[发明专利]基于虚拟接收机的水声信道盲均衡方法

权利要求书

1.一种基于虚拟接收机的水声信道盲均衡方法，其特征在于：该方法内容包括如下步骤：

⑴采用虚拟接收机方法进行水声信道盲均衡及虚拟接收机方法下的融合盲均衡方案；

首先在实际接收机周围布设N个虚拟接收机，设观测信号为y(n)，设接收机至虚拟接收机之间的信道传输响应为h_i(n)i=1,2,…,N，这样在虚拟接收机前，可得到虚拟观测信号y_i(n)=h_i(n)*y(n)，这样相当于有了N+1路观测信号，构成了虚拟接收机盲均衡方案实现的基础；

在每个虚拟接收机与声源之间，相当于有一条虚拟信道h_vi(n)，虚拟信道h_vi(n)=h(n)*h_i(n)，在虚拟接收机盲均衡方案中，可等效于对h_vi(n)和h(n)进行均衡；

无论根据接收机还是根据虚拟接收机前的观测信号进行均衡，实质上需要恢复的是同一源信号，而对于恒模准则或星座图匹配的盲均衡准则而言，信号的恢复仅依赖于观测信号特性，因此，虚拟接收机的设置相当于提供了冗余信息；

⑵采用智能优化算法优化虚拟接收机的水下布放方法；

设定一组均衡器，分别利用虚拟接收前观测信号y_i(n)进行均衡，由于原信道特性未知，因此h_vi(n)的特性也是未知的，因此各个均衡器输出信号在反映源信号特性的前提下误差特性各不相同；同时，由于虚拟信道的引入，不同均衡器输出信号的时延将会有所不同；为获得最优均衡输出结果，第一步要对均衡器输出信号作同步处理，采用相关法进行同步处理，同步处理后对均衡器输出信号进行融合处理，考虑相关法同步处理可能存在误差，再利用神经网络进行输出信号融合处理，因神经网络具有良好的容错性和鲁棒性，以神经网络输出作为虚拟接收机方案下的最优均衡输出；

采用虚拟接收机方法达到对接收信号信息充分利用的目的，采用融合策略实现最优均衡输出；但是虚拟接收机的个数以及布放方案对均衡性能具有重要影响，虚拟接收机数目的增加将带来额外的计算开销，而不适合的虚拟接收机布放对源信号的恢复提供的信息也极为有限，因此，需要对虚拟接收机的水下布放方案进行研究，利用最小的计算复杂度获得最优的均衡性能；

对于虚拟接收机的布放方案，可采用遗传算法进行优化。对选定的N个虚拟接收机进行编码，根据常数模代价函数构建遗传算法的适应度函数；采用控制码来控制虚拟接收机是否有效。在适应度函数指导下进行遗传算法操作，从而得到最优的虚拟接收机布放方案。

2.根据权利要求1所述的一种基于虚拟接收机的水声信道盲均衡方法，其特征在于：采用遗传算法来优化虚拟接收机的布放方案实现流程如下：

Step1.确定遗传算法的进化目标函数。遗传算法以适应度函数作为进化目标，且只能朝着适应度函数值增大的方向进化，为此，根据神经网络融合输出结果，定义遗传算法适应度函数为：

F(n)=4λ+[|xr(n)|2-R]2---(9)]]>

式（9）中λ为大于零的一个正常数，以防止目标函数F(n)出现被0除的情况；

Step2.初始化操作。设定种群规模P，最大进化代数M，种群中的每条染色体的编码规则为：控制码+权重系数码，其中控制码控制着虚拟接收机的取舍，权重系数码控制着虚拟接收机方案下的融合盲均衡实现。采用实数编码策略，控制码按大于0.5，该虚拟接收机保留，小于等于0.5，该虚拟接收机舍弃的原则进化；

Step3.根据式（9）计算种群中每个个体的适应度；

Step4.选择算子。最佳染色体直接进入下一代，不参加交叉和变异运算，对种群中的其他个体采用排序选择法，首先计算标准分布值：

t=ps1-(1-ps)P---(10)]]>

其中p_s为预先设定的选择概率。根据分布值计算各个染色体的选择概率：

p_k=t(1-p_s)^N(k)-1    （11）

其中N(k)是种群中k序号染色体的适应值由大到小的排序号。最佳染色体直接进入下一代，并在下一代种群中序号为1。计算染色体的累积选择概率：

qk=Σ1kpk(k),k=1,2······,P---(12)]]>

在[0,1]区间内产生按升序排列的随机数r,对染色体进行选择；

Step5.交叉和变异。以设定的交叉概率p_c在第i个个体和第i+1个个体之间进行的交叉算子如下：

Xit+1=ciXit+(1-ci)Xi+1t---(13)]]>

Xi+1t+1=(1-ci)Xit+ciXi+1t---(14)]]>

其中为交叉前的个体，和是交叉后的个体，c_i为区间[0,1]上的均匀分布随机数。以设定的变异概率p_m对交叉后个体进行变异，对第i个个体的变异算子如下：

Xit+1=Xit+ci---(16)]]>

其中是变异前的个体，是变异后的个体；

Step6.生成新一代群体。反复执行Step1—Step6，直到满足最大进化代数，选择适应度值最高的个体解码获得虚拟接收机的布放方案以及进行虚拟接收机融合的神经网络权重。