CN116827725B - 一种基于遗传算法的迭代信道参数估计方法 - Google Patents
一种基于遗传算法的迭代信道参数估计方法 Download PDFInfo
- Publication number
- CN116827725B CN116827725B CN202310564745.XA CN202310564745A CN116827725B CN 116827725 B CN116827725 B CN 116827725B CN 202310564745 A CN202310564745 A CN 202310564745A CN 116827725 B CN116827725 B CN 116827725B
- Authority
- CN
- China
- Prior art keywords
- path
- angle
- estimated
- time delay
- channel
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002068 genetic effect Effects 0.000 title claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 18
- 230000001934 delay Effects 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 235000002020 sage Nutrition 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于遗传算法的迭代信道参数估计方法，涉及无线通信技术领域，包括以下步骤：步骤101，生成快照的信道冲击响应；步骤102，初始化路径的信道参数，其中信道参数包括时延、角度、复振幅；步骤103，确定所有路径信道参数时延和角度对应的搜索空间并设定路径参数的估计次数；步骤104，基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；步骤105，当所有路径参数估计次数等于设定路径参数的估计次数；则结束，否则，返回步骤104。本发明提高了多径信道参数估计的准确度。
Description
技术领域
本专利涉及无线通信技术领域，具体涉及是一种基于遗传算法的迭代信道参数估计方法。
背景技术
无线信道环境变化是动态的，信道参数时刻发生变化，准确估计多径信道参数有利于提高无线通信的通信质量。目前无线通信中基于位置的应用，包括车辆导航、航空导航等，这些应用都需要通过精确的无线电感知以保证良好的通信性能和定位精度。
由于全球定位系统(GPS)本身的局限性，比如在恶劣的天气环境下容易导致较大的定位误差等；近年来，基于距离的定位通过利用信号估计视距路径的到达时间(TOA)获得了很多关注。目前，估计入射平面波的信道参数如复振幅、时延、方位角、仰角、多普勒频率等的方法有很多，如：MUSIC,ESPRIT,SVD,空间交替期望最大化(Space AlternatingGeneralized Expectation,SAGE)等。其中，MUSIC、ESPRIT算法计算量较大；SVD算法分解出的矩阵解释性不强；上述三者都局限于收发天线的阵列结构，SAGE算法是一种不局限于收发天线的阵列结构的高效迭代的算法。但在实际的无线通信中，发射信号的多径传播将影响到达时间的估计进而影响定位效果，导致定位位置的误差。
因此，亟需一种能够准确的进行多径参数估计方法，以解决上述存在的定位精度问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提出一种基于遗传算法的迭代信道参数估计方法，可以准确地估计多径信道，减小定位误差，提高了信道参数估计的精度。
为了达到上述目的，本发明采用以下技术方案予以实现：
一种基于遗传算法的迭代信道参数估计方法，包括以下步骤：
步骤101，生成快照的信道冲击响应；
步骤102，初始化路径的信道参数，其中信道参数包括时延、角度、复振幅；
步骤103，确定所有路径信道参数时延和角度对应的搜索空间并设定路径参数的估计次数；
步骤104，基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；
步骤105，当所有路径参数估计次数等于设定路径参数的估计次数；则结束，否则，返回步骤104。
作为本发明的进一步技术方案为，所述基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；具体包括：
利用遗传算法迭代估计路径信道参数中的时延和角度，根据估计的时延和角度确定路径的隐藏数据空间计算适应度；
当遗传算法的进化代数达到设置的进化代数，则停止迭代，选出最大适应度对应的时延和角度；
根据最大适应度对应的时延和角度计算复振幅；此时，最大适应度对应的时延、角度和复振幅为信道估计参数。
作为本发明的进一步技术方案为，所述设定路径参数估计次数，并根据估计的时延和角度确定路径的隐藏数据空间；具体包括：
假设有L条路径，
当第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
当非第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
适应度函数为：
F＝|Xn*S*|2；
其中，Z为快照的冲击响应，其中，快照是接收信号某一时刻的状态记录，Hl为第l条路径的信道冲激响应,当第一次估计所有路径信道参数时，l＝1,…,L-1,当非第一次估计所有路径信道参数时，l＝1,…,L，且l≠n，n为当前第n(n＝1,…,L)条估计路径,其中，θl为第l条路径的方位角，/>为第l条路径的仰角，为第l条路径天线导向向量，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号，S*代表S的复共轭，|Xn*S*|2代表Xn*S*的Frobenius范数的平方。
作为本发明的进一步技术方案为，所述利用遗传算法迭代估计路径信道参数中的时延和角度并计算适应度；具体包括：
步骤S1，初始化种群大小N、进化代数、交叉概率、普通变异概率,大变异概率,对时延、角度分别进行随机二进制编码，产生初始种群；
步骤S2，将当前估计路径隐藏数据空间和传输的数据符号之间的互相关函数作为适应度函数；
步骤S3，将对时延编码生成的N个个体与对角度编码生成的N个个体进行组合，共生成N*N种组合；
步骤S4，计算N*N种组合对应的适应度值，选出N*N组中最大的适应度值作为第一适应度值；
步骤S5，分别对时延、角度对应的二进制编码产生的初始种群执行选择操作；
步骤S6，分别对选择操作后的时延、角度对应的二进制编码种群执行交叉操作；
步骤S7，分别对交叉操作后的时延、角度对应的二进制编码种群执行变异操作；
步骤S8，将经过变异操作后对时延编码新生成的M个个体与对角度编码新生成的M个个体进行组合，共生成M*M种组合,其中，M＝N；
步骤S9，计算M*M种组合对应的适应度值，选出M*M组中最大的适应度值作为第二适应度值；
步骤S10，选择第二适应度值和第一适应度值中的最大值为最大适应度值；
步骤S11，判断是否达到进化代数，没有达到进化代数则返回步骤S5，达到进化代数，最大适应度值对应的时延和角度为信道的时延和角度估计参数。
作为本发明的进一步技术方案为，所述分别对时延、角度对应的二进制编码产生的初始种群执行选择操作；具体包括：
进行选择操作时，采用自适应遗传算法，将个体按照适应度从大到小排列，按照此顺序选择N×Pk个体直接复制到下一代。其中Pk与最小适应度值Fmin成正比，与平均适应度值Favg成反比，剩下的(N-N×Pk)个个体通过“轮盘赌”进行选择，“轮盘赌”是各个个体被选中的概率与适应度大小成正比，具体操作如下：
(1)计算出群体中每个个体的适应度值Fi(i＝1,…,N)；
(2)计算出每个个体被遗传到下一代群体中的概率Pi(i＝1,…,N)：
(3)计算出每个个体的累积概率Qi(i＝1,…,N)：
(4)在[0,1]区间内产生一个均匀分布的伪随机数r；
(5)若r<Q1，则选择个体1，否则选择个体k,使得Qk-1<r≤Qk成立；重复(4)、(5)共N次。
作为本发明的进一步技术方案为，根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述分别对选择操作后的时延、角度对应的二进制编码种群执行交叉操作；具体为：
进行交叉操作时，采用田忌赛马的分组交叉方式，设将某一代种群中的个体按照适应度从小到大六个个体分成一组，每组中的六个个体按照适应度从小到大依次编号为1-6，个体1和个体6进行交叉，个体2和个体3进行交叉，个体4和个体5进行交叉，其他各组类推。
作为本发明的进一步技术方案为，根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述分别对交叉操作后的第一时延、第一角度对应的二进制编码种群执行变异操作；具体为：采用传统变异操作和大变异操作相结合的变异方法对路径参数对应的二进制编码进行操作，其中，传统的变异操作为：当随机生成的数小于设置的普通变异概率Pm时，个体进行变异，当随机生成的数大于设置的变异概率Pm时，个体不进行变异；
根据当前种群的成熟程度确定是否执行大变异操作，当种群中个体的最大适应度值与平均适应度值越接近，则种群越成熟；在成熟的种群中，每个个体的适应度值趋向一个相同的值；当迭代的最大适应度值Fmax和平均适应度值Favg满足aFmax<Favg,a为密集因子，表征个体的集中程度，则将该代中所有个体设置为具有最高适应度个体的形式，随后，以概率Pe进行一次大变异操作，其中Pe≥4Pm。
作为本发明的进一步技术方案为，所述Pm为0.001～0.1，0.5<a<1。
作为本发明的进一步技术方案为，所述路径的信道参数估计次数至少为2。
作为本发明的进一步技术方案为，所述根据最大适应度对应的时延和角度计算复振幅；具体为：复振幅按如下公式计算：
其中，其中，θl为第l条路径的方位角，为第l条路径的仰角，/>为第l条路径天线导向向量，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号,S*代表S的复共轭/>表示矩阵/>的共轭转置矩阵。
本发明的有益技术效果为：
本发明针对估计多径信道参数问题，利用遗传算法全局搜索最优解的能力逐一估计各条路径上的信道参数，利用每一次估计出的所有路径信道参数不断迭代进行下一次估计所有路径信道参数的操作。由于每一条路径的信道参数不停地趋于真实值，通过迭代估计，所有路径的信道参数不停地趋于真实值。本发明提高了多径信道参数估计的准确度。
附图说明
图1为本发明提出的一种基于遗传算法的迭代信道参数估计方法流程图；
图2为本发明提出的具体实施例流程图；
图3为本发明提出的单发单收天线实施例具体流程图；
图4为第一次用遗传算法估算第一径的时延随迭代次数的变化趋势图；
图5为第一次用遗传算法估算第二径的时延随迭代次数的变化趋势图；
图6为第二次用遗传算法估算第一径的时延随迭代次数的变化趋势图；
图7为第二次用遗传算法估算第二径的时延随迭代次数的变化趋势图；
图8为分别用SAGE算法和本发明提出的GA算法估计出的第一径时延均方误差随信噪比的变化趋势图；
图9为分别用SAGE算法和本发明提出的GA算法估计出的第一径时延均方误差随两径之间时延差的变化趋势图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行清晰、完整的描述。以下所述仅为本发明的实施例，但并不用以此限制本发明的范围。有关领域的技术人员，凡在不脱离本发明的精神和原则的情况下，所作出的任何修改，包括改进、等同替换等，皆应在本发明的保护范围之内。
如图1所示，本发明提出了一种基于遗传算法的迭代信道参数估计方法，包括以下步骤：
步骤101，生成快照的信道冲击响应；
步骤102，初始化路径的信道参数，其中信道参数包括时延、角度、复振幅；
步骤103，确定所有路径信道参数时延和角度对应的搜索空间并设定路径参数的估计次数；
步骤104，基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；
步骤105，当所有路径参数估计次数等于设定路径参数的估计次数；则结束，否则，返回步骤104。
本发明针对估计多径信道参数问题，利用遗传算法全局搜索最优解的能力逐一估计各条路径上的信道参数，利用每一次估计出的所有路径信道参数不断迭代进行下一次估计所有路径信道参数的操作。其中搜索空间为包含初始化值的区间，由于每一条路径的信道参数不停地趋于真实值，通过迭代估计，所有路径的信道参数不停地趋于真实值。本发明提高了多径信道参数估计的准确度。
本发明所述的信道冲击响应模型，宽带信道的冲激响应应表示为：
其中，L(t)为t时刻的路径数，θl(t)、αl(t)、ψl(t)、τl(t)分别第l(l＝1,…,L(t)条路径的方位角、仰角、振幅、相位、时延，/>为第l(l＝1,…,L(t)条路径的导向向量，δ(τ-τl(t))为τl(t)处的冲激函数。
t时刻的路径估计数为L,那么t时刻的信道冲激响应为：
其中，τ为t时刻的信道冲激响应对应的时延，θl、αl、ψl、τl分别第l(l＝1,…,L)条路径t时刻的方位角、仰角、振幅、相位、时延，/>为第l(l＝1,…,L)条路径t时刻的导向向量，δ(τ-τl)为t时刻τl处的冲激函数。
对上式进行离散傅里叶变换(DFT)得到信道的冲激响应：
本发明实施例中，基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；具体包括：
利用遗传算法迭代估计路径信道参数中的时延和角度，根据估计的时延和角度确定路径的隐藏数据空间计算适应度；
当遗传算法的进化代数达到设置的进化代数，则停止迭代，选出最大适应度对应的时延和角度；
根据最大适应度对应的时延和角度计算复振幅；此时，最大适应度对应的时延、角度和复振幅为信道估计参数。
本发明实施例中，根据估计的时延和角度确定路径的隐藏数据空间计算适应度；具体包括：
假设有L条路径，当第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
当非第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
适应度函数为：
F＝|Xn*S*|2；
其中，Z为快照的冲击响应，其中，快照是接收信号某一时刻的状态记录，Hl为第l条路径的信道冲激响应,当第一次估计所有路径信道参数时，l＝1,…,L-1,当非第一次估计所有路径信道参数时，l＝1,…,L，且l≠n，n为当前第n(n＝1,…,L)条估计路径,其中，θ为第l条路径的方位角，/>为第l条路径的仰角，为第l条路径天线导向向量，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号，S*代表S的复共轭，|Xn*S*|2代表Xn*S*的Frobenius范数的平方。
参见图2，本发明实施例中，所述利用遗传算法迭代估计路径信道参数中的时延和角度并计算适应度；具体包括：
步骤S1，初始化种群大小N、进化代数、交叉概率、普通变异概率,大变异概率,对时延、角度分别进行随机二进制编码，产生初始种群；
步骤S2，将当前估计路径隐藏数据空间和传输的数据符号之间的互相关函数作为适应度函数；
步骤S3，将对时延编码生成的N个个体与对角度编码生成的N个个体进行组合，共生成N*N种组合；
步骤S4，计算N*N种组合对应的适应度值，选出N*N组中最大的适应度值作为第一适应度值；
步骤S5，分别对时延、角度对应的二进制编码产生的初始种群执行选择操作；
步骤S6，分别对选择操作后的时延、角度对应的二进制编码种群执行交叉操作；
步骤S7，分别对交叉操作后的时延、角度对应的二进制编码种群执行变异操作；
步骤S8，将经过变异操作后对时延编码新生成的M个个体与对角度编码新生成的M个个体进行组合，共生成M*M种组合,其中，M＝N；
步骤S9，计算M*M种组合对应的适应度值，选出M*M组中最大的适应度值作为第二适应度值；
步骤S10，选择第二适应度值和第一适应度值中的最大值为最大适应度值；
步骤S11，判断是否达到进化代数，没有达到进化代数则返回步骤S5，达到进化代数，最大适应度值对应的时延和角度为信道的时延和角度估计参数。
参见图3，以单发单收天线为例，具体流程为：
1：仿真生成快照的信道冲击响应；
2：基于串行干扰消除法初始化所有路径信道参数，包括时延、复振幅；
3：基于上一步得到的路径参数初始值，确定所有路径时延对应的搜索空间以及路径参数估计次数num，num＝2；
4：开始迭代计算每一条路径信道参数，迭代次数为上一步确定的所有路径参数的估计次数num。
使用基于遗传算法的迭代信道参数估计方法估计第l条路径的信道参数，包括时延、复振幅，具体按以下步骤执行：
初始化设置种群大小N＝24、进化代数gen＝200、交叉概率Pc＝0.7、普通变异概率Pm＝0.01,大变异概率Pe＝0.04；
根据时延对应的搜索空间，对时延进行随机二进制编码，产生初始种群，染色体的相应基因位置1，否则置0；
将当前估计路径隐藏数据空间和传输的数据符号之间的互相关函数作为适应度函数F：
F＝|Xn*S*|2；
假设有L条路径,当第一次估计所有路径信道参数时，所述第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
当非第一次估计所有路径信道参数时，所述第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
其中，Z为快照的冲击响应，其中，快照是接收信号某一时刻的状态记录，Hl为第l条路径的信道冲激响应,当第一次估计所有路径信道参数时，l＝1,…,L-1,当非第一次估计所有路径信道参数时，l＝1,…,L，且l≠n，n为当前第n(n＝1,…,L)条估计路径,其中，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号，S*代表S的复共轭，|Xn*S*|2代表Xn*S*的Frobenius范数的平方。
计算个体的适应度值并找出最大适应度及其对应的个体；
5：对时延对应的二进制编码产生的初始种群执行选择操作；采用自适应遗传算法，将个体按照适应度从大到小排列，按照此顺序选择N×Pk个体直接复制到下一代。其中Pk与最小适应度值Fmin成正比，与平均适应度值Favg成反比，剩下的(N-N×Pk)个个体通过“轮盘赌”进行选择，“轮盘赌”的基本思想是各个个体被选中的概率与适应度大小成正比，具体操作如下：
1)计算出群体中每个个体的适应度值Fi(i＝1,…,N)；
2)计算出每个个体被遗传到下一代群体中的概率Pi(i＝1,…,N)：
3)计算出每个个体的累积概率Qi(i＝1,…,N)：
4)在[0,1]区间内产生一个均匀分布的伪随机数r；
5)若r<Q1，则选择个体1，否则选择个体k,使得Qk-1<r≤Qk成立；
6)重复4)、5)共N次；
6：对选择操作后的时延对应的二进制编码种群执行交叉操作；
采用田忌赛马的分组交叉方式，将某一代种群中的个体按照适应度从小到大六个个体分成一组，每组中的六个个体按照适应度从小到大依次编号为1-6，个体1和个体6进行交叉，个体2和个体3进行交叉，个体4和个体5进行交叉，其他各组类推。
7：对交叉操作后的时延对应的二进制编码种群执行变异操作：
采用传统变异操作和大变异操作相结合的变异方法，传统的变异操作为：当随机生成的数小于设置的普通变异概率Pm时，个体进行变异，当随机生成的数大于设置的变异概率Pm时，个体不进行变异。是否执行大变异操作依赖当前种群的成熟程度，种群中个体的最大适应度值与平均适应度值越接近，则种群越成熟。在成熟的种群中，每个个体的适应度值趋向一个相同的值。当某代的最大适应度值Fmax和平均适应度值Favg满足aFmax<Favg,a设置成5/6，将该代中所有个体设置为具有最高适应度个体的形式，随后，当随机生成的数小于设置的大变异概率Pe时，个体进行变异，当随机生成的数大于设置的大变异概率Pe时，个体不进行变异。
8：计算出新生成的个体的适应度值并找出最大适应度及其对应的个体；
9：判断是否达到进化代数gen，没有达到进化代数则返回5，达到进行代数gen，则终止进化过程，将适应度值最大的个体确定为当前估计径的时延；
判断所有路径的信道参数估计次数是否等于num，若等于num，则结束算法；反之，跳至步骤4；
10：利用下述公式计算适应度值最大的复振幅
复振幅按如下公式计算：
为了验证本发明所提出方法的有效性，结合仿真结果对本发明的应用效果作详细的描述。具体仿真中设置两条路径，第一径真实的振幅设置成1，真实的时延设置成1，相位设置成0，第二径真实的振幅设置成0.5，真实的时延设置成2.5，相位设置成40度，所有路径参数的估计次数设置成2。
其中，时延估计均方根误差其中，M为蒙特卡洛次数，实验中设置为300，τ为真实的路径时延，/>为第M次估计的路径时延。
参见图4-图7，可以从上述图看出，每一次用遗传算法估计信道参数时，迭代到一定次数后变趋于收敛，收敛速度较快。
图8为分别用SAGE算法和本发明提出的GA算法估计出的第一径时延均方误差随信噪比的变化。可以看到，随着信噪比的增加，第一径时延均方误差均有减小的趋势，且遗传算法的性能比SAGE估计时延的性能有所提高。
图9为分别用SAGE算法和本发明提出的GA算法估计出的第一径时延均方误差随两径之间时延差的变化。可以看到，在相同的两径之间时延差情况下，遗传算法的性能比SAGE估计时延的性能有所提高。
上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。
Claims (6)
1.一种基于遗传算法的迭代信道参数估计方法，其特征在于，包括以下步骤：
步骤101，生成快照的信道冲击响应；
步骤102，初始化路径的信道参数，其中信道参数包括时延、角度、复振幅；
步骤103，确定所有路径信道参数时延和角度对应的搜索空间并设定路径参数的估计次数；
步骤104，基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；
步骤105，当所有路径参数估计次数等于设定路径参数的估计次数；则结束，否则，返回步骤104；
所述基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；具体包括：
利用遗传算法迭代估计路径信道参数中的时延和角度，根据估计的时延和角度确定路径的隐藏数据空间计算适应度；
当遗传算法的进化代数达到设置的进化代数，则停止迭代，选出最大适应度对应的时延和角度；
根据最大适应度对应的时延和角度计算复振幅；此时，最大适应度对应的时延、角度和复振幅为信道估计参数；
所述根据估计的时延和角度确定路径的隐藏数据空间计算适应度；具体包括：
假设有L条路径，当第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
当非第一次估计所有路径信道参数时，第n(n＝1,…,L)条路径的隐藏数据空间Xn为：
适应度函数为：
F＝||Xn*S*||2；
其中，Z为快照的冲击响应，其中，快照是接收信号某一时刻的状态记录，Hl为第l条路径的信道冲激响应,当第一次估计所有路径信道参数时，l＝1,…,L-1,当非第一次估计所有路径信道参数时，l＝1,…,L，且l≠n，n为当前第n(n＝1,…,L)条估计路径,其中，θl为第l条路径的方位角，/>为第l条路径的仰角，为第l条路径天线导向向量，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号，S*代表S的复共轭，||Xn*S*||2代表Xn*S*的Frobenius范数的平方；
所述基于对应的搜索空间，利用遗传算法迭代估计每一条路径的信道参数并利用估计出的时延、角度确定每一条路径的复振幅；具体包括：
步骤S1，初始化种群大小N、进化代数、交叉概率、普通变异概率,大变异概率,对时延、角度分别进行随机二进制编码，产生初始种群；
步骤S2，将当前估计路径隐藏数据空间和传输的数据符号之间的互相关函数作为适应度函数；
步骤S3，将对时延编码生成的N个个体与对角度编码生成的N个个体进行组合，共生成N*N种组合；
步骤S4，计算N*N种组合对应的适应度值，选出N*N组中最大的适应度值作为第一适应度值；
步骤S5，分别对时延、角度对应的二进制编码产生的初始种群执行选择操作；
步骤S6，分别对选择操作后的时延、角度对应的二进制编码种群执行交叉操作；
步骤S7，分别对交叉操作后的时延、角度对应的二进制编码种群执行变异操作；
步骤S8，将经过变异操作后对时延编码新生成的M个个体与对角度编码新生成的M个个体进行组合，共生成M*M种组合,其中，M＝N；
步骤S9，计算M*M种组合对应的适应度值，选出M*M组中最大的适应度值作为第二适应度值；
步骤S10，选择第二适应度值和第一适应度值中的最大值为最大适应度值；
步骤S11，判断是否达到进化代数，没有达到进化代数则返回步骤S5，达到进化代数，最大适应度值对应的时延和角度为信道的时延和角度估计参数；
所述根据最大适应度对应的时延和角度计算复振幅；具体为：复振幅按如下公式计算：
其中，其中，θl为第l条路径的方位角，为第l条路径的仰角，/>为第l条路径天线导向向量，αl为第l条路径的振幅，ψl为第l条路径的相位，τl为第l条路径的时延，f为信号频率，S为传输的数据符号,S*代表S的复共轭，/>表示矩阵/>的共轭转置矩阵。
2.根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述分别对时延、角度对应的二进制编码产生的初始种群执行选择操作；具体包括：
进行选择操作时，采用自适应遗传算法，将个体按照适应度从大到小排列，按照此顺序选择N×Pk个体直接复制到下一代，其中Pk与最小适应度值Fmin成正比，与平均适应度值Favg成反比，剩下的(N-N×Pk)个个体通过“轮盘赌”进行选择。
3.根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述分别对选择操作后的时延、角度对应的二进制编码种群执行交叉操作；具体为：
采用田忌赛马的分组交叉方式对选择操作后的时延、角度对应的二进制编码种群进行操作。
4.根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述分别对交叉操作后的时延、角度对应的二进制编码种群执行变异操作；具体为：采用传统变异操作和大变异操作相结合的变异方法对路径参数对应的二进制编码进行操作，其中，传统的变异操作为：当随机生成的数小于设置的普通变异概率Pm时，个体进行变异，当随机生成的数大于设置的变异概率Pm时，个体不进行变异；
根据当前种群的成熟程度确定是否执行大变异操作，当种群中个体的最大适应度值与平均适应度值越接近，则种群越成熟；在成熟的种群中，每个个体的适应度值趋向一个相同的值；当迭代的最大适应度值Fmax和平均适应度值Favg满足aFmax<Favg,a为密集因子，表征个体的集中程度，则将该迭代中所有个体设置为具有最高适应度个体的形式，随后，以概率Pe进行一次大变异操作，其中Pe≥4Pm。
5.根据权利要求4所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述Pm为0.001～0.1，0.5<a<1。
6.根据权利要求1所述的一种基于遗传算法的迭代信道参数估计方法，其特征在于，所述路径的信道参数估计次数至少为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564745.XA CN116827725B (zh) | 2023-05-19 | 2023-05-19 | 一种基于遗传算法的迭代信道参数估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564745.XA CN116827725B (zh) | 2023-05-19 | 2023-05-19 | 一种基于遗传算法的迭代信道参数估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116827725A CN116827725A (zh) | 2023-09-29 |
| CN116827725B true CN116827725B (zh) | 2024-05-24 |
Family
ID=88128363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310564745.XA Active CN116827725B (zh) | 2023-05-19 | 2023-05-19 | 一种基于遗传算法的迭代信道参数估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116827725B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013029226A1 (zh) * | 2011-08-29 | 2013-03-07 | 北京邮电大学 | 一种信道参数估计方法和系统 |
| EP2596605A1 (en) * | 2011-09-09 | 2013-05-29 | Telefonaktiebolaget L M Ericsson (PUBL) | Method and system for wireless communication channel estimation |
| CN111600665A (zh) * | 2020-05-12 | 2020-08-28 | 长安大学 | 基于arima滤波器的sage信道参数估计方法 |
| CN113507426A (zh) * | 2021-06-16 | 2021-10-15 | 北京邮电大学 | 基于otfs调制的联合信道估计与信号检测方法及装置 |
| CN114065630A (zh) * | 2021-11-17 | 2022-02-18 | 西北工业大学 | 基于遗传算法的不确定参数聚焦匹配场声源功率估计方法 |
-
2023
- 2023-05-19 CN CN202310564745.XA patent/CN116827725B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013029226A1 (zh) * | 2011-08-29 | 2013-03-07 | 北京邮电大学 | 一种信道参数估计方法和系统 |
| EP2596605A1 (en) * | 2011-09-09 | 2013-05-29 | Telefonaktiebolaget L M Ericsson (PUBL) | Method and system for wireless communication channel estimation |
| CN111600665A (zh) * | 2020-05-12 | 2020-08-28 | 长安大学 | 基于arima滤波器的sage信道参数估计方法 |
| CN113507426A (zh) * | 2021-06-16 | 2021-10-15 | 北京邮电大学 | 基于otfs调制的联合信道估计与信号检测方法及装置 |
| CN114065630A (zh) * | 2021-11-17 | 2022-02-18 | 西北工业大学 | 基于遗传算法的不确定参数聚焦匹配场声源功率估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王江安 ; 刘鹏举 ; 李珊珊 ; .自适应遗传算法抑制复杂短时延Galileo BOC(1,1)多径.中南大学学报(自然科学版).2012,(第12期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116827725A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A MIMO-OFDM channel estimation approach using time of arrivals | |
| CN110940949B (zh) | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 | |
| CN111147407B (zh) | 基于信道预测的tmsbl水声ofdm时变信道估计方法 | |
| CN110380994B (zh) | 快速贝叶斯匹配追踪海上稀疏信道估计方法 | |
| CN101620270A (zh) | 基于聚类融合的无线定位方法 | |
| CN109088835A (zh) | 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法 | |
| CN113507426A (zh) | 基于otfs调制的联合信道估计与信号检测方法及装置 | |
| JPH11231033A (ja) | 到来波推定方法 | |
| CN117890861B (zh) | 一种基于单比特匹配滤波的doa预测方法、系统及终端 | |
| WO2021011043A2 (en) | High-throughput wireless communications encoded using radar waveforms | |
| JP2005515698A5 (zh) | ||
| CN116827725B (zh) | 一种基于遗传算法的迭代信道参数估计方法 | |
| KR20190001170A (ko) | 신호의 도래각을 추정하는 방법 및 장치 | |
| CN116155326B (zh) | 超大规模mimo混合场信道下的去伪峰信道估计方法 | |
| CN117241375A (zh) | 复杂环境中ris辅助基站定位方法、装置、及系统 | |
| CN116390024A (zh) | 一种wifi室内定位方法、装置及介质 | |
| CN116299285A (zh) | 基于分布式压缩感知的mimo-ofdm雷达通信一体化目标定位方法 | |
| CN109917330A (zh) | 一种存在相位误差时基于稀疏正交匹配追踪理论的到达角估计方法 | |
| CN106713191B (zh) | 一种多级搜索sage方法 | |
| CN113359095B (zh) | 一种相干被动mimo雷达克拉美罗界的计算方法 | |
| CN113406562B (zh) | 北斗和超宽带系统中一种toa与doa联合估计降维方法 | |
| Kozick et al. | Signal processing in non-Gaussian noise using mixture distributions and the EM algorithm | |
| CN108051773A (zh) | 基于盖式圆盘准则估计信源数目的epuma方法 | |
| KR100681393B1 (ko) | 가상 센서를 이용한 다중경로 검출방법 | |
| Yoon et al. | Doppler spread estimation based on machine learning for an OFDM system |
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 |