多模盲均衡方法为基础，结合智能优化思想，将 个体进化和个体间的社会行为等引入到盲均衡技术中，将多模盲均衡方法代价函数的倒数 定义为模因方法的适应度函数，利用模因方法的种群优化机制和局部深度搜索能力，在全 局范围内搜索个体的最优向量并作为多模盲均衡方法的初始化权向量，然后，通过多模盲 均衡方法进行迭代，得到最优多模盲均衡方法的权向量。利用本发明方法对高阶多模QAM 与APSK信号进行均衡表明，与常模盲均衡方法（CMA)、多模盲均衡方法（MMA)和基于遗传方 法优化的多模盲均衡方法（GA-MMA)相比，本发明MA-MMA在均衡高阶多模信号时收敛速度 最快、稳态误差最小、输出信号星座图最清晰。
【附图说明】
[0052] 图1是多模盲均衡方法原理框图。
[0053]图2是本发明中模因方法优化流程图。
[0054] 图3是本发明方法原理图。
[0055] 图4是64-QAM调制下的仿真结果图，其中，（a)是CMA、MMA、GA-MMA及MA-MMA的 收敛曲线；(b)为CMA输出星座图；(c)为MMA输出星座图；（d)为GA-MMA输出星座图；（e) 为MA-MMA输出星座图。
[0056] 图5是32-APSK调制下的仿真结果图，其中，（a)是CMA、MMA、GA-MMA及MA-MMA的 收敛曲线；(b)为CMA输出星座图；(c)为MMA输出星座图；（d)为GA-MMA输出星座图；（e) 为MA-MMA输出星座图。
【具体实施方式】
[0057] 下面结合附图对本发明的技术方案做进一步的详细说明：
[0058] 本发明将MMA的代价函数经适当变换后作为模因方法的适应度函数，利用模因方 法的寻优能力来寻找盲均衡器的最佳权向量。
[0059] 如图1所示的多模盲均衡方法原理图，x(k)为盲均衡器的接收信号，w(k)为盲均 衡器的权向量，z(k)为盲均衡器的输出，z(k)通过非线性系统得到估计信号f(幻，e(k)为 误差信号，Rj为米样模值，RD为判决模值，虚线框内为MMA方法。
[0060]MMA以LMS方法为模型，将盲均衡器的输出信号z(k)通过一个非线性系统g( ?)， 得到估计信号4幻，以此代替期望信号d(k)，进而得到误差函数e(k)。此外，为了使盲均衡 方法趋于收敛，非线性函数g( ?)需满足：
[0061 ] z(k) =g[z(k)] =z(k)[1 + /?；；- | r(A) |::]
[0062]式中，RD是对R』的判决结果，
E表示数学期望。
[0063] 由图1可知，在MMA中，盲均衡器输出信号z (k)为：
[0064]z(k)=wT(k)x(k)
[0065] 误差信号e(k)为：
[0066] e(k) =z(k)~z(k) =z(k)[R;,- \z(A-) |']
[0067] MMA的权向量更新公式为
[0068] w(k+l) =w(k) -ye(k)x* (k)
[0069] 式中，y为w(k)的迭代步长，是实数，0彡y< 1YOi)为x(n)的共辄。
[0070] 本发明方法原理，如图3所示。首先发射信号s(k)经过脉冲响应信道h(k)后加 入信道噪声n(k)，得到多模盲均衡方法输入信号x(k)并作为MA-MMA的输入，并且把MMA的 代价函数经适当变换后作为模因方法（MA)的适应度函数，利用MA的寻优能力来寻找盲均 衡方法初始最优权向量。
[0071] 具体地说，本发明包括如下步骤：
[0072]1)发射信号s (k)经过脉冲响应信道h (k)后加入信道噪声n (k)，得到盲均衡器输 入时域信号x(k):
[0073]x(k) =s(k)h(k)+n(k),
[0074] 其中，k为整数且表示时间序列；
[0075] 2)步骤1)得到的盲均衡器输入时域信号x(k)经过盲均衡器得到输出信号z(k):
[0076]z(k) =w(k)x(k)，
[0077]其中，w(k)为盲均衡器的权向量，其更新公式为w(k+l) =w(k)_yeQOxYk)， w(k)的初始化权向量w(0)根据模因方法优化获取；e(k)为误差信号；y为w(k)的迭代步 长，是实数，〇<y< 1YGO为x(k)的共辄。
[0078] 所述一种模因方法优化的多模盲均衡方法，初始化权向量w(0)由模因方法优化 获取，具体步骤为：
[0079] 2. 1)确定参数
[0080] 确定种群总数N(N为偶数），二进制位数S，最大迭代次数G，交叉概率P。，变异概 率当前迭代次数T;
[0081] 2. 2)种群初始化
[0082] 随机产生初始种群，包含N个个体，记作X=[Xi，X2，…，XN];其中每个个体均满足 X_<X#X_，乂_和X_为Xi取值的上下限，是初始设定的，1彡i彡N;当前迭代次数初 值T= 0 ;
[0083] 2. 3)确定适应度函数
[0084] 将模因方法的适应度函数定义为多模盲均衡方法代价函数的倒数，即
[0085]
[0086] 其中，fitness(XJ为模因方法的适应度函数，为多模盲均衡方法的代价函 数；
[0087] 2. 4)编码
[0088] 对初始种群中的每个个体中的每一位元素进行二进制编码，编码长度为S，并将每 一位元素的二进制码按原有顺序连接起来组成一组长度为LXS的二进制码，L为每个个体 中的元素个数，编码后的种群称为编码种群Y=[LY2，…，YJ，其中t对于X^勺编码；
[0089] 2. 5)交叉操作
[0090] 将编码种群Y中所有个体两两配对，对所配对的个体进行交叉判断；将每次进行 交叉判断的一组父体分别记作YjPYb，a、bG[1，…N]且a乒b，同时随机产生一个（0，1) 之间的随机数￡，用于判断随机选取的该组父体是否进行交叉操作；若e小于该组父体的 交叉概率P。，则该组父体进行交叉操作产生两个新个体，分别记为Ya'和V并保存下来； 否则，不进行交叉操作，舍弃不进行交叉操作的该组父体；直至所有配对个体处理完成；
[0091] 进行交叉操作产生的两个新个体的计算公式为
[0092] YJ =
[0093] V=c〇2Yb+(l-c〇2)Ya
[0094] 式中，V和V分别为Y，Yb进行交叉操作产生的两个新个体，《郴《 2为 (〇, 1)上两个不相关的随机数；
[0095] 2. 6)变异操作
[0096] 对编码种群Y中所有个体依次进行变异判断；将每次进行变异判断的个体记作 Y。，同时随机产生一个（0, 1)之间的随机数〇，用于判断该个体是否进行变异操作；若〇小 于该个体变异概率Pm，则对该个体进行变异操作产生一个新个体Y。'并保存下来，否则不 进行变异操作，舍弃不进行交叉操作的该个体；直至所有个体处理完成；
[0097] 进行变异操作产生的一个新个体的方法为
[0098]
[0099] 其中，Y。'为Y。进行变异操作产生的新个体；gt为种群进化标识，gt=t/G，t为当 前种群的进化代数，G为种群的最大迭代次数；rand为[0, 1]上的随机数；sign随机选取0 或1。_和Y_分别为X_和X_的二进制编码序列；
[0100] 2. 7)合并种群
[0101] 将经过2. 5)交叉操作和2. 6)变异操作后产生的新个体与步骤2. 4)中编码种群 Y合并构成当前种群Z，Z= [Zi，Z2，…，Zn+J，N+x为当前种群中个体的总数，x为编码种 群Y经过交叉、变异操作后产生的新个体数，x为非负整数；
[0102] 2. 8)解码并计算适应度值
[0103] 对当前种群Z中的N+x个个体进行解码，并根据步骤2. 3)中的公式计算当前种 群Z中所有个体的适应度值，记作fitness(Z);
[0104] 2. 9)选择
[0105] 使用轮盘赌方法从当前种群Z中选取N个个体继续进化，而未被选中的的个体则 被舍弃；被选中的N个个体，按照被选中的先后依次记为X/，X' 2，…，X' N;
[0106] 在选择过程中，第j个个体被选择的概率定义为
[0107]
[0108] 式中，fitness(ZJ为当前种群Z中第j个个体的适应度值；
[0109] 2. 10)局部搜索
[0110] 对步骤2. 9)选择的N个个体进行局部搜索的方法是：对第i个体X/，以多模盲均 衡方法的代价函数为约束条件，在Xi'的邻域内搜索新个体使为极小值， 将为极小值时的新个体作为下一代迭代中的初始个体Xi，从而得到下一次迭代的 初始种群X;
[0111] 2. 11)判断终止条件
[0112] 从步骤2. 4到步骤2. 10完成一次迭代过程，T=T+1 ;判断当前迭代次数T是否达 到最大迭代次数G，若未达到，则返回至步骤2. 4.);否则结束迭代，输出