最优个体，并将其 作为盲均衡器的初始化权向量。
[0113] 下面通过具体实施例对本发明的技术方案作进一步阐述：
[0114] 为了检验本发明方法MA-MMA的性能，以CMA、MMA和基于遗传方法的多模方法 (GA-MMA, Multi-modulus blind equalization Algorithm based on Genetic Algorithm) 作为比较对象，进行仿真实验。
[0115] 仿真实验采用64-QAM信号和32-APSK信号，信道噪声采用高斯白噪声，信道水声 信道脉冲响应h= [0. 9656 -0. 0906 0. 0578 0. 2368]，信噪比为30dB，均衡器采用11阶横 向抽头结构，CMA和MMA的中;L、抽头系数初始化为1，其他抽头系数初始化为0,所有仿真的 最大迭代次数均为iter= 10000,MonteCarlo实验次数均为M= 2000。
[0116] GA-MMA和MA-MMA，种群总数N= 50,二进制位数S= 20,最大遗传代数G= 50,交 叉概率Pe= 〇. 7,变异概率0.01。
[0117] 实验1:在64-QAM调制下，CMA和MMA的迭代步长均为1X10 6,MA-MMA和GA-MMA 的迭代步长均为1X10 7,仿真结果如图4所示。
[0118] 实验2:在32-APSK调制下，CMA和MMA的迭代步长均为1X10 5，MA-MMA和GA-MMA 的迭代步长均为5X10 6,仿真结果如图5所示。
[0119] 图4、图5表明，在两种调制方式下，MA-MMA及GA-MMA的均衡性能均明显高于MMA。 MA-MMA比GA-MMA的收敛速度略快，但稳态误差明显更小。仿真结果表明MA比GA具有更 强的全局寻优能力，能够更好地提高均衡的效果。图4、图5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。在64-QAM调制方式下，MA-MMA的收敛速度较MMA提高 了 10余倍，稳态误差降低了 8dB;在32-APSK调制方式下，MA-MMA的收敛速度较MMA提高了 20余倍，稳态误差降低了 10dB。两种调制方式的输出星座图中，MA-MMA输出星座图明显比 CMA和MMA清晰且紧凑，基本没有出现相互混叠的情况。这是因为CMA和MMA的稳态误差会 随调制阶数的提高而越来越大，而MA-MMA的稳态误差受调制阶数的影响很小，所以对于高 阶多模信号，MA-MMA的优势十分明显。因此，对于高阶多模信号的均衡，本发明方法MA-MMA 具有更快的收敛速度和更小的稳态误差。
[0120] 以上所述，仅为本发明中的【具体实施方式】，但本发明的保护范围并不局限于此，任 何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在 本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
【主权项】
1. 一种模因方法优化的多模盲均衡方法，其特征在于，包括w下步骤： 1) 将发射信号S(k)经过脉冲响应信道h(k)后加入信道噪声n化)，得到盲均衡器输入 时域信号x(k): X化）=S化)h化)+n化)， 其中，k为整数且表示时间序列； 2) 将步骤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): z(k) =wGOxGO， 其中，w(k)为盲均衡器的权向量，其更新公式为w化+1) =w化)-ye(k)f^化)，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，0《y< 1 似为x(k)的共辆。2. 根据权利要求1所述的一种模因方法优化的多模盲均衡方法，其特征在于，初始化 权向量w(0)由模因方法优化获取，具体步骤为： 2. 1)确定参数 确定种群总数N，二进制位数S，最大迭代次数G，交叉概率P。，变异概率Pm，其中，N为偶 数；当前迭代次数为T; 2. 2)种群初始化 随机产生初始种群，包含N个个体，记作X=技i，X2,…，\];其中每个个体均满足Xmin《XXmax，Xmm和Xmax为设定的X1取值的上下限，1《i《N;当前迭代次数初值T= 0 ； 2. 3)确定适应度函数 模因方法的适应度函数为多模盲均衡方法代价函数的倒数，即其中，fitness狂1)为模因方法的适应度函数，Jmma狂1)为多模盲均衡方法的代价函数； 2. 4)编码 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，编码后的种群为编码种群Y=[Yi，Y2,…，Yw]，其中Yi对于X1的编码； 2. 5)交叉操作 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Y。和Yb，a、bG[1，…闲且a声b，同时随机产生一个（0, 1)之间 的随机数e，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，分别为Y'。和Y'b并保存；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； 2. 6)变异操作 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0，用于判断该个体是否进行变异操作；若0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；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； 2. 7)合并种群 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,…，4+X]，其中，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； 2. 8)解码并计算适应度值 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； 2. 9)选择 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' 1，X' 2,…，X\; 2. 10)局部捜索 对步骤2. 9)选中的N个个体进行局部捜索，具体为： 对第i个体X'1个体，W多模盲均衡方法的代价函数Jmma狂'1)为约束条件，在X'1的邻域内捜索新个体使Jmma狂'1)为极小值，将Jmma狂'1)为极小值时的新个体作为下一 次迭代中的初始个体Xi，从而得到下一次迭代的初始种群X; 2. 11)判断终止条件 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，输出最优个体，并将其作 为盲均衡器的初始化权向量。3. 根据权利要求2所述的一种模因方法优化的多模盲均衡方法，其特征在于，步骤 2. 5)中进行交叉操作产生的两个新个体的计算公式为 Y'a=WiYa+(l-Wi)Yb Y'b= ? 2Va-?2)Ya 式中，Y'。和Y'b分别为Y。和Yb进行交叉操作产生的两个新个体，和为（〇，1) 上两个不相关的随机数。4. 根据权利要求2所述的一种模因方法优化的多模盲均衡方法，其特征在于，步骤 2.6)中进行变异操作产生的一个新个体的计算公式为其中，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 ;Ymin和Ymax分别为Xmin和Xmax的二进制编码序列。5. 根据权利要求2所述的一种模因方法优化的多模盲均衡方法，其特征在于，步骤 2. 9)中，在选择过程中，第j个个体被选择的概率定义为式中，fitness狂i)为当前种群Z中第j个个体的适应度值。
【专利摘要】本发明公开了一种模因方法优化的多模盲均衡方法，将个体进化和个体间的社会行为等概念引入到盲均衡技术中，将多模盲均衡方法(？MMA？)代价函数的倒数定义为模因方法(？MA？)的适应度函数，利用？MA？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最优向量并作为？MMA？的初始优化权向量；然后，通过多模盲均衡方法进行迭代，得到最优？MMA？的权向量。与常模盲均衡方法CMA、多模盲均衡方法MMA及基于遗传方法的多模盲均衡方法(GA-MMA？)相比，本发明方法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。
【IPC分类】H04L25/03
【公开号】CN105007246
【申请号】CN201510456497
【发明人】郭业才, 张苗青, 姚超然, 禹胜林
【申请人】南京信息工程大学
【公开日】2015年10月28日
【申请日】2015年7月29日