专利名称：基于混沌支持向量机优化的小波加权多模盲均衡方法
技术领域：
本发明涉及一种水声信道中基于混沌支持向量机优化的小波加权多模盲均衡方法。
背景技术：
在水声信道中，信道的带宽受限和多径传播导致码间干扰，造成接收数据产生误码，影响到了通信系统的质量。为了提高信道的频带利用率，常常采用高阶QAM调制方式， 为了克服码间干扰，在接收端需要引入均衡技术，盲均衡技术因无需发送训练序列而得到广泛的应用。在现有的盲均衡方法中，常数模方法(Constant Modulus Algorithm,CMA)结构简单、计算量小、稳定性好，而被广泛应用(见文献[1]纪娟娟，郭业才.基于正交小波变换的奇对称误差函数盲均衡算法[J].系统仿真学报，2010，22 (10) ,2247-2249)。由于CMA仅仅利用了均衡器输出信号的幅度信息，存在相位模糊性，而且在处理高阶QAM信号时，收敛速度缓慢、稳态误差也相当的大。文献(见文献[2]Yang J,Werner J J, and Dumont G A. The multiple modulus blind equalization and its generalized algorithm. IEEE Journal on Sel. Area in Commun.，2002，20 (5) :997_1015)中的多模盲均衡方法(Multiple Modulus Algorithm, MMA)利用了均衡器输出信号的幅度和相位信息，提高了稳态收敛性能，但在MMA中权向量的同相和正交分量都是利用单一的判决圆进行调整，随着QAM阶数的提高，对信道均衡的性能变差，收敛速度和均方误差达不到理想的效果。文献[3] [4] (见文献[3]许小东，戴旭初，徐佩霞.适合高阶QAM信号的加权多模盲均衡算法[J]电子与信息学报，2007，29 (6) 1352-1355 ；文献[4]窦高奇，高俊.适用于高阶QAM系统的多模盲均衡新算法[J]电子与信息学报，2008，30 (2)，388-391)表明加权多模盲均衡方法 (Weighted Multiple Modulus Algorithm, WMMA)引入判决符号的指数冥来调整代价函数中的模值，进一步地利用了高阶QAM星座图的信息，对信道具有很好的均衡性能；利用正交小波变换的去相关性，对均衡器输入信号进行预处理，降低了输入信号的自相关性，加快了收敛速度(见文献[5]郭业才，杨超.基于正交小波包变换的判决反馈盲均衡算法[J].系统仿真学报，2010，23 (3) 570-574)；由于小波加权多模盲均衡方法(WT-WMMA)中的权向量采用最速下降法进行迭代，与CMA类似，容易陷入局部极小值点，文献[6] [7](见文献 [6]李金明，赵俊渭.支持向量机初始化的常数模盲均衡算法仿真[J]计算机仿真，2008， 25(1) :84_87 ；文献[7]Feng Liu，Hu-cheng An，Jia-ming Li Blind Equalization Using v-Support Vector Regressor for Constant Modulus Signal[J]IEEE International Joint Conference on Neural Networks，2008，pp :161_164)表明利用支持向量机对 WT-WMMA的权向量进行初始化，可以避免陷入局部极小值点，在支持向量机初始化权向量的过程中，根据文献[8](见文献[8] Qing YuiYing LiuiFeng Rao. Paramater Selection of Support Vector Regression Machine Based on Differential Evolution Algorithm[J]. IEEE Six International Conference on Fuzzy Systems and Knowledge Discovery,2009，VOL 2, pp :596-598)，将支持向量机参数的选取看作参数的组合优化，建立组合优化目标函数；文献[9] [11](见文献[9]袁小芳，王耀南.基于混沌优化算法的支持向量机参数选取方法[J].控制与决策，2006，21(1) :111-113;文献[10]Chmg Shimng， Guo Jian-qin. Application of chaos optimization algorithm in the solution of combination optimization problems[J]. Modern Electronic Technique，2008，31(18) 68-70 ；文献[ll]Guo Li-hua，Tang Wen-cheng，Zhan Chun-hua. A new hybrid global optimization algorithm based on chaos search and complex method[C]. IEEE International Conference on Computer Modeling and Simulation. 2010，VOL. 3，pp 233-237)表明，通过混沌优化来搜索最优的目标函数值，将能提高支持向量机的拟合能力。
发明内容
本发明目的是为避免权向量陷入局部极小值点，利用支持向量机对均衡器的权向量进行初始化，并在此过程中，通过混沌优化对支持向量机的参数进行优化，提高其拟合能力；利用正交小波变换对均衡器的输入信号进行预处理，降低输入信号的自相关性，减小均方误差；权向量迭代过程中，采用加权多模方法进一步利用星座图信息，来调整迭代过程中权向量的模值。水声信道的仿真结果表明，与加权多模盲均衡方法和其它方法相比，本发明方法具有较快的收敛速度和更小的稳态误差。本发明为实现上述目的，采用如下技术方案本发明基于混沌支持向量机优化的小波加权多模盲均衡方法，包括如下步骤a.)将复信源发射信号a (η)经过脉冲响应信道得到信道输出向量χ (η)，其中η为时间序列，下同；b.)采用信道噪声w (η)和步骤a所述的信道输出向量χ (η)得到正交小波变换器 (WT)的输入信号:y(n) = χ (η)+w (η)；c.)将步骤b所述的均衡器的输入信号y (η)经过正交小波变换得到均衡器的输入信号R(n)；d.)将步骤C所述的均衡器的输入信号R(n)经过均衡器得到均衡器的输出信号 ζ (n) =fT(n)R(n),f(n)为均衡器的权向量，上标T表示转置；其特征在于将步骤d所述的均衡器的输出信号ζ (η)经过判决器后通过加权多模盲均衡方法更新均衡器权向量
_ 3] f(n +1) = f(n) - juk;⑷[ν (η) + j. Vwmma ㈨怵* ㈨⑴ 式中，μ为步长因子，Re表示实部，Im表示虚部，j+ = ^^!为虚数单位，eEejWMMA(n)、eImjWMMA(n)分别表示为均衡器输出误差e—fc)的实部和虚部， R1 (n) = diag[^20( ),^21(W)5L alh (n\a2L+l 0(n)^㈨]为正交小波功率归一化矩阵。其
中，diag[]表示对角矩阵，和σ〗+%( )分别表示对小波系数ri,k和尺度系数^k的平均功率估计，^k(η)表示小波空间1层分解的第k个信号，S1,k(η)表示尺度空间中最大分解层数L时的第k个信号，可由下式递推得到001权利要求
1.一种基于混沌支持向量机优化的小波加权多模盲均衡方法，包括如下步骤a.)将复信源发射信号a(η)经过脉冲响应信道得到信道输出向量χ (η)，其中η为时间序列，下同；b.)采用信道噪声W(ri)和步骤a所述的信道输出向量χ(η)得到正交小波变换器(WT) 的输入信号=y(n) = χ (η)+w (η)；c.)将步骤b所述的均衡器的输入信号y(n)经过正交小波变换得到均衡器的输入信号 R (η)；d.)将步骤c所述的均衡器的输入信号R(n)经过均衡器得到均衡器的输出信号ζ(η) =fT(n)R(n)，f(n)为均衡器的权向量，上标T表示转置；其特征在于将步骤d所述的均衡器的输出信号ζ (η)经过判决器后通过加权多模盲均衡方法更新均衡器权向量f(n +1) = f(n) - juk;⑷[V丽· {η) + j. 譯·㈨]/T {η)(1)式中，μ为步长因子，Re表示实部，Im表示虚部，e^.Oi)、 eIm, MA(n)分别表示为均衡器输出误差Swmma(H)的实部和虚部， R1 (n) = diag[^20( ),^21(W)5L alh (n\a2L+l 0(n)^㈨]为正交小波功率归一化矩阵。其中，diag[]表示对角矩阵，和σ〗+%( )分别表示对小波系数ri,k和尺度系数^k的平均功率估计，^k(η)表示小波空间1层分解的第k个信号，S1,k(η)表示尺度空间中最大分解层数L时的第k个信号，可由下式递推得到
2.根据权利要求1所述的基于混沌支持向量机优化的小波加权多模盲均衡方法，其特征在于采用支持向量机方法将盲均衡的问题转化为全局最优的支持向量机回归问题对于高阶的QAM信号，令α =
，m = M-l，则η =M_QAM(a)，即η表示对 α正交幅度调制后的输出信号，M为高阶QAM信号的调制阶数，令η = [ n0, ni;L, nj, ηω为对应于第m个输入信号的调制输出信号；信源的发射信号为a(n)，则均衡器的接收信号可表示为
3.根据权利要求1所述的基于混沌支持向量机优化的小波加权多模盲均衡方法，其特征在于将SVM的参数C和ε选取看作参数的组合优化，将AME (k)作为组合优化的目标函数，通过混沌优化来搜索最优的目标函数值，从而找到合适的参数取值。 采用式(17)的Logistic映射作为混沌变量的迭代公式 d(n+l) = μ d(n) [l-d(n)](17)式中，d(n)为混沌变量，μ为一常数，当μ =4时系统完全处于混沌状态，以AME(k) 最小值作为SVM回归与参考模型之间的偏差，即f (Z1, z2) = min (AME)(18)aj ^ Zi ^ bj, i = 1,2式中，Zl，Z2为优化变量，分别对应于支持向量机参数C和ε，[ai，bi]为变量Zi的定义域。混沌优化选取SVM参数的步骤如下Stepl初始化变量，令混沌搜索次数为M1，混沌再搜索次数M2 ；计数器I = 0，k = O ；给优化的混沌变量Cli赋初值Cli = Cli (0)，< = < (0)，i = 1，2 ；当前的最优目标函数值初始化为f*;Step2将Cli映射到优化变量的取值区间成为Zi
全文摘要
本发明公布了一种基于混沌支持向量机优化的小波加权多模盲均衡方法，包括如下步骤将复信源发射信号经过脉冲响应信道得到信道输出向量；采用信道噪声和信道输出向量之和风细雨得到正交小波变换器的输入信号；将均衡器的输入信号经过正交小波变换得到均衡器的输入信号；将均衡器的输入信号经过均衡器得到均衡器的输出信号；将均衡器的输出信号经过判决器后通过加权多模盲均衡方法更新均衡器权向量。本发明利用支持向量机对小波加权多模盲均衡方法的权向量进行初始化，可以提高收敛速度并避免陷入局部极小值点，将支持向量机的参数选取看作参数的组合优化，建立组合优化目标函数，通过混沌优化来搜索最优的目标函数值，提高支持向量机的拟合能力。
文档编号H04L25/03GK102361475SQ20111015998
公开日2012年2月22日 申请日期2011年6月15日 优先权日2011年6月15日
发明者徐文才, 郭业才 申请人:南京信息工程大学