基于SA-GSO的小波加权多模盲均衡算法

为解决传统多模盲均衡算法（MMA）在均衡高阶QAM信号时存在的收敛速度慢、稳态误差大等问题,提出了一种基于模拟退火萤火虫优化的小波加权多模盲均衡算法（SA-GSO-WT-WMMA）。该算法在MMA的基础上增加了加权项,并引入了模拟退火萤火虫优化（SA-GSO）算法和正交小波变换（WT）,利用加权项自适应地调整算法中代价函数的模值,利用SA-GSO算法极强的全局寻优能力来优化均衡器的初始权向量,利用正交小波变换降低信号的自相关性,有效提高了均衡效果。水声信道仿真实验表明,该算法在降低稳态均方误差和加速收敛速度两方面表现卓越。     

一种改进的变动量项归一化p-范数短波信道盲均衡算法

为了进一步提高脉冲环境噪声下归一化p-范数常数模(constant modulus algorithm,CMA)盲均衡算法性能,提出一种变动量项归一化p-范数常数模盲均衡算法.在归一化p-范数常数模盲均衡器更新过程中引入动量项,盲均衡器输出信号依据CMA和判决引导(decision directed,DD)算法分别计算瞬时误差,动量因子依据2种准则下的瞬时误差符号进行自适应调整,得到一种变动量项算法.计算机仿真结果表明,变动量项归一化p-范数盲均衡算法有效提高了算法收敛速度,同时与固定动量项归一化p-范数盲均衡算法相比,具有更小的稳态剩余误差,在脉冲噪声环境下的短波信道盲均衡中具有应用价值.     

归一化自适应共轭梯度恒模盲均衡仿真研究

为提高恒模盲均衡算法收敛速度,提出了一种归一化自适应共轭梯度恒模盲均衡算法并进行了仿真研究。利用级联滤波方法对恒模盲均衡器输入进行了重新定义,并在此基础上采用自适应共轭梯度算法对均衡器参数进行更新,对均衡器输入采用归一化进行处理,以保证算法的稳定性。共轭梯度算法计算复杂度介于LMS和RLS算法之间,与LMS算法相比较具有更快的收敛速度,仿真结果证明归一化自适应共轭梯度算法恒模盲均衡与传统恒模盲均衡算法相比具有更好的均衡性能,复杂信道条件下剩余码间干扰可降低约10 dB,均衡系统中引入的级联滤波器可视为时变信道的一部分,表明算法对于时变信道同样有效。     

基于布谷鸟搜索算法优化的正交小波多模盲均衡算法

提出了一种新的盲均衡算法—基于布谷鸟搜索算法优化的小波多模盲均衡算法(CSWT-MMA),该算法利用正交小波变换(WT)降低信号的信噪比,并将具有卓越的全局搜索能力的布谷鸟搜索(CS)算法引入多模盲均衡算法(MMA).水声仿真结果表明,新算法能较好地捕获全局最优解,有效改善了MMA容易陷入局部最小值、收敛速度慢、稳态误差大等问题,具有更快的收敛速度和更小的均方误差,均衡质量更高.     

变步长动量常数模算法

为解决常数模算法中稳态误差与收敛速度间的矛盾,将动量项与变步长因子引入到常数模算法中,由稳态误差和上一步步长共同影响当前步长因子,在权系数更新时考虑到了动量项的影响,提出了变步长的动量常数模算法.改进后算法在计算量增加不大的前提下,与原算法相比,具有更快的收敛速度和更小的稳态误差.     

基于动量因子DD-LMS算法在高速相干接收机中的应用

光纤中的色散是引起传输信号码间串扰(ISI)的直接原因,传统的用于均衡ISI的自适应盲均衡算法收敛速度慢、误差大,不适用于高速相干接收机.为解决该问题,本文引入动量因子,改进基于判决引导的最小均方(DD-LMS)算法用于优化光纤信道色散影响,理论推导并论证动量因子对盲均衡算法的收敛性能及误差函数的影响,同时探究不同函数...     

基于动量项前馈神经网络盲均衡算法

针对基于前馈神经网络的盲均衡算法中，BP优化算法具有收敛速度慢、易陷入局部极小的缺点，提出了一种新的盲均衡算法，该算法结合动量项前馈神经网络与传统恒模盲均衡算法的优点，将以前权值的调节量用于当前权值的修改过程，降低了算法对于误差曲面局部极值点的敏感性。仿真结果表明，该算法可有效抑制网络陷入局部极小，防止振荡，加快盲均衡器的收敛速度。     

卫星高速数据传输中低误差抑制均衡算法

幅相键控调制系统中,为消除码间干扰,并解决高阶调制信号多模值的匹配问题,本文基于均衡器输出功率的线性变换定义新的代价函数,使用抑制低误差函数项的方法构造新的梯度函数,进而提出了新的均衡算法。该算法通过解决信号多模值与算法散度常量的匹配问题,提高收敛速度和降低稳态均方误差;通过抑制低误差函数项的方法,保证收敛过程的稳定。仿真结果表明,针对16-APSK调制信号,本文算法在保证收敛稳定性的同时,其均衡性能较恒模算法也有显著的提高。     

基于梯度矢量平均值的变步长恒模盲均衡算法

提出了一种新的变步长恒模盲均衡算法。新算法采用梯度矢量平均值的平方值作为调整步长的参量,解决了传统恒模算法(CMA:Constant Modulus Algorithm)中,由于采用固定步长而造成的收敛速度与收敛精度之间的矛盾。理论分析和计算机仿真实验均表明,新算法与传统的恒模算法相比,具有更快的收敛速度和更小的稳态剩余误差。     

多步梯度下降的变步长NLMS算法

如何选取一个合适而可靠的步长来折中归一化最小均方(Normalized Least Mean Squares,NLMS)自适应算法的收敛速度以及稳态误差,一直是自适应NLMS算法应用中未能很好解决的问题.针对这个问题,本文提出了一种多步梯度下降的变步长NLMS自适应算法.分析表明:该算法在利用固定的小步长参数来保证小的稳态误差的同时,通过调整动量项来加速自适应算法的收敛速度,从而很好地解决了自适应NLMS算法应用中收敛速度和稳态误差的平衡问题.理论分析给出了调节动量项的步长参数和算法收敛性及稳态误差之间的关系.仿真结果证明了上述分析的正确性.