一种基于混合猴群优化的小波加权多模盲均衡方法
专利汇可以提供一种基于混合猴群优化的小波加权多模盲均衡方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于混合猴群优化的小波加权多模盲均衡方法，它采用列维飞行模式来确定猴群优化方法中的爬步长，并将模拟 退火 优化方法嵌入猴群优化方法中，得到了一种混合猴群优化方法，这个新方法有很强的全局寻优能 力 ，利用这个新方法能得到猴群在搜索空间的最优 位置 向量，将此向量作为基于 小波变换 的加权多模盲均衡方法中的初始权向量，此时盲均衡系统成为期望的理想系统，具有很好的均衡能力。与 现有技术 相比，本发明对高阶 正交 振幅调制 信号 有很好的均衡能力，收敛速度快、稳态误差小，有一定的实用价值。，下面是一种基于混合猴群优化的小波加权多模盲均衡方法专利的具体信息内容。
1.一种基于混合猴群优化的小波加权多模盲均衡方法，包括基于小波变换的加权多模盲均衡方法(WT-WMMA)，其特征在于：还包括混合猴群优化方法，猴群优化方法采用列维飞行模式确定爬步长，并与模拟退火优化方法有机结合，所述方法结合在一起后的具体步骤如下：
步骤①初始化阶段：先设置基于混合猴群优化的小波加权多模盲均衡方法中的相关参数，接着随机产生初始种群，生成信号y(k)，然后确定混合猴群优化方法的适应度函数，将y(k)作为混合猴群优化方法的输入信号，最后初始化猴群全局最优位置向量；
步骤②混合猴群优化方法的迭代寻优阶段：通过混合猴群优化方法获得猴群的全局最优位置向量，并将其作为基于小波变换的加权多模盲均衡方法的初始权向量；
步骤③信号均衡输出阶段：对上述步骤①中的输入信号y(k)通过小波加权多模盲均衡方法均衡输出。
2.根据权利要求1所述的一种基于混合猴群优化的小波加权多模盲均衡方法，其特征在于：所述初始化阶段的具体步骤如下：
步骤a设置基于混合猴群优化的小波加权多模盲均衡方法中所有相关参数；
步骤b生成信号y(k)：信号经信道传输后将发生一定变化，
y(k)＝cT(k)a(k)+b(k) (1)
式(1)中，a(k)为平稳独立同分布且具有零均值的发射信号序列，c(k)为信道的脉冲响应向量，b(k)为加性高斯白噪声，y(k)为a(k)经信道传输后的信号序列；
步骤c随机产生初始种群：在n维空间创建一个规模为m的猴群X＝[X1,X2,…,Xm]，则第i只猴子的位置可以用一个n维的向量Xi＝(xi1,xi2,…,xin)，i＝1,2,…,m来表示，每只人工猴的位置向量与基于小波变换的加权多模盲均衡方法中的权向量设置为相同形式，猴群初始位置的分配采用的是随机形式，过程如下：
xij＝xmin,j+(xmax,j-xmin,j)rand (2)
式(2)中，i＝1,2,…,m；j＝1,2,…,n，xij为第i只猴子在第j维的实际位置，xmin,j和xmax,j分别表示搜索空间第j维的下界和上界，rand产生一个在区间[0,1]上的实数；
步骤d确定适应度函数：将混合猴群优化方法中适应度函数的倒数对应于小波加权多模盲均衡方法(WT-WMMA)的代价函数，两者关系如下：
式(3)中，L(Xi)为基于小波变换的加权多模盲均衡方法的代价函数，f(Xi)为混合猴群优化方法的适应度函数，基于小波变换的加权多模盲均衡方法的最佳权向量是要使其代价函数取得最小值，而混合猴群优化方法中最终取得的全局最优解是适应度函数的最大值，故利用混合猴群优化方法求解均衡器的代价函数时将两者作以上对应；
步骤e初始化猴群全局最优位置向量：将y(k)作为混合猴群优化方法的输入信号,根据适应度函数，分别计算初始状态中每只猴子的位置向量对应的适应度函数值，比较结果，将群体中的最大适应度函数值定义为全局最优适应度函数值f(X*)的初始值，该值对应的位置向量定义为全局最优位置向量X*的初始值。
3.根据权利要求1所述的一种基于混合猴群优化的小波加权多模盲均衡方法，其特征在于：所述混合猴群优化方法的迭代寻优阶段的具体步骤如下：
步骤a爬过程，具体如下：
1)在第t次的爬行中，随机生成一个向量ΔXi＝(Δxi1,Δxi2,…,Δxin)，i＝1,2,…,m，分量Δxij以相同的概率0.5取爬步长λi(λi＞0)或-λi，爬步长将采用列维飞行模式确定：
Levy～ε＝t-1-β(0＜β≤2) (5)
式(4)中，α为步长控制因子(α＞0，具体数值可根据实际情况设置)； 为点对点乘法；
Levy(β)为随机搜索路径，它移动的步长服从列维分布；
2)计算伪梯度
式(6)中，i＝1,2,…,m，j＝1,2,…,n，向量f'i(xi)＝(f'i1(xi),f'i2(xi),…f'in(xi))称为适应度函数在点Xi处的伪梯度；
3)设向量Y＝(y1,y2,…yn)，向量中各分量为
yj＝xij+λi·sign(f'ij(xi)) (7)
式(7)中，i＝1,2,…,m，j＝1,2,…,n；
4)若Y在搜索空间范围[a,b]内，则更新位置，Xi←Y，否则，保持Xi不变；
5)返回爬过程的步骤1)，继续进行迭代，直到达到设置的最大爬次数或者前后两次迭代过程中适应度函数值无明显变化，爬过程结束，转入望-跳过程；
步骤b望-跳过程，具体步骤如下：
1)经过一段时间的攀爬，每只人工猴在其视野范围(xij-γ,xij+γ)，i＝1,2,…,m，j＝
1,2,…,n内进行多次眺望以探索周围是否有更好的位置，每次眺望的结果用Y＝(y1,y2,…yn)表示，若Y在搜索空间范围[a,b]内并有f(Y)＞f(Xi)，则Xi←Y；否则，保持Xi不变；
2)重复望-跳过程步骤1)直到有满足条件的Y产生时或者达到设定次数终止；
3)计算所有猴子当前位置对应的适应度函数值，并与f(X*)比较，用最优值更新f(X*)，用该值对应的位置向量更新X*；
步骤c模拟退火操作，具体步骤如下：
1)在第i只猴子当前位置一定范围内进行随机扰动，生成一个满足约束条件的位置向量Y＝(y1,y2,…yn)，
2)若f(Y)＞f(Xi)，则将其作为新解,更新人工猴位置，否则根据Metropolis准则，以状态转移概率P决定是否接受新解，
式(8)中：fk为第k次迭代所得的最优解的适应度函数值，k＝0,1,…,K；K为马尔科夫链的长度；fk+1为第(k+1)次迭代所得的最优解的适应度函数值；P(Tk+1)为温度为Tk+1时的接收概率；
3)根据约束条件判断是否结束，若结束,转入步骤4)；否则转入步骤1)；
4)若未达到冷却状态，则按式(9)进行降温处理，
式(9)中：为温度冷却系数.若达到冷却状态，转入步骤5)；否则转入步骤1)；
5)计算所有猴子在模拟退火操作中所有位置向量对应的适应度函数值，并与f(X*)比较，用最优值更新f(X*)，用该值对应的位置向量更新X*；
6)若达到设定次数，进入翻过程；否则，返回爬过程，进行迭代寻优；
步骤d翻过程的主要目的是迫使猴群开拓新的搜索区域，经过以上迭代，每只猴子在翻区间[c,d]内沿当前位置指向支点的方向(当θ＞0时)或反方向(当θ＜0时)翻跳以更新当前的位置，具体步骤如下：
1)在翻区间[c,d]内随机产生一个实数θ，令
yj＝xij+θ(pj-xij) (10)
式(10)中，i＝1,2,…,m，j＝1,2,…,n，支点 设Y＝(y1,y2,…yn)，若Y在搜
索空间范围[a,b]内并有f(Y)＞f(Xi)，则Xi←Y；否则，保持Xi不变；
2)重复翻过程步骤1)直到有满足条件的Y产生或者达到最大设置次数时终止；
3)计算所有猴子当前位置对应的适应度函数值，并与f(X*)比较，用最优值更新f(X*)，用该值对应的位置向量更新X*；
4)检验是否满足结束条件，若满足则转入步骤e；否则，转到爬过程；
步骤e输出全局最优位置向量 该向量即为小波加权多模盲均衡方
法中权向量F(k)的初始值，迭代寻优阶段结束。
4.根据权利要求1所述的一种基于混合猴群优化的小波加权多模盲均衡方法，其特征在于：所述信号均衡输出阶段的具体步骤如下：
步骤a将信号y(k)分为实部和虚部，并分别对其进行小波变换，
根据小波变换理论，若设Q为小波变换矩阵，则经过小波变换后均衡器的输入信号R(k)为：
y(k)＝yRe(k)+j·yIm(k) (11)
R(k)＝RRe(k)+i·RIm(k)＝yRe(k)Q+i·yIm(k)Q (12)
式中，下标Re和Im分别代表参数的实部和虚部，uRej,m(k)、uImj,m(k)、sReJ,m(k)、sImJ,m(k)分别为相应的小波和尺度变换的实部和虚部；均衡器长度为L，J为小波分解的最大尺度，L＝2J，k＝0,1,…,L-1,kj＝L/2j-1(j＝1,2,…,J)为在尺度j下小波函数的最大平移；φJ,m(k)为小波函数； 为尺度函数，
步骤b信号均衡输出：
均衡器的输出信号为
WT-WMMA误差函数为
WT-WMMA代价函数为
式中，加权因子λRe，λIm∈[0,2]，对方形QAM信号星座图，选择λRe＝λIm，λRe和λIm分别是信号实部和虚部的加权因子，仿真实验中λRe和λIm的值是根据仿真实例中经验得到； 和分别是判决信号 的实部与虚部， 与z(k)近似相等，
权向量F(k)的迭代
F(k)＝FRe(k)+jFIm(k) (21a)
式(21b)-(21c)中：μ为权向量的迭代步长，R*(k)为R(k)的共轭，dRej,m、dImj,m、vReJ,m和vImJ,m分别为均衡器权系数的实部和虚部，
表示对尺度变换系数mI,n
(k)、小波变换系数ri,n(k)的平均功率估计，其迭代公式为：
式(22)和(23)中，η(0＜η＜1)为平滑因子。
一种基于混合猴群优化的小波加权多模盲均衡方法
技术领域：
(k)、小波变换系数ri,n(k)的平均功率估计，其迭代公式为：
3dB，比MMA小近4dB，MSE得到了有效控制；LFSA-MA-WT-WMMA的收敛速度比MMA、WT-WMMA、MA-WT-WMMA明显加快，并LFSA-MA-WT-WMMA的输出星座图最为清晰、紧凑，恢复出的传输信号最准确。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种ADAS路径规划功能实验室测试系统及方法 | 2020-05-11 | 722 |
| 一种贝西沙星盐酸盐的制备方法 | 2020-05-12 | 184 |
| 一种交通信号配时方案的生成方法、生成装置及存储介质 | 2020-05-12 | 474 |
| 一种基于ROS的固定翼无人机自动驾驶仪的仿真方法 | 2020-05-13 | 187 |
| 一种新型安全速降装置 | 2020-05-11 | 785 |
| 含裂纹齿轮的工业机器人减速器传动精度可靠性分析方法 | 2020-05-08 | 521 |
| 一种基于多入射角组网SAR卫星数据的风场反演方法及系统 | 2020-05-11 | 726 |
| 基于ARINC429模拟器的自主导航与定位系统 | 2020-05-11 | 601 |
| 一种飞机航电系统半物理试验方法及系统 | 2020-05-13 | 779 |
| 一种组合导航接收机开发平台 | 2020-05-11 | 197 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
