一種盲均衡方法和一種盲均衡系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及無(wú)線和數(shù)字通信領(lǐng)域，尤其涉及一種盲均衡方法和一種盲均衡系統(tǒng)。
【背景技術(shù)】
[0002] 在遙感衛(wèi)星通信中，發(fā)送信號(hào)在傳輸時(shí)由于受到信道、發(fā)送器件和接收器件等的 不理想因素的影響，會(huì)造成發(fā)送信號(hào)的畸變或相互干擾，即產(chǎn)生失真，其中最為顯著的即為 線性失真和非線性失真。線性失真表現(xiàn)為幅頻特性不平坦和群時(shí)延失真，會(huì)使得接收到的 信號(hào)產(chǎn)生碼元串?dāng)_（ISI，IntersymbolInterference);非線性失真一般由發(fā)送端功率放大 器，如行波管放大器或固態(tài)功率放大器，工作于近飽和或飽和區(qū)域造成，會(huì)使得接收到的信 號(hào)產(chǎn)生畸變。這些由線性或非線性失真導(dǎo)致的ISI或畸變均會(huì)造成極大的誤碼，使得接收 端無(wú)法辨認(rèn)出發(fā)送信號(hào)，因此，在接收端，為了抵消掉這些失真的影響，還原出原始發(fā)送信 號(hào)，就需要加入一個(gè)均衡器，對(duì)接收到的信號(hào)進(jìn)行失真補(bǔ)償；同時(shí)，實(shí)際衛(wèi)星通信中，基于傳 輸效率的考慮，衛(wèi)星是不會(huì)發(fā)送訓(xùn)練序列供均衡器進(jìn)行先期訓(xùn)練的，因此，必須采用盲均衡 的方式，即在期望信號(hào)未知的情況下進(jìn)行失真補(bǔ)償操作。
[0003] 目前，失真補(bǔ)償技術(shù)可以分為兩大類，一類是發(fā)送端補(bǔ)償，也就是預(yù)失真；一類是 接收端補(bǔ)償，也就是均衡。預(yù)失真可分為固定和自適應(yīng)兩種，固定預(yù)失真無(wú)法跟蹤器件的特 性變化，而自適應(yīng)預(yù)失真則需要在衛(wèi)星中加入模擬域到數(shù)字域的反饋電路，硬件實(shí)現(xiàn)復(fù)雜 度過(guò)高，不利于衛(wèi)星的穩(wěn)定可靠工作。
[0004] 現(xiàn)在常用的均衡器為線性均衡器，如線性橫向均衡器（LTE，LinearTransversal Equalizer)等。但是線性均衡器只能補(bǔ)償線性失真，對(duì)非線性失真的補(bǔ)償效果則很差。因 此，在接收端補(bǔ)償時(shí)，為了能夠補(bǔ)償更多的失真，更好地完成信號(hào)的校正，需要使用非線性 均衡器。
[0005] 非線性均衡器現(xiàn)有兩類，一類是基于多項(xiàng)式濾波的，如volterra均衡器；一類是 基于神經(jīng)網(wǎng)絡(luò)的均衡器?；诙囗?xiàng)式濾波的均衡器一般不支持聯(lián)想記憶，結(jié)構(gòu)較為固定， 需要使用高階多項(xiàng)式才能保證好的均衡性能，實(shí)現(xiàn)復(fù)雜度較高，不利于硬件實(shí)現(xiàn)；基于神 經(jīng)網(wǎng)絡(luò)的均衡器結(jié)構(gòu)靈活，其特有的并行處理特性能夠支持高碼率時(shí)的并行操作要求，支 持聯(lián)想記憶、特征提取和知識(shí)處理，具備很強(qiáng)的分類和識(shí)別能力，其中的雙層前向神經(jīng)網(wǎng)絡(luò) (TLFNN，Two-layerFeedforwardNeuralNetwork)實(shí)現(xiàn)較簡(jiǎn)單，便于硬件實(shí)現(xiàn)。而基于 TLFNN的盲均衡器正是本發(fā)明研究的重點(diǎn)。
[0006] 在使用TLFNN盲均衡器的過(guò)程中，最為重要的一點(diǎn)就是需要避免均衡陷入局部收 斂狀態(tài)。因?yàn)橐坏┚植渴諗?，很可能使得均衡的輸出誤碼率（SER，SymbolErrorRate)比 均衡的輸入SER還高，即在接收端加入盲均衡器之后反而使得信號(hào)質(zhì)量降低了，均衡器起 到了"反效果"。但是，TLFNN的非線性結(jié)構(gòu)會(huì)使得均衡性能曲面上的局部收斂點(diǎn)急劇增多， 從而使得均衡更易陷入局部收斂狀態(tài)，同時(shí)，不合理的初始遞歸更新參數(shù)值也可能導(dǎo)致均 衡過(guò)程陷入局部收斂；而且，由于期望信號(hào)是未知的，無(wú)法有效探知盲均衡器是否處于局部 收斂狀態(tài)，也就無(wú)法采取手段來(lái)跳出局部收斂。而盲均衡器是否會(huì)陷入局部收斂狀態(tài)與其 所采用的盲均衡算法是息息相關(guān)的，因此，需要找出適用于TLFNN盲均衡器的能夠有效避 免局部收斂的盲均衡算法。
[0007]基于最小均方誤差（LMS，LeastMeanSquare)的面向判決（DD，Decision-Directed)算法是比較經(jīng)典的盲均衡算法，以其實(shí)現(xiàn)簡(jiǎn)單而廣泛應(yīng)用。但是，DD 算法需要極小的初始SER和合適的初始遞歸更新參數(shù)才能確保較好收斂，而在實(shí)際通信應(yīng) 用中，并不是總能保證初始SER極小的，而且由于信道特性往往是未知的，也不可能在初始 時(shí)就配置出合適的遞歸更新參數(shù)。針對(duì)這種情況，現(xiàn)階段通常采用以下兩種方法進(jìn)行改進(jìn)， 一種是基于額外信息輔助的方法，一種是基于雙模式切換的方法。
[0008] 基于額外信息輔助的方法通過(guò)發(fā)掘更多的有別于DD算法中采用的輸出判決信 息的輔助信息來(lái)提升盲均衡的收斂效果。M.Lazaro和I.Santamaria等人于2005年提出 的SQD(Stochasticquadraticdistance)算法，就使用了均衡輸出信號(hào)的概率密度函數(shù) (pdf,probabilitydensityfunction)信息，并將其與標(biāo)準(zhǔn)星座的pdf進(jìn)行匹配，達(dá)到提升 收斂效果的目的。D.Erdogmus和J.C.Principe則于2002年以均衡輸出誤差的熵作為輔助 信息，提出一種最小誤差熵算法（MEE，Error-EntropyMinimizationAlgorithm)。而著名 的Sato算法及Godard算法則可以看做使用了輸出信號(hào)的高維統(tǒng)計(jì)量作為輔助信息?；?雙模式切換的方法則通過(guò)模式切換的方式，結(jié)合盲均衡捕獲算法和跟蹤算法的優(yōu)點(diǎn)，達(dá)到 避免局部收斂同時(shí)獲得較好性能的目的。在盲均衡初期的捕獲階段，采用捕獲能力較強(qiáng)的 算法(如恒模算法（CMA，ConstantModulusAlgorithm))保證收斂效果，避免局部收斂；之 后切換到跟蹤階段，采用跟蹤能力較強(qiáng)的算法(如DD)，獲得較好的均衡性能。幾個(gè)經(jīng)典的例 子有BG(Benveniste-Goursat)算法、DM-CMA(DualModeCMA)算法及其擴(kuò)展SAG-DM-CMA (Stop-and-GoDM-CMA)算法。
[0009] 上述兩種改進(jìn)方法的收斂效果均優(yōu)于DD算法，但是，上述算法存在兩點(diǎn)不足：一 是受遞歸更新參數(shù)的初始配置值的影響較大，不合理的配置值會(huì)使得這些算法仍然較易陷 入局部收斂；二是針對(duì)TLFNN盲均衡器所采用的非線性結(jié)構(gòu)，這些算法較難避免局部收斂。 這是因?yàn)?，上述算法中采用的輔助信息均來(lái)自于均衡輸出信號(hào)，而輸出信號(hào)由均衡器生成， 直接受均衡器所采用前饋結(jié)構(gòu)及遞歸更新參數(shù)初始值的影響。因此，對(duì)于TLFNN盲均衡器 的非線性結(jié)構(gòu)以及無(wú)法合理設(shè)置遞歸更新參數(shù)初始值的情況，這些算法仍然無(wú)法避免局部 收斂。

【發(fā)明內(nèi)容】

[0010] (一）要解決的技術(shù)問(wèn)題
[0011] 本發(fā)明提供一種盲均衡方法和一種盲均衡系統(tǒng)，以解決TLFNN盲均衡器中由于非 線性結(jié)構(gòu)和無(wú)法合理設(shè)置遞歸更新參數(shù)初始值而使得盲均衡較易陷入局部收斂狀態(tài)的技 術(shù)問(wèn)題。
[0012] (二）技術(shù)方案
[0013] 為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種盲均衡方法，包括：
[0014] 將輸入信號(hào)經(jīng)輸入變換后生成輸入變換后矢量；
[0015] 利用所述輸入變換后矢量和遞歸更新參數(shù)，通過(guò)前饋網(wǎng)絡(luò)獲取輸出信號(hào)；
[0016] 在期望信號(hào)未知的情況下，利用所述輸入信號(hào)獲得輸入判決信息，利用所述輸出 信號(hào)獲得輸出判決信息，利用所述輸入判決信息和所述輸出判決信息聯(lián)合設(shè)計(jì)盲均衡算 法，獲得反饋誤差；
[0017] 利用所述反饋誤差和輸入變換后矢量，通過(guò)反饋過(guò)程更新遞歸更新參數(shù)。
[0018] 進(jìn)一步地，
[0019] 所述將輸入信號(hào)經(jīng)輸入變換后生成輸入變換后矢量包括：
[0020] 將N維輸入信號(hào)矢量表不為：xk，2，…，xk，N)T，令N維輸入M維輸出的輸 入變換函數(shù)為F(X)，則輸入信號(hào)Xk經(jīng)輸入變換后生成的M維輸入變換后矢量表示為： ①k_(小k，1，小k，2，? ??，小k，M);
[0021] 所述利用所述輸入變換后矢量和遞歸更新參數(shù)，通過(guò)前饋網(wǎng)絡(luò)獲取輸出信號(hào)包 括：
[0022] 將輸出信號(hào)yk表示為：凡=g((丨< ，
[0023] 其中8(1)為激活函數(shù)，扎=〇115，1，1115,2，"、1115，11)1^為遞歸更新參數(shù)。
[0024] 進(jìn)一步地，
[0025] 所述利用所述輸入信號(hào)獲得輸入判決信息包括：檢測(cè)輸入信號(hào)Xk得到中間元素判 決值，即為輸入判決信息ik，ik=dec(xk，J，其中L=(N+l)/2,dec( ?)為判決函數(shù)；
[0026] 所述利用所述輸出信號(hào)獲得輸出判決信息包括：檢測(cè)輸出信號(hào)yk得到判決值，即 為輸出判決信息dk，dk=dec(yk)。
[0027] 進(jìn)一步地，
[0028] 所述在期望信號(hào)未知的情況下，利用所述輸入判決信息和所述輸出判決信息聯(lián)合 設(shè)計(jì)盲均衡算法，獲得反饋誤差，包括：利用下述公式獲得反饋誤差ek:
[0029]ek= (dk_yk) +ak |dk_yk | (ik_yk)，
[0030] 式中a k為自適應(yīng)系數(shù)，隨收斂過(guò)程逐漸變化：
[0031]ak=yEk
[0032]Ek+1= 3Ek+ (1_ 3 ) (dk_yk)2
[0033] 其中線性權(quán)重Y和遺忘參數(shù)P為經(jīng)驗(yàn)正值；
[0034] 或，利用下述公式獲得反饋誤差ek:
[0035]
[0036] 進(jìn)一步地，
[0037] 所述利用所述反饋誤差和輸入變換后矢量，通過(guò)反饋過(guò)程更新遞歸更新參數(shù)，包 括：利用下述公式更新遞歸更新參數(shù)：
[0038]
[0039]其中U為更新步進(jìn)。
[0040] 另一方面，本發(fā)明還提供一種盲均衡系統(tǒng)，包括：輸入變換單兀、輸出信號(hào)單兀、輸 入判決單元、輸出判決單元、盲均衡單元和反饋更新單元，其中 ：
[0041] 輸入變換單元，用于將輸入信號(hào)經(jīng)輸入變換后生成輸入變換后矢量，輸送至輸出 信號(hào)單元；
[0042] 輸出信號(hào)單元，用于利用所述輸入變換后矢量和遞歸更新參數(shù)，通過(guò)前饋網(wǎng)絡(luò)獲 取輸出信號(hào)，輸送至輸出判決單兀；
[0043] 輸入判決單元，用于利用所述輸入信號(hào)獲得輸入判決信息，并輸送至盲均衡單 元；
[0044] 輸出判決單元，用于利用所述輸出信號(hào)獲得輸出判決信息，并輸送至盲均衡單 元；
[0045] 盲均衡單元，用于在期望信號(hào)未知的情況下，利用所述輸入判決信息和輸出判決 信息聯(lián)合設(shè)計(jì)盲均衡算法，獲得反饋誤差，輸送至反饋更新單元；
[0046] 反饋更新單元，用于利用所述反饋誤差和輸入變換后矢量，通過(guò)反饋過(guò)程更新遞 歸更新參數(shù)，并回傳至所述輸出信號(hào)單元。
[0047] 進(jìn)一步地，
[0048] 所述輸入變換單元包括：