CN109495145B - 一种适用于多输入多输出系统的直接检测多用户信号方法 - Google Patents

Abstract

本发明公开了一种适用于多输入多输出系统的直接检测多用户信号方法，首先将基于有限字符集的多输入多输出系统盲均衡算法转换为一个最优化寻优问题，进利用计算智能中的人工免疫算法(AIS)求解该特定的二次优化问题，从而直接达到信号的盲检测目的。本发明的有益效果是可用于并行盲检测多用户信号，既有增强群体多样性和搜索多个全局最优解的能力，又能维持全局最优。

Description

一种适用于多输入多输出系统的直接检测多用户信号方法

技术领域

本发明涉及高速通信领域，特别涉及一种适用于多输入多输出系统的直接检测多用户信号方法。

背景技术

在高速通信系统中，信号通过信道时，由于受到传输介质、传输条件、线路物理性质等因素的影响，会产生严重的符号间干扰，使得接收端误比特率大大提高。为了提高通信系统的可靠性，常需采用均衡技术以消除符号间干扰。另外，由于高速通信系统的信道往往具有时变特性，传统的均衡技术依赖于周期性发送的训练序列以获取信道信息，消耗了有限的带宽资源。直接检测辨识/均衡由于其不需要训练序列而能取得相同的均衡性能的特性，已经受到广泛的重视。以最小的数据处理量获得最可靠的信息是人们在盲信道均衡领域追求的目标之一，前者是保证占用较少的通信资源，减少对通信容量的负荷；后者保证通信的质量。传统的检测方法，如基于高阶统计量(High Order Statistics,HOS)的检测算法，过采样二阶统计量(Second Order Statistics,SOS)的均衡算法以及有限字符集(Finite Alphabet,FA)的检测算法等都存在一些明显的弱点。如所需数据量大、数学模型复杂、启发式搜索容易导致陷入局部最优、速度慢而且很难收敛、不能自适应等，都有待解决。

另一方面，智能信息处理技术是当今信息科学研究的热点。它的本质就是要通过一些智能算法提取信号中的有用信息，从而实现系统的智能化。计算智能(ComputationalIntelligence，CI)作为智能技术发展的高级阶段，是解决复杂问题的有效方法。产生于人工智能(AI)领域的智能体(Agent)，具有较高的智能性，灵活性和良好的合作能力，因此多智能体系统(Multi-Agent System，MAS)在许多复杂系统管理和控制的应用研究和实践中得到了成功的发展。由于其具有很强的鲁棒性和可靠性，将智能技术研究成果引入到直接检测通信系统多用户信号方法中，为信号直接检测领域的发展提供了新的思路。

发明内容

本发明要解决的技术问题是提供一种增强群体多样性、搜索多个全局最优解的能力且能维持全局最优的检测多用户信号方法。

为解决上述技术问题，本发明是通过以下技术方案实现的：一种适用于多输入多输出系统的直接检测多用户信号方法，包括以下步骤：

步骤1，将K输入/P输出的有限冲激响应系统的基带输出模型定为：

其中，x(n)＝[x₁(n),…,x_P(n)]^T为接收信号，s_K(n)＝[s₁(n),…,s_K(n)]^T为输入信号，v(n)＝[v₁(n)，…，v_P(n)]^T为加性噪声，(H_j)_j＝0,…,M为未知的P×K信道冲激响应矩阵系数，相应的转移函数H(z)中的对应第ij个元素为[H(z)]_ij＝H_ij(z)，

相应的(P×K(M+1))时域矩阵H_P＝[H₀,…,H_M]，s(n)为发送信号，s(n)∈A＝{±1±i}，K为输出子信道的数目，M_i为子信道

的阶数，M＝max{M_i|i＝1,…,q}，q为子信道的个数；

步骤2，建立多输入多输出系统直接检测的最优化问题；

采用L阶FIR滤波器对接收信号进行均衡，把长度为(L+1)P的接收信号向量表示为

(x_L(n))_1×(L+1)P＝(s_M+L(n))_1×K(M+L+1)·Γ_L(H)+v_L(n) (2)

其中，x_L(n)＝[x^T(n),…,x^T(n-L)]，

(2)式中信道卷积矩阵Γ_L(H)是块Toeplitz矩阵，0表示全0矩阵，Γ_L(H)∈R^{K(M+L+1)×P(L+1)}，具体形式为：

为恢复第i个用户发送序列s(n)，构造误差函数

其中均衡器系数

将多输入多输出系统直接检测问题可以转化成优化问题：

其中

是实际检测出来的信号，A表示待检测信号的所属字符集，其值与具体通信调制方式对应；

根据实际情况只取有限长的数据，将式(4)转化为：

其中，x(n)＝X_N，w_i最优时必须满足

则

上标H表示共轭转置运算；

若(X_N ^HX_N)^-1存在，则有

将式(5)式转化为：

其中，

其中I_N为维数为N的单位矩阵，

将信号直接检测问题转换成式(6)的带约束的二次规划问题；

步骤3，将目标函数

定义为抗原，目标函数的多个解为抗体，目标函数的值为亲和度；

步骤4，按照抗体与抗原的亲和度从高到低进行排序，设置克隆机制，抗体与抗原的亲和度为：

[A_new,I_sort]＝sort(A) (7)

其中，A为亲和度组成的向量，A_new为排序后的亲和度向量，I_sort为抗体新的位置，新的抗体群记为AB_new，

I_sort(i)为第i个向量值；

克隆机制为：

其中，Nc为克隆后的自抗体群规模，β为克隆系数，用来控制克隆的规模，

为向下取整运算，AB_new中第i个抗体将产生大小为

的克隆体群C_i；

步骤5，设置变异机制；

变异机制为：

其中，α为变异系数，控制变异的强弱，Nd_i为克隆体群C_i中每个克隆体向量将要发生变异的基因个数，变异后的所有克隆体组成的群体为D；

将原抗体群与变异克隆抗体群合并，亲和度大小排序：E＝sort(AB∪D)，选择E中前N个抗体组成下一代抗体群AB_next；

步骤6，把用户信号相关性作为相似性度量；

定义s_i(n)与s_j(n)相似度为：

其中，J_ij∈(0,1)，

(p²+p+1)为分子上的求和次数。

本发明的有益效果是将有限字符集的多输入多输出系统盲均衡算法转换为一个最优化寻优问题，再利用计算智能中的人工免疫算法求解二次优化问题，从而直接达到信号的盲检测目的，既有增强群体多样性和搜索多个全局最优解的能力，又能维持全局最优。

附图说明

图1为本发明实施例的实施流程图；

图2为本发明的方法(AIS)与线性预报法(LPA)和子空间算法(SSA)的用户1误码率比较；

图3为本发明的方法(AIS)与线性预报法(LPA)和子空间算法(SSA)的用户2误码率比较；

图4为2输入/4输出一阶复数信道；

图5为抑制阈值对算法性能的影响。

具体实施方式

为了使本发明的技术方案更加清楚明白，以下结合附图及实施例，对本发明作进一步详细说明。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。

参考图1，本发明提供一种适用于多输入多输出系统的直接检测多用户信号方法，包括以下步骤：

S1:对于K输入/P输出的有限冲激响应(FIR)系统，其基带输出模型按如下方法建立：

其中，输入的K个用户的信号为：s_K(n)＝[s₁(n),…,s_K(n)]^T，加性噪声v(n)＝[v₁(n),…,v_P(n)]^T接收信号为x(n)＝[x₁(n),…,x_P(n)]^T，上标T表示转置运算。(H_j)_j＝0,…,M是未知的P×K信道冲激响应矩阵系数，相应的转移函数H(z)中的对应第ij个元素为[H(z)]_ij＝H_ij(z)，以及

相应的(P×K(M+1))时域矩阵H_P＝[H₀,…,H_M]。发送信号s(n)∈A＝{±1±i}。K是输出子信道的数目。M＝max{M_i|i＝1,…,q}，M_i是子信道

的阶数，q为子信道的个数。

S2:建立多输入多输出系统直接检测的最优化问题。

当采用L阶FIR滤波器对接收信号进行均衡时，可以把长度为(L+1)P的接收信号向量表示为：

(x_L(n))_1×(L+1)P＝(s_M+L(n))_1×K(M+L+1)·Γ_L(H)+v_L(n) (2)

其中，x_L(n)＝[x^T(n),…,x^T(n-L)]，

式中信道卷积矩阵Γ_L(H)是块Toeplitz矩阵，0表示全0矩阵，Γ_L(H)∈R^{K(M+L+1)×P(L+1)}具体形式为：

为恢复第i个用户发送序列s(n)，构造误差函数

其中均衡器系数

则多输入多输出系统直接检测问题可以转化成如下的优化问题：

其中，

是实际检测出来的信号，A表示待检测信号的所属字符集，其值与具体通信调制方式对应，例如正交相移键控(QPSK)调制信号，则A＝{±1±1j}，此处的j表示虚数单位。

由于实际情况只取有限长的数据，则可将上式作如下转化：

其中，x(n)＝X_N，w_i最优时必须满足

则

上标H表示共轭转置运算。可知若(X_N ^HX_N)^-1存在，则有：

式(5)可化为：

其中，

其中I_N为维数为N的单位矩阵。

最终信号直接检测问题转换成了式(6)的带约束的二次规划问题。

S3:针对多输入多输出系统信号直接检测问题，把目标函数

定义为抗原，目标函数的多个解也就是多个用户信号视为抗体，抗体与抗原之间的匹配程度即目标函数的值作为亲和度。

多输入多输出系统的信号直接检测需要将每个用户都检测出来，而每个用户信号都能使得目标函数最优，即J存在多个最优解。这种存在多个最优值，或者存在一个全局最优解与若干个局部最优解的函数优化称为多峰优化问题。受此免疫机制启发，若将多峰值优化问题的目标函数视为外来入侵的抗原，则问题的多个峰值就相当于不同的抗原决定簇，而免疫响应中产生的多个最佳抗体就是问题的解。

假设产生规模为N的初始抗体群，由于多种不同的抗体可以在多种淋巴组织内分别进化，以达到不同抗原决定簇的亲和度。因此将抗体群分成多个子抗体群，设组数为G，每组包含n＝N/G个抗体。不同的抗体组各自遵循进化过程中的免疫机制，并行的分别进化。由于多峰值优化问题存在多个亲和度高的抗体，因此建立一个记忆细胞库，同时增加记忆细胞的功能。在每一个抗体组中，分别进行克隆选择，超变异，免疫选择后选择n₀个亲和度高的抗体加入记忆细胞库。然后在记忆细胞库中实现抗体与抗体之间的抑制作用，抑制阈值记为δ。重复进行上述过程，直到算法循环的结束条件满足(如达到预先定义的进化代数T或最大亲和度不再变化)为止。最后记忆细胞库中剩余抗体中最优的几个就是所求问题的最优解。

S4:按照抗体与抗原的亲和度进行排序，然后设置克隆机制。

抗体与抗原的亲和度为(抗体按亲和度从高到低重新排序)：

[A_new,I_sort]＝sort(A) (7)

其中，A为亲和度组成的向量，A_new为排序后的亲和度向量，I_sort为抗体新的位置，则新的抗体群

I_sort(i)为第i个向量值，采用如下克隆机制：

其中，Nc为克隆后的自抗体群规模，β为克隆系数，用来控制克隆的规模，

为向下取整运算。抗体群中的抗体事先按照亲和度由高到低排列。AB_new中第i个抗体将产生大小为

的克隆体群C_i，即亲和度越高的抗体，克隆的规模越大，因而算法在很大程度上使高亲和力抗体中的的优秀基因能得以更好的保存和发展。从免疫机理出发，克隆选择仅选择群体中亲和力较高的抗体参与繁殖及突变，而亲和力低的抗体仍存在于免疫系统中，并逐渐消亡。采用克隆选择率参数来控制参与繁殖突变的抗体数。一般选择群体中25％左右的抗体。

S5:类似于克隆机制，设置变异机制。

变异机制如下设置：

其中，α为变异系数，控制变异的强弱，Nd_i为克隆体群C_i中每个克隆体向量将要发生变异的基因个数，变异后的所有克隆体组成的群体为D。该方法中高亲和度的抗体变异率较小，低亲和度的抗体变异率较高，使得高亲和度的抗体能够在较小范围内继续搜索以提高亲和度，而低亲和度的抗体能够扩大搜索范围。

免疫选择则模拟B细胞的自然消亡以及部分亲和度低的抗体的消亡。根据免疫机理一定数量的抗体消亡，与此同时从变异克隆抗体群中选择相同个数的高亲和度的抗体加入抗体群中，形成新一代抗体群AB_next。其选择方式为：首先将原抗体群与变异克隆抗体群合并并按亲和度大小排序：E＝sort(AB∪D)，选择E中前N个抗体组成下一代抗体群AB_next。

S6:利用用户信号相关性作为相似性度量。

在记忆抗体群中，消除在抑制阈值范围内的低亲和度的抗体，同时保持记忆细胞的多样性称为相似性抑制。每个抗体为一个向量，因此使用抗体向量之间的欧式距离来度量抗体之间的相似性程度。由于多个用户信号之间是独立的，因此可以利用用户信号相关性作为相似性度量。

定义s_i(n)与s_j(n)相似度为：

其中，

式(10)不仅考虑抗体本身之间的相似性，还考虑了抗体基因挪位之后的相似性，以确保记忆细胞库中某个抗体向量不是另一抗体向量的简单挪位。因此式(10)将所有信号，挪位信号之间的相关系数求平均，p²+p+1即为分子上的求和次数，最后J_ij∈(0,1)。

相似性阈值的选择对算法结果和性能有影响，影响最终记忆细胞群中的抗体数目和算法能否搜索到所有的峰值。δ较小时，算法对相似个体的抑制能力过大，部分向峰值进化的个体会被优先出现的邻近峰值抑制掉，造成算法不能同时搜索到所有的峰值。δ较大则算法对相似个体的抑制能力弱，虽然能够搜索到所有的峰值，却使得记忆细胞库规模较大，计算量大大增加，收敛速度变慢。

使用本方法进行实验，实验条件如下：

(1)使用2输入/4输出复数信道，如图4所示；

(2)Monte Carlo的实验次数为100；

(3)采用典型信号，QPSK做为实验调制方式；

(4)为了度量算法的性能，采用目标函数最优值和误码率作为性能指标进行比较。

首先对AIS算法参数进行选择，免疫算法的参数与问题的类型有着直接的关系。问题的目标函数越复杂，参数选择就越困难。从理论上讲，不存在一组适用于所有问题的最佳参数值，随着问题特征变化，有效参数的差异往往非常显著。

群体规模数N是群智能算法的控制参数之一，它的选取对算法性能有影响。抗体种群保留了免疫细胞的多样性，从直观上看，种群越大，免疫算法的全局搜索能力越好，但算法计算量也相应增加。一般群体规模在几十到几百之间取值，根据问题的复杂程度不同而取值不同。

克隆扩增决定了算法的搜索能力，主要是影响其搜索能力，其数值越大，局部搜索能力越好，全局能力也有一定提高，但计算量增大。克隆系数β一般取0.05左右。

变异率是影响算法收敛性能的重要参数，为了保证个体变异后不会与其父体产生太大差异，变异概率一般取值较小，以保证种群发展的稳定性。一般取变异率P_m＝0.005～0.10，本文中的变异系数α取0.05。

免疫选择模拟B细胞的自然消亡以及部分亲和度低的抗体的消亡。根据免疫机理一般选择5％的抗体消亡，与此同时从克隆抗体群中选择相同个数的高亲和度的抗体加入抗体群中，形成新一代抗体群。

由于算法无法给出当前找到的解是否是最优的，一般的终止条件可以通过预先规定算法的最大进化次数来确定，也可以探测最后几代是否有改进，若没有则说明寻优已趋于稳定，进化结束。

AIS算法中相似性阈值的选择对算法结果和性能有影响，影响最终记忆细胞群中的抗体数目和算法能否搜索到所有的峰值。抗体群大小设置为P＝100，并分为5组子群(G＝5)，每组选择n₀＝3的抗体加入记忆细胞群库。亲和度阈值设置为40，SNR＝20，δ取不同值进行测试，结果如图5所示，由图可知，δ＝0.29时效果最佳。

图2表示AIS算法与线性预报法(LPA)和子空间算法(SSA)，在不同信噪比下进行误码率比较曲线。AIS算法接受数据长度为50，LPA算法和SSA算法中的平滑因子L取为7，接收数据的长度为2000。结果表明，AIS算法总体性能优于基于二阶统计量的SSA与LPA，且需要的数据比二阶统计量的两种方法少了几个数量级，所以当数据量非常少的情况下AIS算法是存在绝对优势的。

以上实施例仅仅是对本发明的解释，其并不是对本发明的限制，对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围，因此本发明专利的保护范围应以权利要求为准。

Claims (1)

1.一种适用于多输入多输出系统的直接检测多用户信号方法，其特征在于包括以下步骤：

步骤1，将K输入/P输出的有限冲激响应系统的基带输出模型定为：

其中，x(n)＝[x₁(n),…,x_P(n)]^T为接收信号，s_K(n)＝[s₁(n),…,s_K(n)]^T为输入信号，v(n)＝[v₁(n),…,v_P(n)]^T为加性噪声，(H_j)_j＝0,…,M为未知的P×K信道冲激响应矩阵系数，相应的转移函数H(z)中的对应第ij个元素为[H(z)]_ij＝H_ij(z)，

相应的(P×K(M+1))时域矩阵H_P＝[H₀,…,H_M]，s(n)为发送信号，s(n)∈A＝{±1±i}，K为输入子信道的数目，M_i为子信道

的阶数，M＝max{M_i|i＝1,…,q}，q为子信道的个数；

步骤2，建立多输入多输出系统直接检测的最优化问题；

采用L阶FIR滤波器对接收信号进行均衡，把长度为(L+1)P的接收信号向量表示为

(x_L(n))_1×(L+1)P＝(s_M+L(n))_1×K(M+L+1)·Γ_L(H)+v_L(n) (2)

其中，x_L(n)＝[x^T(n),…,x^T(n-L)]，

(2)式中信道卷积矩阵Γ_L(H)是块Toeplitz矩阵，0表示全0矩阵，Γ_L(H)∈R^{K(M+L+1)×P(L+1)}，具体形式为：

为恢复第i个用户发送序列s(n)，构造误差函数

其中均衡器系数

将多输入多输出系统直接检测问题可以转化成优化问题：

其中，

是实际检测出来的信号，A表示待检测信号的所属字符集，其值与具体通信调制方式对应；

根据实际情况只取有限长的数据，将式(4)转化为：

其中，x(n)＝X_N，w_i最优时必须满足

则

上标H表示共轭转置运算；

若(X_N ^HX_N)^-1存在，则有

将式(5)式转化为：

其中，

其中I_N为维数为N的单位矩阵，

将信号直接检测问题转换成式(6)的带约束的二次规划问题；

步骤3，将目标函数

定义为抗原，目标函数的多个解为抗体，目标函数的值为亲和度；

步骤4，按照抗体与抗原的亲和度从高到低进行排序，设置克隆机制，抗体与抗原的亲和度为：

[O_new,I_sort]＝sort(O) (7)

其中O为亲和度组成的向量，O_new为排序后的亲和度向量，I_sort为抗体新的位置，新的抗体群记为OB_new，

I_sort(i)为第i个向量值；

克隆机制为：

其中，Nc为克隆后的自抗体群规模，β为克隆系数，用来控制克隆的规模，

为向下取整运算，OB_new中第i个抗体将产生大小为

的克隆体群C_i；

步骤5，设置变异机制；

变异机制为：

其中，α为变异系数，控制变异的强弱，Nd_i为克隆体群C_i中每个克隆体向量将要发生变异的基因个数，变异后的所有克隆体组成的群体为D；

将原抗体群与变异克隆抗体群合并，亲和度大小排序：E＝sort(OB∪D)，选择E中前N个抗体组成下一代抗体群OB_new；

步骤6，把用户信号相关性作为相似性度量；

定义s_i(n)与s_j(n)相似度为：

其中，J_ij∈(0,1)，

(p²+p+1)为分子上的求和次数。

Images