射天线的信号。假设信道为平坦的准静态瑞利衰落信道，即在每一帧L个符号的时间内，信道保持不变。在帧与帧之间，信道是变化的。信道矩阵记为H＝(h_ij)_R×T，其元素hi_j，i＝1，2，…，R，j＝1，2，…，T为复矩阵元素，表示第j根发射天线到第i根接收天线的信道转移特性，在散射非常丰富的传播环境中，h_ij可以认为服从相互独立的复高斯分布。假设接收端可以通过训练序列来精确地估计信道。则接收端接收到信号的等效基带形式可以表示为r＝Hs+n，其中，s为T×1维的发送数据信号；r为相应的R×1维接收信号；n为加性高斯白噪声矢量，满足E(nn^H)＝N₀I，I为单位矩阵。V-BLAST检测方法所要解决的问题就是如何从接收信号中检测出发送的信号。

传统的V-BLAST检测方法主要包括最大似然检测方法ML，单纯迫零法ZF，最小均方误差法MMSE，连续干扰抵消方法SIC，以及改进的排序连续干扰抵消方法OSIC，该OSIC方法根据采用准则的不同又可分为ZF-OSIC方法和MMSE-OSIC方法，ZF-OSIC方法也叫Golden方法。

ML检测方法就是对发送信号s所有可能的解进行遍历搜索，使估计信号满足该方法在检测性能上是最优的，但由于要遍历解空间，其计算复杂度随着天线数及调制阶数的增加呈指数级增长，对于要求高实时性的通信系统而言很难实用。

ZF和MMSE方法属于线性检测方法，其实质是基于信道矩阵求逆的方法，性能损失较大，且为了使信道矩阵求逆有唯一解，就必须要求接收天线的数目大于或等于发送天线的数目。SIC方法可以看作是线性检测方法的改进，是在线性检测方法的基础上增加了判决反馈的过程。SIC方法首先从接收向量中检测出某一天线发送数据的对应分量，再从接收向量中消去其影响，然后继续依次检测剩余的分量。每个分量被检测出后，又被用于消除其对剩下信号的影响。SIC存在错误传播的问题。OSIC是对SIC的进一步改进，为了降低错误传播的影响，而采用一种排序的连续干扰抵消检测方法，即每次检测错误概率最小的信号，然后进行干扰抵消。其复杂度较ML有显著下降，但由于需要多次求伪逆，OSIC方法的复杂度还是很高，约为o(T⁴)，其中T是指发射天线的数目。

从以上各种传统检测方法的介绍可以看到，检测性能好的方法其计算复杂度高，而计算复杂度低的方法其性能损失又比较大。如何在计算复杂度和检测性能之间取得好的折衷仍然是研究的热点，而将人工智能技术应用于V-BLAST检测，则有望在两者间取得一种较好的折衷方案。

发明内容

本发明的目的在于克服已有技术检测性能与运算复杂度难以兼顾的矛盾，提出一种基于M-精英进化算法的V-BLAST信号检测方法，以提高检测性能，并降低运算复杂度。

为实现上述目的，本发明的技术思路是：将基于最大似然方法的V-BLAST信号检测问题看作组合优化问题，提出一种M-精英进化算法，并用其搜索使似然函数最小化的序列组合作为检测信号，利用M-精英进化算法快速的全局收敛性，搜索问题的最优解，逼近最大似然检测方法的性能。

本发明的技术方案包括如下步骤：

(1)接收端接收列信号r＝Hs+n，其中s为T×1维的发射端的发送数据，H为信道转移矩阵，n为噪声；

(2)设定检测终止条件，给定运行参数，随机产生初始种群，利用适应度函数f(b)＝1/(1+‖r-Hb‖²)计算种群适应度，其中b作为种群中的一个个体，是发射列信号的一种排列组合；

(3)根据种群适应度对初始种群排序，并将整个种群划分为精英种群及普通种群；

(4)根据设定的终止条件确定检测信号输出，如果满足终止条件则结束对当前列信号的检测，并将当前种群中适应度最大的个体

(T×1维)作为检测信号输出，执行步骤(7)，否则执行第(5)步；

(5)依次从精英种群中选出一个个体，并为其在普通种群中随机选择一个配偶，作为两个父代个体，利用交叉算子或变异算子产生父代个体的两个子代个体，形成发射列信号的两种新的排列组合b’及b”，并计算其适应度；

(6)利用两个子代个体对两个父代个体进行更新操作，返回步骤(4)；

(7)如果没有其他信号等待检测则结束检测，否则返回步骤(1)继续对下一列接收信号进行检测。

本发明与现有技术相比具有如下优点：

1、计算复杂度低

传统的最大似然检测方法是一个具有NP复杂度的组合优化问题，当采用T根发射天线时，则该方法的搜索空间的维数是T，若采用BPSK调制，可能解的个数是2^T，由于传统的最大似然检测方法是通过遍历解空间获得最优解，因而对于给定的数据帧长度，计算复杂度为o(2^T)，即选择最佳的解需要o(2^T)次的运算，因此，最大似然检测方法随着天线数T的增加呈指数增长。

传统的OSIC方法虽然较最大似然检测方法有显著的下降，但由于要多次求伪逆，该方法的总的复杂度还是很高的，约为o(T⁴)。

本发明的信号检测方法由于采用了模拟生物进化过程并且具有智能性和并行性的进化算法，使用较好的策略产生子代并使用更好的更新方式以加快算法收敛，使算法可以在较少的迭代次数内找出最优解，其复杂度可以降低至o(T²)。本发明中信号检测方法的计算复杂度具体分析如下：设检测方法中的种群规模为N，最大迭代代数为G，则检测每一信息比特的计算复杂度为o(NG)。N和G的取值与发射天线数目T的大小有很大关系，搜索空间越大，要获得好的检测效果，N和G就应该越大，当调制阶数P一定时，通常取N＝aT，G＝bT，其中a和b是常数。由此可知，用于基于M-精英进化算法的信号检测方法的计算复杂度为o(T²)，明显低于最大似然检测方法的计算复杂度o(2^T)。

2、具有理论收敛性

本发明的信号检测方法所使用的M-精英进化算法采用的更新方式实际上属于父代子代竞争的方式，其余操作与一般遗传算法基本相似。徐宗本等运用鞅收敛定理证明：允许父代种群参与竞争型遗传算法能以概率1确保在有限步内达到全局最优解，且收敛与种群规模无关。此项证明为该算法的收敛性提供了可靠的理论依据。

3、仿真实验性能好，检测方法优越

仿真实验表明，本发明与最大似然检测方法相比明显降低了复杂度，与传统的MMSE-OSIC方法和Golden方法以及基于标准遗传算法的检测方法和基于克隆选择算法的检测方法相比，具有更高的检测精度。

附图说明

图1是现有的V-BLAST系统原理框图；

图2是本发明的流程框图；

图3是在收发天线数均为8，最大迭代代数为25，种群规模为20时不同方法的误码率检测结果比较图；

图4是收发天线数均为10，最大迭代代数为50，种群规模为20时不同方法的误码率检测结果比较图；

图5是收发天线数均为12，最大迭代代数为50，种群规模为20时不同方法的误码率检测结果比较图；

图6是收发天线数均为12，最大迭代代数为50，种群规模为40时不同方法的误码率检测结果比较图；

图7是本发明方法与最大似然方法检测时间随天线数目变化比较图。

具体实施方式

针对V-BLAST信号检测的具体问题，本发明基于M-精英进化算法的信号检测方法在图1所示的现有的V-BLAST系统中进行，该系统的发射天线数为T，接收天线数为R，采用BPSK调制。设传输数据帧长为L，每一数据突发所发送的比特矩阵的维数为T×L，定义该矩阵为 $B=\{[b_1^{\left(1\right)},b_1^{\left(2\right)},\·\·\·b_1^{\left(L\right)}];\·\·\·;[b_T^{\left(1\right)},b_T^{\left(2\right)},\·\·\·b_T^{\left(L\right)}\left]\right\},$

因此每一时刻发射天线所发送的数据的解空间的维数为2^T。将该V-BLAST系统的信号检测问题抽象为以矩阵B的各列向量b为变量的组合优化问题(P)：max{f(b):b∈I}。由于解向量b是一个取值为+1或-1的二进制序列，所以不需要对此问题进行编码。集I称为染色体空间，f称为适应度函数。染色体种群空间为：

Iⁿ＝{B:B＝(b₁，b₂，...，b_N)，b_k∈I，1≤k≤N}。

其中，正整数N称为染色体种群规模。

参照图2，本发明的具体实现步骤如下：

步骤1，接收列信号。

接收端接收列信号r＝Hs+n，其中s为T×1维的发射端的发送数据；H＝(h_ij)_R×T为信道转移矩阵，T表示发射天线数目，R表示接收天线数目，h_ii， ⁱ＝1，2，…，R，j＝1，2，…，T为复矩阵元素，表示第j根发射天线到第i根接收天线的信道转移特性，在散射非常丰富的传播环境中，h_ij服从相互独立的复高斯分布；n为加性高斯白噪声矢量，满足E(nn^H)＝N₀I，I为单位矩阵；r为相应的R×1维接收信号。

步骤2，设定检测终止条件，给定运行参数，随机产生初始种群。

采用限定迭代次数设定检测终止条件，即依据仿真经验，根据发射天线数目设定所需要的最大迭代次数，将该最大迭代次数作为检测终止条件；

给定运行参数，包括种群规模N、交叉概率P_c、变异位数n_m；

随机产生初始种群，即根据发射天线数目T以及种群规模N，产生随机的N×T维矩阵，矩阵元素为1或-1，初始种群可表示为B(0)＝{b₁(0)，b₂(0)，…，b_N(0)}，其中b_i(0)，i＝1，2，...，N，作为初始种群中的一个个体，是发射列信号的一种排列组合，则初始种群B(0)总共列出了发射列信号的N种排列组合。

步骤3，计算种群适应度。

为了搜索使似然函数最小化的序列组合，构造适应度函数f(b)＝1/(1+‖r-Hb‖²)，其中H＝(h_ij)_R×T为信道转移矩阵；r为R×1维接收信号向量；b表示个体对应的T×1维的数据比特向量，是发射列信号的一种排列组合，适应度值越大，表示对应的数据比特向量b越接近于发送信号。利用该适应度函数对初始种群中所有个体进行适应度评价。

步骤4，根据种群适应度对初始种群排序，并将整个种群划分为精英种群及普通种群。

将初始种群按适应度由高到低排序，取适应度最大的前M个个体组成精英种群，其余N-M个个体作为普通种群。M通常取为

其中

表示对x取整，N是指种群规模，Z表示非负整数，实际仿真中，z取为2。

步骤5，根据设定的终止条件确定检测信号输出，如果满足终止条件则结束对当前列信号的检测，并将当前种群中适应度最大的个体

(T×1维)作为检测信号输出，执行步骤8，否则执行步骤6。

步骤6，产生子代个体。

依次从精英种群中选出一个个体，并为其在普通种群中随机选择一个配偶，作为两个父代个体，利用交叉算子或变异算子产生父代个体的两个子代个体，形成发射列信号的两种新的排列组合b’及b”，并计算其适应度。

其中，交叉算子包含遗传算法常用到的两点交叉和均匀交叉，两父代等概率地进行两点交叉或均匀交叉，产生两个子代；其中，变异算子采用常用的以变异概率进行均匀变异的方式，将变异操作中需要变异的染色体的位数记为n_m，则在变异算子中对染色体中的n_m位进行变异，以此方式分别对两父代进行变异，产生两个子代。交叉算子和变异算子并行于不同分支中，即以一定概率P_c进行交叉，否则进行变异；然后利用适应度函数f(b)＝1/(1+‖r-Hb‖²)计算子代个体的适应度。

步骤7，利用两个子代个体对两个父代个体进行更新操作，按如下步骤进行：

(7.1)精英种群中的每个精英个体parentE依次从普通种群中随机选择一个配偶parentC，利用交叉算子或变异算子产生的两个子代设为child₁和child₂，设Fitness(child₁)≥Fitness(child₂)，其中Fitness(x)是指对x求适应度，则由child₁更新来自精英种群的的父代个体parentE：

$\mathrm{parentE}=\left\{\begin{array}{cc}{\mathrm{child}}_1& \mathrm{Fitness}\left({\mathrm{child}}_1\right)\≥\mathrm{Fitness}\left(\mathrm{parentE}\right)\\ \mathrm{parentE}& \mathrm{otherwise}\end{array}\right.;$

(7.2)判断child₁是否替代了其父代个体parentE，若child₁未能替代parentE，则用child₁代替child₂，否则，child₂保持不变；

(7.3)由child₂更新来自普通种群的父代个体parentC：

$\left\{\begin{array}{cc}\mathrm{parentC}={\mathrm{child}}_2& \mathrm{Fitness}\left({\mathrm{child}}_2\right)\&GreaterEqual;\mathrm{Fitness}\left(\mathrm{parentC}\right)\\ \mathrm{parentC}={\mathrm{child}}_2& \begin{array}{c}(\mathrm{Fitness}\left({\mathrm{child}}_2\right)<\mathrm{Fitness}\left(\mathrm{parentC}\right))\mathrm{and}\\ [U\left(\mathrm{0,1}\right)<\exp (\mathrm{Fitness}\left(\mathrm{parentC}\right)-\mathrm{Fitness}\left({\mathrm{child}}_2\right))]\end{array}\\ \mathrm{parentC}=\mathrm{parentC}& \mathrm{otherwise}\end{array}\right.$

其中U(a，b)表示区间(a，b)内的一个均匀分布的随机数产生器。返回步骤5；

步骤8，如果没有其他信号等待检测则结束检测，否则返回步骤1继续对下一列接收信号进行检测。

本发明的检测效果，可通过如下仿真试验进行验证：

对比方法介绍：为了验证本发明的信号检测方法的优越性，仿真中将本发明的基于M-精英进化算法的信号检测方法与传统的性能最优但复杂度最高的最大似然检测方法、传统方法中性能相对优良的MMSE-OSIC方法和Golden方法、基于标准遗传算法的检测方法以及基于克隆选择算法的检测方法进行对比。

以下用MEA表示本发明的基于M-精英进化算法的信号检测方法；用ML表示最大似然检测方法；用MMSE-OSIC表示MMSE-OSIC方法；用Golden表示Golden方法；用GA表示基于标准遗传算法的检测方法；用CA表示基于克隆选择算法的检测方法。

仿真系统参数设置：采用BPSK调制，信道为平坦的准静态瑞利衰落信道，假设信道估计是精确的，噪声是均值为0，独立同分布的加性高斯白噪声。考虑到ML检测器的复杂度，设帧长50，发送帧数100。为有效验证当搜索空间较大时基于M-精英进化算法的信号检测方法的性能，在收发天线数相等且分别等于8、10和12几种情况下，仿真了各检测器的误码率性能。以下各实验均将最大迭代代数G作为标准遗传算法，克隆选择及M-精英进化算法的终止条件。以下所有实验结果都是10次独立运行的平均结果.

不同仿真条件下的仿真内容：

(1)收发天线数均为8，最大迭代代数为25，种群规模为20时的检测性能比较

设收发天线数目均为8个，最大迭代代数G均设为25代，MEA和GA的种群规模N取20，MEA的其中z＝2，交叉概率P_c取0.6，变异位数n_m取1，即GA的变异概率为1/T，MEA的变异概率为(1-0.6)×1/T，CA的抗体种群规模为4，克隆规模为4，故CA等效的种群规模也为20，克隆死亡概率为50％，克隆变异概率也取为1/T。MEA、ML、MMSE-OSIC、Golden、GA以及CA的平均误码率随信噪比变化的性能比较如图3所示。

(2)收发天线数均为10，最大迭代代数为50，种群规模为20时的检测性能比较

设收发天线数目均为10个，最大迭代代数G均增加到50代，其余参数保持不变，MEA、ML、MMSE-OSIC、Golden、GA以及CA的平均误码率随信噪比变化的性能比较如图4所示。

(3)收发天线数均为12，最大迭代代数为50，种群规模为20时的检测性能比较

设收发天线数目均为12个，所有参数均和上一实验的设置一样，MEA、ML、MMSE-OSIC、Golden、GA以及CA的平均误码率随信噪比变化的性能比较如图5所示。

(4)收发天线数均为12，最大迭代代数为50，种群规模为40时的检测性能比较

在收发天线数仍为12的情况下，将MEA及GA的种群规模N增大到40，CA的等效种群规模也调整为40，其他参数设置仍保持不变，MEA、ML、MMSE-OSIC、Golden、GA以及CA的平均误码率随信噪比变化的性能比较如图6所示。

(3)MEA与ML检测时间的比较

设定收发天线数目相等，比较当发射天线数目T以步长2从2增加至18时，使用MEA及ML检测数据帧长为1的数据所需的时间，考虑到ML的复杂度，当T＝18时，进行了10次仿真，其余情况均进行了1000次仿真。MEA根据天线数目T的不同，选择了适当的种群规模N和最大迭代次数G，以使MEA能够逼近ML的误码率性能。MEA与ML的检测时间及误码率结果如表1所示。

表1

 

算法	MEA参数		MEA	ML	MEA	ML
							天线数目T	种群规模N	最大迭代次数G	检测时间Time1(秒)	检测时间Time2(秒)	误码率BER1	误码率BER2
2	5	10	3.9-03	7.5e-04	5.0e-03	4.5e-03
							4	10	10	7.3e-03	3.0e-03	9.0e-03	7.3e-03
6	10	25	1.8e-02	1.2e-02	8.7e-03	5.8e-03
							8	20	25	4.1e-02	4.7e-02	4.6e-03	4.4e-03
10	20	50	8.3e-02	1.9e-01	5.3e-03	4.9e-03
							12	40	50	1.6e-01	9.0e-01	4.1e-03	4.1e-03
14	40	50	1.7e-01	3.9e-00	5.8e-03	5.6e-03
							16	40	100	3.4e-01	2.9e+01	4.9e-03	4.9e-03
18	80	100	7.2e-01	8.6e+02	0	0

从表1可以看到，通过选择合适的参数，本发明的MEA方法可以达到与ML方法相当的检测精度，而MEA的检测时间从总体上看要小于ML方法的检测时间。

为直观显示两种方法随发射天线数目增加而变化的趋势，图7根据表1给出的两种方法的检测时间绘出了MEA和ML的检测时间随发射天线T变化的曲线。为了与理论复杂度的变化趋势进行对比，设f₁(T)＝T²/1000，f₂(T)＝2^T/1000，图7也绘出了f₁(T)，f₂(T)的曲线。MEA与ML的检测时间随天线数目变化的比较结果如图7所示。

仿真实验结果分析

图3至图6为在不同条件下各检测方法的误码率随信噪比变化的曲线，当信噪比相同时，误码率越低说明相应的检测器性能越好，从整体上看，误码率曲线位置越靠下说明相应的检测器性能越好。

从图3可以看到，ML检测器的误码率最小，其最小值低于10^-4，MEA检测器的误码率次之，最小值介于10^-4和10^-3之间，其他几种检测器的误码率都较高，要远远高于10^-3。从以上结果可以看出本发明检测器的性能大大优于两类经典的次优检测器，同样也优于基于GA和CA的方法，能最好地逼近ML检测器的误码率性能。

从图4可以看出，当收发天线数目增加时，ML检测器的检测精度提高了，而随着搜索空间的增大，为保持相应的检测精度，进化算法需要适当增大运算量。MEA检测器在增加了迭代代数后，检测性能也略有增加，且仍然比其他方法更接近ML检测器的误码率性能。

从图5可以看出，当收发天线数目进一步增加时，ML检测器的检测精度进一步提高。由于搜索空间增大，而参数未进行相应的调整，MEA检测器的检测性能略有下降，与ML的差距增大，但仍是其他各类方法中最好的。显然要使进化算法能够保持良好的性能，当搜索空间增加时必须相应地调整参数，适当增加运算量。将MEA及GA的种群规模N增大到40，CA的等效种群规模也调整为40，其他参数设置与仍保持不变，结果如图6所示，可以看到MEA的性能已经可以很好地逼近ML方法，因而为提高检测精度，适当增加进化算法的运算量是值得的，而这一运算量的增加，与ML方法运算量的增加幅度相比是相对较小的。

由图7可以看出，MEA及ML的运行时间随发射天线数目增加的变化趋势，与理论推导结论的变化趋势基本一致，即MEA的复杂度约为o(T²)，ML的复杂度约为o(2^T)。此外由实验结果可以看到，对于BPSK调制，在发射天线数目少于8即搜索空间较小时，MEA检测器在运行时间上并没有什么优势，甚至要略高于ML，这是因为进化类算法除了要评价个体的适应度外，还要有选择、交叉、变异等一些额外的操作，会额外耗费一些时间，因而在搜索空间较小时，实际运行时间上反而会不如遍历搜索法。但当发射天线数目大于8后，ML的运行时间急剧增加，以至于无法使用，而MEA检测器的运行时间则增加得非常缓慢，搜索空间越大，MEA比ML在运行时间上就更有优势。若采用高阶调制，这种搜索空间的膨胀会更加剧烈，因而在多发多收的MIMO系统中，MEA作为一种复杂度较低的检测方法，能够以较低的代价来逼近ML方法的性能，取得较好的检测结果，具有一定的应用潜力。

综上，本发明提出的基于M-精英进化算法的信号检测方法接近于最大似然检测方法的检测精度，与传统的MMSE-OSIC方法和Golden方法以及基于标准遗传算法的检测方法和基于克隆选择算法的检测方法相比，具有更高的检测精度，且计算复杂度与传统的最大似然检测方法以及OSIC方法相比则大大降低。

Claims (11)

1、一种基于M-精英进化算法的垂直分层空时信号检测方法，包括如下步骤：

(1)接收端接收列信号r＝Hs+n，其中s为T×1维的发射端的发送数据，H为信道转移矩阵，n为噪声；

(2)设定检测终止条件，给定运行参数，随机产生初始种群，利用适应度函数f(b)＝1/(1+‖r-Hb‖²)计算种群适应度，其中b作为种群中的一个个体，是发射列信号的一种排列组合；

(3)根据种群适应度对初始种群排序，并将整个种群划分为精英种群及普通种群；

(4)根据设定的终止条件确定检测信号输出，如果满足终止条件则结束对当前列信号的检测，并将当前种群中适应度最大的个体

(T×1维)作为检测信号输出，执行步骤(7)，否则执行第(5)步；

(5)依次从精英种群中选出一个个体，并为其在普通种群中随机选择一个配偶，作为两个父代个体，利用交叉算子或变异算子产生父代个体的两个子代个体，形成发射列信号的两种新的排列组合b’及b”，并计算其适应度；

(6)利用两个子代个体对两个父代个体进行更新操作，返回步骤(4)；

(7)如果没有其他信号等待检测则结束检测，否则返回步骤(1)继续对下一列接收信号进行检测。

2、根据权利要求1所述的信号检测方法，其中步骤(2)所述的设定检测终止条件，采用限定迭代次数作为终止条件。

3、根据权利要求1所述的信号检测方法，其中步骤(2)所述的运行参数包括种群规模N、交叉概率P_c和变异位数n_m。

4、根据权利要求1所述的信号检测方法，其中步骤(2)所述的初始种群，表示为B(0)＝{b₁(0)，b₂(0)，…，b_N(0)}，其中b_i(0)，i＝1，2，...，N，作为初始种群中的一个个体，是发射列信号的一种排列组合。

5、根据权利要求1所述的信号检测方法，其中步骤(2)所述的计算种群适应度，是按适应度函数f(b)＝1/(1+‖r-Hb‖²)对种群中的所有个体进行适应度评价，其中H＝(h_ij)_R×T为信道转移矩阵，T表示发射天线数目，R表示接收天线数目，h_ij，i＝1，2，…，R，j＝1，2，…，T为复矩阵元素，表示第j根发射天线到第i根接收天线的信道转移特性，在散射非常丰富的传播环境中，h_ij服从相互独立的复高斯分布；r为R×1维接收信号向量；b表示个体对应的T×1维的数据比特向量，是发射列信号的一种排列组合。

6、根据权利要求1所述的信号检测方法，其中步骤(3)所述的根据种群适应度对初始种群排序，并将整个种群划分为精英种群及普通种群，是将初始种群按适应度由高到低排序，取适应度最大的前M个个体组成精英种群，其余N-M个个体作为普通种群，M一般取为

其中表示对x取整，N是指种群规模，Z表示非负整数，实际仿真中，Z取为2。

7、根据权利要求1所述的信号检测方法，其中步骤(5)所述的交叉算子包含遗传算法常用的两点交叉和均匀交叉，两父代个体等概率地进行两点交叉或均匀交叉，产生两个子代个体。

8、根据权利要求1所述的信号检测方法，其中步骤(5)所述的利用变异算子产生父代个体的两个子代个体，采用常用的以变异概率进行均匀变异的方式，将变异操作中需要变异的染色体的位数记为n_m，并在变异算子中对染色体中的n_m位进行变异，以此方式分别对两父代个体进行变异，产生两个子代。

9、根据权利要求1所述的信号检测方法，其中步骤(6)所述的利用两个子代个体对两个父代个体进行更新操作，按如下步骤进行：

(6.1)精英种群中的每个精英个体parentE依次从普通种群中随机选择一个配偶parentC，利用交叉算子或变异算子产生的两个子代设为child₁和child₂，设Fitness(child₁)≥Fitness(child₂)，其中Fitness(x)是指对x求适应度，则由child₁更新来自精英种群的的父代个体parentE：

$\mathrm{parentE}=\left\{\begin{array}{cc}{\mathrm{child}}_1& \mathrm{Fitness}\left({\mathrm{child}}_1\right)\&GreaterEqual;\mathrm{Fitness}\left(\mathrm{parentE}\right)\\ \mathrm{parentE}& \mathrm{otherwise}\end{array}\right.;$

(6.2)判断child₁是否替代了其父代个体parentE，若child₁未能替代parentE，则用child₁代替child₂，否则，child₂保持不变；

(6.3)由child₂更新来自普通种群的父代个体parentC：

$\left\{\begin{array}{cc}\mathrm{parentC}={\mathrm{child}}_2& \mathrm{Fitness}\left({\mathrm{child}}_2\right)\&GreaterEqual;\mathrm{Fitness}\left(\mathrm{parentC}\right)\\ \mathrm{parentC}={\mathrm{child}}_2& \begin{array}{cc}(\mathrm{Fitness}\left({\mathrm{child}}_2\right)<\mathrm{Fitness}\left(\mathrm{parentC}\right))& \mathrm{and}\\ [U\left(\mathrm{0,1}\right)<\exp (\mathrm{Fitness}\left(\mathrm{parentC}\right)-\mathrm{Fitness}\left({\mathrm{child}}_2\right))]& \end{array}\\ \mathrm{parentC}=\mathrm{parentC}& \mathrm{otherwise}\end{array}\right.$

其中U(a，b)表示区间(a，b)内的一个均匀分布的随机数产生器。

Images