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3页
第一章 绪 论
1.1 课题研究综述
最近二十多年以来，移动通信在全球取得了巨大的发展，并最终形成为与人类日常生活密切相关的产业。随着移动通信日益广泛的应用，人们对其又提出了更高传输速率和更高传输质量的要求，如手机上网、视频传输等等。在这种背景下，Bell实验室[1,2]于上个世纪九十年代后期提出了一种新的通信系统结构，即MIMO(Multiple-Input Multiple –Output) 通信系统。该通信系统在其发射端和接收端都采用多个天线，从而实现了多个数据流在相同时间和相同频带的传输和接收。Foschini[2]和Telatar[3]已经证明，MIMO系统的信道容量随着发射天线数的增加呈近似线性的增长，这为MIMO通信方式在移动通信中的应用提供了坚实的理论基础。在频带资源有限而高速数据需求无限增长的现实条件下，MIMO技术由于其能在不增加带宽的情况下成倍地提高通信系统的容量和频谱利用率将成为4G移动通信系统的关键技术之一。
MIMO系统中不同发送天线发射的信号在接收天线上叠加，形成相互干扰，如何从接收信号中正确地恢复发送信号非常关键，这就是信号检测或分离问题。MIMO系统的最佳信号检测问题是一个NP(Non-Poilnomial)难解问题，也可归结为一个系统的组合优化问题。作为最优解码的最大似然检测(ML)由于复杂度随着发射天线个数成指数性增加[4]，从而限制了它在实际系统中的应用。量子优化计算方法借助量子计算的巨大威力对常规算法进行了突破性的改进，已有的一些研究成果表明，量子算法可以有效地求解某些优化问题，它们在计算复杂度、收敛速度等方面明显超过了常规算法，具有诱人的研究和应用前景。本课题将研究基于量子遗传算法、量子遗传算法优化神经网络等的MIMO系统信号检测方案，以期通过这类智能算法解决MIMO信号最佳检测这一NP难解问题，获得比常规算法（如最小均方误差算法、迫零算法等）更好的检测效果。
自二十世纪以来，量子计算理论得到了迅速发展。1982年诺贝尔物理学奖获得者Richard Feynman及Benioff提出了基于量子力学特性的量子计算概念，他们认为，按照量子力学原则建立的新型计算机对解决某些问题可能比经典计算机更有效。在此基础上，Deutsch于1985年指出：利用量子态的相干叠加性可以实现并行的量子计算，并定义了第一个量子计算模型。1994年Shor利用量子并行计算特性提出了第一个量子算法，用来求解大数质因子分解这一NP难解问题。1996年Grover提出了随机数据库搜索的量子算法，在量子计算机上可实现对未整理数据库 量级的加速搜索。此后,量子计算以其独特的计算性能引起广泛关注,迅速成为研究的热点。
量子遗传算法(QGA—Quantum Genetic Algorithm)[5,6]是将经典遗传算法(GA—Genetic Algorithm)与量子计算理论相结合而发展起来的一种新的遗传算法。算法利用了量子计算的量子并行、量子纠缠特性，采用了多状态基因量子比特编码方式和量子旋转门更新等操作，具有种群规模小而不影响算法性能、同时兼有开发和探索的能力、收敛速度快等特点，用于求解TSP(Traveling Salesman Problem)问题、0/1背包问题等组合优化问题时表现出明显优于常规GA的优势。本课题将研究基于量子遗传算法的MIMO系统信号检测方案，以期获得比经典遗传算法和传统信号检测方法更好的检测性能。
经典前馈神经网络具有信息分布式存储、大规模自适应并行处理和高度容错特性等优点，可应用于信号检测领域，文献[7,8]等已将经典前馈神经网络应用到多用户检测中并取得了较好的检测性能。本文尝试研究将QGA与神经网络相结合，将QGA优化神经网络，综合利用两者的优点，研究基于QGA优化神经网络的MIMO系统信号检测方案，以期获得更好的检测性能。该检测器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。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，使检测性能得到进一步提高。
然而对于频率选择性衰落，MIMO系统接收信号存在严重的码间干扰，必须采用针对频率选择性信道的技术来进行处理。正交频分复用(OFDM—Orthogonal Frequency Division Multiplexing)技术是多载波窄带传输的一种，其子载波之间相互正交，可以有效地对抗频率选择性衰落和载波间干扰。所以将MIMO与OFDM技术有效地结合构成MIMO-OFDM技术[9]，被认为是宽带MIMO通信中克服信道的频率选择性、实现高频带利用率的有效方法，具有良好的发展前景[10,11]。为此，在之前的研究基础上，本文又尝试研究基于QGA优化神经网络的MIMO-OFDM系统信号检测方案，用QGA优化神经网络检测信号的初始值，以期获得较好的检测性能。
1.2 课题来源
本课题来源于教育部博士点基金项目“MIMO系统中基于量子算法的信号检测方法的研究”（BJ206006）和南京邮电大学科研基金攀登计划项目“MIMO系统中基于量子优化算法的信号检测方法”（NY206011）。
1.3 论文的主要研究内容
本文对经典遗传算法(GA)和神经网络进行了简单的介绍，利用量子态叠加、相干及并行计算特性，研究量子遗传算法(QGA)以及将量子遗传算法优化神经网络等关键问题，获取一种基于量子遗传算法和神经网络的混合优化计算方法，并研究其在MIMO系统及MIMO-OFDM系统信号检测中的应用，提出了将量子遗传算法与神经网络相结合的MIMO系统及MIMO-OFDM系统信号检测新方案。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。由于QGA检测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。实验表明，基于量子遗传算法优化神经网络的检测方案具有较好的检测性能。
本论文结构安排及主要研究内容如下：
第二章：介绍了量子信息处理的基本概念、遗传算法的一些主要概念和基本知识，利用量子态叠加、相干及并行计算特性，研究量子遗传算法并对其进行性能测试分析。实验表明，本文研究的量子遗传算法比经典遗传算法具有更好的收敛效果、更快的收敛速度，并且能更接近目标值。
第三章：介绍了神经网络的基础知识，并较详细地介绍了几种经典前馈神经网络，重点研究了自适应BP网络和基于K-均值聚类法的RBF网络的性能。在此基础上，将第二章介绍的量子遗传算法(QGA)与神经网络相结合，用QGA优化神经网络，提出了两种优化算法：QGA优化自适应BP网络(QGA-BP)和QGA优化聚类RBF网络(QGA-RBF)。新型优化算法先利用量子遗传算法高效的并行性和全局搜索能力先对解空间内的所有点进行遗传选优，得到优化解空间，再用神经网络在这个优化解空间中搜索到最优解。实验表明，本文所研究的用QGA优化的神经网络比传统神经网络在收敛性能上有较明显的提高。
第四章：介绍了MIMO技术及其常规信号检测算法，分别研究了基于量子遗传算法、神经网络、量子遗传算法优化神经网络的MIMO系统信号检测模型，并对这三种检测模型进行性能分析。实验表明，基于量子遗传算法优化神经网络的MIMO系统信号检测方案比基于传统神经网络和基于量子遗传算法的检测方案具有更好的检测性能。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
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 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3页下载如图片无法显示或论文不完整，请联系qq752018766
