基于演化混沌量子神经网络的最优多用户检测方法
专利汇可以提供基于演化混沌量子神经网络的最优多用户检测方法专利检索，专利查询，专利分析的服务。并且本 发明 提供的是一种基于演化混沌量子神经网络的最优多用户检测方法。建立最优多用户检测模型；初始化混沌量子神经网络的初始参数，激活混沌量子神经网络获得近似最优解；初始化量子个体，把第一个量子个体的二进制测量态赋值为混沌量子神经网络的输出值；构造适应度函数，计算适应度；使用模拟的量子旋转 门 演化量子个体的量子态和获得新的测量态；对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；计算每个量子个体的适应度函数值，找到全局最优解；输出全局最优解作为多用户检测的最优结果。本发明具有非常优秀的抗多址干扰能 力 和抗远近效应能力，且应用范围广，能够在短时间内获得最优的检测结果。，下面是基于演化混沌量子神经网络的最优多用户检测方法专利的具体信息内容。
1.一种基于演化混沌量子神经网络的最优多用户检测方法，其特征是：
步骤一，建立最优多用户检测模型
1).DS-CDMA多用户检测模型
假定有K个正在通信的用户，则在时刻 基站接收到的信号 为
其中：M为处理数据长度，T为发送信号间隔，Ak(m)为第k个用户到达基站时第m个比特的信号幅值，bk(m)∈{-1,1}为第k个用户发送的第m个比特信息， 为第k个用户的扩频波形，τk∈[0,T)为第k个用户的信号时延， 为功率谱密度为N0/2的高斯白噪声；
对于同步高斯信道τk＝0,k＝1,2,…,K，M＝1；K个用户的匹配滤波器输出的向量形式为T
y＝[y1,y2,…yK] ，y＝RAb+n，其中 R是不同用户特征波形的相关矩阵,其
元素表示为 A＝diag(A1,A2,…,AK)是以{A1,A2,…,AK}为对角线元素的
对角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量；
最佳多用户检测器输出向量为： 构造最大值函数为
2).MC-CDMA多用户检测模型
假设有K个用户和N个载波在同一时隙被激活，每个用户有独一无二的特征码，用户k传输的符号经过归一化的扩频码βk＝[β1k,β2k,…,βNk]T进行频域扩频后，由N点的逆傅里叶变换进行基带调制，在加入循环保护前缀间隔和实现并串转换后，信号从发射天线发射出去，在基站接收端，接收天线输出的信号经串并转换和去保护前缀后，通过离散傅里叶变换进行解调，假定第k个用户被激活，基站接收端在一个多载波符号持续期内收到的频域信号为其中，Hnk为用户k到达基站时在第n个子载波上的信道频域响应，bk(l)∈{-1,1}为第k个用户在第l个多载波符号期内传输的符号，nnk(l)为第k个用户的第n个子载波在第l个多载波符号期内接收到的采样噪声，第k个用户的接收信号采样矩阵表达方式为rk＝HkAkbk+T
nk，式中，rk＝[r1k,r2k,…,rNk]为第k个用户接收信号的采样向量，Hk＝[β1kH1k,β2kH2k,…,βNkHNk]T为用户k的等效频域矩阵，噪声分量nk(t)＝[n1k,n2k,…,nNk]T为高斯白噪声，所有K个用户被激活时，基站接收到的频域信号为 其中H＝[H1,H2,…,HK]，b＝
[b1,b2,…,bK]T；A＝diag(A1,A2,…,AK)是对角矩阵；
高斯噪声环境下，MC-CDMA最佳多用户检测器就是找出一个信号序列，使给定输出序列的似然函数最大，其输出表示为： 其中Re()代
表取实部运算，则构造MC-CDMA系统的目标函数为
步骤二，初始化混沌量子神经网络的初始参数，把多用户检测的极大似然方程映射为混沌量子神经网络的能量函数，激活混沌量子神经网络获得近似最优解，对于某一优化问题，若Hopfield神经网络的能量函数为 设
则混沌量子神经网络和演化混沌加扰的量子神经网络的能量函数
定义为 其中，wkj＝wjk，wkk＝0，量子神经元输
出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为v＝[v1,v2,…,vK]T，网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络输出的量子态矢量为 k＝1,2,...,K，第t次迭代量子神经网络输出的二进
制状态为 量子神经元k的外部量子输入又称作量子偏置定
义为Ik，则第k个量子神经元在第t次迭代的状态为
步骤三，初始化量子个体，种群规模为H，在第z次迭代，第i个量子个体的量子态为i＝1,2,…,H， k＝1,2,…,K，所有量子个体量子态的量子位均被
初始化为 第i个量子个体的第k个量子位的测量方程为
为均匀分布在[0，1]之间的随机数；把第一个量子个体的二进制测量态
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量子位测量得到二进制态 i＝2,3,…,H；
步骤四，构造和计算适应度函数，令 η∈{0,1}，计算每
个量子个体的适应度函数值，把所找到的全局最优解记作
步骤五，使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态，第i个量子个体的第k个量子旋转角为 i＝1,2,…,H，k＝1,2,…,K，ck为[0,1]之间的常数,
sign3为3值判决输出函数；第i个量子个体的第k个量子旋转门为
对量子态测量得到二进制态
步骤六，对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；
步骤七，根据二进制态，计算每个量子个体的适应度函数值，把所找到的全局最优解记作
步骤八，判断量子种群中个体是否达到最大迭代次数zmax，是，则迭代停止，输出多用户检测的最优结果，否则迭代次数加1，返回步骤五。
2.根据权利要求1所述的基于演化混沌量子神经网络的最优多用户检测方法，其特征是混沌量子神经网络的演化步骤为:
(1)首先初始化混沌量子神经网络的参数，把要解决的优化问题映射到量子空间，初始时，令t＝0；
(2)更新混沌量子神经网络的动态方程为
其中，wkj表示量子连接权系
数，wkj＝wjk且wkk＝0；是能量函数梯度收敛项的尺度因子， α为神经网络的衰减因子，0≤α≤1；ek(t)为自反馈连接权；β为时变参量 的衰减因子，0≤β≤1；ε表示输出的锐度参数，量子旋转角 钳值在[-π/2,π/2]；
(3)判断是否达到终止迭代次数，若是，则令 其中，sign2(·)代表二
值判决函数，t1max为每个神经元最大迭代次数，迭代终止，执行下一步骤；否则，迭代次数加
1，返回(2)。
3.根据权利要求2所述的基于演化混沌量子神经网络的最优多用户检测方法，其特征是基于演化混沌加扰的量子神经网络的多用户检测的演化过程具体包括：
(1)演化混沌加扰的量子神经网络初始化，通过参数设置把要解决的最优多用户检测问题映射到Hopfield神经网络，进一步将Hopfield神经网络映射到混沌量子神经网络，演化混沌加扰的量子神经网络和混沌量子神经网络的能量函数相同；把量子个体当前的二进制测量态作为演化混沌加扰的量子神经网络的初始二进制输入；
(2)演化混沌加扰的量子神经网络依次选取量子神经元和其对应的量子偏置以进行异步更新，初始时，令t＝0；
(3)更新演化混沌加扰的量子神经网络确定量子旋转角，第k个量子神经元在第(t+1)次迭代的旋转角为 其中k＝1,2,...,K，hkt＝(gd-0.5)Ca/
[K(t-1)+k],gd＝gK(t-1)+k为根据Logist映射生成的混沌变量，gd＝4gd-1(1-gd-1)，混沌方程的初值是满足约束为g1∈(0,1),g1≠0.5,0.25,0.75的均匀随机数，Ca为正常数， 超过区间需要钳值在区间[-π/2,π/2]的边界值，然后按公式 求
出第k个量子神经元的量子输入；
(4)按公式 其中k＝1,2,...,K，sign2[·]代表二值
判决函数，对 与0比较进行判决得到量子神经元的二进制输出值
(5)判断演化混沌加扰的量子神经网络是否达到稳定状态，若否，令t＝t+1，转至步骤(3)；若是，则停止演化混沌加扰的量子神经网络的运行，获得优秀的二进制近似最优解。
基于演化混沌量子神经网络的最优多用户检测方法
技术领域
背景技术
发明内容
矩阵, 其元素表示为 A＝diag(A1,A2,…,AK)是以{A1,A2,…,AK}为对角
线元素的对 角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量；
T
H2,…,HK]，b＝[b1,b2,…,bK]； A＝diag(A1,A2,…,AK)是对角矩阵；
定 义为 其中，wkj＝wjk，wkk＝0，量子神经元
输出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为 v＝[v1,v2,…,vK]T，网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络 输出的量子态矢量为 第t次迭代量子神经网 络输出的
二进制状态为 量子神经元k的外部量子输入又称作 量子偏
置定义为Ik，则第k个量子神经元在第t次迭代的状态为
数，wkj＝wjk且wkk＝0；是能量函数梯度收敛项的尺度因子， α为 神经网络的衰减因子，0≤α≤1；ek(t)为自反馈连接权；β为时变参量 的衰减因子，0≤β≤1； ε表示输出的锐度参数，量子旋转角 钳值在[-π/2,π/2]；
为均匀分布在[0，1]之间的随机数；把第一个量子个体的二进制测量态
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量 子位测量得到二进制态
求出第k个量子神经元的量子输入；
具体实施方式
角线元素的 对角矩阵；b＝[b1,b2,…,bK]T；n＝[n1,n2,…,nK]T为均值为零的高斯噪声向量。
[H1,H2,…,HK]，b＝[b1,b2,…,bK]T；A＝diag(A1,A2,…,AK)是对角矩阵。
数就 可以定义为 其中，wkj＝wjk，wkk＝0，量
子 神经元输出为量子态矢量u＝[u1，u2，…，uK]T，量子神经网络输出的二进制状态为 v＝T
[v1,v2,…,vK] 。网络输入量子态通过硬判决为二进制状态，在第t次迭代量子神经网络输 出的量子态矢量为 第t次迭代量子神经网
络 输出的二进制状态为 量子神经元k的外部量子输入又称
作量 子偏置，可以定义为Ik，则第k个量子神经元在第t次迭代的状态为
系数，wkj＝wjk且wkk＝0；是能量函数梯度收敛项的尺度因子 α为 神经网络的衰减因子(0≤α≤1)；ek(t)为自反馈连接权；β为时变参量 的衰减因子 (0≤β≤1)；ε表示输出的锐度参数，量子旋转角 需要钳值在[-π/2,π/2]。
均匀分布在[0，1]之间的随机数。把第一个量子个体的二进制测量态
赋值为混沌量子神经网络的输出值，对其它H-1个量子个体量子态的量 子位测量得到二进制态
求出第k个量子神经元的量子输入。
198) 上发表的“基于神经网络量子算法的多用户检测器”；QHNN的参数设置同专利专利文件“基 于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法”。所设计的演化混沌量子 神经网络多用户检测(ECQNN)的参数设置如下：
H＝5， t1max＝40，t1max＝10，zmax＝5，ε＝5，α＝1，β＝0.99，η＝1，ck＝0.1，Ca＝1。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 两量子比特逻辑门的处理方法及装置 | 2020-05-15 | 763 |
| 拓扑量子比特融合 | 2020-05-11 | 649 |
| 共面波导通量量子比特设备 | 2020-05-15 | 702 |
| 氧化还原纳米药物量子点构成室温超导量子比特网络的方法 | 2020-05-18 | 578 |
| 一种超导量子比特测量系统 | 2020-05-15 | 212 |
| 氧化还原纳米药物量子点构成室温超导量子比特网络的方法 | 2020-05-19 | 330 |
| 可扩展的超导量子比特结构 | 2020-05-13 | 551 |
| 用于超导通量量子比特的耦合架构 | 2020-05-14 | 629 |
| 量子比特多状态重置 | 2020-05-11 | 933 |
| 量子比特的制备方法及装置 | 2020-05-14 | 487 |
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。
