本發(fā)明涉及一種水聲通信盲均衡方法，尤其是一種果蠅優(yōu)化小波自適應軟約束常模盲均衡方法。

背景技術(shù)：
水聲通信中帶寬受限的水聲信道的多途效應(見文獻[1]郭業(yè)才著.自適應盲均衡技術(shù)[M].合肥:合肥工業(yè)大學出版社.2007.)，使經(jīng)過水聲信道的信號發(fā)生變形，產(chǎn)生嚴重的碼間干擾(InterSymbolInterference,ISI)(見文獻[2]SrinivasY.OptimalresampingofOFDMsingnalsformulti-scalemultilagunderwateracousticchannels[J].IEEEJournalofOceanicEngineering,2011,36(1):126-138;文獻[3]ZhuJ,GuoY.c,YangC.Decisionfeedbackblindequalizationalgorithmbasedonjointcombiningfreqyencydiversity[C].Beijing:SignalProcessing(ICSP),2010:263-266.)，影響通信質(zhì)量。而消除ISI，提高水聲信道帶寬利用率最有效的方法是采用盲均衡技術(shù)。在盲均衡技術(shù)中，傳統(tǒng)常數(shù)模盲均衡方法，結(jié)構(gòu)簡單、便于實現(xiàn)，但收斂速度慢、收斂后穩(wěn)態(tài)誤差大(ConstantModuleArithmetic,CMA)(見文獻[4]A，KayaI,SoysalB.Variablestep-sizeconstantmodulusalgorithmemployingfuzzylogiccontroller[J].WirelessPersonalCommunications,2010,54(2):237-250;文獻[5]JohnsonCRJr,SchniterP,EndersTJ.Blindequalizationusingtheconstantmoduluscriterion:areview[J].ProceedingofIEEESpecialIssueonBlindSystemIdentificationandEstimation,1998,86(10):1927-1950.)。文獻[6](ShafayatAbrar.Anadaptiveconstantmodulusblindequalizationalgorithmanditsstochasticstabilityanalysis[J].IEEESignalProcessingLetters,2010,17(1):55-58.)給出了一種通過最小化先驗和后驗聯(lián)合誤差函數(shù)來更新均衡器權(quán)向量的自適應軟約束常模盲均衡方法，對均衡QAM信號和PSK信號取得了一定的效果。但該方法仍然是用隨機梯度搜索方法獲得權(quán)向量最優(yōu)解，易陷入局部收斂，收斂后穩(wěn)態(tài)誤差仍不理想。利用正交小波變換對均衡器輸入信號進行正交變換并作功率作歸一化處理，能有效地降低均衡器輸入信號與噪聲的自相關(guān)性、加快收斂速度(見文獻[7]NurgunErdol,FilizBasbug.Wavelettransformbasedadaptivefilters:analysisandnewresults[J].IEEEtransactionsonsignalprocessing,1996,44(9):2163-2171.)。果蠅優(yōu)化方法(FruitFlyOptimizationAlgorithm，F(xiàn)OA)(見文獻[8]潘文超著.果蠅優(yōu)化算法[M].滄海書局,2011.)是一種群體智能的全局隨機搜索算法，具有收斂速度快、簡單易實現(xiàn)、全局搜索能力強等特點，通過迭代不斷更新味道濃度和位置進化到全局最優(yōu)解，現(xiàn)已成功應用于績效評估、財務預警和神經(jīng)網(wǎng)絡中(見文獻[9]PanWen-Tsao.Anewfruitflyoptimizationalgorithm:takingthefinancialdistressmodelasanexample[J].Knowledge-BasedSystems,2012,26:69-74；文獻[10]潘文超.應用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡進行企業(yè)經(jīng)營績效評估[J].太原理工大學學報(社會科學版),2011,29(4):1-5.)。

技術(shù)實現(xiàn)要素：
本發(fā)明目的是為了提高水聲通信系統(tǒng)中均衡器的性能，發(fā)明了一種果蠅優(yōu)化小波自適應軟約束常模盲均衡方法FOA-WT-SCS-CMA。本發(fā)明方法將正交小波變換理論和果蠅優(yōu)化方法FOA有機融入到自適應軟約束常數(shù)模盲均衡方法SCS-CMA中，利用正交小波變換降低信號的自相關(guān)性，加快SCS-CMA的收斂速度，減小其穩(wěn)態(tài)誤差，并利用FOA全局快速尋優(yōu)能力進一步優(yōu)化均衡器性能。與SCS-CMA和小波自適應軟約束常模盲均衡方法WT-SCS-CMA相比，本發(fā)明FOA-WT-SCS-CMA收斂速度更快、穩(wěn)態(tài)均方誤差更小、均衡性能更好，更適用于水聲通信系統(tǒng)中。本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案：本發(fā)明果蠅優(yōu)化小波自適應軟約束常模盲均衡方法，所述方法如下：隨機初始化一果蠅群的位置向量，作為果蠅優(yōu)化方法的決策變量，將正交小波變換器的輸入信號作為果蠅優(yōu)化方法的輸入，由自適應軟約束常模盲均衡方法 的代價函數(shù)確定果蠅的味道濃度，利用果蠅優(yōu)化方法尋優(yōu)找到果蠅群的最優(yōu)位置向量，將此最優(yōu)位置向量作為小波自適應軟約束常模盲均衡方法的初始化權(quán)向量。所述果蠅的味道濃度確定方法如下：將自適應軟約束常模盲均衡方法SCS-CMA的代價函數(shù)作為果蠅群中第i個果蠅的味道濃度，則有F(Xi)=JSCS-CMA(Xi),i=1,2,…,m其中,JSCS-CMA(Xi)是自適應軟約束常模盲均衡方法SCS-CMA的代價函數(shù)；m為果蠅群的規(guī)模，為正整數(shù)；Xi是第i個果蠅的位置向量；F是以Xi為自變量的果蠅味道濃度函數(shù)；所述果蠅優(yōu)化權(quán)向量方法如下：步驟1：初始化果蠅群參數(shù)：設果蠅群的規(guī)模為m，果蠅位置向量的維數(shù)為d，果蠅群中第i個果蠅的初始位置向量為xi，初始味道濃度均為F(xi)；步驟2：第i個果蠅的位置向量Xi與步進向量Vi：Xi=xi+ViVi=(Vi1,Vi2,…,Vij,…,Vid)Vij=u*rand(0,1)式中，Xi表示第i個果蠅的位置向量Xi=(Xi1,Xi2,…,Xid)，Vij表示第i個果蠅的第j維步進長度，步進長度Vij為區(qū)間[-u,u]內(nèi)的隨機數(shù)，u表示步進因子，rand(0,1)表示0到1之間的隨機數(shù)；Vi表示由d個Vij組成的第i個果蠅的步進向量；步驟3：計算果蠅味道濃度F(Xi)：按公式F(Xi)=JSCS-CMA(Xi),i=1,2,…,m計算果蠅味道濃度F(Xi)；步驟4：在果蠅群體中找出味道濃度最低的果蠅個體作為最優(yōu)個體，與最優(yōu)個體對應的味道濃度和位置向量稱為最優(yōu)果蠅個體的味道濃度和位置向量；步驟5：更新果蠅群的味道濃度和位置向量：將最優(yōu)果蠅個體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個體的味道濃度作為果蠅群的味道濃度；步驟6：重復執(zhí)行步驟2至步驟4，若當前最優(yōu)果蠅個體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟5；步驟7：若當最優(yōu)個體的味道濃度不變，則與之對應的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量，并將此最優(yōu)位置向量作為小波自適應軟約束常模盲均衡方法的初始化化權(quán)向量，否則轉(zhuǎn)至步驟6。本發(fā)明將自適應軟約束常模盲均衡方法、正交小波變換理論與果蠅優(yōu)化方法相結(jié)合，發(fā)明了一種果蠅優(yōu)化小波自適應軟約束常模盲均衡方法FOA-WT-SCS-CMA，本發(fā)明方法利用小波變換理論降低輸入信號的自相關(guān)性，加快了收斂速度，由果蠅優(yōu)化方法的全局搜索能力，獲得了全局最優(yōu)的均衡器權(quán)向量，減小了穩(wěn)態(tài)均方誤差，優(yōu)化了均衡效果，與自適應軟約束常模盲均衡方法SCS-CMA和小波自適應軟約束常模盲均衡方法WT-SCS-CMA相比，本發(fā)明FOA-WT-SCS-CMA收斂速度最快、穩(wěn)態(tài)均方誤差最小、均衡性能最佳。附圖說明圖1為本發(fā)明的方法流程原理圖；圖2a為三種不同方法的均方誤差曲線；圖2b為自適應軟約束常模盲均衡方法的輸出星座圖；圖2c為小波自適應軟約束常模盲均衡方法的輸出星座圖；圖2d為果蠅優(yōu)化小波自適應軟約束常模盲均衡方法的輸出星座圖；圖3a為三種不同方法的均方誤差曲線；圖3b為自適應軟約束常模盲均衡方法的輸出星座圖；圖3c為小波自適應軟約束常模盲均衡方法的輸出星座圖；圖3d為果蠅優(yōu)化小波自適應軟約束常模盲均衡方法的輸出星座圖；圖2a和圖3a中，SCS-CMA定義為自適應軟約束常模盲均衡方法，WT-SCS-CMA定義為小波自適應軟約束常模盲均衡方法，F(xiàn)OA-WT-SCS-CMA定義為果蠅優(yōu)化小波自適應軟約束常模盲均衡方法。具體實施方式下面集合附圖對本發(fā)明做進一步的詳細說明：自適應軟約束常模盲均衡方法自適應軟約束常模盲均衡方法SCS-CMA(見文獻[6]ShafayatAbrar.Anadaptiveconstantmodulusblindequalizationalgorithmanditsstochasticstabilityanalysis[J].IEEESignalProcessingLetters,2010,17(1):55-58.)是一種通過先驗和后驗聯(lián)合誤差函數(shù)最小化過程來更新均衡器權(quán)向量的盲均衡方法，其均方誤差代價函數(shù)為J=E[(ξq(k))2](1)式中，E表示數(shù)學期望，ξq(k)=Rq-|z(k)|q，式(1)的約束條件為ζ(q1,q2)(k)=0，而ζ(q1,q2)(k)=Rq1ξq2(k)+Rq2εq1(k)-εq1(k)ξq2(k)，ε(q)(k)=Rq-|s(k)|q，Rq=E[|a(k)|q+2]/E[|a(k)|2]為發(fā)射信號的模；q,q1,q2為該方法的階數(shù)且取正整數(shù)，a(k)為信號源發(fā)射的原始信號，z(k)為均衡器先驗輸出，Rq為常數(shù)模，ξq(k)為先驗誤差函數(shù)，ζ(q1,q2)(k)為聯(lián)合誤差函數(shù)，εq(k)為后驗誤差函數(shù)，s(k)為均衡器的后驗輸出，k為時間序列。SCS-CMA將先驗和后驗聯(lián)合誤差函數(shù)構(gòu)造為確定性代價函數(shù)，為了最小化代 價函數(shù)J,代價函數(shù)需滿足約束條件ζ(q1,q2)(k)=0，使w(k+1)盡可能接近先驗估計w(k)，w(k+1)表示第k+1時刻的權(quán)向量，w(k)表示第k時刻的權(quán)向量，下同；利用拉格朗日乘數(shù)法并結(jié)合約束條件，重新定義代價函數(shù)J1，即式中，λ表示拉格朗日乘法因子，表示向量w(k+1)-w(k)的2-范數(shù)的平方；由式(2)，能求出使J1最小的w(k+1)。式(2)對w(k+1)求導后，令求導結(jié)果為0，并取q1=2,q2=2q-2，得w*(k+1)-w*(k)-λy*(k)yΤ(k)w*(k)|wΗ(k)y(k)|2q-2=0(3)式中，上標Τ表示轉(zhuǎn)置，上標Η表示共軛轉(zhuǎn)置，上標*表示共軛，下同；將式(3)兩邊轉(zhuǎn)置后同乘y(k)，y(k)為均衡器輸入信號，得若式(4)成立，則最優(yōu)拉格朗日乘法因子λopt為權(quán)向量更新公式為w(k+1)=w(k)+λopts*(k)|z(k)|2q-2y(k)(6)引進緩和因子η以控制滿足約束的程度，權(quán)向量更新公式為將式(7)共軛轉(zhuǎn)置后，兩邊同乘y(k)，得s(k)=z(k)Rq/(Rq-ηξq(k))(8)將式(8)代入式(7)，則權(quán)向量更新公式為當η＜＜1時，Rq-ηξq(k)≈Rq，忽略歸一化因數(shù)，SCS-CMA權(quán)向量更新公式為w(k+1)=w(k)+μξq(k)z*(k)y(k)(10)式中，μ為步長，μ=η/Rq，表示向量y(k)的2-范數(shù)的平方。小波自適應軟約束常模盲均衡方法小波自適應軟約束常模盲均衡方法WT-SCS-CMA原理，如圖1所示。圖1中，a(k)是零均值獨立同分布發(fā)射信號；h(k)是信道的脈沖響應向量，長度為M，且h(k)=[h(k),L,h(k-M+1)]T，M為正整數(shù)；n(k)是加性高斯白噪聲；y(k)是均衡器的輸入信號向量y(k)=[y(k+L),L,y(k),L,y(k-L)]T且均衡器的長度為L；R(k)是y(k)經(jīng)過正交小波變換后的信號向量；z(k)是均衡器的輸出信號；w(k)是均衡器權(quán)系數(shù)向量，w(k)=[w0(k),w1(k),...,wL(k)]Τ(上標T表示轉(zhuǎn)置)，wL(k)表示k時刻權(quán)向量w(k)的第L個抽頭。由文獻[11](韓迎鴿,郭業(yè)才,李保坤,周巧喜.引入動量項的正交小波變換盲均衡算法[J].系統(tǒng)仿真學報,2008,20(6):1559-1562.)中小波分析理論及均衡器權(quán)向量的公式，得R(k)=Qy(k)(11)y(k)=wΤ(k)R(k)(12)ξq(k)=Rq-|z(k)|q(13)式中，Q為正交小波變換矩陣，Rq=E[|a(k)|q+2]/E[|a(k)|2]為發(fā)射信號統(tǒng)計模值，ξq(k)為均衡器的誤差，μ為步長，z*(k)為均衡器輸出信號的共軛；diag表示對角矩陣，且表示第k時刻小波空間第i層分解第n個信號rI,n(k)的平均功率估計；表示第k時刻尺度空間第I+1層分解第n個信號sI+1,n(k)的平均功率估計；為對的估計值，為對的估計值，其迭代公式為式中，β是平滑因子，且0<β<1。式(11)-(16)就構(gòu)成了小波自適應軟約束常模盲均衡方法WT-SCS-CMA。果蠅優(yōu)化小波自適應軟約束常模盲均衡方法FOA-WT-SCS-CMA果蠅優(yōu)化方法FOA是一種模擬果蠅覓食行為的群體智能新方法(見文獻[8]潘文超著.果蠅優(yōu)化算法[M].滄海書局,2011.)，該方法利用果蠅群體協(xié)作機制和信息共享機制搜尋種群最優(yōu)解。果蠅群中的每個果蠅都可測食物味道濃度，有飛行的搜索方向和距離，群中個體間相互協(xié)作，共享食物味道濃度信息，通過不斷迭代找到種群最優(yōu)解。在每一次迭代中賦予果蠅個體搜索位置及隨機搜索方 向，果蠅個體自身信息共享于果蠅群，根據(jù)搜索性能評定值味道濃度，在群中搜尋最優(yōu)果蠅個體，跟蹤當前最優(yōu)的果蠅個體的味道濃度和位置來更新種群最優(yōu)食物味道濃度和初始化位置，其他果蠅將追隨當前最優(yōu)果蠅個體在搜索空間中進行搜索。FOA采用多點并行搜索方式，對全局搜索空間具有快速尋優(yōu)能力，簡單易移植。本發(fā)明利用果蠅方法優(yōu)化均衡器的權(quán)向量，其原理如圖1所示，把自適應軟約束常模盲均衡方法SCS-CMA的代價函數(shù)作為果蠅的味道濃度，利用果蠅優(yōu)化方法尋優(yōu)找到果蠅群的最優(yōu)位置向量，將最優(yōu)果蠅個體的位置向量作為小波自適應軟約束常模盲均衡方法的初始化權(quán)向量，優(yōu)化步驟如下：步驟1：初始化果蠅群參數(shù)：設果蠅群的規(guī)模為m，果蠅位置向量的維數(shù)為d，果蠅群中第i個果蠅的初始位置向量為xi，初始味道濃度均為F(xi)；步驟2：第i個果蠅的位置向量Xi與步進向量Vi：Xi=xi+ViVi=(Vi1,Vi2,…,Vij,…,Vid)Vij=u*rand(0,1)式中，Xi表示第i個果蠅的位置向量Xi=(Xi1,Xi2,…,Xid)，Vij表示第i個果蠅的第j維步進長度，步進長度Vij為區(qū)間[-u,u]內(nèi)的隨機數(shù)，u表示步進因子，rand(0,1)表示0到1之間的隨機數(shù)；Vi表示由d個Vij組成的第i個果蠅的步進向量，步驟3：計算果蠅味道濃度F(Xi)：按公式F(Xi)=JSCS-CMA(Xi),i=1,2,…,m計算果蠅味道濃度F(Xi)；步驟4：在果蠅群體中找出味道濃度最低的果蠅個體作為最優(yōu)個體，與最優(yōu)個體對應的味道濃度和位置向量稱為最優(yōu)果蠅個體的味道濃度和位置向量；步驟5：更新果蠅群的味道濃度和位置向量：將最優(yōu)果蠅個體的位置向量作為果蠅群的位置向量，最優(yōu)果蠅個體的味道濃度作為果蠅群的味道濃度；步驟6：重復執(zhí)行步驟2至步驟4，若當前最優(yōu)果蠅個體的味道濃度小于果蠅群的味道濃度，則執(zhí)行步驟5；步驟7：若當最優(yōu)個體的味道濃度不變，則與之對應的位置向量就是尋優(yōu)得到的果蠅群的最優(yōu)位置向量，并將此最優(yōu)位置向量作為小波自適應軟約束常模盲均衡方法的初始化權(quán)向量，否則轉(zhuǎn)至步驟6。實施實例：為檢驗本發(fā)明FOA-WT-SCS-CMA的有效性，以均方誤差(MSE)作為方法性能的評價指標，SCS-CMA和WT-SCS-CMA為比較對象進行仿真實驗。實驗采用最小相位水聲信道h=[0.9656,-0.0906,0.0578,0.2368]，信噪比為25dB；均衡器權(quán)長均為16；SCS-CMA和WT-SCS-CMA均采用中心抽頭初始化且方法參數(shù)q值取9?！緦嵤├?】發(fā)射信號為16QAM;種群規(guī)模500；果蠅初始化位置[-0.1,0.1]；果蠅種群迭代步進值[-0.05,0.05]；方法最大進化代數(shù)為200。其它參數(shù)設置，如表1所示，800次蒙特卡諾仿真結(jié)果，如圖2所示。表1仿真參數(shù)設置圖2表明，水聲通信中傳輸16QAM信號，F(xiàn)OA-WT-SCS-CMA均衡性能最佳。由圖2a知，本發(fā)明FOA-WT-SCS-CMA穩(wěn)態(tài)誤差最小，約為-12.2dB；與WT-SCS-CMA和SCS-CMA相比，穩(wěn)態(tài)誤差分別減小了2dB和3dB，說明本發(fā)明方法抗水聲信號多途傳播和噪聲干擾的效果最好。本發(fā)明FOA-WT-SCS-CMA收斂速度比WT-SCS-CMA和SCS-CMA分別快了2500和2000步；說明本發(fā)明方法實用性最強，更有利于實際應用。從圖2b至圖2d知，本發(fā)明方法FOA-WT-SCS-CMA輸出信號星座圖最緊湊、清晰，信號輸出最準確穩(wěn)定?！緦嵤├?】發(fā)射信號為8PSK;種群規(guī)模500;果蠅初始化位置[-0.1,0.1];果蠅種群迭代步進值[-0.05,0.05];方法最大進化代數(shù)為200。其它參數(shù)設置，如表2所示。600次蒙特卡諾仿真結(jié)果，如圖3所示。表2仿真參數(shù)設置圖3表明，水聲通信中傳輸8PSK信號，F(xiàn)OA-WT-SCS-CMA均衡性能最佳。由圖3a知，本發(fā)明FOA-WT-SCS-CMA穩(wěn)態(tài)誤差最小，約為-19.5dB；與WT-SCS-CMA和SCS-CMA相比，穩(wěn)態(tài)誤差分別減小了5.5dB和6dB，說明本發(fā)明方法抗水聲信號多途傳播和噪聲干擾的效果最好。本發(fā)明FOA-WT-SCS-CMA收斂速度比WT-SCS-CMA和SCS-CMA分別快了13000步和11000步，說明本發(fā)明方法實用性最強，更有利于實際應用。從圖3b到圖3d知，本發(fā)明方法FOA-WT-SCS-CMA輸出信號星座圖最緊湊、清晰，信號輸出最準確穩(wěn)定。本發(fā)明在自適應軟約束常模盲均衡方法的基礎上，引入正交小波變化和果蠅優(yōu)化方法，利用正交小波變換對均衡器輸入信號進行正交變換并對功率作歸一化處理，有效地降低了均衡器輸入信號與噪聲的自相關(guān)性、加快了收斂速度，利用果蠅優(yōu)化方法全局快速的尋優(yōu)能力優(yōu)化了小波自適應軟約束常模盲均衡方法的權(quán)向量，進一步提高了均衡器性能。