CN105072064B - 一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 - Google Patents
一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 Download PDFInfo
- Publication number
- CN105072064B CN105072064B CN201510427082.2A CN201510427082A CN105072064B CN 105072064 B CN105072064 B CN 105072064B CN 201510427082 A CN201510427082 A CN 201510427082A CN 105072064 B CN105072064 B CN 105072064B
- Authority
- CN
- China
- Prior art keywords
- bat
- vector
- position vector
- dna
- mma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 239000013598 vector Substances 0.000 claims abstract description 173
- 230000002068 genetic effect Effects 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 108020004414 DNA Proteins 0.000 claims description 43
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 36
- 230000017105 transposition Effects 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 12
- 241000288673 Chiroptera Species 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 229910002059 quaternary alloy Inorganic materials 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 3
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 81
- 238000010586 diagram Methods 0.000 description 31
- 238000004088 simulation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
- H04L25/03038—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception with a non-recursive structure
- H04L25/0305—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception with a non-recursive structure using blind adaptation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法(DNA‑GBA‑FS‑MMA)，本发明将DNA遗传蝙蝠方法与分数间隔多模盲均衡方法(FS‑MMA)相结合，充分利用FS‑MMA和DNA遗传蝙蝠方法的优点，本发明将DNA遗传方法引入到蝙蝠方法中，得到一种DNA遗传蝙蝠方法(DNA‑GBA)，利用这个新的优化方法来寻找蝙蝠群的全局最优位置向量，并作为多模盲均衡方法(MMA)初始化最优权向量的实部与虚部来提高收敛速度、减小剩余均方误差。与基于蝙蝠方法的分数间隔多模盲均衡方法(BA‑FS‑MMA)和基于蝙蝠方法的多模盲均衡方法(BA‑MMA)相比，本发明具有收敛速度最快、均方误差最小和全局最优的性能，在通信技术领域有很强的实用价值。
Description
技术领域
本发明涉及盲均衡技术领域，特别是一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法。
背景技术
多模盲均衡方法(MMA,Multi-Modulus Algorithm)可以在不使用独立载波恢复系统的情况下同时实现盲均衡和载波相位恢复。与常模盲均衡方法(CMA，Constant ModulusAlgorithm)相比，MMA收敛速度更快、稳态误差更小，可以有效地均衡多模信号。分数间隔均衡器(FSE,Fractionally Spaced Equalizer)的主要思想是对信号进行过采样，有效减小了盲均衡器的权长、获取了更多信道信息，有利于补偿信道失真，并恢复输入信号。将FSE与MMA相结合，形成的分数间隔多模盲均衡方法(FS-MMA,Fractionally Spaced Multi-Modulus Algorithm)可以减小稳态误差、减少计算量。蝙蝠方法(BA,Bat Algorithm)是一种基于种群的随机全局寻优方法，通过改变蝙蝠发出的超声波的频率、频度、响度搜寻全局最优位置，并利用自身特有的回波定位特性使搜索过程避免陷入局部搜索，提高了搜索全局最优位置的成功率，将搜索所得全局最优位置向量同时作为MMA初始权向量的实部与虚部，与普通MMA的中心抽头初始权向量相比，该全局最优位置向量能使MMA尽快达到收敛状态，且稳态误差受调制阶数的影响大大减小。因此，用搜索所得最优位置向量优化初始权向量，可以极大地加快收敛速度、减小稳态误差。
如果能将DNA遗传蝙蝠方法应用到盲均衡方法的均衡器权向量优化中，则有利于获得更快的收敛速度和更低的稳态误差，但现有技术中尚缺乏将DNA遗传蝙蝠方法与盲均衡方法相结合的应用模型。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，本发明将DNA遗传方法引入到蝙蝠方法中，得到一种DNA遗传蝙蝠方法(DNA-GBA)，利用这个新的优化方法来寻找蝙蝠群的全局最优位置向量，并作为多模盲均衡方法(MMA)初始化最优权向量的实部与虚部来提高收敛速度、减小剩余均方误差。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，包括以下步骤：
步骤1、将发射信号a(k)经过第m个子信道cm(k)后加入第m个子信道噪声nm(k)，得到第m个子信道多模盲均衡器输入信号ym(k)，ym(k)＝a(k)cm(k)+nm(k)，其中，k为正整数且表示时间序列,m为整数；
步骤2、将步骤1所述的第m个子信道多模盲均衡器输入信号ym(k)的实部ymR(k)和虚部ymI(k)分别经过第m个实部均衡器得到输出信号zmR(k)、第m个虚部均衡器得到输出信号zmI(k)；其中，zmR(k)＝wmR(k)ymR(k)，zmI(k)＝wmI(k)ymI(k)，wmR(k)为第m个盲均衡器权向量wm(k)的实部，wmI(k)为第m个盲均衡器权向量wm(k)的虚部，且wmR(k)和wmI(k)的更新公式为
wmR(k+1)＝wmR(k)-4μemR(k)ymR(k)
wmI(k+1)＝wmI(k)-4μemI(k)ymI(k)
其中，emR(k)为误差信号的实部，emI(k)为误差信号的虚部，emR(k)和emI(k)是由误差生成函数生成，μ为迭代步长且是实数，0≤μ＜1；
步骤3、将步骤2所述的第m个实部均衡器输出信号zmR(k)和第m个虚部均衡器输出信号zmI(k)相加得到第m个子盲均衡器输出信号zm(k)：zm(k)＝zmR(k)+j·zmI(k)，其中，j为虚数单位；
步骤4、根据步骤3依次求得所有子盲均衡器输出信号，求和得到盲均衡器的总输出信号z(k)：其中，M是子信道的个数。
作为本发明所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法进一步优化方案，所述步骤2中盲均衡器权向量的实部wmR(k)和虚部wmI(k)的初始优化权向量的wmR(0)和wmI(0)是由DNA遗传蝙蝠方法获取，具体步骤如下：
步骤2-1、设置蝙蝠初始种群及参数：
设蝙蝠初始种群X＝[X1,X2,…,XN]，其中，Xi表示第i只蝙蝠的初始位置向量，1≤i≤N，N为蝙蝠个体数量，频率范围为[fmin,fmax]，最大响度为A(0)，最大频度为r(0)，最大频度r(0)∈[0,1]，最大响度A(0)∈[1,2]，响度衰减系数为α，频度增加系数为γ，γ是大于0的常数，置换交叉概率pz，移位交叉概率py，变异概率pb，维数为d，搜索精度为tol，最大迭代次数为iter，fmin为最低频率，fmax为最高频率；
步骤2-2、确定适应度函数：
将多模盲均衡方法MMA的代价函数的倒数定义为DNA遗传蝙蝠方法的适应度函数，即
其中，Xi(k)为DNA遗传蝙蝠方法中第i只蝙蝠k时刻的位置向量，用十进制数表示；JMMA(k)为MMA的代价函数，E{*}表示数学期望，zR(k)和zI(k)为盲均衡器输出信号的实部和虚部，和为统计模值的实部和虚部；
步骤2-3、计算每只蝙蝠位置向量的适应度函数值并将适应度函数值从大到小排列，其中，前一半对应的蝙蝠个体组成优质种群，后一半对应的蝙蝠个体组成劣质种群；适应度值最大的位置向量为当前全局最优位置向量X*；
步骤2-4、调整第i只蝙蝠超声波的频率fi，对第i只蝙蝠k-1时刻的速度Vi(k-1)和位置向量Xi(k-1)进行更新，得到第i只蝙蝠k时刻的位置向量Xi(k)；
fi＝fmin+(fmax-fmin)β
Vi(k)＝Vi(k-1)+[Xi(k)-X*]fi
Xi(k)＝Xi(k-1)+Vi(k)
其中，β为[0,1]上的随机数；
步骤2-5、产生一个服从均匀分布的随机频度rand1与第i只蝙蝠的频度ri进行比较，若rand1＞ri，则对当前全局最优位置向量X*进行随机扰动，产生一个新的位置向量Xnew，用其代替第i只蝙蝠k时刻的位置向量Xi(k)；
Xnew＝X*+εA(k)
Xi(k)＝Xnew
其中，ε为与Xi(k)维数相同的随机向量，随机向量中分量的取值为[-1,1]上的随机数，A(k)为k时刻蝙蝠群的平均响度；
步骤2-6、产生一个服从均匀分布的随机响度rand2与第i只蝙蝠的响度Ai进行比较，若rand2＜Ai且JDNA-GBA(Xi(k))＞JDNA-GBA(X*)，则用第i只蝙蝠k时刻的位置向量Xi(k)替代当前全局最优位置向量X*，并对第i只蝙蝠的响度Ai和频度ri分别进行更新；
Ai(k+1)＝αAi(k)
ri(k+1)＝r(0)[1-exp(-γk)]
其中，初始化时，所有蝙蝠的响度和频度都不相同；
步骤2-7、编码：
将各蝙蝠个体的十进制位置向量转换成四进制，得到DNA序列位置向量；
步骤2-8、交叉操作和变异操作：
产生一个随机数rand3∈(0,1)，与置换交叉概率pz比较，若rand3<pz，则执行置换交叉操作；再次产生一个随机数rand4∈(0,1)，与转位交叉概率py比较，若rand4<py，则执行转位交叉操作；再产生一组与蝙蝠个体DNA序列位置向量维数相同的(0,1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率pb比较，若随机数小于pb，则执行变异操作；
步骤2-9、将经交叉、变异后得到的所有蝙蝠个体的DNA序列位置向量解码，用解码得到的位置向量计算适应度函数值，且从小到大排列并划分优质种群和劣质种群；
步骤2-10、选取适应度函数值最大的位置向量为当前全局最佳位置向量；
步骤2-11、达到最大迭代次数或搜索精度，则输出全局最优位置向量否则转至步骤2-3，继续搜索。
作为本发明所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法进一步优化方案，所述步骤2-7中的编码，具体步骤如下：
步骤2-7-1、由第i只蝙蝠的位置向量Xi＝[xi1,xi2,…,xiP]计算得到十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，其中，xig表示第i只蝙蝠的位置向量Xi中第g个位置值，big表示十进制位置过渡向量中第g个位置值，g为正整数且1≤g≤P，P为十进制位置向量的维数，l为编码长度，dmaxg和dming分别为第i只蝙蝠的位置向量Xi中第g个位置的最大值、最小值；
步骤2-7-2、将十进制位置过渡向量中第g个位置值big转换成一串四进制数sig，则第i只蝙蝠的DNA序列位置向量由P串四进制数sig组成，其中，sig表示第i只蝙蝠的DNA序列位置向量Si中第g个位置的整数串，长度为l，表示第i只蝙蝠的DNA序列位置向量Si中第g个子整数串中第n位的数字，n为正整数且1≤n≤l。
作为本发明所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法进一步优化方案，所述步骤2-8中的交叉操作包括置换交叉操作和转位交叉操作；所述置换交叉操作、转位交叉操作、变异操作的具体如下：
步骤2-8-1、置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中分别随机选取一段碱基数目相等的转座子序列位置向量进行交换，产生两个新的序列位置向量代替父体；选取父体时，一个从整个种群选取，一个从优质种群选取；
步骤2-8-2、转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；选取父体时，80％的概率从优质种群选取，20％概率从劣质种群选取；
步骤2-8-3、变异操作：从DNA序列位置向量中任意选取一个序列位置向量，将该序列位置向量中任一碱基都有一定概率被其它碱基代替，从而产生一个新的序列位置向量。
作为本发明所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法进一步优化方案，所述步骤2-9中DNA序列位置向量解码，具体如下：
步骤2-9-1、将第i只蝙蝠的DNA序列位置向量解码为十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，
步骤2-9-2、通过以下公式按比例将big转换成第i只蝙蝠的位置向量Xi中第g个位置值xig；
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明首先将均衡器的输入信号作为DNA遗传蝙蝠方法的输入，并且把MMA的代价函数经适当变换后作为DNA遗传蝙蝠方法的适应度函数，利用DNA遗传蝙蝠方法的寻优能力来寻找盲均衡器最优初始权向量；
(2)本发明将DNA遗传蝙蝠方法与分数间隔多模盲均衡方法(FS-MMA)相结合，充分利用FS-MMA和DNA遗传蝙蝠方法的优点，本发明将DNA遗传方法引入到蝙蝠方法中，得到一种DNA遗传蝙蝠方法(DNA-GBA)，利用这个新的优化方法来寻找蝙蝠群的全局最优位置向量，并作为多模盲均衡方法(MMA)初始化最优权向量的实部与虚部来提高收敛速度、减小剩余均方误差；
(3)本发明方法与基于蝙蝠方法的分数间隔多模盲均衡方法(BA-FS-MMA)和基于蝙蝠方法的多模盲均衡方法(BA-MMA)相比，本发明具有收敛速度最快、均方误差最小和全局最优的性能，在通信技术领域有很强的实用价值。
附图说明
图1是分数间隔多模盲均衡方法FS-MMA原理框图；其中，(a)是分数间隔多模盲均衡方法FS-MMA原理框图，(b)是(a)中的多模模块。
图2是本发明提供的第m个子信道中基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法DNA-GBA-FS-MMA。
图3是本发明16QAM信号仿真结果图；其中，(a)是均方误差曲线，(b)为MMA输出星座图，(c)是BA-MMA输出星座图，(d)为DNA-GBA-MMA输出星座图，(e)为FS-MMA输出星座图，(f)为BA-FS-MMA输出星座图，(g)为DNA-GBA-FS-MMA输出星座图。
图4是本发明16PSK信号仿真结果图；其中，(a)是均方误差曲线，(b)为MMA输出星座图，(c)是BA-MMA输出星座图，(d)为DNA-GBA-MMA输出星座图，(e)为FS-MMA输出星座图，(f)为BA-FS-MMA输出星座图，(g)为DNA-GBA-FS-MMA输出星座图。
图5是本发明16APSK信号仿真结果图；其中，(a)是均方误差曲线，(b)为MMA输出星座图，(c)BA-MMA输出星座图，(d)为DNA-GBA-MMA输出星座图，(e)为FS-MMA输出星座图，(f)为BA-FS-MMA输出星座图，(g)为DNA-GBA-FS-MMA输出星座图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
将DNA遗传蝙蝠方法应用到分数间隔多模盲均衡方法中，进一步详述如下：
将均衡器的输入信号作为DNA遗传蝙蝠方法的输入，并且把MMA的代价函数经适当变换后作为DNA遗传蝙蝠方法的适应度函数，利用DNA遗传蝙蝠方法的寻优能力来寻找均衡器的最佳权向量。分数间隔多模盲均衡方法原理框图如图1所示。
图中a(k)为发射信号序列，cm(k)为第m个子信道，nm(k)为第m条支路的加性高斯白噪声，ymR(k)和ymI(k)分别为多模模块m输入信号ym(k)的实部与虚部，wmR(k)和wmI(k)分别为多模模块m权向量wm(k)的实部与虚部，zmR(k)和zmI(k)分别为多模模块m输出信号zm(k)的实部与虚部，emR(k)和emI(k)分别为多模模块m误差函数em(k)的实部与虚部，z(k)为整个分数间隔多模盲均衡系统的输出信号。
对于图1中的(a)中第m条支路(m＝0,1,…,M-1)，各物理量的关系为：
cm(k)＝c[(k+1)M-m-1]
式中，c为整个系统的信道。
盲均衡器输入信号为
ym(k)＝a(k)cm(k)+nm(k)
将输入信号ym(k)分为实部与虚部分别进行处理，得到均衡器输出信号的实部与虚部分别为
zmR(k)＝wmR(k)ymR(k)
zmI(k)＝wmI(k)ymI(k)
输出信号为
zm(k)＝zmR(k)+j·zmI(k)
误差信号的实部与虚部分别为
式中，TR和TI分别为发射信号a(k)实部和虚部的统计模值，分别定义为
图1中的(b)第m路MMA的代价函数定义为
按照最速下降法，有
因此，多模模块m权向量实部wmR(k)和虚部wmI(k)的迭代公式分别为
wmR(k+1)＝wmR(k)-4μemR(k)ymR(k)
wmI(k+1)＝wmI(k)-4μemI(k)ymI(k)
式中，μ∈(0,1)为步长。
分数间隔多模盲均衡方法(FS-MMA)的输出信号为
以上构成了分数间隔多模盲均衡方法。
本发明原理如图2所示，首先发射信号a(k)经过第m个子信道cm(k)后加入第m个子信道噪声nm(k)，将得到多模盲均衡器输入信号作为DNA遗传蝙蝠方法的输入，并且把MMA的代价函数经适当变换后作为DNA遗传蝙蝠方法的适应度函数，利用DNA遗传蝙蝠方法的寻优能力来寻找盲均衡器初始最优权向量，具体地说，本发明包括如下步骤：
步骤1、将发射信号a(k)经过第m个子信道cm(k)后加入第m个子信道噪声nm(k)，得到第m个子信道多模盲均衡器输入信号ym(k)，ym(k)＝a(k)cm(k)+nm(k)，其中，k为正整数且表示时间序列,m为整数；
步骤2、将步骤1所述的第m个子信道多模盲均衡器输入信号ym(k)的实部ymR(k)和虚部ymI(k)分别经过第m个实部均衡器得到输出信号zmR(k)、第m个虚部均衡器得到输出信号zmI(k)；其中，zmR(k)＝wmR(k)ymR(k)，zmI(k)＝wmI(k)ymI(k)，wmR(k)为第m个盲均衡器权向量wm(k)的实部，wmI(k)为第m个盲均衡器权向量wm(k)的虚部，且wmR(k)和wmI(k)的更新公式为
wmR(k+1)＝wmR(k)-4μemR(k)ymR(k)
wmI(k+1)＝wmI(k)-4μemI(k)ymI(k)
其中，emR(k)为误差信号的实部，emI(k)为误差信号的虚部，emR(k)和emI(k)是由误差生成函数生成，μ为迭代步长且是实数，0≤μ＜1；
步骤3、将步骤2所述的第m个实部均衡器输出信号zmR(k)和第m个虚部均衡器输出信号zmI(k)相加得到第m个子盲均衡器输出信号zm(k)：zm(k)＝zmR(k)+j·zmI(k)，其中，j为虚数单位；
步骤4、根据步骤3依次求得所有子盲均衡器输出信号，求和得到盲均衡器的总输出信号z(k)：其中，M是子信道的个数；
所述步骤2中盲均衡器权向量的实部wmR(k)和虚部wmI(k)的初始优化权向量的wmR(0)和wmI(0)是由DNA遗传蝙蝠方法获取，具体步骤如下：
步骤2-1、设置蝙蝠初始种群及参数：
设蝙蝠初始种群X＝[X1,X2,…,XN]，其中，Xi表示第i只蝙蝠的初始位置向量，1≤i≤N，N为蝙蝠个体数量，频率范围为[fmin,fmax]，最大响度为A(0)，最大频度为r(0)，最大频度r(0)∈[0,1]，最大响度A(0)∈[1,2]，响度衰减系数为α，频度增加系数为γ，γ是大于0的常数，置换交叉概率pz，移位交叉概率py，变异概率pb，维数为d，搜索精度为tol，最大迭代次数为iter，fmin为最低频率，fmax为最高频率；
步骤2-2、确定适应度函数：
将多模盲均衡方法MMA的代价函数的倒数定义为DNA遗传蝙蝠方法的适应度函数，即
其中，Xi(k)为DNA遗传蝙蝠方法中第i只蝙蝠k时刻的位置向量，用十进制数表示；JMMA(k)为MMA的代价函数，E{*}表示数学期望，zR(k)和zI(k)为盲均衡器输出信号的实部和虚部，和为统计模值的实部和虚部；
步骤2-3、计算每只蝙蝠位置向量的适应度函数值并将适应度函数值从大到小排列，其中，前一半对应的蝙蝠个体组成优质种群，后一半对应的蝙蝠个体组成劣质种群；适应度值最大的位置向量为当前全局最优位置向量X*；
步骤2-4、调整第i只蝙蝠超声波的频率fi，对第i只蝙蝠k-1时刻的速度Vi(k-1)和位置向量Xi(k-1)进行更新，得到第i只蝙蝠k时刻的位置向量Xi(k)；
fi＝fmin+(fmax-fmin)β
Vi(k)＝Vi(k-1)+[Xi(k)-X*]fi
Xi(k)＝Xi(k-1)+Vi(k)
其中，β为[0,1]上的随机数；
步骤2-5、产生一个服从均匀分布的随机频度rand1与第i只蝙蝠的频度ri进行比较，若rand1＞ri，则对当前全局最优位置向量X*进行随机扰动，产生一个新的位置向量Xnew，用其代替第i只蝙蝠k时刻的位置向量Xi(k)；
Xnew＝X*+εA(k)
Xi(k)＝Xnew
其中，ε为与Xi(k)维数相同的随机向量，随机向量中分量的取值为[-1,1]上的随机数，A(k)为k时刻蝙蝠群的平均响度；
步骤2-6、产生一个服从均匀分布的随机响度rand2与第i只蝙蝠的响度Ai进行比较，若rand2＜Ai且JDNA-GBA(Xi(k))＞JDNA-GBA(X*)，则用第i只蝙蝠k时刻的位置向量Xi(k)替代当前全局最优位置向量X*，并对第i只蝙蝠的响度Ai和频度ri分别进行更新；
Ai(k+1)＝αAi(k)
ri(k+1)＝r(0)[1-exp(-γk)]
其中，初始化时，所有蝙蝠的响度和频度都不相同；
步骤2-7、编码：
将各蝙蝠个体的十进制位置向量转换成四进制，得到DNA序列位置向量；
步骤2-8、交叉操作和变异操作：
产生一个随机数rand3∈(0,1)，与置换交叉概率pz比较，若rand3<pz，则执行置换交叉操作；再次产生一个随机数rand4∈(0,1)，与转位交叉概率py比较，若rand4<py，则执行转位交叉操作；再产生一组与蝙蝠个体DNA序列位置向量维数相同的(0,1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率pb比较，若随机数小于pb，则执行变异操作；
步骤2-9、将经交叉、变异后得到的所有蝙蝠个体的DNA序列位置向量解码，用解码得到的位置向量计算适应度函数值，且从小到大排列并划分优质种群和劣质种群；
步骤2-10、选取适应度函数值最大的位置向量为当前全局最佳位置向量；
步骤2-11、达到最大迭代次数或搜索精度，则输出全局最优位置向量Xo * pt；否则转至步骤2-3，继续搜索。
所述步骤2-7中的编码，具体步骤如下：
步骤2-7-1、由第i只蝙蝠的位置向量Xi＝[xi1,xi2,…,xiP]计算得到十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，其中，xig表示第i只蝙蝠的位置向量Xi中第g个位置值，big表示十进制位置过渡向量中第g个位置值，g为正整数且1≤g≤P，P为十进制位置向量的维数，l为编码长度，dmaxg和dming分别为第i只蝙蝠的位置向量Xi中第g个位置的最大值、最小值；
步骤2-7-2、将十进制位置过渡向量中第g个位置值big转换成一串四进制数sig，则第i只蝙蝠的DNA序列位置向量由P串四进制数sig组成，其中，sig表示第i只蝙蝠的DNA序列位置向量Si中第g个位置的整数串，长度为l，表示第i只蝙蝠的DNA序列位置向量Si中第g个子整数串中第n位的数字，n为正整数且1≤n≤l。
所述步骤2-8中的交叉操作包括置换交叉操作和转位交叉操作；所述置换交叉操作、转位交叉操作、变异操作的具体如下：
步骤2-8-1、置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中分别随机选取一段碱基数目相等的转座子序列位置向量进行交换，产生两个新的序列位置向量代替父体；选取父体时，一个从整个种群选取，一个从优质种群选取；
步骤2-8-2、转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；选取父体时，80％的概率从优质种群选取，20％概率从劣质种群选取；
步骤2-8-3、变异操作：从DNA序列位置向量中任意选取一个序列位置向量，将该序列位置向量中任一碱基都有一定概率被其它碱基代替，从而产生一个新的序列位置向量。
所述步骤2-9中DNA序列位置向量解码，具体如下：
步骤2-9-1、将第i只蝙蝠的DNA序列位置向量解码为十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，
步骤2-9-2、通过以下公式按比例将big转换成第i只蝙蝠的位置向量Xi中第g个位置值xig；
为了验证本发明DNA-GBA-FS-MMA的性能，将MMA、FS-MMA、BA-MMA、GBA-MMA、BA-FS-MMA与本发明DNA-GBA-FS-MMA进行对比，以T/4分数间隔为例进行仿真实验。
参数初始化：每个蝙蝠种群数中蝙蝠个体的数量N＝20，频率范围[0,100]，最大响度A(0)＝1.5，最大频度r(0)＝0.25，搜索精度tol＝10-5，维数d＝11，响度衰减系数α＝0.9，频度增加系数γ＝0.9，置换交叉概率pz＝0.8，移位交叉概率py＝0.3，变异概率pb＝0.2，最大迭代次数iter＝2000，运行次数runs＝2000，信道c＝[0.9556-0.09060.05780.2368]，信噪比SNR＝25，均衡器抽头个数L＝11。
实验1：采用16QAM调制信号，步长μMMA＝μFS-MMA＝0.02、μBA-MMA＝μGBA-MMA＝0.0005、μBA-FS-MMA＝μDNA-GBA-FS-MMA＝0.003。仿真结果如图3所示，图3中的(a)为均方误差曲线，图3中的(b)～(g)分别为MMA、BA-MMA、DNA-GBA-MMA、FS-MMA、BA-FS-MMA和本发明DNA-GBA-FS-MMA的星座图。图3是本发明16QAM信号仿真结果图；其中，图3中的(a)中的MMA为多模盲均衡方法，BA-MMA为基于蝙蝠方法的多模盲均衡方法，DNA-GBA-MMA为基于DNA遗传蝙蝠方法的多模盲均衡方法，FS-MMA为分数间隔多模盲均衡方法，BA-FS-MMA为基于蝙蝠方法的分数间隔多模盲均衡方法，本发明DNA-GBA-FS-MMA为基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法；图3中的(a)中的Iteration表示迭代次数，MSE表示均方误差，图3中的(b)～(g)中In-Phase和Quadrature分别表示同相和正交。
实验2：采用16PSK调制信号，步长μMMA＝μFS-MMA＝0.02、μBA-MMA＝μGBA-MMA＝0.0018、μBA-FS-MMA＝μDNA-GBA-FS-MMA＝0.0035。仿真结果如图4所示，图4中的(a)为均方误差曲线，图4中的(b)～(g)分别为MMA、BA-MMA、FS-MMA、DNA-GBA-MMA、BA-FS-MMA和本发明DNA-GBA-FS-MMA的星座图。图4是本发明16PSK信号仿真结果图；图4中的(a)中的MMA为多模盲均衡方法，BA-MMA为基于蝙蝠方法的多模盲均衡方法，DNA-GBA-MMA为基于DNA遗传蝙蝠方法的多模盲均衡方法，FS-MMA为分数间隔多模盲均衡方法，BA-FS-MMA为基于蝙蝠方法的分数间隔多模盲均衡方法，本发明DNA-GBA-FS-MMA为基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，图4中的(a)中Iteration表示迭代次数，MSE表示均方误差，(b)～(g)中In-Phase和Quadrature表示同相和正交。
实验3：采用16APSK调制信号，步长μMMA＝μFS-MMA＝0.01、μBA-MMA＝μGBA-MMA＝0.0008、μBA-FS-MMA＝μDNA-GBA-FS-MMA＝0.001。仿真结果如图5所示，图5中的(a)为均方误差曲线，图5中的(b)～(g)分别为MMA、BA-MMA、DNA-GBA-MMA、FS-MMA、BA-FS-MMA和本发明DNA-GBA-FS-MMA的星座图。图5中的(a)中的MMA为多模盲均衡方法，BA-MMA为基于蝙蝠方法的多模盲均衡方法，DNA-GBA-MMA为基于DNA遗传蝙蝠方法的多模盲均衡方法，FS-MMA为分数间隔多模盲均衡方法，BA-FS-MMA为基于蝙蝠方法的分数间隔多模盲均衡方法，本发明DNA-GBA-FS-MMA为基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法。图5中(a)中的Iteration表示迭代次数，MSE表示均方误差，(b)～(g)中In-Phase和Quadrature表示同相和正交。
由图3可知，本发明DNA-GBA-FS-MMA和BA-FS-MMA迭代200次左右收敛，收敛速度比BA-MMA和DNA-GBA-MMA快了约100多次，比FSE-MMA和MMA快了约300多次；本发明DNA-GBA-FS-MMA的稳态误差达到约-24.5dB，比BA-FS-MMA降低了2.5dB，比FS-MMA降低了3.5dB，比DNA-GBA-MMA降低了4.5dB，比BA-MMA降低了6.5dB，比MMA降低了8dB，且本发明DNA-GBA-FS-MMA星座图的星座点最清晰、最紧凑。
由图4可知，本发明DNA-GBA-FS-MMA、BA-FS-MMA、DNA-GBA-MMA和BA-MMA均迭代100次左右收敛，收敛速度比FSE-MMA和MMA快了约500次；本发明DNA-GBA-FS-MMA的稳态误差达到约-24dB，比BA-FS-MMA降低了1dB，比DNA-GBA-MMA降低了2dB，比FS-MMA降低了3dB，比BA-MMA降低了3.5dB，比MMA降低了7.5dB，且本发明DNA-GBA-FS-MMA星座图的星座点最清晰、最紧凑。
由图5可知，本发明DNA-GBA-FS-MMA和BA-FS-MMA迭代200次左右收敛，收敛速度比BA-MMA和DNA-GBA-MMA慢了约150次，比FSE-MMA和MMA快了约400次；本发明DNA-GBA-FS-MMA的稳态误差达到约-25dB，比BA-FS-MMA降低了1dB，比FS-MMA降低了3dB，比DNA-GBA-MMA降低了4dB，比BA-MMA降低了5dB，比MMA降低了8dB，且本发明DNA-GBA-FS-MMA星座图的星座点最清晰、最紧凑。
可见，使用本发明方法DNA-GBA-FS-MMA可以显著提高盲均衡方法的收敛速度和减少均方稳态误差，在通信技术领域有很强的实用价值。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，其特征在于，包括以下步骤：
步骤1、将发射信号a(k)经过第m个子信道cm(k)后加入第m个子信道噪声nm(k)，得到第m个子信道多模盲均衡器输入信号ym(k)，ym(k)＝a(k)cm(k)+nm(k)，其中，k为正整数且表示时间序列,m为整数；
步骤2、将步骤1所述的第m个子信道多模盲均衡器输入信号ym(k)的实部ymR(k)和虚部ymI(k)分别经过第m个实部均衡器得到输出信号zmR(k)、第m个虚部均衡器得到输出信号zmI(k)；其中，zmR(k)＝wmR(k)ymR(k)，zmI(k)＝wmI(k)ymI(k)，wmR(k)为第m个盲均衡器权向量wm(k)的实部，wmI(k)为第m个盲均衡器权向量wm(k)的虚部，且wmR(k)和wmI(k)的更新公式为
wmR(k+1)＝wmR(k)-4μemR(k)ymR(k)
wmI(k+1)＝wmI(k)-4μemI(k)ymI(k)
其中，emR(k)为误差信号的实部，emI(k)为误差信号的虚部，emR(k)和emI(k)是由误差生成函数生成，μ为迭代步长且是实数，0≤μ＜1；
所述步骤2中盲均衡器权向量的实部wmR(k)和虚部wmI(k)的初始优化权向量的wmR(0)和wmI(0)是由DNA遗传蝙蝠方法获取，具体步骤如下：
步骤2-1、设置蝙蝠初始种群及参数：
设蝙蝠初始种群X＝[X1,X2,…,XN]，其中，Xi表示第i只蝙蝠的初始位置向量，1≤i≤N，N为蝙蝠个体数量，频率范围为[fmin,fmax]，最大响度为A(0)，最大频度为r(0)，最大频度r(0)∈[0,1]，最大响度A(0)∈[1,2]，响度衰减系数为α，频度增加系数为γ，γ是大于0的常数，置换交叉概率pz，移位交叉概率py，变异概率pb，维数为d，搜索精度为tol，最大迭代次数为iter，fmin为最低频率，fmax为最高频率；
步骤2-2、确定适应度函数：
将多模盲均衡方法MMA的代价函数的倒数定义为DNA遗传蝙蝠方法的适应度函数，即
<mrow>
<msub>
<mi>J</mi>
<mrow>
<mi>D</mi>
<mi>N</mi>
<mi>A</mi>
<mo>-</mo>
<mi>G</mi>
<mi>B</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>J</mi>
<mrow>
<mi>M</mi>
<mi>M</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>E</mi>
<mo>{</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>z</mi>
<mi>R</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mi>R</mi>
<mn>2</mn>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
<mo>+</mo>
<mi>E</mi>
<mo>{</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>z</mi>
<mi>I</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mi>I</mi>
<mn>2</mn>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
其中，Xi(k)为DNA遗传蝙蝠方法中第i只蝙蝠k时刻的位置向量，用十进制数表示；JMMA(k)为MMA的代价函数，E{*}表示数学期望，zR(k)和zI(k)为盲均衡器输出信号的实部和虚部，和为统计模值的实部和虚部；
步骤2-3、计算每只蝙蝠位置向量的适应度函数值并将适应度函数值从大到小排列，其中，前一半对应的蝙蝠个体组成优质种群，后一半对应的蝙蝠个体组成劣质种群；适应度值最大的位置向量为当前全局最优位置向量X*；
步骤2-4、调整第i只蝙蝠超声波的频率fi，对第i只蝙蝠k-1时刻的速度Vi(k-1)和位置向量Xi(k-1)进行更新，得到第i只蝙蝠k时刻的位置向量Xi(k)；
fi＝fmin+(fmax-fmin)β
Vi(k)＝Vi(k-1)+[Xi(k)-X*]fi
Xi(k)＝Xi(k-1)+Vi(k)
其中，β为[0,1]上的随机数；
步骤2-5、产生一个服从均匀分布的随机频度rand1与第i只蝙蝠的频度ri进行比较，若rand1＞ri，则对当前全局最优位置向量X*进行随机扰动，产生一个新的位置向量Xnew，用其代替第i只蝙蝠k时刻的位置向量Xi(k)；
Xnew＝X*+εA(k)
Xi(k)＝Xnew
其中，ε为与Xi(k)维数相同的随机向量，随机向量中分量的取值为[-1,1]上的随机数，A(k)为k时刻蝙蝠群的平均响度；
步骤2-6、产生一个服从均匀分布的随机响度rand2与第i只蝙蝠的响度Ai进行比较，若rand2＜Ai且JDNA-GBA(Xi(k))＞JDNA-GBA(X*)，则用第i只蝙蝠k时刻的位置向量Xi(k)替代当前全局最优位置向量X*，并对第i只蝙蝠的响度Ai和频度ri分别进行更新；
Ai(k+1)＝αAi(k)
ri(k+1)＝r(0)[1-exp(-γk)]
其中，初始化时，所有蝙蝠的响度和频度都不相同；
步骤2-7、编码：
将各蝙蝠个体的十进制位置向量转换成四进制，得到DNA序列位置向量；
步骤2-8、交叉操作和变异操作：
产生一个随机数rand3∈(0,1)，与置换交叉概率pz比较，若rand3<pz，则执行置换交叉操作；再次产生一个随机数rand4∈(0,1)，与转位交叉概率py比较，若rand4<py，则执行转位交叉操作；再产生一组与蝙蝠个体DNA序列位置向量维数相同的(0,1)上的随机数，这组随机数中的元素与DNA序列位置向量中的元素一一对应，将所有随机数分别与变异概率pb比较，若随机数小于pb，则执行变异操作；
步骤2-9、将经交叉、变异后得到的所有蝙蝠个体的DNA序列位置向量解码，用解码得到的位置向量计算适应度函数值，且从小到大排列并划分优质种群和劣质种群；
步骤2-10、选取适应度函数值最大的位置向量为当前全局最佳位置向量；
步骤2-11、达到最大迭代次数或搜索精度，则输出全局最优位置向量否则转至步骤2-3，继续搜索；
步骤3、将步骤2所述的第m个实部均衡器输出信号zmR(k)和第m个虚部均衡器输出信号zmI(k)相加得到第m个子盲均衡器输出信号zm(k)：zm(k)＝zmR(k)+j·zmI(k)，其中，j为虚数单位；
步骤4、根据步骤3依次求得所有子盲均衡器输出信号，求和得到盲均衡器的总输出信号z(k)：其中，M是子信道的个数。
2.根据权利要求1所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，其特征在于：所述步骤2-7中的编码，具体步骤如下：
步骤2-7-1、由第i只蝙蝠的位置向量Xi＝[xi1,xi2,…,xiP]计算得到十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，其中，xig表示第i只蝙蝠的位置向量Xi中第g个位置值，big表示十进制位置过渡向量中第g个位置值，g为正整数且1≤g≤P，P为十进制位置向量的维数，l为编码长度，dmaxg和dming分别为第i只蝙蝠的位置向量Xi中第g个位置的最大值、最小值；
步骤2-7-2、将十进制位置过渡向量中第g个位置值big转换成一串四进制数sig，则第i只蝙蝠的DNA序列位置向量由P串四进制数sig组成，其中，sig表示第i只蝙蝠的DNA序列位置向量Si中第g个位置的整数串，长度为l，表示第i只蝙蝠的DNA序列位置向量Si中第g个子整数串中第n位的数字，n为正整数且1≤n≤l。
3.根据权利要求1所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，其特征在于，所述步骤2-8中的交叉操作包括置换交叉操作和转位交叉操作；所述置换交叉操作、转位交叉操作、变异操作的具体如下：
步骤2-8-1、置换交叉操作：从DNA序列位置向量中任意选取两个作为父体，从两个父体中分别随机选取一段碱基数目相等的转座子序列位置向量进行交换，产生两个新的序列位置向量代替父体；选取父体时，一个从整个种群选取，一个从优质种群选取；
步骤2-8-2、转位交叉操作：从DNA序列位置向量中任意选取一个作为父体，从父体中截取一段任意碱基数目的转座子序列位置向量插入截取后父体的任意位置，产生一个新的序列位置向量代替父体；选取父体时，80％的概率从优质种群选取，20％概率从劣质种群选取；
步骤2-8-3、变异操作：从DNA序列位置向量中任意选取一个序列位置向量，该序列位置向量中任一碱基都有一定概率被其它碱基代替，从而产生一个新的序列位置向量。
4.根据权利要求2所述的一种基于DNA遗传蝙蝠方法的分数间隔多模盲均衡方法，其特征在于，所述步骤2-9中DNA序列位置向量解码，具体如下：
步骤2-9-1、将第i只蝙蝠的DNA序列位置向量解码为十进制位置过渡向量Bi＝[bi1,bi2,…,biP]，
步骤2-9-2、通过以下公式按比例将big转换成第i只蝙蝠的位置向量Xi中第g个位置值xig；
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>g</mi>
</mrow>
</msub>
<msup>
<mn>4</mn>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mi>g</mi>
</mrow>
</msup>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>max</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>min</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>min</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510427082.2A CN105072064B (zh) | 2015-07-20 | 2015-07-20 | 一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510427082.2A CN105072064B (zh) | 2015-07-20 | 2015-07-20 | 一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105072064A CN105072064A (zh) | 2015-11-18 |
| CN105072064B true CN105072064B (zh) | 2018-01-05 |
Family
ID=54501350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510427082.2A Expired - Fee Related CN105072064B (zh) | 2015-07-20 | 2015-07-20 | 一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105072064B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105635006B (zh) * | 2016-01-12 | 2018-11-23 | 南京信息工程大学 | 一种基于dna萤火虫优化的小波盲均衡方法 |
| CN105681244A (zh) * | 2016-03-23 | 2016-06-15 | 河北工业大学 | 基于蝙蝠算法的ofdm系统中抑制papr的方法 |
| CN106157154B (zh) * | 2016-07-21 | 2021-07-30 | 重庆大学 | 用于自媒体网络数据的自适应进化蝙蝠算法下的复杂网络社区发现方法 |
| CN107018104B (zh) * | 2017-04-07 | 2019-12-31 | 淮南职业技术学院 | 一种基于混合猴群优化的小波加权多模盲均衡方法 |
| CN108694077B (zh) * | 2017-04-10 | 2022-02-01 | 郑州芯兰德网络科技有限公司 | 基于改进二进制蝙蝠算法的分布式系统任务调度方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101655A1 (en) * | 2004-04-09 | 2005-10-27 | Micronas Semiconductors, Inc. | Advanced digital receiver |
| CN102299875A (zh) * | 2011-06-15 | 2011-12-28 | 南京信息工程大学 | 引入免疫优化支持向量机的小波多模盲均衡方法 |
| CN103338170A (zh) * | 2013-06-14 | 2013-10-02 | 南京信息工程大学 | 混沌人工鱼群优化广义多模盲均衡方法 |
| CN103346987A (zh) * | 2013-06-14 | 2013-10-09 | 南京信息工程大学 | 免疫人工鱼群优化频域自适应小波多模盲均衡方法 |
-
2015
- 2015-07-20 CN CN201510427082.2A patent/CN105072064B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101655A1 (en) * | 2004-04-09 | 2005-10-27 | Micronas Semiconductors, Inc. | Advanced digital receiver |
| CN102299875A (zh) * | 2011-06-15 | 2011-12-28 | 南京信息工程大学 | 引入免疫优化支持向量机的小波多模盲均衡方法 |
| CN103338170A (zh) * | 2013-06-14 | 2013-10-02 | 南京信息工程大学 | 混沌人工鱼群优化广义多模盲均衡方法 |
| CN103346987A (zh) * | 2013-06-14 | 2013-10-09 | 南京信息工程大学 | 免疫人工鱼群优化频域自适应小波多模盲均衡方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工鱼群优化的小波盲均衡算法;黄伟;《万方数据知识服务平台学术论文数据库》;20140715;第5.2节第5.3节，第6.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105072064A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105072064B (zh) | 一种基于dna遗传蝙蝠方法的分数间隔多模盲均衡方法 | |
| KR102299815B1 (ko) | 제한된 isi 비율을 갖는 저전력 칩 대 칩 통신을 위한 방법 및 장치 | |
| CN1078410C (zh) | 用于多径时间离散信号的分集接收机 | |
| US9774400B2 (en) | Method and apparatus for low-complexity quasi-reduced state soft-output equalizer | |
| CN104584500A (zh) | 用于高度频谱有效的通信的多模发射器 | |
| CN101019388B (zh) | 利用预存值的度量计算方法和装置 | |
| EP3635893A1 (en) | Virtual lookup table for probabilistic constellation shaping | |
| CN105635006B (zh) | 一种基于dna萤火虫优化的小波盲均衡方法 | |
| US8885699B2 (en) | Compensation factor reduction in an unrolled decision feedback equalizer | |
| CN105610517A (zh) | 相干光接收机的迭代后均衡 | |
| US20040001537A1 (en) | Apparatus, and associated method, for performing joint equalization in a multiple-input, multiple-output communication system | |
| CN114095320B (zh) | 基于动量分数阶多模盲均衡算法的信道均衡方法 | |
| CN103888392B (zh) | 一种基于dna遗传优化的正交小波盲均衡方法 | |
| An et al. | A learning-based end-to-end wireless communication system utilizing a deep neural network channel module | |
| CN105007246B (zh) | 一种模因方法优化的多模盲均衡方法 | |
| US9660845B2 (en) | System and method for state reduction in trellis equalizers using bounded state enumeration | |
| CN105391660B (zh) | 在电子设备中执行循环展开判决反馈均衡的方法和装置 | |
| CN1156188C (zh) | 块形联合解码均衡器 | |
| CN102299875B (zh) | 引入免疫优化支持向量机的小波多模盲均衡方法 | |
| CN105376185A (zh) | 一种通信系统中基于dna蛙跳方法优化的常模盲均衡处理方法 | |
| CN102118332A (zh) | 基于免疫克隆粒子群优化的正交小波盲均衡方法 | |
| CN109561438A (zh) | Ftn系统中基于帧间信息交织的频谱优化方法 | |
| CN102594374B (zh) | 对百兆量级宽带接收信号的均衡方法 | |
| CN102404259A (zh) | 混合均衡系统 | |
| Yin | The CPDA detector for the MIMO OCDM system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180105 |