本發明(ming)涉(she)及的是一種最(zui)優(you)多用戶檢測方法。

背景技術：

碼分(fen)多(duo)址(cdma)通信(xin)系(xi)統(tong)是近(jin)年(nian)來用(yong)于數字蜂窩移動通信(xin)的(de)(de)一種先(xian)進(jin)的(de)(de)無線擴(kuo)頻通信(xin)技(ji)術，但由于多(duo)址干擾和(he)遠近(jin)效應(ying)(ying)的(de)(de)存在(zai)，使系(xi)統(tong)性能(neng)(neng)受到(dao)影響。多(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測方法是解(jie)決該問(wen)題(ti)的(de)(de)有效方法，在(zai)接收端使用(yong)多(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測技(ji)術能(neng)(neng)夠有效抑制(zhi)多(duo)址干擾和(he)遠近(jin)效應(ying)(ying)對cdma系(xi)統(tong)產生的(de)(de)不利(li)影響，提高(gao)(gao)通信(xin)系(xi)統(tong)性能(neng)(neng)和(he)容量。作為cdma通信(xin)系(xi)統(tong)的(de)(de)一項(xiang)關(guan)鍵技(ji)術，多(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測技(ji)術不是把多(duo)址干擾和(he)遠近(jin)效應(ying)(ying)簡(jian)單(dan)的(de)(de)看(kan)做干擾噪(zao)聲進(jin)行處理，而(er)是把它(ta)作為一種有用(yong)的(de)(de)信(xin)息(xi)，充分(fen)利(li)用(yong)各用(yong)戶(hu)(hu)之間的(de)(de)關(guan)系(xi)進(jin)行聯合檢(jian)(jian)測，提高(gao)(gao)系(xi)統(tong)的(de)(de)檢(jian)(jian)測性能(neng)(neng)和(he)系(xi)統(tong)容量。

基(ji)于(yu)人工(gong)神經網絡的(de)多(duo)用戶(hu)檢(jian)測(ce)(ce)方法是一(yi)種可(ke)快(kuai)速實現，且在一(yi)定程(cheng)度上能(neng)夠克服(fu)多(duo)址干擾(rao)和遠近效應(ying)(ying)不(bu)利(li)影響的(de)多(duo)用戶(hu)檢(jian)測(ce)(ce)方法。人工(gong)神經網絡具有自學習(xi)、聯想(xiang)記憶、自適應(ying)(ying)和非線(xian)性逼近等(deng)功能(neng)，基(ji)于(yu)人工(gong)神經網絡設計的(de)多(duo)用戶(hu)檢(jian)測(ce)(ce)方法通(tong)過(guo)訓練(lian)后可(ke)以在不(bu)具備對象先(xian)驗(yan)知識的(de)條件下，僅根據輸(shu)出(chu)數據就可(ke)直接(jie)進行檢(jian)測(ce)(ce)，為(wei)解(jie)決復雜(za)的(de)多(duo)用戶(hu)檢(jian)測(ce)(ce)問題(ti)提供了一(yi)條便捷的(de)途徑。隨(sui)著應(ying)(ying)用的(de)深入和實際問題(ti)日(ri)(ri)益(yi)(yi)復雜(za)，基(ji)于(yu)訓練(lian)序列的(de)多(duo)用戶(hu)檢(jian)測(ce)(ce)器所存在的(de)局限(xian)和不(bu)足也日(ri)(ri)益(yi)(yi)明顯，其在實際應(ying)(ying)用中存在收斂性能(neng)差和受(shou)訓練(lian)過(guo)程(cheng)制約的(de)缺點(dian)。如何克服(fu)現有神經網絡多(duo)用戶(hu)檢(jian)測(ce)(ce)方法的(de)局限(xian)和不(bu)足，是一(yi)個具有挑(tiao)戰(zhan)性的(de)難題(ti)。

高(gao)洪元(yuan)等在(zai)《計算(suan)機工程(cheng)》(2007,vol.33,no.10,pp.196-198)上(shang)發表的(de)(de)(de)“基(ji)(ji)于神(shen)(shen)經網絡量子算(suan)法(fa)的(de)(de)(de)多(duo)用(yong)(yong)戶檢測器(qi)”中提(ti)出(chu)了一種hopfield神(shen)(shen)經網絡和(he)量子搜索算(suan)法(fa)進而設計新的(de)(de)(de)多(duo)用(yong)(yong)戶檢測器(qi)，在(zai)較短的(de)(de)(de)時(shi)(shi)間內達到(dao)最(zui)(zui)(zui)優(you)，但是仍難以獲得最(zui)(zui)(zui)優(you)的(de)(de)(de)抗(kang)多(duo)址干擾能力和(he)抗(kang)遠近效應能力。xiajunbo等在(zai)《2016internationalconferenceonsmartcityandsystemsengineering》(2016,pp.175-178)上(shang)發表的(de)(de)(de)“cdmamultiuserdetectionbasedonimprovedparticleswarmoptimization”中提(ti)出(chu)了一種基(ji)(ji)于提(ti)高(gao)的(de)(de)(de)粒子群算(suan)法(fa)的(de)(de)(de)多(duo)用(yong)(yong)戶檢測器(qi)，只(zhi)有(you)在(zai)種群規模和(he)迭代次數足夠大(da)的(de)(de)(de)情況下才能獲得較好的(de)(de)(de)收(shou)斂性(xing)能，在(zai)低計算(suan)復雜度下達不到(dao)最(zui)(zui)(zui)優(you)檢測結(jie)果。已(yi)有(you)文(wen)獻(xian)檢索表明，現有(you)多(duo)用(yong)(yong)戶檢測方(fang)法(fa)經常會(hui)陷入(ru)局部極值(zhi)無法(fa)獲得全局最(zui)(zui)(zui)優(you)值(zhi)，演化(hua)時(shi)(shi)間較長，檢測結(jie)果的(de)(de)(de)魯棒(bang)性(xing)能較差。

技術實現要素：

本發明的目的在(zai)于(yu)提(ti)供一種能在(zai)最(zui)短的時間達到最(zui)優的檢(jian)(jian)測性能的基(ji)于(yu)演(yan)化混沌量子(zi)神經(jing)網絡的最(zui)優多用戶檢(jian)(jian)測方法。

本發明(ming)的(de)(de)目的(de)(de)是這樣實現的(de)(de)：

步驟(zou)一，建立最優多(duo)用(yong)戶檢測模型

1.ds-cdma多用(yong)戶檢測(ce)模型

假定有k個正在通信的用戶，則在時刻基站接收到的信號為其中：m為處理數據長度，t為發送信號間隔，ak(m)為第k個用戶到達基站時第m個比特的信號幅值，bk(m)∈{-1,1}為第k個用戶發送的第m個比特信息，為第k個用戶的擴頻波形，τk∈[0,t)為第k個用戶的信號時延，為功率譜密度(du)為n0/2的高斯白噪(zao)聲；

對于同步高斯信道τk＝0,k＝1,2,…,k，m＝1；k個用戶的匹配濾波器輸出的向量形式為y＝[y1,y2,…yk]^t，y＝rab+n，其中r是不同用戶特征波形的相關矩陣,其元素表示為a＝diag(a1,a2,…,ak)是以{a1,a2,…,ak}為對角線元素的對角矩陣；b＝[b1,b2,…,bk]^t；n＝[n1,n2,…,nk]^t為均值為零的高斯噪聲向量；

最佳多用戶檢測器輸出向量為：構造最大值函數為

2.mc-cdma多用戶檢測模型(xing)

假設有k個用戶和n個載波在同一時隙被激活，每個用戶有獨一無二的特征碼，用戶k傳輸的符號經過歸一化的擴頻碼βk＝[β1k,β2k,…,βnk]^t進行頻域擴頻后，由n點的逆(ni)傅里(li)葉變換(huan)(huan)(huan)進行基帶調(diao)制，在加入循環保護(hu)(hu)前(qian)(qian)綴間(jian)隔(ge)和(he)實現并串轉換(huan)(huan)(huan)后，信(xin)(xin)號(hao)(hao)從發(fa)射(she)天線(xian)發(fa)射(she)出去，在基站接收(shou)端，接收(shou)天線(xian)輸(shu)出的信(xin)(xin)號(hao)(hao)經串并轉換(huan)(huan)(huan)和(he)去保護(hu)(hu)前(qian)(qian)綴后，通過(guo)離散傅里(li)葉變換(huan)(huan)(huan)進行解調(diao)，假(jia)定第k個用戶(hu)被激活，基站接收(shou)端在一個多(duo)載波(bo)符(fu)號(hao)(hao)持(chi)續(xu)期內(nei)收(shou)到的頻域信(xin)(xin)號(hao)(hao)為

其中，hnk為用戶k到達基站時在第n個子載波上的信道頻域響應，bk(l)∈{-1,1}為第k個用戶在第l個多載波符號期內傳輸的符號，nnk(l)為第k個用戶的第n個子載波在第l個多載波符號期內接收到的采樣噪聲，第k個用戶的接收信號采樣矩陣表達方式為rk＝hkakbk+nk，式中，rk＝[r1k,r2k,…,rnk]^t為第k個用戶接收信號的采樣向量，hk＝[β1kh1k,β2kh2k,…,βnkhnk]^t為用戶k的等效頻域矩陣，噪聲分量nk(t)＝[n1k,n2k,…,nnk]^t為高斯白噪聲，所有k個用戶被激活時，基站接收到的頻域信號為其中h＝[h1,h2,…,hk]，b＝[b1,b2,…,bk]^t；a＝diag(a1,a2,…,ak)是對角矩(ju)陣；

高斯噪聲環境下，mc-cdma最佳多用戶檢測器就是找出一個信號序列，使給定輸出序列的似然函數最大，其輸出表示為：其中re()代表取實部運算，則構造mc-cdma系統的目標函數為

步驟二，初始化混沌量子神經網絡的初始參數，把多用戶檢測的極大似然方程映射為混沌量子神經網絡的能量函數，激活混沌量子神經網絡獲得近似最優解，對于某一優化問題，若hopfield神經網絡的能量函數為設則混沌量子神經網絡和演化混沌加擾的量子神經網絡的能量函數定義為其中，wkj＝wjk，wkk＝0，量子神經元輸出為量子態矢量u＝[u1，u2，…，uk]^t，量子神經網絡輸出的二進制狀態為v＝[v1,v2,…,vk]^t，網絡輸入量子態通過硬判決為二進制狀態，在第t次迭代量子神經網絡輸出的量子態矢量為第t次迭代量子神經網絡輸出的二進制狀態為量子神經元k的外部量子輸入又稱作量子偏置定義為ik，則第k個量子神經元在第t次迭代的狀態為

混(hun)沌量子神經(jing)網(wang)絡的演化步驟為:

(1)首先(xian)初始化混沌量子神經網絡的(de)參數，把要(yao)解決(jue)的(de)優(you)化問題映(ying)射到量子空(kong)間，初始時，令(ling)t＝0；

(2)更新混沌量子神經網絡的動態方程為其中，wkj表示量子連接權系數，wkj＝wjk且wkk＝0；是能量函數梯度收斂項的尺度因子，α為神經網絡的衰減因子，0≤α≤1；ek(t)為自反饋連接權；β為時變參量的衰減因子，0≤β≤1；ε表示輸出的銳度參數，量子旋轉角鉗(qian)值在[-π/2,π/2]；

(3)判斷是否達到終止迭代次數，若是，則令其中，sign2(·)代(dai)表二值判決函(han)數，t1max為(wei)每(mei)個神經元(yuan)最大迭代(dai)次數，迭代(dai)終止，執行(xing)下一步(bu)驟(zou)；否則，迭代(dai)次數加1，返(fan)回(2)；

步驟三，初始化量子個體，種群規模為h，在第z次迭代，第i個量子個體的量子態為所有量子個體量子態的量子位均被初始化為第i個量子個體的第k個量子位的測量方程為為均勻分布在[0，1]之間的隨機數；把第一個量子個體的二進制測量態賦值為混沌量子神經網絡的輸出值，對其它h-1個量子個體量子態的量子位測量得到二進制態

步驟四，構造和計算適應度函數，令計算每個量子個體的適應度函數值，把所找到的全局最優解記作

步驟五，使用模擬的量子旋轉門演化量子個體的量子態和獲得新的測量態，第i個量子個體的第k個量子旋轉角為ck為[0,1]之間的常數,sign3為3值判決輸出函數；第i個量子個體的第k個量子旋轉門為對量子態測量得到二進制態

步(bu)驟(zou)六，對于(yu)每個量子個體的(de)二(er)進制(zhi)態，激活演化混(hun)沌加(jia)擾的(de)量子神經網絡演進機制(zhi)產生一(yi)個次優解；

基(ji)于演(yan)化混(hun)沌加(jia)擾的量子(zi)神經網絡的多用戶(hu)檢(jian)測的演(yan)化過程具體(ti)包(bao)括：

(1)演化(hua)(hua)混(hun)沌(dun)(dun)加擾(rao)的(de)量(liang)(liang)(liang)子(zi)神(shen)經(jing)(jing)網(wang)(wang)絡初始化(hua)(hua)，通過參數(shu)設置把要(yao)解決的(de)最(zui)優多(duo)用戶檢測問題(ti)映(ying)射(she)到hopfield神(shen)經(jing)(jing)網(wang)(wang)絡，進(jin)一步將hopfield神(shen)經(jing)(jing)網(wang)(wang)絡映(ying)射(she)到混(hun)沌(dun)(dun)量(liang)(liang)(liang)子(zi)神(shen)經(jing)(jing)網(wang)(wang)絡，演化(hua)(hua)混(hun)沌(dun)(dun)加擾(rao)的(de)量(liang)(liang)(liang)子(zi)神(shen)經(jing)(jing)網(wang)(wang)絡和(he)混(hun)沌(dun)(dun)量(liang)(liang)(liang)子(zi)神(shen)經(jing)(jing)網(wang)(wang)絡的(de)能量(liang)(liang)(liang)函數(shu)相同(tong)；把量(liang)(liang)(liang)子(zi)個體當(dang)前的(de)二進(jin)制測量(liang)(liang)(liang)態作為(wei)演化(hua)(hua)混(hun)沌(dun)(dun)加擾(rao)的(de)量(liang)(liang)(liang)子(zi)神(shen)經(jing)(jing)網(wang)(wang)絡的(de)初始二進(jin)制輸(shu)入；

(2)演化混沌加擾(rao)的量(liang)子(zi)(zi)神(shen)經(jing)網絡依(yi)次選取量(liang)子(zi)(zi)神(shen)經(jing)元和其對應的量(liang)子(zi)(zi)偏(pian)置以進(jin)行異步更新，初(chu)始時(shi)，令t＝0；

(3)更新演化混沌加擾的量子神經網絡確定量子旋轉角，第k個量子神經元在第(t+1)次迭代的旋轉角為其中k＝1,2,...,k，hkt＝(gd-0.5)ca/[k(t-1)+k],gd＝gk(t-1)+k為根據logist映射生成的混沌變量，gd＝4gd-1(1-gd-1)，混沌方程的初值是滿足約束為g1∈(0,1),g1≠0.5,0.25,0.75的均勻隨機數，ca為正常數，超過區間需要鉗值在區間[-π/2,π/2]的邊界值，然后按公式求出第(di)k個(ge)量(liang)子(zi)神(shen)經元的(de)量(liang)子(zi)輸入；

(4)按公式其中k＝1,2,...,k，sign2[·]代表二值判決函數，對與0比較進行判決得到量子神經元的二進制輸出值

(5)判斷演化混沌加擾的量子(zi)神(shen)經網(wang)絡(luo)是否(fou)達到穩定狀態(tai)，若否(fou)，令t＝t+1，轉至步驟(3)；若是，則停止演化混沌加擾的量子(zi)神(shen)經網(wang)絡(luo)的運(yun)行，獲得優秀(xiu)的二進制近似最優解；

步驟七，根據二進制態，計算每個量子個體的適應度函數值，把所找到的全局最優解記作

步驟八，判(pan)斷量(liang)子種(zhong)群中個體是否達到最大迭代(dai)(dai)次數zmax，是，則(ze)迭代(dai)(dai)停止，輸(shu)出多用戶檢(jian)測的最優結果(guo)，否則(ze)迭代(dai)(dai)次數加1，返回步驟五。

本發明是通(tong)過(guo)使(shi)用混(hun)沌量(liang)子神經網(wang)絡和演化混(hun)沌加擾的量(liang)子神經網(wang)絡快速得到最優(you)檢測結(jie)果(guo)，并使(shi)用模(mo)擬(ni)的量(liang)子旋轉門(men)演化量(liang)子個體(ti)，解決現(xian)有(you)多用戶檢測方法在短(duan)時間內無(wu)法達到最優(you)檢測結(jie)果(guo)這一技術和理論難題。

本發明在離散hopfield神經網絡(luo)的(de)基礎上，對量(liang)子(zi)(zi)計(ji)算進(jin)行深入的(de)分析，引入混沌(dun)(dun)(dun)變(bian)異策(ce)略和暫態混沌(dun)(dun)(dun)理論，設計(ji)混沌(dun)(dun)(dun)量(liang)子(zi)(zi)神經網絡(luo)和演(yan)化混沌(dun)(dun)(dun)加擾(rao)的(de)量(liang)子(zi)(zi)神經網絡(luo)，突破(po)現有設計(ji)多用戶檢測器尋優方式(shi)的(de)固有模式(shi)，在較短的(de)時(shi)間內獲得(de)最優的(de)檢測性能(neng)。

本發明針對現有(you)高(gao)斯噪聲環境下(xia)多(duo)(duo)用戶(hu)檢(jian)測(ce)方(fang)法(fa)存在(zai)(zai)的缺點和不足(zu)，利用神(shen)經網(wang)(wang)絡的自學(xue)習、聯想記憶、自適應和非線性(xing)逼近的優點以及量子計(ji)算(suan)的機(ji)理并引入混(hun)沌(dun)變異策略和暫態混(hun)沌(dun)理論，設計(ji)混(hun)沌(dun)量子神(shen)經網(wang)(wang)絡和演化混(hun)沌(dun)加(jia)擾的量子神(shen)經網(wang)(wang)絡，突破現有(you)多(duo)(duo)用戶(hu)檢(jian)測(ce)器(qi)設計(ji)方(fang)法(fa)的固有(you)模式，在(zai)(zai)短時間(jian)獲(huo)得最優的檢(jian)測(ce)結果，并具有(you)較(jiao)好的抗多(duo)(duo)址干擾能(neng)力和抗遠近效應能(neng)力，能(neng)夠同時解決ds-cdma和mc-cdma系統的多(duo)(duo)用戶(hu)檢(jian)測(ce)問題，應用范(fan)圍廣泛。

與現有多(duo)用戶檢(jian)測設計方(fang)法相(xiang)比本發明所設計的(de)最優(you)多(duo)用戶檢(jian)測方(fang)法能(neng)夠(gou)在短時間(jian)達到最優(you)檢(jian)測性能(neng)，具有以下優(you)點：

(1)本發明解決了(le)高斯噪聲環境下的(de)(de)多用戶檢測(ce)問題，使用所設計的(de)(de)混(hun)沌(dun)量(liang)子神經網絡和演化(hua)混(hun)沌(dun)加擾的(de)(de)量(liang)子神經網絡作(zuo)為尋優(you)策略，所設計的(de)(de)演化(hua)混(hun)沌(dun)量(liang)子神經網絡最優(you)多用戶檢測(ce)方法具有實現時(shi)間短(duan)和檢測(ce)性能好(hao)的(de)(de)優(you)點。

(2)相(xiang)對于現有(you)多(duo)用戶檢測方法(fa)，本發明可(ke)同時利用混(hun)(hun)沌(dun)量子神(shen)經(jing)網絡和演化混(hun)(hun)沌(dun)加擾(rao)的量子神(shen)經(jing)網絡的優勢，消除了多(duo)址(zhi)干擾(rao)和遠近效應對ds-cdma和mc-cdma系統(tong)性(xing)能影響的難題，應用范圍廣泛(fan)。

(3)仿真(zhen)結果表明(ming)，本(ben)發(fa)明(ming)所(suo)提出的演化(hua)混(hun)沌量子神經網絡最優(you)多(duo)(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測(ce)方(fang)(fang)法在優(you)化(hua)時(shi)能夠得到(dao)全(quan)局(ju)最優(you)解，但所(suo)需(xu)時(shi)間遠遠小于窮(qiong)盡搜索和其他基于智能計算的多(duo)(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測(ce)方(fang)(fang)法，說明(ming)了所(suo)設計的多(duo)(duo)用(yong)戶(hu)(hu)檢(jian)(jian)測(ce)方(fang)(fang)法的有效性(xing)和高效性(xing)。

附圖說明

圖1所設(she)計演化混沌量子神經網絡多(duo)用(yong)戶檢測(ce)器示意圖。

圖(tu)2目(mu)標用戶1的(de)誤碼率和目(mu)標用戶1的(de)信噪比的(de)關(guan)系曲線。

圖3目標用(yong)戶(hu)1的誤碼率和(he)目標用(yong)戶(hu)1的遠近比(bi)關系曲線。

圖(tu)410個用(yong)戶的平均誤碼率(lv)和信(xin)噪比的關系(xi)曲線(xian)。

圖510個用戶(hu)的平均誤碼率和遠近比的關(guan)系(xi)曲線。

具體實施方式

下(xia)面舉例對本發明做(zuo)更詳細的描述。

步驟(zou)一，建立最優(you)多用戶檢(jian)測模型。

1.ds-cdma(直(zhi)接序列(lie)碼分多址)多用戶檢(jian)測模型

考慮ds-cdma通信系統，假定小區有k個正在通信的用戶，則在時刻基站接收到的信號為其中，m為處理數據長度，t為發送信號間隔。ak(m)為第k個用戶到達基站時第m個比特的信號幅值；bk(m)∈{-1,1}為第k個用戶發送的第m個比特信息；為第k個用戶的擴頻波形；τk∈[0,t)為第k個用戶的信號時延；為功率譜密度(du)為n0/2的高斯(si)白噪聲。

對于同步高斯信道τk＝0(k＝1,2,…,k)，m＝1；k個用戶的匹配濾波器輸出的向量形式為y＝[y1,y2,…yk]^t。y＝rab+n，其中r是不同用戶特征波形的相關矩陣,其元素可表示為a＝diag(a1,a2,…,ak)是以{a1,a2,…,ak}為對角線元素的對角矩陣；b＝[b1,b2,…,bk]^t；n＝[n1,n2,…,nk]^t為(wei)均(jun)值為(wei)零的高斯噪聲向量。

最佳多用戶檢測(omd)就是采用最大似然序列準則找出一個接收信號序列，使給定輸出序列的似然函數最大。最佳多用戶檢測器輸出向量為：構造最大值函數為

2.mc-cdma(多載波碼分多址)多用(yong)戶檢(jian)測模(mo)型

考慮一mc-cdma通信系統的上行鏈路，假設小區中有k個用戶和n個載波在同一時隙被激活，每個用戶有獨一無二的特征碼。以第k個用戶為例，用戶k傳輸的符號經過歸一化的擴頻碼βk＝[β1k,β2k,…,βnk]^t進(jin)行頻域(yu)擴頻后(hou)，由n點的(de)逆傅里葉(ifft)變換進(jin)行基(ji)帶調(diao)制。在加入循(xun)環(huan)保護前綴間隔和(he)實現并串轉(zhuan)換后(hou)，信(xin)號從發射(she)天線發射(she)出去。在基(ji)站(zhan)接(jie)收端，接(jie)收天線輸出的(de)信(xin)號經串并轉(zhuan)換和(he)去保護前綴后(hou)，通過離散傅里葉變換(fft)進(jin)行解調(diao)，假定第k個用戶(hu)被激活，基(ji)站(zhan)接(jie)收端在一個多(duo)載波符(fu)號持續期(qi)內收到的(de)頻域(yu)信(xin)號為

其中，hnk為用戶k到達基站時在第n個子載波上的信道頻域響應；bk(l)∈{-1,1}為第k個用戶在第l個多載波符號期內傳輸的符號；nnk(l)為第k個用戶的第n個子載波在第l個多載波符號期內接收到的采樣噪聲。第k個用戶的接收信號采樣矩陣表達方式為rk＝hkakbk+nk，式中，rk＝[r1k,r2k,…,rnk]^t為第k個用戶接收信號的采樣向量；hk＝[β1kh1k,β2kh2k,…,βnkhnk]^t為用戶k的等效頻域矩陣；噪聲分量nk(t)＝[n1k,n2k,…,nnk]^t為高斯白噪聲。小區中所有k個用戶被激活時，基站接收到的頻域信號為其中h＝[h1,h2,…,hk]，b＝[b1,b2,…,bk]^t；a＝diag(a1,a2,…,ak)是(shi)對(dui)角矩陣。

高斯噪聲環境下，mc-cdma最佳多用戶檢測器(omd)就是找出一個信號序列，使給定輸出序列的似然函數最大，其輸出可表示為：其中re()代表取實部運算，則構造mc-cdma系統的目標函數為

步驟二，初始化混沌量子神經網絡的初始參數，把多用戶檢測的極大似然方程映射為混沌量子神經網絡的能量函數，激活混沌量子神經網絡獲得近似最優解。對于某一優化問題，若hopfield神經網絡的能量函數為設則混沌量子神經網絡和演化混沌加擾的量子神經網絡的能量函數就可以定義為其中，wkj＝wjk，wkk＝0，量子神經元輸出為量子態矢量u＝[u1，u2，…，uk]^t，量子神經網絡輸出的二進制狀態為v＝[v1,v2,…,vk]^t。網絡輸入量子態通過硬判決為二進制狀態，在第t次迭代量子神經網絡輸出的量子態矢量為第t次迭代量子神經網絡輸出的二進制狀態為量子神經元k的外部量子輸入又稱作量子偏置，可以定義為ik，則第k個量子神經元在第t次迭代的狀態為

混(hun)沌(dun)量子神經網絡的演化步驟為:

(1)首(shou)先初始化(hua)(hua)混沌(dun)量子(zi)神經網絡(luo)的(de)參數(shu)，把要解決(jue)的(de)優(you)化(hua)(hua)問題映射到量子(zi)空間，初始時，令t＝0。

(2)更新混沌量子神經網絡的動態方程為其中，wkj表示量子連接權系數，wkj＝wjk且wkk＝0；是能量函數梯度收斂項的尺度因子α為神經網絡的衰減因子(0≤α≤1)；ek(t)為自反饋連接權；β為時變參量的衰減因子(0≤β≤1)；ε表示輸出的銳度參數，量子旋轉角需要鉗值在[-π/2,π/2]。

(3)判斷是否達到終止迭代次數，若是，則令其中，sign2(…)代(dai)(dai)表二(er)值判決函數(shu)，t1max為每個神經元最大迭代(dai)(dai)次數(shu)，迭代(dai)(dai)終(zhong)止(zhi)，執行下一步驟。否則，迭代(dai)(dai)次數(shu)加1，返(fan)回(hui)(2)。

步驟三，初始化量子個體，種群規模為h，在第z次迭代，第i個量子個體的量子態為所有量子個體量子態的量子位均被初始化為第i個量子個體的第k個量子位的測量方程為為均勻分布在[0，1]之間的隨機數。把第一個量子個體的二進制測量態賦值為混沌量子神經網絡的輸出值，對其它h-1個量子個體量子態的量子位測量得到二進制態

步驟四，構造和計算適應度函數，根據不同的cdma系統，可以設計使用不同的適應度加權系數，令計算每個量子個體的適應度函數值。把至今所找到的全局最優解記作

步驟五，使用模擬的量子旋轉門演化量子個體的量子態和獲得新的測量態。第i個量子個體的第k個量子旋轉角為ck為[0,1]之間的常數,sign3為3值判決輸出函數。第i個量子個體的第k個量子旋轉門為對量子態測量得到二進制態

步(bu)驟六，對于每個量(liang)子(zi)(zi)個體的二進制(zhi)(zhi)態，激(ji)活演(yan)化混沌加擾的量(liang)子(zi)(zi)神經(jing)網絡演(yan)進機制(zhi)(zhi)產生一個次優(you)解(jie)。

基(ji)于演化(hua)混沌(dun)加擾(rao)的量子神經(jing)網絡的多用戶檢測的演化(hua)過(guo)程介紹如下：

(1)演(yan)化混沌(dun)加(jia)擾(rao)的(de)(de)量(liang)(liang)(liang)子(zi)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)初始化。通(tong)過參(can)數設置把要解決的(de)(de)最(zui)優多用戶(hu)檢測問題映(ying)射到hopfield神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)，可進(jin)一步將hopfield神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)映(ying)射到混沌(dun)量(liang)(liang)(liang)子(zi)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)，演(yan)化混沌(dun)加(jia)擾(rao)的(de)(de)量(liang)(liang)(liang)子(zi)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)和混沌(dun)量(liang)(liang)(liang)子(zi)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)的(de)(de)能量(liang)(liang)(liang)函數相同。把量(liang)(liang)(liang)子(zi)個體當前的(de)(de)二進(jin)制(zhi)測量(liang)(liang)(liang)態作為(wei)演(yan)化混沌(dun)加(jia)擾(rao)的(de)(de)量(liang)(liang)(liang)子(zi)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)(luo)的(de)(de)初始二進(jin)制(zhi)輸(shu)入(ru)。

(2)演化(hua)混沌(dun)加擾(rao)的量(liang)子(zi)神經(jing)網(wang)絡依(yi)次(ci)選取量(liang)子(zi)神經(jing)元和(he)其對應的量(liang)子(zi)偏置(zhi)以(yi)進行(xing)異步更新，初始時，令t＝0。

(3)更新演化混沌加擾的量子神經網絡確定量子旋轉角，第k個量子神經元在第(t+1)次迭代的旋轉角為其中k＝1,2,...,k，hkt＝(gd-0.5)ca/[k(t-1)+k],gd＝gk(t-1)+k為根據logist映射生成的混沌變量，gd＝4gd-1(1-gd-1)，混沌方程的初值是滿足約束為g1∈(0,1),g1≠0.5,0.25,0.75的均勻隨機數，ca為正常數，超過區間需要鉗值在區間[-π/2,π/2]的邊界值，然后按公式求(qiu)出第k個(ge)量(liang)子神經元(yuan)的量(liang)子輸(shu)入。

(4)按公式其中k＝1,2,...,k，sign2[·]代表二值判決函數，對與0比較進行判決得到量子神經元的二進制輸出值

(5)判斷(duan)演化混沌加擾的量子神(shen)經網絡是(shi)否達到穩定狀態(tai)(可設(she)置每個(ge)量子神(shen)經元最大更新次數為t2max)，若否，令t＝t+1，轉至步驟(3)；若是(shi)，則停止(zhi)演化混沌加擾的量子神(shen)經網絡的運行(xing)，獲(huo)得優(you)(you)秀的二(er)進制(zhi)近似最優(you)(you)解。

步驟七，根據二進制態，計算每個量子個體的適應度函數值。把至今所找到的全局最優解記作

步驟八，判斷量子種群中個(ge)體是否(fou)達到最(zui)大(da)迭代次(ci)數zmax，是，則迭代停止(zhi)，輸出多用戶檢測的最(zui)優結(jie)果，否(fou)則迭代次(ci)數加1，返回步驟五。

最佳多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)記作(zuo)omd，傳統多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)記作(zuo)cd，量子(zi)hopfield神(shen)經(jing)網絡多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)記作(zuo)qhnn，本發明所(suo)設(she)計(ji)的(de)演(yan)化(hua)混沌量子(zi)神(shen)經(jing)網絡多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)記作(zuo)ecqnn。從仿真(zhen)圖中可以看(kan)出所(suo)設(she)計(ji)的(de)多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)的(de)抗(kang)(kang)多(duo)(duo)址干擾(rao)(rao)能力和抗(kang)(kang)遠近(jin)效應(ying)能力優于cd和qhnn，達到了omd的(de)抗(kang)(kang)干擾(rao)(rao)和抗(kang)(kang)遠近(jin)效應(ying)的(de)能力。所(suo)設(she)計(ji)的(de)ecqnn的(de)收(shou)斂性能遠好于cd和qhnn兩種多(duo)(duo)用(yong)(yong)戶(hu)檢(jian)測(ce)器(qi)(qi)設(she)計(ji)方法。

仿真基于ds-cdma通信系統，用戶數為10，采用31位的gold序列作為擴頻序列，擴頻序列的最大的歸一化互相關系數為9/31。在仿真過程中使用的多用戶檢測器有:最優多用戶檢測器(omd)；傳統多用戶檢測器(cd)；量子hopfield神經網絡多用戶檢測器(qhnn)；cd和omd多用戶檢測器的模型和參數設置同《計算機工程》(2007,vol.33,no.10,pp.196-198)上發表的“基于神經網絡量子算法的多用戶檢測器”；qhnn的參數設置同專利專利文件“基于量子hopfield神經網絡和量子魚群算法的魯棒多用戶檢測方法”。所設計的演化混沌量子神經網絡多用戶檢測(ecqnn)的參數設置如下：h＝5，t1max＝40，t1max＝10，zmax＝5，ε＝5，α＝1，β＝0.99，η＝1，ck＝0.1，ca＝1。