多果蝇群协同优化小波常模盲均衡方法

摘要

本发明公开了一种多果蝇群协同优化小波常模盲均衡方法，将协同进化引入到果蝇优化方法中，提出了多果蝇群协同优化方法，发明了一种多果蝇群协同优化小波常模盲均衡方法MFOA‑WTCMA；该方法将小波常模盲均衡方法WTCMA权向量初始优化的问题转化为利用多果蝇群协同搜索最低食物味道浓度的问题，搜索到最低食物味道浓度的果蝇群为最优果蝇群；将该果蝇群的当前位置向量作为WTCMA的初始最优权向量。仿真结果表明，与WTCMA和单果蝇群优化的小波常模盲均衡方法SFOA‑WTCMA相比，本发明方法MFOA‑WTCMA收敛速度最快、均方误差最小和全局性能最优，在通讯技术领域有很强的实用价值。

主权项

一种多果蝇群协同优化小波常模盲均衡方法，其特征在于，包括如下步骤：步骤一、将发射信号a(k)经过信道脉冲响应h(k)后加入信道噪声n(k)，得到正交小波变换器的输入信号y(k)：y(k)＝a(k)h(k)+n(k)，其中，k为时间序列且为正整数；步骤二、将步骤一所述的正交小波变换器的输入信号y(k)经正交小波变换器进行正交小波变换后，得正交小波变换器的输出信号R(k)：R(k)＝Qy(k)，其中，Q为正交小波变换矩阵；步骤三、将步骤二所述的正交小波变换器的输出信号R(k)经过小波常模盲均衡方法WTCMA处理后得到小波常模盲均衡器的输出信号z(k)：z(k)＝f^H(k)R(k)，其中f(k)为小波常模盲均衡方法WTCMA的权向量，上标H表示共轭转置；步骤四、将步骤二所述的正交小波变换器输出信号R(k)作为多果蝇群协同优化方法的输入信号，以获得WTCMA的权向量f(k)的初始优化权向量f_opt(0)，该多果蝇群协同优化方法以食物味道浓度为性能评价标准，将最低食物味道浓度称为最优食物味道浓度，将与最优食物味道浓度对应的位置向量作为最优解；N个果蝇群先各自搜索到各自种群的最优解，然后比较N个最优解的食物味道浓度，从N个果蝇群中找出全局最优解；用该全局最优解来指导各果蝇群的搜索过程，使N个果蝇群跟踪全局最优解并进行下一次搜索，再次获取N个果蝇群的当前全局最优食物味道浓度；当当前全局最优食物味道浓度不变时，则与之对应的位置向量就是N个果蝇群协同搜索得到的当前全局最优位置向量，将此全局最优位置向量作为小波常模盲均衡方法WTCMA的初始优化权向量；步骤五、在步骤四获得初始优化权向量f_opt(0)后，对小波常模盲均衡方法WTCMA的权向量f(k)进行更新；对小波常模盲均衡方法WTCMA的权向量f(k)进行更新方法如下：即$f(k+1)=f\left(k\right)+\mu {\hat{R}}^{-1}\left(k\right)z\left(k\right)\left(\right|z\left(k\right){|}^2-R_{CM}^2)R^{*}\left(k\right);$式中，为发射信号a(k)的统计模值，是一个正常数，E表示数学期望；*表示取共轭，μ为步长，diag表示对角矩阵；表示对小波变换系数r_I,K(k)的平均功率估计，表示尺度变换系数s_I+1,K(k)的平均功率估计，其迭代公式为${\sigma }_{I,K}^2(k+1)={\mathrm{\beta \sigma }}_{I,K}^2\left(k\right)+(1-\beta )|r_{I,K}\left(k\right){|}^2;$${\sigma }_{I+1,K}^2(k+1)={\mathrm{\beta \sigma }}_{I+1,K}^2\left(k\right)+(1-\beta )|s_{I+1,K}\left(k\right){|}^2;$式中，β为平滑因子，且0＜β＜1，r_I,K(k)是尺度参数为I，平移参数为K的小波变换系数，I、K均取正整数；s_I+1,K(k)为小波分解的最大尺度为I+1，平移参数为K的尺度变换系数。