基于粒子群優(yōu)化的毫米波信道特性分析計(jì)算案例目錄TOC\o"1-3"\h\u27068基于粒子群優(yōu)化的毫米波信道特性分析計(jì)算案例 138521.1以PSO算法為基礎(chǔ)的模型參數(shù) 1226331.2基于粒子群優(yōu)化的BP網(wǎng)絡(luò)流程 234801.3基于粒子群優(yōu)化的BP信道建模與分析 51.1以PSO算法為基礎(chǔ)的模型參數(shù)PSO算法計(jì)算過(guò)程可以簡(jiǎn)單概括為四個(gè)步驟：（1）隨機(jī)賦予種群中的變量初值，每個(gè)粒子個(gè)體都代表算法的一個(gè)可行解；（2）以問(wèn)題為基礎(chǔ)設(shè)置個(gè)目標(biāo)函數(shù)，再根據(jù)每個(gè)粒子的信息和函數(shù)，取得所有的適應(yīng)度值；（3）進(jìn)化種群，共享每個(gè)粒子的信息，信息中包括最佳位置和最優(yōu)信息，粒子會(huì)根據(jù)最優(yōu)信息和自身經(jīng)驗(yàn)來(lái)調(diào)整之后的位置，盡可能朝著最優(yōu)方向運(yùn)動(dòng)；（4）迭代尋優(yōu)，重復(fù)之前3個(gè)步驟直到找到最優(yōu)解或達(dá)到最高迭代次數(shù)[11]。PSO算法具體計(jì)算過(guò)程如下：首先我們假設(shè)字母D為問(wèn)題維度，再賦予N個(gè)粒子初值，然后用N個(gè)D維的向量來(lái)表示這N個(gè)粒子。那么對(duì)于第i個(gè)粒子來(lái)說(shuō)，如果采用一個(gè)D維的向量來(lái)表示就是：（4-1）每一個(gè)粒子都有一個(gè)速度向量，可以用來(lái)隨時(shí)改變自己的坐標(biāo)，表達(dá)方式如下所示：（4-2）粒子在更新過(guò)程中需要記錄自己所經(jīng)歷的最佳位置，表示為：（4-3）最優(yōu)信息將會(huì)在種群共享信息之際產(chǎn)生，表示為：（4-4）迭代尋優(yōu)過(guò)程中，按照以下的方式來(lái)更新粒子信息：（4-5）（4-6）式中的、是表明粒子對(duì)于不同信息的接受程度，又將其稱作為“學(xué)習(xí)因子”，、是在區(qū)間[0,1]上的兩個(gè)隨機(jī)數(shù)，用來(lái)增加算法的隨機(jī)性，t是迭代次數(shù)，、分別表示在第（t+1）次迭代中，每個(gè)粒子的速度與位置。流程圖如下：圖4-1粒子群優(yōu)化算法流程圖1.2基于粒子群優(yōu)化的BP網(wǎng)絡(luò)流程建立PSO-BP預(yù)測(cè)模型，以下是建立的步驟：步驟1：設(shè)定初始值：種群規(guī)模、位置邊界、速度范圍、慣性權(quán)重、最大迭代次數(shù)和學(xué)習(xí)因子，并賦予和初值；參數(shù)選取如下表4-1所示。表4-1本文粒子群算法參數(shù)步驟2：借助訓(xùn)練數(shù)據(jù)，利用公式（4-1）來(lái)計(jì)算出粒子適應(yīng)度的函數(shù)值，同時(shí)記錄粒子的最優(yōu)解和種群的最優(yōu)解；粒子的適應(yīng)度為：（4-7）式中：n--樣本值；c--輸出神經(jīng)元數(shù)量；--第i個(gè)樣本和第j次輸出期望值；--第i個(gè)樣本和第j次輸出實(shí)際值。步驟3：根據(jù)公式（4-5）和公式（4-6）更新粒子的速度和位置；步驟4：判斷粒子的速度和位置是否超過(guò)設(shè)定范圍；如果速度大于速度的最大值，則取速度的最大值；如速度小于速度的最小值，則按速讀的最小值；若位置超過(guò)了設(shè)定的范圍，則取邊界值。步驟5：重新計(jì)算粒子適應(yīng)度值；步驟6：一旦粒子尋找到極值位置或者迭代次數(shù)在預(yù)定誤差范圍之內(nèi)就可以結(jié)束算法，不然則重新返回開始步驟1。下圖為PSO-BP神經(jīng)網(wǎng)絡(luò)的算法流程：圖4-2PSO-BP神經(jīng)網(wǎng)絡(luò)算法流程圖4-3BP網(wǎng)絡(luò)輸出預(yù)測(cè)過(guò)程圖4-4PSO-BP網(wǎng)絡(luò)輸出預(yù)測(cè)過(guò)程圖4-3是BP網(wǎng)絡(luò)系統(tǒng)輸出預(yù)測(cè)過(guò)程，通過(guò)圖4-3可以不難得出預(yù)測(cè)輸出和期望輸出結(jié)果軌跡大致相同，但仍有沒(méi)重合的地方這個(gè)結(jié)論。而圖4-4是PSO-BP網(wǎng)絡(luò)系統(tǒng)輸出預(yù)測(cè)過(guò)程，可以看出是幾乎完全重合，誤差更小。從兩張圖對(duì)比中我們不難看出，預(yù)測(cè)值非常接近于測(cè)量值。粒子群優(yōu)化過(guò)后的BP智能網(wǎng)絡(luò)神經(jīng)模型在輸出值較小的情況下對(duì)信道參數(shù)的變化靈敏度更高，這樣在同樣的基礎(chǔ)上，可以防止神經(jīng)網(wǎng)絡(luò)陷入局部極值中。1.3基于粒子群優(yōu)化的BP信道建模與分析本章節(jié)以參數(shù)尋優(yōu)模型為基礎(chǔ)，并且利用PSO優(yōu)化算法與反向傳播神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)化模型來(lái)對(duì)輸入輸出數(shù)據(jù)進(jìn)行處理。下面是具體操作：操作1：賦予參數(shù)初始值并且將輸入輸出值進(jìn)行初始化；操作2：確定超參數(shù)。參考超參數(shù)的相關(guān)模型，使用粒子群優(yōu)化算法來(lái)定下正則化參數(shù)和核參數(shù)；操作3：創(chuàng)建決策函數(shù)。將輸入輸出數(shù)據(jù)代入模型中然后通過(guò)計(jì)算處理得出最優(yōu)的拉格朗日算子以及偏差。再在決策函數(shù)的基礎(chǔ)上創(chuàng)建BP預(yù)測(cè)模型；操作4：計(jì)算最優(yōu)解：將需要被測(cè)試的數(shù)據(jù)作為PSO-BP優(yōu)化模型的輸入信號(hào)并且得到相應(yīng)的輸出信號(hào)。通過(guò)指標(biāo)分析來(lái)判斷優(yōu)化模型性能的優(yōu)劣程度，并展開相對(duì)應(yīng)的調(diào)整。根據(jù)1.2章節(jié)的粒子群優(yōu)化過(guò)后的BP模型處理圖可以得出結(jié)果：P