雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)盲均衡算法的研究

耿艷香 王光艷 張立毅

摘 ?要：針對(duì)影響通信質(zhì)量的碼間干擾問題，提出利用雜草算法的隨機(jī)性、魯棒性、自適應(yīng)性優(yōu)化神經(jīng)網(wǎng)絡(luò)，為神經(jīng)網(wǎng)絡(luò)提供較好的初始權(quán)值，再與BP算法的指導(dǎo)性搜索思想結(jié)合起來，既能克服尋優(yōu)中的盲目性進(jìn)而避免局部收斂情況的發(fā)生，有效地加快收斂速度，減小剩余穩(wěn)態(tài)誤差，降低誤碼率，從而提高信道的盲均衡性能。通過計(jì)算機(jī)仿真，證明該算法具有較好的收斂性能。

關(guān)鍵詞：入侵雜草算法;初始權(quán)值;盲均衡算法;BP神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TP391.41 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：In view of the inter symbol interference problem，this paper proposes a new method applying the randomness，robustness and adaptability of Invasive Weed Optimization to optimize neural network.This method can provide good initial weights for neural network.By combining the guiding search idea of BP algorithm，it can not only overcome the blindness in seeking optimization to avoid local convergence，but also effectively speed up the convergence speed，reduce the remaining steady-state error，and lower the symbol error rate，thus improving the blind equalization performance of communication channels.The computer simulation results show that this algorithm has better convergence performance.

Keywords：Invasive Weed Optimization;initial weight;Blind Equalization;BP neural network algorithm

1 ? 引言（Introduction）

盲均衡技術(shù)是一門新興的現(xiàn)代自適應(yīng)均衡技術(shù)，用來解決當(dāng)通信系統(tǒng)信道嚴(yán)重的時(shí)變特性所導(dǎo)致的接收機(jī)不能及時(shí)跟蹤信道特性變化而產(chǎn)生的通信中斷，可以只利用接收信號(hào)本身的一些數(shù)據(jù)特性來自適應(yīng)地調(diào)節(jié)均衡器的參數(shù)，消除由信道的非理想特性引起的碼間干擾，從而達(dá)到信道的均衡目的[1-3]。因此，盲均衡技術(shù)的應(yīng)用提高了系統(tǒng)的通信效率，在一定程度上也簡化了系統(tǒng)的結(jié)構(gòu)。

各種新型算法和人工智能理論的發(fā)展，出現(xiàn)了一些新的盲均衡改進(jìn)算法，如基于CMA的盲均衡算法[4-6]、加權(quán)多模盲均衡算法[7]、基于免疫算法的盲均衡算法[8]、蝙蝠算法優(yōu)化的多模盲均衡算法[9]和基于模擬退火的DNA遺傳優(yōu)化小波多模盲均衡算法[10]等。神經(jīng)網(wǎng)絡(luò)的盲均衡算法也取得了頗多的成果，先后出現(xiàn)了多種前饋神經(jīng)網(wǎng)絡(luò)盲均衡算法[11-13]和遞歸神經(jīng)網(wǎng)絡(luò)算法[14-16]。本文利用雜草算法的自適應(yīng)性、快速全局收斂性和良好的魯棒性等特點(diǎn)，進(jìn)一步改善誤差反向傳播算法（Error Back Propagation Algorithm，簡稱BP算法）收斂速度慢，易陷入局部最優(yōu)解等缺陷，提出使用雜草算法幫助神經(jīng)網(wǎng)絡(luò)快速找到符合信道特征的權(quán)值組合作為初始權(quán)值，再應(yīng)用于盲均衡算法，推導(dǎo)出算法的迭代公式，從而找出代價(jià)函數(shù)的最小值，提高信道均衡的準(zhǔn)確性和有效性。通過Matlab仿真實(shí)驗(yàn)，證明新算法是可靠的，其性能優(yōu)于普通的神經(jīng)網(wǎng)絡(luò)盲均衡算法。

2 ? 算法的基本思想（The basic idea of the algorithm）

2.1 ? 雜草算法

雜草算法是A.R.Mehrabian和C.Lucas于2006年首次提出的，雜草算法基本思想是利用雜草算法的三個(gè)主要機(jī)制：（1）以適應(yīng)度為準(zhǔn)則的繁殖機(jī)制;（2）正態(tài)分布的擴(kuò)散機(jī)制;（3）子父代競(jìng)爭(zhēng)排斥機(jī)制組成的一種新型群智能優(yōu)化算法。其思想模擬自然界雜草殖民的過程，在迭代初期，通過大的標(biāo)準(zhǔn)差值，進(jìn)行全局搜索;在迭代后期，標(biāo)準(zhǔn)差逐漸減小，得到當(dāng)前最優(yōu)解，每繁殖一代，都將父代和子代一起進(jìn)行排列，按適應(yīng)值大小進(jìn)行淘汰，能最大限度保留有用的信息，同時(shí)能避免早熟和陷入局部最優(yōu)，但算法的性能受參數(shù)設(shè)置影響較大。

2.2 ? 雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值的盲均衡算法

為了避免BP算法收斂速度慢、易于陷入局部最優(yōu)解等缺點(diǎn)，可將雜草算法與盲均衡算法結(jié)合，充分利用雜草算法全局搜索的特點(diǎn)和盲均衡算法局部搜索速度快的特點(diǎn)。先利用雜草算法的遍歷性幫助神經(jīng)網(wǎng)絡(luò)快速找到權(quán)值組合的較好解作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，然后利用BP算法進(jìn)行快速收斂，最終找到神經(jīng)網(wǎng)絡(luò)的最佳權(quán)值組合，從而即提高了收斂速度又避免了陷入局部最優(yōu)解。雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的盲均衡算法（Invasive Weed Optimization Neural Network Blind Equalization Algorithm，簡稱IWO-NN-BEA）的原理框圖，如圖1所示。

圖1中，為輸入信號(hào);為信道迭加噪聲;為信道的沖激響應(yīng);為接收信號(hào)，也是神經(jīng)網(wǎng)絡(luò)的輸入信號(hào);為盲均衡后的輸出信號(hào);為判決器輸出。

3 ?IWO-NN-BEA及其實(shí)現(xiàn)（IWO-NN-BEA and itsrealization）

在數(shù)字通信系統(tǒng)中，由于信道的多徑傳播，信道噪聲等因素的影響，數(shù)字信號(hào)在傳輸過程中將產(chǎn)生碼間串?dāng)_（Inter Symbol Interference，又稱ISI）。為了消除此干擾，使得接收端能夠正確解調(diào)，對(duì)信道畸變進(jìn)行實(shí)時(shí)的有效補(bǔ)償是十分必要的。選擇一個(gè)合適的網(wǎng)絡(luò)結(jié)構(gòu)，通過利用雜草算法找到合適的初始權(quán)值，再結(jié)合BP算法對(duì)代價(jià)函數(shù)求極小值來達(dá)到調(diào)整權(quán)值的目的，使信道得到較好的均衡效果。

3.1 ? 神經(jīng)網(wǎng)絡(luò)的選擇

首先選用三層前饋神經(jīng)網(wǎng)絡(luò)，如圖2所示。

圖5和圖6分別給出了在普通信道與典型電話信道中各算法的誤碼率比較曲線?？梢钥闯觯s草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)盲均衡算法具有較低的誤碼率。

5 ? 結(jié)論（Conclusion）

針對(duì)傳統(tǒng)盲均衡技術(shù)的不足，本章提出了一種基于入侵雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的盲均衡新算法。該算法將入侵雜草算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，充分利用入侵雜草算法的種群多樣性和魯棒性強(qiáng)的特點(diǎn)，進(jìn)行全局搜索，獲取最佳的初始權(quán)值，避免陷入局部最優(yōu)，提高了收斂速度，減小誤碼率。最后，通過Matlab仿真證明該入侵雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的盲均衡算法是可行的，也是有效的。

參考文獻(xiàn)（References）

[1] 郭業(yè)才，胡苓苓，丁銳.基于量子粒子群優(yōu)化的正交小波加權(quán)多模盲均衡算法[J].物理學(xué)報(bào)，2012（05）：281-287.

[2] 肖瑛，李振興，董玉華.動(dòng)態(tài)目標(biāo)函數(shù)下的神經(jīng)網(wǎng)絡(luò)盲均衡仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2009，21（14）：4331-4334.

[3] 崔偉軒.基于多模算法的盲均衡算法研究[D].南京信息工程大學(xué)，2013：39-41.

[4] 吳珊.果蠅優(yōu)化小波盲均衡算法研究[D].安徽理工大學(xué)，2014：10-40.

[5] 趙娟.應(yīng)用盲均衡器的方形輪廓算法基于復(fù)雜的神經(jīng)網(wǎng)絡(luò)[C].2011年國際會(huì)議上電子、通信和控制（ICECC），2013：166-169.

[6] 張家琦，葛寧.聯(lián)合CMA+DDLMS盲均衡算法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，49（10）：108-111.

[7] 薛偉，楊小牛，張朝陽.一種改進(jìn)的加權(quán)多模盲均衡算法[J].系統(tǒng)仿真學(xué)報(bào)，2011，23（3）：451-455.

[8] 白偉.基于免疫算法的RBF神經(jīng)網(wǎng)絡(luò)盲均衡算法[J].山西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，28（1）：33-37.

[9] 郭業(yè)才，吳華鵬，王惠，等.基于DNA遺傳蝙蝠算法的分?jǐn)?shù)間隔多模盲均衡算法[J].兵工學(xué)報(bào)，2015，36（8）：1502-1507.

[10] 郭業(yè)才，吳華鵬.雙蝙蝠群智能優(yōu)化的多模盲均衡算法[J].智能系統(tǒng)學(xué)報(bào)，2015，10（5）：755-761.

[11]張冰龍，徐建敏，江浩.基于模擬退火的DNA遺傳優(yōu)化小波多模盲均衡算法[J].電子技術(shù)應(yīng)用，2016，24（2）：88-91.

[12] 羅亞松，林景元，胡玉銑，等.高階QAM信號(hào)的前饋神經(jīng)網(wǎng)絡(luò)相位修正水聲信道盲均衡算法[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2012，36（6）：1221-1224.

[13] 郭業(yè)才，高敏，張艷萍.基于正交小波包變換的前饋神經(jīng)網(wǎng)絡(luò)盲均衡算法[J].電子測(cè)量與儀器學(xué)報(bào)，2009，23（11）：59-64.

[14] 劉子通.雙線性反饋神經(jīng)網(wǎng)絡(luò)的復(fù)值盲均衡算法研究[J].山西電子技術(shù)，2011（4）：76-78.

[15] 阮秀凱，李昌，談燕花，等.基于電域反饋神經(jīng)網(wǎng)絡(luò)的自適應(yīng)盲均衡方法[J].光學(xué)學(xué)報(bào)，2013，33（5）：1-12.

[16] 張亮，陳睿，邱小松.譜聚類遞歸神經(jīng)網(wǎng)絡(luò)集成的全自動(dòng)公開區(qū)分計(jì)算機(jī)和人的圖靈測(cè)試識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2014，34（5）：1383-1385.

[17] 吳文鐵，宋曰聰，李敏.蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量混沌預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（34）：97-101.

[18] 張立毅，劉婷，孫云山，等.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值盲均衡算法的研究[J].計(jì)算機(jī)工程與應(yīng)用，2010，45（11）：162-164.

作者簡介：

耿艷香（1983-），女，碩士，實(shí)驗(yàn)師.研究領(lǐng)域：智能算法.

王光艷（1975-），女，博士，副教授.研究領(lǐng)域：信號(hào)處理.

張立毅（1965-），男，博士，教授.研究領(lǐng)域：信號(hào)處理.