【技术实现步骤摘要】
本专利技术属于无线通信，特别涉及该领域中的一种基于自适应蚁群优化算法的信道参数估计方法及系统。
技术介绍
1、无线信号的传输环境是动态变化的，信号在长距离的传输过程中容易遇到各种障碍物，如建筑物、行人、树木、车辆等，因此信号的传输有多条路径，多径效应会引起信道增益、相位、时延等参数的动态变化，对这些多径信道参数进行准确估计有利于提高定位精度和通信质量。
2、当前主流的定位系统有全球定位系统(gps)、格洛纳斯(glonass)、北斗卫星导航系统(bds)等，但是在高楼密集区、峡谷和山谷等环境下信号会受到阻碍，使得定位系统的定位精度受到影响，通过估计作为信道参数之一的时延，可以实现基于距离的定位方法，这作为主流定位系统的辅助方式获得了很大的关注，其中的关键问题是将信道参数准确估计出来。目前，用于估计包括方位角、仰角、复振幅、时延、多普勒频率等信道参数的方法有很多，如利用信号子空间和噪声子空间之间的正交特性，通过特征值分解的方法估计信道参数的music和esprit；svd算法将一个矩阵分解为三个矩阵的乘积，以提取和分析其固有的线性结构和特征；空间交替期望最大化(space alternating generalized expectation,sage)通过在多维参数空间中交替最大化每个参数的条件期望，以逐步优化目标函数的整体估计。music和esprit算法在大规模阵列和高信噪比情况下计算复杂度高，svd算法面对大矩阵时计算奇异值分解的时间复杂度较高，上述三者都局限于收发天线的阵列结构，sage算法虽然不局限于收发天
3、因此，亟需一种准确并且高效地多径参数估计方法，以解决上述存在的定位精度问题。
技术实现思路
1、本专利技术所要解决的技术问题就是提供一种基于自适应蚁群优化算法的信道参数估计方法及系统，可以准确地估计多径信道，减小定位误差，提高信道参数的估计精度。
2、本专利技术采用如下技术方案：
3、一种基于自适应蚁群优化算法的信道参数估计方法，其改进之处在于，包括如下步骤：
4、步骤1，生成快照的信道冲激响应；
5、步骤2，初始化所有路径的信道参数，包括每条路径的时延、角度和复振幅；
6、步骤3，基于初始化的信道参数，确定所有路径信道参数对应的搜索空间；
7、步骤4，基于对应的搜索空间，利用自适应蚁群优化算法估计每条路径的信道参数，每次迭代计算其适应度，保留当代蚁群中最优适应度对应的时延、角度和复振幅；
8、步骤5，满足自适应蚁群优化算法结束条件时，则返回所估计的参数，所有代蚁群中最优适应度对应的时延、角度和复振幅为所估计出的信道参数；否则返回步骤4。
9、进一步的，步骤1所建立的宽带信道的冲激响应h(t,τ)表示为：
10、
11、上式中，l(t)为t时刻传播的到达路径数，αl(t)、βl(t)、al(t)、vl(t)、τl(t)分别代表第l条到达路径的水平到达角、俯仰到达角、振幅、相位、多普勒频率、时延，l＝1,…l，d(αl(t),βl(t))代表由到达角定义的接收天线的导向矢量，δ为冲激函数。
12、进一步的，在步骤4中，基于对应的搜索空间，利用自适应蚁群优化算法估计每条路径的信道参数，具体包括：
13、步骤41，初始化设置蚁群中蚂蚁个数、迭代次数、信息素蒸发系数、转移概率常数和局部搜索步长；
14、步骤42，随机产生蚁群中蚂蚁的初始位置；
15、步骤43，计算蚁群的适应度函数值，并将其设为初始信息素；
16、步骤44，计算状态转移概率；
17、步骤45，利用状态转移规则进行位置更新；
18、步骤46，判断蚂蚁是否移动并更新信息素；
19、步骤47，保留当代蚁群中最优适应度函数值对应的解。
20、进一步的，在步骤41中，适应度函数f为：
21、
22、上式中，z为接收信号，fu代表第u个频带的频率，u＝1,…u，为：
23、
24、上式中，h为信道的冲激响应h的频域表示。
25、进一步的，在步骤43中，算法初始时将随机产生的蚁群对应的适应度函数值设为初始信息素，并在蚂蚁搜索的过程中将信息素浓度作为蚂蚁路径选择的引导，信息素浓度越高，该路径的重要性和优越性越高，使得蚂蚁选择该路径的概率越大；将适应度函数的值转换为信息素浓度，利用适应度函数提供的解的质量信息，引导蚂蚁在搜索过程中倾向于选择高质量的路径。
26、进一步的，在步骤44中，通过比较当前路径和最佳路径的信息素浓度差异来决定状态转移概率，状态转移概率为：
27、
28、上式中，ωbest是信息素浓度最高的路径的浓度，ωm是第m只蚂蚁所在路径的信息素浓度。
29、进一步的，在步骤45中，位置更新使用一种结合局部搜索和全局搜索策略的混合优化方法，当状态转移概率小于转移概率常数时，进行局部搜索；当状态转移概率大于转移概率常数时，进行全局搜索，产生新的蚂蚁位置，并利用边界吸收方式进行边界条件处理，将蚂蚁位置界定在取值范围内。
30、进一步的，在步骤46中，采用自适应基于适应度的蒸发系数，当算法求得的最优值在一定次数循环内没有明显改进时：
31、
32、上式中，ρ(t)为t代的信息素蒸发系数，ρmin为最小信息素蒸发系数，ρmax为最大信息素蒸发系数，k为调解参数，fcur为当前的适应度值，fbest为当前蚁群中最优的适应度值。
33、一种基于自适应蚁群优化算法的信道参数估计系统，其改进之处在于：包括初始化模块和估计模块；
34、初始化模块基于信道冲激响应初始化自适应蚁群优化算法参数，包括时延、角度和复振幅；
35、估计模块基于多径参数估计问题的搜索空间，利用自适应蚁群优化算法的全局搜索能力估计信道多径的时延、角度、复振幅，每次迭代计算其适应度，保留最优适应度对应的位置信息，根据自适应蚁群优化算法结束条件返回所估计的参数。
36、本专利技术的有益效果是：
37、本专利技术所公开的方法及系统，针对估计多径信道参数问题，利用蚁群优化算法全局搜索最优解的能力，并通过不断迭代计算多径信道参数的方法，提高了估计多径信道参数的准确度。不仅有效地平衡了搜索空间的广度和深度，还通过引导搜索方向，避免了传统方法中常见的局部最优陷阱，最终实现了更为精准和可靠的多径信道参数估计。
本文档来自技高网...【技术保护点】
1.一种基于自适应蚁群优化算法的信道参数估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：步骤1所建立的宽带信道的冲激响应h(t,τ)表示为：
3.根据权利要求1所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤4中，基于对应的搜索空间，利用自适应蚁群优化算法估计每条路径的信道参数，具体包括：
4.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤41中，适应度函数f为：
5.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤43中，算法初始时将随机产生的蚁群对应的适应度函数值设为初始信息素，并在蚂蚁搜索的过程中将信息素浓度作为蚂蚁路径选择的引导，信息素浓度越高，该路径的重要性和优越性越高，使得蚂蚁选择该路径的概率越大；将适应度函数的值转换为信息素浓度，利用适应度函数提供的解的质量信息，引导蚂蚁在搜索过程中倾向于选择高质量的路径。
6.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计
7.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤45中，位置更新使用一种结合局部搜索和全局搜索策略的混合优化方法，当状态转移概率小于转移概率常数时，进行局部搜索；当状态转移概率大于转移概率常数时，进行全局搜索，产生新的蚂蚁位置，并利用边界吸收方式进行边界条件处理，将蚂蚁位置界定在取值范围内。
8.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤46中，采用自适应基于适应度的蒸发系数，当算法求得的最优值在一定次数循环内没有明显改进时：
9.一种基于自适应蚁群优化算法的信道参数估计系统，其特征在于：包括初始化模块和估计模块；
...【技术特征摘要】
1.一种基于自适应蚁群优化算法的信道参数估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：步骤1所建立的宽带信道的冲激响应h(t,τ)表示为：
3.根据权利要求1所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤4中，基于对应的搜索空间，利用自适应蚁群优化算法估计每条路径的信道参数，具体包括：
4.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤41中，适应度函数f为：
5.根据权利要求3所述基于自适应蚁群优化算法的信道参数估计方法，其特征在于：在步骤43中，算法初始时将随机产生的蚁群对应的适应度函数值设为初始信息素，并在蚂蚁搜索的过程中将信息素浓度作为蚂蚁路径选择的引导，信息素浓度越高，该路径的重要性和优越性越高，使得蚂蚁选择该路径的概率越大；将适应度函数的值转换为信息素浓度，利用适应度函数提供的解...
【专利技术属性】
技术研发人员：郭兰图，左伟庆，王威，孙霆，赵军，程尧，薛冰洁，吕悦，冯阳，郭琛，
申请(专利权)人：中国电波传播研究所中国电子科技集团公司第二十二研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。