CN103312422B - 一种基于人工鱼群算法的信号盲检测方法 - Google Patents

Abstract

本发明提出了一种基于人工鱼群算法的信号盲检测方法，所述方法采用自下而上的设计方法，构造了人工鱼的基本模型以及其各行为的模型，用此模型解决盲信号检测的二次规划性能函数，根据基本鱼群优化算法的流程推导实现步骤，研究和分析了人工鱼群算法中各个参数以及系统环境条件等对算法结果的影响，仿真结果表明本发明人工鱼群算法是一种在信号盲检测应用中十分行之有效的方法。

Description

一种基于人工鱼群算法的信号盲检测方法

技术领域

本发明属于无线通信技术领域，尤其是涉及一种基于人工鱼群算法的信号盲检测方法。

背景技术

对于信道经常性衰落、非线性时变特性和多径传输等影响，盲均衡技术由于不需要训练序列只利用接收序列本身的先验知识就能自适应地均衡信道特性，完成对信号的最佳估计，能有效地补偿信道的非理想特性，克服码间干扰(ISI)，减少误码率，提高通信质量。

20世纪50年代中期学者们创立了仿生学和人工智能，人们从物种进化的机理中受到了很多启示，提出了许多用以解决复杂优化问题的新方法，我国学者李晓磊等根据游动着的鱼的特性提出了的人工鱼群算法(Artificial Fish SwarmAlgorithm,AFSA)[李晓磊.一种新型的智能优化算法——人工鱼群算法[D].杭州:浙江大学博士学位论文,2003]，通过模拟鱼在水里的行为方式构建一种鱼群模式，用来解决优化问题，是一种收敛速度快、全局寻优和自适应能力强的新型群智能优化算法，算法自提出以来，就以其概念简单、容易实现和需要调整的参数较少等优点吸引了大批学者进行研究，逐步渗透到各个应用领域。在通信领域，文献[Jiang M Y,Wang Y,Pfletschinger S,et al.Optimal multiuser detectionwith artificial fish swarm algorithm//Proceedings of InternationalConference on Intelligent Computing(ICIC 2007),2007,1084-1093]表明基于鱼群算法的多用户检测器在误码率、抗远近效应和收敛速度上的性能都明显优于基于遗传算法和粒子群算法的多用户检测器。文献[Jiang M Y,Li C C,Yuan DF.Multiuser detection based on wavelet packet modulation and artificialfish swarm algorithm//Proceedings of IET International Conference onWireless,Mobile and Sensor Networks(CCWMSN 2007),2007,117-120]将鱼群算法用于小波包多载波系统多用户检测，采用自适应步长、自适应视野和生存竞争机制等方法取得令用户满意的检测效果，与遗传算法相比，该算法可获得良好的优化性能。基于人工鱼群算法对初值不敏感、鲁棒性强、全局寻优能力好的优点，文献[Jiang M Y,Wang Y,Francisco Rubio,et al.Spread spectrum codeestimation by artificial fish swarm algorithm//Proceedings of IEEESymposium on Intelligent Signal Processing(WISP 2007),2007,1-6]提出将人工鱼群算法应用到扩频码序列的估计中。无线传感器网络的部署优化能够提高网络覆盖率和服务质量，针对由固定节点和少量移动节点构成的无线传感器网络，文献[廖灿星,张平,李行善.基于混合人工鱼群算法的传感器网络优化.北京航空航天大学学报.2010,36(3):373-377]提出一种基于鱼群算法的网络部署优化方案，可有效提高网络覆盖率，优化网络性能。在信号和图像处理领域，为了减少信号处理器的存储资源并增强信号处理的效果，文献[Jiang M Y,Yuan DF.Wavelet threshold optimization with artificial fish swarmalgorithm//Proceedings of International Conference on Neural Networksand Brain,2005,569-572]提出一种采用鱼群算法优化小波阈值的方法，文献[Jiang M Y,Mastorakis N E,Yuan D F,et al.Multi-threshold imagesegmentation with improved artificial fish swarm algorithm//Proceedingsof European Computing Conference(ECC),2007,35-38]提出三种自适应步长改进方法，将其应用到图像分割中，并与采用遗传算法和粒子群算法的结果做了比较。在神经网络领域，文献[曹承志,张坤,郑海英等.基于人工鱼群算法的BP神经网络速度辨识器,系统仿真学报,2009,21(4):1047-1050]提出了人工鱼群算法优化BP神经网络的速度辨识器，实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合。

发明内容

本发明所要解决的技术问题在于克服现有盲检测优化技术的不足,针对降低误码率和提高收敛性问题，本发明提出了一种基于人工鱼群算法的信号盲检测方法，所述方法采用自下而上的设计方法，构造了人工鱼的基本模型以及其各行为的模型，用此模型解决盲信号检测的二次规划性能函数，旨在提供一种低误码率具有自适应性的盲检测方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于人工鱼群算法的信号盲检测方法，包括如下步骤：

步骤A，构造接收数据阵：

接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：

X_N＝SΓ^T

式中，X_N是接收数据阵，S是发送信号阵，Γ是由q×1维信道冲激响应h_jj构成的块Toeplitz矩阵，jj＝0,1,…,M；q是过采样因子，取值为正整数；

(·)^T表示矩阵转置；

其中，发送信号阵：

S＝[s_L+M(k),…,s_L+M(k+N-1)]^T＝[s_N(k),…,s_N(k-M-L)]_N×(L+M+1)，

M为信道阶数，L为均衡器阶数，N为数据长度；

s_L+M(k)＝[s(k),…,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数，[·]^T为矩阵转置；

X_N＝[x_L(k),…,x_L(k+N-1)]^T是N×(L+1)q接收数据阵，其中

x_L(k)＝Γ·s_L+M(k)；

步骤B，接收数据阵奇异值分解：

$X_N=[U,U_c]\·\left[\begin{array}{c}D\\ 0\end{array}\right]\·V^H$

式中，

(·)^H表示矩阵Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉基阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

U_c是N×(N-(L+M+1))酉基阵；

D是(L+M+1)×(L+1)q奇异值阵；

步骤C，定义评价函数

评价函数为：

$F=\arg \underset{s\∈{\{\±1\}}^N}{\min }{s}^T\mathrm{Qs}$

其中，s∈{±1}^N是N维向量，所属字符集{±1}，argmin()表示使评价函数取最小值时的变量值；

采用人工鱼群算法进行寻优搜索，食物浓度最低值即为评价函数F的最小值。

所述步骤C中人工鱼群算法，其步骤如下：

步骤C-1，建立随机信号的模型，并生成随机盲检测系统的发送序列，初始化鱼群算法参数；

步骤C-2，随机初始化鱼群中每条人工鱼的状态，即初始化原始发送序列，每个鱼群包含N个发送信号序列，N为数据长度，每个鱼群个体是一个1×N的矩阵；

步骤C-3，根据人工鱼个体的评价函数即盲检测的评价函数，计算每条人工鱼的食物浓度值；

步骤C-4，对每条人工鱼的当前状态进行评价，对其要执行的行为进行选择，包括觅食行为、聚群行为和追尾行为；

步骤C-5，寻找当前最优人工鱼的状态及其对应的食物浓度值并与公告板中记录值进行比较，若优于公告板中记录值，则对公告板中记录值进行更新；若迭代次数未达到最大次数，则迭代次数加1，重复步骤C-4，若达到最大迭代次数，转至步骤C-6；

步骤C-6，当迭代次数达到最大迭代次数时，终止迭代，输出全局最优人工鱼的状态及其评价函数值。

本发明的有益效果是：本发明提出了一种基于人工鱼群算法的信号盲检测方法，所述方法采用自下而上的设计方法，构造了人工鱼的基本模型以及其各行为的模型，用此模型解决盲信号检测的二次规划性能函数，根据基本鱼群优化算法的流程推导实现步骤，研究和分析了人工鱼群算法中各个参数以及系统环境条件等对算法结果的影响，仿真结果表明本发明人工鱼群算法是一种在信号盲检测应用中十分行之有效的方法。

附图说明

图1是本发明基于人工鱼群算法的SIMO系统盲检测流程图。

图2是本发明基于人工鱼群优化盲检测算法与基于遗传优化盲检测算法的性能比较误码率曲线图。

图3是本发明人工鱼群盲检测算法在不同信道下的误码率曲线图。

具体实施方式

下面结合附图，对本发明提出的一种基于人工鱼群算法的信号盲检测方法进行详细说明：

图1是本发明基于人工鱼群算法的单输入多输出SIMO系统盲检测流程图，其实施过程如下：

忽略噪声时，离散时间信道的接收方程定义如下

X_N＝SΓ^T    (1)

式中，X_N是接收数据阵，S是发送信号阵，Γ是由q×1维信道冲激响应h_jj构成的块Toeplitz矩阵，jj＝0,1,…,M；(·)^T表示矩阵转置；

其中，发送信号阵：

S＝[s_L+M(k),…,s_L+M(k+N-1)]^T＝[s_N(k),…,s_N(k-M-L)]_N×(L+M+1)，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

s_L+M(k)＝[s(k),…,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数；

q是过采样因子，取值为正整数；

X_N＝[x_L(k),…,x_L(k+N-1)]^T是N×(L+1)q接收数据阵，其中

x_L(k)＝Γ·s_L+M(k)；

对于式(1)，Γ满列秩时，一定有满足Qs_N(k-d)＝0，U_c是N×(N-(L+M+1))酉基阵，由奇异值分解 $X_N=[U,U_c]\·\left[\begin{array}{c}D\\ 0\end{array}\right]\·V^H$ 中得到；

其中

(·)^H表示矩阵Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉基阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

D是(L+M+1)×(L+1)q奇异值阵；

据此构造性能函数及优化问题

$J_0=s_N^H(k-d){\mathrm{Qs}}_N(k-d)=s^H\mathrm{Qs}---\left(2\right)$

$\hat{s}=\underset{\hat{s}\∈{\{\±1\}}^N}{\arg \min }\left\{J_0\right\}---\left(3\right)$

其中，s∈{±1}^N是N维向量，所属字符集{±1}，表示信号的估计值，argmin()表示使评价函数取最小值时的变量值，d为延时因子，d＝0,…,M+L。如此，盲检测问题就成为了式(3)的全局最优解问题。

本发明就是利用人工鱼群优化算法来解决这一问题。本文发明评价函数直接定义为人工鱼群算法进行寻优搜索后食物浓度最低值即为求评价函数F的最小值。在搜索过程中，通过鱼群算法中对各个行为及与公告板中当前最优值的比较来使每条鱼(变量)向最好的区域移动，即浓度值最小处调整它的当前状态，当迭代次数达到最大次数时终止迭代，得到全局最优位置变量。

人工鱼群算法采用自下而上的设计方法，构造了人工鱼的基本模型以及其各行为的模型。基于人工鱼群的盲检测算法实现步骤如下。

步骤一：建立随机信号的模型，并生成随机盲检测系统的发送序列，初始化最大迭代次数MAXGEN、群体规模fishnum、步长step、视野visual、拥挤度因子δ和公告板的bestx，besty等参数；

步骤二：随机初始化鱼群中每条人工鱼的状态，即初始化原始发送序列，每个鱼群包含30个发送信号序列，即序列长度N＝30，每个鱼群个体是一个1×30的矩阵；

步骤三：根据人工鱼个体的评价函数即盲检测的评价函数，计算每条人工鱼的食物浓度值；

步骤四：对每条人工鱼的当前状态进行评价，对其要执行的行为进行选择，包括觅食行为、聚群行为和追尾行为；

步骤五：寻找当前最优人工鱼的状态及其对应的食物浓度值并与公告板中记录值进行比较，若优于公告板，则对公告板进行更新；若迭代次数未达到最大次数，则迭代次数加1，重复步骤四，若达到最大迭代次数，转至步骤六；

步骤六：当迭代次数gen达到最大迭代次数MAXGEN时，终止迭代，输出全局最优人工鱼的状态及其评价函数值。

参照文献[王联国,施秋红.人工鱼群算法的参数分析[J].计算机工程,2010,Vol.36,No.24]，可以看出虽然人工鱼群算法中的参数有各自的取值原则，但总体看来，整个算法对各参数的取值范围的容许度还是相当大的，visual取1～11，Step取1～10，try_number取1～10，取δ>0.1，均能快速稳定的收敛。

图2是基于人工鱼群优化盲检测算法与基于遗传优化盲检测算法的性能比较误码率曲线图。本实验采用权值和延时度变化的随机合成信道，发送序列长度设为30，鱼群大小设为50，视野取为2.0，步长取为0.5，最大尝试次数取为5，最大迭代次数设为250，信噪比选为0db～18db，发送信号采用BPSK信号。由仿真结果不难看出，在信噪比为12dB前人工鱼群算法的误码率均低于遗传算法，且遗传算法在信噪比为12dB的时候误码率才逼近零，而人工鱼群优化算法在信噪比为9dB的时候误码率就已经在零附近了。由此可以得出：跟遗传算法相比，人工鱼群优化盲检测算法能够更有效地解决盲检测问题，具有一定的研究和应用价值

图3是人工鱼群盲检测算法在不同信道下的误码率曲线图。实验中主要采用三种经典信道，图中ch1即信道一：采用权值和延时度变化的随机合成信道，该信道在盲检测中应用较多；ch2为信道二：采用权值和延时固定的合成信道，但含一个公零点；ch3是信道三：按Zhi Di指定延迟delay＝[0,1/3]、权系数w＝[1,-0.7]产生信道，信道头尾各补q(过采样因子)个零。人工鱼群优化盲检测算法在不同信道下误码率_信噪比(BER_SNR)性能曲线以及其对应的评价函数值随迭代次数变化的收敛度曲线如图3所示。仿真结果表明，信道一、信道二和信道三都均能成功进行盲检测，算法对信道具有一定的鲁棒性。

Claims (2)

1.一种基于人工鱼群算法的信号盲检测方法，其特征在于，包括如下步骤：

步骤A，构造接收数据阵：

接收端接收单个用户发送信号，经过过采样，获得离散时间信道的接收方程：

X_N＝SΓ^T

式中，X_N是接收数据阵，S是发送信号阵，Γ是由q×1维信道冲激响应h_jj构成的块Toeplitz矩阵，jj＝0,1,…,M；q是过采样因子，取值为正整数；

(·)^T表示矩阵转置；

其中，发送信号阵：

S＝[s_L+M(k),…,s_L+M(k+N-1)]^T＝[s_N(k),…,s_N(k-M-L)]_N×(L+M+1)，

M为信道阶数，L为均衡器阶数，N为数据长度；

s_L+M(k)＝[s(k),…,s(k-L-M)]^T；其中，s∈{±1}，时刻k为自然数，[·]^T为矩阵转置；

X_N＝[x_L(k),…,x_L(k+N-1)]^T是N×(L+1)q接收数据阵，其中

x_L(k)＝Γ·s_L+M(k)；

步骤B，接收数据阵奇异值分解：

$X_N=[U,U_c]\·\left[\begin{array}{c}D\\ 0\end{array}\right]\·V^H$

式中，

(·)^H表示矩阵Hermitian转置；

U是奇异值分解中的N×(L+M+1)酉基阵；

0是(N-(L+M+1))×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

U_c是N×(N-(L+M+1))酉基阵；

D是(L+M+1)×(L+1)q奇异值阵；

步骤C，定义评价函数

评价函数为：

$F=\arg \underset{s\∈{\{\±1\}}^N}{\min }{s}^T\mathrm{Qs}$

其中，s∈{±1}^N是N维向量，所属字符集{±1}，argmin()表示使评价函数取最小值时的变量值；

采用人工鱼群算法进行寻优搜索，食物浓度最低值即为评价函数F的最小值。

2.如权利要求1所述的一种基于人工鱼群算法的信号盲检测方法，其特征在于，所述步骤C中人工鱼群算法，其步骤如下：

步骤C-1，建立随机信号的模型，并生成随机盲检测系统的发送序列，初始化鱼群算法参数；

步骤C-2，随机初始化鱼群中每条人工鱼的状态，即初始化原始发送序列，每个鱼群包含N个发送信号序列，即数据长度，每个鱼群个体是一个1×N的矩阵；

步骤C-3，根据人工鱼个体的评价函数即盲检测的评价函数，计算每条人工鱼的食物浓度值；

步骤C-4，对每条人工鱼的当前状态进行评价，对其要执行的行为进行选择，包括觅食行为、聚群行为和追尾行为；

步骤C-5，寻找当前最优人工鱼的状态及其对应的食物浓度值并与公告板中记录值进行比较，若优于公告板中记录值，则对公告板中记录值进行更新；若迭代次数未达到最大次数，则迭代次数加1，重复步骤C-4，若达到最大迭代次数，转至步骤C-6；

步骤C-6，当迭代次数达到最大迭代次数时，终止迭代，输出全局最优人工鱼的状态及其评价函数值。