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22页
图5-7 基于QGA-RBF算法的MIMO-OFDM系统信号检测方案
5.5.2 检测算法仿真及性能分析
为了了解量子遗传算法优化神经网络在MIMO-OFDM系统信号检测中的检测性能，我们将它与最小均方误差算法(MMSE)、量子遗传算法(QGA)、基于聚类算法的RBF神经网络进行性能比较。
实验条件设置如下：OFDM的子载波数 =16，每个载波发送的符号数为160；假设信道矩阵H已知，在每T=160个符号周期内都保持不变；而且，假设接收端知道精确的信道状态信息；分别采用BPSK和QPSK调制；用户发送功率为1，传输对于每一个噪声是复数值的加性高斯白噪声，且服从均值为零的独立同分布的高斯白噪声；使用4个发送、4个接收天线的单径MIMO-OFDM系统。
实验中QGA的控制参数同4.4.2节设置，聚类RBF网络的控制参数见表4-1。
实验结果如图5-8，图5-9所示。
其中横坐标表示信噪比(SNR)，纵坐标表示误比特率(BER)。可以看出，无论是BPSK还是QPSK调制，基于QGA优化RBF网络的检测方案与其他智能算法相比，检测性能有较明显的提高，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5-8 4发4收BPSK调制时的QGA-RBF算法检测性能
图5-9 4发4收QPSK调制时的QGA-RBF算法检测性能
5.6 本章小结
本章简要介绍了MIMO-OFDM技术，在第四章所研究的MIMO系统信号检测模型基础上，提出了基于量子遗传算法(QGA)、神经网络和量子遗传算法优化神经网络的MIMO -OFDM系统信号检测模型，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-OFDM系统信号检测性能比经典遗传算法(GA)有较明显的提高；(2) 基于聚类RBF神经网络的检测性能总体上不及QGA；(3) 基于量子遗传算法优化神经网络的MIMO -OFDM系统信号检测模型，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。由于基于量子遗传算法优化神经网络的MIMO-OFDM系统信号检测方案，其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”，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。
第辣章 总结与展望
6.1 课题研究小结
本文研究了将量子遗传算法与神经网络相结合，用量子遗传算法优化神经网络，提出了基于量子遗传算法优化神经网络的MIMO系统信号检测方案以及MIMO-OFDM系统信号检测方案。在本论文里涉及的主要研究内容如下：
1、介绍了量子信息处理、遗传算法、量子遗传算法以及前馈神经网络的一些主要概念和基本知识，分析比较了经典遗传算法和量子遗传算法的性能差异、几种前馈神经网络的性能差异、单纯的神经网络和量子遗传算法优化的神经网络之间的性能差异。
2、介绍了MIMO系统模型及基本原理，分别研究了基于量子遗传算法、基于神经网络的MIMO系统信号检测模型，在此基础上研究了基于量子遗传算法优化神经网络的MIMO系统信号检测模型，并分析比较其检测性能。
3、介绍了MIMO-OFDM系统模型及基本原理，分别研究了基于量子遗传算法、基于神经网络的MIMO-OFDM系统信号检测模型，在此基础上研究了基于量子遗传算法优化神经网络的MIMO-OFDM系统信号检测模型，并分析比较其检测性能。
6.2 进一步的研究方向
虽然本文对量子遗传算法、前馈神经网络以及量子遗传算法优化的神经网络进行了研究，并将他们应用到MIMO系统和MIMO-OFDM系统信号检测中，提出了相应的检测模型并分析比较其检测性能，但由于作者在时间和研究能力等方面的局限性，本文对这些智能算法的研究还比较粗浅，将所研究的检测技术真正应用到实际的无线移动通信系统中还有很多需要进一步改进和完善的地方：
1、量子遗传算法用于信号检测，与传统的信号检测算法相比，在算法复杂度上仍然不处于同一数量级，对算法的设计构造还需改进，使它获得良好的复杂度优势和接近最优的性能。
2、在信号检测中，本文只是将量子遗传算法来优化神经网络的检测初始值，避免由网络初始值的随机选取而带来检测误码。除此之外，将量子计算与人工神经网络相结合，设计基于量子并行计算和量子纠缠特性的量子神经网络(QNN—Quantum Neural
<< 上一页 [21] [22] [23] 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22页下载如图片无法显示或论文不完整，请联系qq752018766
