基于自適應交叉變異算子的量子免疫信號盲檢測方法
【專利摘要】本發(fā)明提出了基于自適應交叉變異算子的量子免疫信號盲檢測方法，所述方法在量子化交叉與變異基礎上，引入了基于自適應策略的量子免疫交叉與變異算子，用量子交叉與量子變異進行進化，同時采用了傳統(tǒng)免疫算法中交叉和變異算子的策略，以求更好地加強種群的進化程度。本發(fā)明基于自適應交叉變異算子的量子免疫算法能夠有效避免早熟現(xiàn)象，收斂速度更快，相同信噪比條件下誤碼率更低。
【專利說明】基于自適應交叉變異算子的量子免疫信號盲檢測方法
【技術領域】
[0001]本發(fā)明屬于無線通信【技術領域】，尤其是涉及基于自適應交叉變異算子的量子免疫信號盲檢測方法。
【背景技術】
[0002]優(yōu)化問題在科學研究和工程應用的各個領域具有重要的理論意義和實踐價值，近年來，以免疫智能算法和量子計算等為代表的智能算法具有簡單通用，魯棒性好，計算速度快等諸多優(yōu)點，因此成為解決復雜優(yōu)化問題的有力工具。在無線通信系統(tǒng)中，盲檢測技術不依賴發(fā)送訓練序列，依靠接收序列就能對發(fā)送序列盲估計。
[0003]人工免疫算法具有搜索效率高，種群多樣性程度高等特點，目前已經(jīng)被廣泛的應用于智能計算領域。量子計算具有高度的并行性，大存儲數(shù)據(jù)量以及指數(shù)級別的加速能力。量子免疫算法(quantum inmune algorithm)是汲取了量子進化算法和人工免疫算法的各自優(yōu)勢而形成的新的優(yōu)化算法。它繼承了量子進化算法的概念原理，同時又擴展了免疫理論更新選擇概念。量子免疫算法能夠保持抗體種群的多樣性，同時也具有較好的收斂速度與效果。
[0004]Hongjian等人將免疫系統(tǒng)概念引入量子進化算法[HongjianQ, FangzhaoZ.Anapplication of new quantum inspired immune evolutionary algorithm[C].20091stInt Workshop on Database Technology and Applications.Bruges, 2009:468-471.],免疫算子在保留原算法的特性下力圖有選擇有目的的利用待求解問題的特征信息和先驗知識，抑或是避免求解問題中的一些冗余工作，從而提高算法整體性能。Haoteng等[HaotengB Y.A new mutative scale chaos optimization quantum genetic algorithm[C].Chinese Control and DecisionConf.Yantai, 2008:1547-1549.]提出了基于混沛里面的量子免疫金屬啊算法，該算法應用了混沌免疫理論并且根據(jù)小生鏡機制將初始個體進行實數(shù)染色體編碼子群，使得各子群應用免疫算子的局部搜索能力找出最優(yōu)解。李陽陽等[李陽陽，焦李成.求解SAT問題的量子免疫克隆算法[J].計算機學報，2007，30(2):176-183]提出了一種基于量子編碼的免疫克隆算法求解SAT問題，針對種群中的個體采取了量子染色體編碼的格式，采用了量子旋轉門和旋轉角策略對抗體進行演化，目的是為了加速克隆算子的收斂，利用其局部搜索能力強的特點，并且利用量子交叉信息算子提高了種群的多樣性，防止早熟。
[0005]綜上所述，在智能計算方法大行其道的背景下，將智能計算和盲均衡算法相結合，能夠實現(xiàn)信號盲檢測，具備較高的使用價值。

【發(fā)明內容】

[0006]本發(fā)明所要解決的技術問題在于克服現(xiàn)有盲檢測優(yōu)化技術的不足，針對降低誤碼率和提高收斂性問題，本發(fā)明提出了基于自適應交叉變異算子的量子免疫信號盲檢測方法，所述方法在量子化交叉與變異基礎上，引入了基于自適應策略的量子免疫交叉與變異算子，用量子交叉與量子變異進行進化，同時采用了現(xiàn)有免疫算法中交叉和變異算子的策略，以求更好地加強種群的進化程度，旨在提供一種低誤碼率具有自適應性的信號盲檢測方法。
[0007]為解決上述技術問題，本發(fā)明所采用的技術方案是:
[0008]基于自適應交叉變異算子的量子免疫信號盲檢測方法，包括如下步驟:
[0009]步驟A，構造接收數(shù)據(jù)矩陣:
[0010]接收端接收單個用戶發(fā)送信號，經(jīng)過過采樣，獲得離散時間信道的接收方程:
[0011]Xn=S τ
[0012]式中，Xn是接收數(shù)據(jù)陣，S是發(fā)送信號陣，是由信道沖激響應Iijj構成的塊Toeplitz矩陣；(.)τ表示矩陣轉置；
[0013]其中，發(fā)送信號陣:
[0014]S= [sL+M (k)，...，sL+M (k+N-1) ]T=[sN(k),..., sN (k_M_L)]





NX (L+M+1)，
[0015]M為信道階數(shù)，L為均衡器階數(shù)，N為數(shù)據(jù)長度；
[0016]SL+M(k) = [S(k)，...，S(k-L-M)]T;其中，s e {±1}，時刻 k 為自然數(shù)，[.]τ 為矩陣
轉置；
[0017]hjj= [h0,..., hM]qX(M+1), jj=0, I,...,M ；
[0018]q是過采樣因子，取值為正整數(shù)；
[0019]XN=[xL(k),...，xL(k+N_l)]T 是狀(L+l) q 接收數(shù)據(jù)陣，其中，
[0020]xL (k) = .sL+M (k)；
[0021]步驟B，接收數(shù)據(jù)矩陣奇異值分解:
[0022]Xy= [U,Ur]’V"
[0023]式中，
[0024](.) η 表示矩陣 Hermitian 轉置；
[0025]U是奇異值分解中的NX (L+M+1)酉基陣；
[0026]O 是(N- (L+M+1)) X (L+l) q 零矩陣；
[0027]V 是(L+l) qX (L+l) q 酉基陣；
[0028]U。是 NX (N-(L+M+1))酉基陣；
[0029]D 是(L+M+1) X (L+l) q 奇異值陣；
[0030]步驟C，確定量子免疫算法的適應度函數(shù)F，其表達式為:
[0031]F =

s:~, U I
[0032]其中,Q = I^Uf表不量子免疫算法量子種群；s e {± 1}N是N維向量,所屬字符集為{±1}，argminO表示使適應度函數(shù)取最小值時的變量值；
[0033]步驟D，將適應度函數(shù)F作為目標函數(shù)，將信號盲檢測問題的求解等效為求適應度函數(shù)F的最小值，采用基于自適應交叉變異算子的量子免疫算法進行尋優(yōu)搜索；其具體步驟如下:
[0034]步驟D-1，設定初始化量子種群Q，確定最大迭代次數(shù)；
[0035]步驟D-2，對種群進行觀察操作，得到量子個體；[0036]步驟D-3，對種群中每個量子個體，計算其適應度，選擇適應度最小的個體為抗體；
[0037]步驟D-4，識別抗原，針對適應度函數(shù)尋優(yōu)問題，做免疫疫苗接種；
[0038]步驟D-5，按照自適應的變化概率，即變異算子Pm對種群進行量子免疫變異操作；
[0039]步驟D-6，按照自適應的變化概率，即交叉算子P。對種群進行量子免疫交叉操作；
[0040]步驟D-7，對生成的個體計算適應度函數(shù)，并且調整自適應算子Pn^P P。；
[0041]步驟D-8，使用量子選擇門，對抗體種群進行更新；
[0042]步驟D-9，找出最佳個體，得到最優(yōu)解，更新保存最優(yōu)解到抗體記憶庫中；[0043]步驟D-10，判定迭代次數(shù)達到最大迭代次數(shù)時，終止迭代，輸出全局最優(yōu)解及適應度函數(shù)值；如果迭代次數(shù)未達到最大迭代次數(shù)，則返回步驟D-2執(zhí)行。
[0044]本發(fā)明的有益效果是:本發(fā)明提出了基于自適應交叉變異算子的量子免疫信號盲檢測方法，所述方法在量子化交叉與變異基礎上，引入了基于自適應策略的量子免疫交叉與變異算子，用量子交叉與量子變異進行進化，同時采用了傳統(tǒng)免疫算法中交叉和變異算子的策略，以求更好地加強種群的進化程度，本發(fā)明基于自適應交叉變異算子的量子免疫算法能夠有效避免早熟現(xiàn)象，收斂速度更快，相同信噪比條件下誤碼率更低。
【專利附圖】

【附圖說明】
[0045]圖1是本發(fā)明基于自適應交叉變異算子的量子免疫算法流程圖
[0046]圖2是本發(fā)明基于自適應交叉變異算子的量子免疫算法在不同信道下的誤碼率曲線圖。
【具體實施方式】
[0047]下面結合附圖，對本發(fā)明提出的基于自適應交叉變異算子的量子免疫信號盲檢測方法進行詳細說明:
[0048]量子免疫算法具有很強的搜索能力，能夠快速得到最優(yōu)解，但是同時也存在著容易陷入局部極小的可能，造成不成熟的收斂。所不成熟收斂意味著算法在進化迭代尋優(yōu)的過程中，適應度接近的個體出現(xiàn)過度繁殖的情況，導致更新后繁殖產(chǎn)生的新個體之間差異逐漸變小，造成種群多樣性降低，進一步造成搜索效率變低，種群也處于停滯狀態(tài)，導致算法陷入了局部極小。
[0049]在優(yōu)化問題中，如果目標函數(shù)為單峰，則只有一個最優(yōu)解，而多峰函數(shù)則存在局部最優(yōu)和全局最優(yōu)值。算法在最優(yōu)解搜索過程中，往往會找到局部最優(yōu)解，由于在局部解附近的周圍解的質量較低，故而會被誤認作全局最優(yōu)解，算法陷入停滯，這就是早熟現(xiàn)象的本質。這種現(xiàn)象在優(yōu)化算法中經(jīng)常存在，是一項常見的問題，優(yōu)化算法不能夠保證每次都能找到全局最優(yōu)解。
[0050]為解決此問題，本發(fā)明提出了基于自適應交叉變異算子的量子免疫信號盲檢測方法。在傳統(tǒng)的免疫算法中，量子交叉和量子變異由交叉算子(cross-over operator)和變異算子(mutation operator)組成,采用固定的交叉概率和變異概率。在一般情況下，如果在算法初始階段采用較小的交叉率和變異率，很難產(chǎn)生優(yōu)秀的新個體，算法后期，模式朝著高適應度方向演進，如果仍采用交大的交叉率和變異率，會對種群的優(yōu)良性產(chǎn)生影響，造成過度進化，同樣會使優(yōu)化結果陷入局部極小。因此，本發(fā)明由相關研究得到啟示，引入自適應參數(shù)變化的構造思想，提出新的基于自適應交叉變異算子的量子免疫算法，即采用量子交叉與量子變異進行進化，引入了基于自適應策略的量子免疫交叉與變異算子，以求更好地加強種群的進化程度。
[0051]圖1是本發(fā)明基于自適應交叉變異算子的量子免疫算法流程圖。其實施過程如下:
[0052]忽略噪聲時，離散時間信道的接收方程定義如下
[0053]Xn=S gammaτ(I)
[0054]式中，Xn是接收數(shù)據(jù)陣，S是發(fā)送信號陣，gamma是由信道沖激響應屯構成的塊Toeplitz矩陣；(.)τ表示矩陣轉置；
[0055]其中，發(fā)送信號陣:
[0056]S= [sL+M (k)，...，sL+M (k+N-1) ]T=[sN(k),..., sN (k_M_L)]





NX (L+M+l)，
[0057]M為信道階數(shù)，L為均衡器階數(shù)，N為所需數(shù)據(jù)長度；
[0058]sL+M(k) = [s(k),...，s(k-L_M)]T ;其中，s e {± 1},時刻 k 為自然數(shù)；
[0059]hjj= [h0,...，hM]qX(M+1), jj=0, I,...,M ；
[0060]q是過采樣因子，取值為正整數(shù)；
[0061]Xn= [xl (k),...，xL (k+N-1) ]t 是 NX (L+l) q 接收數(shù)據(jù)陣，其中
[0062]xL (k) = gamma.sL+M (k)；
[0063]對于式(I),gamma 滿列秩時,一定有 Q = UcUf 滿足 Qsn (k_d) =0, Uc 是 NX (N_(L+M+1))
酉基陣，由奇異值分解
【權利要求】
1.基于自適應交叉變異算子的量子免疫信號盲檢測方法，其特征在于，包括如下步驟: 步驟A，構造接收數(shù)據(jù)矩陣: 接收端接收單個用戶發(fā)送信號，經(jīng)過過采樣，獲得離散時間信道的接收方程:
Xn=S gamma τ 式中，Xn是接收數(shù)據(jù)陣，S是發(fā)送信號陣，gamma是由信道沖激響應^構成的塊 Toeplitz矩陣；(.)τ表示矩陣轉置； 其中，發(fā)送信號陣:
S- [sL+M (k),, sL+M (k+N—I) ] _ [sN (k) ,...,Sn (k—M-L) ] NX (l+m+i)， M為信道階數(shù)，L為均衡器階數(shù)，N為數(shù)據(jù)長度； 8^00 = [8(10，...，8&^)]1;其中，8￡ {±1}，時刻1^為自然數(shù)，[*]1為矩陣轉置；
hjj_ [h。，...，1?] qx (M+i)，j j_0，I，...，M ; q是過采樣因子，取值為正整數(shù)； XN=[xL(k),...，XL(k+N_l)]T 是狀(L+l)q 接收數(shù)據(jù)陣，其中， xL(k) = r.sL+M (k)； 步驟B，接收數(shù)據(jù)矩陣奇異值分解:
【文檔編號】H04L1/00GK103944672SQ201410135521
【公開日】2014年7月23日 申請日期:2014年4月4日 優(yōu)先權日:2014年4月4日
【發(fā)明者】于舒娟, 張昀, 夏祎, 于大為, 劉艷, 劉歡, 胡蓉, 宋嘯良 申請人:南京郵電大學