（电路与系统专业论文）基于智能优化算法的MIMO系统盲均衡[电路与系统专业优秀论文].pdf

南京邮电大学硕十研究生学位论文摘要 摘要 在高速无线通信系统中，由于传输媒质引起的多径失真会导致发射信号的时间弥散， 从而产生码间干扰，为了能够恢复出发送信号，通常在接收端需利用均衡技术是抑制码间 干扰，而盲均衡则是一种不借助训练序列，仅利用接收序列和发送序列的先验知识来恢复 发送信号的方法。 本文主要研究基于智能优化算法的m i m o 系统盲均衡，主要研究应用三种智能优化算 法( 遗传算法、克隆选择算法和基于免疫网络的免疫算法) 来解决盲均衡问题，盲均衡与 智能优化算法的结合点是将盲均衡中只针对发送信号的代价函数作为智能优化算法的适 应度函数从而可以直接恢复出发送信号，而不需要对信道的均衡与辨识。 本文在介绍三种智能优化算法的原理以及对传统智能算法优缺点分析的基础上提出 用于解决m i m o 系统盲均衡问题的改进遗传算法、克隆选择算法及免疫网络算法。应用发 送信号属于有限字符集的特点，为遗传算法设计自适应的交叉算子，同时设计多个子群体， 通过交叉操作，使子群体间直接通信，从而加快了算法收敛速度，最后在离散空间串行盲 恢复多个用户信号。在改进的克隆选择算法中，设计根据个体适应度值自适应调节变异度 的变异算子；由于不同的用户信号对应于盲均衡代价函数的不同峰值，将多目标优化的思 想以及免疫系统中免疫记忆的机制应用于克隆选择算法来并行恢复出多用户信号。最后， 本文研究应用免疫网络算法来解决m i m o 盲均衡问题，利用多个用户信号及它们的延迟信 号对应于盲均衡代价函数的不同峰值以及基于免疫网络的免疫算法提取目标函数绝大部 份峰值的有效性，通过免疫网络算法搜索包括多个用户信号及其延迟信号的多个最优解来 估计信道阶数的最大值，从而在信道阶数未知的情况下，可以并行恢复多个用户信号。 仿真结果表明，这三种智能优化算法都能较好的解决盲均衡问题，且只需较短的接收 信号序列就可以得到性能较好的结果，且改进的克隆选择算法和免疫网络算法性能优于遗 传算法。 关键词：盲均衡，盲分离， 多输入多输出系统，遗传算法，克隆选择算法，免疫网 络算法 南京邮电大学硕士研究生学位论文 a b s t r a c t a b s t r a c t i nt h eh i g hs p e e dw i r e l e s sc o m m u n i c a t i o ns y s t e m ，i n t e r - s y m b o li n t e r f e r e n c ei sc a u s e d b e c a u s et h em u l t i p a t hd i s t o r t i o ni n d u c e db yt r a n s m i s s i o nm e d i u ml e a dt ot h et i m es p r e a do ft h e t r a n s m i ts i g n a l f o rr e c o v e r i n gt h et r a n s m i ts i g n a l ，w eg e n e r a l l yn e e dt os u p p r e s si s ib yu s i n g e q u a l i z a t i o nt e c h n o l o g yi nt h er e c e i v e ra n db l i n de q u a l i z a t i o nc a l lj u s tu s e st h er e c e i v i n g s e q u e n c ea n dt h ep r i o ri n f o r m a t i o no ft h es o u r c es e q u e n c et or e s t o r et h es o u r c es e q u e n c ew i t h o u t u t i l i z i n gt r a i n i n gs e q u e n c e t h i s p a p e r f o c u s e do n r e s e a r c h i n g t h eb l i n d e q u a l i z a t i o n i nt h e m u l t i p l e - i n p u t m u l t i p l e - o u t p u ts y s t e mu s i n gt h ei n t e l l i g e n to p t i m i z a t i o na l g o r i t h m s t h ep a p e ra p p l i e dt h r e e k i n d so fi n t e l l i g e n ta l g o r i t h m s ( g e n e t i ca l g o r i t h m s 、c l o n es e l e c t i o na l g o r i t h r n sa n di m m u n e n e t w o r ka l g o r i t h m s ) t or e s o l v eb l i n de q u a l i z a t i o np r o b l e m s 。t h et r a n s m i ts i g n a lc a nb er e c o v e r e d d i r e c t l yb yu s i n gt h eb l i n de q u a l i z a t i o nc o s tf u n c t i o na st h ei n t e l l i g e n to p t i m i z a t i o na l g o r i t h m f i t n e s sf u n c t i o n t h e s em e t h o d sn e e d n tt oe q u a l i z ea n dr e c o g n i z et h ec h a n n e l t h i sp a p e rp r o p o s e da ni m p r o v e dg e n e t i ca l g o r i t h m ，ac l o n es e l e c t i o na l g o r i t h ma n da n i m m u n en e t w o r ka l g o r i t h mt or e s o l v et h em i m o s y s t e mb l i n de q u a l i z a t i o n sr e s p e c t i v e l y , w h i c h f o l l o w e dt h ei n t r o d u c t i o no ft h et h r e ei n t e l l i g e n to p t i m i z a t i o na l g o r i t h m sa n dt h ea n a l y s i so ft h e a d v a n t a g e sa n dd i s a d v a n t a g e sf o rt h et r a d i t i o n a li n t e l l i g e n ta l g o r i t h m u s i n gt h ec h a r a c t e r i s t i co f t h et r a n s m i ts i g n a lb e l o n g i n gt ot h ef i n i t ea l p h a b e t s ，t h ep a p e rd e s i g nam u l t i p o p u l a t i o ng e n e t i c a l g o r i t h mw i t l la d a p t i v ec r o s s o v e ro p e r a t o ra n dt h em u l t i p l ep o p u l a t i o n sc o m m u n i c a t i o nt h r o u g h c r o s s o v e ro p e r a t o r s t h i sm e t h o ds p e e d e du pc o n v e r g e n c ea n dc a l l g e tt h es e r i a lr e c o v e r yo f i nt h ed i s c r e t es p a c e i nt h ei m p r o v e dc l o n es e 1 e c t i o na l g o r i t h m ，t h em u t a t i o n o p e r a t o r , a d j u s t i n gt h ev a r i a t i o nd e g r e ea c c o r d i n gt ot h ef i t n e s so fa n t i b o d i e s ，i sd e s i g n e d b e c a u s et h ed i f f e r e n tu s e r sa r ec o r r e s p o n d i n gt ot h ed i f f e r e n tp e a k so ft h ec o s tf u n c t i o no ft h e b l i n de q u a l i z a t i o n ，t h ei d e au s e di nt h em u l t i o b j e c t i v eo p t i m i z a t i o na n dt h ei m m u n em e m o r yi n t h ei m m u n es y s t e mc a nb ea p p l i e dt ot h ec l o n es e l e c t i o na l g o r i t h mf o rp a r a l l e lb l i n dr e s t o r a t i o n o fa l lu s e rs i g n a l s i nt h ee n d , t h i sp a p e ri n t r o d u c e du s i n gt h ei m m u n en e t w o r ka l g o r i t h mt o r e s o l v em i m ob l i n de q u a l i z a t i o np r o b l e m s b e c a u s et h em u l t i u s e r sa n dt h e i rd e l a y e ds i g n a l s a r ec o r r e s p o n d i n gt ot h ed i f f e r e n tp e a k so ft h ec o s tf u n c t i o no ft h eb l i n de q u a l i z a t i o na n dt h e i m m u n en e t w o r ka l g o r i t h mc a l lf i n dm o s to ft h ep e a k se f f e c t i v e l y , t h em a x i m u mo ft h ec h a n n e l i i 南京邮电大学硕士研究生学位论文 a b s t r a c t o r d e rn u m b e rc a nb ee s t i m a t e db ys e a r c h i n gm u l t io p t i m a ls o l u t i o n si n c l u d i n gm u l t i - u s e r ss i g n a l a n dt h e i rd e l a y e ds i g n a l s t h i sm e t h o dc a ng e tp a r a l l e lb l i n dr e s t o r a t i o no fa l lu s e rs i g n a l s w i t h o u tk n o w i n gt h ec h a n n e lo r d e rn u m b e r s i m u l a t i o nr e s u l t ss h o wt h a tt h et h r e ei n t e l l i g e n ta l g o r i t h m sc a nr e s o l v et h eb l i n d e q u a l i z a t i o np r o b l e mr e s p e c t i v e l y , w h i c hg a v ef a i r l ys a t i s f a c t o r yp e r f o r m a n c ei nt h ec a s eo f u s i n gas h o r tr e c e i v i n gs e q u e n c eo n l y t h ec l o n es e l e c t i o na l g o r i t h ma n dt h ea r t i f i c i a li m m u n e n e t w o r ka l g o r i t h mc a ng e tb e t t e rp e r f o r m a n c et h a ng e n e t i ca l g o r i t h m k e yw o r d s ：b l i n de q u a l i z a t i o n ，b l i n ds o u r c e ss e p a r a t i o n ，m u l t i p l e i n p u tm u l t i p l e - o u t p u t ， g e n e t i ca l g o r i t h m ，c l o n es e l e c t i o na l g o r i t h m ，i m m u n i t yn e t w o r ka l g o r i t h m i i i 南京邮电大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及 取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经或撰写过的研究成果，也不包含获得南京邮电大学或其 它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所 做的任何贡献均已在论文中作了明确的说明并表示了谢意。 研究生签名：互交k 整日期：逸班，y 南京邮电大学学位论文使用授权声明 南京邮电大学、中国科学技术信息研究所、国家图书馆有权保留本人所 送交学位论文的复印件和电子文档，可以采用影印、缩印或其它复制手段保 存论文。本人电子文档的内容和纸质论文的内容相一致。除了保密期内的保 密论文外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权南京邮电大学研究生部办理。 研究生签名：曼越一日期：】q 箬笙影 导师签名 醐：掣 南京邮电大学硕士研究生学位论文 第一章绪论 1 1 研究背景与意义 第一章绪论 在高速无线数字通信系统中，信号通过无线信道时，由于信道多径传输、衰落、时延 扩展以及多普勒扩展等的影响，在接收端的信号会受到严重的符号间干扰( i n t e r - s y m b o l i n t e r f e r e n c e ，i s i ) ，使得误码率大大提高。为了消除符号间干扰，提高通信系统的可靠性， 在接收端需采用均衡技术，以消除符号间干扰。这种消除i s i 的信号处理方法就是均衡。 由于无线信道的时变特性，传统的均衡技术为了获得可靠的性能，依赖于周期性地发 送训练序列以获取信道信息，增大有效信道容量。盲均衡技术由于不需要发射端传输训练 序列而取得相同的均衡性能，在无线通信领域得到了广泛的应用。它可用于使用训练序列 代价昂贵或训练序列不可获得的情况。盲均衡不需要周期性地发送训练序列来更新信道估 计，因而节省了有限的带宽资源，有利于通信系统向宽带、高速、大容量方向发展。盲辨 识和盲均衡以及信号盲检测技术作为信号处理领域中的新兴学科，已经受到广泛的重视， 并成为通信信号处理的一个研究热点。 随着无线通信的发展，对高速数据以及多媒体业务需求的日益增长，多输入多输出 ( m u l t i p l e - i n p u tm u l t i p l e - o u t p u t ，m i m o ) 技术应运而生了。m i m o 技术己经并且必将继续 在未来的无线通信应用中发挥其巨大的潜力和价值。m i m o 技术作为提高数据传输速率的 重要手段，已经被认为是新一代无线传输系统的关键技术之一，得到人们越来越多的关注。 研究表明，m i m o 技术在不增加带宽和天线发送功率的情况下，可以大幅提高无线信道容 量和频谱利用率。但是m i m o 系统实现大容量的前提是接收机能对来自各发送天线信号进 行很好的去相关处理，而要进行较准确的去相关处理来恢复信号首先需要对信道进行比较 精确的估计，使接收端有较准确的信道信息，以正确地恢复被干扰和噪声污染的信号。因 此研究m i m o 系统的盲均衡具有及其重要的理论和实际意义。这也是本文立题的一个重要 原因。 智能算法是一种借鉴、利用自然界中自然现象或生物体的概念、机理或原理开发的方 法；迄今为止，新的智能算法不断涌现，在诸如最优化、模式识别、智能控制、计算机安 全、计算机网络、投资组合等领域均得到了发展和应用。同时，在解决最优化问题上，智 能算法具有较数学规划法不可替代的优势，如智能算法对优化目标函数的可微性、连续性、 多峰值等特性没有约束，而且对于解决n p 难问题具有一定的优势。本文利用智能算法的这 l 南京邮电大学硕上研究生学位论文 第一章绪论 些优势，将盲均衡问题转化为整数约束下的二次型优化问题，将智能算法的研究成果引入 到m i m o 系统的盲均衡技术中。反过来，通过成功解决盲均衡问题也能验证各种智能技术 的有效性与实用性。 基于以上背景，m i m o 系统的盲均衡智能算法具有一定的研究价值。本文正是在了解 当前的技术发展背景的情况下，提出了本文的研究课题，即“基于智能优化算法的m i m o 系统盲均衡研究 。 1 2 智能优化技术 智能优化算法作为智能算法的重要研究内容，研究者们已开发了较多的新智能工具， 如免疫遗传算法、免疫算法、混沌免疫算法、蚁群算法、噪声方法、变邻域搜索、巢分区 方法、思维进化算法、混合优化算法等。这些算法的出现显示了模拟或借鉴生物智能，开 发具有较高智能的信息处理系统并对其进行理论及应用研究具有重要理论和现实意义。处 理最优化问题的经典智能优化方法较多，但最为广泛被研究并具有代表性的方法是进化算 法( e v o l u t i o n a r ya l g o r i t h m ，e a ) 、模拟退火算法( s i m u l a t e d a n n e a l i n g ，s a ) 及h o p f i e l d 网络，而这其中进化算法又包括7 0 年代中期美国的h o l l a n d 提出的遗传算法( g e n e t i c a l g o r i t h m ，g a ) 、6 0 年代德国的r e c h e n b e r g 及s c h w e f e l 提出的进化策略( e v o l u t i o n a r y s t r a t e g y , e s ) 及6 0 年代美国的f o g e l 等提出的进化规划( e v o l u t i o n a r yp r o g r a m m i n g ，e p ) 。 而g a 又是这三种算法的代表，由于它们的算子具有可统一性，因此也可统称为e a 算法。 目前关于e a 的一般性理论研究，德国的r u d o l p h 获得了初步结果，研究范畴主要集中在 算法的收敛性，但要求的条件较强，如要求算法的状态转移矩阵满足正定性，这无疑导致 其应用受到极大限制，但是这研究标志着进化算法的理论探讨迈出了坚实的一步。 e a 是一种启发式随机搜索算法，这种算法是以个体构成的群体为状态并具有开采和 探测能力的群体学习过程，其由基于群体的选择、交叉及突变三种算子组成。选择操作反 映了物种进化的“适者生存，优胜劣汰”思想；交叉操作是自然演化的主要机制，其反映 了个体之间的信息传递和信息交换关系；突变操作使得群体搜索具有遍历性；选择、交叉 及突变分别反映了物种进化过程的特定运行机制，这三种算子在g a 、e s 及e p 的重要程 度有所不同。g a 以选择和交叉为主产生多样的和高适应度的个体，突变仅起到微调群体 多样性的作用；e s 及e p 主要通过突变产生多样的个体，通过选择方式产生好个体；e s 与e p 的主要区别在于：e s 的选择为确定性选择且含有交叉操作，而e p 无交叉操作及选 择为k 联赛选择。本文下面对两种智能优化技术一遗传算法和人工免疫算法a i a - 2 南京邮电大学硕士研究生学位论文 第一章绪论 ( a r t i f i c i a li m m u n ea l g o r i t h m ) 作简要概述。 1 2 1 遗传算法研究进展及发展方向 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是一种大规模并行搜索优化算法，它模拟了达尔 文“适者生存”的进化规律和随机信息交换思想，仿效生物的遗传方式，从随机生成的初始 解群体出发，开始搜索过程。解群体中的个体称为染色体，它是一串符号，可以是一个二 进制字符串，也可以是十进制字符串或采用其他编码方式形成的码串。对父代( 当前代) 群体进行交叉、变异等遗传操作后，根据个体的适应度( f i t n e s s ) 进行选择操作，适应度 高的个体有较高的概率被选中并复制到下一代，如此产生的子代通常优于父代，这个过程 称为进化。上述过程循环执行直至满足停止条件，最终使优化过程以大概率趋于全局最优 解。 遗传算法起源于对生物系统所进行的计算机模拟研究在2 0 世纪6 0 年代，美国密西根大 学的h o l l a n d 教授及其学生们受到这种生物模拟技术的启发，创造出了一种基于生物和进化 机制的适合于复杂系统优化计算的自适应概率优化技术遗传算法。随后，由于实践中复 杂系统优化计算问题的大量出现和遗传算法本身的优点，国内外有许多学者对遗传算法进 行研究，引起了遗传算法研究的热潮。 第一个把遗传算法用于函数优化的是h o l l s t i e ，1 9 7 1 年他在论文 a r t i f i c i a lg e n e t i c a d a p t a t i o ni nc o m p u t e rc o n t r o ls y s t e m s ) ) 中阐述了遗传算法用于数学反馈控制的方法，主要 讨论了二变量函数的优化问题。 1 9 7 5 年，是遗传算法发展史上重要的一年，美国密西根大学的心理学教授、电子工程 学与计算机科学教授h o l l a n d 在专著( a d a p t a t i o ni nn a t u r a la n da r t i f i c i a ls y s t e m s ) ) 中，系统 地阐述了遗传算法的基本理论和方法，提出了对遗传算法的理论研究和发展极为重要的模 式理论( s c h e m a t at h e o r y ) ，为遗传算法的研究奠定了数学基础。同年，d ej o n g 在其博士 论文( a na n a l y s i so f t h eb e h a v i o ro fac l a s so fg e n e t i ca d a p t i v es y s t e m s ) ) 中结合了模式定 理进行了大量的纯数值函数优化计算试验，树立了遗传算法的工作框架，得到了一些重要 且具有指导意义的结论，同时，他还建立了著名的d ej o n g 五函数测试平台，定义了遗传算 法性能的在线指标和离线指标，为遗传算法的深入研究奠定了坚实基础。 上世纪8 0 年代，遗传算法开始成为人工智能研究的一个热点。1 9 8 7 年，d a v i s 出版了 g e n e t i ca l g o r i t h ma n ds i m u l a t e da n n e a l i n g ) ) 一书，以论文集形式用大量的实例介绍了遗 传算法的应用技术。1 9 8 9 年，美国亚拉巴马大学的d a v i dg o l d b e r g 出版了专著( g e n e t i c 3 南京邮电大学硕士研究生学位论文 第一章绪论 a l g o r i t h mi ns e a r c h ，o p t i m i z a t i o na n dm a c h i n el e a m i n g ) ) 一书，全面介绍了遗传算法，使 其得以进一步普及和推广。 上世纪9 0 年代，遗传算法不断向广度和深度发展。1 9 9 1 年，l a w r e n c ed a v i s 出版了 ( h a n d b o o ko f g e n e t i ca l g o r i t h m ) ) 一书，详尽地介绍了遗传算法的工作细节。1 9 9 2 年n i c o l n s c h r a u d o l p h 提出了动态参数编码的方法。1 9 9 4 年，g r u d o l p h i j 采用马尔可夫链对标准 遗传算法进行分析，并提出了最佳保留遗传法；m a p o t t e r 1 2 】利用协同进化算法求解了多 变量函数的极值。1 9 9 6 年z m i c h a l e w i c z 的专著( ( g e n e t i ca l g o r i t h m s + d a t as t r u c t u r e = e v o l u t i o n p r o g r a m ) ) 深入讨论了遗传算法的各种专门问题。自1 9 8 5 年起，遗传算法及其应用国际会议 每两年召开一次，遗传算法基础会议也于1 9 9 0 年召开，随后于1 9 9 2 ，1 9 9 4 ，1 9 9 7 年举行。 有关a i 的会议和刊物上大多会有c a 的专题或论文。另外，文献【1 3 】对模式定理作了进一步 的研究，丰富了遗传算法的数学基础。到目前为止，g a 己渗透到很多领域，成为多学科结 合和渗透的产物，为一些实际问题的解决发挥重要的作用。生物进化的历史比任何数学证 明都强有力，随着遗传学、进化论及分子生物学最新研究成果的不断涌现，遗传算法也在 吸收这些成果的同时自身也得到了发展。 近年来，遗传算法的应用无论是建模还是用来解决实际问题，其范围不断扩展，这主 要依赖于遗传算法的逐渐成熟，而且出现许多遗传算法的改进方法，它们使用不同的遗传 基因表达方式，不同的交叉和变异算子，使用特殊算子，以及不同的再生和选择方法。但 总的说来，这些改进方法产生的灵感都来自于大自然的生物进化。针对遗传算法的不足， 研究者们从统计学的观点出发，从概率模型的角度提出了p m b g a ( p r o b a b i l i s t i cm o d e l b u i l d i n gg e n e t i ca l g o r i t h m ) 算法，对其进行了明确的归类和多方位的对比与数学分析【1 4 , 1 5 】， 并用基因表达算法将生物内部信息流模仿成关系搜索理论的进化算法【1 6 ，1 7 1 。 目前，遗传算法的研究热点集中在算法设计、收敛性研究、机器学习、算法实现方法 等方面。同时，随着遗传算法理论的深入研究，遗传算法也得到了广泛的应用。例如：函 数优化、组合优化、生产调度问题、自动控制、图像处理、人工生命、遗传编程、机器学 习。 遗传算法在各种问题的求解与应用中展现了其特点和魅力，但同时也暴露出它在理论 和应用上的诸多缺陷与不足。如何建立一套完善的理论以描述、解释和预测遗传算法行为 还有待进一步加强和深入，相对于鲜明的生物基础，其数学基础显得极为薄弱，另外，遗 传算法对生物进化模仿做了很大的简化，遗传算法不可能全部了解也不可能全部模仿，一 些学者甚至对模式定理的正确性提出了质疑1 2 0 1 。所以，遗传算法基础理论的开拓与深化， 4 南京邮电大学硕士研究生学位论文 第一章绪论 以及更通用、更有效的操作技术和方法正引起人们的高度重视。 目前的研究重点主要集中在以下几方面： 1 ) 算法的数学基础：包括算法的收敛性理论【1 吼，早熟现象与欺骗问题1 1 9 】，交叉算子 的数学意义与统计解释【2 0 1 ，参数设置对算法的影响等； 2 ) 算法与其他优化技术的比较和融合：在n of r e el u n c h 2 1 】定理的基础上，充分利用 遗传算法的大范围群体搜索性能，与快速收敛的局部优化方法混合产生有效的全局优化方 法，从根本上提高遗传算法计算性能【翻； 3 ) 算法的改进与深化：根据实际应用不断改进与完善算法的编码策略【2 3 1 、基因操作 方法【1 6 1 7 1 、参数选择1 2 4 1 等，而不是停留在仅应用遗传算法解决一般问题的低层次上； 4 ) 算法的并行化研究：遗传算法本质上具有很好的并行特性，而且效率很高，这也 是遗传算法能够有效搜索的根本原因之所在。并行遗传算法( p g a ) 正成为一个重要的研究 方向，并已取得了一定的成绩【1 7 矧。 1 2 2 人工免疫系统 生物免疫系统( b i o l o g i c a li m m u r l es y s t e m ) 是一种高度并行的、分布式的自适应系统， 它是脊椎动物体内能够识别和排除抗原性异物，保护机体免受损害以及维持机体内部环境 稳定的极为复杂的生物学系统，在免疫系统中，外来的细菌、病毒等“非己”物质称为抗原， 负责识别和清除抗原的是抗体。抗体与抗原的匹配程度用亲合力表示。当亲合力超过某一 闭值时，即表示抗体与抗原匹配成功，免疫应答过程被启动。此时，与外来抗原匹配的免 疫细胞被激活并大量增生，分泌出抗体，这些抗体与抗原结合将抗原消灭。那些能够参与 免疫应答的细胞，会被记忆下来而长期保存在免疫系统中，当相同或相似的抗原再次入侵 机体时，免疫系统会产生所谓的“二次应答”，能更快、更准确、更有效地消除抗原。所 以，生物免疫系统具有学习、记忆及联想的功能。 从信息处理的观点看，免疫系统是与遗传系统、神经系统并存的人体三大信息系统之 一。它具有如下的功能：模式识别能力，并行信息处理能力，学习能力，记忆与联想能力， 自适应能力，自组织自调整能力以及抗体的多样性保持能力。正是因为免疫系统所具有的 这些优良特性，引发了工程领域内众多研究人员对免疫系统极大的研究兴趣。研究者们根 据问题的需要，从生物免疫系统中抽取若干个特性，建立了很多人工免疫系统( a r t i f i c i a l i m m u n es y s t e m ，a i s ) 和人工免疫算法( a r t i f i c i a li m m u n e a l g o r i t h m ，a i a ) ，以解决复杂的 工程实际问题。目前，在a i s 和a i a 中，主要采用了三种生物学免疫原理，即免疫网络理 南京邮电大学硕士研究生学位论文 第一章绪论 论，反向选择机制以及克隆选择原理。 免疫系统及免疫算法研究现状 1 9 5 8 年，澳大利亚学者b u r n e t 率先提出了克隆选择原理，1 9 9 9 年，h u n t 进一步发展 了克隆选择理论，并且提出了高频变异学说，这是克隆选择扩增期间产生的重要变异形式。 1 9 7 4 年，诺贝尔奖获得者，生物学家、医学家、免疫学家j e m e 提出了免疫网络理论并建 立了数学模型，奠定了免疫计算的基础。之后f a r m e r 、p e r e l s o n 、b e r s i n i 、v a r e l a i 等学者 分别在1 9 8 6 年、1 9 8 9 年和1 9 9 0 年发表了有关论文，在免疫系统启发实际工程应用方面做 出了突出贡献，他们的研究工作为建立有效的基于免疫原理的计算系统和智能系统开辟了 新的道路。1 9 9 4 年，美国学者f o r r e s tp e r e l s o n 等人提出了否定选择算法【2 5 1 ，用来生成检测 器，完成了检测器的耐受过程，并提出了计算机免疫系统的概念。同时，美国著名公司i b m 也较早地开始了对计算机免疫系统的研究，己经成功地开发了用于病毒防护的计算机免疫 系统。1 9 9 7 年，d e a t o n 等人提出了一种基于分子的人工免疫系统 2 6 1 ，用来模仿自然免疫 系统的这种能力，目的是保护计算机免受计算机病毒和其他因素的破坏经过长时间的研 究，d a s g u p t a 于1 9 9 9 年建立了一套计算机免疫系统 2 7 1 ，用来抵御外来入侵，保障计算机 系统的安全。2 0 0 2 年，c a s t r o 和t i m m i s 对否定选择算法做了一定的修改【2 8 】，把变异引进 到其中。同年，k i m 和b e n t l e y 提出了动态克隆选择算法 2 9 1 。目前世界上绝大多数人工免 疫系统研究成果出自美国、英国、日本。而巴西c a m p i n a s 大学的d ec a s t r o 博士最早在其 博士论文中总结了人工免疫系统，并试图建立人工免疫系统的统一框架结构。 下面简要介绍一下人工免疫模型和人工免疫算法： 人工免疫模型 基于生物免疫原理，人们设计了多种人工免疫模型，主要有以下几种： 1 ) 独特型免疫网络模型 j e m e 首次提出了独特型免疫网络模型，在这一模型中，淋巴细胞通过识别而相互刺激 或抑制，因而形成一个相互作用的动态网络，免疫系统对抗原的识别不是局部行为，而是 整个网络的整体行为，可用一个不等式来描述免疫网络的动态特性。s t a d l r 在j e m e e r 的工 作的基础上提出了一种独特型免疫网络的数学模型，模型中细胞的繁殖由一个非负的、对 称的函数控制，用动态方程来描述免疫网络的动态行为。h i r a y a m a 用数学方程描述独特型 免疫网络在短时间内的动态行为。 2 ) 多值免疫网络模型 t a n g 基于免疫系统中b 细胞和t 细胞的相互作用机理，提出了一种多值免疫网络模 6 南京邮电大学硕士研究生学位论文 第一章绪论 型用于模式识别，这种模型不但具有良好的记忆能力，而且还可以抑制噪声。在模型中， 抗原作为输入模式，b 细胞作为输入层，辅助t 细胞作为输出层，辅助t 细胞与b 细胞的 连接权值作为记忆模式，抗体作为输入模式与记忆模式的误差。多值免疫网络通过模式输 入、激活细胞、记忆模式与输入模式的比较和调节、t 细胞与b 细胞连接权值4 个步骤来 学习，最终使记忆模式接近输入模式，达到模式识别的目的。 3 ) 免疫联想记忆模型 免疫系统在消灭抗原后，通过生成记忆细胞实现对该抗原记忆。s m i t h 指出免疫记忆 是一种具有鲁棒性的联想记忆，并且将它与分布式记忆( d i s t r i b u t e dm e m o r y ) 相比较，指 出二者的相似性。a b b a t t i s t a 基于免疫网络的学习和自适应原理提出了免疫联想记忆模型， 用于模式识别。该模型用疗维空间中的某些特定点来记忆模式，分为学习和回忆两个阶段。 学习阶段可以找到代表输入模式的空间中某些特定点，回忆阶段可以在学习得到的模式中 找到与输入模式相匹配的模式。 除以上种免疫模型外，l a g r e c a 提出免疫系统的二进制模型用来描述b 细胞群体的进 化行为，并对其动态行为进行了研究。t a r a k a n o v 基于免疫系统中抗体和抗原的相互作用原 理建立了免疫系统的数学模型。z a k 模拟免疫系统的功能提出了免疫系统的随机模型，这种 模型具有自己非己识别、自修复等功能，为信息处理和计算提供了一种方法。 人工免疫算法 根据不同的免疫免疫机理己提出多种免疫算法，对其中一些免疫算法介绍如下： 1 ) 反向选择算法 免疫系统中的t 细胞在胸腺中发育，与自身蛋白质发生反应的未成熟t 细胞被破坏掉， 所以成熟的细胞具有忍耐自身的性质，不对自身蛋白质发生反应，只对外来蛋白质产生反 应，以此来识别自己与非己，这就是所谓的反向选择原理。 f o r r e s t 2 5 1 基于反向选择原理提出了反向选择算法用来异常检测，算法主要包括两个步 骤：首先，产生一个检测器集合，其中每一个检测器与被保护的数据不匹配；其次，不断 地将集合中的每一个检测器与被保护数据相比较，如果检测器与被保护数据相匹配，则判 定数据发生了变化。f o r r e s t 用概率分析的方法估计了算法的可靠性与检测集合大小的关系。 该算法的显著特点是异常检测时不需要先验知识，具有很强的鲁棒性：其缺点为当被保护 的数据变长时，集合中检测器的数量按指数率增加，产生检测器的代价过大。针对这一缺 点，h e l m a n l 3 5 1 提出一种更有效的检测器产生算法，使得集合中检测器的数量随着数据的长 度按线性增长。p a t r i k l 3 6 1 对反向选择算法进行了理论分析。 7 南京邮电大学硕士研究生学位论文 第一章绪论 2 ) 免疫遗传算法 c h t m 3 7 l 等提出了一种免疫算法，实质上是改进的遗传算法。根据体细胞和免疫网络理 论改进了遗传算法的选择操作，从而保持了群体的多样性，提高算法的全局寻优性能。通 过在算法中加入免疫记忆功能，提高了算法的收敛速度算法中把抗原看作目标函数，抗体 看作问题的可行解，抗体与抗原的亲和力看作可行解的适应度。算法中引入了抗体浓度的 概念，并用信息嫡来描述，表示群体中相似可行解的多少。算法根据抗体与抗原的亲和力和 抗体的浓度进行选择操作，亲和力高且浓度小的抗体选择概率大，这样就抑制了群体中浓 度高的抗体，保持了群体的多样性。将免疫算法与进化策略、遗传算法相比较，指出免疫 算法的特点与优点。 3 ) 克隆选择算法 c a s t r o 3 8 1 提出基于免疫系统的克隆选择理论提出克隆选择算法，该算法是模拟免疫系 统学习过程的进化算法。免疫应答产生抗体是免疫系统的学习过程，抗原被一些与之匹配 的细胞识别，这些细胞分裂，产生的子细胞在母细胞的基础上发生变化以寻求找到与抗原完 全匹配的细胞，细胞变成浆细胞产生抗体，这一过程就是克隆选择过程。克隆选择算法模 拟这一过程进行优化，其计算步骤为： ( 1 ) 产生一个初始群体； ( 2 ) 根据个体评价值，选出一部分最好个体； ( 3 ) 被选出的每个体克隆出若干个体，并使其发生变异，从而形成下一代群体； ( 4 ) 从群体选出一些最好个体加入一记忆集合，并用记忆集合中的一些个体替换群体 中的一些个体： ( 5 ) 用随机产生个体替换群体中一部分个体； ( 6 ) 返回( 2 ) 循环计算，直到满足结束条件。 c a s t r 0 1 3 9 进一步将免疫网络理论和克隆选择算法相结合，提出了人工免疫网络学习算 法用于知识发现，冗余数据挖掘，自动分类，并对算法的参数灵敏度特性进行了分析。 4 ) 基于免疫网络的免疫算法 n a r u a k i 4 0 4 1 】提出基于主要组织相溶性复合体和免疫网络理论提出一种自适应优化的 免疫算法，用于解决多艾真体中每个艾真体的工作域分配问题。算法主要分两步： ( 1 ) m h c 区别自己和非己，消除智能体中的竞争状态；( 2 ) 用免疫网络产生智能体的自适应 行为。n - t s p 问题的仿真表明，该算法具有自适应能力，并比遗传算法具有更高的搜索效率。 除了以上主要免疫学习算法外，h 嘶f 4 2 】提出了一种包括骨髓、b 细胞网络、抗原和抗 8 南京邮电大学硕士研究生学位论文 第一章绪论 体的免疫学习算法；l s h i d a 3 5 1 提出了基于智能体结构的免疫算法。 1 3 无线m i m o 技术 随着无线通信的发展，在新一代的无线通信系统中，人们对高速率，高质量的服务需 求更高，这就要增加系统的容量和网络连接的可靠性。但是有限的频谱资源日益紧张。同 时，无线传输环境中的衰落，多径失真不容忽视。为此人们提出了用多输入多输出( m u l t i p l e i n p u tm u l t i p l eo u t p u t ，m i m o ) 来解决上述问题。研究表明，m i m o 技术可以在不增加带 宽的情况下成倍地提高通信系统的容量和频谱的利用率。m i m o 技术将是新一代无线通信 的关键技术已经成为通信领域的研究人员的共识。 1 3 1m i m o 系统的概念 在传统的无线系统中，根据c e s h a n n o n 给出的信道容量公式c = w l o g ：( 1 + s n ) ， 增加信噪比可以提高频谱的使用效率，在蜂窝( 多用户) 方案中，由于来自其他用户的干 扰电平通常高于系统的热噪声，所以在这种情况下增大发射功率似乎对增加信道容量没有 太大的帮助。提高频谱使用效率的另一种方法是使用分集技术。如果发射端使用单根天线， 接收端使用多根天线，这种分集通常称为接收分集，也称之为单输入多输出( s i n g l e - i n p u t m u l t i p l e - o u t p u t , s i m o ) 系统，采用最佳合并的接收分集技术通常能改善接收端的信噪比 ( s i g n a l - n o i s er a t e ，s n r ) ，从而提高信道的容量和频谱的使用效率。如果发射端使用多 根天线，接收端使用单根天线，这种分集通常称为发射分集，也称之为多输入单输出 ( m i s o m u l t i p l ei n p u ts i n g l eo u t p u t ，m i s o ) 系