基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法-USB迷|专注于互联网分享

2024年8月6日发(作者：郭明珠)

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(21)申请号 CN2.6

(22)申请日 2014.02.24

(71)申请人哈尔滨工程大学

地址 150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产

权办公室

(72)发明人高洪元李晨琬徐从强齐研邵梦琦高璐

(74)专利代理机构

代理人

(51)

H04B1/7105

G06N3/00

G06N3/02

(10)申请公布号 CN 103795436 A

(43)申请公布日 2014.05.14

权利要求说明书说明书幅图

(54)发明名称

基于量子Hopfield神经网络和量子

鱼群算法的鲁棒多用户检测方法

(57)摘要

本发明涉及一种考虑在冲击噪声环

境下的基于量子Hopfield神经网络和量子

鱼群算法的鲁棒多用户检测方法。本发明

包括：建立鲁棒多用户检测模型；激活量

子Hopfield神经网络产生一个次优解；初

始化量子鱼群；采用量子人工鱼群算法的

演进规则对种群进行演化；根据食物浓度

函数对所有新位置计算食物浓度值；得到

的全局最优位置就是检测多个用户的发射

数据，输出检测结果。本发明解决了强冲

击噪声环境下的鲁棒多用户检测问题，使

用所设计的量子Hopfield神经网络和量子

鱼群算法作为演进策略，所设计的方法具

有收敛速度快，收敛精度高的优点。

法律状态

法律状态公告日

法律状态信息

未缴年费专利权终止IPC(主分

类):H04B 1/7105专利

2023-02-28

号:ZL2申请

日:20140224授权公告

日:20160127

法律状态

专利权的终止

权利要求说明书

1.一种基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法，其特征

在于：

（1）建立鲁棒多用户检测模型：

对于离散同步CDMA信号模型中的多用户检测，接收信号为K个用户信号与噪声

信号之和，即

$r = Σ_{k = 1}^{K} A_{k} b_{k} s_{k} + n = SAb + n,$ $s_{k} = \frac{1}{\sqrt{N}} {[s_{1 k}, s_{2 k}, . . ., s_{Nk}]}^{T},$ s_jk∈{

-1,+1}是用户k的归一化特征波形；N是处理增益；

b_k∈{-1,+1}和A_k分别是用户k的数据比特和信号幅值；

A＝diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩阵；b

＝[b₁,b₂,…,b_K]^T；

n＝[n₁,n₂,…,n_N]^T是独立同

倒数的

分布的冲击背景噪声向量，冲击噪声环境的去相关鲁棒多用户检

测器为鲁棒多用户检测问题可由误差绝对值的幂的

最大化求得，即0.1≤ρ＜2，当用户数较小时，即当K≤20，ρ

从0.1到2之间等间隔Δ取Num个值，在每个取值点使用穷尽搜索方法检

查所搜索到的测试用户最小误码率确定最优ρ值，否则，使用步骤（2）到

取值点进行Monte carlo仿真，根据测试用户最

步骤（8）对每个

小误码率找到最优ρ值；

（2）激活量子Hopfield神经网络产生一个次优解：

网络输入量子态通过硬判决为二进制状态，量子神经元输出为量子态

$\overline{u} = {[u_{1}, u_{2}, . . ., u_{K}]}^{T} = {(\begin{matrix} u_{1} & u_{2} & . . . & u_{K} \\ β_{1} & β_{2} & . . . & β_{K} \end{matrix})}^{T},$ -1≤u_i,β≤1，量子Hopfield神经网络输

出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入即量子偏置，为则第i 个量子神经元在t时刻的状态为当

量子神经元i输入为u_i＝[u_i,β_i]，量子旋转

角度为其中h_it＝(g_l-0.5)C_a/[K(t-

方程产生的混1)+i],g_l＝g_K(t-1)+i是由混沌

沌随机数，C_a为缩放因子，需要钳值在t代表每个神经元的更新

次数，若Hopfield神经网络的能量函数为w＝

W/max{|F|₁,|F₂|,…,|F_K|}，

I＝F/max{|F|₁,|F₂|,…,|F_K|}，则量子

Hopfield神经网络能量函数为

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0，

（3）初始化量子鱼群：

种群规模为M，第i个量子人工鱼的量子位置为i＝1,2,…,M，

k＝1,2,…,K，所有量子人工鱼的当前量子位置的量子位均被初始化为第

i个量子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，

经

1]之间的随机数，把第一个量子人工鱼的位置赋值为量子Hopfield神

网络的最后输出值，对其它M-1个量子人工鱼量子位置的量

(i＝2,3,…,M)，量子人工鱼的局部最优位置的初

子位测量得到位置

值与相同，(i＝1,2,…,M)；

（4）食物浓度函数设置为所有量子人工鱼至今所找到

置为所有量子人工鱼至今所找到的全局第2最优位置

的全局最优位

为

$p_{b}^{z} = {[p_{b 1}^{z}, p_{b 2}^{z}, . . ., p_{bK}^{z}]}^{T};$ （5）采用量子人工鱼群算法的演进规则对种群进行演化，更新每个量子人工鱼到达新的量子位置和位置，第i个量子人工鱼从以下3种量子行鱼的所有量子位；为中选择一种量子行为迭代更新该人工 1）量子觅食行为：第i个量子人工鱼第k个量子位的量子旋转角更新为 $θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{ik}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}),$ 其中c₁和c₂为常

数；

2）量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为其中

c₃常数；

3）量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数；

确定量子旋转角后第i个量子人工鱼第k个量子位的演进为：

$y_{ik}^{ϵ + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin < msubsup> θ ik ϵ + 1),$

aths>

其中abs(·)为取绝对值的函数，确保量子位在[0，1]之间，位置是通过测量方程对

量子位置的每一位进行测量得到的，第i个量子人工鱼第k个

量子位的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix});$

（6）根据食物浓度函数对所有新位置计算食物浓度值，若则否则

$p_{i}^{z + 1} = p_{i}^{z},$ $p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})};$

（7）如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返回

步骤

（8）得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

五继续进行；

说明书

技术领域

本发明涉及一种考虑在冲击噪声环境下的基于量子Hopfield神经网络和量子鱼群

算法的

背景技术

CDMA系统由于具有多路复合接入能力、抗多径衰落能力、抗窄带干扰能力和安

全/保密性能等独特的优势，近年来得到了迅速发展，成为无线通信系

近效应是影响CDMA系统性能且无法回

减少多址干扰和远近

鲁棒多用户检测方法。

统的主流技术。多址干扰和远

避的关键因素，基于信息理论的多用户检测技术可以

效应对系统性能的影响。在加性高斯噪声环境下，采用智能多用户检技

术，可使检测性能达到理论最优值，有效抗多址干扰和远近效应。然而，在

水声信道中，由于人为电磁干扰和大量自然噪声的脉冲

就抗多址干扰能力而言，使用传统

少。只有处理

许多物理信道和

特性，其噪声环境都是非高斯噪声的。

检测方法，脉冲噪声信道所能容纳的用户数要比高斯信道

得当，非高斯噪声环境下设计鲁棒多用户检测器能使系统性能得到改善，因此

CDMA系统的多用户检测问题可以看作组合优化问题，为NP难题，近年来一些智

能计算方法被用来解决CDMA多用户检测问题。但是Verdu提出的高斯

检测器的实现需要采取穷尽搜索，它的计算复杂

前和将来的一段时间内以现

研究非高斯噪声环境下的鲁棒多用户检测技术有更重要的现实意义。

噪声环境下的最优多用户

度随着用户数量增加呈指数倍增长，这在当

有的硬件水平是无法适时实现的。

经对现有的智能多用户检测进行检索分析发现，高洪元等在《电子与信息学报》

(2008,Vol.30,No.7,pp.1566–1570)上发表的“基于免疫克隆量子算法的多用户

了免疫克隆量子算法进而设计了多用户检测器，在高斯

但在冲击噪声背景下，最优多用户

检测器”中提出

噪声背景下在较短的时间达到最优，

检测器退化成鲁棒去相关多用户检测器，性能恶化严重。

Hongyuan Gao等在

《International Journal of Computer Applications In Technology》(计算机应用

技术期刊)(2013,Vol.46,No.3,pp.244-251)上发表的“A simple quantum-

algorithm for discrete optimisation problems”提出了量子

境下的鲁棒多用户检测问题，性能

较长，依旧不

inspired bee colony

蜂群算法并使用其解决弱冲击噪声环

虽然相对于传统鲁棒多用户检测算法有提高，但计算时间

能解决强冲击噪声环境下的鲁棒多用户检测的全局收敛问题。

已有文献表明，在高斯噪声环境下，多用户检测函数结构的特殊性使得Hopfield

神经网络和智能算法结合可在很小的计算量达到最优检测性能。但针

测优化函数没有特殊性，故不能把高斯噪

噪声下的鲁棒多用户

对冲击噪声环境下的多用户检

声环境下的多用户检测算法直接进行移植。在冲击

检测首先应能建立高性能的鲁棒多用户检测优化方程，但对于无特殊结

构的优化方程，冲击噪声环境下经典智能计算方法受收

在现有计算条件下很难在有限的时

环境特别是强

敛速度和收敛性能之间矛盾的制约，

间内搜索到最优解，需要设计新的智能算法求解冲击噪声

冲击噪声环境下的鲁棒多用户检测问题。因此提出了一种新的混沌变异的量子

发明内容

本发明的目的在于针对现有冲击噪声环境下鲁棒多用户检测方法的不足，提出了一

种考虑可在更短的时间达到最优检测性能的基于量子Hopfield神经网络

Hopfield神经网络和量子鱼群算法进而设计了快速鲁棒多用户检测器。

和量子鱼群算法的鲁棒多

本发明的目的是这样实现的：

用户检测方法。

（1）建立鲁棒多用户检测模型：

对于离散同步CDMA信号模型中的多用户检测，接收信号为K个用户信号与噪声

信号之和，即

$r = Σ_{k = 1}^{K} A_{k} b_{k} s_{k} + n = SAb + n,$ $s_{k} = \frac{1}{\sqrt{N}} {[s_{1 k}, s_{2 k}, . . ., s_{Nk}]}^{T},$ s_jk∈{

-1,+1}是用户k的归一化特征波形；N是处理增益；b_k∈{-1,+1}

A＝和A_k分别是用户k的数据比特和信号幅值；

diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩阵；b

＝[b₁,b₂,…,b_K]^T； n＝

[n₁,n₂,…,n_N]^T是独立同分布的冲

击背景噪声向量，冲击噪声环境的去相关鲁棒多用户检

用户检测问题可由误差绝对值的幂的

当用户数较小

测器为鲁棒多

倒数的最大化求得，即0.1≤ρ＜2，

时，即当K≤20，ρ从0.1到2之间等间隔Δ取Num个

查所搜索到的测试用户最小误码率值，在每个取值点使用穷尽搜索方法检

确定最优ρ值，否则，使用步骤（2）到步骤（8）对每个取值点进行

Monte carlo仿真，根据测试用户最小误码率找到最优ρ值；

（2）激活量子Hopfield神经网络产生一个次优解：

网络输入量子态通过硬判决为二进制状态，量子神经元输出为量子态

出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入即量子偏置，为则第i 个量子神经元

在t时刻的状态为当量子神经元i输入为u_i＝

[u_i,β_i]，量子旋转角度为其中h_it

＝(g_l-0.5)C_a/[K(t-1)+i],g_l＝g_K(t-1)+i

是由混沌方程产生的混沌随机数，C_a为缩放因子，需要钳

次数，若Hopfield神经网络的能量函数值在t代表每个神经元的更新

为w＝W/max{|F|₁,|F₂|,…,|F_K|}，

I＝F/max{|F|₁,|F₂|,…,|F_K|}，则量子

Hopfield神经网络能量函数为

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0，

（3）初始化量子鱼群：

种群规模为M，第i个量子人工鱼的量子位置为i＝1,2,…,M， k＝

i个量

1,2,…,K，所有量子人工鱼的当前量子位置的量子位均被初始化为第

子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，

1]之间的随机数，把第一个量子人工鱼的位置赋值为量子Hopfield神经

网络的最后输出值，对其它M-1个量子人工鱼量子位置的量子位测量得到

(i＝2,3,…,M)，量子人工鱼的局部最优位置的初

值与相同，(i位置

＝1,2,…,M)；

（4）食物浓度函数设置为所有量子人工鱼至今所找到

有量子人工鱼至今所找到的全局第2最优位置为

的全局最优位置为所

$p_{b}^{z} = {[p_{b 1}^{z}, p_{b 2}^{z}, . . ., p_{bK}^{z}]}^{T};$ （5）采用量子人工鱼群算法的演进规则对种群进行演化，更新每个量子人工鱼到达新的量子位置和位置，第i个量子人工鱼从以下3种量子行为中选鱼的所有量子位；择一种量子行为迭代更新该人工 1）量子觅食行为：第i个量子人工鱼第k个量子位的量子旋转角更新为 $θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{ik}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}),$ 其中c₁和c₂为常

数；

2）量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为其中

c₃常数；

3）量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数；

确定量子旋转角后第i个量子人工鱼第k个量子位的演进为：

$y_{ik}^{&ep siv; + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin θ_{ik}^{ϵ + 1}),$

aths>

其中abs(·)为取绝对值的函数，确保量子位在[0，1]之间，位置是通过测量方程对

量子位置的每一位进行测量得到的，第i个量子人工鱼第k个量子位

的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix});$

（6）根据食物浓度函数对所有新位置计算食物浓度值，若则否则

$p_{i}^{z + 1} = p_{i}^{z},$ $p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})};$

（7）如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返回

步骤

（8）得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

与现有技术相比，本发明充分考虑了在冲击噪声环境下进行鲁棒多用户检测所遇到

的检

(1)本发明解决了强冲击噪声环境下的鲁棒多用户检测问题，使用所设计的量子

Hopfield 神经网络和量子鱼群算法作为演进策略，所设计的方法具有收

测性能和检测时间的矛盾，具有以下优点：

五继续进行；

敛速度快，收敛精度高的优点。

(2)相对于现有的鲁棒多用户检测算法，本发明可以同时利用量子Hopfield神经网

络和量子鱼群算法的优势解决高斯噪声和冲击噪声的多用户检测问题，说

明本算法的适用性更广。

(3)仿真结果表明，本发明所提出的鲁棒多用户检测方法在优化时能够得到近似最

优解，但时间开销远远小于穷尽搜索，说明了所提鲁棒多用户检测方

法的有效性。

附图说明

图1基于量子神经网络和量子鱼群算法的鲁棒多用户检测方法示意图。

图2量子Hopfield神经网络的结构示意图。

图3量子鱼群算法进行鲁棒多用户检测的流程示意图。

图4当弱冲击噪声的特征指数取1.5时误码率和迭代次数关系曲线。

图5当弱冲击噪声的特征指数取1.5时用户1的误码率和用户1广义信噪比关系曲

线。

图6当强冲击噪声的特征指数取0.5时误码率和迭代次数关系曲线。

图7当强冲击噪声的特征指数取0.5时用户1的误码率和广义信噪比关系曲线。

图8为基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法的结构简

图。

具体实施方式

下面结合附图对本发明做进一步描述。

该方法先设计一种量子神经网络得到一个近似解，并提出解决离散优化问题的量子

鱼群算法。在工程应用中，当冲击噪声的特征指数为2时冲击噪声满足高

故本发明所提出的方法也能够解决高斯噪声环境

冲击噪声情况下也有好的检

斯噪声分布函数形式，

的多用户检测问题，在特征指数小于1的强

测结果。

本发明是通过如下技术方案来实现的，主要包括以下步骤：

步骤一，建立一种广泛的鲁棒多用户检测模型。对于离散同步CDMA信号模型中

的多用户检测，在某时刻接收信号为K个用户信号与噪声信号之和，

即式中，s_jk∈{-1,+1}是用户k的归一化特征波形；N是处理增益；

b_k∈{-1,+1}和A_k分别是用户k的数据比特和信号

幅值；A＝diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩

阵；b＝[b₁,b₂,…,b_K]^T；n＝

[n₁,n₂,…,n_N]^T是独立同分

布的冲击背景噪声向量。冲击噪声环境的去相关鲁棒多用户检测器为

此A)检b]测器也是高斯噪声下最优多用户检测器，可根据此方

程设计量子Hopfield神经网络快速求解。鲁棒多用户检测问题可由误差绝对值的

幂的倒数的最大化求得，即0.1≤ρ＜2。当用户数较小时，即

当K≤20，ρ从0.1到2之间等间隔Δ取Num个值，在每个取值点使用穷尽搜索方

法检查所搜索到的测试用户最小误码率确定最优ρ值，否则，使用步骤二

进行Monte carlo仿真，根据测试用户最小误码到步骤八对每个取值点

率找到最优ρ值。

步骤二，激活量子Hopfield神经网络产生一个次优解。网络输入量子态通过硬判

决为二进制状态，量子神经元输出为量子

态-1≤u_i,β≤1。量子Hopfield神经网络输出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入又称

的状态为

作量子偏置，可以定义为则第i个量子神经元在t时刻

。当量子神经元i输入为u_i＝

其中h_it[u_i,β_i]，量子旋转角度为

＝(g_l-0.5)C_a/[K(t-1)+i],g_l＝g_K(t-1)+i

是由混沌方程产生的混沌随机数，C_a为缩放因子，需要钳

对于一优化问题，若Hopfield神值在t代表每个神经元的更新次数。

经网络的能量函数为设

可以定义为

则量子Hopfield神经网络能量函数就

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0。

基于量子Hopfield神经网络的多用户检测初值获取过程被介绍如下：

(1)量子Hopfield神经网络初始化。通过设置v＝b,F＝

(r^TSA)^T， W＝diag{AS^TSA)}-

AS^TSA把要解决的最优多用户检测问题映射到Hopfield神经网络，其

中 diag(AS^TSA)代表矩阵AS^TSA的对角线元素

w＝构成的对角矩阵。进一步设

W/max{|F|₁|F₂|,…,|F_K|}，I＝

F/max{|F|₁,|F₂|,…,|F_K|}，可进一步映射到量子

神经网络的定义空间。把传统检测器的判决输出作为量子Hopfield神

经网络的初始二进制输入。

(2)量子Hopfield神经依次选取量子神经元和其对应的量子偏置以进行异步更新。

(3)更新量子Hopfield神经网络确定量子旋转角，第i个量子神经元的旋转角为

其中h_it＝(g_l-0.5)C_a/[K(t-

1)+i],g_l＝g_K(t-1)+i为根据Logist映射生成的混沌

变量g_l＝4g_l-1(1-g_l-1)，混沌方程的初值是满

足约束为 g₁∈(0,1),g₁≠0.5,0.25,0.75的均匀随机

[-π/2,π/2]的边数，C_a为正常数，超过区间需要钳值在区间

界值，然后按公式求出第i个量子神

(4)按公式sgn2(·)代表二值判决函

比较进行判决求出量子神经元

元的输出保持不变。

经元的量子输入

数，函数代表从量子位中取实数值对与0

的二进制输出值此时网络的其他量子神经

(5)判断量子Hopfield神经网络是否达到稳定状态(可设置为每个神经元更新次数

t_max)，

网络运行。

步骤三，初始化量子鱼群，种群规模为M，第i个量子人工鱼的量子位置为

i＝1,2,…,M，k＝1,2,…,K，所有量子人工鱼的当前量子位置的量子位

若否，转至步骤(2)；若是，则停止量子Hopfield神经

均被初始化为第i个量子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，1]

之间的随机数。把第一个量子人工鱼的位置赋值为量子Hopfield神

鱼量子位置的量子位测量得经网络的最后输出值，对其它M-1个量子人工

到位置(i＝2,3,…,M)。量子人工鱼的局部最优位置的初值与相同，(i＝

1,2,…,M)。

步骤四，把鲁棒多用户检测问题看作最大值优化问题，食物浓度函数可设置为

所有量子人工鱼至今所找到的全局最优位置记作所有量子人工

鱼至今所找到的全局第2最优位置记作

$p_{b}^{z} = {[p_{b 1}^{z}, p_{b 2}^{z}, . . ., p_{bK}^{z}]}^{T} .$

步骤五，采用量子人工鱼群算法的演进规则对种群进行演化，每个量子人工鱼到达

新的量子位置和位置。在量子鱼群量子位置和位置的更新过程中，第i个

为中随机选择一种量子行为去迭代更新该人工鱼量子人工鱼从3种量子行

的所有量子位。

（1）方式1-量子觅食行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

其中c₁和c₂为常数，决定了指引该量子人工鱼的

置和全局最优位置对该量子人工鱼演化的影响程度。局部最优位

（2）方式2-量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

其中c₃常数，决定了指引该量子人工鱼的全局最优位置对该量

化的影响程度子人工鱼演

（3）方式3-量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数，决定了指引该

量子人工鱼的第2

确定量子旋转角后第i个量子人工鱼第k个量子位的演进过程如下：

$y_{ik}^{&ep 优秀位置对该量子人工鱼演化的影响程度 siv; + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin θ_{ik}^{ϵ + 1}),$

aths>其中abs(·)为取绝对值的函数，确保量子位在[0，1] 之间。位置是

通过测量方程对量子位置的每一位进行测量得到的，第i个量子人工鱼第k个量

子位的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix}) .$

步骤六，根据食物浓度函数对所有新位置（解）计算食物浓度值。第i个量子人工

鱼的局

部最优位置更新规则如下：若则否则全局最优位置

更新规则为

$p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})} .$

步骤七，如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返

回步

步骤八，得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

本发明考虑到冲击噪声环境下CDMA系统完成多用户检测的过程中能够同时考虑

骤五继续进行。

抗多址干扰和远近效应，求解鲁棒多用户检测方程，得到最优解。

时间要求性能要求确定迭代次数，从而使

CDMA无线通信系统可以根据

所设计的鲁棒多用户检测方法满足性能要求。

假设DS-CDMA通信系统，有10个用户，扩频序列采用码字Go1d序列，为了验

证恶劣干扰下多用户检测器性能，扩频序列的最大的归一化互相关系

的多用户检测器有：基于量子遗传算法的

棒多用户检测器

数为9／3l。在仿真过程中使用

鲁棒多用户检测器（QGA）；基于粒子群算法的鲁

（PSO）；基于量子蜂群算法的鲁棒多用户检测器(SQBCA)；QGA，PSO和

SQBCA的检测模型和参数设置同

Technology》《International Journal of Computer Applications In

(2013,Vol.46,No.3,pp.244-251)上发表的“A simple quantum-inspired bee colony

algorithm for discrete optimisation problems”；基于所提的量子Hopfield神经

法的鲁棒多用户检测器(QHNN-QFS)。网络和量子鱼群算

基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测器的参数设置如下：

测试用户对ρ使用0.1的间隔搜索最优值，每个量子神经元被异步激活，

被激活C_a＝2，每个量子神经元

5次；M＝10,c₁＝0.1,c₂＝0.03,c₃＝

0.06,c₄＝0.01；种群规模同其它3种智能检测器的种群规模相

同都设为10，图5和图7仿真的终止迭代次数是其它3种智能算法最大迭代次

第i个用户的广义信噪比定义为γ为冲击噪声离差。为了考察算法的收

图4：当弱冲击噪声的特征指数取1.5时用户1的广义信噪比设为4dB，

其它用户功率与用户1的功率比即远近比为3dB，则仿真图给出了误码率和

敛速度，QGA，PSO和SQBCA算法的最大迭代次数都设为50。

数的五分之四。

迭

代次数关系曲线。

图5：当弱冲击噪声的特征指数取1.5时，除了第1个用户，其它用户功率相等，

其他用户与用户1功率比为2dB，则用户1的误码率和用户1广义信

噪比关系曲线。

图6：是当强冲击噪声的特征指数取0.5时用户1的广义信噪比设为4dB，

迭

图7：当强冲击噪声的特征指数取0.5时，除了第1个用户，其它用户功率相等，

其他用户与用户1功率比为2dB，则仿真图给出了用户1的误码率和

其它用户功率与用户1的功率比即远近比为5dB，则仿真图给出了误码率和

代次数关系曲线。

广义信噪比关系曲线。

从图4-7可以看出所设计的鲁棒多用户检测器无论在弱冲击噪声还是强冲击噪声环

境下检测效果都是最佳的，使用时间也是最少的，有好的抗多址干扰、远

能力。近效应和恶劣环境噪声

图8为基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法的结构简

图。

以图8的鲁棒多用户检测器为例，其它情况可以依此类推，在CDMA通信系统中

存在K 个用户，开始以某一或几个用户为测试用户，在不同的ρ值检测误码

得到一种最优鲁棒多用户检测的模型。发射的数

传统检测器的硬判决得到的

最优解。

率，得到最优ρ值进而

字信号经过冲击噪声信道到达接收端，经过

解作为初始输入激活量子Hopfield神经网络，快速得到一个局部

把量子鱼群中所有量子人工鱼的量子位置的量子位初始化为把量子Hopfield

神经网络获得的局部最优解当作量子鱼群的一个量子人工鱼的当前位置，其

它位置通过对量子位测量得到。运用本发明

鲁棒多所提出的量子鱼群算法，使用3种量子行为更新量子位置，求解

用户检测方程，完成鲁棒多用户检测过程。

2024年8月6日发(作者：郭明珠)

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(21)申请号 CN2.6

(22)申请日 2014.02.24

(71)申请人哈尔滨工程大学

地址 150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产

权办公室

(72)发明人高洪元李晨琬徐从强齐研邵梦琦高璐

(74)专利代理机构

代理人

(51)

H04B1/7105

G06N3/00

G06N3/02

(10)申请公布号 CN 103795436 A

(43)申请公布日 2014.05.14

权利要求说明书说明书幅图

(54)发明名称

基于量子Hopfield神经网络和量子

鱼群算法的鲁棒多用户检测方法

(57)摘要

本发明涉及一种考虑在冲击噪声环

境下的基于量子Hopfield神经网络和量子

鱼群算法的鲁棒多用户检测方法。本发明

包括：建立鲁棒多用户检测模型；激活量

子Hopfield神经网络产生一个次优解；初

始化量子鱼群；采用量子人工鱼群算法的

演进规则对种群进行演化；根据食物浓度

函数对所有新位置计算食物浓度值；得到

的全局最优位置就是检测多个用户的发射

数据，输出检测结果。本发明解决了强冲

击噪声环境下的鲁棒多用户检测问题，使

用所设计的量子Hopfield神经网络和量子

鱼群算法作为演进策略，所设计的方法具

有收敛速度快，收敛精度高的优点。

法律状态

法律状态公告日

法律状态信息

未缴年费专利权终止IPC(主分

类):H04B 1/7105专利

2023-02-28

号:ZL2申请

日:20140224授权公告

日:20160127

法律状态

专利权的终止

权利要求说明书

1.一种基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法，其特征

在于：

（1）建立鲁棒多用户检测模型：

对于离散同步CDMA信号模型中的多用户检测，接收信号为K个用户信号与噪声

信号之和，即

$r = Σ_{k = 1}^{K} A_{k} b_{k} s_{k} + n = SAb + n,$ $s_{k} = \frac{1}{\sqrt{N}} {[s_{1 k}, s_{2 k}, . . ., s_{Nk}]}^{T},$ s_jk∈{

-1,+1}是用户k的归一化特征波形；N是处理增益；

b_k∈{-1,+1}和A_k分别是用户k的数据比特和信号幅值；

A＝diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩阵；b

＝[b₁,b₂,…,b_K]^T；

n＝[n₁,n₂,…,n_N]^T是独立同

倒数的

分布的冲击背景噪声向量，冲击噪声环境的去相关鲁棒多用户检

测器为鲁棒多用户检测问题可由误差绝对值的幂的

最大化求得，即0.1≤ρ＜2，当用户数较小时，即当K≤20，ρ

从0.1到2之间等间隔Δ取Num个值，在每个取值点使用穷尽搜索方法检

查所搜索到的测试用户最小误码率确定最优ρ值，否则，使用步骤（2）到

取值点进行Monte carlo仿真，根据测试用户最

步骤（8）对每个

小误码率找到最优ρ值；

（2）激活量子Hopfield神经网络产生一个次优解：

网络输入量子态通过硬判决为二进制状态，量子神经元输出为量子态

出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入即量子偏置，为则第i 个量子神经元在t时刻的状态为当

量子神经元i输入为u_i＝[u_i,β_i]，量子旋转

角度为其中h_it＝(g_l-0.5)C_a/[K(t-

方程产生的混1)+i],g_l＝g_K(t-1)+i是由混沌

沌随机数，C_a为缩放因子，需要钳值在t代表每个神经元的更新

次数，若Hopfield神经网络的能量函数为w＝

W/max{|F|₁,|F₂|,…,|F_K|}，

I＝F/max{|F|₁,|F₂|,…,|F_K|}，则量子

Hopfield神经网络能量函数为

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0，

（3）初始化量子鱼群：

种群规模为M，第i个量子人工鱼的量子位置为i＝1,2,…,M，

k＝1,2,…,K，所有量子人工鱼的当前量子位置的量子位均被初始化为第

i个量子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，

经

1]之间的随机数，把第一个量子人工鱼的位置赋值为量子Hopfield神

网络的最后输出值，对其它M-1个量子人工鱼量子位置的量

(i＝2,3,…,M)，量子人工鱼的局部最优位置的初

子位测量得到位置

值与相同，(i＝1,2,…,M)；

（4）食物浓度函数设置为所有量子人工鱼至今所找到

置为所有量子人工鱼至今所找到的全局第2最优位置

的全局最优位

为

数；

2）量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为其中

c₃常数；

3）量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数；

确定量子旋转角后第i个量子人工鱼第k个量子位的演进为：

$y_{ik}^{ϵ + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin < msubsup> θ ik ϵ + 1),$

aths>

其中abs(·)为取绝对值的函数，确保量子位在[0，1]之间，位置是通过测量方程对

量子位置的每一位进行测量得到的，第i个量子人工鱼第k个

量子位的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix});$

（6）根据食物浓度函数对所有新位置计算食物浓度值，若则否则

$p_{i}^{z + 1} = p_{i}^{z},$ $p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})};$

（7）如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返回

步骤

（8）得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

五继续进行；

说明书

技术领域

本发明涉及一种考虑在冲击噪声环境下的基于量子Hopfield神经网络和量子鱼群

算法的

背景技术

CDMA系统由于具有多路复合接入能力、抗多径衰落能力、抗窄带干扰能力和安

全/保密性能等独特的优势，近年来得到了迅速发展，成为无线通信系

近效应是影响CDMA系统性能且无法回

减少多址干扰和远近

鲁棒多用户检测方法。

统的主流技术。多址干扰和远

避的关键因素，基于信息理论的多用户检测技术可以

效应对系统性能的影响。在加性高斯噪声环境下，采用智能多用户检技

术，可使检测性能达到理论最优值，有效抗多址干扰和远近效应。然而，在

水声信道中，由于人为电磁干扰和大量自然噪声的脉冲

就抗多址干扰能力而言，使用传统

少。只有处理

许多物理信道和

特性，其噪声环境都是非高斯噪声的。

检测方法，脉冲噪声信道所能容纳的用户数要比高斯信道

得当，非高斯噪声环境下设计鲁棒多用户检测器能使系统性能得到改善，因此

CDMA系统的多用户检测问题可以看作组合优化问题，为NP难题，近年来一些智

能计算方法被用来解决CDMA多用户检测问题。但是Verdu提出的高斯

检测器的实现需要采取穷尽搜索，它的计算复杂

前和将来的一段时间内以现

研究非高斯噪声环境下的鲁棒多用户检测技术有更重要的现实意义。

噪声环境下的最优多用户

度随着用户数量增加呈指数倍增长，这在当

有的硬件水平是无法适时实现的。

经对现有的智能多用户检测进行检索分析发现，高洪元等在《电子与信息学报》

(2008,Vol.30,No.7,pp.1566–1570)上发表的“基于免疫克隆量子算法的多用户

了免疫克隆量子算法进而设计了多用户检测器，在高斯

但在冲击噪声背景下，最优多用户

检测器”中提出

噪声背景下在较短的时间达到最优，

检测器退化成鲁棒去相关多用户检测器，性能恶化严重。

Hongyuan Gao等在

《International Journal of Computer Applications In Technology》(计算机应用

技术期刊)(2013,Vol.46,No.3,pp.244-251)上发表的“A simple quantum-

algorithm for discrete optimisation problems”提出了量子

境下的鲁棒多用户检测问题，性能

较长，依旧不

inspired bee colony

蜂群算法并使用其解决弱冲击噪声环

虽然相对于传统鲁棒多用户检测算法有提高，但计算时间

能解决强冲击噪声环境下的鲁棒多用户检测的全局收敛问题。

已有文献表明，在高斯噪声环境下，多用户检测函数结构的特殊性使得Hopfield

神经网络和智能算法结合可在很小的计算量达到最优检测性能。但针

测优化函数没有特殊性，故不能把高斯噪

噪声下的鲁棒多用户

对冲击噪声环境下的多用户检

声环境下的多用户检测算法直接进行移植。在冲击

检测首先应能建立高性能的鲁棒多用户检测优化方程，但对于无特殊结

构的优化方程，冲击噪声环境下经典智能计算方法受收

在现有计算条件下很难在有限的时

环境特别是强

敛速度和收敛性能之间矛盾的制约，

间内搜索到最优解，需要设计新的智能算法求解冲击噪声

冲击噪声环境下的鲁棒多用户检测问题。因此提出了一种新的混沌变异的量子

发明内容

本发明的目的在于针对现有冲击噪声环境下鲁棒多用户检测方法的不足，提出了一

种考虑可在更短的时间达到最优检测性能的基于量子Hopfield神经网络

Hopfield神经网络和量子鱼群算法进而设计了快速鲁棒多用户检测器。

和量子鱼群算法的鲁棒多

本发明的目的是这样实现的：

用户检测方法。

（1）建立鲁棒多用户检测模型：

对于离散同步CDMA信号模型中的多用户检测，接收信号为K个用户信号与噪声

信号之和，即

$r = Σ_{k = 1}^{K} A_{k} b_{k} s_{k} + n = SAb + n,$ $s_{k} = \frac{1}{\sqrt{N}} {[s_{1 k}, s_{2 k}, . . ., s_{Nk}]}^{T},$ s_jk∈{

-1,+1}是用户k的归一化特征波形；N是处理增益；b_k∈{-1,+1}

A＝和A_k分别是用户k的数据比特和信号幅值；

diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩阵；b

＝[b₁,b₂,…,b_K]^T； n＝

[n₁,n₂,…,n_N]^T是独立同分布的冲

击背景噪声向量，冲击噪声环境的去相关鲁棒多用户检

用户检测问题可由误差绝对值的幂的

当用户数较小

测器为鲁棒多

倒数的最大化求得，即0.1≤ρ＜2，

时，即当K≤20，ρ从0.1到2之间等间隔Δ取Num个

查所搜索到的测试用户最小误码率值，在每个取值点使用穷尽搜索方法检

确定最优ρ值，否则，使用步骤（2）到步骤（8）对每个取值点进行

Monte carlo仿真，根据测试用户最小误码率找到最优ρ值；

（2）激活量子Hopfield神经网络产生一个次优解：

网络输入量子态通过硬判决为二进制状态，量子神经元输出为量子态

出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入即量子偏置，为则第i 个量子神经元

在t时刻的状态为当量子神经元i输入为u_i＝

[u_i,β_i]，量子旋转角度为其中h_it

＝(g_l-0.5)C_a/[K(t-1)+i],g_l＝g_K(t-1)+i

是由混沌方程产生的混沌随机数，C_a为缩放因子，需要钳

次数，若Hopfield神经网络的能量函数值在t代表每个神经元的更新

为w＝W/max{|F|₁,|F₂|,…,|F_K|}，

I＝F/max{|F|₁,|F₂|,…,|F_K|}，则量子

Hopfield神经网络能量函数为

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0，

（3）初始化量子鱼群：

种群规模为M，第i个量子人工鱼的量子位置为i＝1,2,…,M， k＝

i个量

1,2,…,K，所有量子人工鱼的当前量子位置的量子位均被初始化为第

子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，

1]之间的随机数，把第一个量子人工鱼的位置赋值为量子Hopfield神经

网络的最后输出值，对其它M-1个量子人工鱼量子位置的量子位测量得到

(i＝2,3,…,M)，量子人工鱼的局部最优位置的初

值与相同，(i位置

＝1,2,…,M)；

（4）食物浓度函数设置为所有量子人工鱼至今所找到

有量子人工鱼至今所找到的全局第2最优位置为

的全局最优位置为所

数；

2）量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为其中

c₃常数；

3）量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数；

确定量子旋转角后第i个量子人工鱼第k个量子位的演进为：

$y_{ik}^{&ep siv; + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin θ_{ik}^{ϵ + 1}),$

aths>

其中abs(·)为取绝对值的函数，确保量子位在[0，1]之间，位置是通过测量方程对

量子位置的每一位进行测量得到的，第i个量子人工鱼第k个量子位

的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix});$

（6）根据食物浓度函数对所有新位置计算食物浓度值，若则否则

$p_{i}^{z + 1} = p_{i}^{z},$ $p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})};$

（7）如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返回

步骤

（8）得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

与现有技术相比，本发明充分考虑了在冲击噪声环境下进行鲁棒多用户检测所遇到

的检

(1)本发明解决了强冲击噪声环境下的鲁棒多用户检测问题，使用所设计的量子

Hopfield 神经网络和量子鱼群算法作为演进策略，所设计的方法具有收

测性能和检测时间的矛盾，具有以下优点：

五继续进行；

敛速度快，收敛精度高的优点。

(2)相对于现有的鲁棒多用户检测算法，本发明可以同时利用量子Hopfield神经网

络和量子鱼群算法的优势解决高斯噪声和冲击噪声的多用户检测问题，说

明本算法的适用性更广。

(3)仿真结果表明，本发明所提出的鲁棒多用户检测方法在优化时能够得到近似最

优解，但时间开销远远小于穷尽搜索，说明了所提鲁棒多用户检测方

法的有效性。

附图说明

图1基于量子神经网络和量子鱼群算法的鲁棒多用户检测方法示意图。

图2量子Hopfield神经网络的结构示意图。

图3量子鱼群算法进行鲁棒多用户检测的流程示意图。

图4当弱冲击噪声的特征指数取1.5时误码率和迭代次数关系曲线。

图5当弱冲击噪声的特征指数取1.5时用户1的误码率和用户1广义信噪比关系曲

线。

图6当强冲击噪声的特征指数取0.5时误码率和迭代次数关系曲线。

图7当强冲击噪声的特征指数取0.5时用户1的误码率和广义信噪比关系曲线。

图8为基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法的结构简

图。

具体实施方式

下面结合附图对本发明做进一步描述。

该方法先设计一种量子神经网络得到一个近似解，并提出解决离散优化问题的量子

鱼群算法。在工程应用中，当冲击噪声的特征指数为2时冲击噪声满足高

故本发明所提出的方法也能够解决高斯噪声环境

冲击噪声情况下也有好的检

斯噪声分布函数形式，

的多用户检测问题，在特征指数小于1的强

测结果。

本发明是通过如下技术方案来实现的，主要包括以下步骤：

步骤一，建立一种广泛的鲁棒多用户检测模型。对于离散同步CDMA信号模型中

的多用户检测，在某时刻接收信号为K个用户信号与噪声信号之和，

即式中，s_jk∈{-1,+1}是用户k的归一化特征波形；N是处理增益；

b_k∈{-1,+1}和A_k分别是用户k的数据比特和信号

幅值；A＝diag{A₁,A₂,…,A_K}是以

{A₁,A₂,…,A_K}为对角线元素的对角矩

阵；b＝[b₁,b₂,…,b_K]^T；n＝

[n₁,n₂,…,n_N]^T是独立同分

布的冲击背景噪声向量。冲击噪声环境的去相关鲁棒多用户检测器为

此A)检b]测器也是高斯噪声下最优多用户检测器，可根据此方

程设计量子Hopfield神经网络快速求解。鲁棒多用户检测问题可由误差绝对值的

幂的倒数的最大化求得，即0.1≤ρ＜2。当用户数较小时，即

当K≤20，ρ从0.1到2之间等间隔Δ取Num个值，在每个取值点使用穷尽搜索方

法检查所搜索到的测试用户最小误码率确定最优ρ值，否则，使用步骤二

进行Monte carlo仿真，根据测试用户最小误码到步骤八对每个取值点

率找到最优ρ值。

步骤二，激活量子Hopfield神经网络产生一个次优解。网络输入量子态通过硬判

决为二进制状态，量子神经元输出为量子

态-1≤u_i,β≤1。量子Hopfield神经网络输出为二进制状态v＝

[v₁,v₂,…,v_K]^T，量子神经元的外

部量子输入又称

的状态为

作量子偏置，可以定义为则第i个量子神经元在t时刻

。当量子神经元i输入为u_i＝

其中h_it[u_i,β_i]，量子旋转角度为

＝(g_l-0.5)C_a/[K(t-1)+i],g_l＝g_K(t-1)+i

是由混沌方程产生的混沌随机数，C_a为缩放因子，需要钳

对于一优化问题，若Hopfield神值在t代表每个神经元的更新次数。

经网络的能量函数为设

可以定义为

则量子Hopfield神经网络能量函数就

$\overline{E} = - \frac{1}{2} Σ_{i = 1}^{K} Σ_{j = 1}^{K} v_{i}^{t} w_{ij} v_{j}^{t} - Σ_{i = 1}^{K} I_{i} v_{i}^{t} = - \frac{1}{2} v^{T} wv - I^{T} v$

其中，w_ij＝w_ji，w_ii＝0。

基于量子Hopfield神经网络的多用户检测初值获取过程被介绍如下：

(1)量子Hopfield神经网络初始化。通过设置v＝b,F＝

(r^TSA)^T， W＝diag{AS^TSA)}-

AS^TSA把要解决的最优多用户检测问题映射到Hopfield神经网络，其

中 diag(AS^TSA)代表矩阵AS^TSA的对角线元素

w＝构成的对角矩阵。进一步设

W/max{|F|₁|F₂|,…,|F_K|}，I＝

F/max{|F|₁,|F₂|,…,|F_K|}，可进一步映射到量子

神经网络的定义空间。把传统检测器的判决输出作为量子Hopfield神

经网络的初始二进制输入。

(2)量子Hopfield神经依次选取量子神经元和其对应的量子偏置以进行异步更新。

(3)更新量子Hopfield神经网络确定量子旋转角，第i个量子神经元的旋转角为

其中h_it＝(g_l-0.5)C_a/[K(t-

1)+i],g_l＝g_K(t-1)+i为根据Logist映射生成的混沌

变量g_l＝4g_l-1(1-g_l-1)，混沌方程的初值是满

足约束为 g₁∈(0,1),g₁≠0.5,0.25,0.75的均匀随机

[-π/2,π/2]的边数，C_a为正常数，超过区间需要钳值在区间

界值，然后按公式求出第i个量子神

(4)按公式sgn2(·)代表二值判决函

比较进行判决求出量子神经元

元的输出保持不变。

经元的量子输入

数，函数代表从量子位中取实数值对与0

的二进制输出值此时网络的其他量子神经

(5)判断量子Hopfield神经网络是否达到稳定状态(可设置为每个神经元更新次数

t_max)，

网络运行。

步骤三，初始化量子鱼群，种群规模为M，第i个量子人工鱼的量子位置为

i＝1,2,…,M，k＝1,2,…,K，所有量子人工鱼的当前量子位置的量子位

若否，转至步骤(2)；若是，则停止量子Hopfield神经

均被初始化为第i个量子人工鱼第k个量子位的测量方程为

$x_{ik}^{z} = (\begin{matrix} + 1, {rand}_{ik}^{z} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z} \leq {(y_{ik}^{z})}^{2} \end{matrix}),$ 为均匀分布在[0，1]

之间的随机数。把第一个量子人工鱼的位置赋值为量子Hopfield神

鱼量子位置的量子位测量得经网络的最后输出值，对其它M-1个量子人工

到位置(i＝2,3,…,M)。量子人工鱼的局部最优位置的初值与相同，(i＝

1,2,…,M)。

步骤四，把鲁棒多用户检测问题看作最大值优化问题，食物浓度函数可设置为

所有量子人工鱼至今所找到的全局最优位置记作所有量子人工

鱼至今所找到的全局第2最优位置记作

$p_{b}^{z} = {[p_{b 1}^{z}, p_{b 2}^{z}, . . ., p_{bK}^{z}]}^{T} .$

步骤五，采用量子人工鱼群算法的演进规则对种群进行演化，每个量子人工鱼到达

新的量子位置和位置。在量子鱼群量子位置和位置的更新过程中，第i个

为中随机选择一种量子行为去迭代更新该人工鱼量子人工鱼从3种量子行

的所有量子位。

（1）方式1-量子觅食行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

其中c₁和c₂为常数，决定了指引该量子人工鱼的

置和全局最优位置对该量子人工鱼演化的影响程度。局部最优位

（2）方式2-量子追尾行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

其中c₃常数，决定了指引该量子人工鱼的全局最优位置对该量

化的影响程度子人工鱼演

（3）方式3-量子聚群行为：第i个量子人工鱼第k个量子位的量子旋转角更新为

$θ_{ik}^{z + 1} = c_{1} (p_{ik}^{z} - x_{2 k}^{z}) + c_{2} (p_{gk}^{z} - x_{ik}^{z}) + c_{4} (p_{bk}^{z} - x_{ik}^{z}),$ 其中c₄常数，决定了指引该

量子人工鱼的第2

确定量子旋转角后第i个量子人工鱼第k个量子位的演进过程如下：

$y_{ik}^{&ep 优秀位置对该量子人工鱼演化的影响程度 siv; + 1} = abs (y_{ik}^{ϵ} \cos θ_{ik}^{ϵ + 1} - \sqrt{1 - {(y_{ik}^{ϵ})}^{2}} \sin θ_{ik}^{ϵ + 1}),$

aths>其中abs(·)为取绝对值的函数，确保量子位在[0，1] 之间。位置是

通过测量方程对量子位置的每一位进行测量得到的，第i个量子人工鱼第k个量

子位的测量方程为

$x_{ik}^{z + 1} = (\begin{matrix} + 1, {rand}_{ik}^{z + 1} > {(y_{ik}^{z})}^{2} \\ - 1, {rand}_{ik}^{z + 1} \leq {(y_{ik}^{z})}^{2} \end{matrix}) .$

步骤六，根据食物浓度函数对所有新位置（解）计算食物浓度值。第i个量子人工

鱼的局

部最优位置更新规则如下：若则否则全局最优位置

更新规则为

$p_{g}^{z + 1} = \arg \max_{p_{i}} {f (p_{1}^{z + 1}), f (p_{2}^{z + 1}), . . ., f (p_{M}^{z + 1})} .$

步骤七，如果达到最大迭代代数，算法终止；否则，迭代次数加1，即z＝z+1，返

回步

步骤八，得到的全局最优位置就是检测多个用户的发射数据，输出检测结果。

本发明考虑到冲击噪声环境下CDMA系统完成多用户检测的过程中能够同时考虑

骤五继续进行。

抗多址干扰和远近效应，求解鲁棒多用户检测方程，得到最优解。

时间要求性能要求确定迭代次数，从而使

CDMA无线通信系统可以根据

所设计的鲁棒多用户检测方法满足性能要求。

假设DS-CDMA通信系统，有10个用户，扩频序列采用码字Go1d序列，为了验

证恶劣干扰下多用户检测器性能，扩频序列的最大的归一化互相关系

的多用户检测器有：基于量子遗传算法的

棒多用户检测器

数为9／3l。在仿真过程中使用

鲁棒多用户检测器（QGA）；基于粒子群算法的鲁

（PSO）；基于量子蜂群算法的鲁棒多用户检测器(SQBCA)；QGA，PSO和

SQBCA的检测模型和参数设置同

Technology》《International Journal of Computer Applications In

(2013,Vol.46,No.3,pp.244-251)上发表的“A simple quantum-inspired bee colony

algorithm for discrete optimisation problems”；基于所提的量子Hopfield神经

法的鲁棒多用户检测器(QHNN-QFS)。网络和量子鱼群算

基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测器的参数设置如下：

测试用户对ρ使用0.1的间隔搜索最优值，每个量子神经元被异步激活，

被激活C_a＝2，每个量子神经元

5次；M＝10,c₁＝0.1,c₂＝0.03,c₃＝

0.06,c₄＝0.01；种群规模同其它3种智能检测器的种群规模相

同都设为10，图5和图7仿真的终止迭代次数是其它3种智能算法最大迭代次

第i个用户的广义信噪比定义为γ为冲击噪声离差。为了考察算法的收

图4：当弱冲击噪声的特征指数取1.5时用户1的广义信噪比设为4dB，

其它用户功率与用户1的功率比即远近比为3dB，则仿真图给出了误码率和

敛速度，QGA，PSO和SQBCA算法的最大迭代次数都设为50。

数的五分之四。

迭

代次数关系曲线。

图5：当弱冲击噪声的特征指数取1.5时，除了第1个用户，其它用户功率相等，

其他用户与用户1功率比为2dB，则用户1的误码率和用户1广义信

噪比关系曲线。

图6：是当强冲击噪声的特征指数取0.5时用户1的广义信噪比设为4dB，

迭

图7：当强冲击噪声的特征指数取0.5时，除了第1个用户，其它用户功率相等，

其他用户与用户1功率比为2dB，则仿真图给出了用户1的误码率和

其它用户功率与用户1的功率比即远近比为5dB，则仿真图给出了误码率和

代次数关系曲线。

广义信噪比关系曲线。

从图4-7可以看出所设计的鲁棒多用户检测器无论在弱冲击噪声还是强冲击噪声环

境下检测效果都是最佳的，使用时间也是最少的，有好的抗多址干扰、远

能力。近效应和恶劣环境噪声

图8为基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法的结构简

图。

以图8的鲁棒多用户检测器为例，其它情况可以依此类推，在CDMA通信系统中

存在K 个用户，开始以某一或几个用户为测试用户，在不同的ρ值检测误码

得到一种最优鲁棒多用户检测的模型。发射的数

传统检测器的硬判决得到的

最优解。

率，得到最优ρ值进而

字信号经过冲击噪声信道到达接收端，经过

解作为初始输入激活量子Hopfield神经网络，快速得到一个局部

把量子鱼群中所有量子人工鱼的量子位置的量子位初始化为把量子Hopfield

神经网络获得的局部最优解当作量子鱼群的一个量子人工鱼的当前位置，其

它位置通过对量子位测量得到。运用本发明

鲁棒多所提出的量子鱼群算法，使用3种量子行为更新量子位置，求解

用户检测方程，完成鲁棒多用户检测过程。

USB迷 | 专注于互联网分享

基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法

与本文相关的文章

评论列表 (0)