CN112995075B - 基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法 - Google Patents

Abstract

本发明公开了一种基于锦标赛选择的混沌人工蜂群算法的声音信道均衡方法，该方法通过混沌矩阵对种群进行初始化，加快了种群的进化速度，防止算法陷入局部最优；通过对产生的新一代种群进行高斯扰动，增加了种群的多样性，防止算法陷入局部最优；利用锦标赛选择算法计算跟随蜂选取引导蜂的概率，提高了算法的全局信息利用率，避免了早熟现象；最后将盲均衡器输出的均方误差作为锦标赛选择的混沌人工蜂群算法的代价函数，寻找代价函数最小值，进而优化盲均衡器的初始权向量。本发明能在收敛速度基本不变的情况下，使均方误差明显降低，有效改善星座图收敛精度，大大提升了对水声信号的均衡效果。

Description

基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法

技术领域

本发明属于水声通信技术领域，具体涉及一种基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法。

背景技术

海洋水声信道的时变性和多径时延效应使信道具有时间、频率选择性衰落，从而导致水声信道存在严重的码间干扰。传统的自适应均衡技术能够抑制多径效应带来的影响，但由于需要周期性发送训练序列，占用了大量信道带宽，降低了通信效率。而盲均衡技术因不需要重复发送训练序列，大大提高了通信效率；其中，常模盲均衡算法(CMA)算法具有计算复杂度低，易于实时实现，收敛性能好等优点；其能够不借助训练序列，仅利用接收序列本身的先验信息，便可以均衡信道特性，使均衡器的输出序列尽量接近发送序列。然而，传统盲均衡技术存在稳态误差大、收敛速度慢、容易陷入局部最小等缺点。

元启发式智能优化算法因较快的寻优速度，全局寻优能力强的特点，近些年开始被逐渐应用于均衡问题的研究中；其中，人工蜂群算法(ABC)对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成+检验”为特征的人工智能技术，具有操作简单、控制参数少、搜索精度较高和鲁棒性较强的特点。但ABC算法存在“早熟”的收敛性缺陷，且ABC算法具有较好的探索能力，但开发能力不足，局部搜索能力较弱，收敛速度相对较慢。

因此，当前需要设计一种搜索精度、收敛速度等各个性能均良好的均衡方法。

发明内容

针对现有声音信道均衡方法的稳态误差大、收敛速度慢、容易陷入局部最小等技术问题，本发明的目的是提供一种基于锦标赛选择的混沌人工蜂群算法的声音信道均衡方法，以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于锦标赛选择的混沌人工蜂群算法的声音信道均衡方法，包括以下步骤：

S1:使用混沌映射初始化蜂群种群，种群中的每个个体代表盲均衡器的初始权系数，种群维度代表初始权系数的个数；

S2：为每个初始蜜源分配一引导蜂进行解空间的搜索，产生新蜜源；

S3:将均衡后信号和理想无噪声信号之间的均方误差作为适应度函数，计算每个蜜源的适应度值，通过比对新旧蜜源的适应度值，根据贪婪选择策略确定保留蜜源；

S4:通过锦标赛机制计算引导蜂被跟随的概率，跟随蜂根据轮盘赌机制选择跟随蜂跟随；

S5:跟随峰采用相同的解空间搜索方式，对于搜索到的蜜源根据贪婪选择的方法进行去留；

S6:判断蜜源是否满足被放弃的条件：如满足，对应的引导蜂转变为观察蜂，寻找新的蜜源，否则直接转到S8；

S7:侦查蜂随机产生新的蜜源；

S8:当算法达到最大迭代次数时，停止运算并输出最优解，否则转到S2；

S9:将S8得到的最优解作为CMA盲均衡器的初始权系数，完成水声信道盲均衡器的设计；

S10：根据S9设计的水声信道盲均衡器及其初始权系数，对待分析的源信号数据进行信道均衡分析，输出即可。

进一步的，在所述S1之前，还包括声音信号数据收集步骤。

进一步的，所述S1中：所述混沌映射选用Chebyshev混沌映射，其公式如下：

x_k+1＝cos(Acos^-1(x_k))

其中，k为混沌序列的迭代次数；A为混沌映射的映射系数，当A取值为大于等于2时达到最佳映射效果。

更进一步的，所述Chebyshev混沌初始化种群的具体过程如下：

第一步，设置混沌序列的迭代次数k＝100，控制参数A＝4、N＝10、i＝1；

第二步，随机产生混沌序列的初始向量y₀＝(y₀₁,y₀₂,...,y_0D),其中D为所优化函数的维度；

第三步，令初始向量y₀进行混沌迭代N次，再使用生成的序列作为混沌迭代的初始值进行混沌映射；

第四步，根据Chebyshev混沌映射方程循环迭代，产生混沌初始化种群向量y_k＝(y_k1,y_k2,...,y_kD)。

进一步的，所述S2中，引导蜂在蜜源周围搜索产生一个新蜜源的公式如下:

式中，d是在[1,D]中的一个随机整数，表示引领蜂随机地选择一维进行搜索；j∈{1,2,...,NP}，j≠i，表示在NP个蜜源中随机选择一个不等于i的蜜源；

是在[-1,1]均匀分布的随机数。

进一步的，所述S4具体如下：

S4-1：预设每次进行比较的个体数量N，采用二元锦标赛即每次选择两个个体；

S4-2：对选取的N个个体进行相互比较，适应度最高的个体获得1分；

S4-3：重复步骤S4-2，直至每N个个体之间都比较过；此时个体的得分越高，表示个体的适应度越好，则该个体被跟随蜂选择跟随的机率越大；

S4-4：利用公式goal_out＝(0.9*goal/max(goal))+0.1，令每个个体的分值除以最大分值进行归一化处理，使得分较低的个体也有较大被选择的机会，得到最终的选择概率；

S4-5：最终跟随蜂通过轮盘赌机制选择引导蜂进行跟随。

进一步的，所述S7具体如下：

S7-1：搜索过程中，如果蜜源X_i经过trial次迭代搜索到达阈值limit而没有找到更好的蜜源，该蜜源X_i将会被放弃，与之对应的引领蜂角色转变为侦察蜂；侦察蜂将在搜索空间随机产生一个新的蜜源代替X_i，公式如下：

其中，X_i是蜜源，t是迭代次数，U_d是蜜源上限值，L_d是蜜源下限值，limit为最大搜索次数；

S7-2：进一步提高蜂群的种群多样性，对产生的新一代蜜源进行高斯扰动，扰动公式如下：

Foods＝Foods*(1+sqrt(0.1)*rand(1,D))

其中，高斯扰动强度为1+sqrt(0.1)*rand(1,D)，D为蜜源x_i的维度。

上述声音信道均衡方法应用于水声信道均衡中效果极佳，尤其是海洋水声信道。

与现有技术相比，本发明的优点和积极效果是：

本发明引入混沌映射初始化种群和锦标赛选择策略，提高了算法的全局信息利用率，避免了算法早熟，加快了算法的收敛速度；还加入了高斯扰动，进一步提高了算法种群多样性。

本发明以水声CMA盲均衡后得到的TCABC-CMA算法为基础，利用其收敛速度快、全局信息利用率高的特点，对盲均衡器的初始抽头系数进行优化，有效地从初始权值方面提高了盲均衡器的均衡效果，减小了MSE，提高了CMA均衡的性能，进而极大地提高了水声信道的均衡性能。

附图说明

图1是实施例1中的锦标赛选择的混沌人工蜂群算法流程图。

图2是实施例1中的Chebyshev映射分叉图。

图3是实施例1中k取不同值时的曲线变化图。

图4是实施例1中基于Sphere函数的仿真对比图。

图5是实施例1中基于Ackley函数的仿真对比图。

图6是实施例1中基于Griewank函数的仿真对比图。

图7是实施例1中基于Rastrigin函数的仿真对比图。

图8是实施例1中基于SumSquare函数的仿真对比图。

图9是实施例1中基于Alpine函数的仿真对比图。

图10是实施例2中的基于锦标赛选择的混沌人工蜂群算法的水声信道均衡原理图。

图11是实施例2中16QAM调制信号两种算法均衡前后星座图对比图。

图12是实施例2中8PSK调制信号两种算法均衡前后星座图对比。

图13是实施例2中4PSK调制信号两种算法均衡前后星座图对比。

图14是实施例2中不同调制信号TCABC-CMA和CMA均衡前后均方误差曲线图。

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，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1：

海洋水声信道的时变性和多径时延效应使信道具有时间、频率选择性衰落，从而导致水声信道存在严重的码间干扰。传统的自适应均衡技术能够抑制多径效应带来的影响，但由于需要周期性发送训练序列，占用了大量信道带宽，降低了通信效率。盲均衡技术因不需要重复发送训练序列，大大提高了通信效率。然而传统盲均衡技术存在稳态误差大、收敛速度慢、容易陷入局部最小等缺点。

因此，本实施例利用改进的人工蜂群算法对盲均衡器抽头系数进行优化。

本实施例是一种基于锦标赛选择的混沌人工蜂群算法，其算法流程图如图1所示，本实施例包含以下步骤：

S1：通过混沌矩阵对种群进行初始化，加快了种群的进化速度，防止算法陷入局部最优,具体如下；

S1-1：

混沌矩阵看似混乱却拥有精致内在结构，它具有随机性、遍历性以及规律性等特点，在一定的“规律”下，混沌序列可以在一个特定区域内不重复的历经所有状态。对于智能优化算法，往往使用均匀分布来实现种群初始化的随机性。由于混沌的遍历性和混合特性，与标准概率分布的标准随机搜索相比，引入混沌序列的搜索算法可在迭代中产生局部最优解的许多邻域点，帮助种群逃离局部最小值，并使算法能够以更高的速度进行迭代搜索。

本实施例采用Chebyshev混沌映射初始化种群，混沌映射的公式如下：

x_k+1＝cos(Acos^-1(x_k))

式中，k为混沌序列的迭代次数；A为混沌映射的映射系数，当A取值为大于等于2时达到最佳映射效果。

S1-2：混沌初始化种群步骤：

第一步，设置混沌序列的迭代次数k＝100，控制参数A＝4、N＝10、i＝1；

第二步，随机产生混沌序列的初始向量,其中D为所优化函数的维度；

第三步，令初始向量进行混沌迭代次，再使用生成的序列作为混沌迭代的初始值进行混沌映射；

第四步，根据Chebyshev混沌映射方程循环迭代，产生混沌初始化种群向量。

S2：为每个初始蜜源分配一引导蜂进行解空间的搜索，产生新蜜源。

S2-1：引领蜂在蜜源周围搜索产生一个新蜜源的公式如下：

式中，d是在[1,D]中的一个随机整数，表示引领蜂随机地选择一维进行搜索；j∈{1,2,...,NP}，j≠i，表示在NP个蜜源中随机选择一个不等于i的蜜源；

是在[-1,1]均匀分布的随机数。

S3：将均衡后信号和理想无噪声信号之间的均方误差作为适应度函数，计算每个蜜源的适应度值，通过比对新旧蜜源的适应度值，根据贪婪选择策略确定保留蜜源。

S4通过对产生的新一代种群进行高斯扰动，增加了种群的多样性，防止算法陷入局部最优，扰动公式为：

Foods＝Foods*(1+sqrt(0.1)*rand(1,D))

其中，高斯扰动强度为1+sqrt(0.1)*rand(1,D)，其中D为蜜源x_i的维度。具体计算过程是通过产生一个1*D的正态矩阵与蜜源位置做积，选取常数1做和避免蜜源的值在扰动过后变小。通过加入高斯扰动，小的扰动强度可以避免算法陷入局部最优，大的扰动强度可以提高局部范围内的寻优效果，进而提高算法寻优能力。这让适应度差的蜜源在扰动后也能够提高自身适应度值，提高了种群的多样性，同时使蜜源整体更加趋近全局最优解，加快了算法的收敛速度。

S5利用锦标赛选择算法计算跟随蜂选取引导蜂的概率，提高了算法的全局信息利用率，避免了早熟现象，具体如下：

S5-1：

锦标赛方法选择机制为每次在种群中选择某一预设数量的个体，在经过比较后选择里面最佳个体作为新一代种群。使该操作不停重复下去，直到由选择的个体组成的新一代种群与原种群规模一致。本实施例利用锦标赛方法计算每个解被选取的概率，最终通过轮盘赌选出跟随蜂跟随的蜜源；具体步骤如下：

第一步，预设每次进行比较的个体数量N(本实施例采用二元锦标赛即每次选择两个个体)；

第二步，选取N个个体进行相互比较，适应度最高的个体获得1分；

第三步，重复第二步，直至每N个个体之间都比较过；此时个体的得分越高，表示个体的适应度越好，则该个体被跟随蜂选择跟随的机率越大；

第四步，利用公式goal_out＝(0.9*goal/max(goal))+0.1，令每个个体的分值除以最大分值进行归一化处理，使得分较低的个体也有较大被选择的机会，得到最终的选择概率；

第五步，最终跟随蜂通过轮盘赌机制选择引导蜂进行跟随。

锦标赛选择机制主要依靠个体之间的适应度大小关系进行计算概率，与单一个体适应度无关。采取这种方式可以避免极少数个体因适应度值多大，从而导致其余个体被选取的概率过小，提高了种群的多样性，避免了算法因早熟从而过早收敛。

S6：跟随峰采用相同的解空间搜索方式，对于搜索到的蜜源根据贪婪选择的方法进行去留；

S7：判断蜜源是否满足被放弃的条件：如满足，对应的引导蜂转变为观察蜂，寻找新的蜜源，否则直接转到S9；

搜索过程中，如果蜜源X_i经过trial次迭代搜索到达阈值limit而没有找到更好的蜜源，该蜜源X_i将会被放弃，与之对应的引领蜂角色转变为侦察蜂，侦察蜂将在搜索空间随机产生一个新的蜜源代替X_i，上述过程公式如下：

S8：侦查蜂随机产生新的蜜源；

S9当算法达到最大迭代次数时，停止运算并输出最优解，否则转到S2；

S10输出全局最优解，完成算法设计；利用该最优解作为初始权系数优化水声信道盲均衡器，对待分析的源信号数据进行信道均衡分析，输出即可。

为了验证本算法，本实施例中使用Matlab软件首先仿真验证混沌映射初始化的有效性及参数阈值，然后基于6种基本测试函数，将提出的TCABC算法与ABC、PSO、CS、FA、DE五种算法进行仿真对比，以此呈现本实例所提算法的性能。

验证性能实验：

仿真验证混沌映射初始化的有效性及参数阈值。

将Chebyshev混沌映射的映射系数由1逐步提升值2.4，通过分叉图得到混沌映射区间的映射范围变化，并得到最终的序列混沌曲线图，曲线图如图2所示。从图2可以看出，随着映射系数的不断增大，种群值域逐渐增大，当值大于或等于2时，映射开始进入混沌区。

当Chebyshev混沌映射参数A不同时，产生的序列随k的变化曲线也会不同，k取不同值时的变化曲线如图3所示。从图3可以看出，当A<2时，映射值不变；当A≥2时，映射进入混沌区。

TCABC与ABC、PSO、CS、FA、DE六种算法的参数设置如表1所示：

表1优化算法实验仿真参数设置

本实例采用的六个基本测试函数的表达式分别为：

(1)Sphere函数

(2)Ackley函数

(3)Griewank函数

(4)Rastrigin函数

(5)SumSquare函数

(6)Alpine函数

六个函数的基本特征如表2所示：

表2测试函数基本特征

本实施例将六种算法根据表1进行参数设置，且当解小于10e-8时默认为0。在确保种群数量、种群维度以及迭代次数相同的情况下，对六种算法在六种不同基本测试函数下的寻优性能进行仿真对比，对比结果如图4、5、6、7、8和9所示。

根据仿真结果，六种算法在不同的测试函数下，达到最优解需要的迭代次数及运行时间如表3、4所示：

表3六种算法在不同的测试函数下寻至最优解的迭代次数

表4六种算法在不同的测试函数下寻至最优解的运行时间

结果表明：

由表3可以看出，本实例所提的锦标赛选择的混沌人工蜂群算法在不同的测试函数下，达到收敛的迭代次数均为最小。由表4可以看出，在运行时间上，TCABC算法仅略长于CS算法，相比于其他四种算法均有较大缩短。改进后的算法比传统蜂群算法速度提高了80％左右，且对比其他智能优化算法优势明显。

根据图4至9可以看出，改进后的算法不但在收敛速度上有着明显优势，找到的解也远远优于传统人工蜂群及其它算法。更重要的是，相比于其他优化算法在不同测试函数下寻优效果的差异，TCABC算法在不同测试函数均展示了良好的寻优性能，因此证明TCABC算法在适用广度上也远远大于其他智能优化算法。

实施例2

将盲均衡器输出的均方误差作为锦标赛选择的混沌人工蜂群算法的代价函数，寻找代价函数最小值，并将找到的最佳蜜源的值作为盲均衡器的初始抽头系数，进而优化CMA盲均衡算法。具体优化方法同实施例1。

本实施例是一种基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法，其方法原理图如图10所示。为了验证本方法，本实施例将改进前的传统CMA盲均衡器作为TCABC-CMA盲均衡器(具体方法如实施例1)的对比对象，均衡器的权重都设为17，其中CMA盲均衡器采用同中心初始化抽头系数，使抽头系数的值设为[00000000100000000]，仿真信噪比SNR＝30dB，样本数量L＝6000。实验采用了16QAM、8PSK、4PSK三种调制信号，最小相位水声信道，其脉冲响应为[0.26-i*0.1,0.93-i*0.2,0.26]，并加入高斯白噪声信号噪声。

本实施例具体包含以下对比结果：

(1)分别利用TCABC-CMA和ABC-CMA两种均衡方法对16QAM调制信号进行均衡处理，得到两种均衡方法的均衡前后对比星座图如图11所示。

(2)分别利用TCABC-CMA和ABC-CMA两种均衡方法对8PSK调制信号进行均衡处理，得到两种均衡方法的均衡前后对比星座图如图12所示。

(3)分别利用TCABC-CMA和ABC-CMA两种均衡方法对4PSK调制信号进行均衡处理，得到两种均衡方法的均衡前后对比星座图如图13所示。

(4)将16QAM、8PSK、4PSK三种调制信号在TCABC-CMA和ABC-CMA两种均衡方法均衡后得到的均方误差曲线变化图进行对比，对比图如图14所示。

结果表明：由图11、12、13可知，相比于ABC-CMA算法，由TCABC-CMA算法均衡得到的星座图更加紧密、集中，均衡效果更好。由图14可以看出，对于三种不同调制信号，ABC-CMA和TCABC-CMA算法的均方误差曲线的收敛代数基本相同，但TCABC的均方误差明显小于ABC，效果提高20％左右。

上述说明了，本发明提供的TCABC-CMA盲均衡算法能有效提升信道盲均衡效果。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (7)

1.一种基于锦标赛选择的混沌人工蜂群算法的声音信道均衡方法，其特征在于，该方法包括以下步骤：

S1:使用混沌映射初始化蜂群种群，种群中的每个个体代表盲均衡器的初始权系数，种群维度代表初始权系数的个数；

S2：为每个初始蜜源分配一引导蜂进行解空间的搜索，产生新蜜源；

S3:将均衡后信号和理想无噪声信号之间的均方误差作为适应度函数，计算每个蜜源的适应度值，通过比对新旧蜜源的适应度值，根据贪婪选择策略确定保留蜜源；

S4:通过锦标赛机制计算引导蜂被跟随的概率，跟随蜂根据轮盘赌机制选择跟随蜂跟随；

S5:跟随峰采用相同的解空间搜索方式，对于搜索到的蜜源根据贪婪选择的方法进行去留；

S6:判断蜜源是否满足被放弃的条件：如满足，对应的引导蜂转变为观察蜂，寻找新的蜜源，否则直接转到S8；

S7:侦查蜂随机产生新的蜜源；

S8:当算法达到最大迭代次数时，停止运算并输出最优解，否则转到S2；

S9:将S8得到的最优解作为CMA盲均衡器的初始权系数，完成水声信道盲均衡器的设计；

S10：根据S9设计的水声信道盲均衡器及其初始权系数，对待分析的源信号数据进行信道均衡分析，输出即可。

2.如权利要求1所述的声音信道均衡方法，其特征在于，所述S1中：所述混沌映射选用Chebyshev混沌映射，其公式如下：

x_k+1＝cos(Acos^-1(x_k))

其中，k为混沌序列的迭代次数；A为混沌映射的映射系数，A取值为大于等于2。

3.如权利要求2所述的声音信道均衡方法，其特征在于，所述Chebyshev混沌初始化种群的具体过程如下：

第一步，设置混沌序列的迭代次数k＝100，控制参数A＝4、N＝10、i’＝1；

第二步，随机产生混沌序列的初始向量y₀＝(y₀₁,y₀₂,...,y_0D),其中D为所优化函数的维度；

第三步，令初始向量y₀进行混沌迭代M次，再使用生成的序列作为混沌迭代的初始值进行混沌映射；

第四步，根据Chebyshev混沌映射方程循环迭代，产生混沌初始化种群向量y_k＝(y_k1,y_k2,...,y_kD)。

4.如权利要求1所述的声音信道均衡方法，其特征在于，所述S2中，引导蜂在蜜源周围搜索产生一个新蜜源的公式如下:

式中，d是在[1,D]中的一个随机整数，表示引导蜂随机地选择一维进行搜索；j∈{1,2,...,NP}，j≠i，表示在NP个蜜源中随机选择一个不等于i的蜜源；

是在[-1,1]均匀分布的随机数。

5.如权利要求1所述的声音信道均衡方法，其特征在于，所述S4具体如下：

S4-1：预设每次进行比较的个体数量N，采用二元锦标赛即每次选择两个个体；

S4-2：对选取的N个个体进行相互比较，适应度最高的个体获得1分；

S4-3：重复步骤S4-2，直至每N个个体之间都比较过；此时个体的得分越高，表示个体的适应度越好，则该个体被跟随蜂选择跟随的机率越大；

S4-4：利用公式goal_out＝(0.9*goal/max(goal))+0.1，令每个个体的分值除以最大分值进行归一化处理，使得分较低的个体也有较大被选择的机会，得到最终的选择概率；

S4-5：最终跟随蜂通过轮盘赌机制选择引导蜂进行跟随。

6.如权利要求1所述的声音信道均衡方法，其特征在于，所述S7具体如下：

S7-1：搜索过程中，如果蜜源X_i经过trial次迭代搜索到达阈值limit而没有找到更好的蜜源，该蜜源X_i将会被放弃，与之对应的引导蜂角色转变为侦查蜂；侦查蜂将在搜索空间随机产生一个新的蜜源代替X_i，公式如下：

其中，x_i是蜜源，t是迭代次数，U_d是蜜源上限值，L_d是蜜源下限值，limit为最大搜索次数；

S7-2：进一步提高蜂群的种群多样性，对产生的新一代蜜源进行高斯扰动，扰动公式如下：

Foods＝Foods*(1+sqrt(0.1)*rand(1,D))

其中，高斯扰动强度为1+sqrt(0.1)*rand(1,D)，D为蜜源x_i的维度，即所优化函数的维度。

7.如权利要求1所述的声音信道均衡方法能够应用于水声信道均衡技术领域。

Images