遺傳算法優化BP神經網絡的信號檢測?

劉東霞，孫瓊瓊

（平頂山教育學院，平頂山467000）

遺傳算法優化BP神經網絡的信號檢測?

劉東霞，孫瓊瓊

（平頂山教育學院，平頂山467000）

針對傳統方法單獨采用BP神經網絡算法易陷入局部極值的問題，提出了遺傳算法優化BP神經網絡，并將其應用于MIMO-OFDM系統信號檢測中。該方法將遺傳算法與神經網絡相結合，用遺傳算法優化神經網絡初始值，使BP網絡快速收斂到最優解，避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明所提出的方法在誤碼率方面有比較好的性能。

BP神經網絡；信號檢測；遺傳算法；MIMO-OFDM系統

1 引 言

OFDM以及MIMO技術是未來寬帶無線移動通信系統中的關鍵技術，接收端在檢測信號時采用的檢測算法對提高整個系統的性能至關重要。神經網絡具有高度容錯、大規模自適應并行處理、信息分布式存儲等優點，可應用于信號檢測領域。例如文獻［1］中用RBF神經網絡得到了在CDMA系統環境下接近最優貝葉斯檢測器的性能，文獻［2］給出了垂直分層空時碼的MAP檢測器的RBF神經網絡實現算法。遺傳算法主要就是根據達爾文的進化論以及孟德爾和摩根的遺傳學理論而提出的一種基于生物進化機制的全局性概率搜索算法［3-4］。本文提出遺傳算法優化BP神經網絡，并將其應用于MIMOOFDM系統信號檢測中。該方法將遺傳算法與神經網絡相結合，用遺傳算法優化神經網絡初始值，使BP網絡快速收斂到最優解，避免了由初始值的隨機選取而帶來的檢測誤碼。

2 遺傳算法優化的BP神經網絡

2.1 BP神經網絡

設X1，X2，…，Xn為BP神經網絡輸入向量，Y1，Y2，…，Ym為輸出值，Wij和Wjk為權值，典型的BP神經網絡拓撲結構圖如圖1所示。

圖1 BP神經網絡結構圖

當BP神經網絡輸入和輸出節點數分別為n和m時，其反映n個自變量與m個因變量之間映射關系。BP神經網絡建模預測包括網絡結構構建、訓練和預測三步，基本工作流程如圖2所示［5-6］。

圖2 BP神經網絡算法的工作流程

BP神經網絡的構建階段需要根據系統模型和設計目標對網絡中的參數進行賦初值，這包括：輸入層節點數n、輸出層節點數m、隱含層節點數l，并初始化各層間連接權值Wij和Wjk，另外根據網絡形式初始化隱含層閾值a，輸出層閾值b，并給定學習速率和神經元激勵函數。

BP神經網絡訓練是一個多次循環的過程［7-8］：首先輸入訓練樣本并計算各層輸出，根據計算的輸出誤差和由輸出誤差反饋到各層生成的各層誤差來調整各層權值，如此訓練直到滿足訓練結束條件；訓練好的神經網絡即可輸入數據進行預測使用。

2.2 遺傳算法優化BP神經網絡

遺傳算法是美國密執安（Michigan）大學的John.H.Holland教授設計的一種借鑒生物界自然選擇、遺傳變異和進化機制的高度并行、隨機、自適應的搜索算法，該算法具有簡單易懂、魯棒性強、適合并行處理的特點，可用于解決各種復雜優化問題。遺傳算法基本操作可以分為選擇操作、交叉操作、變異操作三個部分。遺傳算法對BP神經網絡的優化主要用于得到最優網絡初始權值和網絡賦值。遺傳算法優化的BP神經網絡算法流程如圖3所示。經過遺傳算法優化的BP神經網絡能夠獲得更好的訓練效果，提高預測精度。

3 實驗結果與分析

根據以上提到的方法，實驗使用Matlab 7.0，考慮以下檢測方法：①最小均方誤差MMSE檢測算法；②RBF方法：基于RBF神經網絡的MIMOOFDM信號檢測；③GA-BP方法：基于遺傳算法優化BP神經網絡的MIMO-OFDM信號檢測。實驗結果表明：遺傳算法優化BP網絡的檢測方案比MMSE、RBF的檢測性能好，正確率更高（見表1）。

圖3 遺傳算法優化BP神經網絡

表1 基于三種算法的檢測正確率（50次）

4 結束語

提出了遺傳算法優化BP神經網絡，并應用于MIMO-OFDM系統信號檢測中。將遺傳算法與神經網絡相結合，用遺傳算法優化神經網絡初始值，由于遺傳算法給BP網絡提供了較好的初始值，故能夠使BP網絡快速收斂到最優解，避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明本文所提出的檢測器在誤碼率方面有良好的性能。

［1］Helmut Bolcskei，A JPaulraj.Multiple-Input Multiple-Output（MIMO）Wireless Systems［J］.IEEE Select Areas Communication，2003，21（4），281-302.

［2］周敏.量子遺傳算法優化神經網絡及其在MIMO系統信號檢測中的應用研究［D］.南京：南京郵電大學，2010.

［3］Bo Xu，Zhiping Peng，Gaoang Wang，Jing Dai.An Improved Quantum-inspired Multi-objective Evolutionary Algorithm Based on Cloud Theory［J］.Journal of Computational Information Systems，2012，8（5）：2017-2023.

［4］周敏，李飛，鄭寶玉.基于量子算法的MIMO—OFDM信號檢測研究［J］.南京郵電大學學報：自然科學版，2011，31（2）：78-82，93.

［5］王軍，劉寧，李少謙.一種動態子信道分配MIMOOFDM波束成形系統的信號檢測算法［J］.電子與信息學報，2010，32（1）：135-140.

［6］才華，劉廣文，陳廣秋.基于神經網絡的MIMO-OFDM信道估計［J］.計算機工程與應用，2011，47（34）：114-116.

［7］吳成恩，舒勤.一種新的基于訓練序列的時域MIMOOFDM信道估計方法［J］.計算機科學，2012，39（5）：80-82.

［8］莫韜甫，邵士海，劉田，等.異步MIMO-OFDM中基于預處理矩陣的迭代檢測算法［J］.電子與信息學報，2012，34（4）：795-801.

Genetic Algorithm Optim izing BP Neural Network for Signal Detection

LIU Dong-xia，SHUN Qiong-qiong
（Department of Computer Science，Pingdingshan Institute of Education，Pingdingshan 467000，China）

In view of the problem of easily trapping in localminima caused by the traditionalmethod which using BP neural network algorithm alone，the genetic algorithm is put forward to optimize the BP neural network，and applied to signal detection in MIMO-OFDM system.Themethod，combining genetic algorithm and neural network，optimizes neural network initial values by genetic algorithm for the BP network convergence to the optimal solution quickly in order to avoid test error by the initial value of the random selection.The simulation results show that the presented method has a better performance in bit error rate.

BP neural network；Signal detection；MIMO-OFDM systems；Genetic algorithms

10.3969／j.issn.1002-2279.2014.04.021

TP393

：A

：1002-2279（2014）04-0066-02

河南省科技計劃重點項目（102102210416）

劉東霞（1979-），女，河南平頂山人，講師，主研方向：計算機技術應用方面的研究。

2014-01-06