模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法
【專(zhuān)利摘要】本發(fā)明公布了一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，所述方法如下：隨機(jī)初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號(hào)作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價(jià)函數(shù)確定果蠅的味道濃度函數(shù)，對(duì)由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進(jìn)行模擬退火操作，得到果蠅群的不會(huì)陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權(quán)向量。本發(fā)明在處理高階正交幅度調(diào)制信號(hào)時(shí)，收斂速度快、穩(wěn)態(tài)誤差小，避免了陷入局部最優(yōu)的缺陷，實(shí)用性強(qiáng)。
【專(zhuān)利說(shuō)明】模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種盲均衡方法，尤其涉及一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法。
【背景技術(shù)】
[0002]傳統(tǒng)多模盲均衡方法(Mult1-modulusAlgorithm, MMA)(見(jiàn)文獻(xiàn)[I]徐小東，戴佩初，徐曉霞.適合高階QAM信號(hào)的加權(quán)多模盲均衡算法[J].電子與信息學(xué)報(bào),2007.6, 29 (6):雨 1352 ?1355.文獻(xiàn)[2] J.Yang, GDumont.The MultimodulusBlindequalizationandltsGeneralizedAlgorithms.2002 (20) 5:997-1015.)將 QAM 信號(hào)的實(shí)部和虛部分開(kāi)均衡，有效地糾正了 QAM信號(hào)的相位旋轉(zhuǎn)，但對(duì)高階QAM信號(hào)，MMA均衡效果仍不理想。廣義離散多模盲均衡方法，采用梯度下降算法對(duì)均衡器權(quán)向量進(jìn)行更新，易陷入局部收斂，難以獲得全局最優(yōu)解，收斂后存在穩(wěn)態(tài)誤差較大和收斂速度較慢，而其收斂速度慢的主要因素是輸入信號(hào)存在自相性(文獻(xiàn)[3]:ShafayatA, AsokeKN.Blindequalizationof square-QAMsignals:amultimodulusapproach[J].1EEETransactionon Communications.2010，(58)6:1674-1685.)。為了降低輸入信號(hào)的自相關(guān)性，以加快收斂速度，將正交小波變換引入盲均衡方法中是一種有效辦法(見(jiàn)文獻(xiàn)[4]郭業(yè)才，劉振興。基于平衡正交多小波變換的盲均衡算法[J]，兵工學(xué)報(bào)，2010，31 (3): 279?284.)。果蠅優(yōu)化方法是一種隨機(jī)搜索全局優(yōu)化方法，該方法模擬果蠅覓食行為，利用果蠅群體協(xié)作機(jī)制和信息共享機(jī)制搜尋種群最優(yōu)解，具有良好的全局尋優(yōu)能力且魯棒性強(qiáng)，但易陷入局部收斂及“早熟”現(xiàn)象(見(jiàn)文獻(xiàn)
[5]潘文超著.果蜆優(yōu)化算法[M].滄海書(shū)局，2011.文獻(xiàn)[6]Panffen-Tsa0.A newfruitflyoptimizationalgorithm:takingthefinaneialdistressmodeI asanexample[J].Knowledge-BasedSystems, 2012, 26:69-74.)。
[0003]模擬退火方法模擬固體退火過(guò)程，采用串行優(yōu)化結(jié)構(gòu)，通過(guò)賦予搜索過(guò)程一種時(shí)變且最終趨于零的概率突跳性，從而有效地避免陷入局部極值并最終趨于全局最優(yōu)，具有優(yōu)良的局部搜索能力，但其收斂速度慢、全局搜索能力弱、初值魯棒性差(見(jiàn)文獻(xiàn)[7]龐峰.模擬退火算法的原理及算法在優(yōu)化問(wèn)題上的應(yīng)用[D].吉林:吉林大學(xué).2006:6-8.文獻(xiàn)[8]宋煒，劉強(qiáng).基于模擬退火算法的過(guò)程挖掘研究[J].電子學(xué)報(bào)，2008，36(4A):35-139)。

【發(fā)明內(nèi)容】

[0004]本發(fā)明目的是針對(duì)現(xiàn)有盲均衡技術(shù)在均衡高階正交幅度調(diào)制信號(hào)(QAM)時(shí)存在的缺陷(見(jiàn)文獻(xiàn)[9]王彬，葛臨東，霍亞娟.適用于高階QAM信號(hào)的多?；旌厦ぞ馑惴╗J].數(shù)據(jù)采集與處理.2011.26(1):8-14.)，發(fā)明了一種模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法(SA-F0A-WT-GSMMA)。
[0005]本發(fā)明方法在廣義離散多模盲均衡方法的基礎(chǔ)上充分結(jié)合了正交小波變換，果蠅優(yōu)化方法和模擬退火方法的優(yōu)點(diǎn)，利用果蠅優(yōu)化方法全局搜索能力強(qiáng)、魯棒性高和收斂速度快的特點(diǎn)優(yōu)化均衡器權(quán)向量；利用正交小波變換，降低輸入信號(hào)與噪聲的自相關(guān)性，加快收斂速度；利用模擬退火方法優(yōu)良的局部搜索能力，避免了果蠅優(yōu)化方法陷入早熟現(xiàn)象，進(jìn)一步減小穩(wěn)態(tài)誤差、加快收斂速度。
[0006]本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案:
[0007]本發(fā)明模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，所述方法如下:
[0008]隨機(jī)初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號(hào)作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價(jià)函數(shù)確定果蠅的味道濃度函數(shù)，對(duì)由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進(jìn)行模擬退火操作，得到果蠅群的不會(huì)陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權(quán)向量；
[0009]所述模擬退火與果蠅混合優(yōu)化權(quán)向量方法如下:
[0010]步驟1:果蠅群的味道濃度確定:將廣義離散多模盲均衡方法WT-GSMAA的代價(jià)函數(shù)JesMMAOg作為果蠅群中第i個(gè)果蠅的味道濃度F(Xi)，i=1, 2，…M，M為果蠅群中果蠅的規(guī)模，為正整數(shù)；
[0011]步驟2:初始化果蠅群參數(shù):
[0012]設(shè)果蠅群中果蠅的規(guī)模為m，果蠅位置向量的維數(shù)為d，為正整數(shù)；果蠅群中第i個(gè)果蠅的初始位置向量均為Xi=Uil, xi2,…，xid)，xid為第i個(gè)果蠅的第d維初始位置；第i個(gè)果蠅的初始味道濃度為F(Xi)；
[0013]步驟3:第i個(gè)果蠅的位置向量Xi與步進(jìn)向量Vi:
[0014]Xi=X+Vi
[0015]Vi=(VilJifJid)
[0016]Vid=U.rand (0,1)
[0017]式中，Xi表示第i個(gè)果蠅的位置向量Xi= (Xn，Xi2, - ,Xid)，Xid為第i個(gè)果蠅的第d維位置Vid表示第i個(gè)果蠅的第d維步進(jìn)長(zhǎng)度，為區(qū)間[_u，u]內(nèi)的隨機(jī)數(shù)，u表示步進(jìn)因子，rand (0, 1)表示0到1之間的隨機(jī)數(shù)'Ni表示第i個(gè)果蠅的步進(jìn)向量；
[0018]步驟4:計(jì)算果蠅味道濃度F(Xi):按步驟I所述的果蠅群中第i個(gè)果蠅的味道濃度確定方法，計(jì)算果蠅味道濃度F (Xi)；
[0019]步驟5:在果蠅群體中找出味道濃度最低的果蠅個(gè)體作為最優(yōu)個(gè)體，與最優(yōu)個(gè)體對(duì)應(yīng)的味道濃度和位置向量稱(chēng)為最優(yōu)果蠅個(gè)體的味道濃度和位置向量；
[0020]步驟6:更新果蠅群的味道濃度和位置向量:將最優(yōu)果蠅個(gè)體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個(gè)體的味道濃度作為果蠅群的味道濃度；
[0021]步驟7:重復(fù)執(zhí)行步驟3至步驟5，若當(dāng)前最優(yōu)果蠅個(gè)體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟6 ；
[0022]步驟8:若當(dāng)前最優(yōu)果蠅個(gè)體的味道濃度不再變化時(shí)，則與之對(duì)應(yīng)的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量X。X。-，X2opt,…，χ_)，Xdopt為當(dāng)前最優(yōu)果蠅個(gè)體的第d維位置；否則轉(zhuǎn)至步驟7 ；
[0023]步驟9:避免果蠅群最優(yōu)位置向量X_陷入局部最優(yōu)，對(duì)果蠅群的最優(yōu)位置向量Xopt進(jìn)一步作模擬退火操作，果蠅群最優(yōu)位置向量的每一維皆按Metropolis準(zhǔn)則棄留，Metropolis 準(zhǔn)則為
【權(quán)利要求】
1.一種模擬退火與果蜆混合優(yōu)化小波廣義離散多模盲均衡方法,其特征在于，所述方法如下: 隨機(jī)初始化果蠅群中果蠅的位置向量，作為模擬退火與果蠅混合優(yōu)化方法的決策變量，將正交小波變換器的輸入信號(hào)作為混合優(yōu)化方法的輸入，由廣義離散多模盲均衡方法的代價(jià)函數(shù)確定果蠅的味道濃度函數(shù)，對(duì)由果蠅優(yōu)化方法得到果蠅群的最優(yōu)位置向量進(jìn)行模擬退火操作，得到果蠅群的不會(huì)陷入局部極小的全局最優(yōu)位置向量，將此位置向量作為小波廣義離散多模盲均衡方法的初始化權(quán)向量。
2.根據(jù)權(quán)利要求1所述的模擬退火與果蠅混合優(yōu)化小波廣義離散多模盲均衡方法，其特征在于，所述模擬退火與果蠅混合優(yōu)化權(quán)向量方法如下: 步驟1:果蠅群的味道濃度確定:將廣義離散多模盲均衡方法GSMAA的代價(jià)函數(shù)JcsMMA(Xi)作為果蠅群中第i個(gè)果蠅的味道濃度F (Xi)，i=l，2，...，M，M為果蠅群中果蠅的規(guī)模，為正整數(shù)； 步驟2:初始化果蠅群參數(shù):設(shè)果蠅群中果蠅的規(guī)模為m，果蠅位置向量的維數(shù)為d，為正整數(shù)；果蠅群中第i個(gè)果蠅的初始位置向量均為Xi=Uil, xi2,…，xid)，xid為第i個(gè)果蠅的第d維初始位置；第i個(gè)果蠅的初始味道濃度為F(Xi)； 步驟3:第i個(gè)果蠅的位置向量Xi與步進(jìn)向量Vi:
Xi=Xi+Vi
Vi= (Vil, Vi2,-,Vid)
Vid=U.rand (O, I) 式中，Xi表示第i個(gè)果蠅的位置向量Xi= (Xn，Xi2，…，Xid)，Xid為第i個(gè)果蠅的第d維位置，Vid表示第i個(gè)果蠅的第d維步進(jìn)長(zhǎng)度，為區(qū)間[_u，u]內(nèi)的隨機(jī)數(shù)，u表示步進(jìn)因子，rand (O, I)表示O到I之間的隨機(jī)數(shù)'Ni表示第i個(gè)果蠅的步進(jìn)向量； 步驟4:計(jì)算果蠅味道濃度F(Xi):按步驟I所述的果蠅群中第i個(gè)果蠅的味道濃度確定方法，計(jì)算果蠅味道濃度F (Xi)； 步驟5:在果蠅群體中找出味道濃度最低的果蠅個(gè)體作為最優(yōu)個(gè)體，與最優(yōu)個(gè)體對(duì)應(yīng)的味道濃度和位置向量稱(chēng)為最優(yōu)果蠅個(gè)體的味道濃度和位置向量； 步驟6:更新果蠅群的味道濃度和位置向量:將最優(yōu)果蠅個(gè)體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個(gè)體的味道濃度作為果蠅群的味道濃度； 步驟7:重復(fù)執(zhí)行步驟3至步驟5，若當(dāng)前最優(yōu)果蠅個(gè)體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟6; 步驟8:若當(dāng)前最優(yōu)果蠅個(gè)體的味道濃度不再變化時(shí)，則與之對(duì)應(yīng)的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量X。#=^-，X2opt, -,Xdopt), Xdopt為當(dāng)前最優(yōu)果蠅個(gè)體的第d維位置；否則轉(zhuǎn)至步驟7; 步驟9:為避免果蠅群最優(yōu)位置向量X_陷入局部最優(yōu)，對(duì)果蠅群的最優(yōu)位置向量Xopt進(jìn)一步作模擬退火操作，果蠅群最優(yōu)位置向量的每一維皆按Metropolis準(zhǔn)則棄留，Metropolis 準(zhǔn)則為
【文檔編號(hào)】H04L25/03GK103475608SQ201310233250
【公開(kāi)日】2013年12月25日 申請(qǐng)日期:2013年6月13日 優(yōu)先權(quán)日:2013年6月13日
【發(fā)明者】郭業(yè)才, 吳珊, 黃友銳, 劉曉明 申請(qǐng)人:南京信息工程大學(xué)