[发明专利]基于蚁群优化的正交小波变换超指数迭代盲均衡方法

说明书

技术领域

本发明涉及一种正交小波变换超指数迭代盲均衡方法，尤其涉及一种基于蚁群优化的正交小波变换超指数迭代盲均衡方法。

背景技术

在水下通信系统中，多径效应和有限带宽所带来的码间干扰(Inter-Symbol Inter-ferences，ISI)，是影响通信质量的主要因素，需要采用均衡技术来消除(见文献：郭业才，杨超.基于正交小波变换的超指数迭代盲均衡器设计与仿真[J].系统仿真学报，2009，21(20)-：6556-6559)。不需要训练序列的盲均衡算法，仅利用接收信号本身的统计特性来均衡信号，但其收敛速度较慢、稳态误差也较大。文献(O Shalvi，E Weinstein.Super-Exponential Methods for Blind Deconvolution[J].IEEE Trans.Inform.Theory，1993，vol.39，504～519.)提出了一种以近乎超指数速度收敛的超指数盲均衡算法(Super-Exponential，SE)及其迭代算法(Super-Exponential Iterative，SEI)。与CMA算法相比，SEI算法引入白化矩阵Q，该矩阵对均衡器的输入信号起白化作用，加快了收敛速度，但其仍不能满足工程可实现性的要求。文献(郭业才，丁雪洁，郭福东，等.基于归一化常数模算法的级联自适应盲均衡算法[J].系统仿真学报，2008，20(17)：4647-4650；韩迎鸽，郭业才，李保坤等.引入动量项的正交小波变换盲均衡算法[J].系统仿真学报；2008，20(6)：1559-1562；Cooklev T An Efficient Architecture for Orthogonal Wavelet Transforms[J].IEEESignal Processing Letters(S1070-9980)，2006，13(2)：77～79.)表明：对均衡器的输入信号进行小波变换，并作能量归一化处理，可以降低信号与噪声的相关性，从而有效地加快收敛速度，但是小波盲均衡算法仍然是按梯度方向来寻找最优权向量，它对权向量的初始化比较敏感，不当的初始化会使算法收敛至局部极小值，甚至发散。而蚁群算法(ACO)是在对自然界中真实蚁群的集体行为的研究基础上，由意大利学者Dorigo M等首先提出来的，它是一种基于种群的启发式仿生类并行智能进化算法，具有智能搜索、全局优化、鲁棒性、正反馈、分布式计算，以及易于其他算法相结合等特点，它对函数不连续、不可微、局部极值点密集等苛刻的情况也具有很好的搜索能力。通过由候选解组成的群体的进化过程来寻求最优解；通过正反馈机制，加快算法的寻优过程，快速寻找到全局最优解，使得陷入局部收敛的可能性大大减少。

发明内容

本发明目的是针对传统的常数模盲均衡方法(CMA)收敛速度慢、稳态误差大和局部收敛的缺点，本文在分析蚁群优化、超指数迭代(Super-Exponential Iterative，SEI)方法和正交小波变换理论的基础上，提出了一种基于蚁群优化的正交小波超指数迭代盲均衡方法(ACO-WT-SEI)。该方法充分利用了蚁群算法的全局随机搜索和正反馈机制的特点，对均衡器的权向量进行初始化，利用SEI方法对数据的白化作用，并采用正交小波变换降低信号的自相关性。

本发明为实现上述目的，采用如下技术方案：

本发明基于蚁群优化的正交小波变换超指数迭代盲均衡方法，包括如下步骤：

a.)将发射信号a(k)经过脉冲响应信道得到信道输出向量x(k)，其中k为时间序列，下同；

b.)采用信道噪声n(k)和步骤a所述的信道输出向量x(k)得到均衡器的输入信号：y(k)＝x(k)+n(k)；

c.)将误差信号e(k)通过SEI算法引入白化矩阵Q，采用白化矩阵Q对均衡器的输入信号y(k)白化；

d.)将步骤c.)所述白化后的输入信号y(k)经过正交小波变换得到正交小波的输出向量：R(k)＝y(k)V，其中V为正交小波变换矩阵；

还包括如下步骤：

e.)随机产生初始种群W＝[W₁，W₂，…，W_M]，其中第i个蚂蚁个体W_i对应均衡器的第i个权向量，其中0＜i ≤M，i和M都为自然数，用其作为蚂蚁的初始化位置；

f.)将均衡器的代价函数的倒数作为蚁群算法寻优的目标函数：