基于超指数初始化的判决导引盲均衡算法研究

在高速水声通信和多点通信系统中,盲均衡算法由于不需要发送训练序列而节省了信道带宽,得到了广泛的关注.Bussgang类盲均衡算法中,判决导引(DD)算法虽然剩余码间干扰小,但收敛能力较弱,往往不具备使闭合眼图睁开的能力,因此常采用收敛能力较强的盲均衡算法作冷启动,在眼图睁开以后再切换到判决导引模式.利用超指数(sE)算法收敛速度快和收敛平稳的特点,提出了一种双模式盲均衡算法.该算法在收敛阶段采用超指数算法,之后通过判决准则切换到DD算法,有效地加快了算法的收敛速度,保证了算法的收敛稳定性.通过计算机仿真,表明了该方法的有效性.     

一种基于分数采样的混合盲均衡算法仿真研究

在数字通信中,盲均衡是克服多径衰落信道导致的码间干扰的一种有效方法。超指数盲均衡算法的迭代算法收敛速度快,且便于跟踪时变信道。同时由于实际信道往往为非最小相位系统,此时线性均衡器性能不佳。因此针对严重频率衰落和非线性相位失真信道,提出了一种分数采样的混合盲均衡算法,并获得了较快的收敛速度和较小的剩余均方误差。仿真结果证明了该算法的有效性。     

基于正交小波包变换的变步长双模式盲均衡算法

在分析正交小波包变换盲均衡算法特性的基础上,提出一种基于正交小波包变换的变步长双模式盲均衡算法(WPT-VDMA)。该算法利用正交小波包变换良好的去相关性和变步长,来加快收敛速度;利用符号判决实现基于正交小波包变换的常数模盲均衡算法(WPT-CMA)与基于正交小波包变换的判决导引盲均衡算法(WPT-DD)间的切换,以减小均方误差。仿真结果表明,与WPT-CMA和WPT-DMA(基于正交小波包变换的双模式盲均衡算法)相比,WPT-VDMA收敛后的均方误差分别减少约3.1dB和2.2dB,收敛速度分别快约6500步和3000步。因此,该算法具有收敛速度快、跟踪性能好、均方误差小的特点。     

基于正交小波变换的超指数迭代盲均衡器设计与仿真

针对常数模(Constant Modulus Algorithm,CMA)算法收敛速度曼、稳态误差大的特点,在分析超指数迭代(Super-Exponential Iterative,SEI)算法的基础上,结合正交小波变换理论,提出了基于正交小波变换的超指数迭代盲均衡器设计方法.该方法充分利用SEI算法对数据白化作用和正交小波变换良好的去相关性能,加快了收敛速度、减小了稳态误差.时变信道盲均衡仿真结果,验证了该方法的有效性.     

一种适用于高阶QAM信号的双模式多模盲均衡算法

为了克服常数模算法(CMA)收敛速度慢、稳态误差大的缺点,利用QAM信号信道利用率高及高阶QAM信号模值不为常数的特点,提出了一种适用于高阶QAM信号的双模式多模盲均衡算法(DMMA).该算法以常规的CMA为基础模式,以多模算法(MMA)为第二模式,用该模式对于处在不同模值上的信号,以相对应的模值为参数分别进行均衡.另外,两种模式是同时对信号进行均衡的,并且在第二模式中,利用判决条件对均衡器的输出信号进行判决,使得模值能自动进行切换.利用水声信道对DMMA和CMA进行仿真实验,结果表明,与CMA相比,DMMA能针对性地对位于不同模值上的信号分别进行均衡,且收敛速度快、稳态误差小.     

适用于高阶QAM信号的双模式盲均衡算法及仿真

提出了一种适用于QAM信号的双模式盲均衡算法，该算法以常规的CMA算法为初始模式，第二模式中分别对QAM信号的同相分量和正交分量进行均衡。通过判决条件对均衡器输出信号进行判决，使得该算法的迭代过程在两种模式之间自动切换，其收敛速度优于常数模算法CMA和基于判决圆环的双模式算法。通过水声多途信道的仿真实验，验证了该算法良好的收敛性能。     

高阶正交幅度调制信号信道均衡算法的研究仿真

传统双模式盲均衡算法是基于常数模进行信道均衡,均衡收敛速度慢、频带利用率不高,针对这个缺点,利用高阶正交幅度调制(QAM)信号具有多个模值,频带利用率高的特点,提出了适用于高阶QAM信号的双模式多模盲均衡算法(DMMA)和半盲均衡算法(SBEA)。其中DMMA充分利用了QAM信号的特点,采用收敛速度快,算法复杂度低的多模盲信道均衡算法为基础模式,以收敛效果更好并且修正相位偏转的多模辅助算法为第二模式;SBEA是运用DMMA均衡后的结果作为自适应均衡算法的导频数据,提高整个算法的收敛速度和精度。仿真结果表明两种算法收敛速度快、稳态误差小,并且能消除码间干扰的同时修正相位偏转,具有很好的实用性。     

一种用于多径衰落水声信道的盲均衡算法仿真研究

在水声数字通信中，严重的多径衰落和多普勒频移是影响通信性能的两个主要因素。研究了一种分数间隔判决反馈盲均衡结构，以有效地克服水声信道多径衰落的不利影响。同时，针对水声信道的时变多普勒特性，在分数间隔判决反馈结构的基础上，提出了一种修正常数模分数间隔判决反馈盲均衡与二阶数字锁相环相结合的盲均衡算法，以纠正信道引入的载波相位旋转。最后通过计算机仿真，将该算法与常数模波特间隔判决反馈盲均衡算法进行了性能对比，仿真结果证明了该算法的有效性。因此，该算法具有良好的实用性和应用前景。     

一种新的修正步长盲均衡算法

针对MCMA算法收敛速度与稳态误差相矛盾的问题,通过构造新的误差函数,并建立误差函数与步长因子之间的非线性函数关系,在MCMA算法基础上,提出了一种新的修正步长盲均衡算法(MS-MCMA).该算法在增加收敛速度的同时,稳态误差性能也得到了改善.仿真结果表明,新算法的收敛速度相比较于ME-MCMA和DMSign-CMA提高了一倍以上;当SNR=30dB时,新算法稳态误差性能大约有5dB改善,而当SNR=15dB时,其稳态误差性能也有0.5dB改善.     

基于最大比合并空间分集判决反馈盲均衡算法

信道的多径传播和衰落特性常在接收端引起码间干扰,严重影响了通信质量.为了减少码间干扰,提高通信质量,在分析空间分集技术和判决反馈盲均衡性能的基础上,提出了一种基于最大比合并空间分集的判决反馈盲均衡算法(MRC-DFE),该算法利用了空间分集来减少衰落的影响,利用判决反馈盲均衡器来克服码间干扰,具有收敛速度快、均方误差小的特点.计算机仿真结果,验证了该算法的有效性.     

一种改进的加权多模盲均衡算法

在加权多模盲均衡算法的基础上,提出了一种误差函数在判决引导模式和加权多模模式之间切换的改进算法。算法根据误差函数符号的比较结果,在判决引导模式与固定加权多模模式之间切换,可充分利用两种模式的优点,更好的匹配信号星座,避免动态权值多模算法中权值的调整。仿真结果表明与动态权值多模算法相比,改进算法可获得更快的收敛速度和更低的稳态均方误差,计算量增加较少,适用于QAM信号。     

基于RLS-BP算法的复信道盲均衡技术

基于RLS-BP(Recursion Least Square-Back Propagation,简称RLS-BP)算法提出了一种新的应用于复信道的神经网络盲均衡算法.算法实现了对一个输入、输出和权值都为复数的网络的训练.网络的误差传递采用后向传播(Back Propagation,简称BP)结构,用RLS算法实现网络的训练,这样不仅加快了网络的收敛速度,而且使得均方误差也进一步减小.为了适应复信道,新算法采用常数模(Constant Modulus algorithm,称CMA)算法的代价函数实现算法对复信道的盲均衡.最后对线性复信道和非线性复信道的均衡进行了仿真,结果表明新算法有较快的收敛速度,且稳态均方误差较CMA算法和传统的神经网络盲均衡算法有大幅度的降低.     

基于正交小波包变换的判决反馈盲均衡算法

针对严重线性失真的水声信道,在分析正交小波包变换理论和判决反馈盲均衡算法的基础上,利用正交小波包变换良好的去相关性特性,对判决反馈盲均衡算法的前馈滤波器权向量进行修正,提出了基于正交小波包变换的判决反馈盲均衡算法(WPT-DFE)。与基于正交小波变换的判决反馈盲均衡算法(WT-DFE)和常规判决反馈盲均衡算法(CMA-DFE)相比,该算法具有收敛速度快、跟踪性能好、稳态误差小的特点。水声信道的仿真结果,验证了算法的有效性。     

基于v-支持向量回归机的盲均衡算法

盲均衡可以看作模式分类问题,每一类由信源字符表的可能输出定义.由于支持向量回归机具有优良的泛化性能,提出了一种基于v-支持向量回归机的盲均衡算法,并且利用加权最小二乘方法求解v-支持向量回归机.计算机仿真结果表明提出的盲均衡算法具有计算复杂度低、适于实际应用的特点.     

基于可变分段误差函数的常数模盲均衡新算法

为了克服常数模算法（CMA）收敛速度慢,稳态误差大的缺点,提出了基于可变分段误差函数的常数模盲均衡新算法.该算法可通过调节分段点位置来改变误差函数特性,并得到适合信道均衡的具有奇对称性的误差函数,从而具有收敛速度快或稳态误差小的特点.用两径水声信道和负声速梯度水声信道对算法的性能进行仿真研究,结果表明：对于前一信道均衡,新算法的收敛速度明显快于CMA;对于后一信道均衡,新算法的稳态误差明显小于CMA.     

基于联合极性迭代的载波相位恢复盲均衡算法

为了克服基于统计特性均衡准则的线性盲均衡器均方误差大、计算复杂及多途信道引起的载波相位旋转等问题,在研究基于极性迭代的线性盲均衡器与判决引导盲均衡器的基础上,引入数字锁相环技术,提出了一种基于联合极性迭代的载波相位恢复盲均衡算法.该算法利用极性算法来减小计算量,利用判决引导算法来减小均方误差,利用锁相环技术来克服多径衰落信道引起的载波相位旋转.水声信道盲均衡的仿真结果表明:该算法均方误差小,收敛速度快,计算复杂度低,并能快速纠正信道引入的载波相位旋转.