CN107231214B - 基于演化混沌量子神经网络的最优多用户检测方法 - Google Patents

基于演化混沌量子神经网络的最优多用户检测方法 Download PDF

Info

Publication number
CN107231214B
CN107231214B CN201710436096.XA CN201710436096A CN107231214B CN 107231214 B CN107231214 B CN 107231214B CN 201710436096 A CN201710436096 A CN 201710436096A CN 107231214 B CN107231214 B CN 107231214B
Authority
CN
China
Prior art keywords
quantum
neural network
chaotic
user
state
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.)
Active
Application number
CN201710436096.XA
Other languages
English (en)
Other versions
CN107231214A (zh
Inventor
高洪元
杜亚男
侯阳阳
刁鸣
李佳
梁炎松
刘洪烈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710436096.XA priority Critical patent/CN107231214B/zh
Publication of CN107231214A publication Critical patent/CN107231214A/zh
Application granted granted Critical
Publication of CN107231214B publication Critical patent/CN107231214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/707—Spread spectrum techniques using direct sequence modulation
    • H04B1/7097—Interference-related aspects
    • H04B1/7103—Interference-related aspects the interference being multiple access interference
    • H04B1/7105—Joint detection techniques, e.g. linear detectors
    • H04B1/71052—Joint detection techniques, e.g. linear detectors using decorrelation matrix
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/707—Spread spectrum techniques using direct sequence modulation
    • H04B1/7097—Interference-related aspects
    • H04B1/7103—Interference-related aspects the interference being multiple access interference
    • H04B1/7105—Joint detection techniques, e.g. linear detectors
    • H04B1/71057—Joint detection techniques, e.g. linear detectors using maximum-likelihood sequence estimation [MLSE]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供的是一种基于演化混沌量子神经网络的最优多用户检测方法。建立最优多用户检测模型；初始化混沌量子神经网络的初始参数，激活混沌量子神经网络获得近似最优解；初始化量子个体，把第一个量子个体的二进制测量态赋值为混沌量子神经网络的输出值；构造适应度函数，计算适应度；使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态；对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；计算每个量子个体的适应度函数值，找到全局最优解；输出全局最优解作为多用户检测的最优结果。本发明具有非常优秀的抗多址干扰能力和抗远近效应能力，且应用范围广，能够在短时间内获得最优的检测结果。

Description

基于演化混沌量子神经网络的最优多用户检测方法
技术领域
本发明涉及的是一种最优多用户检测方法。
背景技术
码分多址(CDMA)通信系统是近年来用于数字蜂窝移动通信的一种先进的无线扩频通信技术，但由于多址干扰和远近效应的存在，使系统性能受到影响。多用户检测方法是解决该问题的有效方法，在接收端使用多用户检测技术能够有效抑制多址干扰和远近效应对CDMA系统产生的不利影响，提高通信系统性能和容量。作为CDMA通信系统的一项关键技术，多用户检测技术不是把多址干扰和远近效应简单的看做干扰噪声进行处理，而是把它作为一种有用的信息，充分利用各用户之间的关系进行联合检测，提高系统的检测性能和系统容量。
基于人工神经网络的多用户检测方法是一种可快速实现，且在一定程度上能够克服多址干扰和远近效应不利影响的多用户检测方法。人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能，基于人工神经网络设计的多用户检测方法通过训练后可以在不具备对象先验知识的条件下，仅根据输出数据就可直接进行检测，为解决复杂的多用户检测问题提供了一条便捷的途径。随着应用的深入和实际问题日益复杂，基于训练序列的多用户检测器所存在的局限和不足也日益明显，其在实际应用中存在收敛性能差和受训练过程制约的缺点。如何克服现有神经网络多用户检测方法的局限和不足，是一个具有挑战性的难题。
高洪元等在《计算机工程》(2007,Vol.33,No.10,pp.196-198)上发表的“基于神经网络量子算法的多用户检测器”中提出了一种Hopfield神经网络和量子搜索算法进而设计新的多用户检测器，在较短的时间内达到最优，但是仍难以获得最优的抗多址干扰能力和抗远近效应能力。Xia Junbo等在《2016International Conference on Smart City andSystems Engineering》(2016,pp.175-178)上发表的“CDMA Multiuser Detection Basedon Improved Particle Swarm Optimization”中提出了一种基于提高的粒子群算法的多用户检测器，只有在种群规模和迭代次数足够大的情况下才能获得较好的收敛性能，在低计算复杂度下达不到最优检测结果。已有文献检索表明，现有多用户检测方法经常会陷入局部极值无法获得全局最优值，演化时间较长，检测结果的鲁棒性能较差。
发明内容
本发明的目的在于提供一种能在最短的时间达到最优的检测性能的基于演化混沌量子神经网络的最优多用户检测方法。
本发明的目的是这样实现的：
步骤一，建立最优多用户检测模型
1.DS-CDMA多用户检测模型
假定有K个正在通信的用户，则在时刻
Figure GDA0001390316920000021
基站接收到的信号
Figure GDA0001390316920000022
为
Figure GDA0001390316920000023
其中：M为处理数据长度，T为发送信号间隔，Ak(m)为第k个用户到达基站时第m个比特的信号幅值，bk(m)∈{-1,1}为第k个用户发送的第m个比特信息，
Figure GDA00013903169200000210
为第k个用户的扩频波形，τk∈[0,T)为第k个用户的信号时延，
Figure GDA0001390316920000029
为功率谱密度为N0/2的高斯白噪声；
对于同步高斯信道τk＝0,k＝1,2,…,K，M＝1；K个用户的匹配滤波器输出的向量形式为y＝[y1,y2,…yK]T，y＝RAb+n，其中
Figure GDA0001390316920000024
R是不同用户特征波形的相关矩阵,其元素表示为
Figure GDA0001390316920000025
A＝diag(A1,A2,…,AK)是以{A1,A2,…,AK}为对角线元素的对角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量；
最佳多用户检测器输出向量为：
Figure GDA0001390316920000026
构造最大值函数为
Figure GDA0001390316920000027
2.MC-CDMA多用户检测模型
假设有K个用户和N个载波在同一时隙被激活，每个用户有独一无二的特征码，用户k传输的符号经过归一化的扩频码βk＝[β1k,β2k,…,βNk]T进行频域扩频后，由N点的逆傅里叶变换进行基带调制，在加入循环保护前缀间隔和实现并串转换后，信号从发射天线发射出去，在基站接收端，接收天线输出的信号经串并转换和去保护前缀后，通过离散傅里叶变换进行解调，假定第k个用户被激活，基站接收端在一个多载波符号持续期内收到的频域信号为
Figure GDA0001390316920000028
其中，Hnk为用户k到达基站时在第n个子载波上的信道频域响应，bk(l)∈{-1,1}为第k个用户在第l个多载波符号期内传输的符号，nnk(l)为第k个用户的第n个子载波在第l个多载波符号期内接收到的采样噪声，第k个用户的接收信号采样矩阵表达方式为rk＝HkAkbk+nk，式中，rk＝[r1k,r2k,…,rNk]T为第k个用户接收信号的采样向量，Hk＝[β1kH1k,β2kH2k,…,βNkHNk]T为用户k的等效频域矩阵，噪声分量nk(t)＝[n1k,n2k,…,nNk]T为高斯白噪声，所有K个用户被激活时，基站接收到的频域信号为
Figure GDA0001390316920000031
其中H＝[H1,H2,…,HK]，b＝[b1,b2,…,bK]T；A＝diag(A1,A2,…,AK)是对角矩阵；
高斯噪声环境下，MC-CDMA最佳多用户检测器就是找出一个信号序列，使给定输出序列的似然函数最大，其输出表示为：
Figure GDA0001390316920000032
其中Re()代表取实部运算，则构造MC-CDMA系统的目标函数为
Figure GDA0001390316920000033
步骤二，初始化混沌量子神经网络的初始参数，把多用户检测的极大似然方程映射为混沌量子神经网络的能量函数，激活混沌量子神经网络获得近似最优解，对于某一优化问题，若Hopfield神经网络的能量函数为
Figure GDA0001390316920000034
设
Figure GDA0001390316920000035
Figure GDA0001390316920000036
则混沌量子神经网络和演化混沌加扰的量子神经网络的能量函数定义为
Figure GDA0001390316920000037
其中，wkj＝wjk，wkk＝0，量子神经元输出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为v＝[v1,v2,…,vK]T，网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络输出的量子态矢量为
Figure GDA0001390316920000038
第t次迭代量子神经网络输出的二进制状态为
Figure GDA0001390316920000039
量子神经元k的外部量子输入又称作量子偏置定义为Ik，则第k个量子神经元在第t次迭代的状态为
Figure GDA00013903169200000310
混沌量子神经网络的演化步骤为:
(1)首先初始化混沌量子神经网络的参数，把要解决的优化问题映射到量子空间，初始时，令t＝0；
(2)更新混沌量子神经网络的动态方程为
Figure GDA00013903169200000311
Figure GDA0001390316920000041
其中，wkj表示量子连接权系数，wkj＝wjk且wkk＝0；
Figure GDA0001390316920000042
是能量函数梯度收敛项的尺度因子，
Figure GDA0001390316920000043
α为神经网络的衰减因子，0≤α≤1；ek(t)为自反馈连接权；β为时变参量
Figure GDA0001390316920000044
的衰减因子，0≤β≤1；ε表示输出的锐度参数，量子旋转角
Figure GDA0001390316920000045
钳值在[-π/2,π/2]；
(3)判断是否达到终止迭代次数，若是，则令
Figure GDA0001390316920000046
其中，sign2(·)代表二值判决函数，t1max为每个神经元最大迭代次数，迭代终止，执行下一步骤；否则，迭代次数加1，返回(2)；
步骤三，初始化量子个体，种群规模为H，在第z次迭代，第i个量子个体的量子态为
Figure GDA0001390316920000047
所有量子个体量子态的量子位均被初始化为
Figure GDA0001390316920000048
第i个量子个体的第k个量子位的测量方程为
Figure GDA0001390316920000049
Figure GDA00013903169200000410
为均匀分布在[0，1]之间的随机数；把第一个量子个体的二进制测量态
Figure GDA00013903169200000411
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量子位测量得到二进制态
Figure GDA00013903169200000412
步骤四，构造和计算适应度函数，令
Figure GDA00013903169200000413
计算每个量子个体的适应度函数值，把所找到的全局最优解记作
Figure GDA00013903169200000414
步骤五，使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态，第i个量子个体的第k个量子旋转角为
Figure GDA00013903169200000415
ck为[0,1]之间的常数,sign3为3值判决输出函数；第i个量子个体的第k个量子旋转门为
Figure GDA00013903169200000416
对量子态测量得到二进制态
Figure GDA00013903169200000417
步骤六，对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；
基于演化混沌加扰的量子神经网络的多用户检测的演化过程具体包括：
(1)演化混沌加扰的量子神经网络初始化，通过参数设置把要解决的最优多用户检测问题映射到Hopfield神经网络，进一步将Hopfield神经网络映射到混沌量子神经网络，演化混沌加扰的量子神经网络和混沌量子神经网络的能量函数相同；把量子个体当前的二进制测量态作为演化混沌加扰的量子神经网络的初始二进制输入；
(2)演化混沌加扰的量子神经网络依次选取量子神经元和其对应的量子偏置以进行异步更新，初始时，令t＝0；
(3)更新演化混沌加扰的量子神经网络确定量子旋转角，第k个量子神经元在第(t+1)次迭代的旋转角为
Figure GDA0001390316920000051
其中k＝1,2,...,K，hkt＝(gd-0.5)Ca/[K(t-1)+k],gd＝gK(t-1)+k为根据Logist映射生成的混沌变量，gd＝4gd-1(1-gd-1)，混沌方程的初值是满足约束为g1∈(0,1),g1≠0.5,0.25,0.75的均匀随机数，Ca为正常数，
Figure GDA0001390316920000052
超过区间需要钳值在区间[-π/2,π/2]的边界值，然后按公式
Figure GDA0001390316920000053
求出第k个量子神经元的量子输入；
(4)按公式
Figure GDA0001390316920000054
其中k＝1,2,...,K，sign2[·]代表二值判决函数，对
Figure GDA0001390316920000055
与0比较进行判决得到量子神经元的二进制输出值
Figure GDA0001390316920000056
(5)判断演化混沌加扰的量子神经网络是否达到稳定状态，若否，令t＝t+1，转至步骤(3)；若是，则停止演化混沌加扰的量子神经网络的运行，获得优秀的二进制近似最优解；
步骤七，根据二进制态，计算每个量子个体的适应度函数值，把所找到的全局最优解记作
Figure GDA0001390316920000057
步骤八，判断量子种群中个体是否达到最大迭代次数zmax，是，则迭代停止，输出多用户检测的最优结果，否则迭代次数加1，返回步骤五。
本发明是通过使用混沌量子神经网络和演化混沌加扰的量子神经网络快速得到最优检测结果，并使用模拟的量子旋转门演化量子个体，解决现有多用户检测方法在短时间内无法达到最优检测结果这一技术和理论难题。
本发明在离散Hopfield神经网络的基础上，对量子计算进行深入的分析，引入混沌变异策略和暂态混沌理论，设计混沌量子神经网络和演化混沌加扰的量子神经网络，突破现有设计多用户检测器寻优方式的固有模式，在较短的时间内获得最优的检测性能。
本发明针对现有高斯噪声环境下多用户检测方法存在的缺点和不足，利用神经网络的自学习、联想记忆、自适应和非线性逼近的优点以及量子计算的机理并引入混沌变异策略和暂态混沌理论，设计混沌量子神经网络和演化混沌加扰的量子神经网络，突破现有多用户检测器设计方法的固有模式，在短时间获得最优的检测结果，并具有较好的抗多址干扰能力和抗远近效应能力，能够同时解决DS-CDMA和MC-CDMA系统的多用户检测问题，应用范围广泛。
与现有多用户检测设计方法相比本发明所设计的最优多用户检测方法能够在短时间达到最优检测性能，具有以下优点：
(1)本发明解决了高斯噪声环境下的多用户检测问题，使用所设计的混沌量子神经网络和演化混沌加扰的量子神经网络作为寻优策略，所设计的演化混沌量子神经网络最优多用户检测方法具有实现时间短和检测性能好的优点。
(2)相对于现有多用户检测方法，本发明可同时利用混沌量子神经网络和演化混沌加扰的量子神经网络的优势，消除了多址干扰和远近效应对DS-CDMA和MC-CDMA系统性能影响的难题，应用范围广泛。
(3)仿真结果表明，本发明所提出的演化混沌量子神经网络最优多用户检测方法在优化时能够得到全局最优解，但所需时间远远小于穷尽搜索和其他基于智能计算的多用户检测方法，说明了所设计的多用户检测方法的有效性和高效性。
附图说明
图1所设计演化混沌量子神经网络多用户检测器示意图。
图2目标用户1的误码率和目标用户1的信噪比的关系曲线。
图3目标用户1的误码率和目标用户1的远近比关系曲线。
图4 10个用户的平均误码率和信噪比的关系曲线。
图5 10个用户的平均误码率和远近比的关系曲线。
具体实施方式
下面举例对本发明做更详细的描述。
步骤一，建立最优多用户检测模型。
1.DS-CDMA(直接序列码分多址)多用户检测模型
考虑DS-CDMA通信系统，假定小区有K个正在通信的用户，则在时刻
Figure GDA0001390316920000061
基站接收到的信号
Figure GDA0001390316920000062
为
Figure GDA0001390316920000063
其中，M为处理数据长度，T为发送信号间隔。Ak(m)为第k个用户到达基站时第m个比特的信号幅值；bk(m)∈{-1,1}为第k个用户发送的第m个比特信息；
Figure GDA0001390316920000064
为第k个用户的扩频波形；τk∈[0,T)为第k个用户的信号时延；
Figure GDA0001390316920000071
为功率谱密度为N0/2的高斯白噪声。
对于同步高斯信道τk＝0(k＝1,2,…,K)，M＝1；K个用户的匹配滤波器输出的向量形式为y＝[y1,y2,…yK]T。y＝RAb+n，其中
Figure GDA0001390316920000072
R是不同用户特征波形的相关矩阵,其元素可表示为
Figure GDA0001390316920000073
A＝diag(A1,A2,…,AK)是以{A1,A2,…,AK}为对角线元素的对角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量。
最佳多用户检测(OMD)就是采用最大似然序列准则找出一个接收信号序列，使给定输出序列的似然函数最大。最佳多用户检测器输出向量为：
Figure GDA0001390316920000074
构造最大值函数为
Figure GDA0001390316920000075
2.MC-CDMA(多载波码分多址)多用户检测模型
考虑一MC-CDMA通信系统的上行链路，假设小区中有K个用户和N个载波在同一时隙被激活，每个用户有独一无二的特征码。以第k个用户为例，用户k传输的符号经过归一化的扩频码βk＝[β1k,β2k,…,βNk]T进行频域扩频后，由N点的逆傅里叶(IFFT)变换进行基带调制。在加入循环保护前缀间隔和实现并串转换后，信号从发射天线发射出去。在基站接收端，接收天线输出的信号经串并转换和去保护前缀后，通过离散傅里叶变换(FFT)进行解调，假定第k个用户被激活，基站接收端在一个多载波符号持续期内收到的频域信号为
Figure GDA0001390316920000076
其中，Hnk为用户k到达基站时在第n个子载波上的信道频域响应；bk(l)∈{-1,1}为第k个用户在第l个多载波符号期内传输的符号；nnk(l)为第k个用户的第n个子载波在第l个多载波符号期内接收到的采样噪声。第k个用户的接收信号采样矩阵表达方式为rk＝HkAkbk+nk，式中，rk＝[r1k,r2k,…,rNk]T为第k个用户接收信号的采样向量；Hk＝[β1kH1k,β2kH2k,…,βNkHNk]T为用户k的等效频域矩阵；噪声分量nk(t)＝[n1k,n2k,…,nNk]T为高斯白噪声。小区中所有K个用户被激活时，基站接收到的频域信号为
Figure GDA0001390316920000077
其中H＝[H1,H2,…,HK]，b＝[b1,b2,…,bK]T；A＝diag(A1,A2,…,AK)是对角矩阵。
高斯噪声环境下，MC-CDMA最佳多用户检测器(OMD)就是找出一个信号序列，使给定输出序列的似然函数最大，其输出可表示为：
Figure GDA0001390316920000081
其中Re()代表取实部运算，则构造MC-CDMA系统的目标函数为
Figure GDA0001390316920000082
步骤二，初始化混沌量子神经网络的初始参数，把多用户检测的极大似然方程映射为混沌量子神经网络的能量函数，激活混沌量子神经网络获得近似最优解。对于某一优化问题，若Hopfield神经网络的能量函数为
Figure GDA0001390316920000083
设
Figure GDA0001390316920000084
Figure GDA0001390316920000085
则混沌量子神经网络和演化混沌加扰的量子神经网络的能量函数就可以定义为
Figure GDA0001390316920000086
其中，wkj＝wjk，wkk＝0，量子神经元输出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为v＝[v1,v2,…,vK]T。网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络输出的量子态矢量为
Figure GDA0001390316920000087
第t次迭代量子神经网络输出的二进制状态为
Figure GDA0001390316920000088
量子神经元k的外部量子输入又称作量子偏置，可以定义为Ik，则第k个量子神经元在第t次迭代的状态为
Figure GDA0001390316920000089
混沌量子神经网络的演化步骤为:
(1)首先初始化混沌量子神经网络的参数，把要解决的优化问题映射到量子空间，初始时，令t＝0。
(2)更新混沌量子神经网络的动态方程为
Figure GDA00013903169200000810
Figure GDA00013903169200000811
其中，wkj表示量子连接权系数，wkj＝wjk且wkk＝0；
Figure GDA00013903169200000812
是能量函数梯度收敛项的尺度因子
Figure GDA00013903169200000813
α为神经网络的衰减因子(0≤α≤1)；ek(t)为自反馈连接权；β为时变参量
Figure GDA00013903169200000814
的衰减因子(0≤β≤1)；ε表示输出的锐度参数，量子旋转角
Figure GDA00013903169200000815
需要钳值在[-π/2,π/2]。
(3)判断是否达到终止迭代次数，若是，则令
Figure GDA0001390316920000091
其中，sign2(·)代表二值判决函数，t1max为每个神经元最大迭代次数，迭代终止，执行下一步骤。否则，迭代次数加1，返回(2)。
步骤三，初始化量子个体，种群规模为H，在第z次迭代，第i个量子个体的量子态为
Figure GDA0001390316920000092
所有量子个体量子态的量子位均被初始化为
Figure GDA0001390316920000093
第i个量子个体的第k个量子位的测量方程为
Figure GDA0001390316920000094
Figure GDA0001390316920000095
为均匀分布在[0，1]之间的随机数。把第一个量子个体的二进制测量态
Figure GDA0001390316920000096
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量子位测量得到二进制态
Figure GDA0001390316920000097
步骤四，构造和计算适应度函数，根据不同的CDMA系统，可以设计使用不同的适应度加权系数，令
Figure GDA0001390316920000098
计算每个量子个体的适应度函数值。把至今所找到的全局最优解记作
Figure GDA0001390316920000099
步骤五，使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态。第i个量子个体的第k个量子旋转角为
Figure GDA00013903169200000910
ck为[0,1]之间的常数,sign3为3值判决输出函数。第i个量子个体的第k个量子旋转门为
Figure GDA00013903169200000911
对量子态测量得到二进制态
Figure GDA00013903169200000912
步骤六，对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解。
基于演化混沌加扰的量子神经网络的多用户检测的演化过程介绍如下：
(1)演化混沌加扰的量子神经网络初始化。通过参数设置把要解决的最优多用户检测问题映射到Hopfield神经网络，可进一步将Hopfield神经网络映射到混沌量子神经网络，演化混沌加扰的量子神经网络和混沌量子神经网络的能量函数相同。把量子个体当前的二进制测量态作为演化混沌加扰的量子神经网络的初始二进制输入。
(2)演化混沌加扰的量子神经网络依次选取量子神经元和其对应的量子偏置以进行异步更新，初始时，令t＝0。
(3)更新演化混沌加扰的量子神经网络确定量子旋转角，第k个量子神经元在第(t+1)次迭代的旋转角为
Figure GDA0001390316920000101
其中k＝1,2,...,K，hkt＝(gd-0.5)Ca/[K(t-1)+k],gd＝gK(t-1)+k为根据Logist映射生成的混沌变量，gd＝4gd-1(1-gd-1)，混沌方程的初值是满足约束为g1∈(0,1),g1≠0.5,0.25,0.75的均匀随机数，Ca为正常数，
Figure GDA0001390316920000102
超过区间需要钳值在区间[-π/2,π/2]的边界值，然后按公式
Figure GDA0001390316920000103
求出第k个量子神经元的量子输入。
(4)按公式
Figure GDA0001390316920000104
其中k＝1,2,...,K，sign2[·]代表二值判决函数，对
Figure GDA0001390316920000105
与0比较进行判决得到量子神经元的二进制输出值
Figure GDA0001390316920000106
(5)判断演化混沌加扰的量子神经网络是否达到稳定状态(可设置每个量子神经元最大更新次数为t2max)，若否，令t＝t+1，转至步骤(3)；若是，则停止演化混沌加扰的量子神经网络的运行，获得优秀的二进制近似最优解。
步骤七，根据二进制态，计算每个量子个体的适应度函数值。把至今所找到的全局最优解记作
Figure GDA0001390316920000107
步骤八，判断量子种群中个体是否达到最大迭代次数zmax，是，则迭代停止，输出多用户检测的最优结果，否则迭代次数加1，返回步骤五。
最佳多用户检测器记作OMD，传统多用户检测器记作CD，量子Hopfield神经网络多用户检测器记作QHNN，本发明所设计的演化混沌量子神经网络多用户检测器记作ECQNN。从仿真图中可以看出所设计的多用户检测器的抗多址干扰能力和抗远近效应能力优于CD和QHNN，达到了OMD的抗干扰和抗远近效应的能力。所设计的ECQNN的收敛性能远好于CD和QHNN两种多用户检测器设计方法。
仿真基于DS-CDMA通信系统，用户数为10，采用31位的Gold序列作为扩频序列，扩频序列的最大的归一化互相关系数为9/31。在仿真过程中使用的多用户检测器有:最优多用户检测器(OMD)；传统多用户检测器(CD)；量子Hopfield神经网络多用户检测器(QHNN)；CD和OMD多用户检测器的模型和参数设置同《计算机工程》(2007,Vol.33,No.10,pp.196-198)上发表的“基于神经网络量子算法的多用户检测器”；QHNN的参数设置同专利专利文件“基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法”。所设计的演化混沌量子神经网络多用户检测(ECQNN)的参数设置如下：
Figure GDA0001390316920000108
H＝5，t1max＝40，t1max＝10，zmax＝5，ε＝5，α＝1，β＝0.99，η＝1，ck＝0.1，Ca＝1。

Claims (3)

1.一种基于演化混沌量子神经网络的最优多用户检测方法，其特征是：
步骤一，建立最优多用户检测模型
1).DS-CDMA多用户检测模型
假定有K个正在通信的用户，则在时刻
Figure RE-FDA0001318599610000011
基站接收到的信号
Figure RE-FDA0001318599610000012
为
Figure RE-FDA0001318599610000013
其中：M为处理数据长度，T为发送信号间隔，Ak(m)为第k个用户到达基站时第m个比特的信号幅值，bk(m)∈{-1,1}为第k个用户发送的第m个比特信息，
Figure RE-FDA0001318599610000014
为第k个用户的扩频波形，τk∈[0,T)为第k个用户的信号时延，
Figure RE-FDA0001318599610000015
为功率谱密度为N0/2的高斯白噪声；
对于同步高斯信道τk＝0,k＝1,2,…,K，M＝1；K个用户的匹配滤波器输出的向量形式为y＝[y1,y2,…yK]T，y＝RAb+n，其中
Figure RE-FDA0001318599610000016
R是不同用户特征波形的相关矩阵,其元素表示为
Figure RE-FDA0001318599610000017
A＝diag(A1,A2,…,AK)是以{A1,A2,…,AK}为对角线元素的对角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量；
最佳多用户检测器输出向量为：
Figure RE-FDA0001318599610000018
构造最大值函数为
Figure RE-FDA0001318599610000019
2).MC-CDMA多用户检测模型
假设有K个用户和N个载波在同一时隙被激活，每个用户有独一无二的特征码，用户k传输的符号经过归一化的扩频码βk＝[β1k,β2k,…,βNk]T进行频域扩频后，由N点的逆傅里叶变换进行基带调制，在加入循环保护前缀间隔和实现并串转换后，信号从发射天线发射出去，在基站接收端，接收天线输出的信号经串并转换和去保护前缀后，通过离散傅里叶变换进行解调，假定第k个用户被激活，基站接收端在一个多载波符号持续期内收到的频域信号为
Figure RE-FDA00013185996100000110
其中，Hnk为用户k到达基站时在第n个子载波上的信道频域响应，bk(Ɩ)∈{-1,1}为第k个用户在第Ɩ个多载波符号期内传输的符号，nnk(Ɩ)为第k个用户的第n个子载波在第Ɩ个多载波符号期内接收到的采样噪声，第k个用户的接收信号采样矩阵表达方式为rk＝HkAkbk+nk，式中，rk＝[r1k,r2k,…,rNk]T为第k个用户接收信号的采样向量，Hk＝[β1kH1k,β2kH2k,…,βNkHNk]T为用户k的等效频域矩阵，噪声分量nk(t)＝[n1k,n2k,…,nNk]T为高斯白噪声，所有K个用户被激活时，基站接收到的频域信号为
Figure RE-FDA0001318599610000021
其中H＝[H1,H2,…,HK]，b＝[b1,b2,…,bK]T；A＝diag(A1,A2,…,AK)是对角矩阵；
高斯噪声环境下，MC-CDMA最佳多用户检测器就是找出一个信号序列，使给定输出序列的似然函数最大，其输出表示为：
Figure RE-FDA0001318599610000022
其中Re()代表取实部运算，则构造MC-CDMA系统的目标函数为
Figure RE-FDA0001318599610000023
步骤二，初始化混沌量子神经网络的初始参数，把多用户检测的极大似然方程映射为混沌量子神经网络的能量函数，激活混沌量子神经网络获得近似最优解，对于某一优化问题，若Hopfield神经网络的能量函数为
Figure RE-FDA0001318599610000024
设
Figure RE-FDA0001318599610000025
Figure RE-FDA0001318599610000026
则混沌量子神经网络和演化混沌加扰的量子神经网络的能量函数定义为
Figure RE-FDA0001318599610000027
其中，wkj＝wjk，wkk＝0，量子神经元输出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为v＝[v1,v2,…,vK]T，网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络输出的量子态矢量为
Figure RE-FDA0001318599610000028
k＝1,2,...,K，第t次迭代量子神经网络输出的二进制状态为
Figure RE-FDA0001318599610000029
量子神经元k的外部量子输入又称作量子偏置定义为Ik，则第k个量子神经元在第t次迭代的状态为
Figure RE-FDA00013185996100000210
步骤三，初始化量子个体，种群规模为H，在第z次迭代，第i个量子个体的量子态为
Figure RE-FDA00013185996100000211
i＝1,2,…,H，
Figure RE-FDA00013185996100000212
k＝1,2,…,K，所有量子个体量子态的量子位均被初始化为
Figure RE-FDA00013185996100000213
第i个量子个体的第k个量子位的测量方程为
Figure RE-FDA00013185996100000214
Figure RE-FDA00013185996100000215
为均匀分布在[0，1]之间的随机数；把第一个量子个体的二进制测量态
Figure RE-FDA0001318599610000031
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量子位测量得到二进制态
Figure RE-FDA0001318599610000032
i＝2,3,…,H；
步骤四，构造和计算适应度函数，令
Figure RE-FDA0001318599610000033
η∈{0,1}，计算每个量子个体的适应度函数值，把所找到的全局最优解记作
Figure RE-FDA0001318599610000034
步骤五，使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态，第i个量子个体的第k个量子旋转角为
Figure RE-FDA0001318599610000035
i＝1,2,…,H，k＝1,2,…,K，ck为[0,1]之间的常数,sign3为3值判决输出函数；第i个量子个体的第k个量子旋转门为
Figure RE-FDA0001318599610000036
对量子态测量得到二进制态
Figure RE-FDA0001318599610000037
步骤六，对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；
步骤七，根据二进制态，计算每个量子个体的适应度函数值，把所找到的全局最优解记作
Figure RE-FDA0001318599610000038
步骤八，判断量子种群中个体是否达到最大迭代次数zmax，是，则迭代停止，输出多用户检测的最优结果，否则迭代次数加1，返回步骤五。
2.根据权利要求1所述的基于演化混沌量子神经网络的最优多用户检测方法，其特征是混沌量子神经网络的演化步骤为:
(1)首先初始化混沌量子神经网络的参数，把要解决的优化问题映射到量子空间，初始时，令t＝0；
(2)更新混沌量子神经网络的动态方程为
Figure RE-FDA0001318599610000039
Figure RE-FDA00013185996100000310
其中，wkj表示量子连接权系数，wkj＝wjk且wkk＝0；
Figure RE-FDA00013185996100000311
是能量函数梯度收敛项的尺度因子，
Figure RE-FDA00013185996100000312
α为神经网络的衰减因子，0≤α≤1；ek(t)为自反馈连接权；β为时变参量
Figure RE-FDA00013185996100000314
的衰减因子，0≤β≤1；ε表示输出的锐度参数，量子旋转角
Figure RE-FDA00013185996100000313
钳值在[-π/2,π/2]；
(3)判断是否达到终止迭代次数，若是，则令
Figure RE-FDA0001318599610000041
其中，sign2(·)代表二值判决函数，t1max为每个神经元最大迭代次数，迭代终止，执行下一步骤；否则，迭代次数加1，返回(2)。
3.根据权利要求2所述的基于演化混沌量子神经网络的最优多用户检测方法，其特征是基于演化混沌加扰的量子神经网络的多用户检测的演化过程具体包括：
(1)演化混沌加扰的量子神经网络初始化，通过参数设置把要解决的最优多用户检测问题映射到Hopfield神经网络，进一步将Hopfield神经网络映射到混沌量子神经网络，演化混沌加扰的量子神经网络和混沌量子神经网络的能量函数相同；把量子个体当前的二进制测量态作为演化混沌加扰的量子神经网络的初始二进制输入；
(2)演化混沌加扰的量子神经网络依次选取量子神经元和其对应的量子偏置以进行异步更新，初始时，令t＝0；
(3)更新演化混沌加扰的量子神经网络确定量子旋转角，第k个量子神经元在第(t+1)次迭代的旋转角为
Figure RE-FDA0001318599610000042
其中k＝1,2,...,K，hkt＝(gd-0.5)Ca/[K(t-1)+k],gd＝gK(t-1)+k为根据Logist映射生成的混沌变量，gd＝4gd-1(1-gd-1)，混沌方程的初值是满足约束为g1∈(0,1),g1≠0.5,0.25,0.75的均匀随机数，Ca为正常数，
Figure RE-FDA0001318599610000043
超过区间需要钳值在区间[-π/2,π/2]的边界值，然后按公式
Figure RE-FDA0001318599610000044
求出第k个量子神经元的量子输入；
(4)按公式
Figure RE-FDA0001318599610000045
其中k＝1,2,...,K，sign2[·]代表二值判决函数，对
Figure RE-FDA0001318599610000046
与0比较进行判决得到量子神经元的二进制输出值
Figure RE-FDA0001318599610000047
(5)判断演化混沌加扰的量子神经网络是否达到稳定状态，若否，令t＝t+1，转至步骤(3)；若是，则停止演化混沌加扰的量子神经网络的运行，获得优秀的二进制近似最优解。
CN201710436096.XA 2017-06-12 2017-06-12 基于演化混沌量子神经网络的最优多用户检测方法 Active CN107231214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710436096.XA CN107231214B (zh) 2017-06-12 2017-06-12 基于演化混沌量子神经网络的最优多用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710436096.XA CN107231214B (zh) 2017-06-12 2017-06-12 基于演化混沌量子神经网络的最优多用户检测方法

Publications (2)

Publication Number Publication Date
CN107231214A CN107231214A (zh) 2017-10-03
CN107231214B true CN107231214B (zh) 2020-07-28

Family

ID=59935801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710436096.XA Active CN107231214B (zh) 2017-06-12 2017-06-12 基于演化混沌量子神经网络的最优多用户检测方法

Country Status (1)

Country Link
CN (1) CN107231214B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241778A (zh) * 2017-12-29 2018-07-03 中国科学技术大学 量子纯态重构的最优观测算符集的构造方法
CN108540267B (zh) * 2018-04-13 2020-10-02 北京邮电大学 一种基于深度学习的多用户数据信息检测方法及装置
CN108880734B (zh) * 2018-04-28 2020-05-15 哈尔滨工程大学 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法
CN109063359A (zh) * 2018-08-16 2018-12-21 燕山大学 一种循环流化床锅炉燃烧过程的动态建模方法
CN110190959B (zh) * 2019-06-28 2021-05-07 中南大学 基于连续变量量子神经网络的加解密方法
CN110991648B (zh) * 2019-12-16 2024-01-23 北京百度网讯科技有限公司 一种高斯分布量子态确定方法、装置以及电子设备
CN111832732B (zh) * 2020-06-30 2021-08-06 深圳市永达电子信息股份有限公司 一种基于本征态的数字量子比特制备装置和方法
CN112800667B (zh) * 2021-01-20 2022-04-08 广西大学 一种平行并行量子人工情感深度学习的多层电压控制方法
CN112884154B (zh) * 2021-01-21 2023-10-13 本源量子计算科技（合肥）股份有限公司 量子态的分辨方法、装置和系统、量子测控系统和计算机
CN113377335B (zh) * 2021-05-14 2022-07-01 长沙理工大学 一种伪随机数发生器、伪随机数发生方法、处理器芯片
CN113517040B (zh) * 2021-07-12 2022-03-15 北京百度网讯科技有限公司 量子本征求解器的实现方法、装置及电子设备
CN115622774B (zh) * 2022-08-08 2024-01-12 付舒丛 基于改进的粒子群算法优化的支持向量机的数据加密传输的电子商务交易系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1862982A (zh) * 2006-03-09 2006-11-15 南京邮电大学 量子神经网络用于多用户检测的方法
CN103795436A (zh) * 2014-02-24 2014-05-14 哈尔滨工程大学 基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1862982A (zh) * 2006-03-09 2006-11-15 南京邮电大学 量子神经网络用于多用户检测的方法
CN103795436A (zh) * 2014-02-24 2014-05-14 哈尔滨工程大学 基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于神经网络量子算法的多用户检测器》;高洪元等;《计算机工程》;20070531;第33卷(第10期);全文 *
Multiuser Detection Using the Clonal Selection Algorithm and Hopfield Neural Network;Ma Jie等;《IEEE》;20061231;全文 *

Also Published As

Publication number Publication date
CN107231214A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107231214B (zh) 基于演化混沌量子神经网络的最优多用户检测方法
Ertin et al. Maximum-likelihood-based multipath channel estimation for code-division multiple-access systems
Ren et al. Performance improvement of chaotic baseband wireless communication using echo state network
Liao et al. A novel physical layer authentication method with convolutional neural network
Safi et al. Higher order cumulants for identification and equalization of multicarrier spreading spectrum systems
CN113452408A (zh) 一种网台跳频信号分选方法
Smith et al. A communication channel density estimating generative adversarial network
Le et al. BER of OFDM with diversity and pulse shaping in Rayleigh fading environments
CN114422311A (zh) 联合深度神经网络和专家先验特征的信号调制识别方法及系统
Zhang et al. Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding
Khudhair et al. Reduction of the noise effect to detect the DSSS signal using the artificial neural network
Wang et al. A Bayesian approach to adaptive RAKE receiver
Qian et al. Modulation classification based on cyclic spectral features and neural network
Mahmood et al. A design of extreme learning machine based receiver for 2× 2 MIMO-OFDM system
Song et al. Data detection in MIMO systems with cochannel interference
Nooraiepour et al. A hybrid model-based and learning-based approach for classification using limited number of training samples
Wang et al. An adaline neural network-based multi-user detector improved by particle swarm optimization in CDMA Systems
Turan et al. Reproducible evaluation of neural network based channel estimators and predictors using a generic dataset
Umamaheswari et al. Improved whale optimized MLP neural network-based learning mechanism for multiuser detection in MIMO communication system
CN113541726B (zh) 一种基于循环神经网络的码索引扩频水声通信方法
Rajabpour et al. Adaptive multiuser detection in DS/CDMA systems using generalized regression neural network
Yu et al. Finite-alphabet signature design for grant-free NOMA using quantized deep learning
Chen et al. Reduce the Correlation Phenomena over Massive-MIMO System by Deep Learning Algorithms
Ravikumar et al. Optimizing Nonlinear Distortion and Interference in MC-CDMA Receivers Employing Deep Neural Networks
Meng et al. Demodulation of Unitary Space-Time Modulated Signals Based on Deep Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant