一种基于New－Memetic算法的波束成型方法

摘要

本发明公开一种上行MIMO－SDMA的波束成型方法，涉及无线通信领域。针对传统基于梯度法求最优权值波束成形方法(如最小均方误差算法和线性约束最小方差算法)的不足，本发明提出基于New－Memetic算法的波束成型方法，该方法是在Memetic算法(混合遗传算法)的基础上对交叉和变异的过程进行改进，从而提高算法的收敛速度和局部搜索能力。该方法能够对天线阵列的权向量最优值进行搜索，不仅能够对干扰方向进行自适应控零而且还能同时使最大增益主瓣对准期望信号的方向，提高系统的信干燥比。

说明书

技术领域

本发明涉及无线通信技术领域，尤其涉及一种波束成型方法。

背景技术

智能天线技术研究的核心是波束成型方法，在上行MIMO-SDMA(多进多出-空分多址)中会有许多用户的信号同时享有相同的信道所以会产生信号间的多址干扰和多径干扰。通过波束成型方法可利用不同用户信号的空间特性来完成信号的分离和避免信号间的干扰。通过上行天线辐射方向图权向量最优化的方法可以实现MIMO-SDMA，而且它适用于实际的无线移动通信系统。

两种传统的波束成型方法是最小均方误差算法(MMSE)和线性约束最小方差算法(LCMV)，但是它们都是在输入端信号已知的前提下并且都是基于梯度法求最优权值的算法，但这种算法收敛速度受限，当输入数据向量X(n)的自相关矩阵R的特征值分步范围较大时，算法收敛速度很慢。因此，对于许多要求具有快速响应的实时场合，梯形下降型的算法是不适宜的，而且以上算法属于单点搜索算法，即根据一些变动准则，从解空间中的一点移动到另一点来进行搜索。用这样的方式搜索多峰函数时，可能会陷入局部的一个单峰的优解。文献(Massa A，Monelli M，De Natale F GB.‘planar antenna arraycontrol with genetic algorithms and adaptive array theory’[J].IEEE.Transactions on Antennas and propagation，2004，52(11)：2919-2924)提出了一种基于遗传算法的智能天线波束形成算法，遗传算法具有较强的鲁棒性和较高的搜索效率，可以应用在很多领域，也可以用在智能天线中，但是往往运行的时间比较长，运行时占用比较多的计算机资源。Memetic(混合遗传算法)是一种群体局部优化算法，它是在传统遗传算法的基础上，通过局部邻域搜索使每个演化代的所有个体都达到局部最优，从而大大提高算法的执行速度和性能。上述两种算法结合Memetic算法，可以克服他们的不足，但是采用遗传算法的整体框架，再利用局部搜索技术在算法运行过程中提高解的质量，将导致该算法在波束成型过程中收敛速度不快效率不高等。

发明内容

本发明针对现有技术中智能天线波束成型方法收敛速度不快效率不高的缺陷，提出一种适用于上行MIMO-SDMA(多进多出-空分多址)通信系统的波束成型方法，在Memetic(混合遗传)算法的基础上对其交叉和变异过程进行改进，能够提高算法的收敛速度和局部搜索能力，解决了现有的波束成型方法收敛速度不快效率不高的问题。

本发明解决其技术问题所采用的技术方案是，在上行MIMO-SDMA系统天线阵列的波束成型中，对MIMO-SDMA系统信道模型利用上行天线辐射方向图权向量最优化的方法实现波束成型，使期望输出信号的功率单调的增加并且使干扰输出信号功率单调的减小，以提高系统的信噪比。本发明采用新的混合遗传算法进行上行天线辐射方向图权向量最优化的搜索，根据遗传算法特性，在进化初期，染色体的差异较大，p_c大和p_m小有助于加快收敛，而在进化中后期，p_c小和p_m大有助于跳出局部最优。按照迭代次数G动态调整交叉概率p_c和变异概率p_m。

为实现本发明的上述目的，具体采用如下步骤：

以天线阵元的阵元激励向量作为基因构建阵子激励，确定包括阵元幅度激励和阵元相位激励的阵元激励向量，由此获取天线阵列的阵列因子；以阵子激励作为染色体，根据天线阵列建立由一系列染色体构成的初始种群，所以接收用户信号的阵子激励作为种群中的染色体、阵元激励向量作为染色体的基因。由此，种群由一系列包含阵元激励向量的阵子激励构成；算法模块根据期望信号功率、干扰信号功率、噪声功率，调用公式：

$\mathrm{SINR}=\frac{{\left|\mathrm{AF}\left({\theta }_S\right)\right|}^2}{\frac{1}{\mathrm{SIR}}{\left|\mathrm{AF}\left({\theta }_I\right)\right|}^2+\frac{1}{\mathrm{SNR}}\underset{n=1}{\overset{2N}{\Sigma }}{\left|w_n\right|}^2}$

确定接收信号的信干噪比SINR；以信干噪比SINR作为适应度值，然后在种群中采用赌轮盘算法选择再生个体(染色体)组成新的种群，即适应度值高的染色体被选择的几率大，适应度值低的染色体被选择的几率小；然后对新产生的种群中的个体进行交叉和变异，动态迭代交叉概率p_c和变异概率p_m，更新阵子激励。其中，算法模块调用公式：

p_c(G)＝p_c(G-1)-(p_c(0)-0.25)/maxG    p_m(G)＝p_m(G-1)+(0.55-p_m(0))/max G

动态迭代交叉概率p_c和变异概率p_m。这样在染色体进化初期，染色体的差异较大，p_c大和p_m小有助于加快收敛，而在进化中后期，p_c小和p_m大有助于跳出局部最优。然后再根据既能增加期望信号功率又能减小干扰和噪声信号功率的原则，采用爬山法进行局部搜索获取最优适应度值，确定阵子激励的最优适应度值。所述爬山法具体为，对种群中的所有阵子激励进行两两比较，从中选择出阵子激励的适应度值最高的个体，作为最优阵子激励(染色体)。

本发明提出一种基于New-Memetic(新的混合遗传)算法的上行MIMO-SDMA系统的波束成型方法，克服了现有波束成型算法的收敛速度慢的缺陷，收敛速度更快，计算量更小，能够提高系统的信噪比，有效的抑制干扰，在实际应用中能实现上行MIMO-SDMA。

附图说明

图1所示为上行MIMO-SDMA均匀线阵智能天线的系统模型

图2所示为基于New-Memetic算法的波束成型方法流程图

具体实施方式

本发明在上行MIMO-SDMA系统天线阵列的波束成型中，对MIMO-SDMA系统信道模型利用上行天线辐射方向图权向量最优化的方法实现波束成型，使期望输出信号的功率单调的增加并且使干扰噪声的输出信号功率单调的减小，提高系统的信干噪比。

根据天线阵列中阵元间距d、用户信号的入射方向与天线阵元的夹角θ_m获取天线阵列中阵元相位激励，并确定包括阵元幅度激励和阵元相位激励的阵元激励向量，由此获取天线阵列的阵列激励。

上行MIMO-SDMA均匀线阵智能天线的系统模型如图1所示。本文中天线阵列采用的是阵元间距d＝λ/2的均匀直线阵列，天线阵元数为2N，信号入射方向与天线阵元的夹角为θ_m。从图中可以明显的看出信号是先到达阵元再到达它的相邻阵元，所以信号到达两相邻阵元的时间差τ可以表示为：

τ＝dsinθ_m/v    (4)

其中，v是无线电波传播的速度，把τ变换成相应的相位表示，其相邻阵元相位差ψ表示为：

$\psi =\frac{2\pi }{\lambda }d\sin {\theta }_m=\mathrm{kd}{\sin \theta }_m$(5)，其中，k是电波传播的系数。

由此，可以根据阵元幅度激励和阵元相位激励调用公式(6)确定天线阵元的激励向量w，该激励向量包括：阵元幅度激励和阵元相位激励，其中，阵元幅度激励是偶对称，阵元相位激励是奇对称。

$w={(w_1,w_2,...,w_N,w_{N+1},...,w_{2N-1},w_{2N})}^T$

由此建立天线阵列的信号输出AF(θ_m)与夹角θ_m之间的关系式：

其中阵元间距d＝λ/2，k是电波传播的系数，θ_m是信号入射方向与天线阵元的夹角。算法模块根据期望用户信号方向θ_s调用公式(7)确定期望信号功率P_s|AF(θ_s)|²，根据干扰用户方向θ_I确定干扰信号功率P_I|AF(θ_I)|²，由天线阵元的激励向量w确定噪声功率

算法模块根据公式(8)确定接收信号的信干噪比SINR，并以信干噪比作为适应度函数。

其中，SNR为信噪比，SIR为信干比。

目标函数的选取直接决定算法的收敛性能，在实际的应用中，通常将目标函数作为适应度函数来使用，这样可以使适应度函数更接近于实际问题的解决。为了使接收到的期望信号的功率最大化和干扰噪声信号的功率最小化，本文以信干噪比作为目标函数。

为了实现智能天线波束成型方法提高收敛速度，应使输出的期望信号功率单调的增加并且使输出干扰信号功率单调的减小，对上行MIMO-SDMA的智能天线系统采用如下所述的波束成型算法，根据信号的信干噪比(适应度值)进行相关处理。

如图2所示为基于New-Memetic算法的波束成型方法流程图。具体包括如下步骤：

以天线阵元的阵元激励向量作为基因构建阵子激励，以阵子激励作为染色体，根据天线阵列建立由一系列染色体构成的初始种群，阵子激励作为种群中的染色体、阵元激励向量作为染色体的基因，阵子激励(染色体)由很多阵元激励向量(基因)构成的。在天线阵列中，阵元激励向量包括幅度激励An和相位激励

(1)接收用户m信号，根据天线阵列随机产生由P个染色体构成的初始种群。接收用户m信号的阵子激励作为种群中的染色体、阵元激励向量作为基因。由此产生一系列包含阵元激励向量的阵子激励。

随机建立一个包含幅度激励A_n和相位激励的阵元激励矩阵向量n＝1，2，3，…N，其中N是天线阵元数的一半，P为阵子激励数(染色体数目)。

首先种群中染色体的个数要满足进化的要求，如果初始的种群数太小就会在进化过程中出现局部收敛，影响寻优的质量，而如果种群数太大就会增加算法的复杂度，影响算法的收敛速度，所以要根据天线阵列的数目具体的选择初始种群的大小，本例以阵元数取20为例，可选择的染色体个数为200个。由于天线阵列的激励(染色体的基因)是实数，如果用二进制编码表示，除了造成精度上的损失外，还会带来大量的编码、译码运算，增加不必要的复杂度，因此，编码时染色体的每一个基因用十进制实数表示，即阵子激励中的每一个阵元激励向量用十进制实数表示。由此可直接求染色体的适应度，而不必进行译码操作，并将交叉和变异算子设计成十进制形式的操作。

(2)计算每个阵子激励(染色体)的适应度值。

根据阵子激励的阵元激励向量建立天线阵列的阵列因子与信号方向之间的关系式，并根据期望用户信号方向确定期望信号功率，根据干扰用户方向确定干扰信号功率，由天线阵元的激励向量确定噪声功率。

算法模块根据期望信号功率、干扰信号功率、噪声功率根据公式：

确定接收信号的信干噪比SINR，以信号的信干噪比作为染色体的适应度值。既如果阵列激励的信干躁比越高那么它的适应度值就越大。所以越接近最优方向图的激励的适应度值就越高。

(3)在种群中采用赌轮盘算法进行选择确定再生个体。通过赌轮盘算法概率大的个体被选中的几率高，概率小的被选中的几率低，即适应度值高的个体对应被选中的概率就大，而适应度值低的个体被选中的概率就小。所以采用赌轮盘算法可以使适应度值高的个体生存下来的可能性大，适应度值低的个体留下来的可能性低，可以使信干噪比增大的阵子激励作为个体保留下来。即根据每个阵子激励的接收信号的信干噪比的概率，概率高的阵子激励被选中作为再生个体进行交叉和变异。

(4)交叉和变异运算。交叉运算从本质上来讲就是通过随机选择种群中的两个染色体并将其基因位交叉来产生一个新的个体，新的个体不仅具有交叉前父个体的所有特性，同时又扩大了种群的多样性，这样不仅能使适应度值高的个体保留下来还能扩大种群避免陷入到染色体是局部最优的陷阱。采用十进制线型交叉运算，即对于两个父代在同一交叉点位置上的基因，如交叉前的值为p₁和p₂，则交叉后的值的子代为：

c₁＝(2p₁+p₂)/3，c₂＝(p₁+2p₂)/3

这样，如果p₁和p₂相等或接近时，c₁和c₂等于或接近p₁和p₂，如果p₁和p₂不同时，则产生了新的基因，所以通过交叉运算达到了扩大种群多样性，避免陷入局部最优陷阱的目的。

随机从种群中选取信干噪比概率高的天线阵元的阵元激励向量(基因)作为父代，可采用上述方式进行交叉获得变异的阵元激励向量，通过变异运算对群体中个体的某些基因作变动(即随机产生变异的基因)，防治出现未成熟收敛现象，以提高寻优的效率和质量。

由于在染色体进化初期，染色体的差异较大，p_c大和p_m小有助于加快收敛，而在进化中后期，p_c小和p_m大有助于跳出局部最优，遵循上述原则，可假设初始交叉概率为p_c＝0.85，初始变异概率为p_m＝0.1。算法模块调用公式：

p_c(G)＝p_c(G-1)-(p_c(0)-0.25)/maxG p_m(G)＝p_m(G-1)+(0.55-p_m(0))/max G

动态迭代p_c和p_m，确定经过G次迭代后的交叉概率p_c(G)和变异概率p_m(G)，以提高算法的性能，更新阵子激励。式中，取初始交叉概率、初始变异概率p_c(0)＝0.85，p_m(0)＝0.1，G表示迭代次数，maxG表示最大进化迭代次数。

(5)采用爬山法进行局部搜索，就是把种群中的前L个染色体的适应度值进行比较，选择其中的最优值。

具体步骤为：

在包含权向量的种群中随机提取一个阵子激励作为初始个体x；

比较模块将初始个体x与种群中的一个当前个体y(当前阵子激励)进行比较，比较适应度值的大小；

如果当前个体y的适应度值高于初始个体x，那么就用个体y取代个体x，选择与个体y相邻的个体作为新的当前个体，并返回2)步；

如果当前个体y的适应度值比初始个体x的适应度值低，则直接设置当前个体y相邻的个体作为新的当前个体，并返回2)步；

由上述步骤比较模块对种群中的所有L个阵子激励进行两两比较，从中选择出阵子激励的适应度值最高的个体，输出该值作为最优适应度值。

获取与最优适应度值对应的阵子激励，确定其权向量的最优值，获得期望信号的方向。对干扰方向的信号进行抑制，并可以使最大增益主瓣对准期望信号的方向。由此实现上行MIMO-SDMA，完成无线移动通信系统信号的分离和避免信号间的干扰。

本方法结合了遗传算法和局部搜索算法的优点，并对传统遗传算法中的交叉和变异运算做出改进，在传统memetic算法的基础上对交叉和变异的过程进行动态控制，即在进化初期，染色体的差异较大，p_c大和p_m小有助于加快收敛，而在进化中后期，p_c小和p_m大有助于跳出局部最优，以提高算法的收敛速度和局部搜索能力。大大提高了算法的收敛速度和收敛性能，提高了系统的信干噪比。