通信信号处理

通信信号处理作业水声信道盲均衡算法综述班级：Y150502姓名：庞永丽学号：S1505047水声信道盲均衡算法综述摘要：简述了水声信道盲均衡算法的研究背景，概述了基于Bussgang类盲均衡算法、基于高阶谱类盲均衡算法、基于神经网络类盲均衡算法的研究现状，并指出了其今后的发展方向。关键词：盲均衡；Bussgang；高阶谱；神经网络一、研究背景随着陆地资源逐渐地枯竭，人们把目光投向了资源丰富的海洋，海洋在人类的活动中占有越来越重要的地位。而在对海洋进行的每一项军事与民用开发活动中，都离不开通信与数据传输。山于海水是电的导体，光波与电磁波在海水中衰减都很大，传播距离十分有限，声波成为水下无线通信唯一的有效手段。在有限带宽的水声信道中通信时，多径传播会导致严重的码间干扰，而码间干扰会严重影响通信的质量，因此必须米用自适应均衡技术以克服。传统的自适应均衡算法和结构的研究已经比较成熟，但是传统的自适应均衡技术存在一些难以克服的缺点。(1)一旦信道的特性发生改变，自适应均衡器就需要重新发送训练序列，更新均衡器的抽头系数，不利于实时通信。(2)传统的自适应均衡技术在进行正式通信前要发送训练序列训练均衡器的抽头系数，但是有些场合比如潜艇间的军事通信，根本无法获得训练序列，这时，自适应均衡技术便无能为力。(3)每建立一个新的通信就要重新发送新的训练序列更新抽头系数。因此在一对多的通信中，一旦某个节点和服务器的通信因为某种因素中断时，其他节点和服务器的通信也将受到影响。这些缺点和不足导致了传统自适应均衡技术已不能满足现代通信的要求，特别是带宽有限的水声信道的通信要求。盲均衡技术不需要在通信之前发送训练序列，直接利用接收信号的高阶统计量进行均衡，因而通用于水声信道，所以很多专家和学者开始重视盲均衡技术的研究。与传统自适应均衡技术不同，盲均衡是一种利用接收信兮高阶统计量的本身自适应的均衡技术，能够根据接收到信号的统计信息恢复出原始的发送信号。在带宽有限的水声信道中，盲均衡技术能够节省带宽，从而有更多的带宽可以用来通信，提高了通信的效率，而且在传统自迅应均衡技术无能为力的情况下，盲均衡技术依然可以有效地工作，以保证正常的通信。综上所述，盲均衡器因不需要训练序列，应用范围更为广泛。因此本文选取盲均衡作为研究对象。二、研究现状自日本学者Y.Sato在1975年首次提出了“自恢复均衡”的概念后，各国学者纷纷投入到该项研究，根据不同的应用背景，运用到心得数学理论和优化方法，提出了多种盲均衡算法，大致分为以下几类。2.1基于Bussgang技术的盲均衡算法Bussgang算法是先建立一个误差函数(或代价函数)，使得理想系统对应于该目标函数的极小值点，然后采用某种自适应算法寻找误差函数的极值点。当目标函数达到极值点后，系统也就成为期望的理想系统。最早的Bussgang算法是Y.Sato[4]提出的适用于PAM系统的Sato算法。A.Benveniste[5]在研究Sato算法的基础上，于1980年提出了BGR算法，把Sato算法推广到QAM系统。1980年D.N.Go-dard[6]又提出了Godard算法，它是通过调节均衡器的抽头增益使代价函数为最小，其代价函数由传输信号的高阶统计特性来构造。当代价函数中的p为2时，Godard算法变为常量模板算法[7]。该算法韧性好，代价函数仅与接收信号的幅值有关，而与相位无关，但存在着收敛速度慢，有误收敛现象等，使其应用受到一定限制。1990年O.Shalvi和Wein-stein[3]创立了SW理论，证明在系统输入输出平均功率相等的约束条件下，系统输入、输出的峰态相等是系统为理想系统的充要条件。该理论揭示了系统输入、输出之间的一般规律，即输出信号的峰态总是小于输入信号的峰态。1987年G.Picchi和G.Prati[8]提出Stop-and-Go算法。该算法结合了判决法和Sato算法的优点，具有计算简单，收敛速度快，残差小等特点。但代价函数中出现了待定参数，它由实验确定，因而不易得到它的最佳值，使得应用受到限制。近几年来，一些学者对原有的算法进行了一系列的改进，文献[26]提出相应的收敛性能好、实用性强的基于不同误差函数的常数模算法，联合盲均衡算法，以及基于空间分集的盲均衡算法。文献[27]提出了一族新Bussgnag类盲均衡算法统一形式的代价函数，该代价函数具有明确的数学意义，包括了经典的Deciiso-niDercted算法，Sato算法，CMA算法及其变种。根据该代价函数，可以设计出新类型的Bussgang盲均衡算法，这种算法明显提高了收敛速度。文献[28]提出一类新的Bussgang指数拓展多模算法，进一步降低传统Bussgang类盲均衡算法收敛时的稳态。文献[29]提出一种适用于高阶QAM系统的新Bussgang类多模盲均衡算法。将新的代价函数与星座匹配误差函数结合，给出一种瞬时双模切换混合算法，然后设计了一种基于判决圆的模式切换准则，从而达到进一步有效降低新算法稳态误差的效果。这些算法对补偿信道的非理想特性，改善接收效果，提高通信质量具有重要的理论意义和实用价值。2.2基于高阶谱的盲均衡算法高阶谱盲均衡算法充分利用了高阶谱含有系统的幅度特性和相位特性这一特点，可以直接从系统接收信号(即盲均衡器的输入信号)的高阶累积量中获得信道参数。其关键是建立信号的高阶累积量与信道参数之间的关系方程，然后以解方程的方式获得信道参数。1991年D．Hatzinakos和C.L.NikiasLg首次提出了基于多谱的盲均衡算法，称为TEA算法，它能保证全局收敛性，但运算量较大。该算法的提出为研究非最小相位信道盲均衡算法开辟了一条新的途径。同年，B.Porat和BFriedlander[1~3]也提出了两种基于二阶和四阶累积量的QAM系统盲均衡算法。1993年F.C.Zheng[11，12]等提出了PAM系统的二阶和四阶累积量算法。J.Gadzow[13]于1996年首次提出归一化累积量的概念，并证明系统输入输出归一化累积量幅度相等是实现盲均衡的充要条件。由于累积量阶的选择几乎是任意的，因而实际的充要条件不是一个而是一簇。J.Gadzow理论意味着同时利用两种高阶累积量就可以解决盲均衡问题。从现有算法来看，对于对称性信号，由于奇数阶累积量为零，一般采取对称到反对称变换[11,12]、偶数阶累积量[14-17]、归一化累积量[13]、倒谱[9,18]等算法。对于非对称性信号，采用奇数阶累积量或利用循环平稳性[19,20]等来进行均衡。2.2基于神经网络理论的盲均衡算法神经网络理论的盲均衡算法从原理上主要有两种。一种是基于传统代价函数的方法，首先选择一个网络结构，提出一个代价函数，并且根据这个代价函数确定权值的递推方程(此方程中包含有输入和输出信号的特性)；然后，通过求代价函数的极小值来达到调整权值的目的。另一种是根据网络的能量函数构造权值，即从现阶段神经网络的研究来看，神经元及神经网络本身都可以用简单的电子线路来实现，并且每一种神经网络都有自己的能量函数和状态方程。可以证明，当网络中的任何一个神经元的状态发生变化时，能量函数都将减小，即网络系统总是朝着能量减小的方向变化，最终进入稳定状态。根据能量函数的这一特性，将原有的代价函数经过适当变化后，作为网络的能量函数，再根据新的能量函数设计网络的状态方程，这就对原有网络进行了改造，可以达到所要求的目的。基于神经网络的盲均衡算法目前主要有基于前馈神经网络和高阶谱的盲均器[21]，基于多层神经网络与高阶累积的盲均衡器[22]，基于递归神经网络的盲均衡器[23,24]，以及基于细胞神经网络的盲均衡器[25]等。近年来，一些学者提出一些新的基于神经网络的盲均衡技术。文献[30]提出了模糊神经网络控制的混合小波神经网络(FHWNN)盲均衡算法.该算法在小波神经网络输入层之前级联一个横向滤波器,将横向滤波器的节点输出分为实部和虚部两路经过小波神经网络后再合成为一路复数信号;利用模糊神经网络(FNN)设计的模糊规则控制小波函数的尺度因子和平移因子的迭代步长,以提高步长控制的精度;通过常数模代价函数分别获得横向滤波器和小波神经网络的权系数迭代公式.该算法具有较快的收敛速度和较小的稳态误差,较好地克服了收敛速度与均方误差之间的矛盾.文献[31]提出一种能够自适应调节BP神经网络动量项的盲均衡算法。该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势。该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法。文献[32]为解决无线分集相干光接收机的电域自适应盲均衡的特定问题,根据动力学驱动反馈神经网络(DDRNN)的特点,提出一种基于同相部分与正交部分振幅激励的DDRNN盲均衡方法.文献[33]提出了一种采用差异进化算法进行网络参数初始化方法。结合常数模盲均衡算法设置适应度函数,并将尺度因子和平移因子以及网络连接权值进行实数编码,以接收数据对网络进行优化设计,获得一组渐近最优的网络初始化参数,在此基础上以传统梯度下降算法对信号进行均衡接收，该算法效提高了均衡性能。三、研究方向一种算法是否具有实用价值主要取决于其性能：一是收敛速度要快，这决定能否用于实时系统；二是能否获得最优解，也就是代价函数有无凸性；三是算法实现的复杂程度。根据以上分析，盲均衡算法应在以下方面进一步进行研究：(1)基于Bussgang技术的盲均衡算法，应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。同时，还应考虑运算量小，收敛速度快。(2)基于高阶谱理论的盲均衡算法，应重点利用通信中有关的先进技术来提高输出信噪比并跟踪水声信道的响应，同时寻求运算量小的盲均衡算法，并使其走向实用化。(3)基于神经网络理论的盲均衡算法，应对各种神经网络模型进行研究，在此基础上，提出适用于盲均衡的神经网络模型，并尝试地用于水声信道均衡中。参考文献[1]ProakisJG.Digitalcommunications(3rdEdition)[M].America:McGrawHill,1995:48-123.[2]张贤达,保铮.通信信号处理[M].北京:国防工业出版社,2000:229-232.[3]ShalviO.Newcriteriaforblinddeconvolutionofnon--minimumphasesystems(channels)[J].IEEETransonIT,1990,36:312-321.[4]SatoY.Amethodofself-recoveringequalizationformultipleamplitudemodulationschemes[J].IEEETransCommunication,1975,23:679-682.[5]BenvenisteA.Blindequalizers[J].IEEETransoncommunication,1984,23:871-883.[6]GodardDN.Self-recoveringequalizationandcarriertrackingintwo-dimensionaldatacommunicationsystems[J].IEEETransoncommunication,1980,28:1867-1875.[7]TreichterJR.Anewapproachtomulti-pathcorrectionofconstantmodulussignals[J].IEEETransASSP,1983,31:459-471.[8]PicchiG,PratiG.Blindequlizationandcarrierrecoveringusinga“stop-and-Go”Decision-Directed-algorithm[J].IEEETransoncommunication,1987,35:877-887.[9]HatzinakosD,NikiasCL.Blindequaliz