盲人通道和数据评估使用模糊Logic-Empowered相反上优于变异粒子群优化

文摘

多和多输出(MIMO)技术是一种最新的技术来提高信道的容量以及通信系统的服务质量。利用MIMO技术在物理层,数据和信道的估计是基于最大似然的原则执行。为此,对面的连续和离散模糊logic-empowered上优于变异粒子群优化(FL-OLMPSO)算法在瑞利衰落信道在三个水平。数据和通道数量准备在第一级的算法,而信道参数估计的二级利用连续FL-OLMPSO算法。确定信道参数后,传播符号的3级评估算法通过使用通道参数以及离散FL-OLMPSO。加强FL-OLMPSO算法的收敛速度,使用模糊逻辑更新速度的因素。在本文中,两个变种,FL-total OLMPSO (FL-TOLMPSO)和FL-partial OLMPSO FL-OLMPSO (FL-POLMPSO),建议。提出技术的仿真结果显示对于MMCE理想的结果,相比传统MMSE,误码率相反学习变异PSO (TOLMPSO和POLMPSO)技术。

1。介绍

领域的通信系统,无线通信部门快速增长,和快速的技术发展需要满足的要求。无线通信使用无线通道代替有线频道。无线通信系统的快速发展需要技术进步。无线连接提供各种各样的服务,从语音,数据和多媒体。由于信道的物理特性,信号受到影响,发生在无线通信和不必要的影响。无线信号的交互环境是非常复杂的。一些问题发生在发射机和接收机之间的通道,因为大型对象,周围的电磁波衍射妨碍对象,以及散射信号。由于这些交互,信号到达接收方应对不同的衰减、失真,延迟和相移。这些多路径的推理可以建设性或破坏性的。信号功率可以稍微减少破坏性的界面发生时。

至关重要的无线通信系统的最优性能提供准确的信道状态信息(CSI)相干检波接收机接收到的信号的结束。非相干方法差分解调技术是用于传输信号的解调和检测接收机CSI时不可用。非相干方法的部署成本约3 - 4 dB损失信噪比与相干检测方法相比。由于这样的大规模损失的非相干检测方法,研究针对相干检测提供CSI在无线通信系统的接收机(1,2]。

多用户检测(MUD)的接收机技术使用压缩感知(CS)推断的检测信号。如果大多数的设备不活动状态,然后传输信号向量,因为大量的非零元素有一个稀疏属性。因此,传输信号会压缩信号的解码问题。对于一个系统,有少量的高活动用户,长期进化是更合适的2,3]。

在现代通信系统中,主要的问题是提高系统的信道容量而不影响系统的服务质量。和多输入多输出(MIMO)方法发现有效的提高数据速率和信道容量的解决这一问题1,4- - - - - -6]。在这种方法中,算法用于估计信号发送器和接收器的天线(7),由于数据率增加以及带宽的信道容量8- - - - - -11]。一些利用无线电发射机天线和受益者电线技术来提高系统的通信技术。计算传输信息在不同的传输路径取决于天线系统框架传递的数据量的增加(12]。

在接收端,一些天线收集信息,不同的计算是进行重组和重建数据的信息接收者的尽头。由于增加的范围和数量的信息没有任何额外的传输功率或数据传输能力,文中创新被认为是远程通信的中点(13,14]。

中那创新技术也可以利用多载波目前访问(mc - cdma)和正交频分多路(OFDM)提高显著增长为许多通讯(7- - - - - -9]。

最大似然(ML)方法是一种最优检测器在泥浆,但毫升是复杂的用它来成就指数复杂性。在一个较复杂的情况下,次优泥探测器如zero-forcing或null-steering探测器,最小均方误差(MMSE)探测器在M2M,可能性和最大后验或边缘检测器。多用户检测的主要关心的是基于知识的策略来解调数据同时发送多个服务器共享一个多路存取通道。最后两次优方法使用矩阵求逆,也非常简单。重复等进化算法加权提高搜索(RBS),模糊自适应差分进化(褪色),和微分进化算法(负责人)对信道估计(CE)和多用户检测6]。CE的问题,使用连续搜索空间,对于多用户检测,使用离散搜索空间,对于改善频谱效率种在mimo (MU-MIMO),广播的方法主要是使用[10,13]。发射机因为知识的信道状态信息,传输预编码的质量控制的多用户推理退化(10]。因此,系统吞吐量可能会受到coscheduled用户设备的接口。

备用等新兴众多策略粒子群优化(PSO) (15相反,部分变异粒子群优化(POMPSO),相反总变异粒子群优化(TOMPSO) [7,9,10)、遗传算法(GA),岛GA,微分方程(DE),岛德可以用来进一步提高数字通信系统的性能15]。在本文中,我们进行了信道估计的高数据率通信的发送者和接收者的目的。像一些失真信号加起来在通讯频道,信号强度减弱和接收端可能无法收集准确信息。为了克服这个问题,模糊逻辑实现提高数据和信道估计过程(9,10]。在这篇文章中,模糊逻辑授权相反的粒子群文中针对通信系统的新变体使用PSO的技术和实现它。

在本研究中,我们考虑到MIMO系统,由不同数量的用户。它还假定信道平坦衰落和周期平稳。论文的主要贡献如下:(一)我们制定一个优化问题的目标是最小化的MMSE和误码率。(b)模糊logic-empowered相反上优于变异粒子群优化算法(FL-OLMPSO)提出了用户数据和信道估计的系数。(c)我们比较了该方法与其他算法研究TOMPSO和POMPSO文学。仿真结果表明,提出的算法给有吸引力的结果相比,不同的算法。

剩下的纸是组织如下:MIMO系统模型中解释部分2。FL-OLMPSO-based优化问题是制定节3。部分4给出了仿真结果和讨论。最后,研究工作得出的结论部分5。

2。系统模型

有一个发射天线和B接收天线。实现平坦衰落信道。英吉利海峡将固定的沟通过程中问符号。在接收机天线接收到的信号b如下(1]: 在哪里指数的符号,平坦衰落信道系数,链接传输天线一个接收机的天线b,是我从天线传输的符号一个把值从符号集{−1 + 1}的二进制相移键(BPSK)是加性高斯白噪声(AWGN) 。

下面的MIMO信道方程将代表完整的系统: 在哪里代表的情况下:

传播符号向量和接收信号向量

接收机天线的信道增益总是可以标准化的统一: 在哪里。

现在定义一个接收的数据矩阵B×V维度和传输数据矩阵一个∗V尺寸如下(1]: 分别。然后,接收到的信号矩阵的PDF条件对MIMO信道矩阵和传输数据矩阵可以写成:

ML估计的传播符号和MIMO信道矩阵可以通过最大化在和相互。同样,联合ML估计可以通过最小化代价函数如下:

即联合毫升CDE得到如下:

方程(10)表明,寻找最优联合毫升的解决方案是在离散空间传播符号和相互MIMO信道矩阵的连续空间。

2.1。改进的成本函数

方程(10)可以写成: 在哪里B代表了接收机天线和问符号是传播。它也显示H和D积累在第二和第三项。然后,我们让

替换的值从方程(13在方程()12),我们得到

方程(12)可以写成:

这意味着联合毫升CDE可以写成:

在这篇文章中,我们已经委托模糊logic-empowered相反学习变异粒子群优化(FL-OLMPSO)的联合信道和符号估计MIMO系统。我们使用三层的方法。在一层,连续版本的FL-OLMPSO利用,下一层,离散的软版本FL-OLMPSO应用如表所示1。FL-OLMPSO的更新版本OLMPSO汗等提出的算法。10]。


美国没有。	步骤

1级
1	开始
2	2.1。通过广大初始化的数据D_p= {D_p1,D_p2,..................D_{巴勒斯坦权力机构}}和速度W_d
	2.2。初始化通道群氓D_k= {D_k1,D_k2,..................D_卡}和速度W_k
3	利用成本计算人口的健康工作了(14)
4	计算下界值(MB_p,MB_我)和上界值(HB_p,乙肝_我)D_p和D_k分别
	计算相反的民众
5	对于FL-TOLMPSO	对于FL-POLMPSO
	5.1。相反的人口数据	5.1。相反的人口数据
	OD_p= {OD_p1,OD_p2,..................OD_{巴勒斯坦权力机构}}	OD_p= {OD_p1,OD_p2,..................OD_{pa / 2}}
	OD_π= {OD_π,1,他妈的_2π,,.................. OD_π,米}	OD_π= {OD_π,1,他妈的_2π,,.................. OD_π,米}
	OD_π,j= MB_p+乙肝_一个−D_π,j	OD_π,j= MB_p+乙肝_一个−D_π,j
	5.2。相反的通道数量	5.2。相反的通道数量
	OD_k= {OD_k1,OD_k2,..................OD_卡}	OD_k= {OD_k1,OD_k2,..................OD_{ka / 2}}
	OD_ki= {OD_{ki, 1},他妈的_{ki, 2},.................. OD_{ki, M}}	OD_ki= {OD_{ki, 1},他妈的_{ki, 2},.................. OD_{ki, M}}
	OD_{ki j}= MB_我+乙肝_我−D_{ki j}	OD_{ki j}= MB +乙肝_我−D_{ki j}
6	计算两个相反的人群的健康(OD_p和OD_k)使用成本函数给出了方程(16)
7	选择当地最好的粒子: 7.1。人口数据米_{和平民主党}从D_p和OD_p 7.2。通道数量l_bdk从D_k和OD_k
8	选择以下的全球最佳粒子: 8.1。人口数据N_{和平民主党}= min (米_{和平民主党}) 8.2。通道数量N_{和平民主党}= min (l_{和平民主党})

级别2:全球最佳数据向量是固定的和连续FL-OLMPSO算法作用于通道的人口
9	更新每个粒子的速度使用FIS通道数量: W_他(n)= W_他(n−1)+方法(GI, W_他(n−1))
10	更新每个粒子通道的位置计算变异算子(MO) 米_哦(我)= D_金(n) = D_金(n−1) + M_哦(我)∗rand ()
11	计算变异粒子的健身频道人口使用方程(16)
12	更新频道人口D_k
13	如果(NoC)所需的周期>数量去一步14 其他步骤9

3级:在这个级别,离散FL-OLMPSO算法用于估计数据符号
14	全球最好的粒子人口数据的选择和更新速度: W_他(n)=方法(李,胃肠道,W_他(n−1))
15	更新每个粒子的位置数据的人口计算变异算子(MO) 米_od(我)= D_pim(n) = D_pim(n−1) + M_od(我)∗rand ()
16	计算数据的人口使用的健身的粒子(16)
17	更新数据的人口D_p
18	如果(NoC)所需的周期>数量去20步其他步骤14

四级:下一个样品的接收信号和执行→2级
19	停止

累计函数(15)被认为是分布式天线系统的适应度函数,用于计算算法的性能如表所示1。

3所示。提出了模糊Logic-Empowered相反学习变异粒子群优化(FL-OLMPSO)

模糊基于逻辑相反变异PSO用于更新粒子的速度使用模糊逻辑控制器将两个输入:当地的情报和全球情报,这些输入参数的基础上,给粒子的更新速度,如表所示1- - - - - -3。


美国没有。	输入变量	隶属度函数的数学表示法(MFs)	MFs的图示

1	LocalInt

2	GlobalInt

3	Prevelocity

4	输出,紫外线


规则	当地的情报	全球情报	以前的速度	更新的速度

1	小	小	非常缓慢的	非常缓慢的
2	小	小	慢	慢
3	小	小	媒介	慢
4	媒介	小	慢	慢
5	媒介	媒介	媒介	媒介
6	媒介	小	媒介	媒介
7	媒介	媒介	非常快	快
8	大	大	媒介	快
9	非常大的	大	非常快	非常快
10	非常大的	非常大的	非常快	非常快

数学和图形I / O变量隶属度函数(MFs)用于更新群中给出的速度提出了FL-OLMPSO如表所示2。

模糊系统由四个核心组件。他们是模糊的介词,查找表,推理引擎,defuzzifier如下面所示。

部分3所示。1来3所示。4描述如何更新速度详细使用模糊逻辑系统。

3.1。模糊的介词

模糊复合命题是一个使用连接词对齐分钟模糊命题“,或者”“,”和“不”表示模糊联盟,十字路口,分别和补充。在这里,l, , ,和变量代表当地的情报,全球情报,先前的速度,和更新速度。然后,以下模糊命题持有:

所有输入和输出变量值映射的范围概率范围,因为模糊专家系统工作概率(范围0 - 1)。

在这里,这个函数t最后一层的标准方程(17)定义如下:

方程(18)将模糊集的隶属度函数转换当地情报,全球情报,先前的速度,和更新速度的最后一层提出了模糊推理系统中隶属度函数的交点当地情报,全球情报,先前的速度,和更新速度,也就是说,

在方程(19),函数t获得合格的一个十字路口,必须满足下面的公理和函数将调用t规范:

Axiom t1。有界的条件:

Axiom t2。交换性:

Axiom t3。不减少的:

Axiom t4。结合性:

方程(19可以写有关)t规范如下:

从方程(19)和(24),

3.2。查找表

提出的查找表FL-OLMPSO包含10个输入-输出规则从80年如表所示3。

模糊if - then规则条件语句应用于隶属函数。这些规则是模糊规则库的元素。其他的组件(比如规则表面和规则查看器依赖于模糊规则库,所以模糊规则库是一个金融中间人的主要元素。专家系统的模糊规则库有80条规则。规则是用。 =如果当地情报很小和全球情报之前很小,速度是非常缓慢的,然后更新速度非常缓慢 =如果当地情报是中型和全球情报之前很小,速度很慢,然后更新的速度是缓慢的 =如果当地的情报是中型和全球情报中、以前的速度是缓慢的,然后更新速度是中等 =如果当地情报和全球大情报很大和先前的速度是快,然后更新速度非常快

3.3。推理引擎

模糊推理是对映射的方式从一个提供了利用模糊逻辑对收益率的贡献。模糊推理的主要成分是MFs, FL操作符和if - then规则。一个模糊关系是由模糊规则库的所有规则。是内积下的输入只能被视为模糊if - then规则。

模糊规则库中的所有规则组合成一个单一的模糊关系,在输入空间的内积的话语,然后只视为模糊if - then规则。

让是一个模糊关系,代表了最后一层的模糊if - then规则的提议FL-OLMPSO专家系统,这是

方程(26)可以写成:

最后一层的规则被解释为一个定义的模糊关系

这种组合的规则叫做Mamdani组合。假设我Ψ是任何两个模糊集和模糊推理引擎的输入和输出,分别。查看R_80年作为一个模糊if - then规则通过使用综合演绎推理,获得5的输出如下:

产品推理引擎(派)提出FL-OLMPSO专家系统可以写成:

3.4。Defuzzifier

其中一个最defuzzifier是专家系统的重要组成部分。它执行的过程映射的模糊发送到清晰的输出。defuzzifier有三种类型:重心(齿轮)defuzzifier平均defuzzifier中心和最大defuzzifier。从这些,最好的defuzzifier是“重心defuzzifier。”提出FL-OLMPSO-based系统,齿轮defuzzifier使用。defuzzifier指定₤的齿轮^∗为中心的覆盖面积的MFΨ,也就是说,

的图示defuzzifier FL-OLMPSO-based提出系统的数据所示1- - - - - -3。图1表明,如果当地情报中小和全球情报很小,然后更新速度非常缓慢。如果当地情报是中小和全球情报很小,然后更新速度缓慢。如果当地情报是中型和大型和全球情报之间的介质,然后更新速度缓慢的媒介。如果当地情报是大型和中型到大型全球情报,然后更新速度快。如果当地情报是非常大的和全球情报非常大,然后更新速度非常快。

图2表明,如果当地情报是缓慢的媒介和之前的速度是非常缓慢的,缓慢的,然后更新速度非常缓慢。如果当地情报很大很大,之前的速度是缓慢的介质,然后更新速度缓慢。如果当地情报中到大型和先前的速度中,然后更新速度是媒介。如果当地情报快速介质和以前的速度是介质,然后更新速度快。如果当地情报很大很大,之前的速度是极快的,然后更新速度非常快。

如果全球情报中到大型和先前的速度是非常缓慢的,然后更新速度非常缓慢。如果全球情报是中型和先前的速度是缓慢的,然后更新速度缓慢。如果全球智力中等及以上与先前的速度是中等偏快,然后更新速度是媒介。如果全球情报大、更新速度快,非常快,然后更新速度快。如果全球情报很大很大,之前的速度是非常快,然后更新速度是非常快的,如图3。

3.5。查找图

数据4- - - - - -8显示查找图提出的基于模糊logic-empowered相反学习突变群优化所有可能情况下的更新速度。

图4表明,如果当地的情报价值很小,全球情报价值很小,和之前的速度是非常缓慢的,然后更新的速度是非常缓慢的。

图5表明,如果当地的情报价值中,全球情报价值很小,然后之前的速度是缓慢的,更新的速度也慢。

图6表明,如果两个(本地和全球)智力值中、以前的速度是媒介,那么更新的速度也是媒介。

图7表明,如果两个(本地和全球)智力值高和以前的速度中,更新速度快。

图8表明,如果当地的智力很高,全球情报中,和之前的速度是非常快,然后更新速度也非常快。

4所示。结果与讨论

CDE-MIMO系统使用二进制相移键信号,实现和数据序列长度问= 50。发射机是每个配备一个= 3传输天线,而基站B= 3天线。瑞利选择性衰落信道中实现四个部分。25 Hz的多普勒频率对应于发射机使用900 MHz载波频率,以每小时30公里的速度移动。通道的模拟是一个3∗k米姆和k民众是100 = 10个用户数据,NoC算法都是5,当我们选择了民众的大小是5∗Ph值,通道矩阵控制Ph值的大小。

然而,在模仿,性能也可以衡量最小均通道误差(MMCE),这是

数据9和10代表提出的性能FL-OLMPSO MIMO系统的信道和数据估计的最小均方误差(MMSE)和比特误码率(BER),而图11代表提出的关于MMCE FL-OLMPSO的性能,分别。

图9显示的数量周期(NoC)和MMSE FL-OLMPSO-based提出了MIMO系统的信噪比= 25 dB和15的用户数量。第一和第三曲线从上到下显示POMPSO和TOMPSO迭代收敛在160年和180年达到的MMSE 10⁻³和10^−5.4,分别。第二和第四曲线从上到下FL-OLMPSO提出方案。第二曲线从上到下显示,提出模糊logic-empowered部分相反学习变异粒子群优化的MMSE (FL-POLMPSO)达到10^−3.5在150次迭代。第四曲线从上到下显示,提出模糊logic-empowered相反的学习总变异粒子群优化的MMSE (FL-TOLMPSO)达到10^−5.5在160次迭代。它可以很容易地看到,提出模糊基于逻辑的计划给优秀的结果比传统方法对快速收敛和MMSE。

图10显示了信噪比(信噪比)对误码率FL-OLMPSO-based提出了MIMO系统的NoC = 25 dB和15的用户数量。第一和第三曲线从上到下显示了传统POMPSO TOMPSO计划,而第二和第四曲线从上到下FL-OLMPSO提出方案。它可以很容易地看到,误码率归结通过增加信噪比,提出模糊logic-empowered OLMPSO;两种变体给有吸引力的结果比传统OLMPSO变体。

图11显示了NoC vs MMCE FL-OLMPSO-based提出了MIMO系统的信噪比= 25 dB和15的用户数量。它可以看到从第一和第三个最高的曲线,传统的计划(POMPSO和TOMPSO)需要达到大约10 200次迭代⁻²和10⁻⁴,分别。和第二和第四最高的曲线表明,提出模糊logic-empowered方案(FL-POLMPSO和FL-TOLMPSO)需要达到大约10 200次迭代⁻³和10^−4.2,分别。这意味着提出方案给出更好的结果比传统的系统。

5。结论

盲人FL-OLMPSO联合信道和数据模型设计评估(CDE)。该模型是一个三层模型。顶部层、数据和通道数量准备。下一个层次,信道估计的参数,并在最后,这些参数和离散FL-OLMPSO用于估计传播符号。本文提出了两种变体的模糊基于逻辑相反学习变异粒子群优化方法。提出模糊的性能基于逻辑相反学习变异PSO (FL-OLMPSO)评估与其他群体相比,算法在文献中。此外,它被认为,由于包括模糊基于逻辑的速度系数和opposite-based学习群,关于MMSE FL-TOLMPSO给有吸引力的结果,方方面面,MMCE。

数据可用性

仿真数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

t . Abdelkader k身作为礼尚往来o . et al .,“新时空编码联合盲的信道估计和数据检测通过时变MIMO信道,“国际计算机科学杂志》上的问题(IJCSI),11卷,不。5,33-38,2014页。视图:谷歌学术搜索
o . o . Oyerinde和s . h . Mneney”审查对无线通信系统的信道估计,”IETE技术评审卷,29号4、282 - 298年,2012页。视图:出版商的网站|谷歌学术搜索
美国Motade和a . Kulkarni”使用机器学习方法对MIMO信道估计和数据检测5 g通信系统在衰落信道中,“技术》第六卷,没有。3,p。72年,2018年。视图:出版商的网站|谷歌学术搜索
a . m . Abuthinien s . Chen沃尔夫冈·l·Hanzo et al .,“联合最大似然信道估计和数据检测对MIMO系统,”IEEE国际会议通信学报》,2007年版。ICC 07年格拉斯哥,页5354 - 5358年,英国,2007年6月。视图:谷歌学术搜索
a . Mezghani和a . l . SwindleHurst“盲目估计大规模稀疏的多用户MIMO信道,”21国际智能天线ITG车间学报》上,页2 - 6,柏林,德国,2017年3月,http://arxiv.org/abs/1612.00131。视图:谷歌学术搜索
m . n . Seyman和n . Taspinar”象征mimo - ofdm系统中,使用微分进化算法在检测”土耳其的电气工程和计算机科学杂志》上,21卷,不。2、373 - 380年,2013页。视图:谷歌学术搜索
m . Zubair m·a·瓦哈卜a . Naveed i m·库雷希et al .,“联合信道估计和数据使用粒子群优化,“IEICE交易通讯,卷91,不。9日,第3036 - 3033页,2008年。视图:出版商的网站|谷歌学术搜索
m·a·汗·m·Umair, m·a·s·瓦哈卜“基于遗传算法的自适应接收机mc - cdma系统中,“土耳其的电气工程和计算机科学杂志》上,23卷,不。1,第2277 - 2267页,2015。视图:出版商的网站|谷歌学术搜索
m·a·汗·m·Umair m·a·s·瓦哈卜et al .,“岛mc - cdma系统,基于微分进化的自适应接收机”IEEE国际会议信息和通信技术(ICICT),页1 - 6,济州岛,韩国,2015年12月。视图:谷歌学术搜索
m·a·汗纳西尔,m . Umair s阿巴斯et al .,“TOMPSO算法的时间复杂度,”16日统计科学国际会议:统计和数据管理的进步:它在国家经济增长和社会经济发展的作用白沙瓦,页89 - 100年,巴基斯坦,2018年3月。视图:谷歌学术搜索
p . w . Raut和s . l . Badjate“MIMO-Future无线通信,国际创新技术和探索工程杂志》上,卷2,不。5,102 - 106年,2013页。视图:谷歌学术搜索
m . Biguesh和a . b . Gershman”培训MIMO信道估计:一项研究估计量的权衡和最优训练信号,”IEEE信号处理,54卷,不。3、884 - 893年,2006页。视图:出版商的网站|谷歌学术搜索
陈平和h .小林最大似然信道估计和信号检测对于OFDM系统,”IEEE国际会议通信学报》,2002年版。2002年国际商会,页1640 - 1645,纽约,纽约,美国,2002年4月。视图:谷歌学术搜索
c . Pirak z . j . Wang k . r . Liu s Jitapunkul et al .,“最大似然信道估计的最优功率分配时空编码的MIMO系统,”学报2006年IEEE国际会议音响、演讲和信号处理ICASSP,4页,图卢兹,法国,2006年5月。视图:谷歌学术搜索
m·a·瓦哈卜m . Zubair a . Naveed i m·库雷希et al .,“附近最佳检测器码分多址系统使用粒子群优化,“IEICE交易通讯,卷90,不。11日,第3282 - 3278页,2007年。视图:出版商的网站|谷歌学术搜索

计算智能和神经科学

文摘