超宽带系统中基于遗传算法的差分多用户检测方法

摘要

本发明公开了超宽带系统中基于遗传算法的差分多用户检测方法，将基于互不误差函数变异的遗传算法CEFM-GA与差分算法DA相结合，在室内UWB环境中，该方法不仅克服传统遗传算法GA采用一致变异的缺点，有效提高多用户检测系统的误码率BER性能，而且大大降低系统的计算复杂度，使得系统更加简单、实用。

说明书

技术领域

本发明涉及超宽带(UWB)系统中信号检测技术，具体涉及一种基于遗传算法(GA)的具有较低复杂度的多用户检测方法。

背景技术

随着无线通信技术的高速发展，以及数据业务的推动，短距离无线通信呈现出巨大的发展潜力。近些年来，短距离无线通信技术得到迅猛发展，无线传感器网络、无线个域网(WPAN)以及无线身体域网(WBAN)等概念被提出并受到广泛的关注，掀起了短距离无线通信的热潮。可以说，短距离无线通已成为未来无线通信的一个重要的发展应用方向。

UWB技术具有高传输速率、低功耗、抗干扰能力强等特点，它已经成为目前无线通信领域研究和开发的热点之一，并被视为下一代无线通信的关键技术。

多用户的UWB系统是近来UWB技术研究的一个重要课题。多用户UWB系统中，引入了多址技术。它可以使多个用户的发射信号共享频谱，通过直接序列(DS)或跳时(TH)扩频发送多个用户信号。对于多用户UWB系统，多用户检测(MUD)算法通常分为三类：最优检测算法、线性检测算法以及非线性检测算法。最优检测算法为最大似然(ML)算法，其效果最佳，但复杂度最高，不利于实时处理；线性算法主要包括解相关和最小均方误差(MMSE)法，解相关和MMSE算法均需对互相关矩阵求逆，当用户数很多时，使用解相关和MMSE算法的复杂度还是太大；因此最具现实意义的是非线性检测算法，其主要包括干扰消除(IC)和智能算法，它们通过简化计算，实现次优检测效果，在性能和复杂度之间获得较好权衡。

然而传统的IC算法在UWB系统中BER(误码率)性能较差，于是采用智能算法的多用户检测被广泛研究。在智能算法中，GA在工程优化中用的最为广泛。但是，基于传统的GA的多用户检测方法提升系统BER性能有限，而且其复杂度会随着GA迭代次数的增加从而成倍地增长。

因此，有必要提出一种在UWB系统中既能有效提高系统BER性能，又能降低系统复杂度的多用户检测方法。

发明内容

本发明的目的在于提供一种超宽带系统中基于遗传算法的差分多用户检测方法，解决传统IC和GA多用户检测算法BER性能不足的问题，同时解决了重复迭代检测算法计算复杂度较高的问题。

超宽带系统中基于遗传算法的差分多用户检测方法，按照如下步骤进行：

(1)将K个用户的待检测信号y＝[y₁，y₂，…y_K]^T分别采用第一主遗传算法多用户检测和第一辅助遗传算法多用户检测作第一轮检测，对应得到第一轮主检测结果和辅助检测结果T表示转置；

(2)对第一轮检测结果和进行差分运算得到差分矩阵

(3)查询差分矩阵中的非零元素，将其对应待检测信号y_i中的元素组合生成用以第二轮检测的待检测信号

(4)对第二轮检测的待检测信号采用第二遗传算法多用户检测作第二轮检测，得到第二轮检测结果

(5)将第二轮检测结果中的元素按顺序依次替代中非零元素得到最终检测结果

其中，第二遗传算法多用户检测的迭代次数≥第一主遗传算法多用户检测的迭代次数＞第一辅助遗传算法多用户检测的迭代次数。

作为优化，所述第一主、第一辅助及第二遗传算法多用户检测方式具体如下：

(P1)初始化迭代次数g，对待检测信号作二进制编码生成第g代染色体，染色体中的基因值为1或-1，；

(P2)计算第g代各染色体的适应值；

(P3)在第g代染色体中按照适应值越大被选中的概率越大的原则选择部分染色体，未被选中的染色体直接作为第g+1代染色体；选中的染色体则两两配对进行交叉运算，对交叉运算得到的新染色体进行基因变异生成第g+1代染色体，基因变异概率为σ为噪声方差；

(P4)按照与步骤(P2)相同的方式计算第g+1代各染色体的适应值；

(P5)将所有第g+1代染色体与第g代染色体进行适应值比较，若某些第g+1代染色体的适应值小于某些第g代染色体的适应值，则将这些第g+1代染色体更新为这些第g代染色体；

(P6)g＝g+1，若g小于迭代次数阈值G，则返回步骤(P2)，否则，进入步骤(P7)；

(P7)按照与步骤(P2)相同的方式计算第G代染色体的适应值，适应值最大的染色体即为最终检测结果。

本发明的有益效果是：本发明解决上述第一个技术问题的方案是提出一种基于互补误差函数变异(CEFM)的GA的多用户检测方法(即CEFM-GA)；解决第二个技术问题的方案是在原有的CEFM-GA多用户检测方法上又提出一种差分算法(DA)。不仅克服了传统IC和GA多用户检测算法较高BER的问题，而且大大降低了计算复杂度。

附图说明

图1为基于CEFM-GA差分多用户检测(即CEFM-GADA)结构框图。

图2为CEFM-GA多用户检测流程图。

图3为基于CEFM的变异概率示意图。

图4为IEEE 802.15.3a的CM1信道下，CEFM-GADA与其它多用户检测方法的BER性能曲线图。

图5为IEEE 802.15.3a的CM2信道下，CEFM-GA DA与其它多用户检测方法的BER性能曲线图。

图6为IEEE 802.15.3a的CM3信道下，CEFM-GADA与其它多用户检测方法的BER性能曲线图。

图7为IEEE 802.15.3a的CM4信道下，CEFM-GA DA与其它多用户检测方法的BER性能曲线图。

图8为CM1-4信道下，CEFM-GADA的差分矩阵中零元素百分比图。

图9为在不同遗传迭代次数下的GA、CEFM-GA及CEFM-GA DA的计算复杂度图。

图10为不同用户数时的各种多用户检测方法的计算复杂度图。

具体实施方式

现结合附图及具体实施方式对实现本发明进行具体描述。

参考图1，图1示出了具有DA结构的多用户检测，即差分多用户检测。具体来讲，图1所示的是基于CEFM-GA差分多用检测(即CEFM-GA DA)的结构框图。下面结合图1进一步详述本发明所提出的CEFM-GADA的具体实施步骤。

1.第一轮检测时将待检测信号y(y＝[y₁，y₂，…y_K]^T)分别通过一个主要CEFM-GA和一个辅助CEFM-GA多用户检测器进行第一轮检测。其中待检测信号y通过主要CEFM-GA检测器时，先经过一缓存存储其信号值以备下一轮检测所用。

该步骤中，辅助CEFM-GA检测器里遗传迭代次数为G₀＝1，主要CEFM-GA检测器里遗传迭代次数为G₁＞G₀。

2.再将主要CEFM-GA检测器输出和辅助CEFM-GA检测器输出一并通过DA模块进行差分运算得到差分矩阵并将保存其结果。其中，具体差分运算可表示为上标(1)表示第一轮CEFM-GA多用户检测。

3.查询差分矩阵中的非零元素，并在待检测的多用户信号中找出与该非零元素位置对应的元素组合生成用以第二轮的待检测信号。具体实现方式采用DA触发器，将DA模块运算得到的反馈到DA触发器，判断得到需要和无需再次检测的信号。换句话说，DA触发器会根据第i个用户的差分序列来触发来自缓存器中的y_i，当中非 零元素达到时，DA触发器便执行一次触发，即闭合触发开关，判断为需要再次检测；反之，则判断为无需再次检测。这里触发器的初始状态为闭合。经过DA触发器后，生成一个新的序列即为第二轮CEFM-GA多用户检测的输入。其中，上标(2)表示第二轮CEFM-GA多用户检测；i∈{1，2，...，K}。

4.最后将步骤3反馈回的需要再次检测的信号送往CEFM-GA检测器再进行第二轮检测(这时遗传迭代次数为G′)，再将CEFM-GA检测器的输出经过DA模块的替代操作(即将中元素按原顺序依次替代中非零元素)后，得到经过第二轮检测后，DA模块输出CEFM-GA DA多用户检测器的最终检测结果其具体可以表示为

需要注意的是，所述步骤1中采用的CEFM-GA多用户检测器都是基于CEFM-GA算法。但是，本发明并非局限于CEFM-GA算法，而是普遍适用于遗传算法(GA)。本发明采用CEFM-GA算法的缘由是CEFM-GA算法的BER性能优于传统GA。下面具体说明该CEFM-GA算法。如图2，CEFM-GA算法的流程包括以下运算步骤。

1.编码及初始化种群

CEFM-GA算法开始时，K×1(K为用户数)的试验数据向量必须通过编码机制被转换成二进制的数据串。这种二进制的数据串被称为染色体，其数据串元素被称为基因。这里CEFM-GA多用户检测是一种多目标的优化算法，搜寻最符合条件的多个用户的二进制比特组合，即寻找最接近于UWB发射端的多用户数据信号d的试验数据向量。为了不失一般性，我们在UWB系统模型中采用二进制相移键控(BPSK)调制方式。因此，染色体的二进制编码即为BPSK的调制数据串。在这种情况下，染色体中的基因数也是BPSK调制的试验数据向量中的比特数，即为用户数。

编码完之后，CEFM-GA将生成一个由P个成员(染色体或个体)组成的初始种群。在种群中，每个染色体或个体是一个K×1向量。该向量中试验数据对应第i个用户的数据。这里我们初始遗传代数g＝1。

2.适应值估计

将编码后的种群中每个个体进行适应值估计。这里采用目标函数去估计个体的适应值。适应值代表个体与最优解的接近程度，即最优的个体能够使目标函数值最大化。我们选取作为目标函数。其中，R＝SS^T表示自相关与互相关矩阵分别表示第i个用户的每比特信号能量、对数正态衰落的UWB信道冲击响应以及扩频码序列，表示线性卷积。)，n＝∫_TsS_i(t)n(t)dt，(n(t)为零均值的加性高斯白噪声，T_S为符号周期)，y＝Rd+n(d为K×1的采用BPSK方式调制的数据信号向量)，(·)^T表示矩阵的转置。

将上目标函数值定义为适应值。因此，最优检测或者接近最优检测的解向量即是可使目标函数取得最大值的个体由此得到种群中个体适应度的判定准测：具有较大的目标函数值(即适应值)的个体其适应度也较高。

3.选择

计算出个体适应值后，根据此适应值按照预定选择概率选择种群中优秀个体去繁殖下一代，第p个个体被选中概率可表示为其中表示第g代遗传的第p个个体的目标函数值或适应值；表示第g代遗传中的最差个体的目标函数值或适应值(即最小目标函数值)。具体来说，从0到1中产生一随机数P_c，若P_c≤P_s，p，则选择第p个个体去繁殖下一代；否则其不被选中。

4.交叉

将上述被选中的个体两两配对，互相交换各自的部分基因。具体来讲，交叉运算是随机选取一个或多个交叉点，然后交换交叉点前面或后面的两个个体的部分二进制数据串，产生两个新个体。(例如，两个个体分别是-1-111和1-11-1，选取其二进制串的第一点作为交叉点进行交叉，交叉后产生一对新个体分别是-1-11-1和1-111。)

5.基于互补误差函数变异(CEFM)

变异运算是GA算法成功与否的关键。将上述交叉后的个体按照所提出的CEFM准则进行变异。定义变异概率表示从数据j转变到数据l的概率(j，l∈{-1，1})。

图3示出了在BPSK调制方式下，本发明中所提出的基于CEFM的变异概率由图3所示，-1和1被垂直的虚线分隔开，高斯分布的N(0，σ)集中在虚线的左半部分，也就是-1所在的区域内。这里σ表示在特定的信噪比(SNR)下的噪声方差。变异概率从-1到1(即)正比于图3中的阴影分布的面积，可表示为

$p_m^{(-1\to 1)}=(1/2)·\mathrm{erfc}[(1/\sigma )·(-1-1)/2]=(1/\sqrt{\pi })·{\int }_{1/\sigma }^{\infty }{e}^{{-t}^2}\mathrm{dt};$

与上式相似，同样可以得到

$p_m^{(1\to -1)}=(1/2)·\mathrm{erfc}[(1/\sigma )·(1+1/2)]=(1/\sqrt{\pi })·{\int }_{1/\sigma }^{\infty }{e}^{{-t}^2}\mathrm{dt}$

其中erfc[·]表示为互补误差函数(CEF)。

6.精英策略

最后用精英策略将父代中最优秀的一部分个体去代替子代中基因最差的那一部分个体，以此避免失去一些具有较高适应值的优秀个体。换句话说，将第g代中适应值较大的一部分个体去代替第g+1代中适应值较小的那一部分个体。

以上六个运算步骤是CEFM-GA多用户检测算法的流程。由图2可知，CEFM-GA是一个循环过程，即每次执行完第6个运算步骤后又返回到第2个运算步骤，直到遗传代数g达到最大值G为止。当遗传代数最大值G或种群大小P足够大时，GA算法多用户检测的最终结果将会无限接近最优检测解。

本发明根据室内UWB系统信道特征，经过在UWB系统中具体实施上述差分结构的CEFM-GA，得到一种新颖的基于GA的差分多用户检测方法——CEFM-GADA。采用本发明提出的多用户检测方法不仅克服了传统IC和GA多用户检测方法较高BER的问题，而且大大降低了计算复杂度。下面通过本发明与现有技术中几种常用方法比较进行详细说明。

本发明提出的CEFM-GA DA方法与现有技术中几种常用方法：匹配滤波器(MF)、串行干扰抵消(SIC)、并行干扰抵消(PIC)以及传统GA多用户检测方法，在UWB信道(IEEE 802.15.3a CM1-4)下的BER性能如图4-7所示。由图4-7中可以看出，不论在何种信道下本发明所述的CEFM-GA DA多用户检测方法BER性能明显优于传统的SIC、PIC以及传统GA多用户检测方法。CEFM-GA DA较无差分结构的CEFM-GA相比也有不同程度的性能增益。此外可以看出，随着第二轮CEFM-GA检测的遗传迭代次数G′的增加，CEFM-GA DA的BER性能明显得到改善。特别当G′＝20或30时，CEFM-GADA的性能明显优于遗传迭代次数G均为10的传统GA(G＝10)和CEFM-GA(G＝10)。这要归咎于遗传算法的天生优点——增大遗传代数能得到更优个体。

图8示出了CM1-4信道下，CEFM-GADA的差分矩阵中非零元素的百分比(即CEFM-GA DA的第二轮检测输入数据量与第一路检测输入数据量之比)。由图8可知，CM1-4信道下差分矩阵中非零元素的平均百分比分别为9.80％、10.07％、10.36％以及10.52％，它们的平均值接近10％。也就是说，仅有10％的数据被送往CEFM-GA DA的第二轮检测；或者说在第二轮检测中，可以避免将近90％的计算操作。这也意味着，可以通过增加遗传代数G值来改善BER性能。

图9示出了在不同遗传代数下，GA、CEFM-GA和CEFM-GA DA的计算复杂度。这里，可以利用浮点运算的方法获取计算复杂度。由图9可以看出，随着遗传迭代次数增加，本发明提出的CEFM-GA DA的计算复杂度增长缓慢，明显低于传统GA和CEFM-GA的计算复杂度。虽然G′不尽相同，但是三个CEFM-GA DA的计算复杂度非常接近。原因之一：CEFM-GA DA第一轮检测时主要CEFM-GA检测器的遗传迭代次数G₁小于传统GA和CEFM-GA的遗传迭代次数G(G₁＝0.3G)；原因之二：CEFM-GADA的第二轮检测输入数据量(差分矩阵中的非零元素)仅有第一轮检测输入数据量的10％。

图10示出了具有不同用户数的各种多用户检测方法的计算复杂度。由图10可知，本发明提出的CEFM-GA DA的计算复杂度增长最为缓慢。当用户数K＞16时，CEFM-GA DA(G′＝10)的计算复杂度最小。也就是说，当系统容量变大时，CEFM-GADA的计算复杂度增长最为缓慢。此外由图9和图10还可看出，当采用传统的SIC、PIC和GA多用户检测方法时，将会造成很多计算资源的浪费。

本发明利用CEFM-GA以及DA结构，从而形成了一种新的UWB系统中的差分多用户检测方法。使用本发明不仅能克服传统SIC、PIC以及GA多用户检测方法BER性能较低的问题，而且还能大大降低多用户检测系统的计算复杂度，使得系统更加简单、实用。因此，本发明具有很好的实际应用前景。

以上所述，仅为本发明的较佳实施方式，但本发明的保护范围并不局限于此，任何本领域技术人员在本发明所披露的技术范围内，可以轻易想到的变换和替换，都应包含在本发明的保护范畴内。因此，本发明的保护范围应以权利要求的保护范围为准。