基于蚁群优化的SIMO系统盲检测研究

第一章绪论1.1问题提出及研究意义1.1.1问题的提出自然界中的很多带有群居特性的动物，他们在单个个体行动的时候表现得非常随机，没有规律性，但如果他们群体行动时，他们的行为会变得极具规律性和复杂性。就好像很多单体的蚂蚁，在它们成为蚁群的时候却能完成捕食、抗敌、筑巢等高级活动。这种由单体互相结合成群体才出现的这种自发组织性行为，我们把这种现象就叫做该群体的群体智能。人们通过对这种具有自发组织性行为的群体所特有的群智能特性进行研究，在经过对这类生物的社会性系统一定的分析和模拟之后，得出了一系列不同于经典数学体系中的规划原理但同样适用于解决传统问题的解决方法，那就是我们所说的群智能算法。群智能算法有很多，其中最让人们为之惊叹的是，蚂蚁在寻找食物时，总是能以蚁穴和食物为两端，在其中发现一条最短的路径。蚂蚁是没有视觉的，他们如果想要去寻找一条路径，要靠之前在这条路径上走过时所留下的信息素去寻找。而这种信息素也是各个蚂蚁互相传递信息的关键，只要在一定范围之内，这种信息素都可以被蚂蚁们感受到，他们选择路径时优先考虑信息素比较浓的方向。由于蚂蚁会优先选择浓度大的路径，所以这相当于是一个信息素的累和，这样就会把所有的信息汇聚到一条路径上，然而其他的路径上的信息就会减少，根据这种方式意大利科学家DorigoM提出了蚂蚁算法。强鲁棒性、全局收敛能力和分布式计算是这个算法的优点，因此，仅仅过了差不多十年，在许多优化领域中都应用了这类算法，不管是连续或者离散的组合优化问题，它都能表现出极为良好的性能。在当前，许多实际的问题中也有蚁群算法的身影，譬如旅行商问题、信号的盲检测问题等，在这类问题上，蚁群算法都有着非常良好的表现。但是该算法自发现以来，时间还是太过短暂，还有许多的问题需要进一步的探讨和发掘，不管是在理论还是在实践中，蚁群算法都展现了其强大的潜力。在以后科技进步的推动下，群智能算法必将成为主流。所以蚁群优化这类话题必将成为持续的热点且极具前瞻性。1.1.2研究意义当今社会处于一个信息化高速发展的时代，由于信息传输技术的不断发展和日益增长的用户信息需求，我们必须要提高可靠性才能避免在传输信号的时候出现的各种失真现象。除了将失真信号恢复成正常信号，我们更需要做的是在发送端就对信号进行的检测，从而避免信号的畸变。蚁群算法可以解决复杂的组合优化问题，而信号的盲均衡正好可以等效成这类问题。在这种想法的基础上，本文详细研究了蚁群算法在现代通信技术中的应用。移动通信在飞速发展，终端设备在用户侧似乎显得不是那么重要。陆地通信在1980年左右进入高速发展时期，蜂窝网技术也是与此同时日益成熟。短短20年之内，移动通信系统就从1G发展到了2.5G。第一代通信系统属于模拟通信系统，而到了第二代就发展成为了数字通信系统，性能有了相当大的提升；多址接入的方式也经历了巨大的变化，从频分多址、时分多址最后再到码分多址，随着技术的变革和科技的更新换代，系统性能产生了巨大的进步。在2.5G之后的3G技术又称为码分多址技术，在第三代无线通信系统中，空中接口的最佳选择就是CDMA技术。但是对于码分多址系统而言，一个良好的传输环境需要的条件是非常的难得的。但是会产生一定的干扰，主要有以下几种干扰的方式：（1）多径效应：其产生的主要原因是由于信道传输特性的不理想，通常我们将其称为码间串扰。（2）多址干扰：我们平时用蜂窝移动网络进行通信时，必定有大量的用户在同时进行通讯，而在CDMA中不管是时域或者频域里都会有大量的用户在同一时间段占用，但地址码的选取却大不相同，但是由于有多个地址码，地址码之间也会引起相互的干扰，互相关系数状态不能达到理想状态，码间干扰也由此产生，此时，我们为了解决这种情况的出现，必须要使用一定得技术——抗衰落技术。部分响应技术、均衡技术、RAKE接收机等都是抗衰落技术中的重要组成部分。（3）加性白噪声：它是存在于信道中的一种附加噪声。它主要由设备中的有源和无源组件产生。它属于高斯分布，拥有平坦的功率谱。它被称为加性白噪声。本课题的研究成果，就是建立在SIMO系统中的均衡技术之上，它可以起到一种补偿的效果，使信道特性趋于正常，在这个过程中需要采用盲均衡技术，通过采用这种技术能够有效的利用资源，提高信息的传输的效率，减少了信道资源，所以研究盲均衡技术的重要性不言而喻。1.2国内外研究现状1.2.1蚁群算法研究现状中国蚁群算法从上个世纪末开始有学者开始着手进行研究，但绝大多数还是浮于表面，只是对基本的算法进行一定得改进和优化。在此之后人们对蚁群算法的研究不断深入，渐渐的蚁群算法脱离了一般化的优化算法而独树一帜，并且之后成为各种大型学术交流会的热门话题。因此，该算法逐渐被许多学术界所采用并被众多学者们所关注，且逐渐成为他们研究的主题。该算法已成功用于解决TSP问题。在不同的优化系统中也能见到蚁群算法的身影。各种各样的改进蚁群算法也被应用到了实际生活之中。目前蚁群算法相比之前有了极大的区别和改进，从离散域到连续域，从静态到动态，都展现出其强大的发展潜质，可以说其发展的前途是十分光明的。1.2.2盲检测技术发展及现状研究引起码间干扰的因素非常的多，例如信道传输特性不理想，各种各样的快衰落慢衰落的存在或者瑞利衰落等都是其产生条件。信道失真会导致接收端波形的严重畸变，从而使误码率增加，通信系统的可靠性大幅度下降，此时也会严重影响到通信的传输质量。此时为了恢复正常通信，必须要补偿信道中失真的部分，此时就用到了我们上文中所提到的均衡技术。均衡技术也存在一些弊端，比如训练序列在信号传输之前就要发送，或者根据信道的先验知识识别和估计信道，因为训练序列的存在，将会大大占用频谱资源，从而影响整个通信系统的有效性。这时候盲均衡就应运而生。由于盲均衡技术的存在，我们可以在传输信号之前不用发送训练序列就可以实现信号的高质量传输，我们所需要做的就是在接收端将未知的发送信号进行简单的恢复即可。盲均衡的出现使通信系统中有效性和可靠性两大指标做到齐头并进，不仅能保证传输质量，而且在传输的效率方面也能有非常不错的表现，所以不管在各种军事、商业领域中都有着非常优异的表现。第二章蚁群算法原理2.1蚁群算法的基本原理意大利学者Dorigo.M，Maniezzo.V对于蚂蚁外边寻找食物的行为进行分析和研究，对于这些行为尽心总结规律，进而提出了蚂蚁优化算法。这是一个随机搜索寻求最优解的算法分析蚂蚁群体的演化过程候选解决方案被很好的广泛应用于组合等领域优化，网络路由，功能优化，数据挖掘和机器人路径规划等。这个算法的出现引起了学者们的十年来密切关注该算法具有一定的兼容性，并且能够和其他的算法一块进行使用。还有其良好的性能已经显示出解决复杂的优化问题。作为并行搜索算法，ACO是更适合解决中的优化问题复杂的环境。因此，它将有一个伟大的学术意义和工程价值：ACO的理论分析和适用研究。至今，ACO已应用于数据分析、通讯、水利、采矿、化学、建筑和交通、电气、解决多机器人协调问题。经过大量仔细观察和深入研究，仿生学家发现蚂蚁会留下一种物质在去寻找食物的路上叫信息素。然后更多的蚂蚁会采取同样的方式，这种物质将越多留在这条路上。结果，会有之后会有更多的蚂蚁采取相同方式的概率，通过这种沟通方式，蚂蚁可以持续找到他们的食物。蚁群算法主要是对于蚂蚁外边寻找食物的过程进行模拟，在这个蚂蚁群体中有很多的蚂蚁，每个蚂蚁都可以进行采取一条路径进行寻找植物，并离开它得到的解决方案上的一些信息素。更好的解决方案表现是：信息素越多蚂蚁会离开它，然后会有更大的具有更多信息素的解的概率选择。在算法的初始阶段，所有解决方案拥有相同数量的信息。随着算法的深入，信息量在更好的解决方案之上将叠加和算法逐渐变得趋同。2.1.1蚁群优化的算法机制由于蚁群优化算法是因为蚂蚁在日常活动中的某种特殊现象启发而来，所以为了做好仿生，我们要格外注意以下几点：（1）蚂蚁之间主要是通过周围的环境以及一些信息进行信息沟通的，并且沟通受到周边的环境的影响。(2)蚂蚁是一种生物，这样就会导致会受到基因的影响，会产生一定的行为，并且行为受到外界的环境的影响。(3)蚂蚁在外界的环境做出的行为不是随机的，而是独立的进行选择，蚁群的行为是群体的行为，具有一定的组织性。基于以上假设，蚁群进行寻找食物的行为是通过相关的信息进行沟通，通过信息沟通进行对于食物进行寻找。在蚂蚁进行寻找食物的过程中是根据信息进行对于食物寻找，这个过程中具有信息发挥的机制，主要是根据信息素进行寻找食物。由于蚂蚁的群体的数量较多，并且在进行寻找食物的过程中会留下一些信息素，这样就会随着时间的推移，通过每一条路径上留下的信息素进行对于路径进行优化，这样能够找到食物的最短的路径，通过信息反馈的信息建立了正反馈机制。蚁群算法正是利用这一机制构造一定的解空间并利用评价函数对其进行评价，通过这种方式能够找到最优的解，减少了算法的复杂性，减少了资源的浪费。在进行蚁群算法的过程中采用的是概率搜索的技术，在一定的范围内进行搜索，并且不断的缩小搜索的范围，这样能够在最短的时间内找到最优解。正是通过正反馈机制的作用进行获得最优解，降低了资源的浪费。2.1.2蚁群算法模型的建立1、对蚂蚁个体的抽象蚁群算法主要是通过蚂蚁外出寻找食物的行为所得出的，通过对于蚂蚁个体的抽象，在这个过程中不必要对于蚂蚁的个体的行为进行全部的展现出来。通过对于这个过程进行分析以及模拟，进行建立出蚂蚁算法。2、问题空间的描述蚁群算法可以通过图来进行描述问题的空间，这样能够对于问题的空间进行深刻的描述。寻找路径的抽象蚂蚁在寻找食物的行为利用函数的方式进行分解，将路径进行抽象化，将信息素在图片上进行展示，能够形象的描述出蚂蚁寻找食物的轨迹。4、信息素挥发的抽象蚂蚁为了生存需要在自然界内进行寻找食物，在这个过程中会产生信息素，所以可以通过算法的方式进行模拟蚂蚁寻找食物的方式。蚂蚁每移动一下就会产生信息素。5、启发因子的引入蚂蚁寻找食物是一种组织的行为，如果进行模拟这个过程需要花费大量的时间。然而通过算法的方式会减少模拟的时间。所以就需要引用启发因子，通过这种方式能够增加时间的有效性。2.2蚁群算法的研究进展由于信息素更新方式的不同，所以也会导致进行采用的算法也就不同。应该根据实践的不同合理的进行选择蚂蚁算法。但是蚂蚁算法在使用的过程中也存在一定的缺陷，存在着最小规模的问题，这个问题的存在导致算法会有一定的迟钝性，是运行的效率达大的降低。所以经过不断的演化所以出现了最大最小蚂蚁系统，通过采用这种算法提高了蚂蚁算法的运行的效率，提高了对于资源的利用率。但是这种蚂蚁算法也存在着一定的弊端，各个解的信息素差异，减少了求解的准确性。为了更好的提高求解的准确性，出现了润滑的机制。2.3蚁群算法优缺点优点：拥有较强的健壮性，具有普遍性，同时有一定的全局性便于分布式计算易于与其他的方法相结合，具有很强的兼容性。缺点：计算有较大的时间复杂度，而且在一定启发因子的情况下会出现停滞所有路径的信息素增量都会导致错误的引导路段的重要性没有体现在信息素的均匀分配策略之中2.4蚁群算法的应用及发展2.4.1蚁群算法的应用1、蚁群算法在聚类中的应用蚁群算法能够更好的解决聚类问题，能够快速的对于数据进行分类，这样能够提高数据分类的效率。2、物流中的应用蚂蚁算法被广泛的应用在物流生产的过程中，通过应用蚂蚁算法然后对于物流运输的路径进行优化，提高了物流运输的效率，降低了物流企业运输的成本。3、机器人中的应用蚂蚁算法被广泛的应用在机器人生产过程中，这样能够有助于制定机器人行走的录像，并且对于路径进行一定的优化。4其他应用蚂蚁算法还能解决网络路由问题，能够使得网络更加的舒畅通，并且还可以对图像将进行相关的处理，提高了图像的清晰度。由于路由器无线的规模非常庞大，所以可以采用蚂蚁算法这样有助于对于电路线路进行有规律的不像，提高了布线的效率。2.4.2蚁群算法的发展蚂蚁算法具有一定的优势，但是很少在实际应用的过程中进行应用，虽然对于蚂蚁算法不断的进行深入研究。这样使得解决连续问题的难度大大的降低。由于蚂蚁算法在进行应用的过程中会产生很多信息素，这样就可以解决更加复杂的数学问题。随着互联网时代的不断的到来，计算机被广泛的应用。然而蚂蚁算法应用在计算机互联网上，能够更好的发挥其应有的作用，解决更加复杂的数学问题，使数学问题，更加的简单方便。2.5本章小结第二章先介绍了蚁群算法的基本原理，接着讲述了怎么样建立蚁群算法的模型，之后介绍了一下蚁群算法的进展，总结了蚁群算法的优缺点，使读者能够更加深刻了解该算法，最后介绍了蚁群算法这几年的实际应用与发展，表达了对蚁群算法的信心和期望。第三章盲检测的概述在我们的日常通信中，常常会遇到通信质量下降的情况，而这种情况一般都是由于信号在传输过程中的失真，上一个时隙信号的波形蔓延到下一个时隙，造成波形的重叠紊乱而导致码间串扰引起的。此时我们就要运用到之前提到过的均衡技术，以便能恢复正常的信号。均衡有两种方式，一种是要根据信道本身的先验知识来辨识或均衡，另一种就是要发送训练序列。第一种在无线信道中并不适用，因为我们很少能够直接获取先验概率，而后一种的话需要发送训练序列，这样就会比较浪费频谱资源。盲检测技术就在此基础上而来，他不需要发送训练序列，也不需要知道信道中的先验知识，只需要接收序列本身的先验知识便可以用来均衡信号，是一种在均衡发面的新技术，既可以与无线信道相结合，又可以节省一定的频谱资源，提高系统的有效性，并且在此基础上可以保证信号的准确无误的传输，在实际中，盲均衡技术也是一项非常重要的技术。3.1盲均衡的提出新世纪步入信息时代，在信息社会中最重要的技术就是数字通信技术了。但是在信号的传输过程中，由于信道本身的特性不理想或者外间干扰，很容易出现码间干扰，对信号的传输造成影响，从而干扰通信质量和效率，而此时我们为了恢复正常的通信，将信号的波形恢复成畸变之前的样子，就需要用到均衡技术对系统特性进行补偿。所谓均衡技术，就是在传输正常的能够通信的信号之前，需要多加一个步骤，那就是要发送训练序列，叫做自动均衡，而训练结束后，用判决信号代替训练信号继续进行调整，这种均衡叫做定向决策均衡。这些均衡技术在当时，基本可以解决相当多的实际问题，但是随着用户的需求也在日益增长，慢慢的自适应均衡技术的弊端也展现了出来：1)系统有效性过低，训练序列在发送时就占用了大量的频谱资源，对于大数据的传输，时间的需求量可能会非常的大。2)如果信道是时间变化信道，那么就必须不断地发送大量的训练系列，保证对信道准确的评估。3)在部分特殊的通信网络中，例如需要点对点进行通信。如果一个信道出现了问题，那么再重新进行均衡的过程中，会阻碍别的信道进行通信，造成暂时性的通信瘫痪。4)如果存在加密信号，在警用军用的过程中，必须要严格的保证私密性，这个时候就没办法去发送训练序列，否则十分容易被截获。为了解决上述出现的问题，我们就采用了一种新型的均衡技术——盲均衡技术，盲均衡技术可以不用发送训练序列，只借助接受序列本身的先验信息即可。人类可以在公共场所也能分辨有效的信息，但是对于目前的技术而言，仪器很难从诸多噪声源中提取出有用信号，这是一个非常精密的技术。我们通过将接收信号和之前发送的训练信号来进行比对，就能得到传输信道的性能表征，这是对于一般情况的均衡技术而言的。然而，在盲信号处理中，不需要发送训练序列。我们如果想从输出信号中得到未知发送信号，那就要设计一个滤波器，并且采用盲分离技术。当输入信号比较少的情况下，这种技术还是比较容易实现的。在系统中，输入信号表达式、信道特性和输出信号表达式都是有一定的函数关系的，知其二必能得第三，但是在实际操作中，我们一般只能得到的输出的信号，只知道一个的情况下，用平常的技术是得不出完整的系统的，盲均衡技术的重要性由此体现。3.1.1盲均衡技术的发展20世纪70年代以来,研究人员发现均衡技术有很多可以提升的地方，在研究到达一定程度的情况下出现了信息恢复、信道盲辨识等新思想，在此之后盲检测技术应运而生，可以在没有系统响应的情况下，恢复出发送信号。在今后不同实际情况的运用中，又与其他各种自然科学学科进行交汇，衍生出一些更为细小的分支：例如巴斯冈类盲均衡算法；高阶统计量类盲均衡算法；基于小波变换的盲均衡算法和基于神经网络和模糊理论的盲均衡算法等。巴斯冈算法是先建立一个代价函数，使得理想系统对应于该目标函数的极小值点，然后采用某种自适应算法寻找误差函数的极值点。当目标函数达到极值点后，系统也就成为期望的理想系统。高阶谱盲均衡算法是利用信号高阶谱中会存在着系统的幅相特性这一特点，其需要的参数都可以从信号的高阶量中得以获取，知道信道的累计量之后，我们只需要解方程，就可以得到完整的频谱特性和信道参数。基于神经网络理论的盲均衡算法从原理上主要有两种:一种是基于传统代价函数的方法，另一种是根据网络的能量函数构造权值。基于神经网络的盲均衡算法目前主要有基于前馈神经网络和高阶谱的盲均衡算法，基于多层神经网络与高阶累积量的盲均衡算法，基于递归神经网络的盲均衡算法，以及基于细胞神经网络的盲均衡算法等。3.1.2盲均衡技术的原理及性能表征我们在日常信号的传输中，为了克服信道间的码间干扰，会使用均衡技术来恢复信道的特性。而在无线信道中，由于没有办法知道先验概率，一般都是去发送训练序列。但是这样就会有两个问题：一个是训练序列的发送会占用大量的频谱资源，第二个就是在有些特殊的情况下，例如在警用和军用过程中，为了保证传输的私密性，我们是没有办法去发送训练序列的。下图为盲均衡的原理图。上图中，代表离散时间传输信道的冲激响应,代表均衡器的冲激响应,代表系统发送序列,代表经过信道传输后的接收序列,同时也是盲均衡器的输入序列,n(k)代表信道迭加噪声,x(k)代表经过均衡后的恢复序列。根据信号传输理论有下式:将和卷积可以得到要想从中获得,就需要进行反卷积或解卷积运算,或等价辨识传输信道的逆信道。当接收序列和系统发送序列都已经知道的情况下，我们可以很容易求解得到离散时间传输信道的冲激响应，但是当发送序列未知的情况下，我们可能很难求解得到离散时间传输信道的冲激响应。而盲均衡技术仅利用接收信号本身先验信息,如信号的统计特征,信号的调制方式及幅度、相位的变化范围等,选择一个合适的代价函数和误差控制量以调节均衡器的权系数,使均衡器输出最接近于发送值,如图所示：3.2盲均衡技术展望在这样一个高速发展的信息化社会之中，日常生活中的数据非常的庞大，通信系统的重要性与日俱增，有效性和可靠性必须都要齐头并进。一般来说，我们在无线信道中进行传输时，如果需要发送训练序列，不仅在有的场所不适用，而且还会大量占用频谱资源使系统的有效性非常低；但是如果不使用均衡技术，那么我们由于信道特性的不理想，传输的信号有可能会发生各种各样的畸变，这样我们通信系统的可靠性又得不到保证了。盲均衡技术的存在可以兼顾这两者，所以在现在许多生活里的实际应用中，例如水声工程、地震监测，又或者是雷达声纳等各种军事领域，生物工程等医学领域都扮演者非常重要的角色，可以说是现代通信系统中非常重要的技术之一。但是虽然时至今日，盲均衡技术的研究已经非常完善，但是在一些细节方面可能还是会有许多不够完善的地方。一个算法的成功与否就在于它的性能是否优异：首先就是要能获得最优的解，其次是收敛速度一定要快，最后就是算法复杂度不宜过高。我们今后如果想要对于盲均衡再做改进，就是要在收敛速度快的前提下，不断地缩小运算量。将收敛性和速度能够做到同时提升。目前所运用的盲检测技术大多适用于连续型信号，对于非连续信号研究还是不够深入，但是对于突发信号的盲检测也是非常重要，所以今后的研究重点可以放在非连续型信号的盲检测上。3.3本章小结第三章主要介绍了盲检测提出的背景，详细介绍了四种不同的盲检测算法及两种评估标准，用框图直观介绍了盲检测技术的原理及性能表征，之后又介绍了盲检测技术的重要性及其在生活中四种不同的应用。

第四章基于蚁群优化的盲检测的应用及仿真实验在TSP问题中蚁群算法展现出了其强大的优势，很多专家也对其产生了很大的兴趣。蚁群优化是当前优化技术中能解决复杂问题比较好的方法，在众多组合优化问题中都能展示出良好的性能。在上文提到的不需要训练序列的盲检测技术中，蚁群优化也能与其完美的结合。4.1基于蚁群优化的盲均衡模型下图是单输入多输出系统的基本框图：从上图可知，是单位函数的冲激响应，为信道中的迭加噪声，是离散时间信道的冲激函数。我们可以直观的得到盲均衡的主要问题是，在构造评价函数时还利用了有限符号的特点。单输入多输出系统输出端的接收序列如下所示：其中：为信道冲激响应，相应的时域矩阵，其中M=，是第i子信道阶数，q是输出各子信道总数，则接收序列向量公式如下表示：由理论可知，g(z)只有当离散系统的冲激函数没有共零点时才能得出如下表达式：我们可以在FIR进行工作时得到接收信号的表达式：其中：；M是单输入多输出系统的信道的阶数；L是该向量器的阶数；是噪声向量；信道矩阵H为由上式可以看出，信道卷积矩阵H是块Toeplitz矩阵，，记为,则（1）对N个连续的接收序列写出（2）假设噪声向量为0，将式中的向量代入式可得如下结果即接收矩阵可表示为对N个连续的估计信号写出其中，,，则有我们为了在接收端均衡发送端已失真的序列，可以用补足误差函数来解决。误差函数的表达式为：而通过我们熟知的MMSE可以得到由于我们不知道均衡器的表达式，所以我们不能光凭猜测来计算出发送序列。而我们为了得出发送序列并对其进行恢复，必须要构造补空间的投影算子,其中与零空间正交，可写出补空间误差因此可以通过以下的二次规划问题直接求解发送序列估计矩阵结合这个二次规划问题的特点，将作为本文蚁群优化的最优代价函数，即蚁群周游一次的评价函数。4.2实验仿真及分析实验条件：1、使用MATLAB软件进行仿真，为了保证结果的准确性，每次仿真都是建立在100次蒙特卡洛实验之上。2、仿真过程中的缺省条件为：所要进行的信号长度N=80；；信道长度=6；Antsize=10；启发因子α=1期望启发因子β=5；初始的信息素蒸发系数设置为0.7；本实验默认采用权值和延时度变化的随机合成信道。实验思路：在保证其他参数不变的情况下，分别改变信号长度、蚂蚁数、启发因子、期望启发因子、信息素蒸发系数其中的一个，观察不同的参数值对信道性能的影响。实验一：不同信号长度对信道总体传输性能的影响我们在SNR固定为7db的情况下，为了实验的方便，选取四种不同的信号序列长度，分别为20、25、30、35，通过权值和延时度变化的信道进行比对分析，并用matlab作图。通过上图可以看出，随着数据长度的增加，误码率是逐渐降低的趋势随着基本蚁群优化的盲检测序列长度的增加，虽然误码率会逐渐降低，但是运行时间是不断增加的趋势，时间复杂度会不断增加，所以不能一味追求过长的序列。实验二：不同的Antsize对信道性能的影响从上图可以从直观上得出，蚂蚁数量越大，对于信道性能的改善越好,当有10只蚂蚁的时候，在信噪比为9db时误码率就达到0；当只有三只蚂蚁的时候，信噪比要增加到12db才能为0。从表面上看增加蚂蚁数对于信道性能确实是有好处的，但是深入思考而言，如果一味的增加蚂蚁数，在一定信噪比的情况下对信道的改善效果微乎其微，但是时间复杂度却会大大增加。实验三：不同种类的信道对信道性能的影响本实验目的是探究在相同条件下，四种不同的信道在应用中的表现。信道1是不含共零点的权职和延时固定的合成信道;信道2是含两个共零点的权值和延时固定的合成信道；信道三是采用权值和延时变化的随机合成信道；信道4是一种文献的指定信道。下面是不相同信道中，信号的信噪比和误码率的折线对比图：我们可以非常明显得看出，不管是什么信道，随着信噪比的不断增大，信道的误码率都在逐渐变小，但是明显信道3的表现更好，在信噪比为9db时就接近0误码率，而其他信道要在10db时才能有同样的表现，说明此信道的性能在这四个信道中最优。实验四：启发因子α和期望启发因子β对信道性能的影响启发因子α的作用是影响搜索的随机性，如果α越大，那么蚂蚁很大概率会走之前走过的路而不会去开发新的路径，这样就导致蚂蚁不会去寻找多组解，而是停留在一种路径上，如果值过大甚至会造成停滞现象；期望启发因子β的作用是影响确定性因素的作用性，β越大蚂蚁们越容易找到最短路径，但是随机性也随之减少。保证β的值不变，在β=5的情况下，我们分别选取α=1、2、3、4等四种数据来进行对比。实验结果如下：同样，在启发因子α=1不变的情况下，分别选取β=0.5、1、3、5等四种数据来进行对比。实验结果如下：从上面的结果我们可以看出，在β=5时，α取1或2的时候信道性能表现比较好；当α=1时，β取3或5时候信道的性能表现比较好，所以不能单纯的说α和β取大或取小会更好，而是要根据通信的要求而进行相互动态的变化。

实验五：不同信息素蒸发系数Vaporization对信道误码率的影响按照以上的实验描述，在其它参数不变的情况下，取信息素政法系数为0.1，0.3，0.5，0.7等四个数值，观察其对信道误码率的影响。可见，信息素蒸发系数对信道误码率的影响不大。4.3本章小结本章首先描述了基于蚁群优化的盲均衡的数学模型并加以详细公式说明，之后对基于基本蚁群的盲检测系统的性能进行了仿真分析，仿真分析结果表明：蚂蚁数量，启发因子α和期望启发因子β都会对信道性能产生比较明显的影响，虽然随着序列长度的增加，误码率在减小，但是由于时间复杂度会随着序列长度的增加而增加，所以不能一味地增加序列长度，在信道方面，选取权值和延时变化的随机合成信道最为合理，而信息素蒸发系数对信道性能的影响并不是很明显。通过实验我们发现在解决盲均衡问题时，蚁群优化算法表现了良好的性能，结果表明蚁群算法能很好地用于解决盲均衡问题。

结束语蚁群算法由于其自身明显的优势，可兼容性非常的好，常与其它的仿生算法一起应用，可以解决许多不同的实际问题，同时具有很强的抗变换性。在人工智能、软件工程、大数据等各种IT领域中都能彰显其优势。但是它也并不是十全十美的，之前上文提到的，如果信号序列过长，时间复杂度会非常的高；又或者当启发因子比较大的时候，搜索的随机性会大大减小，到一定程度的时候甚至会出现停滞现象。本文针对蚁群算法做了大致的研究和仿真：首先介绍了问题的提出背景及研究盲均衡及蚁群算法的意义，接着介绍了蚁群算法的原理及目前发展情况和应用，之后建立了蚁群算法的数学模型使认知更加直观，接着介绍了盲检测技术的原理及性能表征，还有四种典型的盲检测算法和在生活中四种不同的应用。在本文第四章中在介绍了SIMO系统盲检测的模型之后，理论研究了应用于盲均衡问题中的蚁群算法，并通过仿真实验分析验证了蚁群算法解决盲均衡问题的可行性，通过对比试验表明了不同的参数对于通信性能的影响，并加以分析。参考文献[1]何靖华.面向仿生制造的蚂蚁算法分析研究及应用[D].武汉:华中科技大学硕士学位论文,2002.[2]黄席樾等.现代智能算法理论及应用[M].北京:科学出版社,2005:104-110.[3]于舒娟,张志涌.含公零点SIMO信道QPSK序列盲检测[J].东南大学学报,Vol.35,No.6,Nov2005:867-871.[4]DingZ,LiY.Blindequalizationandidentification[M].NewYork:MarcelDekker,2000,175-202.[5]韩丽霞.自然启发的优化算法及其应用研究[D].西安:电子科技大学,2009.[6]DorigoM,BirattariM.Antcolonyoptimization[M]US:Springer,2010:36-39.[7]郭业才.自适应盲均衡技术[M].合肥:合肥工业大学出版社,2007:156-160.[8]于舒娟,宦如松,

张昀，冯迪.基于混沌神经网络的盲检测改进新算法[J].\o"紫色刊名为“中国知网”独家出版刊物"物理学报,2014,39(15):101-104[9]吴庆洪,张纪会,徐心和.具有变异特征的蚁群算法[J].计算机研究与发展,1999,36(10):1240-1245.[10]覃刚力,杨家本.自适应调整信息素的蚁群算法[J].信息与控制,2002,31(3):198-201.[11]吴斌,史忠植.一种基于蚁群算法的TSP问题分段求解算法[J].计算机学报,2001,24(12):1328-1333.[12]忻斌健,汪镭,吴启迪.蚁群算法的研究现状和应用及蚂蚁智能体的硬件实现[J].同济大学学报,2002,30(1):82-87.[13]ProakisJG.Digitalcommunications(3rdedition)[M].NewYork:McGrawHill,1995.[14]梁启联,周正,刘泽民.盲均衡算法的发展综述[J].电路与系统学报,19961(3):51-56.[15]S.Haykin,Adaptiveblinddeconvolution[C],Prentice-Hall,EnglewoodCliffs,1994.[16]GodardD.Self-recoveringequalizationandcarriertrackingintwodimensionaldatacommunicationsystems[J].IEEETransactionsonCommunications,1980,28:1867-1875.[17]GiannakisB,MendelJM.Identificationofnonminimumphasesystemusinghigherorderstatistics[J].IEEETransactionsonAcousticSpeechandSignalProcessing,1989,37(3):360-377.[18]ZhiDing.Blindequalizationandidentification[M].MarcelDekker,Inc,2000.[19]GossS,AronS,DeneubourgJL,PasteelsJM.Self-organizedshortcutsintheargentineant[J].Naturwissenschaften,1989,76:579-581.[20]徐福梅.基于演化蚁群算法的TSP问题研究及应用[D].江西:计算机应用技术,2010.[21]段海滨.蚁群算法原理及其应用[M].北京:科学出版社,2005.[22]牛海荣.基于智能优化算法的盲均衡技术研究[D].南京:南京邮电大学,2010[23]武交峰.应用遗传算法提高蚁群算法性能的研究[D].太原:太原理工大学,2007,37-45.[24]姜长元.蚁群算法的理论及其应用[J].计算机时代,2004,6,1-3.[25]DorigoM,ManiezzoV,ColorniA.Antsystem:optimizationbyacolonyofcooperatingagents[J].IEEETransactionsonSystems,Man,andCybernetics-PartB,1996,26(1):29-41.[26]段海滨.蚁群算法及其在高性能电动仿真转台参数优化中的应用研究[D].