CN109150237B - 一种鲁棒多用户检测器设计方法 - Google Patents

Abstract

本发明涉及一种鲁棒多用户检测器设计方法，解决的是冲击噪声信道环境下传统多用户检测器误码率大的技术问题，通过初始化算法参数；使用对立学习法初始化父代种群，确定父代种群中的三狼；使用改进的灰狼算法位置更新方程更新父代种群，并将种群个体按照适应度值从大到小进行排序；利用父代种群产生子代交叉变异体，当子代变异体适应度值优于父代种群时，将所述子代变异个体的进化方向以及成功交叉变异概率信息进行位置信息作差，得到新的进化方向信息并保存，同时更新三狼位置；采用Huber理论并利用残差的非快增函数对冲击噪声信道下多用户检测器进行设计的技术方案，较好的解决了该问题，可用于多用户检测器设计中。

Description

一种鲁棒多用户检测器设计方法

技术领域

本发明涉及扩频通信信号处理领域中的多用户检测领域，具体涉及一种鲁棒多用户检测器设计方法。

背景技术

码分多址(CDMA)是扩频通信领域常见的通信制式，被广泛应用于卫星导航、移动通信等诸多领域。但是，CDMA系统存在着多址干扰和远近效应的问题，二者是影响CDMA通信容量和性能的主要因素。多用户检测(MUD)思想的提出，有效地抑制了二者对系统的不良影响。CDMA系统的多用户检测问题可以看作是一个NP组合的群体最优化问题，多用户检测的目的主要是为了实现对目标用户数据信息的提取，而数据信息的正确估计组合可以通过多用户检测算法通过迭代或者训练的方式得到。智能优化算法作为一种寻优能力极强的离散优化算法，例如遗传算法、粒子群优化算法、模拟遗传退火算法等均可用于解决此类问题。

智能优化算法属于自主迭代型寻优算法，具有结构清晰、操作简便、寻优精度自设置等优点。但是不同的智能优化算法在迭代速度、寻优精度方面却存在很大区别，单一的智能算法存在寻优解局部收敛，抗数据噪声性能差等问题导致的寻优结果不可靠的问题。比如遗传算法寻优结果的可靠性与初始化参数交叉概率、种群大小、迭代次数存在紧密联系，如果初始化参数设置不当，遗传算法将提前收敛到局部最优解，出现算法寻优过程的停滞状态。所以为了避免出现上述问题，通常考虑采用某种规则对单一智能算法进行有效融合，从而有效增强算法的寻优精度和可靠性。另外，根据没有免费的午餐定理，并不存在一种智能算法可以完美解决所有类型的寻优问题，对于不同的寻优问题，同样的智能算法可能表现出不同的性能，所以在设计一种智能算法时，需要考虑其实际应用到某个问题上的效果，具体问题具体分析，要将智能算法代入问题对象，进行相应的实际性能测试和验证。

目前，多用户检测器设计采用高斯信道建模下的多用户检测器，存在使得通信系统误码率增加大的技术问题。

发明内容

本发明所要解决的技术问题是现有多用户检测器在实际冲击无线信道通信环境下存在的通信系统误码率大的技术问题。提供一种新的鲁棒多用户检测器设计方法，该鲁棒多用户检测器设计方法具有算法寻优结果的可靠性好、通信系统误码率增长小的特点。

为解决上述技术问题，采用的技术方案如下：

一种鲁棒多用户检测器设计方法，所述方法包括：

步骤1，初始化算法的相关参数，设置交叉概率和变异因子的均值参数、种群大小及最大迭代次数；

步骤2，使用对立学习法初始化父代种群，确定父代种群中的三狼，三狼包括适应度最好的解命名为α狼，次优解命名为β狼，第三优解命名为δ狼；

步骤3，使用改进的灰狼算法位置更新方程更新父代种群，并将种群个体按照适应度值从大到小进行排序；

步骤4，利用父代种群产生子代交叉变异体，当子代变异体适应度值优于父代种群时，将所述子代变异个体的进化方向以及成功交叉变异概率信息进行位置信息作差，得到新的进化方向信息并保存，同时更新三狼位置；

步骤5，将更新后的父代种群与步骤2初始化时得到的三狼个体进行适应度比较；如果更新后的父代种群存在优于初始化父代种群任一一个狼的适应度的个体，则将更新后的父代种群对应的个体所对应的上一步的变异个体与对应狼种的位置信息作差以得到新的进化方向信息并保存，同时更新父代种群中的三狼位置；

步骤6，迭代结束则终止循环，输出α狼的最优位置信息；否则返回执行步骤4。

上述方案中，为优化，进一步地，步骤2中的对立学习法的思想模型为：

的取值范围为[l,u]，k＝α,β,δ，γ是0到1之间服从均匀分布的随机数；

将思想模型中生成的

与

的组合作为灰狼优化算法的初始样本集合。

进一步地，步骤3中改进的灰狼算法的位置更新方程为

其中，X_srch为取值范围为[-6,6]之间的随机整数a₁,a₂,a₃分别对应α狼、β狼和δ狼的适应度函数值大小。

使用

及

判决估计序列。

进一步地，步骤中利用父代种群产生子代交叉变异体采用的方法：

步骤4.1，定义A代表被淘汰个体组成的集合，P代表当前迭代中种群元素组成的集合；

步骤4.2，计算出变异方向向量为

其中，

代表从算法开始执行到当前的种群适应度大小为前100p％的群体中任意提取的一个个体，p∈(0,1]。x_i,g和x_r1,g分别表示当前迭代的个体和从集合P 中任意选择的个体，

属于从集合A与集合P的并集中任意选取的个体；

步骤4.3，计算交叉概率CR_i和变异因子F_i

CR_i＝randn_i(u_CR,0.1)

F_i＝randn_i(u_F,0.1)

其中，randn(.)代表正态分布函数，u_CR＝(1-c)·u_CR+c·mean_A(S_CR)， u_F＝(1-c)·u_F+c·mean_L(S_F)；c为0到1之间的常数，S_CR和S_F分别表示在算法迭代过程中成功执行变异操作的交叉概率和变异因子的集合，mean_A表示求取算数平均值，mean_L表示求取Lehmer平均值

进一步地，步骤5包括采用Huber理论，利用残差的非快增函数对冲击噪声信道下多用户检测器进行设计。

进一步地，所述多用户检测器的适应度函数为

E值取为0.1。

传统CDMA通信系统的多用户检测模型为

多用户检测模型表示系统用户数为N,在某时刻用户接收机接收到的信号；T 为用户的伪码传输周期；A_k为第k个用户信号到达基站时的幅度；b_k[i]∈{1,-1}为第 k个用户传输的数据信息；n(t)为信道噪声；s_k(t)为分配给第k个用户的归一化特征波形。考虑一个比特周期内的信号检测，在接收端按单位码片长度的传输时间进行采样，可以得到系统输出样本矩阵

r＝SAb+n

其中，S＝[s₁,...,s_k]，A＝diag(A₁,...,A_k)，b＝[b₁,...,b_k]^T，n＝[n₁,...,n_k]^T代表冲击噪声向量。

为验证冲击噪声信道下算法的抗噪性能，本发明采用α稳定分布模型对冲击噪声进行建模。α稳定分布的特征函数表示为

其中，α∈(0,2]是特征因子，表示稳定分布概率密度函数的甩尾程度，其值越小表示拖尾越厚，脉冲幅度越大；β∈[-1,1]为对称参数，表征随机变量分布的对称程度；γ＞0为分散系数，表示随机变量偏离其均值的程度；-∞＜u＜∞为位置系数。

灰狼优化算法通过模拟灰狼种群的等级制度，将算法搜索过程中得到的寻优结果根据其适应度函数值从大到小依次进行排列，并从中选取适应度最好的解命名为α狼，次优解命名为β狼，第三优解命名为δ狼，剩下的解为ω狼。灰狼优化算法的狩猎过程主要包括搜索、跟踪追赶、围捕猎物。

狼群围捕攻击对象行为的数学模型为

D＝|C.X_p(t)-X(t)|

X(t+1)＝X_p(t)-A.D

其中，D表示灰狼个体与猎物X_P(t)(目标位置)的距离，上式表示灰狼个体的位置更新方程，t代表当前算法迭代的次数，A和C为系数向量，X_p代表猎物的位置，X为灰狼的位置向量。向量A和C可以由下式计算得到，其中r₁和r₂为 [0,1]范围内的随机数。

A＝2a.r₁-a

C＝2.r₂

系数a称作收敛因子，它随着迭代次数的变化从2线性递减到0，由下式表示，其中max代表最大迭代次数。

当灰狼群体确定了猎物的位置后，由α狼带领β狼和δ狼对猎物(目标位置) 进行包围，ω狼与三者的位置距离信息由下列公式来确定：

D_α＝|C₁.X_α-X|

D_β＝|C₂.X_β-X|

D_δ＝|C₃.X_δ-X|

其中，X_α、X_β、X_δ、X分别表示α狼、β狼、δ狼和ω狼的当前位置。灰狼群体的位置信息由下列公式更新

X₁＝X_α-A₁.D_α

X₂＝X_β-A₂.D_β

X₃＝X_δ-A₃.D_δ

步骤3中改进的灰狼算法位置更新方程为

X_srch为取值范围为[-6,6]之间的随机整数，a₁,a₂,a₃分别对应α狼、β狼和δ狼的适应度函数值大小。

为防止局部收敛，采用下列公式判决估计序列

JADE算法是一种基于“DE/current-to-pbest”变异策略和参数自适应调整的差分进化算法。假设A代表被淘汰个体组成的集合，P代表当前迭代中种群元素组成的集合，则“DE/current-to-pbest”变异方向向量为

其中，

代表从算法开始执行到当前的种群适应度大小为前100p％的群体中任意提取的一个个体，p∈(0,1]。x_i,g和x_r1,g分别表示当前迭代的个体和从集合P 中任意选择的个体，

属于从集合A与集合P的并集中任意选取的个体。

JADE算法的交叉概率CR_i和变异因子F_i由下式计算得到

CR_i＝randn_i(u_CR,0.1)

F_i＝randn_i(u_F,0.1)

randn(.)代表正态分布函数。u_CR和u_F被初始化设置为0.5，二者依据下式进行参数更新

u_CR＝(1-c)·u_CR+c·mean_A(S_CR)

u_F＝(1-c)·u_F+c·mean_L(S_F)

其中，c为0到1之间的常数，通常令c的取值满足条件

S_CR和S_F分别表示在算法迭代过程中成功执行变异操作的交叉概率和变异因子的集合， mean_A表示求取算数平均值，mean_L表示求取Lehmer平均值

最终，针对冲击噪声特殊环境，本发明提出一种鲁棒多用户检测器，该检测器根据huber理论，利用残差的非快增函数ρ之和表示为

M估计器的huber罚函数表示为

其中，取

z_j值大小与γ值相关，设

γ代表噪声离差。

可以进一步得到多用户检测适应度函数为

E值取为0.1。。

本发明的有益效果：本发明将灰狼优化算法与JADE算法进行融合，利用群体个体的进化方向信息增强了算法的寻优能力，并且算法保留了淘汰个体和进化个体信息，丰富了群体的多样性，可以防止算法陷入局部收敛。同时本发明针对冲击噪声的应用场景，重新提出了一种鲁棒多用户检测器，与传统多用户检测器相比，本发明设计所得的多用户检测器抗冲击噪声性能更强。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，为实施例方法流程示意图；

图2，为系数CR、F与误码率关系图；

图3，为系数c、p与误码率关系图；

图4为实施例方法和传统方法迭代次数与误码率关系图；

图5，为实施例方法和传统方法在不同信噪比环境下误码率变化图；

图6，为实施例方法和传统方法在不同远近比条件下误码率变化图；

图7，为实施例方法和传统方法在不同通信用户数下误码率变化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种鲁棒多用户检测器设计方法，如图1，所述方法包括：

步骤1，初始化算法的相关参数，设置交叉概率和变异因子的均值参数、种群大小及最大迭代次数；

步骤2，使用对立学习法初始化父代种群，确定父代种群中的三狼，三狼包括适应度最好的解命名为α狼，次优解命名为β狼，第三优解命名为δ狼；

步骤3，使用改进的灰狼算法位置更新方程更新父代种群，并将种群个体按照适应度值从大到小进行排序；

步骤4，利用父代种群产生子代交叉变异体，当子代变异体适应度值优于父代种群时，将所述子代变异个体的进化方向以及成功交叉变异概率信息进行位置信息作差，得到新的进化方向信息并保存，同时更新三狼位置；

步骤5，将更新后的父代种群与步骤2初始化时得到的三狼个体进行适应度比较；如果更新后的父代种群存在优于初始化父代种群任一一个狼的适应度的个体，则将更新后的父代种群对应的个体所对应的上一步的变异个体与对应狼种的位置信息作差以得到新的进化方向信息并保存，同时更新父代种群中的三狼位置；

步骤6，迭代结束则终止循环，输出α狼的最优位置信息；否则返回执行步骤4。α狼对应算法寻优结果的全局最优解，可以通过前述的多用户检测器的适应度函数大小进行判断，适应度函数值越大，寻优结果的可靠性也就越强。

交叉概率和变异因子的均值参数决定群体个体变异的门限，二者的数值越低群体生成新个体的概率越低，算法种群个体的丰富性也会减小；种群大小的数值决定算法种群的丰富性，种群数越大，算法种群丰富性越强，但是算法的收敛速度也会因此变慢；最大迭代次数决定算法的收敛速度，最大迭代次数数值越大，算法寻优结果的精度也就越高，但收敛速度也将变慢。

对立学习法的主要思想是，将群体个体在其取值范围内加入随机数据扰动以保证群体个体的丰富性，这样可以进一步避免算法初始群体个体的单一性导致的算法寻优结果的局部收敛。

本实施例所提出的改进灰狼位置更新方程的主要思想是，保留原灰狼算法个体中的成功进化方向信息，该信息的保留可以引导灰狼个体朝着整体最优的方向进行寻优进化。

步骤5同样涉及到对个体进化方向的利用，通过算法的作差操作，可以进一步增强三狼个体对灰狼群体发挥的领导和决策作用，结合JADE算法对群体个体丰富性的保障作用，有效避免算法的局部收敛现象，以及确保算法寻优结果的可靠性。

具体地，步骤2中的对立学习法的思想模型为：

的取值范围为[l,u]，k＝α,β,δ，γ是0到1之间服从均匀分布的随机数；将思想模型中生成的

与

的组合作为灰狼优化算法的初始样本集合。

具体地，步骤3中改进的灰狼算法的位置更新方程为

其中，X_srch为取值范围为[-6,6]之间的随机整数，a₁,a₂,a₃分别对应α狼、β狼和δ狼的适应度函数值大小。

使用

及

判决估计序列。

具体地，步骤中利用父代种群产生子代交叉变异体采用的方法：

步骤4.1，定义A代表被淘汰个体组成的集合，P代表当前迭代中种群元素组成的集合；

步骤4.2，计算出变异方向向量为

其中，

代表从算法开始执行到当前的种群适应度大小为前100p％的群体中任意提取的一个个体，p∈(0,1]。x_i,g和x_r1,g分别表示当前迭代的个体和从集合P 中任意选择的个体，

属于从集合A与集合P的并集中任意选取的个体；

步骤4.3，计算交叉概率CR_i和变异因子F_i

CR_i＝randn_i(u_CR,0.1)

F_i＝randn_i(u_F,0.1)

其中，randn(.)代表正态分布函数，u_CR＝(1-c)·u_CR+c·mean_A(S_CR)， u_F＝(1-c)·u_F+c·mean_L(S_F)；c为0到1之间的常数，S_CR和S_F分别表示在算法迭代过程中成功执行变异操作的交叉概率和变异因子的集合，mean_A表示求取算数平均值，mean_L表示求取Lehmer平均值

具体地，步骤5包括采用Huber理论，利用残差的非快增函数对冲击噪声信道下多用户检测器进行设计。

详细地，所述多用户检测器的适应度函数为

E值取为0.1。

JADE算法是一种基于个体进化方向思想的智能算法，该算法记录了算法所有迭代过程中成功变异的个体的进化方向信息，这样就丰富了算法种群的类型，同时也增强了寻优结果的可靠性。另外，JADE算法的初始化参数可以实现自适应调整，也就是说初始化参数大小可以随着寻优过程的变化而进行相应的优化，这相对于传统智能算法对初始化参数设置较为敏感的特点相比具有极其明显的优势。

下面通过具体仿真实例，对本发明的性能进行说明。

仿真实例1：

为证明本实施例所采用的算法的初始化参数设置对误码率影响不大，假设在所有用户的信号功率相等，用户数为10，数据信号传输长度10000bit，广义信噪比为5db时，迭代次数为5时，采用混合灰狼优化算法进行多用户检测，初始化参数的设置与误码率大小的关系如图2和图3所示。仿真实验结果表明，由于本实施例所采用的算法的初始化参数可以实现自适应调整，因此算法涉及的四个参数对误码率影响不大，从图中可以看出误码率的波动范围仅为 0.015％～0.02％。

仿真实例2：

为验证本实施例设计的方法较之传统方法的优越性，仿真实例将从多个算法仿真条件对本实施例采用的混合灰狼优化算法(HGWO)进行性能验证。假设当所有用户的信号功率相等，用户数为10，数据信号传输长度为10000bit，广义信噪比为5db时，图4给出了算法迭代次数与解算估计的比特信息正确率之间的关系图。

从图4可以看出，本实施例采用的算法收敛速度极快，迭代次数为5时算法即开始收敛，并且误码率也低。而采用传统的遗传算法、差分进化算法和单一的灰狼优化算法，三者均在20次左右的迭代次数才出现算法收敛，并且可以从图4看出，遗传算法出现了明显的局部收敛现象，误码率较之其他三种算法要高。

同样，假设在所有用户的信号功率相等，用户数为10，数据传输长度为 10000bit时，广义信噪比与各算法传输比特估计正确率的关系如图5所示。从图5可以看出，随着信道环境的改善将使得各算法的误码率大大降低，但HGWO 算法的误码率较其他算法下降得更多。

假设用户1的广义信噪比固定为5db，其他用户均拥有相同大小且变化的信噪比，图6给出了用户1解算出的比特信息正确率与远近比的关系图。从图6 可以看出，在远近效应较为严重时，冲击噪声信道环境下各算法检测性能将出现恶化，但HGWO算法性能稍优于其他算法。

假设在各用户间不存在远近效应，广义信噪比为5db时，通信系统的用户数与比特信息估计正确率的关系如图7所示。从图7可以看出，随着系统用户数的增加，HGWO算法的误码率从0.04变化到0.068，误码率与用户数关系曲线变化较其他算法更加缓慢，这说明采用混合灰狼优化算法系统的通信容量将大大增加，其受用户数增长的影响较小。

本实施例结合灰狼优化算法和JADE算法的优势，在保留寻优群体个体的丰富性条件下，增强了算法寻优过程的探索和开发能力，通过保留个体每次成功进化的方向信息，并将该方向信息作为算法整体寻优的引导方向，同时对立学习法避免了算法在迭代过程中的寻优个体单一性问题。

另外，本实施例针对冲击噪声信道下多用户检测问题，提出一种鲁棒多用户检测器，经过实验仿真证明该检测器具有很好的抗冲击噪声特性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种鲁棒多用户检测器设计方法，其特征在于：所述方法包括：

步骤1，初始化算法的相关参数，设置交叉概率和变异因子的均值参数、种群大小及最大迭代次数；

步骤2，使用对立学习法初始化父代种群，确定父代种群中的三狼，三狼包括适应度最好的解命名为α狼，次优解命名为β狼，第三优解命名为δ狼，剩余的解为ω狼；

步骤2中的对立学习法的思想模型为：

是父代种群中的三狼(k＝α，β，δ分别表示三狼)的适应度值；

的取值范围为[l，u]，k＝α，β，δ，γ是0到1之间服从均匀分布的随机数；将思想模型中生成的

与

的组合作为灰狼优化算法的初始样本集合；

为对立学习法的思想模型，l为常数，u为常数；

步骤3，使用改进的灰狼算法位置更新方程更新父代种群，并将种群个体按照适应度值从大到小进行排序；

改进的灰狼算法的位置更新方程为

使用

及

来判决估计序列；

其中，X_srch为取值范围为[-6，6]之间的随机整数，a₁，a₂，a₃分别对应α狼、β狼和δ狼的适应度函数值大小；

X(t+1)为灰狼群体在t+1时刻的位置；

X₁＝X_a-A₁.D_α，X₂＝X_β-A₂.D_β，X₃＝X_δ-A₃.D_δ，rand为正态分布函数值，i为常数值；

D_α为ω狼与α狼的位置距离，D_β为ω狼与β 狼的位置距离，D_δ为ω狼与δ 狼的位置距离；A₁、A₂、A₃的定义分别是α狼、β狼、δ狼的向量系数；X₁、X₂、X₃为位置函数；

X_α、X_β、X_δ分别表示α狼、β狼、δ狼的当前位置；

为

与

的组合；

步骤4，利用父代种群产生子代交叉变异体，当子代交叉变异体适应度值优于父代种群时，将所述子代交叉变异体的进化方向以及成功交叉变异概率信息进行位置信息作差，得到新的进化方向信息并保存，同时更新三狼位置；

步骤5，将更新后的父代种群与步骤2初始化时得到的三狼个体进行适应度比较；如果更新后的父代种群存在优于初始化父代种群任一一个狼的适应度的个体，则将更新后的父代种群对应的个体所对应的上一步的变异个体与对应狼种的位置信息作差以得到新的进化方向信息并保存，同时更新父代种群中的三狼位置；

步骤6，迭代结束则终止循环，输出α狼的最优位置信息；否则返回执行步骤4。

2.根据权利要求1所述的鲁棒多用户检测器设计方法，其特征在于：步骤4中利用父代种群产生子代交叉变异体采用的方法：

步骤4.1，定义A代表被淘汰个体组成的集合，P代表当前迭代中种群元素组成的集合；

步骤4.2，计算出变异方向向量为

其中，

代表从算法开始执行到当前的种群适应度大小为前100p％的群体中任意提取的一个个体，p∈(0，1]；x_i，g和x_r1，g分别表示当前迭代的个体和从集合P中任意选择的个体，

属于从集合A与集合P的并集中任意选取的个体；

步骤4.3，计算交叉概率CR_i和变异因子F_i

CR_i＝randn_i(u_CR，0.1)

F_i＝randn_i(u_F，0.1)

其中，randn(.)代表正态分布函数，

u_CR＝(1-c)·u_CR+c·mean_A(S_CR)，

u_F＝(1-c)·u_F+c·mean_L(S_F)；

c为0到1之间的常数，S_CR和S_F分别表示在算法迭代过程中成功执行变异操作的交叉概率和变异因子的集合，mean_A表示求取算数平均值，mean_L表示求取Lehmer平均值

3.根据权利要求1所述的鲁棒多用户检测器设计方法，其特征在于：步骤5包括采用Huber理论，利用残差的非快增函数对冲击噪声信道下多用户检测器进行设计；

所述多用户检测器的适应度函数为：

其中，取E值为0.1；ρ为残差的非快增函数，A_k为第k个用户信号到达基站时的幅度，b_k为第k个用户传输的数据信息，S_jk为第k*j大小的归一化特征波形矩阵，K为大于1的常数；r_j为第j个系统输出样本矩阵。

Images