量子遗传算法优化神经网络及其在MIMO系统信号检测中的应用研究 第19页
图4-16 基于量子遗传算法优化神经网络的MIMO系统信号检测方案
4.6.2 检测算法仿真及性能分析
3.2.2节和3.3.2节的实验表明：自适应BP网络和基于聚类算法的RBF网络，它们的网络性能在所研究的前馈神经网络中表现最好；4.5.2节的实验表明：在MIMO系统信号检测中，自适应BP网络和基于聚类算法的RBF网络的检测性能在所研究的前馈神经网络中表现最好。综合以上研究结论，所以我们选用这两种网络来研究基于量子遗传算法优化神经网络的MIMO系统信号检测模型，并与基于量子遗传算法(QGA)、最小均方误差算法(MMSE)和传统神经网络的MIMO系统信号检测模型进行性能比较。
实验条件设置如下：MIMO系统假设基于多天线瑞利衰落信道，采用QPSK调制，噪声为均值为0的独立同分布高斯白噪声，我们考虑4个发送、4个接收天线以及8个发送、8个接收天线，并且假设信道矩阵H在每T=1000个符号周期内保持不变，然后随机的改变。
实验中QGA的控制参数同4.4.2节设置，自适应BP网络和聚类RBF网络的控制参数见4.5.2节。
实验结果如图4-17，图4-18(4发4收)和图4-19，4-20(8发8收)所示。
其中横坐标表示信噪比(SNR—Signal-to-Noise Ratio)，纵坐标表示误比特率(BER—Bit Error Rate)。实验表明：无论在是4发4收还是8发8收条件下，用QGA优化的自适应BP网络和用QGA优化的基于聚类算法的RBF网络获得了较好的检测性能，这是因为QGA检测给神经网络提供了较好的初始值，避免了由初始值的随机选取而带来的检测误码。
图4-17 4发4收QPSK调制时的QGA-BP算法检测性能
图4-18 4发4收QPSK调制时的QGA-RBF算法检测性能
图4-19 8发8收QPSK调制时的QGA-BP算法检测性能
图4-20 8发8收QPSK调制时的QGA-RBF算法检测性能
4.7 本章小结
本章简要介绍了MIMO技术以及常规的信号检测算法，并将第二章介绍的经典遗传算法(GA)、量子遗传算法(QGA)和第三章介绍的几种前馈神经网络应用到MIMO系统信号检测中，研究了相应的检测模型，并对它们的检测性能进行分析比较。实验表明：(1) 基于QGA的MIMO系统信号检测性能比经典GA有较明显的提高，且随着信噪比的增加这种优越性表现的越明显；(2) 在介绍的几种前馈神经网络中，基于自适应BP神经网络和聚类RBF神经网络的MIMO系统信号检测性能较好，但不及QGA。
在此基础上，结合第三章的研究，将QGA与神经网络相结合，用QGA优化神经网络，提出了基于QGA优化神经网络的MIMO系统信号检测模型，该方案的优化过程分为两个阶段：QGA在大范围的全局“粗搜索”和神经网路的局部“细搜索”。首先应用QGA在解空间进行全局搜索，找到一个较好的搜索结果，然后将此结果作为神经网路的初始值，再利用网络方程寻找全局最优解。实验表明：基于QGA优化神经网络的MIMO系统信号检测方案，获得的检测性能比基于传统神经网络和基于QGA的检测方案有较明显的提高。这是由于QGA给神经网络提供了较好的初始值，故能够使神经网络快速收敛到最优解，避免了由初始值的随机选取而带来的检测误码。
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] ... 下一页 >>
量子遗传算法优化神经网络及其在MIMO系统信号检测中的应用研究 第19页下载如图片无法显示或论文不完整，请联系qq752018766
