CN110234092B - 基于多级优化提高车联网传输信号可靠性的方法 - Google Patents

Abstract

本发明公开了基于多级优化提高车联网传输信号可靠性的方法，首先初始化迭代次数t＝0，设定迭代次数T＝N，将原Q比特序列Q(t)与随机矩阵比较产生可行解c(t)，通过初始适应度函数f(t)评估c(t)将最优解存入到c_best(t)，然后迭代t＝t+1，更新Q(t)与重新产生的随机矩阵与比较产生c(t)，使用更新过的f(t)评估c(t)从而选出最优解，找出c_best(t‑1)和c(t)中的最优解c存入c_best(t)，再次迭代，直至满足迭代结束条件输出c，然后将c与输入序列相乘，得到最终发送序列；本发明对车联网原始输入信号采用选择映射序列技术对信号进行处理的过程中引入量子理论和多目标优化机制，用U个统计独立向量X_u，(u＝1，2，...，U)来表示同一组输入信号，然后选择整体幅度最小的信号进行传输，达到降低系统传输能耗和计算复杂度的目的。

Description

基于多级优化提高车联网传输信号可靠性的方法

技术领域

本发明属于交通信息工程及控制技术领域，具体涉及基于多级优化提高车联网传输信号可靠性的方法。

背景技术

随着中国汽车产业的发展壮大，车联网这一新兴概念正悄然兴起，并以惊人的速度向前发展，车联网是物联网技术的重要分支，是指装载在车辆上的电子标签通过无线射频等识别技术，实现在信息网络平台上对所有车辆的属性信息静态、动态信息进行提取和有效利用，并根据不同功能需求对所有车辆的运行状态进行有效监管和提供综合服务。

车联网系统中信号传输存在信号幅度过大的问题，当传输信号通过线性区范围有限的放大器时会产生非线性失真，从而降低系统传输可靠性。针对这一问题，已有多种方法，这些方法可分为两大类：失真类技术和无失真来技术。其中，选择映射序列技术因其处理过程不会对原始传输信号造成失真的良好性质而受到广泛关注。选择映射序列技术是用U个统计独立向量X_u，(u＝1，2，...，U)来表示同一组输入信号，然后选择整体幅度最小的信号进行传输。这U个不同的序列是由输入数据序列乘上长为N的相位旋转矢量得到的，但随着U的增大，寻找最佳相位旋转序列的计算复杂度会急剧增加，因此如何有效降低计算复杂度是选择映射序列技术的一个难点。

发明内容

为了解决了现有技术中存在的问题，本发明公开了基于多级优化提高车联网传输信号可靠性的方法，在选择映射序列技术中引入量子理论和多目标优化机制来降低计算复杂度。

为了实现上述目的，本发明采用的技术方案是，一种基于多级优化提高车联网传输信号可靠性的方法，具体包括以下步骤：

S1，设定迭代次数t＝0,1,2......，M，并设定信号门限A，初始比特序列Q(t)中所有比特为

S2，生成一个随机矩阵并与S1中的初始比特序列Q(t)比较从而得到初始可行解c(t)；所述随机矩阵的大小与初始比特序列Q(t)的大小相同，所述随机矩阵元素z_ik∈[0,1)，其中i＝1…,pop；k＝1…V；

S3，使用初始适应度函数f(t)评估S2所得初始可行解c(t)，得到初始最优解

将所述初始最优解

存入c_best(t)，其中，m＝1,2,...,V，V为每个Q比特个体的符号长度；

S4，t＝t+1，使用量子门Q_gate更新S1中的初始比特序列Q(t)，得到更新的比特序列Q(t+1)；

S5，重新生成一个更新随机矩阵x′_ab，并将所述更新随机矩阵x′_ab与S4所得更新的比特序列Q(t+1)比较得到新的可行解c(t+1)；所述更新随机矩阵的大小与更新的比特序列Q(t+1)大小相同，更新矩阵元素x′_ab∈[0,1)；

S6，更新适应度函数为f′(t)，评估S5所得新的可行解c(t+1)得到新的最优解

S7，找出S5所得c(t+1)与前述步骤中的最优解，作为新的最优解c_best(t)；

S8，重复S4～S7进行迭代得出最终最优解，将所述最终最优解保存，迭代次数等于M或最终最优解对应的信号值小于等于信号门限A，执行S9，否则返回S4；

S9，将S8所得最终最优解与输入序列相乘，得到最终发送序列。

在S1中Q比特序列定义为

为提供相位因子序列个数，Q比特个体

的定义为

式中i＝1,2，…，pop；k＝1,2,...,V，V为每个Q比特个体的符号长度，α和β表示该Q比特趋于‘0’状态与‘1’状态的概率，α和β满足关系|α_ik|²+|β_ik|²＝1。

S2中，初始比特序列Q(t)与随机矩阵的比较产生初始可行解c(t)遵循以下条件：

即当

大于对应随机矩阵中元素z_ik时，

当

小于对应随机矩阵中元素z_ik时，

将初始比特序列Q(t)中的

与z_ik逐个比较得到

其中

在S3中，所述初始适应度函数为

S4中，采用量子门Q_gate更新α和β的概率，并以此更新初始比特序列Q(t)，使适应度较差的可行解向适应度较好的可行解方向以Q_gate进行旋转，Q_gate是满足U⁺U＝UU⁺的可逆矩阵，U⁺是U的厄米共轭矩阵，Q_gate可由下式表示：

其中，Δθ表示旋转角度参数，其中i＝1,2,…pop，k＝1,2,…V。

S5中，经过S4更新得到的比特序列Q(t+1)与更新随机矩阵比较产生更新的最优解c(t+1)遵循条件与S2中的条件相同。

S6中更新过的适应度函数f′(·)表示为：

f′(x_w)＝ωf_fit(x_w)+(1-ω)Δ_Improve(x_w)，

其中m为适应度函数的个数，w为非负整数，f_fit(·)为初始适应度函数，ω₁和ω₂是权重因子满足ω₁+ω₂＝1，pop为可行解的总数，j＝1,2，…，pop，l＝1,2，…m，sign(x)定义为

与现有技术相比，本发明至少具有以下有益效果：本发明车联网原始输入信号采用选择映射序列技术对信号进行处理的过程中引入量子理论和多目标优化机制，用统计独立向量来表示同一组输入信号，然后选择整体幅度最小的信号进行传输，达到降低系统传输能耗和计算复杂度的目的；与原始输入信号相比，经过本发明的处理，信号幅度明显降低，可以有效降低车联网系统所传输信号对功率放大器线性度的要求，提升射频功率放大器的工作效率，传输系统性能变好，传输信号能耗降低；并且本发明提出的技术与全搜索选择映射序列技术相比，计算复杂度显著降低。

附图说明

图1是本发明的实现流程框图；

图2是本发明与现有方法的传输失真性能比较图；

图3是本发明与现有方法的互补累积误差函数性能比较图；

具体实施方式

下面结合附图以及仿真模拟对本发明进一步阐述：

选择映射序列技术原理为：设输入序列长度为N，X＝{X₀,X₁,…,X_N-1}，定义pop个长度为N的相位旋转序列：

其中

是在区间[0,2π)内均匀分布的随机变量，则发送备选序列为

从这pop个序列中选择整体幅度最小的序列发送；经过本发明的所述方法可以找到pop个相位旋转序列中的最优序列c，然后将最优序列c与输入序列相乘，得到整体幅度最小的发送序列。

本发明的技术方案是：首先初始化迭代次数t＝0，设定迭代次数为M，生成一个随机矩阵，将初始Q比特序列Q(t)与所述随机矩阵比较产生初始可行解c(t)；通过初始适应度函数f(t)评估c(t)得到最优解

将所述最优

解存入到c_best(t)；然后迭代t＝t+1，使用量子门Q_gate更新Q(t)得到更新的比特序列Q(t+1)，重新产生一个更新随机矩阵与更新的比特序列Q(t+1)比较产生新的可行解c(t+1)；更新适应度函数f(t)，得到f′(t)，用f′(t)评估新的可行解c(t+1)选出最优解；找出c(t+1)和前述步骤中的最优解；再次迭代，直至满足迭代结束条件输出最终最优解；将所述最终最优解与输入序列相乘，得到最终发送序列。

参照附图1，本发明的具体实现步骤如下：

S1，初始化：设定最大迭代次数为M，t＝0，生成一个随机矩阵，设定初始Q比特序列Q(t)，Q比特序列定义为

pop为提供相位因子序列个数，Q比特个体

的定义是为

式中i＝1,2，…，pop；k＝1,2,…,V，V为每个Q比特个体的符号长度，α和β表示该Q比特趋于‘0’状态与‘1’状态的概率，α和β之间满足关系|α_i|²+|β_i|²＝1，初始Q(t)中，所有α和β设定为

S2，产生一个随机矩阵与初始比特序列Q(t)比较产生初始可行解c(t)，产生的随机矩阵大小与初始比特序列Q(t)的大小相同，所述随机矩阵元素z_ik∈[0,1)，其中i＝1…,pop；k＝1…V；随机矩阵与初始比特序列Q(t)的比较产生c(t)遵循以下条件：

当

大于对应随机矩阵中元素z_ik时，

当

小于对应随机矩阵中元素z_ik时，

将Q(t)中的

与z_ik逐个比较得到

其中

S3，使用初始适应度函数f(t)评估Q(t)可行解c(t)，从中选出最优

其中初始适应度函数为

S4，t＝t+1，使用量子门Q_gate更新Q(t)，采用量子门Q_gate更新α和β的概率并以此更新Q(t)，得到更新的比特序列Q(t+1)，使适应度较差的可行解向适应度较好的可行解方向以Q_gate进行旋转，Q_gate是满足U⁺U＝UU⁺的可逆矩阵，其中，U⁺是U的厄米共轭矩阵，

Q_gate可由下式表示：

其中，Δθ表示旋转角度参数，其中i＝1,2,…pop，k＝1,2,…V。

S5，再次产生一个更新随机矩阵，并将所述更新随机矩阵与S4更新得到比较产生新的可行解c(t)，所述更新随机矩阵的大小与比特序列矩阵Q(t+1)相同，更新矩阵元素x′_ab∈[0,1)，Q(t)与随机矩阵比较产生c(t+1)遵循条件：

当

大于对应随机矩阵中元素z_ik时，

当

小于对应随机矩阵中x′_ab时，

逐个比较Q(t)中的

与对应随机矩阵中的元素x′_ab，从而得到

其中

S6，更新适应度函数为f′(t)，评估可行解并选出最优解

更新过的适应度函数f′(t)表示为：

f′(x_w)＝ωf_fit(x_w)+(1-ω)Δ_Improve(x_w)，

其中m为适应度函数的个数，w为非负整数，f_fit(·)为初始适应度函数，ω₁和ω₂是权重因子满足ω₁+ω₂＝1，pop为可行解的总数，j＝1,2，…，pop，l＝1,2，…m，sign(x)定义为

S7，找出c_best(t-1)和c(t)的最优解c保存作为最终最优解；

S8，判断迭代次数是否达到上限，若达到上限(t＝M)则输出最终最优解，否则返回S4；

S9，最优解c与输入序列相乘，得到最终发送序列。

本发明的效果可通过下面的仿真实例进一步说明，采用本发明所述方法在车联网传输系统中进行仿真实验，仿真内容与结果：图2给出了本发明与现有技术的误码率性能曲线；在图2与图3中曲线“Original”表示原始发送序列，“SLM”曲线表示采用选择映射序列搜索最优解的方法，“CE-SLM”表示采用Cross-Entropy方法搜索最优解的方法，“LC-SLM”曲线表示低复杂度选择映射序列搜索最优解的方法，“proposed”曲线表示使用本方法搜索最优解；可以看出，与原始信号相比，采用本发明所述方法，可以有效改善系统误码率性能，并且本发明所述方法的误码率性能明显优于现有技术，说明本发明所述方法可以大幅提高车联网系统中信号传输的非线性失真性能，图3给出了本发明与现有技术的互补累积误差函数性能比较图，本发明可以有效降低车联网传输信号幅度，提升功率放大器的功率效率，并且与现有技术相比，抑制传输信号幅度的性能更好。

Claims (1)

1.一种基于多级优化提高车联网传输信号可靠性的方法，其特征在于，具体包括以下步骤：

S1，设定迭代次数t＝0,1,2......，M，并设定信号门限A，初始比特序列Q(t)中所有比特为

S2，生成一个随机矩阵并与S1中的初始比特序列Q(t)比较从而得到初始可行解c(t)；所述随机矩阵的大小与初始比特序列Q(t)的大小相同，所述随机矩阵元素z_ik∈[0,1)，其中i＝1，2,…,pop；k＝1…V；pop为相位旋转序列总个数；

S3，使用初始适应度函数f(t)评估S2所得初始可行解c(t)，得到初始最优解

将所述初始最优解

存入c_best(t)，其中，m＝1,2,...,V，V为每个Q比特个体的符号长度；初始适应度函数

N为输入序列长度，n为小于N的非负整数，L为输入序列采样倍数，x′(c_i)为输入序列中的第i个可行解，min|x|表示x中的最小值，

S4，t＝t+1，使用量子门Q_{_}gate更新S1中的初始比特序列Q(t)，得到更新的比特序列Q(t+1)；

S5，重新生成一个更新随机矩阵x′_ab，并将所述更新随机矩阵x′_ab与S4所得更新的比特序列Q(t+1)比较得到新的可行解c(t+1)；所述更新随机矩阵的大小与更新的比特序列Q(t+1)大小相同，更新矩阵元素x′_ab∈[0,1)；

S6，更新适应度函数为f′(t)，评估S5所得新的可行解c(t+1)得到新的最优解

S7，找出S5所得c(t+1)与前述步骤中的最优解，作为新的最优解c_best(t)；

S8，重复S4～S7进行迭代得出最终最优解，将所述最终最优解保存，迭代次数等于M或最终最优解对应的信号值小于等于信号门限A，执行S9，否则返回S4；

S9，将S8所得最终最优解与输入序列相乘，所述输入序列为携载车辆属性信息静态和动态信息的映射序列，得到最终发送序列，即最终要发送的车辆属性信息静态和动态信息；

S1初始化具体如下：设定最大迭代次数为M，t＝0，生成一个随机矩阵，设定初始Q比特序列Q(t)，Q比特序列为

pop为提供相位因子序列个数，Q比特个体

的定义是为

式中i＝1,2，…，pop；k＝1,2,...,V，V为每个Q比特个体的符号长度，α和β表示该Q比特趋于‘0’状态与‘1’状态的概率，α和β之间满足关系|α_i|²+|β_i|²＝1；

S2中，随机矩阵与初始比特序列Q(t)的比较产生c(t)遵循以下条件：

当

大于对应随机矩阵中元素z_ik时，

当

小于对应随机矩阵中元素z_ik时，

将Q(t)中的

与z_ik逐个比较得到c(t),

其中

S4中，使用量子门Q_gate更新S1中的初始比特序列Q(t)，得到更新的比特序列Q(t+1)具体为：使当前可行解以Q_gate进行旋转至新的可行解，Q-gate是满足U⁺U＝UU⁺的可逆矩阵，其中，U⁺是U的厄米共轭矩阵，

Q_-gate可由下式表示：

其中，θ_i,j表示旋转角度参数，其中i＝1,2,…pop，k＝1,2,…V；j＝1,2,…V，V为比特个体的符号长度；

S6中，更新过的适应度函数f′(t)表示为：

f′(x_w)＝ωf_fit(x_w)+(1-ω)Δ_Improve(x_w)，

其中m为适应度函数的个数，w为非负整数，f_fit(·)为初始适应度函数，ω₁和ω₂是权重因子满足ω₁+ω₂＝1，pop为可行解的总数，j＝1,2，…，pop，l＝1,2，…m，sign(x)为

(·)max与(·)min分别表示某一函数的最大值与最小值；所述初始适应度函数为

其中，N为输入序列长度，n为小于N的非负整数，L为输入序列采样倍数，x′(c_i)为输入序列中的第i个可行解。

Images