量子遗传算法优化神经网络的MIMO-OFDM检测研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (27): 161-163.

• 数据库、信号与信息处理 • 上一篇下一篇

量子遗传算法优化神经网络的MIMO-OFDM检测研究

周敏

南京邮电大学通信与信息工程学院，南京 210003

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-21 发布日期:2011-09-21

Research of MIMO-OFDM detection based on Neural Network optimized by Quantum Genetic Algorithm

ZHOU Min

College of Telecommunication & Information Engineering，Nanjing University of Posts and Telecommunication，Nanjing 210003，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-21 Published:2011-09-21

摘要/Abstract

摘要： 信号的最优检测在常规条件下是一NP难解问题，针对RBF（径向基函数）神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题，提出一种新型智能算法并将其用于MIMO-OFDM系统信号检测中：该算法将量子计算、遗传算法与神经网络相结合，用量子遗传算法（QGA）优化神经网络初始值。由于QGA给RBF网络提供了较好的初始值，故能够使RBF网络快速收敛到最优解，避免了由初始值的随机选取而带来的检测误码。实验结果表明，该算法能够有效地提高系统的信号检测性能，降低误码率。

关键词: 量子算法, 量子遗传算法, 神经网络, 多输入多输出, 正交频分复用, 信号检测

Abstract: The optimal solution of signal detection is a Nondeterministic Polynomial（NP） problem.Aimed at the problems that Radial Basis Function（RBF） Neural Network is prone to the local optimum and simple genetic algorithm has the shortcoming of slow convergence，a new type of intelligent algorithm is proposed and applied into the MIMO-OFDM detection systems：it makes use of Quantum Genetic Algorithm（QGA） to optimize the initial data of RBF neural network.In this scheme，the output of detector by the QGA as the input of detector by neural network to avoid the bit-error rate for selecting initial data randomly and improve further the detection property.Simulation results show the proposed method is good for the improvement of the detection rate and reduction of bit-error rate.

Key words: Quantum Algorithm（QA）, Quantum Genetic Algorithm（QEA）, Neural Network（NN）, Multiple-Input Multiple-Output（MIMO）, Orthogonal Frequency Division Multiplexing（OFDM）, signal detection

周敏. 量子遗传算法优化神经网络的MIMO-OFDM检测研究[J]. 计算机工程与应用, 2011, 47(27): 161-163.

ZHOU Min. Research of MIMO-OFDM detection based on Neural Network optimized by Quantum Genetic Algorithm[J]. Computer Engineering and Applications, 2011, 47(27): 161-163.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

量子遗传算法优化神经网络的MIMO-OFDM检测研究

Research of MIMO-OFDM detection based on Neural Network optimized by Quantum Genetic Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics