全局人工鱼群优化的动量常模盲均衡算法.docx

全局人工鱼群优化的动量常模盲均衡算法摘要：针对常模盲均衡算法（CMA）存在局部收敛和慢收敛的缺陷提出了一种全局人工鱼群优化的动量常模盲均衡算法（GAFSA-MCMA）。该算法首先利用全局人工鱼群算法（GAFSA）收敛速度快、全局搜索能力强的优点寻找人工鱼群的最优位置向量并作为CMA的初始优化权向量从而使权向量在迭代过程中获得全局最优同时将动量算法引入到CMA中提高收敛速度。与CMA、MCMA相比该算法均方误差较小、收敛速度较快。关键词：常模盲均衡；动量；全局人工鱼群算法；收敛速度中图分类号：G642.3文献标志码：A文章编号：1674-9324（2016）29-0123-02一、引言为了消除码间干扰提高通信系统的性能在接收端需采用一种盲自适应均衡技术[1]。常模盲均衡算法（CMA）的收敛速度和稳态误差取决于步长因子的大小[23]。收敛速度随着步长的增大而加快同时剩余稳态误差随之增大；反之收敛速度随着步长的减小而降低同时也会降低算法的剩余稳态误差。在实际应用中动量算法能够有效的提高收敛速度因此将动量算法应用于均衡器抽头权向量的更新调整在不影响剩余稳态误差的情况下能进一步加快收敛速度[4]。全局人工鱼群算法（GlobalArtificialFishSwarmAlgorithmGAFSA）是一种智能算法其全局搜索能力强、计算精度高克服了基本人工鱼群算法易于陷入局部搜索等缺点[5]。本文将全局人工鱼群算法和动量常模盲均衡算法（MCMA）有机融合提出一种全局人工鱼群优化的动量常模盲均衡算法（GAFSA-MCMA）并进行性能仿真验证。二、动量常模盲均衡算法CMA是Bussgang类盲均衡算法的一种基础算法。这种均衡器的思想最早是由Godard提出的。均衡器的性能由抽头系数决定各抽头系数都是可以调整的。而MCMA是在CMA的基础上加入动量因此在保证较小均方误差的同时提高收敛速度。假设发射信号为a（k）；信道脉冲响应为c（k）；加性高斯白噪声为n（k）；均衡器接收信号为y（k）；权向量为f（k）；均衡器输出信号为z（k）各物理量间的关系为y（k）=cTa（k）+n（k）（1）z（k）=fT（k）y（k）=yT（k）f（k）（2）MCMA误差函数为e（k）=|z（k）|-R（3）式中R为MCMA模值。MCMA的权向量迭代公式为f（k+1）=f（k）-μe（k）z（k）y*（k）+αΔf（k）（4）式中μ为步长α为动量因子0Δf（k）=μαe（k）z（k）y*（k）+α[f（1）-f（0）]（5）显然在|α|α（k）=β・e（k）（6）式中参数β为控制α（k）大小的常数。将式（6）替代式（4）中α就得到了MCMA的均衡器权向量迭代公式。三、全局人工鱼群算法GAFSA是一种人工智能算法与基本人工鱼群相比该算法具有全局寻优的特点不易陷入局部搜索通过模拟鱼群的觅食、聚群、追尾等行为操作来进行随机搜索具有计算精度高、收敛速度快、复杂度较低等优点。觅食行为人工鱼的当前位置向量v在视野Visual范围内随机选择一个位置该位置对应的位置向量为v如果适应度函数值F（v）>F（v）则人工鱼按式（11）向位置向量v和全局最优位置向量v处移动如果不满足移动条件则在视野Visual范围内重新选择随机位置向量v再判断是否满足条件如果仍不满足移动条件则按式（7）随机移动。v=v+・step・rand（01）（7）v=v+Visual・rand（01）（8）式中rand（01）表示（01）之间的随机数。聚群行为人工鱼的当前位置向量v计算当前视野Visual内人工鱼的个数以及视野中心位置向量v如果适应度函数值F（v）>F（v）则表明中心位置有较多食物且不太拥挤按式（9）向中心位置和全局最优位置向量v处移动一步若不满足条件则进行觅食行为。v=v+・step・rand（01）（9）追尾行为人工鱼的当前位置向量v寻找当前视野Visual范围内的其他人工鱼中适应度函数最大值及其对应的位置向量v如果v视野范围内伙伴数N满足N/N>δ同时适应度函数值F（v）>F（v）则人工鱼向v和全局最优位置向量v处移动一步若不满足条件则人工鱼进行聚群行为。v=v+・step・rand（01）（10）四、全局人工鱼群优化的动量常模盲均衡算法为了进一步加快盲均衡算法的收敛速度、降低均方误差本文提出了全局人工