混合遗传算法在智能天线波束成型中的应用

来源:用户上传      作者: 张海波 刘开健

　　[摘要]对智能天线波束成型的思想和算法作简要介绍,给出一种混合遗传算法,该算法结合传统遗传算法和局部搜索的优点,具有良好的收敛性能,能够有效的抑制干扰,提高系统的信噪比。
　　[关键词]智能天线波束成型混合遗传算法
　　中图分类号:TN82文献标识码:A文章编号:1671-7597(2009)1210092-01
　　智能天线技术引入了空分多址方式,利用信号不同的空间传输路径,将相同频率、相同时隙、相同地址码的信号区分开来,并能够与其他多址技术相结合,使通信资源由时间域、频率域和码域扩展到空间域,有效地增大了系统容量,最大限度地利用了有限的频谱资源。自适应算法是智能天线技术的核心,算法的收敛速度、收敛性能等因素直接影响着整个系统的性能。
　　
　　一、波束成型基本思想
　　
　　智能天线通常采用数字信号处理技术识别用户信号的来波方向,根据一定的最优准则或自适应算法求出最优接收的权值矢量,为每个期望信号或用户群形成一个期望波束。算法选择是否合理将决定智能天线暂态响应的速度和实现电路的复杂度,它是自适应天线阵列处理的核心。自适应的主要含义是指用于波束形成的权值矢量可以自适应地调整。自适应天线能够根据接收信号以及外界环境的变化在一定最优准则下自适应地进行权值矢量的更新,以获得最佳的接收和发射信号,因此自适应天线技术能动态跟踪期望用户的来波方向,对来波方向不同于期望用户的干扰信号在空域进行抑制,实现了所谓的“空分多址”。
　　
　　二、波束成型算法
　　
　　智能天线技术研究的核心是自适应波束成型算法,智能天线依据采用的优化准则自适应的调整加权矢量,以跟踪信号环境的变化。不过,由于各种准则的最优权值均收敛于最优维纳解,因此准则的选择并不是很重要,主要的工作在于自适应波束成型算法的选择,因为它决定了天线阵列暂态响应的速率和实现电路的复杂度。
　　根据算法是否利用参考信号,可以把自适应波束成型算法分为非盲自适应算法和盲自适应算法。目前比较常见的非盲算法如最小均方误差(LMS)算法、递归最小二乘(RLS)算法和直接矩阵求逆(DMI)算法等。盲算法则是直接利用信号的固有特性而不需要接收端已知参考信号的自适应算法,常见的有恒模(CM)算法、子空间(Subspace)算法、有限符号集(Finite Alphabet)、循环平稳(Cycle stationary)等,移动通信环境非常复杂,各种算法都有其优缺点,所以往往需要根据系统的需要采取折中的方式。而遗传算法具有稳健性、随机性,很适合于解决此类复杂的非线性优化问题,而且对搜索空间也没有什么特殊要求。所以近年来,遗传算法在天线设计领域已经得到广泛的应用。
　　
　　三、混合遗传算法
　　
　　遗传算法在硬件实现时,可以实现并行运算,极大的提高了算法的速度,具有良好的全局寻优能力。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;局部搜索法能有效地搜索解空间中的某一特定的区域,但是它无法跳出局部最优的“陷阱”。本文要介绍一种混合遗传算法,它是以遗传算法作为整体框架,再利用局部搜索技术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,这种算法结合了这两个方法的特点,克服了他们的不足。
　　该混合遗传算法是基于天线阵列在干扰信号方向和期望信号方向上的功率来调整相位和幅度的激励,设定的目标函数是为了使接收到的干扰信号的功率最小化和期望信号的功率最大化,所以该算法的迭代过程中下一代的天线阵子激励应该比上一代的激励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,因此该算法可以提高系统的信噪比。适应度函数的设计是基于适应度函数表示天线阵列所产生的方向图与最优方向图的差异大小,首先计算出每个染色体的方向图与规定的理想方向图的误差,再对这个误差作变换得到适应度。误差越大,适应度越低,误差越小,适应度越高。算法流程如下:
　　1.随机产生由P个染色体构成的初始种群。染色体(阵子激励)是由很多基因(激励)构成的,在天线阵列问题中对于用户m的信号的接受,基因就是幅度激励和相位激励,所以第一步就是随机产生一个矩阵向量,其中,其中M是系统中用户数,N是天线的阵元数的一半,P为染色体数目。
　　2.计算每个染色体的适应度值。对以上随机产生的染色体的激励代入阵列的方向图函数,并与目标函数作差,取每个染色体方向差的绝对值的倒数为其适应度值。如果一个染色体既能增加期望信号的功率又能减小干扰信号的功率,即它最接近最优方向图的激励,那么它的适应度值就越高。
　　3.选择。即根据一定的算法,配合适应度值选择再生个体。本文依据适应度值采用赌轮盘算法进行选择,这样适应度高的个体生存下来的可能性大,也就是说接近目标方向图函数激励的个体保留下来的可能性大。
　　4.交叉和变异运算。交叉运算从本质上来讲其最基本的用意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,而变异操作可以避免算法收敛在局部最优。
　　5.采用爬山法进行局部搜索,就是把种群中的个体进行适应值的比较选择其中的最优值。
　　6.判断是否满足本算法的终止条件,如果满足,则停止计算,输出当前的最优值;如果不满足,则返回第2步。
　　本混合遗传算法结合了遗传算法和局部搜索算法的优点,克服了它们的不足,大大提高了算法的收敛速度和收敛性能。把该算法用于智能天线的波束成型可以使最大增益主瓣对准期望信道方向,还能对干扰方向形成很深的零陷。因此,这种基于这种混合遗传算法的上行最佳方向图智能天线系统能够有效的抑制干扰,提高系统的信噪比,具有较好的实际应用价值。
　　
　　四、结束语
　　
　　基于混合遗传算法的智能天线波束成形不仅能够使最大增益主瓣对准期望信号的方向,还能够更有效的抑制干扰,提高系统的信噪比,具有良好的实际意义。智能天线技术与多用户检测技术、空时编码技术、功率控制技术、Rake接收技术、多载波传输技术和软件无线电等的结合将会有力推动数字移动通信技术的发展,也将成为未来研究的主要方向。
　　
　　参考文献:
　　[1]谢显中,TD-SCDMA第三代移动通信系统技术与实现[M].电子工业出版社,2007.
　　[2]龚耀寰,自适应滤波(第二版):时域自适应滤波和智能天线[M].电子工业出版社,2003.
　　[3]王丽娜、王兵、周贤伟,一种新的智能天线波束形成算法[J].电波科学学报,2007,22(2):351-354.
　　[4]刘昊、郑明等,遗传算法在阵列天线赋型波束中的应用[J].电波科学学报,2002,17(5):539-542.
　　
　　作者简介:
　　张海波(1979-),男,汉族,重庆人,长江大学讲师,主要研究方向:移动通信技术。

转载注明来源:https://www.xzbu.com/8/view-1067022.htm