发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于量子蜉蝣机制自动演化DNN的信道估计与信号检测方法，提高系统求解关键最优参数的效率和质量和DNN模型的信道估计与信号检测效果。

为解决上述技术问题，本发明的一种信道估计与信号检测方法，包括以下步骤：

步骤一，建立OFDM系统数学模型，用来生成DNN模型所需的训练集和测试集；

步骤二，建立自动演化DNN信道估计与信号检测模型；

步骤三，初始化量子蜉蝣种群位置和量子速度并设定参数；

步骤四，对初代量子蜉蝣种群位置进行适应度评价，得到量子雄性种群的最优位置，以及量子蜉蝣种群的全局最优位置；

步骤五，进行量子速度的更新，并通过更新后的量子速度完成量子蜉蝣位置的更新；

步骤六，对量子蜉蝣进行交配与变异操作，完成量子蜉蝣种群的淘汰与更新；

步骤七，判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤五；若达到则终止迭代循环，把全局最优结果带入DNN信道估计与信号检测模型中，将接收的时频信号序列输入DNN模型恢复出码元并输出。

本发明还包括：

1.步骤一中建立OFDM系统数学模型，用来生成DNN模型所需的训练集和测试集具体为：

在信号发射机端，将插入导频后的发射符号转换成并行数据流，数据经过调制后用离散傅里叶逆变换将信号从频域转换到时域，之后插入循环前缀以降低码间干扰，再将并行的数据流转换成串行数据流进行发送；

在信号接收机端，接收的时域信号可以表示为其中，表示卷积，x表示发射信号，h表示不同环境下的多径信道，w表示加性高斯白噪声。在去除循环前缀并进行离散傅里叶变换变换后，接收到的频域信号可以表示为Y＝XH+W，其中，Y、X、H、W分别是y、x、h、w的离散傅里叶变换。

2.步骤二中建立自动演化DNN信道估计与信号检测模型具体为：

采用M个并行DNN模型，每个DNN模型输出码元数为N，即整个并行DNN模型一次可以进行MN个码元的检测，采取将复信号的实部和虚部分开再合并成实数串的方法作为神经网络的输入，即并行网络中每个DNN模型的输入均为2MN；

单个DNN模型的网络架构采用的是全连接神经网络，共由5层神经网络全连接层构成，其中每层分别有2MN、C₁、C₂、C₃、N个神经元，隐藏层的激活函数采用的是Relu函数，输出层的激活函数采用的是Sigmoid函数。

DNN模型选用均方误差作为训练的损失函数，即其中B＝[B(1),B(2),…,B(MN)]为网络训练集的标签码元时序序列，B(k)是B的第k维，k＝1,2,...,MN，为网络每次训练后的输出码元时序序列，是的第k维；

将由OFDM系统数学模型生成的训练集依次输入DNN信道估计与信号检测模型进行训练；

对完成训练的DNN信道估计与信号检测模型进行测试，对模型的输出结果进行码元[0,1]的判决，计算完成判决后的测试集输出码元的误码率，并将误码率作为量子蜉蝣演化机制的目标函数其中S为测试集的码元总数，B_test＝[B_test(1),B_test(2),…,B_test(MN)]为测试集标签码元时序序列，B_test(k)是B_test的第k维，为模型完成判决后的输出码元时序序列，是的第k维。

3.步骤三中初始化量子蜉蝣种群位置和量子速度并设定参数具体为：

设置种群规模为n，其中雄性蜉蝣种群规模为雌性蜉蝣种群规模为最大迭代次数为G，迭代数标号为g，g∈[1,G]，在第g次迭代中，第i个量子雄性蜉蝣位置为第i个量子雄性蜉蝣的量子速度为至第g代为止最优量子雄性蜉蝣位置记为i∈[1,n₁]；第j个量子雌性蜉蝣位置为第j个量子雌性蜉蝣的量子速度为j∈[1,n₂]，至第g代为止全局最优量子蜉蝣位置记为当g＝1时，量子雄性蜉蝣位置和量子雌性蜉蝣位置的每一维随机初始化为0或1，量子雄性蜉蝣量子速度和量子雌性蜉蝣量子速度的每一维随机初始化为[0,1]之间的随机数，设定量子蜉蝣种群的个体学习系数a₁，量子雄性蜉蝣种群全局学习系数a₂，量子雌性蜉蝣种群全局学习系数a₃，能见系数β，舞动系数δ，飞行系数ε，舞动阻尼比δ_damp，飞行阻尼比ε_damp，交配对数n_c，种群突变概率φ，位置突变概率μ。

4.步骤四中对初代量子蜉蝣种群位置进行适应度评价，得到量子雄性种群的最优位置，以及量子蜉蝣种群的全局最优位置具体为：

在第g次迭代中，将第i个量子雄性蜉蝣位置由根据二进制与十进制转换关系分段映射成其中表示DNN模型第c层的神经元个数，C表示DNN模型层数，c∈[1,C]；第j个量子雌性蜉蝣位置由分段映射成第i个量子雄性蜉蝣或第j个量子雌性蜉蝣的适应度函数分别为：或计算完种群中所有量子蜉蝣位置的适应度值后，将第g代雄性蜉蝣种群和雌性蜉蝣种群的适应度值矢量分别记为和直至第g代蜉蝣种群全局最优位置的适应度值记为初代时，根据适应度函数计算出初代量子种群的适应度矢量和再根据适应度值评价标准，得到初代量子雄性蜉蝣种群的最优位置和量子蜉蝣种群的全局最优位置ζ¹。

5.步骤五中进行量子速度的更新，并通过更新后的量子速度完成量子蜉蝣位置的更新具体为

量子雌性蜉蝣根据其量子旋转角进行位置更新，第g+1代得到的第j个量子雌性蜉蝣位置记为将第g代第j个量子雌性蜉蝣与第j个量子雄性蜉蝣的距离记为第j个量子雌性蜉蝣位置第d维的量子速度更新方式为其中雌性蜉蝣的量子旋转角第d维更新方式为其中为[-1，1]之间的随机数，根据量子雌性蜉蝣的量子速度来进行量子雌性蜉蝣位置第d维的更新其中为[0,1]之间的随机数，abs()表示绝对值计算，d∈[1,D]；

量子雄性蜉蝣根据其量子旋转角进行位置更新，第g+1代得到的第i个量子雄性蜉蝣位置记为将第g代第i个量子雄性蜉蝣与最优量子雄性蜉蝣的距离记为将第g代第i个量子雄性蜉蝣与全局最优位置的距离记为第i个量子雄性蜉蝣第d维的量子速度更新方式为其中量子雄性蜉蝣的量子旋转角第d维更新方式为其中为[-1，1]之间的随机数，根据量子雄性蜉蝣的量子速度来进行量子雄性蜉蝣位置第d维的更新其中为[0,1]之间的随机数。

6.步骤六中对量子蜉蝣进行交配与变异操作，完成量子蜉蝣种群的淘汰与更新具体为：

分别对更新后的量子雄性蜉蝣和量子雌性蜉蝣根据适应度评价方式进行排序，按排名让前n_c对量子雄雌蜉蝣进行交配，即最好的量子雄性蜉蝣与最好的量子雌性蜉蝣进行交配，次好的量子雄性蜉蝣与次好的量子雌性蜉蝣进行交配，依此类推，交配完后产生两个后代，第t对量子蜉蝣的后代分别记为和其中t∈[1,n_c]，第g次迭代第t对量子蜉蝣的两个后代第d维更新公式分别为和其中为[0,1]之间的随机数，round()表示向最近的整数取整；

复制并变异量子蜉蝣的数量n_m＝ceil(φn)，即从交配产生的后代量子蜉蝣集合η^g+1和中随机复制n_m个量子蜉蝣作为待变异量子蜉蝣其中ceil()表示向上取整，突变后产生的第个变异量子蜉蝣位置记为第g次迭代产生的第个变异量子蜉蝣第d维度更新公式为其中为[0,1]之间的随机数；

根据适应度评价标准，更新第g+1代全局最优量子位置ζ^g+1和最优量子雄性蜉蝣位置合并种群集合σ^g+1、η^g+1和λ^g+1，根据适应度排名保留前n₁名作为下一代的量子雄性蜉蝣种群位置p^g+1，其中 合并种群集合ψ^g+1和根据适应度排名保留前n₂名作为下一代的量子雌性蜉蝣种群位置q^g+1，其中

发明的有益效果：传统的DNN模型需要手动进行隐藏层神经元个数的设置，这样会耗费大量的时间和人力，针对现有方法的缺点和不足，本发明对OFDM系统下的信道估计与信号检测进行了研究，设计了量子蜉蝣机制求取最优参数，将最优参数带入到深度神经网络中，用该神经网络进行信道估计与信号检测，完成信号接收端的码元恢复工作。本发明在参数设置上使用基于智能计算理论的最优参数求解法，极大的提高了系统求解关键最优参数的效率和质量。本发明设计了一种量子蜉蝣机制自动演化DNN的信道估计与信号检测方法，通过量子演化机制与蜉蝣种群原理结合，设计误码率为适应度函数，自动求解DNN模型所需的最优参数，提高了DNN模型的信道估计与信号检测效果。基于量子蜉蝣机制自动演化DNN模型能够实现对隐藏层神经元个数的自适应调整，确保了在相同条件下DNN模型所使用的是最优参数，从而到达自适应信道估计与信号检测的目的。仿真结果表明，对于OFDM系统的信道估计与信号检测问题，在不同信噪比下基于量子蜉蝣机制自动演化DNN模型的方法要比传统手动设置DNN模型模型参数的方法所得结果误码率更低。