CN112636874B - 基于遗传优化支持向量机的混沌基带无线通信解码方法 - Google Patents
基于遗传优化支持向量机的混沌基带无线通信解码方法 Download PDFInfo
- Publication number
- CN112636874B CN112636874B CN202011519704.1A CN202011519704A CN112636874B CN 112636874 B CN112636874 B CN 112636874B CN 202011519704 A CN202011519704 A CN 202011519704A CN 112636874 B CN112636874 B CN 112636874B
- Authority
- CN
- China
- Prior art keywords
- individual
- individuals
- support vector
- fitness
- vector machine
- 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
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
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
- H04L1/0007—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format by modifying the frame length
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/001—Modulated-carrier systems using chaotic signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于遗传优化支持向量机的混沌基带无线通信解码方法,步骤包括:步骤1、通信设置及初始化;步骤2、遗传算法初始种群产生后,初始化种群代数k=0;步骤3、求解支持向量机分类模型,评价个体适应度,保存最优个体和最优分类器,判断最优个体适应度是否达到目标值或迭代次数k是否达到最大代数;步骤4、进行遗传算法的选择、交叉及变异操作,产生新种群,转向步骤3;步骤5、使用最优分类器进行符号解码;步骤6、如果n<LF‑3,令n=n+1,转向步骤5;否则转向步骤7;步骤7、令Fr=Fr+1,如果Fr<NF,NF为传输数据总帧数,转向步骤2;否则,结束,完成所有解码。本发明方法,不需要信道信息就可直接解码,简化了解码过程。
Description
技术领域
本发明属于机器学习及无线通信技术领域,涉及一种基于遗传优化支持向量机的混沌基带无线通信解码方法。
背景技术
近年来,由于混沌已成功地应用于光纤通信信道中,并获得了更高的传输比特率,混沌通信的研究重点也从具有高斯噪声的信道转移到具有复杂约束的实际通信信道。近年来的研究成果表明,混沌成型滤波器取代传统成型滤波器产生混沌基带信号进行数字通信,有可能利用对应的匹配滤波和混沌特性完全消除码间干扰,使得这一混沌基带数字通信技术展示了良好的应用前景,与最新的5G通信技术如OFDM等结合可以获得更好的通信效果。
混沌基带无线通信系统(CBWCS)理论上可以完全消除码间干扰,但是其需要知道所有过去发送符号和未来发送符号,这在实际工程中是不可实现的,虽然仅利用有限数量的过去符号进行解码已经获得了比传统方法更好的性能和更少的计算量,但是该系统性能仍有进一步提高的空间。如何考虑未来符号的影响,更好地消除码间干扰成为提升混沌基带无线通信系统性能的研究方向,已有的方法可以预测未来基带波形,再根据波形预测未来发送的符号,将根据波形解码的未来符号应用于解码阈值计算可以改善性能,但是这种预测只能比较准确地预测未来一位波形,而且根据波形进行未来符号的解码使用的阈值为0,也存在预测符号解码错误问题。为了避免这些问题,可以采用神经网络直接预测解码阈值,不必进行解码阈值计算,得到了更好的效果,但这一过程仍然需要使用辨识得到的信道信息,计算比较复杂,准确性也受影响。
发明内容
本发明的目的是提供一种基于遗传优化支持向量机的混沌基带无线通信解码方法,解决了现有技术的混沌基带无线通信系统,存在符号解码过程复杂,工作效率低的问题。
本发明所采用的技术方案是,一种基于遗传优化支持向量机的混沌基带无线通信解码方法,按照以下步骤具体实施:
步骤1、通信设置及初始化;
步骤2、遗传算法初始种群产生后,初始化种群代数k=0;
步骤3、求解支持向量机分类模型,评价个体适应度,保存最优个体和最优分类器,判断最优个体适应度是否达到目标值或迭代次数k是否达到最大代数,满足的话转向步骤5;不满足的话转向步骤4;
步骤4、进行遗传算法的选择、交叉及变异操作,令k=k+1,产生新种群,转向步骤3,
遗传操作中交叉操作产生的个体数Nselect=Np*Pselect,经过变异后,取代原种群中相同数量的适应度较小的Nselect个个体,形成新种群以保持种群规模恒定为Np,令k=k+1,产生新种群为xk,e(e=1,…,Np),转向步骤3;
步骤5、使用最优分类器进行符号解码,
步骤6、如果n<LF-3,LF为一个数据帧的总长度,其中最右边三位为非信息数据,用于辅助最后三位信息数据的解码,令n=n+1,并转向步骤5;否则,转向步骤7;
步骤7、令Fr=Fr+1,如果Fr<NF,NF为传输数据总帧数,转向步骤2,继续后续更多帧的符号解码;否则,结束,完成所有解码。
本发明的有益效果是,包括以下几个方面:
1)本发明使用遗传算法对支持向量机的核函数参数和惩罚因子做了全局优化,有效降低了支持向量机模型的结构风险,使得模型在少量训练数据集上获得最佳分类效果,保证了支持向量机分类性能。
2)本发明把混沌基带无线通信的符号解码过程看作二分类问题,利用优化了结构参数的支持向量机模型直接对接收到的混沌信号进行分类,避免了复杂的信道参数辨识,未来波形或符号预测以及解码阈值计算过程,以训练复杂为代价,大大简化了符号解码过程,并且避免了这些过程带来的误差,有效降低了通信传输中的误码率。
附图说明
图1是本发明方法所使用的无线通信系统框图;
图2是本发明方法所使用的支持向量机结构示意图;
图3是本发明方法进行符号解码的原理图;
图4是两径信道下不同解码方法的误码率仿真结果对比曲线;
图5是三径信道下不同解码方法的误码率仿真结果对比曲线;
图6是两径时变信道下不同解码方法的误码率仿真结果对比曲线;
图7是三径时变信道下不同解码方法的误码率仿真结果对比曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,在混沌基带无线通信系统中,二进制码元信息sn经过混沌成型滤波器得到混沌信号x(t)作为基带信号;经过上载频后,发送信号经过无线信道传输,信道的脉冲响应由h(t)表示,接收端通过下载频,得到接收基带信号表示为r(t),接收基带信号r(t)被送入匹配滤波器中进行滤波,滤波器的输出信号为y(t)。基于上述的结构,本发明方法从模式识别的角度,将符号解码过程看作二分类问题,训练出分类模型,将影响当前符号判断的若干符号对应的匹配滤波器输出信号y(t)的采样值作为支持向量机分类器输入,直接得到相应符号的解码信息,其中,支持向量机的参数使用遗传算法优化,使得模型在较小的训练样本集上获得更好的分类结果。
本发明方法所使用的通信方式是将信息逐帧发送,逐帧恢复。每帧包含帧头数据和信息数据两个部分,其中,帧头用于帧同步、频偏纠正和分类模型的训练等功能。每帧使用帧头数据完成分类模型的训练,然后,使用训练所得模型直接逐位解码符号信息。根据成型滤波器特点,当前符号位信息主要受历史4位符号和未来4位符号的影响,为解码当前符号,模型的训练需要历史4位、当前1位和未来4位符号信息的遍历组合数据,但由于其对应的训练数据量较大,训练时间较长,本发明方法中只考虑过去3位、当前1位、未来3位符号信息的情况,并将生成的训练数据作为帧头与信息数据组合成帧共同发送。假设共发送NF帧数据,每帧数据总长度为LF,其中最后三位为非信息数据,仅用于辅助解码信息数据。
参照图2和图3,本发明方法的工作原理是,支持向量机通过核函数将输入向量映射到高维特征空间,使得特征线性可分,作为一个二元分类器,将通信中的接收信号直接分类得到解码信息;并使用遗传算法对支持向量机的结构参数进行优化,使用优化后的参数训练得到最优判别函数,将无线通信系统中匹配滤波器的输出信号y(t)的采样值,作为分类器输入,分类器输出即为对应符号信息。其中,输入为过去3位符号、当前1位符号、未来3位符号对应的采样点,输出为当前符号信息。
为了进一步简化解码计算和提升性能,本发明根据接收信号利用机器学习方法直接训练解码器,实现解码,不需要信道信息就可直接解码,简化了解码过程。基于上述原理,本发明的方法,按照以下步骤具体实施:
步骤1、通信设置及初始化,
设置遗传算法运行参数:种群规模Np、个体编码长度Lcode、待优化变量及其取值范围[Lbound,Hbound]、选择概率Pselect、交叉概率Pcross、变异概率Pmut和遗传运算最大代数Nge,进行初始化;将支持向量机的分类准确率作为适应度函数,初始化Fr为数据帧计数,n为符号计数变量;另外,根据混沌基带无线通信系统所使用的成型滤波器特点,采用过去位、当前位和未来位符号的遍历组合作为帧头数据,也即训练样本集,D={(u1,v1),…,(um,vm)},其中,u是模型输入向量,v是对应的分类标签,m为帧头数据长度,满足v∈{-1,+1},用于支持向量机分类模型的训练,该训练数据作为每一帧的帧头数据用于适应不同信道环境的变化;
实施例中,遗传算法优化待优化变量分别为支持向量机的结构参数C和g,即惩罚因子C与核函数参数g,该两个参数的取值范围都为[0,100],种群规模Np=20,使用二进制编码方式,单个变量的基因编码长度为20,每个个体的编码长度为Lcode=40(两个变量)。另外,选择概率Pselect=0.9,交叉概率Pcross=0.7,变异概率Pmut=0.0175,以及遗传算法的最大进化代数Nge=200。采用个体解码后的参数作为支持向量机结构参数,利用训练数据得到对应的支持向量机训练后的分类准确率作为个体的适应度函数,表示如下:
初始化数据帧计数Fr=1,变量n=1。由历史3位符号、当前1位符号和未来3位符号的组合情况共27种情况,其中,每种情况对应7个比特位,遍历所有可能的组合得到对应896位符号,即896位比特作为训练数据源,作为每一帧的帧头数据以适应不同信道环境的变化,长度m=896,由于使用过去3位、当前位和未来3位信息对应的采样值作为输入,当前符号信息作为输出,使得最左边和最右边3位信息没有对应目标输出,这样896个帧头(训练)数据对应的有效训练样本集为D={(u4,v4),(u5,v5),…,(u893,v893)},共890个。当过采样率Ns=16时,模型输入为:
un=(yn-3(1),…,yn-3(16),…,yn(1),…,yn(16),…,yn+3(1),…,yn+3(16))T,n=4,…,893,模型输出vn=sn。
步骤2、遗传算法初始种群产生后,初始化种群代数k=0,
步骤3、求解支持向量机分类模型,评价个体适应度,保存最优个体和最优分类器,判断最优个体适应度是否达到目标值或迭代次数k是否达到最大代数,满足的话,则有n=897,转向步骤5;不满足的话转向步骤4,
以下根据分类模型,进行个体适应度的具体评价:
令e=1,..,Np,对该代中每个个体进行解码,得到Np个对应的支持向量机参数(Ck ,e,gk,e),以这些参数分别作为支持向量机结构参数,利用有效训练样本对每组参数对应的支持向量机进行训练,具体步骤如下:
使用训练样本集D={(u4,v4),…,(ui,vi),…,(um-3,vm-3)},vi∈{-1,+1},求解支持向量机模型,模型表示为:
其中,αi为拉格朗日乘子,(ui,vi)为样本点,u为模型输入,K(ui,u)=(Φ(ui)·Φ(u))表示核函数,模型采用径向基核函数K(ui,u)=exp(-gk,e||ui-u||2),gk,e为第k代第e个个体对应核函数参数,
其中,S={i|αi>0,i=4,...,m-3}为所有支持向量下标集,Nsp为支持向量个数,因非支持向量对应的系数αi=0,去除系数为0的项,得到支持向量us,将式(1)改写为式(3):
式(2)、式(3)的求解需要αi,采用以下对偶问题求解:
0≤αi≤Ck,e,i=4,5,...,m-3.
其中,Ck,e为此时的惩罚因子,利用序列最小优化算法(SMO)[Platt,J.“Sequential minimal optimization:A fast algorithm for training support vectormachines.”,Technical Report MSR-TR-98-14,Microsoft Research,1998]对式(4)求解得αi,i=4,5,...,m-3,代入式(2)求得b,并代入式(3)得到该组参数对应的支持向量机模型,利用该支持向量机模型对训练集所有样本进行分类,得到个体对应的适应度:
Fitness(xk,e)(e=1,…,Np), (5)
对所有个体适应度进行排序,选取适应度最高的个体保存入最优个体xopt,对应最佳参数为Copt、gopt和最优分类器为fopt,并保存最优个体xopt适应度为Fitnessopt;判断适应度Fitnessopt是否达到目标值或迭代次数k是否达到最大进化代数Nge,满足的话转向步骤5,并令n=897;不满足的话转向步骤4。
实施例中,根据分类模型,进行个体适应度的具体评价:
令e=1,..,20,对该代中每个个体进行解码,得到20个个体对应的支持向量机参数(C0,e,g0,e),以这些参数分别作为支持向量机结构参数,利用有效训练样本对每组参数对应的支持向量机进行训练,具体方法如下:
使用训练样本集D={(u4,v4),…,(ui,vi),…,(u893,v893)},vi∈{-1,+1},求解支持向量机模型,模型表示为:
其中,αi为拉格朗日乘子,(ui,vi)为样本点,u为模型输入,K(ui,u)=(Φ(ui)·Φ(u))表示核函数,模型采用径向基核函数K(ui,u)=exp(-g0,e||ui-u||2),g0,e为第0代第e个个体对应核函数参数,
其中,S={i|αi>0,i=4,...,893}为所有支持向量下标集,Nsp为支持向量个数,因非支持向量对应的系数αi=0,去除αi=0的项,得到支持向量us,将式(1)改写为:
式(2)、式(3)的求解需要αi,采用以下对偶问题求解:
0≤αi≤C0,e,i=4,5,...,893.
其中C0,e为此时的惩罚因子,利用序列最小优化算法(SMO)[Platt,J.“Sequentialminimal optimization:A fast algorithm for training support vector machines.”,Technical Report MSR-TR-98-14,Microsoft Research,1998]对式(4)求解得到αi,i=4,5,...,893,代入式(2)求得b,并代入式(3)得到该组参数对应的支持向量机模型;利用该支持向量机模型对训练集所有样本进行分类得到个体对应的适应度:
Fitness(x0,e)(e=1,…,20), (5-1)
进行排序,选取适应度最高的个体保存入最优个体xopt,对应最佳参数为(Copt,gopt),和最优分类器为fopt,并保存其适应度为Fitnessopt。判断适应度Fitnessopt是否达到目标值或迭代次数k是否达到最大进化代数200,满足的话转向步骤5,并令n=897;不满足的话转向步骤4。
步骤4、进行遗传算法的选择、交叉及变异操作,令k=k+1,产生新种群,转向步骤3,
遗传操作中交叉操作产生的个体数Nselect=Np*Pselect,经过变异后,取代原种群中相同数量的适应度较小的Nselect个个体,形成新种群以保持种群规模恒定为Np,令k=k+1,产生新种群为xk,e(e=1,…,Np),转向步骤3。
实施例中,遗传算法具体操作过程如下:
4-1)选择操作:计算个体的累积概率构造轮盘,被选择个体数为Nselect=18,第一个指针的位置在间随机产生,以为指针距离进行等距离选择新个体,指针所指概率区域对应的个体为被选择个体,直至完成18个个体的选择;
4-2)交叉运算:对被选择的18个个体,采用两两互相不重复个体进行交叉,即个体1和个体2,个体3和个体4,……,个体17和个体18。对于每一对个体,产生一个[0,1]之间的随机数,如果该随机数小于交叉概率0.7,则在基因编码中随机选择一个位置即交叉点,对两个个体进行单点交叉操作,交换交叉点后的基因序列,生成新的个体对,对每一对个体产生随机数判断之后的个体对是否进行交叉。交叉操作后,个体数仍保持为18;
4-3)变异运算:被选择的18个个体经过交叉后,按位以设定的变异概率0.0175判断是否进行变异,对需要变异的个体随机选择变异位将对应的“0”或“1”变成与之相反的“1”或“0”。完成变异操作后,个体数仍然为18。
使用变异后的18个个体取代原始种群中适应度较小的18个个体,与剩余2个适应度最高的原种群个体合并组成新种群,以保持种群恒定,k=k+1,得到新种群xk,e(e=1,…,20),转向步骤3。
步骤5、使用最优分类器进行符号解码,
步骤6、如果n<LF-3,LF为一个数据帧的总长度,其中最右边三位为非信息数据,用于辅助最后三位信息数据的解码,令n=n+1,并转向步骤5;否则,转向步骤7;
实施例中,若n的值小于一帧中数据信息的长度时,则令n=n+1,并转向步骤5,直到完成一个数据帧内所有信息符号的解码,否则转向步骤7。
步骤7、令Fr=Fr+1,如果Fr<NF,NF为传输数据总帧数,转向步骤2,继续后续更多帧的符号解码;否则,结束,完成所有解码。
实施例中,完成第一帧内所有信息符号的解码后,令Fr=Fr+1,以同样的方式开始下一帧的符号解码工作,直至全部完成。
为验证本发明方法的性能,对时不变和时变多径信道下的仿真和实验结果进行对比如下:分别使用了五种不同的解码方法,前四种是使用解码阈值进行解码,即第一种使用解码阈值θ=0,这种情况下,完全不考虑过去和未来符号引起的码间干扰;第二种是文献[JunLiangYao,Yu-Zhe Sun,Hai-Peng Ren,Celso Grebogi,Experimental WirelessCommunication Using Chaotic Baseband Waveform,IEEE Transactions on VehicularTechnology,2019,68(1):578-591]中方法,该方法取θ=Ipast,该解码阈值只考虑了由过去符号位引起的码间干扰;第三种是文献[Ren H P,Yin H P,Bai C and Yao JL,"Performance Improvement of Chaotic Baseband Wireless Communication Using EchoState Network,"IEEE Transactions on Communications,2020,vol.68,no.10,pp.6525-6536]中方法,该方法取θ=Ifut1+Ipast,不仅考虑了过去符号位,还考虑了预测得到的未来1位符号引起的码间干扰;第四种是使用由回声状态网络直接预测得到的解码阈值[任海鹏,尹慧平,李洁,利用回声状态网络预测混沌基带通信解码阈值的方法,中国发明专利申请,受理日:2020/11/12,申请号2020112616787];第五种是使用本发明的直接解码方法。
仿真验证:
假定同一帧内的多径参数不变,不同帧的多径参数不同。L表示多径数目,γ和αl=e-γτ为多径衰减参数,τ为多径延迟。同样,本发明方法与使用阈值θ=0,θ=Ipast,θ=Ifut1+Ipast和预测阈值四种方法对比。
1)时不变多径信道下的误码率
仿真中,L=2时,参数为α0=1,τ1=1,γ=0.6,仿真结果如图4所示;图4中横坐标Eb/N0表示比特信噪比,纵坐标BER表示误码率,图4中带圆圈符号的线表示解码阈值θ=0时(前述第一种方法)的误码率随Eb/N0变化情况,图4中带方块符号曲线表示解码阈值θ=Ipast时(前述第二种方法)的误码率随Eb/N0变化情况,图4中带菱形符号曲线表示解码阈值θ=Ifut1+Ipast时(前述第三种方法)的误码率随Eb/N0变化情况,图4中带右向三角符号曲线表示解码阈值时(前述第四种方法)的误码率随Eb/N0变化情况,图4中带左向三角符号曲线表示本发明采用支持向量机(SVM)解码时的误码率随Eb/N0变化情况,图4中带+符号曲线表示理论最优误码率随Eb/N0变化情况,L=3时,α0=1,τ1=1,τ2=2,γ=0.6,仿真结果如图5所示。图5坐标和曲线表示含义与图4一致,由图4和图5可见,本发明方法获得最好的性能,误码率低于使用阈值使用阈值的误码率低于使用阈值θ=Ifut1+Ipast的情况,使用阈值θ=Ifut1+Ipast的误码率低于使用阈值θ=Ipast的情况,使用阈值θ=Ipast的误码率低于使用阈值θ=0的情况,使用阈值θ=0的性能最差,并且误码率随着多径数目的增加而增加。
2)时变多径信道下的误码率
实际通信中,信道情况多变,而且信道参数未知。考虑每帧的多径参数未知,假设参数γ服从[0.3,0.9]上的均匀分布,当L=2时,仿真结果如图6所示,当L=3时,仿真结果如图7所示。图6和图7中坐标和曲线表示含义与图4一致。由于信道估计误差,图6和7的仿真结果略差于图4和图5相应的仿真结果。从图6和图7可见,本发明方法仍然优于使用阈值θ=0,θ=Ipast,θ=Ifut1+Ipast,的方法。
综上所述,本发明方法,不但简化了解码过程,还完全适合应用于混沌基带通信,误码率性能明显优于对比方法。
Claims (2)
1.一种基于遗传优化支持向量机的混沌基带无线通信解码方法,其特征在于,按照以下步骤具体实施:
步骤1、通信设置及初始化,
具体过程是,
设置遗传算法运行参数:种群规模Np、个体编码长度Lcode、待优化变量及其取值范围[Lbound,Hbound]、选择概率Pselect、交叉概率Pcross、变异概率Pmut和遗传运算最大代数Nge,进行初始化;将支持向量机的分类准确率作为适应度函数,初始化Fr为数据帧计数,n为符号计数变量;
另外,根据混沌基带无线通信系统所使用的成型滤波器特点,采用过去位、当前位和未来位符号的遍历组合作为帧头数据,也即训练样本集,D={(u1,v1),…,(um,vm)},其中,u是模型输入向量,v是对应的分类标签,m为帧头数据长度,满足v∈{-1,+1},用于支持向量机分类模型的训练,该训练数据作为每一帧的帧头数据用于适应不同信道环境的变化;
步骤2、遗传算法初始种群产生后,初始化种群代数k=0,
具体过程是,
步骤3、求解支持向量机分类模型,评价个体适应度,保存最优个体和最优分类器,判断最优个体适应度是否达到目标值或迭代次数k是否达到最大代数,满足的话转向步骤5;不满足的话转向步骤4,
根据分类模型,进行个体适应度的具体评价过程是:
对该代中每个个体进行解码,得到Np个对应的支持向量机参数(Ck,e,gk,e),以这些参数分别作为支持向量机结构参数,利用有效训练样本对每组参数对应的支持向量机进行训练,具体步骤如下:
使用训练样本集D={(u4,v4),…,(ui,vi),…,(um-3,vm-3)},vi∈{-1,+1},求解支持向量机模型,模型表示为:
其中,αi为拉格朗日乘子,(ui,vi)为样本点,u为模型输入,K(ui,u)=(Φ(ui)·Φ(u))表示核函数,模型采用径向基核函数K(ui,u)=exp(-gk,e||ui-u||2),gk,e为第k代第e个个体对应核函数参数,
其中,S={i|αi>0,i=4,...,m-3}为所有支持向量下标集,Nsp为支持向量个数,因非支持向量对应的系数αi=0,去除系数为0的项,得到支持向量us,将式(1)改写为式(3):
式(2)、式(3)的求解需要αi,采用以下对偶问题求解:
0≤αi≤Ck,e,i=4,5,...,m-3.
其中,Ck,e为此时的惩罚因子,利用序列最小优化算法对式(4)求解得αi,i=4,5,...,m-3,代入式(2)求得b,并代入式(3)得到该组参数对应的支持向量机模型,利用该支持向量机模型对训练集所有样本进行分类,得到个体对应的适应度:
Fitness(xk,e) (5)
对所有个体适应度进行排序,选取适应度最高的个体保存入最优个体xopt,对应最佳参数为Copt、gopt和最优分类器为fopt,并保存最优个体xopt适应度为Fitnessopt;判断适应度Fitnessopt是否达到目标值或迭代次数k是否达到最大进化代数Nge,满足的话转向步骤5,并令n=897;不满足的话转向步骤4;
步骤4、进行遗传算法的选择、交叉及变异操作,令k=k+1,产生新种群,转向步骤3,
遗传操作中交叉操作产生的个体数Nselect=Np*Pselect,经过变异后,取代原种群中相同数量的适应度较小的Nselect个个体,形成新种群以保持种群规模恒定为Np,令k=k+1,产生新种群为xk,e,转向步骤3;
步骤5、使用最优分类器进行符号解码,
步骤6、如果n<LF-3,LF为一个数据帧的总长度,其中最右边三位为非信息数据,用于辅助最后三位信息数据的解码,令n=n+1,并转向步骤5;否则,转向步骤7;
步骤7、令Fr=Fr+1,如果Fr<NF,NF为传输数据总帧数,转向步骤2,继续后续更多帧的符号解码;否则,结束,完成所有解码。
2.根据权利要求1所述的基于遗传优化支持向量机的混沌基带无线通信解码方法,其特征在于:所述的步骤4中,遗传算法具体操作过程如下:
4-1)选择操作:计算个体的累积概率构造轮盘,此处Np值为20,被选择个体数为Nselect=18,第一个指针的位置在间随机产生,以为指针距离进行等距离选择新个体,指针所指概率区域对应的个体为被选择个体,直至完成18个个体的选择;
4-2)交叉运算:对被选择的18个个体,采用两两互相不重复个体进行交叉,即个体1和个体2,个体3和个体4,……,个体17和个体18;对于每一对个体,产生一个[0,1]之间的随机数,如果该随机数小于交叉概率0.7,则在基因编码中随机选择一个位置即交叉点,对两个个体进行单点交叉操作,交换交叉点后的基因序列,生成新的个体对,对每一对个体产生随机数判断之后的个体对是否进行交叉;交叉操作后,个体数仍保持为18;
4-3)变异运算:被选择的18个个体经过交叉后,按位以设定的变异概率0.0175判断是否进行变异,对需要变异的个体随机选择变异位将对应的“0”或“1”变成与之相反的“1”或“0”;完成变异操作后,个体数仍然为18;
使用变异后的18个个体取代原始种群中适应度较小的18个个体,与剩余2个适应度最高的原种群个体合并组成新种群,以保持种群恒定,k=k+1,得到新种群xk,e,转向步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519704.1A CN112636874B (zh) | 2020-12-21 | 2020-12-21 | 基于遗传优化支持向量机的混沌基带无线通信解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519704.1A CN112636874B (zh) | 2020-12-21 | 2020-12-21 | 基于遗传优化支持向量机的混沌基带无线通信解码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112636874A CN112636874A (zh) | 2021-04-09 |
CN112636874B true CN112636874B (zh) | 2022-08-26 |
Family
ID=75320521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519704.1A Active CN112636874B (zh) | 2020-12-21 | 2020-12-21 | 基于遗传优化支持向量机的混沌基带无线通信解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112636874B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113141272B (zh) * | 2021-04-20 | 2022-03-15 | 浙江大学 | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN107358231A (zh) * | 2017-06-09 | 2017-11-17 | 东北电力大学 | 一种基于sift算子和混沌遗传算法的车牌字符识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268077A (zh) * | 2014-09-23 | 2015-01-07 | 湖州师范学院 | 基于混沌遗传算法的测试用例集约简算法 |
US11281977B2 (en) * | 2017-07-31 | 2022-03-22 | Cognizant Technology Solutions U.S. Corporation | Training and control system for evolving solutions to data-intensive problems using epigenetic enabled individuals |
CN109034223A (zh) * | 2018-07-16 | 2018-12-18 | 湖南城市学院 | 一种混沌时间序列预测方法及系统 |
WO2020180887A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
-
2020
- 2020-12-21 CN CN202011519704.1A patent/CN112636874B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN107358231A (zh) * | 2017-06-09 | 2017-11-17 | 东北电力大学 | 一种基于sift算子和混沌遗传算法的车牌字符识别方法 |
Non-Patent Citations (1)
Title |
---|
支持向量机的参数优化及其在故障诊断中的应用;林辉等;《计算机科学》;20100415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112636874A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107994973B (zh) | 一种自适应调制与编码方法 | |
CN112887239B (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN112600618B (zh) | 一种基于注意力机制的可见光信号均衡系统及方法 | |
CN109728824B (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
CN112636874B (zh) | 基于遗传优化支持向量机的混沌基带无线通信解码方法 | |
CN110233810B (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
CN104065470A (zh) | 一种混沌无线通信及发送编码方法 | |
CN110430013B (zh) | 一种基于深度学习的rcm方法 | |
CN113627479B (zh) | 一种基于半监督学习的图数据异常检测方法 | |
CN1166140C (zh) | 利用白化路径度量对通信信号进行序贯最大似然估计的设备和方法 | |
CN115761735A (zh) | 一种基于自适应伪标签纠正的半监督语义分割方法 | |
CN110336639A (zh) | 一种基于容量分布的极化码多层编码调制方法及应用 | |
CN109525254A (zh) | 基于深度学习的卷积码软判决译码方法 | |
CN101351012B (zh) | 一种信道冲击响应估计方法 | |
CN103888392B (zh) | 一种基于dna遗传优化的正交小波盲均衡方法 | |
CN105635006A (zh) | 一种基于dna萤火虫优化的小波盲均衡方法 | |
CN107018102B (zh) | 基于Ungerboeck模型的超奈奎斯特信号检测方法 | |
CN110474798B (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN110166386B (zh) | 一种基于递归混沌码的水声通信均衡译码方法 | |
CN101431358A (zh) | 基于m-精英进化算法的垂直分层空时信号检测方法 | |
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 | |
CN110705704A (zh) | 一种基于相关性分析的神经网络自组织遗传进化算法 | |
CN105933264A (zh) | 等功率分配超奈奎斯特传输方法 | |
CN1355959A (zh) | 干扰抑制的方法和设备 |
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 |