遗传算法优化BP神经网络的信号检测❋

刘东霞，孙琼琼

（平顶山教育学院，平顶山467000）

遗传算法优化BP神经网络的信号检测❋

刘东霞，孙琼琼

（平顶山教育学院，平顶山467000）

针对传统方法单独采用BP神经网络算法易陷入局部极值的问题，提出了遗传算法优化BP神经网络，并将其应用于MIMO-OFDM系统信号检测中。该方法将遗传算法与神经网络相结合，用遗传算法优化神经网络初始值，使BP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。仿真结果表明所提出的方法在误码率方面有比较好的性能。

BP神经网络；信号检测；遗传算法；MIMO-OFDM系统

1 引 言

OFDM以及MIMO技术是未来宽带无线移动通信系统中的关键技术，接收端在检测信号时采用的检测算法对提高整个系统的性能至关重要。神经网络具有高度容错、大规模自适应并行处理、信息分布式存储等优点，可应用于信号检测领域。例如文献［1］中用RBF神经网络得到了在CDMA系统环境下接近最优贝叶斯检测器的性能，文献［2］给出了垂直分层空时码的MAP检测器的RBF神经网络实现算法。遗传算法主要就是根据达尔文的进化论以及孟德尔和摩根的遗传学理论而提出的一种基于生物进化机制的全局性概率搜索算法［3-4］。本文提出遗传算法优化BP神经网络，并将其应用于MIMOOFDM系统信号检测中。该方法将遗传算法与神经网络相结合，用遗传算法优化神经网络初始值，使BP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。

2 遗传算法优化的BP神经网络

2.1 BP神经网络

设X1，X2，…，Xn为BP神经网络输入向量，Y1，Y2，…，Ym为输出值，Wij和Wjk为权值，典型的BP神经网络拓扑结构图如图1所示。

图1 BP神经网络结构图

当BP神经网络输入和输出节点数分别为n和m时，其反映n个自变量与m个因变量之间映射关系。BP神经网络建模预测包括网络结构构建、训练和预测三步，基本工作流程如图2所示［5-6］。

图2 BP神经网络算法的工作流程

BP神经网络的构建阶段需要根据系统模型和设计目标对网络中的参数进行赋初值，这包括：输入层节点数n、输出层节点数m、隐含层节点数l，并初始化各层间连接权值Wij和Wjk，另外根据网络形式初始化隐含层阈值a，输出层阈值b，并给定学习速率和神经元激励函数。

BP神经网络训练是一个多次循环的过程［7-8］：首先输入训练样本并计算各层输出，根据计算的输出误差和由输出误差反馈到各层生成的各层误差来调整各层权值，如此训练直到满足训练结束条件；训练好的神经网络即可输入数据进行预测使用。

2.2 遗传算法优化BP神经网络

遗传算法是美国密执安（Michigan）大学的John.H.Holland教授设计的一种借鉴生物界自然选择、遗传变异和进化机制的高度并行、随机、自适应的搜索算法，该算法具有简单易懂、鲁棒性强、适合并行处理的特点，可用于解决各种复杂优化问题。遗传算法基本操作可以分为选择操作、交叉操作、变异操作三个部分。遗传算法对BP神经网络的优化主要用于得到最优网络初始权值和网络赋值。遗传算法优化的BP神经网络算法流程如图3所示。经过遗传算法优化的BP神经网络能够获得更好的训练效果，提高预测精度。

3 实验结果与分析

根据以上提到的方法，实验使用Matlab 7.0，考虑以下检测方法：①最小均方误差MMSE检测算法；②RBF方法：基于RBF神经网络的MIMOOFDM信号检测；③GA-BP方法：基于遗传算法优化BP神经网络的MIMO-OFDM信号检测。实验结果表明：遗传算法优化BP网络的检测方案比MMSE、RBF的检测性能好，正确率更高（见表1）。

图3 遗传算法优化BP神经网络

表1 基于三种算法的检测正确率（50次）

4 结束语

提出了遗传算法优化BP神经网络，并应用于MIMO-OFDM系统信号检测中。将遗传算法与神经网络相结合，用遗传算法优化神经网络初始值，由于遗传算法给BP网络提供了较好的初始值，故能够使BP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。仿真结果表明本文所提出的检测器在误码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.量子遗传算法优化神经网络及其在MIMO系统信号检测中的应用研究［D］.南京：南京邮电大学，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，李飞，郑宝玉.基于量子算法的MIMO—OFDM信号检测研究［J］.南京邮电大学学报：自然科学版，2011，31（2）：78-82，93.

［5］王军，刘宁，李少谦.一种动态子信道分配MIMOOFDM波束成形系统的信号检测算法［J］.电子与信息学报，2010，32（1）：135-140.

［6］才华，刘广文，陈广秋.基于神经网络的MIMO-OFDM信道估计［J］.计算机工程与应用，2011，47（34）：114-116.

［7］吴成恩，舒勤.一种新的基于训练序列的时域MIMOOFDM信道估计方法［J］.计算机科学，2012，39（5）：80-82.

［8］莫韬甫，邵士海，刘田，等.异步MIMO-OFDM中基于预处理矩阵的迭代检测算法［J］.电子与信息学报，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

河南省科技计划重点项目（102102210416）

刘东霞（1979-），女，河南平顶山人，讲师，主研方向：计算机技术应用方面的研究。

2014-01-06