盲均衡器范文

盲均衡器范文（精选7篇）

盲均衡器第1篇

盲均衡是指均衡器不借助训练序列,仅仅利用所接收到的信号序列即可对信道进行均衡。CMA算法是Bussgang类盲均衡算法中最常用的一种,文献[1-6]对CMA类算法作了一些研究讨论。本文主要针对QPSK调制信号进行CMA自适应盲均衡的分析。

TI公司C6000系列中的TMS320C6713是一种高速的浮点DSP芯片,采用VLIW结构,有8个并行单元,在300 MHz的主频下可以达到2.4 Gflop/s的处理速度。系统方案设计如图1所示。FPGA经过EMIF接口把数据传给DSP,由数据时钟触发DSP的外部中断引脚,使用EM-DA的通道,DSP在EDMA中断里面实现自适应盲均衡和解调等工作。

2 CMA算法

CMA算法计算易于实时实现,收敛性能好,代价函数只与接收序列的幅值有关,而与相位无关。目前,CMA算法的诸多优点使之被广泛应用于恒包络信号的盲均衡中。基本的CMA盲均衡算法的描述为

式中:W(n+1)为n+1时刻滤波器的权系数向量,W(n)为n时刻滤波器的权系数向量,μ为自适应步长,e(n)为误差函数,X(n)为n时刻输入样本向量,*表示共轭,R2是信源序列确定的实常数。

传统的CMA算法采用固定步长,这就使得步长对于CMA算法的收敛性能起着决定性的作用。采用大步长,算法收敛速度和跟踪速度快,但是会产生较大的稳态剩余误差。所以,步长的选择很重要,不能太大,而太小的话虽然稳态剩余误差小,但是收敛过慢。

3 Matlab仿真分析

假设系统是采用有线信道环境模型,调制类型是QPSK信号。在M语言中先产生随机数,然后进行调制,产生10 000个QPSK信号通过一个码间串拢模块后随后加入24 d B的高斯白噪声。均衡器结构均为15阶,第6个抽头系数初始化为1,其余为0。迭代步长为0.01。由于平方失真可表示盲均衡算法的实时收敛情况,SE定义为

式中:为盲均衡器的输出,x̂(n)为期望估值,仿真结果如图2~图4所示。

从图中可以看出,CMA算法收敛后的MSE能达到-20 d B以下,大约在200个点以后开始收敛。

4 DSP实现

4.1 EMDA通道

为了实现数据从FPGA到DSP的高效高速传输,使用了EDMA通道,FPGA连接到TMS320C6713的一个外部中断管脚,用数据时钟触发外部中断,作为EMDA的同步事件,这样可以实现10 Mbit/s以上的数据率传输,并且相比普通的外部中断数据传输,节省了大量的DSP处理时间,这里传输的是语音数据,下面介绍一些相关设置。定义一帧传输256个数据,使用ping和pong两个数组保存接收数据,传输完成代码定义为10,程序为:

使用CSL函数实现相关设置,如下:

程序里面还需要做其他一些设置,首先设置外部中断:

然后把通道和外部中断同步事件进行关联:

然后开启外部中断,并使能EDMA传输完成中断。最后开启EDMA通道:

传输过程中使用乒乓缓存,这样可以同时完成传输和数据处理,是通过在中断服务程序里面对传输目的地址的重载来实现乒乓缓存操作的:

4.2 C代码编程仿真

由于C语言本身是不支持复数的运算,所以需要定义一个结构体和些许的函数来实现复数的运算。但由于函数的实现将增大程序整体的运算量,所以将用宏来代替函数。这样,就只增加了编译时期的工作量。而在运行时将大大提高运算速度。下面对一些宏定义和个别函数定义进行介绍。

1)复数加法

2)复数乘法

3)复数共轭乘法

4)复数平方模的运算

关键部分代码为:

还有诸如系数更新函数、滤波器函数等,都是类似使用了前面定义的宏来运算。系统联调测试时,把两个系统板对接,由其中一个板发送经过模拟符号干扰后的QPSK调制信号,经过FPGA,D/A后送给另外一个板,另外一个板经过A/D,FPGA,使用EDMA通道把数据送给DSP,进行CMA盲均衡处理,具体参数设置和前面Matlab仿真一致。然后在CCS里面观测结果,分别是输入信号的星座图和200个点均衡以后的星座图,数据点是2 048个。均衡前和均衡后的效果分别如图5和图6所示。

由星座图可知,经过均衡器的均衡基本上消除了码间串拢,星座图也比较集中。较好达到了预期目标,这也与Matlab的仿真结果相一致。

5 小结

使用TMS320C6713浮点DSP来做CMA自适应盲均衡,编程灵活,数据精度高,处理速度快,结合EDMA通道的使用,明显提升了系统性能,从CCS仿真看出,可以减少码间干扰带来的损失。盲均衡从根本上避免了训练序列的使用,降低了对信道和信号的要求,简化了设计。

参考文献

[1]张银兵,赵俊渭,郭业才,等.抑制α稳定噪声的改进常数模盲均衡算法[J].西北工业大学学报,2010(2):202-206.

[2]刘世刚,葛临东,巩克现.基于集员滤波和数据重用的CMA盲均衡算法[J].吉林大学学报:工学版,2009(6):1677-1682.

[3]张家琦,葛宁.联合CMA+DDLMS盲均衡算法[J].清华大学学报:自然科学版,2009(10):1681-1683.

[4]窦高奇,高俊.含软判决引导的修正恒模盲均衡算法[J].海军工程大学学报,2007(4):98-101.

[5]刘媛涛,葛临东,王彬.用于数字电视的盲均衡技术研究[J].电视技术,2006,30(7):14-17.

盲均衡器第2篇

本文以高速光纤通信系统中DSP芯片中的盲均衡器为例, 应用UVM验证方法学搭建可重用与自动化的UVM验证平台, 产生大量受约束的随机化激励, 提取功能测试点, 构造验证场景, 通过覆盖率统计和回归迭代, 对此子系统进行充分验证, 并应用寄存器抽象层验证技术和解决方案RAL, 高效地完成寄存器相关的验证任务。

1 UVM验证平台

UVM验证平台是基于System Verilog开发的验证环境开发库, 常用的一系列标准类如:uvm_transaction, uvm_sequence, uvm_sequencer, uvm_agent, uvm_driver, uvm_driver, uvm_test等, 方便于继承和重载。uvm_object类为父类, 通过多层继承和重载, 扩展为常用的uvm_transation (TLM建模) 、uvm_component (组件描述) 以及uvm_phase (进程控制) 3种基本类, 并使用Factory机制对所属成员类, 通过建立表格和宏完成注册管理[3], Phase机制是使平台中各种各样的uvm_component按照各自的需求可以阶段性执行的一种自动化的机制, 增加了验证平台在各个阶段可控性和复用性。UVM验证平台架构主要是由通用验证组件 (Universal Verification Component UVC) 构成。每个UVC都是功能完备、可配置、封装好的验证环境[4]。为了便于重用, UVM平台将uvm_driver, uvm_sequencer, uvm_monitor封装成uvm_agent类, 作为最重要的可重用部件, 使用配置类将uvm_agent配置成active或passive模式, passive模式只实例化monitor, 不驱动总线, 仅负责监测总线。UVM验证平台是如图1所示的树形层次化结构管理, 这些可配置可重用的UVC能够加快验证平台的搭建, 缩短开发复杂IC的验证时间。

2 验证对象简介

该ASIC是一款相干接收解调数字信号处理芯片, 支持高速长距离光传输系统和高速城域光传输系统, 用于WDM产品线的线路侧光模块中, 在该芯片内部, 实现了ADC采样处理、动态时延跟踪, 色度色散偏振膜色散的评估补偿、多路偏振信号的解复用及频偏和相偏的评估修正等。

本文以该芯片中CMA盲均衡器为验证对象, 该盲均衡器的结构如图2所示, 主要由输入输入数据FFT模块 (DIF) 、频域滤波模块 (FLTR) 、输出数据IFFT模块 (DOIF) 、系数更新与调整模块 (CCA) 、系数调整控制模块 (CCTRL) 、误差计算与收敛判决模块 (EMSE) 、系数FFT模块 (CFFT) 、数据抽取与整形模块 (RECT) 、APB解析模块 (APB) 等功能模块组成。该子系统主要用于补偿PMD色散, 补偿残余CD, 完成偏振解复用。

3 基于UVM的盲均衡器验证平台的搭建

3.1 UVM验证平台搭建思路

此验证平台使用标准的UVM架构, 整个平台的搭建以UVC为基础, 如图3所示, UVM验证环境和DUT通过虚接口连接。UVM验证平台包括事务数据、序列发生器、驱动器、监视器、参考模型、记分板等组件组成[5], 本设计例化4个agent, input_agent, inner_agent, output_agent和cpu_agent, input_agent配置为active模式, 用于配置和检测总线, inner_agent和output_agent配置为passive模式, 只用于检测总线, 在测试用例的build_phase进行如下设置:其中inner_agent例化inner_monitor用于采集DUT的中间节点数据。

并使用config_db机制的参数传递功能在相应的agent中获得配置参数:

通过传递的参数值决定是否需要例化驱动器和序列发生器, 从而提高平台的可重用性。

寄存器抽象层的作用一方面用于验证对寄存器的读写功能, 另一方面用于其他场景验证前配置寄存器的值, 在本验证平台中, 寄存器模型对于寄存器的访问使用前门模式, 访问操作分为读和写2种, 无论读或写操作, 寄存器模型都会通过sequence产生一个uvm_reg_bus_op的变量, 此变量存储着操作类型和操作地址, 如果是写操作, 还包含要写入的数据。此变量的信息要通过一个适配器adapter转换后交给cpu_sequencer, 随后交给cpu_driver, 由cpu_driver实现最终的前门访问读写操作。

适配器用于变量uvm_reg_bus_op与主机接口总线协议之间的转换, 包括寄存器模型到接口总线的转换和接口总线到寄存器模型的转换, 其中reg2bus的关键代码如下, bus2reg的正好相反。

CPU_agent模拟CPU行为, 在DUT刚启动时, 用于配置器寄存器的值, 只有配置完成后, 驱动器才会发送激励, 本设计使用virtual sequencer作为统一调度, 利用其body的顺序执行完成2个sequence的同步。

并且在virtual sequence中应用objection机制来控制验证平台的关闭。

参考模型采用matlab算法模型, UVM平台启动后, 寄存器模型通过frontdoor方式将寄存器配置值写入DUT, sequencer负责调度sequence产生操作实务, 并通过port机制将受约束的随机激励发送给driver, 以input_agent为例:input_sequencer与input_driver在agent例化后, 通过TML连接。

Inner_monitor与output_monitor分别在相应虚接口上采集DUT的中间节点和输出数据, 将matlab仿真的中间节点数据和输出数据与DUT上采集的中间节点数据和输出数据发送到记分板中进行在线实时比对, 通过数据匹配情况检查RTL设计与matlab算法模型的一致性, 进而验证RTL设计的正确性。

3.2 保证RTL设计和参考模型输入激励和寄存器的一致性

本文使用寄存器模型RAL和input_agent协调工作向DUT及参考模型中输入激励和寄存器配置值, 如图4所示, 在不同验证场景下, 将相应的寄存器配置值写入寄存器模型, 寄存器模型将受约束的随机值或复位值与testcase配置的寄存器值一方面通过APB总线配置DUT中相应的寄存器, 另一方面打印寄存器配置文件, matlab读取此文件为参考模型中寄存器相应的变量赋值。

寄存器配置完成后, virtual sequence调度input_sequence产生transaction, 并通过port机制将受约束的随机激励发送给input_driver, input_driver将操作实务翻译成符合时序要求的pin级时序信号驱动到虚接口上做为DUT的激励, 同时input_monitor在虚接口上采集数据通过分析口输发送给参考模型。

input_driver将操作实务翻译成符合时序要求的pin级时序信号驱动到虚接口上作为DUT的激励, 同时input_monitor在虚接口上采集数据通过分析口输发送给参考模型。开始matlab仿真。

为了验证某些寄存器的在线切换功能, 提高RTL设计的健壮性, input_agent既用于产生随机激励又用于产生寄存器配置值, 当需要切换某些寄存器配置值时, 只需在testcase中合适的仿真时刻对其重新赋值, 便能同时更新DUT及参考模型中的寄存器配置值。通过这种设计思想就能保证DUT和refm的输入数据和寄存器配置值始终保持一致。

3.3 自动化验证流程

本平台利用Makefile的编译组织和perl脚本的文字处理功能[6], 将编译、仿真、种子选择、测试场景选择、覆盖率收集、覆盖率数据回归、异常查看、结果分析等功能设计为自动化的流程。

验证人员通过向脚本中传入命令参数, 调用相应的testcase即可验证相应的场景, 从而提高验证效率, 加快芯片研制进度。

4 验证结论分析

从芯片研制规范中提取功能点, 构建验证用例125条, 对此均衡器的FFT模块、蝶形滤波模块、系数调整控制模块、系数更新模块、误差计算与收敛判决模块进行充分验证。由于系数调整控制模块算法复杂, 有大量控制信号, 通过对此验证平台的重用, 专门为控制模块搭建UVM验证平台, 构建测试用例53条, 所有规划的场景验证完毕后, 使用makefile脚本对覆盖率一键回归, 查看覆盖盲区, 有针对性地规划验证场景, 构造边界用例对RTL设计充分验证。目前, 通过通过覆盖率回归迭代, 功能覆盖率已达到100%, 代码覆盖率达98%, toggle覆盖率可达95%。剩余难覆盖的情况比如RTL设计中的default语句, 多个16位上报计数器计满保持功能等。

5 结语

本文在深入理解UVM验证思想的基础上搭建UVM验证平台, 对高速光传输系统中相干接收解调DSP芯片中的盲均衡器进行了充分验证, 灵活应用UVM中sequence机制、phase机制、factory机制config_db机制, 寄存器模型等快速搭建可重用性和扩展性强的UVM验证平台, 体现了UVM验证方法学的优越性。通过RTL设计与matlab黄金模型的关键数据比对, 仿真波形检查来证明此盲均衡器设计的正确性, 并且通过覆盖率回归迭代, 高效且充分地完成验证工作。

参考文献

[1]李磊, 罗胜钦.基于VMM方法的SOC集成验证[J].电子测量技术, 2011 (1) :1.

[2]张强.UVM实践[M].北京:机械工业出版社, 2014.

[3]谈笑, 王小力.一种基于UVM的模块级可重用随机化验证平台构建方法[J].微电子学与计算机, 2015 (3) :67-72.

[4]徐金甫, 李森森.采用UVM方法学实现验证的可重用与自动化[J].微电子学与计算机, 2014 (11) :14-17.

[5]Cadence, Accellera.UVM 1.0 user’s guide[M].California:Synopsys, 2011.

盲均衡器第3篇

在无线通信系统中,多径扩散干扰造成的符号间干扰(ISI)在通信信道中是非常普遍的现象[1,2,3,4,5,6],造成的符号判决错误是影响通信质量的重要因素之一。均衡技术可有效地消除这一干扰。传统的均衡方法是使用训练序列。虽然这是一种收敛较快且有效的方法,但必须频繁地发送训练序列,从而降低了通信系统传输的有效信息率[2,3]。

为了克服使用训练序列的均衡器的种种缺陷,盲均衡技术应运而生。它能够不借助训练序列,仅利用接收序列本身的先验信息便可对信道进行均衡[4,5,6,7,8],使输出序列尽量接近发送序列,它是均衡技术发展的趋势。在通信领域有着极其重要的应用价值。盲均衡算法主要分为基于Bussgang技术的盲均衡算法和基于高阶或循环信号统计的盲均衡算法,基于神经网络理论的盲均衡算法[9], 其中,基于Bussgang技术的盲均衡算法最为简单,也是研究对象。

1 盲均衡技术原理

日本学者Sato在1975年首次提出“自恢复均衡(Self-recovering Equalization)(后称为盲均衡)”的概念以后[3],各国学者纷纷投入该项研究,经过各国学者几十年的不懈研究,盲均衡算法渐渐形成了一个体系,其原理如图1所示。

基于Bussgang技术的盲均衡算法,重点对代价函数的凸性进行研究,它是保证全局收敛的先决条件[1];同时,还考虑运算量小,收敛速度快等因素。随机梯度的盲均衡算法采用了LMS算法系数递推式,其误差产生式为:

$e (n) = \hat{x} (n) - y (n)$

抽头权值更新值为:

$\hat{w}_{i} (n + 1) = \hat{w}_{i} (n) + μ u (n - i) e (n)$

式中:μ为步长参数;u(n-i)为n次迭代中滤波器的第i个抽头输入。随机梯度法在找到代价函数的最小值即算法收敛后,梯度为零,均衡器收敛后,输入数据与误差正交,推出盲均衡算法满足正交原理时的无记忆非线性函数,可得到 $E {g (y_{n}) y_{n}^{*}} = E (| y_{n} |^{2})$ 。

2 基于Bussgang性质的盲均衡算法

基于Bussgang技术的盲均衡算法先设计一个代价函数,使得理想系统对应于该代价函数的极小值点,而后采用某种自适应算法寻找代价函数的极值点。当代价函数达到极值点后,系统就成为理想的系统[9]。

2.1 判决导引算法

DD(Decision-Directed)算法使用的无记忆非线性函数是一个电平判决器,它是根据发送信号的字符集对均衡器的输出做出判决,结果是字符集中与均衡器输出最接近的那个符号。其权向量的迭代公式:

$W (n + 1) = W (n) - μ [y (n) - a_{n}] X^{*} (n)$

式中:μ为迭代步长;W(n)和X(n)分别代表第n次迭代时的均衡器抽头系数矢量和接收信号矢量;y(n)是均衡器的输出信号;*表示共轭;an是判决电路的输出。

2.2 Sato算法

Sato于1975年提出了一种使用于M进制PAM系统的盲均衡算法。Sato算法的基本思想是将多电平信号分解为信号极性和信号值两部分,只关心信号的极性。Sato算法由如下代价函数的最小化组成:

$J (n) = E [\hat{x} (n) - y (n)^{2}]$

式中:y(n)是横向滤波器的输出; $\hat{x}$ (n)是发送数据的一个估值[1]。判决误差为:

$e_{n} = g (y_{n}) - y (n) = γ sgn (y_{n}) - y_{n}$

算法形式为:

$W (n + 1) = W (n) + μ e_{n} X^{*} (n)$

式中:y是均衡器的输出;γ为正的实常数。二电平PAM下的Sato算法等价于硬判决的DDLMS算法。当横向均衡器要用无限长的IIR结构,且当发送信号必须是服从连续亚高斯(sub-Gaussian)分布或连续超高斯(super-Gaussian)分布的连续信号[3],Sato算法才能理想全局收敛,但实际应用中这两个条件一般无法成立。为了避免盲均衡算法的局部极小值,一般都将除中心抽头外的其他抽头的系数初始值全设为零,而中心抽头的初始系数置为1。

2.3 Godard算法

Godard于1980年提出一种可用于二维数据通信系统的盲均衡算法,p=2时称为常模算法(Constant Modulus Algorithm,CMA)。它的代价函数结合了载波相位,但为了有更好的通用性,可以使代价函数与载波相位无关,得到通用的Godard算法的代价函数:

$J_{n}^{(p)} = E [(R_{p} - | y_{n} |^{p})^{2}]$

式中: $R_{p} = E {| x_{n} |^{2 p}} / E {| x_{n} |^{p}} ‚ x_{n}$ 为发送信号[1]。

CMA算法的权向量的迭代公式为:

$W_{k + 1} = W_{k} - μ u_{k} X_{k}^{*}$

式中:Wk和Xk分别代表第k次迭代时的均衡器抽头系数矢量和接收信号矢量;uk是均衡器的抽头输出向量[2]。Godard算法的代价函数表明,算法试图将均衡器的输出靠近到星座图上一个半径为(Rp)1/p的圆上。当有载波频率误差或有相关旋转时,均衡器收敛后的输出信号有一个任意的相位旋转[3]。当此相位旋转固定时,CMA算法对相位不敏感的特性不会给均衡器带来严重的问题;但是对于时变信道,CMA算法时误码性能将严重下降,所以在数据判决前一般要另外进行相位恢复。

就载波相位补偿而言,Godard算法比其他Bussgang算法更具鲁棒性,因为CMA算法的代价函数完全基于输入信号的幅度,不需要其相位信息,解除了信道均衡与载波相位恢复之间的相互影响。Godard算法通常能均衡色散信道,使得在各种实际应用中,开始眼图闭合,而均衡后眼图张开[1]。对于Godard算法,如果信号不是常模信号,即使均衡器处于稳定收敛状态,仍会存在较大的均值为零的残留误差,残留误差越大,对步长的选取越苛刻,数据运算的比特数也越多,硬件复杂度越高。Godard算法对步长比较敏感,步长太大,很容易使Godard算法不稳定[3]。

2.4 Stop-and-Go算法

Stop-and-Go算法是Picchi和Prati在1987年提出的[3,4,5]。Stop-and-Go算法是在传统的DDLMS算法简单稳定的基础上加强它的盲收敛能力。基本思想是当判决误差不可靠时就停止系数更新;当判决误差可靠时再继续系数更新。定义两个误差项 $\tilde{E}$ $(n, k), \hat{E} (n, k)$ ,同时定义控制标志如下:

$\begin{array}{l} f (i, k) = {\begin{cases} 1, i f sgn (\tilde{E} (i, k)) = sgn (\hat{E} (i, k)) \\ 0, i f sgn (\tilde{E} (i, k)) \neq sgn (\hat{E} (i, k)) \end{cases} \\ E (i, k)^{S A G} = \tilde{E} (n, k) f (i, k) \end{array}$

上式表示若两个误差项 $\tilde{E}$ (n,k), $\hat{E}$ (n,k)符号相同,则将 $\tilde{E}$ (n,k)作为误差项更新量;若符号相反则不更新。 $\tilde{E}$ (n,k)为DD算法的误差项,而 $\hat{E}$ (n,k)可以取CMA,Sato等算法的误差项,这里可以灵活选择。

3 算法收敛特性

在盲均衡系统中,基于Bussgang技术的各种算法收敛特点各不相同。

图2为不同的盲判决算法在频域自适应滤波算法中的应用,仿真符号数为260万个,各种判决算法的步长量级如下:CMA为10-3;SAG与DD为10-1。由SER的情况可以看出,各种判决算法在系统初始化以及稳定的性能各不相同。其中,CMA算法收敛速度较快;SAG算法在初始收敛速度方面不及CMA,但是SAG的稳定收敛性能要好于CMA[4]; DD算法收敛速度快,稳态误差小,但在判决误差率比较大时算法无法收敛,只有在均衡器初始值设置对应的输出信号眼图张开的时候才能够收敛。否则,判决的误差与真实的误差符号相反的概率很大,使均衡器的抽头系数总体上不能朝着正确的方向调整。Godard算法易于实现,韧性好,代价函数仅与接收信号的幅值有关,但收敛速度慢,有误收敛的现象; Stop-and-Go算法计算简单,收敛速度快,稳态剩余误差小,但代价函数中有待定参数,不易得到最佳值。

4 结语

对基于Bussgang技术盲均衡算法进行了分析讨论,几种算法都有各自的优缺点,将盲均衡算法与优化理论相结合,探索新的盲均衡算法,既要收敛速度快,又要运算量小,以解决收敛和速度问题。

摘要：为了减小码间干扰,常常采用均衡技术,基于Bussgang技术的盲均衡算法实现容易,特别是对其进行取符号简化后可大大减少其资源占用量,运算量小,收敛速度快。分析了基于Bussgang技术的盲均衡技术原理,对提出的几种算法的收敛速度进行了研究和比较,研究了算法的特性,提出了盲均衡的发展方向,对于通信质量的提高具有十分重要的工程意义。

关键词：Bussgang技术,盲均衡,判决导引,Sato算法,Stop-and-Go算法

参考文献

[1]西蒙.赫金.自适应滤波器原理[M].4版.北京:电子工业出版社,2010.

[2]丁欢,王永刚.通信中的盲均衡技术[J].现代电子技术,2007,30(11):84-87.

[3]李红军.基于ATSC8-VSB系统的自适应均衡技术研究[D].西安:西安电子科技大学,2007.

[4]周鹏,肖书斌,陈伟,等.ATSC接收机中频域均衡算法的研究[J].计算机与信息技术,2010(4):11-15.

[5]岳蕾.Bussgang技术盲均衡算法研究[D].西安:长安大学,2008.

[6]曾军,黄华,李东.恒模类盲均衡算法研究[J].通信技术,2009,42(10):60-62.

[7]姚春峰,陈健,阔永红.几种盲均衡算法的原理与仿真试验研究[J].电子科技,2007(5):30-32,37.

[8]肖瑛,李振兴,董玉华.变步长常数模盲均衡算法研究[J].通信技术,2008,41(5):47-48.

[9]张立毅,沙定国.盲均衡技术及其发展[J].太原理工大学学报,2002,33(6):619-623.

双模式变步长解相关盲均衡算法研究第4篇

数字无线通信系统中信号在传输过程中会因为多径衰落的影响而产生严重的码间干扰, 实践中经常会用均衡技术来消除码间干扰。常模算法 (CMA) 因为其收敛性稳健、计算复杂度低等优点而得到了普遍应用。但是同时该算法还具有收敛速度慢、剩余误差大和相位模糊等不足。文献[1]在常模算法的基础上提出了一种修正常模算法 (MCMA) , 该算法有效解决了CMA算法不能修正相位偏转的问题, 但是在收敛速度和剩余误差方面没有明显改善。文献[2]在文献[1]的基础上提出了双模式盲均衡算法 (MCMA+DD-LMS算法) , 不仅解决了CMA的相位偏转问题, 而且在收敛速度和剩余误差方面也有很多改进。上述文献中提出的方法都是采用固定步长, 文献[3]提出了VS-MCMA+DD-LMS算法, 该算法采用变步长的思想, 这样可以有效减小剩余误差, 提高收敛速度。本文在此基础上作了进一步改进, 通过实验结果分析可知相比VS-MCMA+DD-LMS算法具有明显改进。

1 算法描述

1.1常见的盲均衡算法

设a (n) 是原始发送序列, h (n) 是信道冲激响应, x (n) 是经信道传输后的信号, w (n) 是采用抽头延迟线模型的线性均衡器, y (n) 是均衡后的信号, $\bar{y} (n)$ 表示判决器输出, e (n) 代表迭代误差, 则有:

x (n) =a (n) ⨂h (n) +n (n) , (1)

式中“⨂”表示卷积运算。

y (n) 是x (n) 和h (n) 卷积得到, 所以要从接收序列y (n) 中恢复x (n) , 就要对y (n) 进行反卷积运算, 或者通过信道辨识得到传输信道的逆信道。传统均衡器发送的训练序列就相当于式中的x (n) , 接收序列y (n) 是已知量, 如此便可以求出h (n) 。但是如前所述, 实际应用中x (n) 是未知的, 这便要用到盲均衡技术来解决问题。

设均衡器阶数为L, 均衡器输入为X (n) , 则有:

X (n) =[x (n) , x (n-1) , …x (n-L+1) ]T, (2)

式中, T表示转置运算。

均衡器抽头系数为:

W (n) =[w0 (n) , w1 (n) …wL-1 (n) ]T; (3)

所以均衡器输出可以表示为:

y (n) =WT (n) Y (n) =YT (n) W (n) 。 (4)

CMA算法的剩余误差函数为:

$e (n) = | y (n) |^{2} - R^{2}$ 。 (5)

式中:

$R^{2} = \frac{E {| a^{4} (n) |}}{E {| a^{2} (n) |}}$ 。 (6)

均衡器权向量的迭代过程为:

W (n+1) =W (n) -μe (n) X (n) y* (n) , (7)

式中, μ为步进长度。

可以看出CMA的误差函数仅包含信号的幅度信息, 这样就导致不能克服信道引起的相位误差。文献[1]中提出分别对信号的实部和虚部进行均衡的MCMA算法, 在均衡的过程中既包含了信号的幅度信息又包含了相位信息, 从而可以补偿信道引起的相位偏转。该算法误差函数的实部和虚部分别为:

eR (n) = (yR (n) ) 2-R2R,

eI (n) = (yI (n) ) 2-R2I, (8)

其中:

$R_{R}^{2} = \frac{E {| a_{R}^{4} (n) |}}{E {| a_{R}^{2} (n) |}} ‚ R_{Ι}^{2} = \frac{E {| a_{Ι}^{4} (n) |}}{E {| a_{Ι}^{2} (n) |}}$ 。 (9)

DD-LMS算法具有计算简单、收敛速度快以及剩余误差小的优点, 但是在判决错误率较高的时候, 算法可能无法收敛。DD-LMS算法比较典型的应用是由其他收敛能力较好的盲均衡算法做冷启动, 当剩余误差降低到一定的程度时切换到DD-LMS算法。文献[2]中提出MCMA算法和DD-LMS算法相结合, 充分利用了2种算法的优点。

均衡器的步长因子是一个非常关键的参数, 直接关系到均衡器的均衡性能。在保证算法收敛的前提下如果步长因子取值较大意味着抽头系数每次调整的幅度就大, 所以算法达到收敛的速度就快, 但是步长因子过大, 又会导致均衡器的抽头系数会在最优解附近大幅度地上下波动, 即算法收敛后的剩余误差比较大。同理, 如果步长因子取值较小, 虽然算法收敛后剩余误差会相对减小, 但是算法的收敛速度会变慢。在文献[3]中提出的VS-MCMA+DD-LMS算法, 采用变步长盲均衡算法的思想, 有效地解决了这一问题。

1.2改进算法描述

由于CMA算法和MCMA算法中代价函数中模值都是恒定, 导致均衡器的抽头趋势都是使均衡器输出的数据向半径为 $\sqrt{R}$ 的圆上靠近, 这就会导致对于非常模信号 (如QAM信号) , 即使在算法收敛时也会存在较大的剩余误差, 多模算法 (MMA) [4]用均衡器输出的判决值来代替常模算法中R, 使之与均衡器输出与多个模相吻合, 算法收敛后误差函数趋于0, 减小剩余误差。该算法的误差函数为:

$e (n) = | y (n) |^{2} - | \bar{y} (n) |^{2}$ 。 (10)

同样可以发现MMA算法也存在相位偏转的问题, 类似于MCMA对CMA的修正, MMMA算法分别对信号的实部和虚部进行均衡使得信号在均衡过程中包含了相位信息, 有效克服了信号的相位偏转。该算法误差函数的实部和虚部分别为:

$\begin{array}{l} e_{R} (n) = y_{R} (n) [(y_{R} (n))^{2} - (\bar{u}_{R} (n))^{2}] ‚ \\ e_{i} (n) = y_{i} (n) [(y_{i} (n))^{2} - (\bar{u}_{i} (n))^{2}] 。 (11) \end{array}$

MMMA算法中的输入数据向量Y (n) =[y (n) , y (n-1) …y (n-M+1) ]是元素Y (n-i+1) 的移位形式, 而如果输入信号之间高度相关会对均衡器的均衡性能产生不利的影响[5]。所以针对此不足对MMMA算法做了一定的改进, 即对输入端的信号进行解相关处理, 从而实现输入信号之间的相对独立, 如此可以有效改善均衡器的均衡性能, 称其为解相关修正多模算法 (UMMMA算法) 。

定义Y (n) 与Y (n-1) 在n时刻的相关系数为[6]:

$λ (n) = \frac{Y^{Τ} (n - 1) Y (n)}{Y^{Τ} (n - 1) Y (n - 1)}$ 。 (12)

当λ (n) =0时表示Y (n) 与Y (n-1) 不相关, 当0<λ (n) <1时表示Y (n) 与Y (n-1) 之间相关, 并且在取值范围内λ (n) 的值越大就表示输入信号之间的相关性越大。λ (n) Y (n-1) 就表示Y (n) 中与Y (n-1) 的相关内容, 解相关运算就是从Y (n) 中减去相关部分, 其结果V (n) 作为抽头系数的更新向量:

V (n) =Y (n) -λ (n) Y (n-1) 。 (13)

该算法的抽头递推公式为:

W (n+1) =W (n) -4μe (n) V* (n) z (n) , (14)

式中, 误差函数e (n) 同MMMA算法。

通过前面分析知道改进的UMMMA算法在处理QAM类非恒模信号时的性能要优于MCMA算法, 所以提出将变步长UMMMA算法与DD-LMS算法相结合使用, 称其为双模式变步长解相关修正多模算法 (VS-UMMMA+DD-LMS算法) 。

为了提高收敛速度, 采用指数型变步长公式[7]:

$μ (n) = β (1 - \exp (- α | e (n) |))$ , (15)

式中, α和β为参数, 分别控制曲线的形状和取值范围, 通过调节α和β的值来改善算法的收敛速度。

VS-UMMMA+DD-LMS算法的切换法则为在均衡的初始阶段采用收敛性能稳定的VS-UMMMA算法均衡, 当剩余误差小到信号的眼图睁开时便切换为DD-LMS算法工作, 切换的时刻是根据事先设定的误差门限值γ决定的。门限值γ是根据输入端信号的信噪比来确定的, 设均衡器输入端的信噪比为SNR, 则有:

$S Ν R = 10 \lg \frac{E_{s}^{2}}{σ^{2}}$ , (16)

式中, E $_{s}^{2}$ 为信号功率, σ2为噪声功率。

由此可得:

$σ = \sqrt{E_{s}^{2} / 10^{0.1 S Ν R}}$ 。 (17)

要求判决值γ<σ, γ值的最优值需要经过多次试验确定。

2 仿真结果分析

以下通过实验来证明改进算法的均衡性能。文中以常用的数字信号16QAM作为处理信号, 信道响应为h=[-0.005-0.004j 0.009+0.030j -0.024-0.104j 0.854+0.520j -0.218+0.273j 0.049-0.074j -0.016+0.020j], 接收端信号分别经过CMA算法, VS-MCMA+DD-LMS算法, VS-UMMMA+DD-LMS算法处理, 均衡器的阶数为11, DD-LMS算法的步长为0.05, 变步长参数α=10, β=0.016, 判决门限为0.08, 信噪比SNR=20 dB时的仿真结果如图1和图2所示。

由图1 (a) 可见接收端信号在未经过盲均衡处理时其星座图模糊一片, 无法通过星座图来确定信号调制类型。由图1 (b) 可见接收信号经过CMA算法均衡后, 虽然星座图的特征清楚地显示出来, 但是信号在信道传输过程中产生的相位偏转无法得到有效的修正。图1 (c) 和图1 (d) 显示的是接收端信号分别经过VS-MCMA+DD-LMS算法和VS-UMMMA+DD-LMS算法均衡后的星座图, 对仿真结果进行分析可知2种算法均对其相位偏转进行了有效修正, 并且相同条件下VS-UMMMA+DD-LMS算法均衡后的信号星座点的收敛度要优于VS-MCMA+DD-LMS算法。

图2显示的是CMA算法、VS-MCMA+DD-LMS算法及VS-UMMMA+DD-LMS算法的剩余误差曲线, 对比分析可知VS-MCMA+DD-LMS算法相比CMA算法其收敛速度和剩余误差均有一定的改进, VS-UMMMA+DD-LMS算法在VS-MCMA+DD-LMS算法的基础上均衡性能得到了进一步的改善, 收敛速度更快, 剩余误差也更小, 所以可见提出的改进方法具有一定的现实参考意义。

3结束语

介绍了CMA算法及VS-MCMA+DD-LMS算法的均衡原理及其均衡性能, 针对原算法收敛速度慢、剩余误差大和不能修正相位偏转等不足, 提出改进的VS-UMMMA+DD-LMS算法, 通过仿真结果分析表明该算法具有较好的性能, 有一定的参考使用价值。

摘要：恒模算法 (CMA) 是一种重要的盲均衡技术, 虽然能达到盲均衡效果, 但是收敛后会有较大的剩余误差和相位模糊。在文献[3]中提出的VS-MCMA+DD-LMS算法的基础上做了进一步改进, 提出变步长修正多模算法 (VS-MMMA) 和DD-LMS相结合, 以及变步长解相关修正多模算法 (VS-UMMMA) 和DD-LMS相结合2种新算法, 进行了仿真和性能分析, 证明新算法在收敛速度和均衡误差方面均有明显的改进。

关键词：剩余误差,相位模糊,解相关

参考文献

[1]ENDERST J.Equalizing with Fractionally Space ConstantModulus and Second Order Statistics Blind Receiver[D].Ithaca, N Y:Cornell University, 1997.

[2]朱行涛, 刘郁林, 敖卫东.一种基于MCMA的双模切换变步长盲均衡算法[J].重庆邮电学院学报, 2006, 18 (6) :690-692.

[3]杨斌, 郭黎利, 吴浩江.一种变步长双模式盲均衡算法的研究[J].信息技术, 2009 (02) :89-91.

[4]李昌斌, 徐昌庆.修正多模算法的盲信道均衡[J].信息技术, 2004 (10) :16-18.

[5]赵雪清, 郭业才, 杜守天.基于指数型变步长常模水声信道盲均衡算法及其DSP实现[J].舰船科学技术, 2009, 31 (8) :111-114.

[6]段正华, 王梓展, 鲁薇.一种改进的解相关LMS自适应算法[J].湖南大学学报, 2006, 33 (3) :116-118.

盲均衡器第5篇

神经网络作为一种新兴的优化算法, 具有大规模并行、分布式存储与处理、自组织、自适应、自学习和高度的容错能力等特点, 与盲均衡算法相结合, 可以提高收敛性能, 改善均衡效果。

1 神经网络盲均衡的基本原理

将神经网络应用于盲均衡算法中, 能够得到多种神经网络盲均衡算法。目前常见的结合机理有两种:一种是将神经网络构造成滤波器、控制器和分类器, 然后用于盲均衡算法, 得到基于神经网络滤波器、控制器和分类器的盲均衡算法[3];另一种是基于传统代价函数的神经网络盲均衡算法和基于网络能量函数的神经网络盲均衡算法。

1.1 基于神经网络滤波器的盲均衡算法

基于神经网络滤波器的盲均衡算法是在传统盲均衡算法的基础上, 采用神经网络代替横向滤波器, 充分利用神经网络输入层与隐层、隐层与输出层间的权值调整以及非线性激活函数的选取来逼近传输信道, 以补偿信道的非线性, 达到均衡的目的。其原理框图如图1所示。

图中, s (n) 为通信系统的发送信号;h (n) 为离散时间传输信道的冲激响应;w (n) 为神经网络的连接权值, 包括输入层和隐层连接权值;y (n) 为经过信道传输后的系统接收信号, 同时它也是盲均衡器的输入信号;n (n) 为传输信道上迭加的噪声;x (n) 为经过盲均衡器后的输出信号;为判决后的恢复信号。

1.2 基于神经网络控制器的盲均衡算法

基于神经网络控制器的盲均衡算法是将神经网络设计成控制器, 用于控制传统恒模盲均衡算法中的相关参数, 如算法的迭代步长、神经网络盲均衡算法动量因子等参数, 以改善收敛性能, 提高传输质量。其原理框图如图2所示。

1.3 基于神经网络分类器的盲均衡算法

基于神经网络分类器的盲均衡算法是将神经网络设计成分类器, 代替固定判决门限的判决器, 用以消除固定判决门限的缺陷。其原理框图如图3所示。

1.4 基于传统代价函数的神经网络盲均衡算法

基于传统代价函数的神经网络盲均衡算法原理框图如图1所示。其基本原理是首先选择一个神经网络的结构形式, 然后根据所选的神经网络结构设计目标函数, 并依据目标函数推导出神经网络连接权值的递推方程, 最后通过最小化目标函数来达到调整连接权值的目的。

1.5 基于网络能量函数的神经网络盲均衡算法

基于网络能量函数的神经网络盲均衡算法原理框图也如图1所示。是将传统盲均衡算法的目标函数与神经网络的能量函数进行比较, 并将目标函数改造为神经网络的能量函数, 再利用新的能量函数设计神经网络的状态方程, 这样就将原有的神经网络进行了改造, 能够达到均衡的目的。

2 神经网络盲均衡的发展动态

自1991年, Benvenuto等[4]首次提出复值多层前馈神经网络盲均衡器以来, 神经网络盲均衡算法就引起众多学者的关注, 目前已初步形成前馈神经网络盲均衡、递归神经网络盲均衡、小波神经网络盲均衡、进化神经网络盲均衡、模糊神经网络盲均衡等多种算法。

2.1 前馈神经网络盲均衡算法

前馈神经网络是一种由输入层、输出层和隐层组成的单向神经网络结构, 具有结构简单、计算量小等优点。近年来, 在传统前馈神经网络盲均衡算法的基础上, 主要针对BP算法收敛速度较慢、容易陷入局部极小点的缺陷进行改进, 研究了时变步长、动量项、时变动量项等神经网络盲均衡算法[5,6,7]以及多隐层神经网络盲均衡算法[8]。

2.2 递归神经网络盲均衡算法

递归神经网络是一个非线性动力系统, 具有规模小、收敛快等特点。自1994年G.Kechriotis等[9]成功将递归神经网络用于盲均衡以后, 又陆续提出了其他递归结构神经网络盲均衡算法及其改进算法, 如双线性反馈神经网络、对角递归神经网络和准对角递归神经网络盲均衡算法等[10,11,12]。

2.3 小波神经网络盲均衡算法

小波神经网络是将小波理论与神经网络理论相结合的一种神经网络结构, 具有较强的逼近能力和容错能力。自1997年Shichun He和Zhenya He[13]将反馈小波神经网络用于非线性通信信道盲均衡以后, 又将正交小波变换、正交小波包变换理论等引入神经网络盲均衡算法中[14,15,16]。

2.4 进化神经网络盲均衡算法

进化神经网络是进化算法与神经网络互补而成的一种新型神经网络模型, 具有很强的鲁棒性和适应性。2003年, 陈金召等[17]首次将遗传算法引入盲均衡, 之后, 刘永[18]采用遗传算法优化神经网络的权值和结构, 分别得到了遗传算法优化神经网络权值盲均衡算法和遗传算法优化神经网络结构的盲均衡算法。

2.5 模糊神经网络盲均衡算法

模糊神经网络是模糊信息处理技术和人工神经网络技术有机结合的一种新型神经网络模型, 具有集学习、联想、识别、自适应和模糊信息处理于一体的特点。模糊神经网络盲均衡算法主要是在传统自适应模糊均衡器的基础上, 将模糊神经网络构造为滤波器、控制器和分类器, 形成了三种新的模糊神经网络盲均衡算法等[19]。

3 神经网络盲均衡的研究方向

基于上述分析, 神经网络盲均衡算法目前已引起广泛关注, 并取得可喜的研究进展。今后应在以下几方面进行深入研究。

1) 针对不同的神经网络结构, 研究其代价函数和网络激活函数的选取, 以获得运算量更小、收敛性能更好的神经网络盲均衡算法。

2) 针对目前层出不穷的新兴优化算法, 如粒子群算法、蚁群算法、蜂群算法等群智能算法, 将其应用于神经网络的训练之中, 以优化神经网络的初始权值和结构, 提高算法收敛性能。

盲均衡器第6篇

双模式盲均衡算法能有效解决收敛速度和收敛精度之间的矛盾,其基本思想是:选择两种算法,一种能稳定快速收敛;另一种在收敛后能获得很小的稳态误差,双模式盲均衡算法能否有效提高均衡性能取决于切换准则。针对算法的切换机制,参考文献[4]提出一种基于判决域的双模式切换算法;参考文献[5]采用硬判决切换,即达到设定的门限值就进行算法切换;参考文献[6基于符号判决法进行切换。本文针对高阶QAM系统均衡问题,将MCMA算法与MAMA算法相结合,设计了一种双模式盲均衡算法。

1 系统模型

盲均衡系统的等效基带模型如图1所示。图中,s(n=[s(n),s(n-1),…,s(n-L+1)]为发送信号序列,长度为L。信道冲激响应记为h(n)=[h(0),h(1),…,h(L-1)]T,叠加高斯白噪声v(n)后,信道输出为y(n)=h(n)Ts(n)+v(n)。y(n)经过长度为N的线性均衡器,其抽头系数矢量为w(n)=[w(0),w(1),…,wN-1]T,均衡器输出z(n)=w(n)Ty(n),z(n)被判决到离它最近的星座点上,记为s赞(n),准赞n表示对相位误差的估计。

2 算法描述

2.1 MCMA和MAMA算法

Godard提出的CMA算法的代价函数只与发送信号的幅值有关,而与相位无关,即:

其中R=E{|s(n)|4}/E{|s(n)|2}为信号的归一化峰度,是一个正的实常数。

误差控制函数为:

对代价函数最小化得到均衡器系数迭代公式:

其中μCMA为迭代步长。

MCMA算法对传统的CMA算法进行了改进,将CMA的代价函数分解为实部和虚部两部分,然后分别使用CMA算法均衡。MCMA的误差控制函数为:

将式(4)代入式(3)得到MCMA的系数迭代公式:

其中,

sR(n)和sI(n)分别为s(n)的实部与虚部,zR(n)和zI(n)分别为z(n)的实部与虚部。

MCMA调节抽头系数,使均衡输出的实部趋于±姨RR、虚部趋于±姨RI,误差控制函数包含了信号的幅度和相位信息,所以在对幅度进行均衡的同时,还能补偿信道引起的相位误差,避免了单独的相位恢复过程,简化了系统设计。

图2为16 QAM信号星座图,信号有三个不同模值。显然,MCMA这种单模均衡方式对具有多模的高阶QAM信号的均衡是不准确的。

MAMA针对不同模值上的信号,采用相对应的模值对其进行均衡,以获得较小的稳态误差,是一种多模算法。MAMA的系数迭代公式为:

其中,分别为的实部与虚部。

2.2 双模式盲均衡算法

当对同一信号的前后两次均衡的判决输出相同时,就能保证正确判决的概率较大[7]。为了在快速收敛的同时,进一步提高收敛精度,本文利用MCMA作为基础模式,MAMA作为辅助模式,对信号进行均衡。在利用MCMA进行系数更新后,计算在当前系数下的均衡器输出,若与系数更新前的均衡器输出相同,则同时利用MAMA进行系数更新。此时,均衡器输出为:

其中,w1(n)表示由MCMA算法更新的系数,w2(n)表示由MAMA算法更新的系数。

MCMA系数迭代公式为:

其中,μ1为MCMA迭代步长。令:

当时,MAMA系数迭代公式为:

其中μ2为MAMA迭代步长,是z′(n)的判决输出。

在均衡初始阶段,为获得较快的收敛速度,用MC-MA对信号进行均衡。为了同时获得更小的稳态误差,当正确判决的概率较大时,并不能完全避免错判,故使用MCMA联合MAMA均衡。因此,MCMA始终对信号进行均衡,保证均衡器所有输出信号的实部趋于虚部趋于MAMA使均衡器对位于不同模值上的信号均衡更具有针对性。由于MCMA比MAMA的剩余误差大,所以μ2比μ1的取值要大[8]。

3 仿真测试与评价

为验证算法的有效性,利用MATLAB对算法进行仿真测试。仿真参数为:发送信号为64 QAM,信号归一化平均功率为1,信噪比为30 d B,信道噪声为高斯白噪声。信道冲激响应序列依据参考文献[9]给出的参数,h=[0.041 0+0.010 9j,0.049 5+0.012 3j,0.067 2+0.017 0j,0.091 9+0.023 5j,0.792+0.041 4j,0.128 7+0.015 4j,0.103 2+0.011 9j]。MCMA抽头数为31,迭代步长μ1=9×10-7;MAMA抽头数为31,初始化为0,迭代步长μ2=1×10-6。在算法性能评价上,采用参考文献[10]的方法计算均方误差MSE(Mean Square Error)和码间干扰(ISI)。

其中,σa2和σn2分别是信号功率和噪声方差,H是信道卷积矩阵,hδ为获得理想均衡时由多径信道和均衡器组成的合成响应向量。

其中,ci为合成信道C中的元素,cmax为其中具有最大绝对值的元素。

图3(a)、图3(b)、图3(c)分别为均衡前、MCMA均衡输出和本文算法均衡输出的信号星座图。从图3中可以看出,本文设计的算法在稳态时的输出信号更紧密地分布在星座符号周围。

图4给出了MCMA算法和本文设计的双模式盲均衡算法在迭代过程中剩余均方误差的变化趋势。从图中可以看出,在相同的信噪比下,本文设计算法的收敛速度比MCMA算法快,且稳态MSE约减少了2 d B。

图5给出了MCMA算法和本文算法在不同信噪比时的符号间干扰(ISI)曲线。可以看出,随着信噪比增加,两种算法的ISI都会降低,但应用本文算法,ISI的下降速度更快。当SNR=35 d B时,应用本文算法在稳态时的码间干扰比MCMA低约3 d B。

对于高阶QAM系统,MCMA和MAMA分别存在稳态误差大、收敛速度慢的缺点,本文设计了一种结合MCMA和MAMA的双模式盲均衡算法。该算法利用MCMA始终对信号进行均衡,当正确判决的概率较大时,引入MAMA联合均衡,对位于不同模值上的信号进行有针对性的均衡。本文对该算法及MCMA算法,采用64 QAM信号进行了仿真对比测试。结果表明,本文设计的双模式盲均衡算法具有更快的收敛速度和更小的稳态误差。

参考文献

[1]HE L,ADMIN M G,REED C,et al.A hybrid adaptiveblind equalization algorithm for QAM signalsin wireless communications[J].IEEE Trans-actions on Signal Processing,2004,52(7):2058-2069.

[2]GODARD D N.Self-recovering equalizationand carrier tracking in two-dimensional datacommunication systems[J].IEEE Transac-tions on Communications,1980,28(11):1867-1875.

[3]SHAHMOHAMMADI M,KAHAEI M H.Anew dual-mode approach to blind equaliza-tion of QAM signals[C]//CSS 2003.Kemer-Antalya:[s.n.],2003:277-281.

[4]WEE G L.New soft transition dual mode type algorithmsfor blind equalization[C]//IEEE WCNC 2007.Hong Kong:[s.n.],2007:504-508.

[5]孔媛媛,王欣,鄷广增.一种改进的QAM信号的恒模算法:MCADAMA[J].南京邮电大学学报,2009,29(3):73-77.

[6]GUO Ye Cai,HAN Ying Ge,YANG Chao.Orthogonalwavelet transform based sign decision dual-mode blindequalization algorithm[C]//ICSP 2008.Beijing:[s.n.],2008:80-83.

[7]DE C F C C,DE C M C F,ARANTES S.Concurrentblind de-convolution for channel equalization[C].Proc ICC,Helsinki Finland,2001,2:366-371.

[8]FIJALKOW I,MANLOVE C E,JOHNSON C R,et al.Adaptive fractionally spaced blind CMA equalization:excessMSE[J].IEEE Trans on Signal Processing,1998,46(1):227-231.

[9]LI Chi Sheng,DONG Wen Juan,WAN Guo Jin,et al.A new multi-modulus blind equalization algorithm for QAMSignals[C]//International Conference on Wireless Commu-nications,Networking and Mobile Computing,2009:1-4.

盲均衡器第7篇

1 反馈盲均衡模型

神经网络具有很好的自主学习能力, 小波神经网络 (wavelet neural network, WNN) 将神经网络的自学习功能和小波的时频局域化性质结合起来[8], 具有较高的自适应分辨力和良好的容错能力。根据小波神经网络的特点, 并考虑航空信道多径效应和衰减效应远远大于卫星通信, 并且由于机载功率放大器的原因, 航空信道的记忆效应不能完全消除[9], 本文设计了一种利用输出信息反馈修正的小波神经网络盲均衡方法, 其结构如图1所示。

图1中, x (n) 为离散发送信号, 航空通信信道设为h (n) , N (n) 为航空通信信道的加性高斯白噪声, s (n) 为小波神经网络接收的离散信号, y (n) 为判决器的判决输出, 并作为小波神经网络的反馈输入。为了消除航空通信信道的记忆效应, 将小波神经网络输入信号进行延时抽头处理。航空通信信道由于其较高的载波频率和较大的信息传输速度, 需要均衡器能够快速完成均衡参数的计算, 而现有的均衡算法一般采用带有训练结构的均衡算法, 但带有训练结构的均衡算法会在每次通信链路建立时浪费大量的通信时间, 为了克服这种情况, 本文采用盲均衡算法来处理接收数据, 盲均衡算法通过小波神经网络接收的离散信号s (n) 对离散发送信号x (n) 进行无失真恢复。结合常数模盲均衡算法, 构造小波神经网络盲均衡算法的代价函数如下:

2 小波神经网络方法

为了有效消除记忆效应, 本文利用小波神经网络接收的离散信号s (n) 的延时抽头和判决器的判决输出y (n) 的延时抽头, 构建小波神经网络反馈循环修正的均衡器, 其结构如图2。

在图2中, 小波神经网络接收的离散信号s (n) 通过延时寄存器抽头当前采样时刻到前P-1采样时刻的离散信号共P个, 来完成非线性处理, 利用判决输出离散信号y (n) 从通过延时寄存器抽头前一个采样时刻到前M个采样时刻的反馈离散信号共M个来构建功率放大器的记忆效应。为了便于后续计算, 按照图2中的输入层神经元从上到下的排列统一用Ti (n) 来表示:

此时输入神经元的个数为M+P个, 在后续中用m代替。y (n) 为小波神经网络的输出。隐层第k个神经元的输入为uk (n) , 输出为Qk (n) , (k=1, 2, …, p) , p为小波神经网络隐层神经元的总个数。输入层第i个神经元至隐层第k个神经元的连接权重为wik, 隐层第k个神经元至输出层的连接权重为vk (n) 。可以分别得到隐层神经元输入函数、隐层神经元输出函数和小波神经网络输出函数的表达式:

f (·) 表示对隐层输入信号进行小波变换, 这里选择Morlet小波母函数, 该母函数具有收敛速度快, 没有局部最小值得特点, 母函数结构如下[9]:

式 (6) 中, b为平移因子, a为尺度因子。从式 (6) 中可以看出, 为了得到每一步的最优系数, 我们需要从后往前进行计算, 利用式 (1) 所设计的代价函数, 根据误差反传算法和随机梯度下降算法实现对小波网络参数的更新调整。推导后可以得到小波神经网络隐层到输出层的连接权重更新公式为:

式 (7) 中, μ为迭代步长。其中:

当完成隐层到输出层的权重更新后, 继续利用随机梯度下降算法即可实现对输入层到隐层的权重系数的更新, 更新公式如下:

通过式 (9) 和式 (10) , 就可以得到神经网络输入层到隐层的权重更新方式。由于本文利用小波函数构造神经元的传输函数, 该方法可以有效提高航空通信的时频局域化处理能力, 但是小波函数的平移因子和尺度因子也需要在盲均衡算法的每一次迭代更新中进行更新以保证小波传输函数的局域性, 平移因子和尺度因子也采用随机梯度下降算法进行更新。

利用式 (11) 、式 (12) 、式 (13) 和式 (14) 即可完成小波神经元平移因子和尺度因子的更新。当隐层到输出层的权重系数、输入层到隐层的权重系数和小波神经元平移因子和尺度因子分别完成一次更新后, 反馈小波神经网络即完成了一次迭代更新。由于本算法引入了输出反馈来模拟航空通信信道的记忆效应, 并通过构造小波神经元代替传统的对数神经元, 可以有效的消除航空通信信道的多径效应和信号畸变并降低误码率。

3 结果与仿真

为了验证本算法的有效性, 利用水声信道进行仿真实验, 并与文献[4]所提出的小波变换常数模算法WTCMA和文献[7]所提出的神经网络NN算法进行比较.实验中, 航空通信信道的信道模型如下:

发射信号为16QAM, 信噪比为20 d B, 均衡器的权长均为32.对WTCMA均衡器, 第7个抽头初始化为1, 步长μ=0.003, 采用DB2小波分解, 分解层数为2, 功率初始化为4;对NN均衡器, 采用15个输出神经元, 5个隐层神经元, 一个输出神经元, 初始系数矩阵为全0矩阵;对本文所设计的反馈小波神经网络 (FWNN) 盲均衡器也采用15个输出神经元, 其中8个为接收到得信道信号, 7个为反馈信号, 5个隐层神经元, 一个输出神经元, 初始系数矩阵为全0矩阵, 小波函数中尺度因子和平移因子的初始化为a=7.5, b=0.009 8, 迭代步长μ=10-3。其收敛曲线如图3所示。

从图3的结果中可以看出, 本文所设计的反馈小波神经网络盲均衡器在收敛速度上优于常数模算法盲均衡器和传统的神经网络盲均衡器, 收敛速度分别加快了200次迭代和700次迭代。这是由于本方法运用小波函数代替了传统的神经元传输函数, 而小波函数具有较好的时频局域性, 使其能更好的进行收敛, 而引入了反馈输出, 可以更好的消除水声信道的记忆效应, 从而降低了均方误差。

其次, 为了比较判决输出后的码间误差, 本文通过输出信号的星座图来进行分析, 仿真条件保持不变, 小波变换常数模盲均衡器输出、传统神经网络盲均衡器输出和反馈小波神经网络盲均衡器输出分别如图4至图6所示。

从图4~图6中可以看出, 利用反馈小波神经网络盲均衡器输出信号的星座图相较其他两种方法显得更加清晰和紧凑。而这种效果在后面的判决器中更加容易得到正确的解调码, 从而保证了更低的误码率, 并且当码间干扰较大时, 也能有效的判决出正确的解调码。

4 结论

针对航空通信信道的多径效应和畸变效应相比较于其他无线通信对通信质量的影响更大, 本文利用小波函数的时频局域性结合神经网络的自主学习学习能力, 建立了用于航空通信信道的高载波高传输速度的盲均衡方法, 用于消除多径和畸变效应对通信信号的影响, 并为了消除信道的记忆效应, 在小波神经网络中引入均衡器输出信号作为神经网络的输入信号。通过仿真论证, 结果表明本文所提出的反馈小波神经网络盲均衡器较现有的主流盲均衡器方法在迭代收敛速度和输出信号星座图上都具有一定的改善, 具有一定的实用价值。

参考文献

[1] 唐成凯, 廉保旺, 张玲玲.卫星通信系统双向中继转发自干扰消除算法.西安交通大学学报, 2015;49 (2) :1—7Tang C K, Lian B W, Zhang L L.Self interference cancelation algorithm with bidiretional relay for satellite communication system.Journal of Xi’an Jiaotong University, 2015;49 (2) :1—7

[2] 唐成凯, 廉保旺, 张玲玲.卫星通信双循环下Volterra滤波预失真算法.西安电子科技大学学报, 2015;42 (3) :1—7Tang C K, Lian B W, Zhang L L.Dual loop Volterra filter predistortion in satellite communication.Journal of Xidian University, 2015;42 (3) :1—7

[3] Park J, Ha Y, Chung W.Reduced complexity MLSD equalizers based on bidirectional DFEs.IEICE Transactions on Communications, 2012;95 (11) :3432—3438

[4] Guvensen G M, Yilmaz A O.A general framework for optimum iterative blockwise equalization of single carrier MIMO systems and asymptotic performance analysis.IEEE Transactions on Communications, 2013;61 (2) :609—619

[5] Arik S O, Askarov D, Kahn J M.Adaptive frequency-domain equalization in mode-division multiplexing systems.Journal of Lightwave Technology, 2014;32 (10) :1841—1852

[6] Takano Y, Anwar K, Matsumoto T.Spectrally efficient frame-formataided turbo equalization with channel estimation.IEEE Transactions on Vehicular Technology, 2013;62 (4) :1635—1645

[7] 唐成凯, 廉保旺, 张玲玲.卫星通信中动态神经网络预失真算法研究.西北工业大学学报, 2013;31 (2) :34—39Tang C K, Lian B W, Zhang L L.Dynamic neural network based predistortion in satellite communication.Journal of Northwestern Polytechnical University, 2013;31 (2) :34—39

[8] 薛源, 孙小东, 张嵩.短波信道下直扩信号检测与载频盲估计.科学技术与工程, 2014;14 (29) :45—51Xue Y, Sun X D, Zhang H.Detection and carrier frequency blind estimation of direct sequence spread spectrum signals in HF channel.Science Technology and Engineering, 2014;14 (29) :45—51

盲均衡器范文

盲均衡器第1篇

盲均衡器第2篇

盲均衡器第3篇

双模式变步长解相关盲均衡算法研究第4篇

盲均衡器第5篇

盲均衡器第6篇

盲均衡器第7篇