毕业设计（论文）-CMA盲均衡算法仿真研究.doc

《毕业设计（论文）-CMA盲均衡算法仿真研究.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）-CMA盲均衡算法仿真研究.doc（33页珍藏版）》请在三一文库上搜索。

1、I CMA 盲均衡算法仿真研究 摘要 盲均衡是一种新兴的自适应均衡技术，它不需要参考输入的训练序列来维持正常 工作，仅依据接收序列本身的先验信息来均衡信道特性。自它出现后，就得到广泛的 关注，并在许多领域中得到应用。本文系统地分析研究和归纳总结了盲均衡的基本理 论。重点分析了Bussgang类盲均衡算法中的恒模(CMA, Constant Modulus Algorithm）盲 均衡算法。分析了传统CMA盲均衡算法的收敛性能，由于采用固定步长，使得收敛速 度和收敛精度之间相互制约，其应用受到很大的限制。为了解决这一矛盾，本文提出 了一种基于均方误差（MSE, Mean Square Error

2、）的CMA盲均衡算法，这是一种利用时 变步长来代替固定步长的自适应变步长CMA盲均衡算法，并进行了计算机仿真。结果 表明改进算法相对于CMA算法收敛性能有一定的提高。 关键字关键字:盲均衡盲均衡,恒模算法恒模算法, 变步长变步长,均方误差均方误差 II CMA BLIND EQUALIZATION ALGORITHM SIMULATION ABSTRACT This paper analyzed systematically studies and summaried the blind balanced elementary theory. Analysis focused on the B

3、ussgang type blind equalization of constant modulus algorithm (CMA, Constant Modulus Algorithm) algorithm for blind equalization. This paper analyzes of the traditional CMA blind equalization algorithm performance, as a result of the use of fixed-step, making convergence speed and residual error bec

4、ome a contradiction, which makes the application fields of CMA algorithm limited. In order to solve the contradiction ,this paper derives an improved CMA blind equalization algorithm utilizing the vary of MSE. This is an adaptive variable step-size CMA blind equalization algorithm, which uses a time

5、-varying step size to replace the fixed step size. The simulation with computer shows the improved algorithms have the better convergence performance than CMA algorithm. KEYWORDS: blind equalization , Constant Modulus Algorithm , variable step-size, Mean Square Error i 目录目录 摘要（中文）.I 摘要（外文）II 1 绪论1 1

6、.1 研究盲均衡的目的和意义 1 1.2 盲均衡的研究现状.2 1.3 衡量算法收敛性能的指标 3 2 恒模算法4 2.1 盲均衡的基本结构.4 2.2 Bussgang 类盲均衡算法.6 2.2.1 决策指向算法7 2.2.2 Sato 算法 7 2.2.3 Godard 算法8 2.3 恒模算法的提出 8 2.4 恒模算法的理论推导 9 2.5 步长因子对恒模算法收敛性能的影响 11 3 基于剩余误差的变步长恒模盲均衡算法.17 3.1 恒模算法中剩余误差的分析 17 3.2 基于 MSE 的变步长恒模盲均衡算法18 3.2.1 基于 MSE 的变步长恒模盲均衡算法的表达形式.18 3.2

7、.2 算法性能分析18 3.3 基于 MSE 的变步长恒模算法的 MATLAB 实现19 结论.24 参考文献.25 附录.26 致谢.32 1 1 绪论 盲均衡是一种新兴的自适应均衡技术，它不需要参考输入的训练序列来维持正常 工作，仅依据接收序列本身的先验信息来均衡信道特性。因此，在数据通信系统中不 必发送训练序列，可以提高信道效率，同时盲均衡技术还可以获得更好的均衡性能。 盲均衡技术优越的性能使它受到更加广泛的关注，并在许多领域中得到应用。盲均衡 技术可有效地应用于数字通信、雷达、地震和图像处理等系统。盲均衡技术己成为数 字通信领域中热点研究的课题之一。在盲均衡的几种算法中，又以CMA（C

8、onstant Modulus Algorithm）恒模算法的研究最为广泛。 1.1 研究盲均衡的目的和意义 在数字通信系统中，带限发射、接收滤波器、放大器、时延与多径效应、发射机 与接收机之间的相对运动、祸合效应和多址干扰等因素综合作用会使信号序列在传递 过程中产生码间干扰和信道间干扰.为了降低误码率，必须对码间干扰进行适当的补偿。 传统的克服码间干扰的方法是在接收端加均衡器，使均衡器的特性正好与信道的 特性相反，使之能够准确补偿传输信道的特性，从而消除码间干扰。有些应用场合如 无线移动通信中信道是时变的，为了准确地补偿信道的特性，均衡器应有及时调整参 数、动态跟踪信道变化的能力，具有这种

9、“智能特性”的均衡器称之为自适应均衡器。 这种均衡器在数据传输之前，通常需要预先发送一段收端和发端都已知的训练序 列。接收机测量出该序列通过信道后产生的变化或误差，并依据该误差信息对均衡器 参数进行调整，最终使均衡器正好补偿信道特性，从而使接收机能够从均衡器输出中 得到几乎无错的发送信号，保证数据的可靠传输。这段过程被称为训练，此时均衡器 被称为工作在训练模式。 训练过程结束后，数据传输开始，此时发送信号是未知的，为了动态跟踪信道特 性可能发生的变化，接收机将均衡器输出的判决信号作为参考信号，用来测量信号通 过信道后产生的误差，对均衡器输出的信号继续进行调整，此时均衡器工作在判决 (Decis

10、ion Directed)模式。 根据自适应滤波理论，均衡器在判决修正模式下能正常工作的条件是输入信号的 眼图预先张开到一定程度 (判决结果的错误率极低)，以保证均衡器可靠地收敛。如果 这个条件不满足，就要由发端发送一个收端已知的训练序列对均衡器进行训练，使之 收敛。因而训练过程也被称为均衡器的学习过程，对一般通信系统来讲是不可缺少的 阶段。然而训练序列的使用有如下几点缺陷: (1) 由于训练序列的传输占用了部分时间，有效的信息速率降低了。 2 (2) 对于严重的衰落信道，训练序列必须频繁发送。 (3) 当通信发生短时中断时，每一次新的通信开始之前必须发送训练序来初始化接 收机。 (4) 在某

11、些特殊应用场合，接收机无法得到训练信号(如在破译截获的敌方信号时)。 由于自适应均衡器具有上述缺陷，使之不能适应现代数字通信系统高速度、大容 量的发展趋势。因此，近年来人们致力于研究不借助训练序列，仅仅根据接收到的信 号序列本身进行自适应均衡的技术-盲均衡。与普通均衡器相比，盲均衡器具有收敛 域大、应用范围广等特点。 1.2 盲均衡的研究现状 1975 年，日本学者 YSato 在对传统的自适应均衡的均方误差函数进行了简单改进 后，第一次提出应用于多幅度调制数据传输中的自恢复均衡的概念，后称之为盲均衡。 自此以后，许多专家学者都投入到盲均衡的研究中，从不同方面采用各种代价函数和 优化方法，得出

12、许多应用于不同场合的盲均衡算法。 目前，盲均衡的研究主要分为以下几类： (1) 基于高阶谱的盲均衡 一般情况下，基于二阶统计量的盲均衡算法只能解决最小或最大相位信道的均衡 问题，对非最小相位信道则无能为力。但是系统输出序列的高阶统计量既能反映信道 传递函数的幅度信息和相位信息，又能有效抑制信道中的加性高斯噪声，从而能用于 各种信道辨识与参数估计。 (2) 基于神经网络的盲均衡 信道均衡也可以看作为分类问题，把均衡器看成判决器，从而尽量精确地恢复发 送序列。因此有很强分类功能的神经网络就很适合做均衡器。神经网络为非线性动态 系统，它具有很大规模并行处理、高度的鲁棒性等特征，尤其适于处理复杂的非线

13、性 问题。 (3) 基于信号检测的盲均衡 有些文献将基于信号检测理论的盲均衡算法从原理上分为最大似然序列估计盲均 衡算法，贝叶斯估计盲均衡算法，以及最小错误概率盲均衡算法等。 (4) Bussgang 类盲均衡 Bussgang 类盲均衡以横向滤波器为结构，利用信号的物理特征选用合适的代价函数和 误差控制函数来调节均衡器抽头，使得恢复信号接近于源信号。此类算法是以一种迭 代方式进行盲均衡，并在均衡器输出端对输出信号作无记忆非线性变换。由于它是在 传统自适应滤波的基础上发展而来，因此保留了传统自适应算法的简单性，复杂度低， 3 运算量小，概念清楚，易于实现。但这类算法的缺点是算法收敛时间长，手电

14、后稳态 剩余误差大，对非线性或存在零点的信道均衡效果不好等。目前桥位经典的 Bussgang 类算法由 Sato 算法、决策指向算法、BGR 算法、Stop and Go 算法、Godard 算法等。 1.3 衡量算法收敛性能的指标 衡量算法收敛性能的指标主要有收敛速度、误码特性、运算复杂度、跟踪时变信 道的能力和抗干扰能力等。 (1) 收敛速度 均衡器开始工作后，需要一个收敛过程才能使均衡器的抽头系数由初值逐渐过渡 到最优值，收敛速度越快，收敛过程所需时间越短，通信初期的误码数越少。 (2) 误码特性 在不增加算法计算复杂度和收敛速度满足要求的前提下，降低均衡器的误比特率 （BER）具有重要

15、意义。 (3) 运算复杂度 许多均衡算法尽管收敛速度快，但计算量太大，因而对硬件和软件要求很高，使 其实际应用受到很大的限制。因此，在误码率满足要求的前提下，应降低均衡算法的 计算复杂度。 (4) 跟踪时变信道的能力 算法跟踪时变信道的能力，主要体现在信道发生时变的情况下，算法能否收敛和 稳定的问题。算法的跟踪能力受其原理和参数的制约。 (5) 抗干扰能力 抗干扰能力是算法对信道中叠加的噪声，尤其是突发强噪声干扰的抵抗能力。抗 干扰能力差的算法遇到强噪声干扰时收敛性能变差甚至无法收敛。 4 2 恒模算法 2.1 盲均衡的基本结构 图 2-1 为盲均衡原理框图。其中是发送序列，是未知信号的冲激响

16、应)(nx)(nh （包含了发射滤波器、传播媒介和接受滤波器的综合作用） ，为系统接收序列，同)(ny 时也是盲均衡器的输入序列，为噪声信号，为均衡器的冲激响应，为被)(nn)(nw)( nx 均衡器恢复的信号，为判决输出信号。)( nx 信道判决器 算法 盲均衡器 )(nh )(nn )(nw )( nx)(nx)( nx 图 2-1 盲均衡系统 输入序列假设为独立同分布序列，通过一未知时变离散时间传输信道，)(nx)(nh 考虑加性信道噪声，得到均衡器接收序列可表示为：)(nn)(ny = (2-1)( )( )* ( )( )y nh nh nn n( ) ()( ) i h i x n

17、in n 可知,是由和卷积而成,要想从中获得,就需要对进行反( )y n( )x n( )h n( )y n( )x n( )y n 卷积或解卷积运算,或等价辨识传输信道的逆信道.当和已知时,( )h n 1( ) hn ( )y n( )x n 可以获得。均衡器的训练就属于此种情况但当未知时,即3个参数中只有一个( )h n( )x n 是已知,求解就相当困难, 这就是盲均衡或盲解积。 均衡器是线性自适应滤波器系统，它的输出为)( nx (2-2) i inyiwnx)()()( 若不考虑信道噪声的影响，则由信道输入端到均衡器输出端的冲激响应等于)(ng (2-3) k knwkhnwnhn

18、g)()()(*)()( 因此均衡器输出可以写成)( nx (2-4) k knxngnx)()()( 盲均衡的目的是通过算法调节均衡器权值使均衡器输出序列逼近于信道输入)( nx 5 序列，这就要考虑到代价函数的选取以及采用的优化算法。如果通过以上的选取)(nx 获得了一个理想均衡器，也即一个理想的逆滤波器，令表示理想均衡器的冲激响)( nw 应，则它与信道冲激响应之间满足“理想逆关系”，表达如下 （2-5）nknwkh n k ,)( )( 式中，为 Kronecker 函数。 n 目前的盲均衡算法一般采用有限长抽头式横向滤波器，其结构如图 2-2 所示。 )(ny 1 z 1 z 1 z

19、 1 z ) 1( ny )( nx )( 1n w)( 2n w)( 2n wL )( 1 nwL ) 1(Lny )( 0n w 图 2-2 横向滤波器的结构图 其中，横向滤波器的长度为 L，横向滤波器的输入为 nY （2-6） ( ), (1),., (1)lny ny ny nLY 滤波器的抽头系数为( )nW （2-7） 011 ( )( ),( ),.,( )l L nw n w nwn W 则横向滤波器的输出可表示为)( nx = （2-8） 1 0 )()()( L i i inynwnx( )( ) T nnYW( ) ( ) T nnWY 理想的滤波器是无限长的，图 2-2

20、 所示滤波器是截断的有限长滤波器，它是理想 滤波器的近似模型，这就必然带来剩余码间干扰，滤波器的输出仅仅是源信号)( nx 的估计值。因此误差信号为)(nx = （2-9）)()( )(nxnxne 1 0 )()()( L i i nxinynw( ) ( )( ) T nnx nWY 训练过程的任务是求出一组抽头系数，使均衡器能最有效地消除码间干扰，)(nwi 这组抽头系数称为最佳抽头系数。为了使均衡器获得最佳抽头系数，需要根 opti nw)( 据不同应用场合选用不同的优化算法，盲均衡算法用对均衡器输出信号的无记忆非线 6 性变换来代替自适应算法中的期望信号。 2.2 Bussgang类

21、盲均衡算法 无记忆非线性函数横向滤波器 )(nw )( nx)( nx Bussgang盲均衡算法 )(ny )(ne )(g 图2-3 Bussgang盲均衡器的原理图 图 2-3 为Bussgang类盲均衡器原理图。Bussgang类盲均衡算法作为盲均衡算法的 一个分支，是在传统的自适应滤波器的基础上发展起来的。早期的盲均衡器以横向滤 波器为基本结构，利用信号的物理特征选择合适的代价函数和误差控制函数来调节均 衡器的权系数。这类算法是以一种迭代方式进行盲均衡，并在均衡器的输出端对数据 进行非线性变换，当算法以平均值达到收敛时，被均衡的序列表现为Bussgang统计量。 因此，此类算法称为B

22、ussgang类盲均衡算法。Bussgang类盲均衡算法的显著特点是算法 思路保持了传统自适应均衡的简单性，物理概念清楚，没有增加计算复杂度，运算量 较小，便于实时实现。缺点是算法的收敛时间较长，收敛后剩余误差较大，没有解决 均衡过程中的局部收敛问题，对非线性信道和存在零点的信道均衡效果不佳。 Bussgang类盲均衡器采用一个非线性估计函数g()，使，用近似( ) ( )x ng x n( )x n 代替。如果一个随机过程满足下式条件时：( )x n (2-10) ( ) () ( ( ) ()E x n x nkE g x n x nk 则该过程叫做Bussgang过程。式(2-10)揭示

23、出，Bussgang过程应具有下述特性:均衡器输 出序列的自相关函数等于用该输出序列作变元的无记忆非线性函数g()与输出序列( )x n 之间的互相关函数。1952年了J.J.Bussgang第一个发现任何相关的高斯过程均具有上述 性质。1955年，J.F.Barrett和D.G.Lampard进一步证明了所有具有指数衰减自相关函数的 随机过程均具有这一性质，进一步推广了Bussgang的结论。不同的Bussgang类盲均衡算 法具有不同的无记忆非线性函数g()，但都必须满足式(2-10)。归纳起来，Bussgang类 盲均衡算法主要由以下两个公式表述，其中，式(2-11)为均衡器输出，式(2

24、-12)为抽头 系数迭代公式。 (2-11)( )( ) () L iL x nn y ni i W 7 -2 (2-12)(1)( )nnW=W( )e n( )n * Y 式中，2L+1为均衡器长度，为迭代步长因子。关于Bussgang算( )( )( ( )e nx ng x n 法的收敛性，有以下重要结论:若输入序列是亚高斯的，并且 ( )x n 的二阶倒数为负值，则Bussgang算法是收敛的。( ( )( ( )( )x ng x nx n Bussgang算法有三个非常有名的特例 (DD)决策指向算法、Sato算法、Godard算 法。下面再分别介绍一下。 2.2.1 决策指向算

25、法 当Bussgang算法收敛，并且眼图“张开”时，均衡器便以决策指向模式工作，均衡器 横向滤波器的抽头系数的最小均方误差即可以象自适应均衡器一样进行控制。 横向滤波器 )(nw )( nx)( nx )(ne 自适应算法 阈值决策装置 输入信号 )(g )(ny 图2-4 决策指向均衡器的方框图 决策指向(Decision-Directed)模式使用的无记忆非线性函数是一“阀值决策装置”。 给定横向滤波器输出信号,阂值决策装置根据发射信号的字符集，对做出决策( )x n( )x n 判断，使判断结果与最接近，例如，在二进制等概率数据序列的简单情况下，( )x n( )x n 数据和决策取值分

26、别为 (2-13) 1, 1 ( ) ( )sgn( ( ) 1, 0 x nx nx n 对字符 对字符 将决策指向算法与 Bussgang 算法作一比较，可见决策指向算法是取 g(.)=sgn(.)的 Bussgang 算法。 2.2.2 Sato 算法 M 进制 PAM(脉冲幅度调制)系统的盲均衡最早是 Sato 于 1975 年提出的。在 Sato 算法里，将代价函数定义为: =E (2-14)( )J n( )sgn( ( ) x nx n 2 | 式中，为常数，定义为= .很显然，Sato 算法是 Bussgang 算法取 g(.) 2 ( ) ( ) E xn Ex n| =sg

27、n(.)时的一个特例。 8 2.2.3 Godard算法 D.N .Godard2于1980年提出了一种可用于二维数据通信系统的盲均衡算法，它最 大的特点是将幅度的均衡和相位恢复独立进行，互不干扰，因而允许灵活采用载波同 步方案，这对载波偏移较大的系统特别有用。Godard在算法中应用了一种新的代价函 数 (2-15) 2 ( )(| ( )|) p p nx nRJE 式中，为一常数定义为 p R (2-16) 2 | ( )| | ( )| p p p E x n R E x n 将式(2-15)两边对均衡器权向量求导可得代价函数对的梯度ww (2-17) *2 ( ) 2|(|) n a

28、 pp nnnnp w w Nn pEwwwR Nw nnn J y yyy 去掉上式中的数学期望操作即为Godard迭代算法中的随机梯度，因此，均衡器抽头系 数的更新公式为: (2-18) *2 ( )| ( )|(| ( )|) pp np wwx nx nx nR n+Ln y 由上式可知，Godard算法是Bussgang算法中的无记忆非线性函数 (2-19) ( ) ( ( )( )( )( ) ( ) x n g x nx nRx nx n x n p-12p-1 p |+|-| | 2.3 恒模算法的提出 Godard最早提出了恒模算法(CMA)，它是Bussgang类盲均衡算法

29、中最常用的一种。 Godard算法无记忆非线性函数。表达式g()如下: (2-20) ( ) ( ( )( )( )( ) ( ) x n g x nx nRx nx n x n p-12p-1 p |+|-| | 式中， p=1,2,( )( )Rx nx n 2pp p =E| /E| 当 p= 2 时，Godard算法就是CMA算法。它通过调节线性均衡器的抽头增益来达 到使代价函数减小的目的。CMA以其计算复杂度低、易于实时实现等优点，成为通信 系统中广泛应用的盲均衡技术。恒模盲均衡算法适用于所有具有恒定包络（简称恒模） 和一部分非恒包络（如QAM）的发射信号的均衡。 CMA 算法无记忆

30、非线性函数 g(.)为: (2-21) ( ) ( ( )( )( )( ) ( ) x n g x nx nRx nx n x n 3 2 |+|-| | 9 式中，是常数。( )( )Rx nx n 42 2 =E| /E| 根据信号传输理论和图 2-1 可知: 均衡器的输入为: = (2-22)y( )n( )* ( )h nx n( )n n( ) ()( ) i i h n x nin n 均衡器的输出为: = = (2-23)( )x n( )* ( )w ny n( )* () i i w ny ni ( ) ( ) T nnWY CMA 算法的权值迭代公式为 (2-24) 2

31、2 (1)( )( )( )( ) * nnx n Rx nnW=WY| 式中，为迭代步长因子，通常取足够小的正常数，它决定收敛的速度。 2.4 恒模算法的理论推导 CMA 算法的代价函数为: (2-25) 22 2 ()( ) n J WEx nR| 选取这个代价函数的合理性在于，发送信号的功率应该是恒定的，均衡器输出信 号的功率也应该是恒定的。按照最速下降法的迭代公式: (2-26) J( ) (1)( ) ( ) n nn n W W=W W 有: (2-27) 2 2 2 ( )( ) 2( ) ( )( ) Jnx n Ex nR nn W WW | | 因为 = ，故有:( )x

32、n( )n T Y( )nW =2=2 (2-28) 2 ( ) ( ) x n n W | ( )n W ( )( )( )( )nnnn T*T WYYW( )( )( )nnn *T YYW( )n * Y( )x n 于是: =4E (2-29) ( ) ( ) Jn n W W 2 2 ( )( ) ( )x nRn x n * Y| 用随机梯度代替梯度的期望值，得到算法公式: 4a (2-30)(1)( )nnW=W( )x n 2 2 ( )( )x nRn * Y| 现在进一步考虑应该取什么值才是合理的。对均衡器的要求是:当达到理想均衡 2 R 时，必须有: =0 (2-31)

33、( )( )JnnWW/ 10 所谓达到理想均衡，就是均衡器输出序城 n)是发送序列 x(n)的一个延时版本，即: = (2-32)( )x n ( ) jnT x n e 其中，是一个固定的相位。()nT 由=0 和式(3-9)得到:( )( )JnnWW/ (2-33) 2 ( )( ) ( )E x nn x nR * Y 2 |( ) ( )En x n * Y 也就是对应元素相等 i=0, (2-34) * 2 ( )( ) ( )( ) ( )E x ny n x nR E y n x n 2 |1, 2,.L 注意到均衡器输入序列可以一般地写成: (2-35) ( )( ) ()

34、 ji y ix n h im e 式中，包括发送滤波器、信道和接收机前端(不含均衡器)的复合信道冲激响应; h( ) t 是频率偏移和相位抖动引起的时变相位移。 ( ) i 各个序列统计独立，随机相位与发送序列互不相关。在向量中的元只有( )nYy( ) i 满足的项对和有贡献。这时显然有:mn * ( )( ) ( )E x ny n x n 2 | * ( ) ( )E y n x n =kE (2-36) * ( )( ) ( )E x ny n x n 2 |( )x n 4 | 以及: E=kE (2-37) * ( ) ( )y n x n( )x n 2 | 式中，k 是信道引

35、入的确定性贡献。 既然要求: (2-38) * 2 ( )( ) ( )( ) ( )E x ny n x nR E y n x n 2 | 则对取值的要求就是: 2 R = (2-39) 2 R ( ) ( ) Ex n Ex n 4 2 | | 表 2-1 给出了 Godard 算法或常数模算法小结。 表 2-1 中，CMA 是对常数膜性能曲面进行随机梯度最小化运算的。与经过训练的 均衡器的单峰 MSE 性能曲面相比，盲均衡器的常数模性能曲面是多峰的。误差曲面的 多模式性和缺少期望响应信号大大影响了 CMA 的收敛性能。CMA 在初始化、收敛速 率与超量 MSE 等方面有它自己的特点。 表

36、 2-1 Godard 算法或常数模算法小结 运算等式 11 均衡器( )(1) () L k kL x nwny nk 误差 2 2 ( )( )| ( )| e nx n Rx n 更新( )(1)( )( )nnn e n wwy Godard 常数 4 2 2 | ( )| | ( )| Ex n R Ex n (1) 初始化 由于 CMS 误差曲面是非凸的，算法可能会收敛于一个非期望的最小值，这就说明 了初始化过程的重要性。在实际中，所有的均衡器都用选择中心方法来初始化，即除 了中心（参考）系数设定为大于某一常数外，所有其他的系数都设为零。 (2) 收敛速率 经过训练的 LMS 算法

37、有一个有界的收敛速率，因为二次误差曲面的 Hessian 矩阵 （它决定了曲率）是恒定的。由于常熟模准则的误差曲面是多峰的，并且包含鞍点， 所以 CMA 的收敛速率在鞍点附近较低，它与在一个局部最小值附近经过训练的 LMS 收敛速率相当。 (3) 超量 MSE 在经过训练的 LMS 算法中，超量 MSE 由步长、MMSE、滤波器系数的数量和输 入信号的功率决定，并且 CMA 的超量 MSE 也取决于原信号的峭度。 2.5 步长因子对恒模算法收敛性能的影响 实验一：用 MATLAB 对 CMA 算法进行了仿真，输入信号采用 4QAM 调制方式， 信噪比为 20dB, 滤波器阶数为 11, 信道采

38、用典型电话信道。步长分别为 0.01、0.005、0.001，仿真实验运行总次数为 3000 次。 =0.005+0.009-0.024+0.854-0.218+0.049-0.016 (2-40) H z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z 12 0500100015002000250030003500400045005000 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 代 代 代 代 MSE CMA u1=0.01 u2=0.005 u3=0.001 (a)收敛曲线 -1-0.500.51 -1 -0.8 -0.6 -0.

39、4 -0.2 0 0.2 0.4 0.6 0.8 1 代 代 代 代 -1.5-1-0.500.511.5 -1.5 -1 -0.5 0 0.5 1 1.5 代 代 代 代 (b) 4QAM 信号的星座图 (c) 均衡器输入星座图 13 -1.5-1-0.500.511.5 -1.5 -1 -0.5 0 0.5 1 1.5 代 代 代 代 -1.5-1-0.500.511.5 -1.5 -1 -0.5 0 0.5 1 1.5 代 代 代 代 (d)步长 0.01 对应的均衡器输出星座 (e) 步长 0.005 对应的均衡器输出星座 -1-0.500.51 -1 -0.5 0 0.5 1 代 代

40、 代 代 (f) 步长 0.001 对应的均衡器输出星座 图 2-5 不同步长 CMA 算法仿真 图 2-5(a)为 4QAM 信号通过典型电话信道采用不同步长值对应的收敛曲线比较。 图 2-5 (b)为 4QAM 信号的星座图。图 2-5 (c)(f)为 4QAM 信号通过典型电话信道采用 不同步长值对应的均衡前后的星座图。 图 2-5 (a)的仿真结果证实，采用大步长，能够加快收敛速度，但同时会带来大的 稳态剩余误差和误码率。为了减小算法收敛后的稳态剩余误差和误码率应采用小步长， 但这样会使算法收敛速度变慢。从图 2-5 (b)(f)中可以看出，算法均衡后的星座更加集 中、清晰，具有更小的

41、稳态剩余误差和误码率。 实验二：用 MATLAB 对 CMA 算法进行了仿真，输入信号采用 4QAM 调制方式， 信噪比为 15dB, 滤波器阶数为 7, 信道采用普通信道。步长分别取 0.01、0.001，仿真 实验运行总次数为 3000 次。 14 =1+0.3-0.3+0.1-0.1 (2-41) H z 1 Z 2 Z 3 Z 4 Z 0100200300400500600700 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 代 代 代 代 MSE CMA u1=0.01 u2=0.001 (a)收敛曲线 -1-0.500.51 -1 -0.8 -0.6 -0

42、.4 -0.2 0 0.2 0.4 0.6 0.8 1 代 代 代 代 -2-1012 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 代 代 代 代 (b) 4QAM 信号的星座图 (c) 均衡器输入星座图 15 -2-1012 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 代 代 代 代 -2-1012 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 代 代 代 代 (d)步长 0.01 对应的均衡器输出星座 (e)步长 0.001 对应的均衡器输出星座 图 2-6 不同步长 CMA 算法仿真 图 2-6 (a)为 4QAM 信号通过普通信道采用不同步

43、长值对应的收敛曲线比较。图 2- 6 (b)为 4QAM 信号的星座图。图 2-6 (c)(e)为 4QAM 信号通过普通信道采用不同步长 值对应的均衡前后的星座图。 图 2-6 (a)的仿真结果证实，采用大步长，能够加快收敛速度，但同时会带来大的 稳态剩余误差和误码率。为了减小算法收敛后的稳态剩余误差和误码率应采用小步长， 但会使算法收敛速度变慢。从图 2-6 (b)(e)中可以看出，算法均衡后的星座更加集中、 清晰，具有更小的稳态剩余误差和误码率。 由实验一和实验二得知在两种不同信道下，迭代步长值越大,收敛速度就越快，但 收敛后的稳态误差也就越大；减小步长值可以降低收敛后的稳态误差，但是会

44、导致收 敛速度的降低。 Bussgang 类盲均衡算法的一般格式是，先建立一个代价函数，使理想系统对应于 代价函数的极小值点，然后采用某种自适应算法一步一步调整均衡器的抽头系数来寻 找代价函数的极值点，当代价函数达到极值点后，抽头系数也达到了最优值。 步长在算法收敛过程中起着非常重要的作用，采用大步长，每次调整抽头系数的 幅度就大，体现到收敛性能上就是算法收敛速度和跟踪速度快，当均衡器抽头系数接 近最优值时，抽头系数将在最优值附近一个较大的范围内来回抖动而无法进一步收敛， 因而会有较大的稳态剩余误差。反之，采用小步长，每次调整抽头系数的幅度就小， 算法收敛速度和跟踪速度慢，但当均衡器抽头系数接

45、近最优值时，抽头系数将在最优 值附近一个较小的范围内来回抖动而无法进一步收敛，因而稳态剩余误差较小。 恒模算法采用固定步长，算法在收敛速度和收敛精度方面对调整步长的要求是相 矛盾的，因而制约了恒模算法收敛性能的进一步提高。 16 解决这一矛盾的最好方法是将自适应均衡中的变步长思想应用于恒模算法。在算 法收敛期加大步长，提高收敛速度。算法收敛后降低步长，提高收敛精度。 目前，变步长自适应均衡算法的主要研究成果有，用 MSE 作为控制步长变化的参 量、用剩余误差的非线性变换作为控制步长变化的参量、用剩余误差的自相关函数作 为控制步长变化的参量、用剩余误差的峰度作为控制步长变化的参量、用剩余误差和

46、均衡器输入信号的互相关作为控制步长变化的参量，用梯度自适应变步长的方法来控 制步长的变化，还有用误差信号的范数来控制步长的变化。后续章节将研究将变步长 思想应用于恒模算法，来克服恒模算法采用固定步长所存在的缺陷，提高恒模算法的 收敛性能。 17 3 基于剩余误差的变步长恒模盲均衡算法 将变步长思想应用于恒模算法就是在算法收敛初期加大步长，以加快收敛速度， 当算法收敛后，减小步长，以减小稳态剩余误差。在本章中，提出了基于剩余误差的 变步长恒模盲均衡算法，分析了剩余误差的变化规律，指出将剩余误差直接用于步长 控制的不足之处，提出将剩余误差的一种变换 MSE、作为控制步长的参量，形成一种 基于剩余误

47、差的变步长恒模盲均衡算法，并通过计算机仿真实验验证了改进算法的收 敛性能。 3.1 恒模算法中剩余误差的分析 假设均衡器的时变最优权矢量为： (3-1) 1 ( )( )( )T N nw n ,.,wnW 则有: (3-2)( )( ) ( )( ) T x nnnnwY 式中为零均值，独立同分布的干扰信号。( )n 将式(3-2)代入剩余误差的表达式，可得: =-=( )e n( )x n( )x n( ) ( )( ) ( )( ) T nnnnn T WYWY = ( )( )( )( ) T nnnn W-WY = (3-3)( ) ( )( )nnn T VY 式中，称为权误差矢量。( )nV 在算法收敛过程中，由于逐渐向靠近，所以权误差矢量呈逐渐减( )nW( ) nW( )nV 小趋势，最后趋于零，所以式 (3-3