[发明专利]一种基于自适应步长猴群优化的小波常模盲均衡方法

说明书

本发明公开了一种基于自适应步长猴群优化的小波常模盲均衡方法,本发明将自适应步长引入猴群优化方法，得到了一种自适应步长猴群优化方法，这个新方法具有很好的全局寻优能力，利用这个新方法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常模盲均衡方法中的初始权向量，能使盲均衡系统更接近期望的理想系统，从而收敛速度加快，均方误差降低。与现有技术相比，本发明参数少、复杂度低、收敛速度快、稳态误差小，有很好的实用价值。

技术领域：

本发明涉及数据处理技术领域，具体讲是一种基于自适应步长猴群优化的小波常模盲均衡方法。

背景技术：

信号在水声数字系统中高速传输时，会因带宽有限和多径传播等因素的影响产生码间干扰(Inter-Symbol interference,ISI)，导致严重失真，若在接收端引入盲均衡技术，可有效消除和减少ISI，提高通信质量。常模盲均衡方法(Constant ModulusAlgorithm,CMA)结构简单、性能稳定，目前被广泛采用，但存在收敛速度慢、稳态误差大等问题；将小波变换(WT)引入了CMA，利用WT可降低信号与噪声的自相关性，WT-CMA虽较传统CMA性能有了一定的提升，但方法中的代价函数仍是多模态的，寻优方法也仍沿用了CMA的梯度思想，所以未能从根本上解决无法获得全局最优解的问题，效果有限。自适应步长猴群优化方法(LMA)作为一种新型仿生群智能优化方法，将猴群爬山过程中的爬、望、跳、翻四个动作模拟设计成了三个搜索过程，并在爬过程中采用自适应步长，用猴群代表一组目标函数的潜在解，用猴群所能达到的最高位置作为目标函数的全局最优解，当猴群寻找到搜索空间的最高位置时，其适应度函数取得最大值。

发明内容：

本发明要解决的技术问题是，提供一种基于自适应步长猴群优化的小波常模盲均衡方法，该方法利用自适应步长猴群优化方法良好的全局搜索能力来获取猴群在搜索空间的最优位置向量，并将这个最优位置向量作为小波常模盲均衡方法中的初始权向量，结合小波变换降低信号自相关性，有效改善了常模盲均衡方法容易陷入局部最小值、收敛速度慢、稳态误差大等问题，具有能获取全局最优解，收敛速度快，稳态误差小的优点。

本发明的技术解决方案是，提供一种基于自适应步长猴群优化的小波常模盲均衡方法，包括基于小波变换的常模盲均衡方法，其中，还包括自适应步长猴群优化方法,具体步骤如下：

步骤①初始化阶段：先设置基于自适应步长猴群优化的小波常模盲均衡方法中的相关参数，接着随机产生初始猴群，确定自适应步长猴群优化方法的适应度函数，然后生成信号y(k)，将其作为自适应步长猴群优化方法的输入，最后确定猴群全局最优位置向量的初始值；

步骤②迭代寻优阶段：通过自适应步长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常模盲均衡方法(WT-CMA)的初始权向量；

步骤③信号均衡输出阶段：将上述步骤①中的输入信号y(k)通过基于小波变换的常模盲均衡方法均衡输出。

优选地，本发明所述的一种基于自适应步长猴群优化的小波常模盲均衡方法，其中，初始化阶段的具体步骤如下：

步骤a设置基于自适应步长猴群优化的小波常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)＝c^T(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。