广州网站制作设计公司,服装设计投稿平台,关键词网站排名顾问,建设网站的网站公告是什么目录
1.算法整体框架
1.1 RBF神经网络原理
1.2 遗传算法优化RBF参数原理
1.3 GA‑RBF信道估计与均衡完整实现步骤
2.部分MATLAB源码
3.仿真结论 无线通信中#xff0c;多径效应、码间干扰#xff08;ISI#xff09;会导致接收信号畸变。信道估计目的是reconstruct信道…目录1.算法整体框架1.1 RBF神经网络原理1.2 遗传算法优化RBF参数原理1.3 GA‑RBF信道估计与均衡完整实现步骤2.部分MATLAB源码3.仿真结论无线通信中多径效应、码间干扰ISI会导致接收信号畸变。信道估计目的是reconstruct信道冲击响应CIR信道均衡目的是抵消信道畸变、恢复发送序列。RBF神经网络具有局部逼近、收敛快等优点可实现非线性信道均衡但传统RBF中心、宽度、权值靠梯度下降易陷入局部最优。遗传算法GA全局寻优可优化这些参数提升估计与均衡精度。1.算法整体框架使用神经网络进行信道估计构架也就是在接受段的Channel Estimation这个模块中我们使用神经网络进行设计。1.1 RBF神经网络原理RBF网络是一种三层前向网络由输入到输出的映射是非线性的而隐含层空间到输出空间的映射是线性的从而大大加快了学习速度并避免局部极小问题。RBF网络结构如下图2所示。该结构为典型的3层前向网络输入层接收信号及其时延抽头隐层径向基函数高斯核输出层线性加权得到均衡后信号1.2 遗传算法优化RBF参数原理遗传算法Genetic AlgorithmGA是一种基于自然选择和基因遗传学原理的优化搜索方法。它将“优胜劣汰适者生存”的生物进化原理引入待优化参数形成的编码串群体中按照一定的适配值函数及一系列遗传操作对各个体进行筛选从而使适配值高的个体被保留下来组成新的群体新群体中各个体适应度不断提高直至满足一定的极限条件。此时群体中适配值最高的个体即为待优化参数的最优解。正是由于遗传算法独具的工作原理使它能够在复杂空间进行全局优化搜索并且具有较强的鲁棒性。遗传算法应用于神经网络的一个方面是用来优化人工神经网络(ANN)的结构另一个方面是用GA学习ANN的权重也就是用遗传算法取代一些传统的学习算法。·用遗传算法学习神经网络的权值设有三层RBF网络Ii为输入层中第i个结点的输出Hi为隐含层中第i个结点的输出Oi为输出层中第i个结点的输出WIHij为输入层中第i个结点与隐含层第j个结点的连接权值WHOji为隐含层中第j个结点与输出层第i个结点的连接权值。遗传算法学习RBF网络的步骤如下·初始化种群P包括交叉规模、交叉概率Pc、突变概率Pm以及对任一WIHij和WHOji初始化在编码中采用实数进行编码·将新个体插入到种群P中并计算新个体的评价函数·如果找到了满意的个体则结束否则转③。达到所要求的性能指标后将最终群体中的最优个体解码即可得到优化后的网络连接权系数。因此使用遗传算法进行神经网络的优化主要是对权值的优化。另外一方面我们在这里提出一种新的优化方法。即通过遗传算法不仅对权值进行优化而且对学习率进行优化从而得到最佳的信道估计值。这样通过优化权值可以获得更好的性能通过优化学习率可以获得最快的优化收敛过程。1.3 GA‑RBF信道估计与均衡完整实现步骤步骤1构建信道模型与数据集步骤2初始化RBF与GA参数步骤3初始化种群随机生成P个个体每个个体为RBF全部参数中心、宽度、权值。步骤4计算每个个体适应度对每个个体解码得到ciσiwi前向计算 RBF 输出与 MSE得到F。步骤5GA迭代寻优选择按适应度筛选优秀个体交叉对选中个体执行算术交叉变异对参数小范围扰动形成新一代种群步骤6得到最优RBF模型迭代终止后取适应度最大个体解码为最优步骤7信道估计/均衡测试用最优RBF对接收序列推理得到恢复符号同时可由输入输出关系反推信道响应h^完成信道估计。2.部分MATLAB源码function [Y3S] func_RBF_channel_est(Y3,signal,pilot,symbols_per_carrier,Np,training_symbols,Carriers,interval); Popsize 10; P_mutation 0.1; P_cross 0.6; %权值和阈值的初始化范围 m 0.01; Chrom 2*m.*rand(Popsize,2); % 产生初始种群 %利用遗传算法进行优化 [FitGene,Y3S] func_fitness(Y3,training_symbols,signal,pilot,Chrom,Popsize); [c_value,c_order] max(FitGene); ecope 40; for k1:ecope %保留当前最好染色体 [c_value,c_order] max(FitGene); currentbest(k,:) Chrom(c_order,:); currentbest_value(k) c_value; %选择过程 fit cumsum(FitGene)/sum(FitGene); N Popsize; s select(fit,N); temchrom Chrom(s,:); %交叉 P rand(1,N); prob find(PP_cross); crosschrom temchrom(prob,:); crosschrom cross_over(crosschrom); temchrom(prob,:) crosschrom; %变异 temchrom mutation(temchrom,P_mutation,Popsize,ecope); Chrom temchrom; %计算交叉变异之后的染色体的适应度 [FitGene,Y3S] func_fitness(Y3,training_symbols,signal,pilot,Chrom,Popsize); fit cumsum(FitGene)/sum(FitGene); N Popsize; s select(fit,N-1); [s_value,s_order] max(FitGene); if s_valuecurrentbest_value(k) %精因选择 Chrom [Chrom(s,:);currentbest(k,:)]; FitGene [FitGene(s);currentbest_value(k)]; else s [s s_order(1)]; Chrom Chrom(s,:); FitGene FitGene(s); end %做平滑 Chrom_tmps Chrom; [RR,CC]size(Chrom_tmps); if k 1 tmps{k} Chrom_tmps; else tmps{k} 0.7*tmps{k-1}0.3*Chrom_tmps; end Chrom tmps{k}; endA01-833.仿真结论1.GA改进RBF神经网络红色三角在全信噪比区间内误码率最低性能最优。尤其在高信噪比10 dB时误码率可降至10−4量级优势非常明显。2.RBF神经网络蓝色圆圈性能次之在高信噪比下可接近10−4。3.LMMSE黑色三角性能中等误码率高于两种RBF神经网络算法。4.LS粉色方块性能最差在全信噪比区间内误码率均为最高抗噪能力最弱。
