一种模因方法优化的多模盲均衡方法
【技术领域】
[0001 ] 本发明一种将模因方法和盲均衡技术相结合的多模盲均衡方法，用于水声通信系 统中，可以有效地均衡高阶多模调制信号，具体涉及一种模因方法优化的多模盲均衡方 法。
【背景技术】
[0002] 在通信系统中，为了有效地消除有限带宽和多径传播等引起的码间干扰，接收端 需要引入盲均衡技术。在盲均衡技术中，常模盲均衡方法（CMA，ConstantModulusblind equalizationAlgorithm)是使均衡器输出信号星座点尽可能分布在一个半径为（信号的 统计模值）的圆上，从而不断调整均衡器的权向量。CMA最大的优点在于它的代价函数只与 接收序列的幅度有关，而与相位无关，所以CMA非常适用于常模信号。但是，对于具有不同 模值的高阶QAM和APSK信号，其星座点分布在不同半径的圆上，如果采用CMA进行均衡就 会使输出信号星座点趋于单一圆上，从而产生较大的误差，甚至导致无效。近年，Yang提出 的多模盲均衡方法（MMA,Multi-ModulusblindequalizationAlgorithm)是对CMA的一 种改进。它的主要思想是以判决输出信号的模值作为圆的半径，把星座图分成多个区域，每 个区域都有各自的误差函数，从而将剩余误差控制在较小的范围内。与CMA相比，MMA均衡 高阶多模信号时收敛性能有所提高，并且不需要相位旋转器来消除相位模糊；尤其对于非 方形星座、密集型星座，MMA能够更加充分地利用符号的统计特性。但是，MMA与CMA-样存 在模型误差的问题，使其收敛速度及收敛后的剩余误差仍不甚理想。
[0003] 模因方法（MA,MemeticAlgorithm)是一种结合遗传机制和局部搜索的优化方法， 它采用与遗传方法（GA,GeneticAlgorithm)类似的运算流程，并在此基础上加入了局部搜 索，使每次迭代后的所有个体都能达到局部最优。模因方法充分吸收了遗传方法和局部搜 索方法的优点，达到了全局进化和局部开发能力的平衡。方法易于理解，容易实现，具有简 单的可操作性。
[0004] 结合MA和MMA各自的特点，发明了一种基于模因方法的多模盲均衡方法 (MA-MMA)，其原理是利用MA快速搜索到一组适用于MMA方法的全局最优解，并以此作为MMA 的最优初始化权向量进行迭代。仿真结果表明，本发明方法恢复高阶多模信号能力具有显 著的提高，收敛速度快、稳态误差小。
【发明内容】
[0005] 本发明所要解决的技术问题是提供一种模因方法优化的多模盲均衡方法，利用模 因方法快速搜索到一组适用于多模盲均衡方法的全局最优解，并以此作为多模盲均衡方法 的初始化权向量进行迭代。本发明方法恢复高阶多模信号能力具有显著的提高，收敛速度 快、稳态误差小，解决了多模盲均衡方法均衡高阶多模QAM信号时误差函数与信号星座模 型不匹配导致收敛速度慢、剩余均方误差大的缺陷。
[0006] 本发明为解决上述技术问题采用以下技术方案：
[0007] 本发明提供一种模因方法优化的多模盲均衡方法，包括以下步骤：
[0008] 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(k)，得到盲均衡器 输入时域信号x(k):
[0009] x(k) =s(k)h(k)+n(k),
[0010] 其中，k为整数且表示时间序列；
[0011] 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)：
[0012] z(k) =w(k)x(k)，
[0013] 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。
[0014] 作为本发明的进一步优化方案，初始化权向量w(0)由模因方法优化获取，具体步 骤为：
[0015] 2. 1)确定参数
[0016] 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P"，其中，N 为偶数；当前迭代次数为T;
[0017] 2. 2)种群初始化
[0018] 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_，X_和X_为设定的X艰值的上下限，1彡i彡N;当前迭代次数初值T= 〇 ；
[0019]2. 3)确定适应度函数
[0020] 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
[0021]
[0022] 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；
[0023] 2. 4)编码
[0024] 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=[LY2，…，YJ，其中I对于X^勺编码；
[0025] 2. 5)交叉操作
[0026] 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，分别为乙'和V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；
[0027] 2. 6)变异操作
[0028] 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；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；
[0029] 2. 7)合并种群
[0030] 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，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；
[0031] 2. 8)解码并计算适应度值
[0032] 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；
[0033] 2. 9)选择
[0034] 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;
[0035] 2. 10)局部搜索
[0036] 对步骤2. 9)选中的N个个体进行局部搜索，具体为：
[0037] 对第i个体Xi'个体，以多模盲均衡方法的代价函数J_ (X/)为约束条件，在X/ 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次迭 代中的初始个体&，从而得到下一次迭代的初始种群X;
[0038] 2. 11)判断终止条件
[0039] 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。
[0040] 作为本发明的进一步优化方案，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
[0041] YJ =
[0042] V = c〇2Yb+(l-c〇2)Ya
[0043] 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。
[0044] 作为本发明的进一步优化方案，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
[0045]
[0046] 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。
[0047] 作为本发明的进一步优化方案，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
[0048]
[0049] 式中，fitness(ZJ为当前种群Z中第j个个体的适应度值。
[0050] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0051] 现有常模盲均衡方法收敛速度慢，收敛后稳态误差大，且存在盲相位特征；而本发 明一种模因方法优化的多模盲均衡方法，以