基於演化混沌量子神經網絡的最優多用戶檢測方法與流程
2023-05-17 09:31:31

本發明涉及的是一種最優多用戶檢測方法。
背景技術:
碼分多址(cdma)通信系統是近年來用於數字蜂窩移動通信的一種先進的無線擴頻通信技術,但由於多址幹擾和遠近效應的存在,使系統性能受到影響。多用戶檢測方法是解決該問題的有效方法,在接收端使用多用戶檢測技術能夠有效抑制多址幹擾和遠近效應對cdma系統產生的不利影響,提高通信系統性能和容量。作為cdma通信系統的一項關鍵技術,多用戶檢測技術不是把多址幹擾和遠近效應簡單的看做幹擾噪聲進行處理,而是把它作為一種有用的信息,充分利用各用戶之間的關係進行聯合檢測,提高系統的檢測性能和系統容量。
基於人工神經網絡的多用戶檢測方法是一種可快速實現,且在一定程度上能夠克服多址幹擾和遠近效應不利影響的多用戶檢測方法。人工神經網絡具有自學習、聯想記憶、自適應和非線性逼近等功能,基於人工神經網絡設計的多用戶檢測方法通過訓練後可以在不具備對象先驗知識的條件下,僅根據輸出數據就可直接進行檢測,為解決複雜的多用戶檢測問題提供了一條便捷的途徑。隨著應用的深入和實際問題日益複雜,基於訓練序列的多用戶檢測器所存在的局限和不足也日益明顯,其在實際應用中存在收斂性能差和受訓練過程制約的缺點。如何克服現有神經網絡多用戶檢測方法的局限和不足,是一個具有挑戰性的難題。
高洪元等在《計算機工程》(2007,vol.33,no.10,pp.196-198)上發表的「基於神經網絡量子算法的多用戶檢測器」中提出了一種hopfield神經網絡和量子搜索算法進而設計新的多用戶檢測器,在較短的時間內達到最優,但是仍難以獲得最優的抗多址幹擾能力和抗遠近效應能力。xiajunbo等在《2016internationalconferenceonsmartcityandsystemsengineering》(2016,pp.175-178)上發表的「cdmamultiuserdetectionbasedonimprovedparticleswarmoptimization」中提出了一種基於提高的粒子群算法的多用戶檢測器,只有在種群規模和迭代次數足夠大的情況下才能獲得較好的收斂性能,在低計算複雜度下達不到最優檢測結果。已有文獻檢索表明,現有多用戶檢測方法經常會陷入局部極值無法獲得全局最優值,演化時間較長,檢測結果的魯棒性能較差。
技術實現要素:
本發明的目的在於提供一種能在最短的時間達到最優的檢測性能的基於演化混沌量子神經網絡的最優多用戶檢測方法。
本發明的目的是這樣實現的:
步驟一,建立最優多用戶檢測模型
1.ds-cdma多用戶檢測模型
假定有k個正在通信的用戶,則在時刻基站接收到的信號為其中:m為處理數據長度,t為發送信號間隔,ak(m)為第k個用戶到達基站時第m個比特的信號幅值,bk(m)∈{-1,1}為第k個用戶發送的第m個比特信息,為第k個用戶的擴頻波形,τk∈[0,t)為第k個用戶的信號時延,為功率譜密度為n0/2的高斯白噪聲;
對於同步高斯信道τk=0,k=1,2,…,k,m=1;k個用戶的匹配濾波器輸出的向量形式為y=[y1,y2,…yk]t,y=rab+n,其中r是不同用戶特徵波形的相關矩陣,其元素表示為a=diag(a1,a2,…,ak)是以{a1,a2,…,ak}為對角線元素的對角矩陣;b=[b1,b2,…,bk]t;n=[n1,n2,…,nk]t為均值為零的高斯噪聲向量;
最佳多用戶檢測器輸出向量為:構造最大值函數為
2.mc-cdma多用戶檢測模型
假設有k個用戶和n個載波在同一時隙被激活,每個用戶有獨一無二的特徵碼,用戶k傳輸的符號經過歸一化的擴頻碼βk=[β1k,β2k,…,βnk]t進行頻域擴頻後,由n點的逆傅立葉變換進行基帶調製,在加入循環保護前綴間隔和實現並串轉換後,信號從發射天線發射出去,在基站接收端,接收天線輸出的信號經串並轉換和去保護前綴後,通過離散傅立葉變換進行解調,假定第k個用戶被激活,基站接收端在一個多載波符號持續期內收到的頻域信號為
其中,hnk為用戶k到達基站時在第n個子載波上的信道頻域響應,bk(l)∈{-1,1}為第k個用戶在第l個多載波符號期內傳輸的符號,nnk(l)為第k個用戶的第n個子載波在第l個多載波符號期內接收到的採樣噪聲,第k個用戶的接收信號採樣矩陣表達方式為rk=hkakbk+nk,式中,rk=[r1k,r2k,…,rnk]t為第k個用戶接收信號的採樣向量,hk=[β1kh1k,β2kh2k,…,βnkhnk]t為用戶k的等效頻域矩陣,噪聲分量nk(t)=[n1k,n2k,…,nnk]t為高斯白噪聲,所有k個用戶被激活時,基站接收到的頻域信號為其中h=[h1,h2,…,hk],b=[b1,b2,…,bk]t;a=diag(a1,a2,…,ak)是對角矩陣;
高斯噪聲環境下,mc-cdma最佳多用戶檢測器就是找出一個信號序列,使給定輸出序列的似然函數最大,其輸出表示為:其中re代表取實部運算,則構造mc-cdma系統的目標函數為
步驟二,初始化混沌量子神經網絡的初始參數,把多用戶檢測的極大似然方程映射為混沌量子神經網絡的能量函數,激活混沌量子神經網絡獲得近似最優解,對於某一優化問題,若hopfield神經網絡的能量函數為設則混沌量子神經網絡和演化混沌加擾的量子神經網絡的能量函數定義為其中,wkj=wjk,wkk=0,量子神經元輸出為量子態矢量u=[u1,u2,…,uk]t,量子神經網絡輸出的二進位狀態為v=[v1,v2,…,vk]t,網絡輸入量子態通過硬判決為二進位狀態,在第t次迭代量子神經網絡輸出的量子態矢量為第t次迭代量子神經網絡輸出的二進位狀態為量子神經元k的外部量子輸入又稱作量子偏置定義為ik,則第k個量子神經元在第t次迭代的狀態為
混沌量子神經網絡的演化步驟為:
(1)首先初始化混沌量子神經網絡的參數,把要解決的優化問題映射到量子空間,初始時,令t=0;
(2)更新混沌量子神經網絡的動態方程為其中,wkj表示量子連接權係數,wkj=wjk且wkk=0;是能量函數梯度收斂項的尺度因子,α為神經網絡的衰減因子,0≤α≤1;ek(t)為自反饋連接權;β為時變參量的衰減因子,0≤β≤1;ε表示輸出的銳度參數,量子旋轉角鉗值在[-π/2,π/2];
(3)判斷是否達到終止迭代次數,若是,則令其中,sign2(·)代表二值判決函數,t1max為每個神經元最大迭代次數,迭代終止,執行下一步驟;否則,迭代次數加1,返回(2);
步驟三,初始化量子個體,種群規模為h,在第z次迭代,第i個量子個體的量子態為所有量子個體量子態的量子位均被初始化為第i個量子個體的第k個量子位的測量方程為為均勻分布在[0,1]之間的隨機數;把第一個量子個體的二進位測量態賦值為混沌量子神經網絡的輸出值,對其它h-1個量子個體量子態的量子位測量得到二進位態
步驟四,構造和計算適應度函數,令計算每個量子個體的適應度函數值,把所找到的全局最優解記作
步驟五,使用模擬的量子旋轉門演化量子個體的量子態和獲得新的測量態,第i個量子個體的第k個量子旋轉角為ck為[0,1]之間的常數,sign3為3值判決輸出函數;第i個量子個體的第k個量子旋轉門為對量子態測量得到二進位態
步驟六,對於每個量子個體的二進位態,激活演化混沌加擾的量子神經網絡演進機制產生一個次優解;
基於演化混沌加擾的量子神經網絡的多用戶檢測的演化過程具體包括:
(1)演化混沌加擾的量子神經網絡初始化,通過參數設置把要解決的最優多用戶檢測問題映射到hopfield神經網絡,進一步將hopfield神經網絡映射到混沌量子神經網絡,演化混沌加擾的量子神經網絡和混沌量子神經網絡的能量函數相同;把量子個體當前的二進位測量態作為演化混沌加擾的量子神經網絡的初始二進位輸入;
(2)演化混沌加擾的量子神經網絡依次選取量子神經元和其對應的量子偏置以進行異步更新,初始時,令t=0;
(3)更新演化混沌加擾的量子神經網絡確定量子旋轉角,第k個量子神經元在第(t+1)次迭代的旋轉角為其中k=1,2,...,k,hkt=(gd-0.5)ca/[k(t-1)+k],gd=gk(t-1)+k為根據logist映射生成的混沌變量,gd=4gd-1(1-gd-1),混沌方程的初值是滿足約束為g1∈(0,1),g1≠0.5,0.25,0.75的均勻隨機數,ca為正常數,超過區間需要鉗值在區間[-π/2,π/2]的邊界值,然後按公式求出第k個量子神經元的量子輸入;
(4)按公式其中k=1,2,...,k,sign2[·]代表二值判決函數,對與0比較進行判決得到量子神經元的二進位輸出值
(5)判斷演化混沌加擾的量子神經網絡是否達到穩定狀態,若否,令t=t+1,轉至步驟(3);若是,則停止演化混沌加擾的量子神經網絡的運行,獲得優秀的二進位近似最優解;
步驟七,根據二進位態,計算每個量子個體的適應度函數值,把所找到的全局最優解記作
步驟八,判斷量子種群中個體是否達到最大迭代次數zmax,是,則迭代停止,輸出多用戶檢測的最優結果,否則迭代次數加1,返回步驟五。
本發明是通過使用混沌量子神經網絡和演化混沌加擾的量子神經網絡快速得到最優檢測結果,並使用模擬的量子旋轉門演化量子個體,解決現有多用戶檢測方法在短時間內無法達到最優檢測結果這一技術和理論難題。
本發明在離散hopfield神經網絡的基礎上,對量子計算進行深入的分析,引入混沌變異策略和暫態混沌理論,設計混沌量子神經網絡和演化混沌加擾的量子神經網絡,突破現有設計多用戶檢測器尋優方式的固有模式,在較短的時間內獲得最優的檢測性能。
本發明針對現有高斯噪聲環境下多用戶檢測方法存在的缺點和不足,利用神經網絡的自學習、聯想記憶、自適應和非線性逼近的優點以及量子計算的機理並引入混沌變異策略和暫態混沌理論,設計混沌量子神經網絡和演化混沌加擾的量子神經網絡,突破現有多用戶檢測器設計方法的固有模式,在短時間獲得最優的檢測結果,並具有較好的抗多址幹擾能力和抗遠近效應能力,能夠同時解決ds-cdma和mc-cdma系統的多用戶檢測問題,應用範圍廣泛。
與現有多用戶檢測設計方法相比本發明所設計的最優多用戶檢測方法能夠在短時間達到最優檢測性能,具有以下優點:
(1)本發明解決了高斯噪聲環境下的多用戶檢測問題,使用所設計的混沌量子神經網絡和演化混沌加擾的量子神經網絡作為尋優策略,所設計的演化混沌量子神經網絡最優多用戶檢測方法具有實現時間短和檢測性能好的優點。
(2)相對於現有多用戶檢測方法,本發明可同時利用混沌量子神經網絡和演化混沌加擾的量子神經網絡的優勢,消除了多址幹擾和遠近效應對ds-cdma和mc-cdma系統性能影響的難題,應用範圍廣泛。
(3)仿真結果表明,本發明所提出的演化混沌量子神經網絡最優多用戶檢測方法在優化時能夠得到全局最優解,但所需時間遠遠小於窮盡搜索和其他基於智能計算的多用戶檢測方法,說明了所設計的多用戶檢測方法的有效性和高效性。
附圖說明
圖1所設計演化混沌量子神經網絡多用戶檢測器示意圖。
圖2目標用戶1的誤碼率和目標用戶1的信噪比的關係曲線。
圖3目標用戶1的誤碼率和目標用戶1的遠近比關係曲線。
圖410個用戶的平均誤碼率和信噪比的關係曲線。
圖510個用戶的平均誤碼率和遠近比的關係曲線。
具體實施方式
下面舉例對本發明做更詳細的描述。
步驟一,建立最優多用戶檢測模型。
1.ds-cdma(直接序列碼分多址)多用戶檢測模型
考慮ds-cdma通信系統,假定小區有k個正在通信的用戶,則在時刻基站接收到的信號為其中,m為處理數據長度,t為發送信號間隔。ak(m)為第k個用戶到達基站時第m個比特的信號幅值;bk(m)∈{-1,1}為第k個用戶發送的第m個比特信息;為第k個用戶的擴頻波形;τk∈[0,t)為第k個用戶的信號時延;為功率譜密度為n0/2的高斯白噪聲。
對於同步高斯信道τk=0(k=1,2,…,k),m=1;k個用戶的匹配濾波器輸出的向量形式為y=[y1,y2,…yk]t。y=rab+n,其中r是不同用戶特徵波形的相關矩陣,其元素可表示為a=diag(a1,a2,…,ak)是以{a1,a2,…,ak}為對角線元素的對角矩陣;b=[b1,b2,…,bk]t;n=[n1,n2,…,nk]t為均值為零的高斯噪聲向量。
最佳多用戶檢測(omd)就是採用最大似然序列準則找出一個接收信號序列,使給定輸出序列的似然函數最大。最佳多用戶檢測器輸出向量為:構造最大值函數為
2.mc-cdma(多載波碼分多址)多用戶檢測模型
考慮一mc-cdma通信系統的上行鏈路,假設小區中有k個用戶和n個載波在同一時隙被激活,每個用戶有獨一無二的特徵碼。以第k個用戶為例,用戶k傳輸的符號經過歸一化的擴頻碼βk=[β1k,β2k,…,βnk]t進行頻域擴頻後,由n點的逆傅立葉(ifft)變換進行基帶調製。在加入循環保護前綴間隔和實現並串轉換後,信號從發射天線發射出去。在基站接收端,接收天線輸出的信號經串並轉換和去保護前綴後,通過離散傅立葉變換(fft)進行解調,假定第k個用戶被激活,基站接收端在一個多載波符號持續期內收到的頻域信號為
其中,hnk為用戶k到達基站時在第n個子載波上的信道頻域響應;bk(l)∈{-1,1}為第k個用戶在第l個多載波符號期內傳輸的符號;nnk(l)為第k個用戶的第n個子載波在第l個多載波符號期內接收到的採樣噪聲。第k個用戶的接收信號採樣矩陣表達方式為rk=hkakbk+nk,式中,rk=[r1k,r2k,…,rnk]t為第k個用戶接收信號的採樣向量;hk=[β1kh1k,β2kh2k,…,βnkhnk]t為用戶k的等效頻域矩陣;噪聲分量nk(t)=[n1k,n2k,…,nnk]t為高斯白噪聲。小區中所有k個用戶被激活時,基站接收到的頻域信號為其中h=[h1,h2,…,hk],b=[b1,b2,…,bk]t;a=diag(a1,a2,…,ak)是對角矩陣。
高斯噪聲環境下,mc-cdma最佳多用戶檢測器(omd)就是找出一個信號序列,使給定輸出序列的似然函數最大,其輸出可表示為:其中re代表取實部運算,則構造mc-cdma系統的目標函數為
步驟二,初始化混沌量子神經網絡的初始參數,把多用戶檢測的極大似然方程映射為混沌量子神經網絡的能量函數,激活混沌量子神經網絡獲得近似最優解。對於某一優化問題,若hopfield神經網絡的能量函數為設則混沌量子神經網絡和演化混沌加擾的量子神經網絡的能量函數就可以定義為其中,wkj=wjk,wkk=0,量子神經元輸出為量子態矢量u=[u1,u2,…,uk]t,量子神經網絡輸出的二進位狀態為v=[v1,v2,…,vk]t。網絡輸入量子態通過硬判決為二進位狀態,在第t次迭代量子神經網絡輸出的量子態矢量為第t次迭代量子神經網絡輸出的二進位狀態為量子神經元k的外部量子輸入又稱作量子偏置,可以定義為ik,則第k個量子神經元在第t次迭代的狀態為
混沌量子神經網絡的演化步驟為:
(1)首先初始化混沌量子神經網絡的參數,把要解決的優化問題映射到量子空間,初始時,令t=0。
(2)更新混沌量子神經網絡的動態方程為其中,wkj表示量子連接權係數,wkj=wjk且wkk=0;是能量函數梯度收斂項的尺度因子α為神經網絡的衰減因子(0≤α≤1);ek(t)為自反饋連接權;β為時變參量的衰減因子(0≤β≤1);ε表示輸出的銳度參數,量子旋轉角需要鉗值在[-π/2,π/2]。
(3)判斷是否達到終止迭代次數,若是,則令其中,sign2(…)代表二值判決函數,t1max為每個神經元最大迭代次數,迭代終止,執行下一步驟。否則,迭代次數加1,返回(2)。
步驟三,初始化量子個體,種群規模為h,在第z次迭代,第i個量子個體的量子態為所有量子個體量子態的量子位均被初始化為第i個量子個體的第k個量子位的測量方程為為均勻分布在[0,1]之間的隨機數。把第一個量子個體的二進位測量態賦值為混沌量子神經網絡的輸出值,對其它h-1個量子個體量子態的量子位測量得到二進位態
步驟四,構造和計算適應度函數,根據不同的cdma系統,可以設計使用不同的適應度加權係數,令計算每個量子個體的適應度函數值。把至今所找到的全局最優解記作
步驟五,使用模擬的量子旋轉門演化量子個體的量子態和獲得新的測量態。第i個量子個體的第k個量子旋轉角為ck為[0,1]之間的常數,sign3為3值判決輸出函數。第i個量子個體的第k個量子旋轉門為對量子態測量得到二進位態
步驟六,對於每個量子個體的二進位態,激活演化混沌加擾的量子神經網絡演進機制產生一個次優解。
基於演化混沌加擾的量子神經網絡的多用戶檢測的演化過程介紹如下:
(1)演化混沌加擾的量子神經網絡初始化。通過參數設置把要解決的最優多用戶檢測問題映射到hopfield神經網絡,可進一步將hopfield神經網絡映射到混沌量子神經網絡,演化混沌加擾的量子神經網絡和混沌量子神經網絡的能量函數相同。把量子個體當前的二進位測量態作為演化混沌加擾的量子神經網絡的初始二進位輸入。
(2)演化混沌加擾的量子神經網絡依次選取量子神經元和其對應的量子偏置以進行異步更新,初始時,令t=0。
(3)更新演化混沌加擾的量子神經網絡確定量子旋轉角,第k個量子神經元在第(t+1)次迭代的旋轉角為其中k=1,2,...,k,hkt=(gd-0.5)ca/[k(t-1)+k],gd=gk(t-1)+k為根據logist映射生成的混沌變量,gd=4gd-1(1-gd-1),混沌方程的初值是滿足約束為g1∈(0,1),g1≠0.5,0.25,0.75的均勻隨機數,ca為正常數,超過區間需要鉗值在區間[-π/2,π/2]的邊界值,然後按公式求出第k個量子神經元的量子輸入。
(4)按公式其中k=1,2,...,k,sign2[·]代表二值判決函數,對與0比較進行判決得到量子神經元的二進位輸出值
(5)判斷演化混沌加擾的量子神經網絡是否達到穩定狀態(可設置每個量子神經元最大更新次數為t2max),若否,令t=t+1,轉至步驟(3);若是,則停止演化混沌加擾的量子神經網絡的運行,獲得優秀的二進位近似最優解。
步驟七,根據二進位態,計算每個量子個體的適應度函數值。把至今所找到的全局最優解記作
步驟八,判斷量子種群中個體是否達到最大迭代次數zmax,是,則迭代停止,輸出多用戶檢測的最優結果,否則迭代次數加1,返回步驟五。
最佳多用戶檢測器記作omd,傳統多用戶檢測器記作cd,量子hopfield神經網絡多用戶檢測器記作qhnn,本發明所設計的演化混沌量子神經網絡多用戶檢測器記作ecqnn。從仿真圖中可以看出所設計的多用戶檢測器的抗多址幹擾能力和抗遠近效應能力優於cd和qhnn,達到了omd的抗幹擾和抗遠近效應的能力。所設計的ecqnn的收斂性能遠好於cd和qhnn兩種多用戶檢測器設計方法。
仿真基於ds-cdma通信系統,用戶數為10,採用31位的gold序列作為擴頻序列,擴頻序列的最大的歸一化互相關係數為9/31。在仿真過程中使用的多用戶檢測器有:最優多用戶檢測器(omd);傳統多用戶檢測器(cd);量子hopfield神經網絡多用戶檢測器(qhnn);cd和omd多用戶檢測器的模型和參數設置同《計算機工程》(2007,vol.33,no.10,pp.196-198)上發表的「基於神經網絡量子算法的多用戶檢測器」;qhnn的參數設置同專利專利文件「基於量子hopfield神經網絡和量子魚群算法的魯棒多用戶檢測方法」。所設計的演化混沌量子神經網絡多用戶檢測(ecqnn)的參數設置如下:h=5,t1max=40,t1max=10,zmax=5,ε=5,α=1,β=0.99,η=1,ck=0.1,ca=1。