基于粒子群优化的最小误比特率波束成型设计-AET-电子技术应用

基于粒子群优化的最小误比特率波束成型设计

来源：电子技术应用2013年第11期

郭歆莹，张建康，穆晓敏，张喆

郑州大学信息工程学院，河南郑州450001

摘要： 针对最小误比特率准则的多天线波束成型目标函数的多维度、非线性优化难题，提出了粒子群优化算法辅助的最小误比特率波束成型算法，有效地获得了最优的权重向量，解决了最小误比特率优化问题。该方案能够成功地避免陷入局部最优解，而快速收敛于全局最优解。仿真结果表明，直接以最小化系统的误比特率为目标的基于粒子群优化算法的最小误比特率波束成型算法,明显优于传统的最小均方误差波束成型技术。

关键词： 无线网络最小误比特率波束成型粒子群优化算法

中图分类号： TN929.5
文献标识码： A
文章编号： 0258-7998(2013)11-0099-04

Particle swarm optimization aided mber beamforming receiver

Guo Xinying， Zhang Jiankang, Mu Xiaomin, Zhang Zhe

School of Information Engineering, Zhengzhou University, Zhengzhou 450001, China

Abstract： This contribution considers Particle Swarm Optimization (PSO) algorithm to solve the multi-dimensional and nonlinear optimization problem for the Minimum Bit Error Rate (MBER) beamforming receiver. The PSO aided MBER beamforming receiver can obtain the optimum beamformer’s weight vector and thus find the solution of the resulting optimization problem that minimizes the MBER criterion. The method can work out the MBER optimization by its virtue of quick convergence to reasonably good solution and high efficiency against local minima. Results of the simulation indicated the PSO algorithm aided MBER detector is capable of outperforming the conventional Minimum Mean Squared Error (MMSE) detector by minimizing the Bit Error Rate (BER) directly.

Key words : minimum bit error rate(MBER); beamforming; particle swarm optimization(PSO)

无线通信业务量的快速增长对频谱效率提出了越来越高的要求，能够提供更高的信道容量和频谱利用率的空分多址SDMA(Space-Division Multiple Access)技术已成为无线通信领域研究的热点。现已证明基于天线阵列的自适应波束成型接收机能够有效地提高系统的容量[1-3]。

    波束成型器的设计大部分都是基于最小均方误差MMSE(Minimum Mean Squared Error)准则。然而，对于一个通信系统而言，性能评价最终目标是最小误比特率MBER(Minimum Bit Error Rate)。MBER波束成型器已被成功应用于二进制相移键控[4]和四进制相移键控[5]调制系统中。为了能够提供更大的系统吞吐量,正交幅度调制QAM(Quadrature Amplitude Modulation)[6]在众多无线标准中成为最具竞争力的调制方式。
    在参考文献[7]中，以MBER为优化准则，提出在QAM系统中的MBER波束成型接收机，然而其高维度、非线性优化问题的成功解决是性能能否达到最佳的关键。近年来，许多学者致力于研究有效的方法来解决MBER优化问题。为了获得最优解，参考文献[7]的作者采用差分进化DE(Differential Evolution)算法求解此问题。相比于其他的进化算法，DE能够有效地达到全局最优解，并且实现方便简单[8]。然而，在参考文献[9]中，如果种群聚集在搜索空间的一个有限区域的话，DE算法将很难使种群在整个空间进行搜索。为了避免优化过程中陷入局部最优解，本文提出采用粒子群优化PSO(Particle Swarm Optimization)算法[10]辅助解决MBER优化问题。PSO算法比DE算法实现更为简便，并且需要调整的参数更少。PSO算法由于实现简单、能够快速收敛于全局最优解并且能够有效跳出局部最优解而受到广泛关注。因此，本文采用PSO算法来辅助设计基于QAM的MBER波束成型器。

3 PSO算法
   PSO算法是计算智能领域的一种群智能算法。系统初始化为一组随机解，称之为粒子。通过粒子在搜索空间的飞行完成寻优。本文将通过采用PSO算法，求解式(21)中的MBER问题的全局最优解。PSO算法辅助的MBER波束成型的算法流程如图1所示。

(1) 初始化。在求解问题的多维空间初始化一群粒子(群体规模为Ps)，包括随机位置和速度。第一代g=1中第ps个粒子的位置可以表示为:

在图4中考虑了更具挑战性的“缺秩”情形，即3根接收天线支持4个用户。从结果可以看到列出的3种波束成型方法在θ=20°时都不能分离出期望用户信号。然而，在?兹为30°和40°时，MBER/MSER要明显优于MMSE波束成型。

图5分析了期望用户的BER与所提方法的复杂度之间的关系，复杂度随着迭代次数的增加而增大。假设?兹=-40°。本文提出的方法在Eb/N0=20 dB时能快速收敛，因此能准确地检测出期望用户信号；而且，种群的数量越大，PSO算法所需的迭代次数越小，这说明PSO算法有更快的收敛速度。
本文提出了在QAM调制下的多用户SDMA系统中基于PSO算法的波束成型接收机。根据BER的推导公式，本文采用PSO算法获得最优权重向量来求解MBER优化问题。仿真结果证明本文所提的PSO算法辅助的MBER波束成型技术可以成功避免陷入局部最优解，而快速收敛于全局最优解，其性能显著地优于MMSE波束成型方法。本文还分析了种群大小和迭代次数等参数对期望用户BER性能的影响。
参考文献
[1] LITVA J, LO T, Digital beamforming in wireless communications[M].Artech House Publishers, Boston,1996.
[2] WINTERS J. Smart antennas for wireless systems[J]. IEEE Personal Communications, 1998,5(1):23-27.
[3] BLOGH J, HANZO L. Third generation systems and intelligent wireless networking-smart antennas and adaptive modulation[C]. Wiley-IEEE Press, 2002.
[4] CHEN S, AHMAD N, HANZO L. Adaptive minimum bit error rate beamforming[J]. IEEE Transactions on Wireless Communications, 2005,4(2):341-348.
[5] CHEN S, HANZO L, AHMAD N, et al.Adaptive minimum bit error rate beamforming assisted receiver for QPSK wireless communication[J]. Digital Signal Processing, 2005,15(6):545-567.
[6] HANZO L, WEBB W, KELLER T. Singleand multicarrier quadrature amplitude modulation: principles and applications for personal communications, WATM and Broadcasting[M]. IEEE Press-John Wiley,2000.
[7] ZHANG J, CHEN S, MU X,et al. Differential evolution algorithm aided MBER beamforming receiver for quadrature amplitude modulation Systems[C].At 11th UK Workshop on Computational Intelligence, 2011.
[8] ZHANG J, CHEN S, MU X, et al. Turbo multi-user detection for OFDM/SDMA systems relying on differential evolution aided iterative channel estimation[C]. IEEE Transactions on Communications, 2012.
[9] LANGDON W, POLI R. Evolving problems to learn about particle swarm optimizers and other search algorithms[J].IEEE Transactions on Evolutionary Computation,2007,11(5):561-578.
[10] POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization[J].Swarm intelligence, 2007,1(1):33-57.

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容