快速自适应均衡

快速自适应均衡（共7篇）

快速自适应均衡 篇1

水声通信是当代海洋资源开发和海洋环境立体监测系统中的重要组成部分, 随着水下军事及民用数据通信量的日益增加, 通过水声信道进行数据传输的要求越来越高。在随机时变多途传播的水下声信道中, 如何实现可靠通信是对通信和信号处理技术的严重挑战。为克服水声信道的多径衰落效应引起的码间干扰, 水声相干通信中普遍采用信道均衡技术[1,2,3]。传统的线性均衡器是采用由发射机发送训练序列来辅助实现信道的估计和均衡, 这在宽带资源有限的水声信道中效率较低, 因此需要性能更强的判决反馈均衡器来均衡, 而盲均衡器是信道均衡的良好选择, 与其它传统的自适应均衡器相比, 其无需参考输入的训练序列, 仅依靠接收信号本身和发射信号先验信息对信道特性进行均衡补偿, 大幅提高了载波恢复和相位信号检测的能力[4,5,6]。在各类盲均衡算法中, Godard和Treichler等人提出的恒模算法 (CMA) 以其计算复杂度低、易于实时实现和较好的鲁棒性等优点得到了广泛应用。本文在分析传统CMA盲均衡算法收敛性能的基础上, 针对算法采用固定步长使得收敛速度和收敛精度之间相互制约的缺点, 提出了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及湖试的数据分析。结果表明, 改进算法收敛速度快、剩余误差小, 能够克服实际水声信道传输引起的相位偏移, 具有较广的实际应用价值。

1 恒模算法原理及性能分析

恒模算法是Bussgang类盲均衡算法中常用的一种, 其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。恒模算法的基本原理是, 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寻找目标函数的极值点[7,8], 所以自适应算法性能的好坏较大程度上影响着系统的均衡效果。图1为判决反馈盲均衡器示意图。

其中, x (n) 是发送序列;h (n) 是未知信号的冲激响应;y (n) 为系统接收序列, 同时也是盲均衡器的输入序列;n (n) 为噪声信号;w (n) 为盲均衡器的冲激响应, 通常采用有限长横向滤波器, x~ (n) 为被均衡器恢复的信号;x^ (n) 为判决输出信号;e (n) 为均衡器输出信号相对于估计值的误差。

根据信号传输理论[9,10]和图1可知, 均衡器的输入为

均衡器的输出为

令横模算法的代价函数为

式中, R2=E{x (n) 4}/E{x (n) 2}是常数。则误差值为

从而得到抽头系数的权值迭代公式为

由上式可以看出, 步长因子μ在算法收敛过程中起着重要作用, 当采用大步长时, 每次调整抽头系数的幅度就大, 算法收敛速度和跟踪速度加快, 但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和误码率。反之, 采用小步长抽头系数每次调整的幅度则小, 稳态剩余误差较小, 同时算法的收敛速度和跟踪速度也会相应减慢, 由此可见, 传统CMA算法由于采用固定步长时, 使得算法的收敛速度和收敛精度相互制约。

2 改进的恒横算法

针对原始算法在收敛速度和收敛精度相矛盾的缺陷, 为进一步提高CMA算法的性能, 提出了一种将剩余误差MSE的一种变换作为控制步长参量的变步长恒模算法[9,10], 其具体实现如下:

考虑剩余均方误差MSE为

显然MSE (n) 在收敛条件下随迭代次数的增加而减小, 因此通过MSE对步长因子的控制可以达到变步长算法的要求。于是权值迭代公式变为

式中, μ (n) 为可变步长, 其表达形式为

假设均衡器的时变最优权矢量为

则有

式中, ζ (n) 为零均值, 独立同分布的噪声信号。将上式代入剩余误差的表达式可得

式中, V (n) 为权值误差矢量;β为比例因子, 用于控制步长μ (n) 的取值范围, 显然当算法收敛后, MSE (n) 趋于一个微小的值。用MSE控制步长的优势在于, 当信道中有突发强干扰信号时, e (n) 变大, 但通过加窗取平均, 就可以削弱干扰信号的影响, 使MSE变化较小, 这样可以减小因步长变化过大而引起的误调, 故用其控制步长变化能满足自适应步长的要求。

3 仿真及实验分析

3.1 仿真分析

为验证改进算法的性能, 通过计算机仿真上述算法, 并与原始算法进行了比较。仿真条件:输入信号分别采用32QAM调制方式, 信噪比为20 d B, 波器阶数为13, 实验运行总次数为3 000次, 信道的冲击响应为H1 (z) =0.005+0.009z-1-0.024z-2+0.854z-3-0.218z-4+0.049z-5-0.016z-6。

图2给出了改进算法和原始算法的收敛曲线, 从图中可以看出, 在稳态误差基本相等的情况下, 改进算法的收敛速度明显快于基本算法, 而当收敛速度相同时, 改进算法的稳态误差要小于基本算法的稳态误差。同时从均衡前后的星座图可以看出, 改进算法进行均衡后的星座更加集中、清晰, 分离效果更明显, 具有更小的稳态剩余误差和误码率。

3.2 试验数据分析

通过仿真验证了改进算法具有更好的均衡效果, 在算法设计实现后, 将其应用于水声通信信道的试验, 为直观起见, 湖试数据以图像数据为主, 数据接收后, 对数据进行相关检测、解调、均衡、解码等处理, 恢复出图像。图4和图5给出了均衡前后的星座图和图像信息, 从图中可以看出, 受到多径衰落等恶劣环境因素的干扰, 不进行信道均衡时接收图像已严重失真, 且星座图重叠模糊。当采用原始CMA算法进行信道均衡后, 星座图已逐渐分开, 取得较明显的图像恢复效果, 但是图像有失真现象, 误码率较高。而采用改进算法恢复的图像, 图像能够清晰地被还原, 星座图各部分已完全分离, 最低失真度的恢复了图像, 误码率达到10-3的量级, 进一步证明了上述结论。

4 结束语

信道均衡是高速水声通信系统中克服码间干扰的一项关键技术, 如何提高均衡器的性能是目前研究的热点课题。本文分析了盲均衡器的特点, 提出了一种利用时变步长来代替固定步长的自适应CMA盲均衡算法, 并进行了计算机仿真及试验测试。结果表明, 改进算法收敛速度快、剩余误差小, 具有较好的均衡效果, 能够有效抑制实际水声信道的码间串扰, 同时可以广泛地应用于数字通信、雷达和图像处理等盲信号处理领域。

参考文献

[1]SATO Y.A method of self-recovering equalization for multilevel amplitude-modulation systems communications[J].IEEE Transactions on Communication, 1975, 23 (6) :679-682.

[2]ALBERT B, MAURICE G.Blind equalizers[J].IEEE Transactions on Communications, 1984 (32) :871-879.

[3]SCHNITER P, JOHNSON C R.Dithered signed-error CMA:robust, computation, efficient blind adaptive equalization[J].IEEE Transactions on Signal Processing, 1999 (47) :1959-1597.

[4]NELATURY S R, RAO S S.Increasing the speed of convergence of the constant modulus algorithm for blind channel equalization[J].IEEE Transactions on Communication, 2002, 50 (6) :872-876.

[5]FRANCO M.Channel estimation and equalization for MQAM transmission with a hidden pilot sequence[J].IEEE Transactions on Broadcasting, 2000, 46 (2) :134-136.

[6]张雄.基于Bussgang技术盲均衡算法的研究[D].太原:太原理工大学, 2003.

[7]姚春峰, 陈健, 阔永红.几种盲均衡算法的原理与仿真试验研究[J].电子科技, 2007, 20 (5) :30-33.

[8]张玲.无线通信中的恒模类盲均衡算法研究[J].通信技术, 2007, 40 (12) :72-74.

[9]肖瑛, 李振立, 董玉华.变步长常数模盲均衡算法研究[J].通信技术, 2008, 41 (5) :47-49.

[10]朱小刚, 杨荣震, 诸鸿文.盲恒模均衡算法的比较分析和改进[J].通信技术, 2002, 6 (4) :16-18.

时域自适应均衡技术的分析与应用 篇2

无线信道中电波传播复杂多样,频率选择性衰落信道正是无线信道中的一种常见类型。高速信号经由频率选择性衰落信道传输,会产生严重的符号间干扰,接收端要正确恢复传输信息,必须对符号间干扰进行补偿,通常采用的方法是均衡技术。目前,均衡技术主要有时域自适应均衡、单载波频域均衡以及正交频分复用(OFDM)。OFDM存在较高的峰值平均功率比,需要精确的信道估计;单载波频域均衡需要辅助信息,而且同步提取也较为复杂;而时域自适应均衡虽然抗多径能力略逊色于其他2种方式,但是其峰值平均功率比低、同步提取简单,并且不需要信道估计。因此,对于频率选择性衰落信道,在符号间干扰较小的条件下,时域自适应均衡方式更为适宜。

1 频率选择性衰落信道的多径特性

频率选择性衰落信道是一种时变多径信道,其传播路径的数量和路径之间的相对时延随时间而变化,各支路接收信号的幅度、相位和时延均不相同,且随机变化,即形成了多径特性。

多径特性可通过最大多径时延差τm来描述,定义Bc=1/τm为信道的相关带宽。当信号的带宽小于相关带宽Bc时,多径传输对接收信号的影响表现为时间选择性衰落和频散特性,无须采用均衡方式;反之,信号带宽大于相关带宽Bc时,多径效应对接收信号的影响不仅表现为时间选择性衰落和频散特性,而且还表现为多径时散和频率选择性衰落,导致接收信号波形严重失真,相邻符号间互相干扰。

信号的传输速率越高,引入的双边多径时延展宽与传输符号宽度的比值(2σ/T)越大,在频域上导致的频谱畸变越严重,则在时域上就导致信号波形之间出现更加严重的符号间干扰[2]。一般认为,当2σ/T≥0.6时符号间干扰将对接收信号的检测产生明显恶化,并且这种影响采用其他简单方法难以消除,必须采用均衡技术才能有效地抑制符号间干扰带来的影响。

2 时域自适应均衡技术

时域均衡通常采用自适应方式,即均衡器的参数随接收信号频谱的变化而自适应地变化,从而实现对接收信号的频谱畸变进行实时矫正的均衡方式,其基本原理就是使具有不同相对时延的信号分别乘以自适应于信道状态的加权值,然后将这些乘积相加,加权的结果达到消除符号间干扰、实现正确判决的目的[1]。

时域自适应均衡器可以采用不同的结构及算法,不同类型的时域均衡器具有不同的抗符号间干扰效果和实现复杂度。通过对各种均衡结构及自适应算法的比较,可以在工程设计中选择出一种既具有较强抗符号间干扰能力且硬件实现复杂度较低的均衡器方案。

2.1 时域均衡器的一般结构

时域自适应均衡器目前主要有线性均衡和判决反馈均衡2种方式。

所谓线性均衡实质上是一个用抽头延时线构成的前馈结构横向滤波器,均衡器的输入信号被送入多抽头延迟线,每个延迟线的延迟时间为一个符号宽度T,各延迟线的输出信号与抽头系数调整单元的输出相乘,再将各相乘结果相加,合并后信号的符号间干扰已得到了很好的抑制。

判决反馈均衡器(DFE)是一种非线性均衡器,由一个前馈均衡器(FE)、一个反馈均衡器(BE)以及符号检测器所组成。前馈均衡器输入为接收信号序列{Vk},其作用是均衡信道的前导失真;反馈均衡器则是用来从当前的估计值中去除后尾干扰。

综上所述可知,线性均衡器只是利用横向滤波器来减轻所有的符号间干扰,而判决反馈均衡器不但利用前馈滤波器来减轻将来的数据序列所造成的干扰,而且利用反馈滤波器来消除过去数据的符号间干扰。在信道出现深选择性衰落,同时判决错误又不传播的情况下,判决反馈均衡器的性能要优于线性均衡器。因此,高速信号经由频率选择性衰落信道传输时,接收端适合采用判决反馈均衡器结构。

2.2 自适应均衡算法

均衡器若要做到自动适应输入信号的变化,达到自适应均衡的目的,就必须能够自动调整均衡器抽头增益的值,这种更新抽头增益所依据的方法即为自适应算法。自适应均衡算法的选择是均衡器性能得以实现的关键。

2.2.1 自适应均衡的典型算法

典型的自适应均衡算法主要有以下3类[1,4]:

① 最小均方(LMS)算法:LMS算法是由简单的梯度估值所导出的一种自适应算法,通过调整均衡器抽头系数,使均衡器的期望输出值与输出的估计值之间的误差达到最小,因此,它在本质上是一种使均方误差输出在性能表面上最陡下降的算法[3,5];

② 递归最小二乘(RLS)算法:通过调整均衡器抽头系数向量,使输出误差的时间平均的加权平方和达到最小。RLS算法主要包括卡尔曼算法及改进的快速卡尔曼算法和平方根卡尔曼算法;

③ 自适应Viterbi算法:Viterbi算法是一种最大似然估计算法,采用基于欧几里德距离的MLSE软判决准则,其工作原理相当于将接收到的信号与所有可能的发送序列比较,把其中欧几里德距离最小的那条路径作为判决序列。

2.2.2 自适应均衡算法的比较

评价自适应均衡算法的性能,可从起始收敛速度、跟踪时变信道的能力以及运算复杂度3个方面着手,下面分别对上述各种自适应算法从这3个方面进行比较。

① 起始收敛速度。

RLS算法的收敛特性明显优于LMS算法,尤其以快速卡尔曼算法收敛最快,理论上只要经过2L(L为均衡器抽头数)次迭代就可以收敛;

② 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深度衰落情况下算法能否收敛和稳定的问题。在收敛速度上,LMS算法不如RLS算法,RLS算法是具备优秀跟踪性能的算法;从算法的稳定性上看,LMS较好,而RLS中的某些算法由于受有限字长影响及算法本身局限性存在不稳定现象;

③ 运算复杂度。

几种自适应算法的计算复杂度比较如表1所示,其中L为均衡器的总抽头数,M为信号的电平数。由表1可见,运算复杂度最小的算法是LMS算法,其计算量正比于总抽头数L,且不需要做除法;在RLS类算法中,当抽头数L较大时,最简单的是快速卡尔曼算法,但其运算量是LMS算法的10倍;Viterbi算法是以上所有算法中计算复杂度最高的算法,其运算量随抽头数L呈指数增长,运算极为复杂,当L较大时几乎很难实现。

综合上述3个方面的比较可知,LMS算法最简单但收敛较慢;RLS类算法收敛跟踪性能好,但计算量偏大;Viterbi算法的性能最佳,但运算量却太大。对于一般的频率选择性衰落信道,采用LMS算法的自适应均衡器就能够及时收敛并跟踪信道的响应。因此,本自适应均衡器采用运算量最小的LMS算法,它简单有效,基本上不需要有关统计特性的先验知识,经过一段时间就能够达到实际应用情况下的最小均方误差解,进而能连续不断地调节,保持系统的最佳性能。

3 自适应均衡器仿真及应用

3.1 均衡器设计

根据上述均衡器结构与自适应算法的比较结果,采用判决反馈作为均衡器结构、最小均方算法作为自适应准则,设计了一个时域自适应均衡器。它由前向均衡器和反向均衡器构成,其中,前向均衡器(AFE)包含6个抽头,抽头间隔采用1/2符号间隔,则跨距为3个符号;反向均衡器(ABE)包含4个抽头,抽头间隔采用符号间隔,则跨距为4个符号。因此,该均衡器在2σ/T≤4、衰落速率小于5 Hz及传输速率低于10 Mb/s时可以有效消除符号间干扰,并获得一定的隐分集增益。

3.2 均衡器仿真及结果分析

在无线通信系统中,对于经由频率选择性衰落信道传输的信号,为克服时间选择性衰落的影响通常采用分集接收。因此,为了研究所设计的时域自适应均衡器在频率选择性衰落信道中的实际应用效果,对采用2重分集接收的时域自适应均衡器以及不采用均衡的解调器在频率选择性衰落信道中的性能分别进行仿真,仿真框图如图1所示,信道参数设置如表2所示,衰落速率均为3 Hz。

仿真结果如图2所示。在频率选择性衰落信道中,不采用均衡的解调器存在严重的误码平层;时域自适应均衡器不存在误码平层,证明其有效消除了符号间干扰的影响,且该自适应均衡器在最大多径延时为600 ns的变参信道中获得了达到了1.5重隐分集增益,则总的分集重数可达3重。由于均衡器输出端存在残余的符号间干扰和加性噪声,因此,仿真结果与3重分集的理论性能具有一定的误差。

3.3 均衡器应用

仿真结果验证了时域自适应均衡有效消除了频率选择性衰落信道引入的符号间干扰,降低了传输误码率,因此,按照上述设计方案对时域自适应均衡器进行了硬件设计与实现,并将其应用于无线通信终端,且分别在不同多径时延、衰落速率条件下的变参信道上进行了多次试验。试验结果验证了自适应均衡技术在频率选择性衰落信道上具有良好的误码性能。

4 结束语

高速数字信号经由频率选择性衰落信道传输时由于受到多径效应的影响,会产生严重的符号间干扰,时域自适应均衡技术是一种有效的解决方法。针对频率选择性衰落信道的特点,通过对各种均衡器结构及自适应均衡算法的比较,采用判决反馈作为均衡器结构、最小均方自适应算法作为自适应准则的均衡器是一种适宜频率选择性衰落信道的较好方案,在无线通信中具有很好的应用效果。随着无线通信容量以及通信可靠性要求的进一步提高,各种先进的均衡技术在无线通信中的应用会越来越广泛。

摘要：概述了频率选择性衰落信道的传输特性,论述了采用均衡技术的必要性。通过对各种均衡器结构和自适应均衡算法在抵抗符号间干扰能力、收敛速度以及运算复杂度等方面的分析与比较,选择了判决反馈作为均衡器结构、最小均方自适应算法作为自适应准则的均衡器方案。仿真及试验结果证实了设计的时域自适应均衡器不仅具有较强的抵抗符号间干扰能力,而且能够获得隐分集增益,在频率选择性衰落信道中具有良好的应用效果。

关键词：频率选择性衰落信道,符号间干扰,时域自适应均衡,判决反馈均衡,LMS算法

参考文献

[1]QURESHI S U H.Adaptive Equalization[J].Proceedings of IEEE,1985,73(9):1349-1387.

[2]孙丽君,孙超.基于判决反馈结构的自适应均衡算法仿真研究[J].计算机仿真,2005,22(2):113-115.

[3]刘莹.时变深衰落信道中的自适应均衡技术[J].无线电通信技术,2004,30(1):6-8.

[4]沈福民.自适应信号处理[M].西安:西安电子科技大学出版社,2001.

快速自适应均衡 篇3

实际通信系统中, 由于信道特性不理想, 使得在接收端可能产生严重的码间干扰 (ISI) , 从而使误码率升高, 影响通信的质量。在通信系统中, 用于克服ISI的一种有效方法是在接收机中采用自适应均衡技术, 而自适应均衡技术的关键之处在于所采用的自适应均衡算法, 对于线性均衡器, 其算法有很多种, 其中很多是基于最小均方误差 (LMS) 算法[1]。为此, 本文将主要研究基于LMS算法和线性滤波的自适应均衡器性能, 并进行仿真分析。

1 时域均衡原理[2]

根据均衡的特性对象不同, 均衡可分为频域均衡和时域均衡两种。频域均衡是使包括均衡器在内的整个系统的总的传输函数满足无失真传输条件;时域均衡是从时间响应的角度来考虑, 使包括均衡器在内的整个系统的冲激响应满足无ISI条件。频域均衡多用于模拟通信, 而时域均衡多用于数字通信。对于加入时域均衡器的数字基带传输系统, 均衡之前的所有设备的频率特性用H (ω) 表示, 它是发送滤波器、信道和接收滤波器的频率特性的乘积。由于信道特性的变化以及系统设计的误差, 在抽样时刻会存在ISI, 即H (ω) 不能够满足消除ISI的条件。于是, 需要在接收滤波器的输出端增加一个均衡器, 令其频率特性为T (ω) , 有T (ω) H (ω) =H′ (ω) , 则H′ (ω) 满足无码间干扰的条件:

此时输入信号通过H (ω) 和T (ω) 后, 能够得到无码间干扰或码间干扰很小的信号。

由于实际的信道具有随机性和时变性, 这就要求均衡器必须能够实时地跟踪信道的特性, 而这种均衡器又被称作自适应均衡器。根据自适应均衡器线性特性的不同, 均衡可分为线性均衡和非线性均衡两种。线性均衡器一般适用于信道畸变不太大的场合, 而非线性均衡器则用在深衰落比较严重的信道中。但是由于很多均衡器都是以线性横向滤波式均衡器为基础的, 因此下面主要讨论线性横向均衡器, 如图1所示, 该类型的滤波器具有2N+1个抽头, 输入序列为, 输出序列为, 输出序列是发端发送序列的估计值。第n个符号的估计值可以表示为:

式中, ci是该滤波器的抽头加权系数。

2 基于LMS的自适应均衡器仿真分析

自适应均衡器设计的基本思想是利用在信号中包含的ISI信息自动调整抽头系数。如果以均方误差为度量均衡效果的标准, 则可以采用LMS自适应算法。LMS自适应算法是Windrow和Hoff等人在20世纪60年代初提出的, 其基本原理是基于误差梯度的最陡下降法, 用平方误差代替均方误差, 沿着权值的负方向搜索达到均方误差最小意义下的自适应滤波[3]。LMS算法因其简单、稳定、易于实现等特点, 一直是自适应滤波经典而有效的算法之一。LMS算法以理想信号与滤波器实际输出信号之差的平方值的期望最小为准则。为了使期望值最小, 可采用广泛使用的“梯度下降”算法:

上式中的ωi (n) 、μ (n) 、ν (n) 分别为第n步迭代的权向量、收敛因子和更新方向。

进而, 可基于LMS算法设计横向滤波器。令滤波器的抽头系数为ωi (n) , 设滤波器的输入和输出分别为I (n) 和O (n) , 则横向滤波器的数学表示为:

利用经典的计算最小均方误差的方法求最佳权系数向量的精确解需要进行矩阵求逆等复杂运算, 且需要有先验统计知识。Widrow和Hoff提出的LMS算法是一种近似值的方法, 其依据是最优化理论方法中的最速下降法, 即“下一时刻”权系数向量ωi (n+1) 应该等于“现时刻”权系数向量ωi (n) 加上一个负均方误差梯度-▽ (n) 的比例项, 即:

其中μ是用于控制收敛速度与稳定性的常数, 称之为步长因子或收敛因子, 可见LMS算法与梯度▽ (n) 和步长因子μ有关。

精确计算▽ (n) 通常比较困难, 一种粗略而有效的计算▽ (n) 的近似方法是直接取误差的平方作e2 (n) 为均方误差E e2! (n) "的估计值, 可得梯度估值为:

于是可得权系数为:

利用Matlab对基于LMS的自适应均衡器进行相关仿真, 假设ISI信道参数为[0.18, 0.3, 1, 0.18];信噪比SNR=10d B;自适应均衡器的阶数为63;步长因子μ分别取0.02和0.01。均衡前后信号的误差收敛曲线如图2所示。

从图中的仿真结果可以看出, 减小步长因子μ, 收敛速度将变慢, 但可以使得均方误差更小;增加μ可提高收敛速度, 然而此时其均方误差将增大。可见, 步长因子的合理选择对于基于LMS的自适应均衡器是至关重要的, 需要根据实际情况和具体要求, 比如是要求收敛快还是要求精度高, 来进行权衡。

3 结束语

自适应均衡技术是克服实际通信信道特性不理想的有效方法之一, 其核心是自适应均衡算法。本文在介绍时域均衡原理的基础上, 讨论了基于LMS自适应算法和线性横向滤波器的自适应均衡器的性能。为了进一步改善通信系统性能, 还可以考虑非线性滤波器技术和其它自适应算法。

参考文献

[1]Simon Haykin.自适应滤波原理[M].北京:电子工业出版社, 2005.

[2]王玲, 韩红玲.基于LMS及RLS的自适应均衡算法仿真分析[J].信息技术, 2008 (2) .

快速自适应均衡 篇4

在传统的无线数字通信系统中, 系统设计的目标参数多是最差情况时的信道。在信道条件较好的情况下, 系统中依然包含了许多用于克服最差条件的开销。信息高速传输的今天, 高速高效传输数据已成为无线技术发展的必然趋势。移动多媒体传输对频谱高效通信方式的需求不断增加, 自适应技术再度成为研究的热点与主流。当信道质量较好时, 发射机调整发射功率、调制信号星座图大小、符号传输速率、编码效率、编码结构或这些参数的结合, 这是自适应技术的基本原理。为了充分利用无线信道的时变性, 当信道质量恶化时, 降低数据传输速率、减少星座点数目、调整编码结构等, 对系统参数做出及时调整, 最大限度地提高链路的平均频谱利用率。

1 自适应均衡技术理论

1.1 自适应均衡器的基本原理

自适应均衡的结构可以是横向结构以及格形结构, 由分为若干级的延迟线构成, 最常用的均衡器结构是线性横向均衡器, 线性横向均衡器的传递函数可以被表示成延迟符号是由于线性横向均衡器级与级之间延迟时间的间隔为T, 且延迟单元的增益相同。在实现中, 平台的费用、功耗以及无线传播特性支配着均衡器的结构及其算法的选择, 最简单的线性横向均衡器只使用前馈延时, 其传递函数是多项式, 在便携式无线电话的应用中, 当需要让用户的通话时长尽量加长时, 用户单元的电池使用时间是关键的。对于IIR型均衡器则存在不稳定性问题, 当进行自适应处理过程中出现极点移出单位圆之外时, 会使均衡器产生不稳定, 所以很少被使用。只有均衡器所带来的链路性能的改进能抵消费用和功耗所带来的负面影响时, 均衡器才会得到应用。

1.2 自适应均衡技术特点

码间干扰会造成一个数据流中数据彼此影响, 是影响数字信号传输可靠性的一个主要因素, 造成信号失真。在一个通信系统中常采用被称为信道均衡的信号处理技术, 是克服码间干扰引起失真的有效方法。均衡器去掉码间干扰的影响, 通过滤波器或其他技术来重建原始信号, 提高数据传输的可靠性。由于无线信道通常是多径信道, 在这种信道中, 原始信号的延迟信号进入信道, 并在信道的输出端与原始信号进行叠加, 利用自适应均衡技术消除无线移动信道的码间干扰上, 可用来有效地克服由于码间干扰引起的信号失真。移动信道是时变的, 传播环境中障碍物的移动, 都会造成信道随时间而变化。自适应均衡技术属于自适应滤波技术的一种, 按结构划分主要的均衡器有以下3类:最大似然序列估值器、判决反馈均衡和线性均衡器。常用的均衡器为判决反馈均衡器和最大似然序列估值器, 线性均衡器的性能较差一般不常用。宽带无线通信系统的主要缺陷在于由于信道多径效应的障碍使目前的通信系统不能提供高速数据率, 它们都属于非线性均衡器的范, 不能满足因特网、多媒体等应用场合的需求。在未来的通信领域, 自适应均衡技术也获得了广泛的研究和采纳, 被认为是4G系统最有可能采用的克服码间干扰的方案。

1.3 自适应均衡技术的应用范围

自适应技术的应用范围概括来说有3大点;自适应技术一般要求工作在双工传输的情况下;自适应结构要求在接收端要有准确的信道估计以及信道估计和反馈路径的总时延要比信道变化快。自适应技术通常是在接收端反馈信息的指挥下, 实时的对系统参数进行调整来实现最佳的, 在信道状态信息的提示下合理调整系统参数, 双工的传输模式仍凭借其简单的运作体制, 在实际系统中被较多采用。准确的信道估计是自适应技术不可缺少的重要条件, 失去了准确的信道状态信息, 像失去了指挥棒一样, 必然会造成系统性能的严重恶化, 无法正常发挥其作用。信道估计时间tp加反馈路径时延tj应小于信道的相干时间。在集成电路飞速发展和信道估计技术日益成熟的今天, 实现对系统参数的调整已不是一件困难的事情。

2 自适应均衡技术在信号处理中的作用

自适应均衡技术在信号用的作用, 主要有5个方面。第一, 系统辨识自适应滤波器能用作未知的离散时间非移变系统的系统建模。主信号直接加到自适应滤波器的主输入端, 又连接到自适应滤波器的参考输入端, 当自适应滤波器处于最优工作状态, 输出y (n) 逼近于期望的响应d (n) 时, 有:W0=H (z) , 这说明自适应滤波器的最佳冲激响应是建模对象系统H (z) 的直接原型。第二, 自适应滤波器用于滤波与逆滤波。信号输入端常称为主输入端, y (n) 就是自适应滤波器的输出端, 主信号s (n) 经过传输系统频率特性和噪声干扰的影响, 误差e (n) 引出一个误差输入端, 信号x (n) 将和主信号s (n) 不同。当滤波器输出y (n) 逼近于参考输入d (n) =s (n) 时, 自适应滤波器的最佳权矢量w0可由式:H (z) ·w0=1, 他蕴含着主信号, 利用自适应滤波器可从信号x (n) 中提取原来的主信号s (n) , 而噪声干扰被滤波器抑制了。这时自适应滤波器对主输入信号x (n) 进行逆滤波, 使其复原主信号。第三, 自适应谱估计与均衡。功率谱是随机信号分析的一个重要的统计参数, 在参量谱分析中, 常用信号模型法进行谱估计, 即以自回归模型 (AR) 、滑动平均模型 (MA) 、自回归滑动平均模型 (ARMA) 来估算随机过程的功率谱。滤波器的抽头系数受滤波器输出预测误差调节, AR功率谱峰值随时间n变化而移动, 模型系统就自适应地跟踪谱峰。计算机通信的快速发展, 要求提高数据传输系统的速率, 采用自适应均衡器来补偿信道的畸变, 以减少码间干扰所引起的误码。第四, 自适应波束形成自适应阵列处理与波束形成技术作用于长途电话中。由于终端混合装置的性能不理想会产生回波, 即讲话者在讲话后一段时间又听到了自己讲话的回波声音, 造成干扰, 这大大影响了电话通信质量。通过天线阵列构成的波束形成器是一个接收空间信号的空间域滤波系统, 衰减从其他方向来的干扰信号, 在终端装上自适应回波抵消器, 可克服长途电话中回波的影响。第五, 自适应噪声抵消与谱线增强宽带。为保证随机信号的质量, 必须滤除掉增强宽带随机信号噪声干扰。周期性干扰却具有相关自适应性, 延迟Δ选用的足够大, 以使参考输入的宽带随机信号与主输入信号x (n) 不存在相关性, 预测器输出就是自适应滤波器输出端, 他的幅频响应将出现窄峰, 大大提高了信噪比, 因而自适应输出中的周期性干扰被其大大削弱或消除, 误差输出将为宽带随机信号。

3 自适应均衡技术在散射信道中的作用

3.1 散射通信系统由自适应均衡技术构成

在实际应用中, 总是将线性均衡器应用于各分集支路, 将分集接收与线性均衡结合使用, 才能获得较好的抗符号间干扰的效果。反馈均衡器的作用是消除过去的符号对当前符号的干扰, 判决反馈均衡器比线性均衡器使用得更为广泛。实际应用中判决反馈均衡器中的前向线性均衡器用来减小尚未做出判决的符号对当前符号的干扰, 自适应前向滤波器是一个在70MHz上工作的三抽头多通道横截滤波器, 其抽头间隔是传输符号间隔的一半。美国的兆比特数字对流层散射通信设备采用了自适应判决反馈均衡器, 在99%功率带宽为10M比和巧M凡时的传信速率分别达到6.3Mb/s和12.6Mb/s。该设备的功能是分集合并、消除符号间干扰。横截滤波器的加权用中频信号与判决指向误差信号的相关来调整。反相滤波器是一个有5个抽头的横截滤波器, 其抽头间隔等于传输符号间隔。基带变换将70MHz的QPSK中频信号与70MHz的相干载波信号混频, 完成正交下变频, 其输出分别为同相和正交通道, 然后分别进行积分和判决, 具有极好的抗符号间干扰的性能, 并能很好地消除多卜勒频移的影响。

3.2 自适应均衡器在散射信道中功能实现

自适应均衡器位于解调器中, 是一种在传信率为8Mb/的大容量散射通信, 由一个6抽头前向均衡器和一个4抽头反馈均衡器来完成。自适应反馈均衡器的抽头间隔均为1个符号T间隔, 使得反馈均衡器可以消除前一符号对当前符号的干扰, 可以处理的2/T扩散高达3.0。反馈均衡器的总抽头个数为4, 因此其跨距为4个符号, 前向均衡器为6抽头滤波器, 各抽头之间隔为半个传输符号T/2, 从而使其总跨距为3个符号长度。应用该均衡器的散射通信系统具有很好的抗符号间干扰的能力, 在2口/T落3时, 可完全消除符号间干扰。

4 自适应技术在短波信道均衡中的应用

4.1 均衡器分数间隔和判决反馈功能应用

均衡器用码元间隔T进行采样, 作为同步均衡器性能的改进, 其速率不能补偿信道的固有失真, 只能补偿接收信号的频率混叠。分数间隔均衡器对输入信号以 (1+β) /T速率进行采样, β称为滚降因子。其设计方法是强制均衡器权值满足一定线性条件, 由此把问题转化为极小化分段线性凸函数, 再求解, 既能很好地避免ISI的出现, 还具有恢复载波相位的功能。判决反馈均衡器一般的DFE由两个滤波器组成, 原理相当于在线性均衡器后面加了一个反馈滤波器。DFE计算复杂度相对MLSE较低, 可以避免线性均衡器的噪声增强作用, 在短波通信中得到了较为广泛的应用。在特性不随时间显著变化的信道上, 可以将DFE的反馈滤波器置于发送机中, 而前馈滤波器置于接收机中, 可以完全消除反馈滤波器由于不正确判决引起的差错传播问题。在发送前对信息进行预编码, 避免发送机中的信号在消除码间串扰影响, 以改进DFE自适应均衡的性能。设计把一般的非线性信道均衡器与一个适用于线性信道的DFE相结合方案, 组成一个均衡系统提升均衡效果。

4.2 自适应均衡技术在短波的算法

自适应技术均衡技术在短波通信中应用算法很多种, 以下主要是介绍常用的两种, 分别是LMS类算法和RLS类算法。LMS算法本质上是一种最速下降法, 在叙述自适应滤波基本原理的文章中首先提出。它具有运算量小、简单、易于实现等优点, 把训练序列选取为一个周期的伪随机序列, 梯度在序列长度上取平均, 均衡器再按每个周期做一次调整, 将梯度向量在几次迭代周期上平均或过滤, 其执行平均运算后能够减少梯度向量估计值中的噪声, 这种方式称为循环均衡。许多学者在加速LMS算法收敛性的方法上做了大量研究工作, 如以加权矩阵来代替步长;开始选用一个大步长, 然后步长随着抽头系数收敛到最佳而减小;变步长方法, 避免因与步长不协调造成的最大梯度方向失效, 达到加快LMS算法的收敛速度的目的等。对于LMS算法来说, 要满足这个稳定特性, 给出一种改进NLMS算法, 其收敛速度要优于普通LMS和NLMS, 并对横向FIR滤波器做了验证, 其步长必须满足一定的条件, 解决LMS算法收敛速度与精度之间的矛盾。RLS类算法计算简单, 但收敛速度缓慢。许多研究者选择了最小二乘原理作为出发点, 设计包含附加参数的更复杂的算法, 建立了更完善利用输入信息的处理优化准则及相应的算法, 得到更快的收敛速度。Godard在Kalman滤波理论上推导出递归最小平方算法RLS (Recursive Least squares) , 又称Kalman算法, 可用于时变散射信道的快速收敛。Falconer和Liung在专题研究自适应均衡问题时, 采用Given旋转可以得到脉动 (systolic) 列阵的并行实现形式, 这种改进后算法更易实现、且能够较大地降低运算量。RLS估计中一类重要的平方根算法称为QR-RLS算法, 其基于矩阵的QR分解。在数值上是稳定的, 同时能降低运算量;仿真结果指出, 在快速衰减短波信道上, 改进算法仍有较好的误码性能。

5 结束语

自适应均衡技术是数字通信发展的必然结果, 是为了解决发展中遇到的问题而出现的一种技术, 可以有效地补偿无线信道中由于多径效应而产生的码间干扰, 结构的选取会影响到处理的计算复杂度以及对达到期望性能指标所需的迭代次数产生影响。大容量对流层散射通信最主要的特点就是接收信号中出现严重的符号间干扰。将自适应均衡技术, 特别是判决反馈均衡技术应用于通信设备可以有效地消除符号间干扰对系统性能检测的影响, 此项技术的应用已趋于成熟。FIR滤波器通常利用非递归结构来实现, 可编程逻辑器件的集成度已达到了惊人的程度, 并且还在飞速发展, 随之而来的是数字信号处理技术的飞跃发展。目前应用最广泛的自适应FIR滤波器结构是横向滤波器, 也称为抽头延迟线, 它利用正规直接形式实现全零点传输函数, 而不采用反馈节点, 为自适应均衡技术在通信中的应用提供了极为有利的条件, 大大降低了其复杂程度。

摘要：在传统的无线数字通信系统中, 包含了许多用于克服最差条件的开销。进入21世纪以来, 无线通信技术正以前所未有的速度向前发展, 未来移动多媒体传输对频谱高效通信方式的需求不断增加, 自适应技术再度成为研究的热点与主流。阐述了自适应均衡技术理论, 在此基础上对自适应均衡技术在信号处理、散射信道、短波信道中的作用进行了探索, 为自适应均衡技术在通信中进一步推广提供参考。

关键词：自适应均衡技术,通信,作用

参考文献

[1]马昕昱, 安建平.一种基于MMSE的低复杂度自适应均衡算法[J].无线电通信技术, 2005 (3) .

[2]向倩, 孙洪, 茹国宝, 等.一种短波信道自适应均衡算法的研究[J].电波科学学报, 2005 (2) .

[3]黄剑, 厉成.短波通信中的自适应均衡技术研究[J].计算机与网络, 2007 (14) .

[4]韩俊峰, 段田东, 陈欣.基于短波突发信号的自适应均衡技术研究[J].通信技术, 2008 (12) .

[5]杨俊敏.移动通信信道的自适应均衡算法[J].重庆邮电学院学报 (自然科学版) , 2006 (S1) .

[6]侯鹏, 舒勤, 李成.LMS算法自适应均衡性能分析[J].通信技术, 2009 (11) .

[7]王玲, 韩红玲.基于LMS及RLS的自适应均衡算法仿真分析[J].信息技术, 2008 (2) .

快速自适应均衡 篇5

无线通信系统的性能主要受到无线信道特性的制约。发射机与接收机之间的传播路径非常复杂,从简单的视距传播,到遭遇各种复杂的地物,如建筑物、山脉和树叶等对电波的影响。无线信道不像有线信道那样固定并可预见,而是具有极度的随机性,特别难以分析。

大容量微波通信所占用的频带较宽,经过多径信道传输后,各频率分量在空间的衰减程度上有很大差异,易造成合成信号幅度和相位的大幅度失真,从而产生频率选择性衰落,造成严重的符号间干扰,导致误码性能急剧变坏,给通信系统的性能造成了严重的恶化,可能导致传播瞬时中断。为了对抗频率选择性衰落,需要有一整套抗衰落技术,主要包括分集接收、自适应均衡器、信道交织和纠错编码。在微波通信中,不能仅仅使用一种抗衰落措施,而应同时结合使用多种抗衰落措施。对调制解调器而言,能够采取的抗衰落措施主要是自适应均衡器。

1 二径模型简述

在微波通信系统中,信号的传输主要是利用微波的视距传输。和短波通信、对流层散射通信相比,视距微波通信具有传播稳定、外界干扰较小等优点,但是,它也会受到大气及地面的影响,产生衰落与传播失真。一般用于描述视距传播中的多径衰落现象的是Rummler提出的二径模型,多径衰落的归一化信道传输函数可以写成

H(ω)=A(1-ρe-jωτ), (1)

式中,A为传输损耗,为反射波与直射波的振幅比,τ为反射波和直射波的传播时延差。若用A(ω)表示信道的频率响应可以得到下式:

$A(\omega )=|{\rm H}(\omega )|=A[1+\rho {}^2-2\rho \cos (\omega {\rm T})]{}^{[JX-*2]\frac{1}{2}[JX*2]}‚$

由信道的频率响应可知,当cos(ωΤ)=-1时,A(ω)取最大值,称为上衰落点。当cos(ωΤ)=1时,A(ω)取最小值。

对于二径模型而言,假定发射端天线高度为ht,接收端天线高度为hr,收发两端距离为d,并且假定d远远大于ht+hr,通过几何学知识和泰勒级数可以得到反射波和直射波的路径差为:

$\text{Δ}\approx \frac{2h{}_{t}h{}_r}{d}$, (2)

一旦知道了路径差就可得到传播时延差为:

$\tau =\frac{\text{Δ}}{c}=\frac{2h{}_{t}h{}_r}{dc}$。 (3)

通过上式可以根据收发两端的距离和天线的高度预测出传播时延差,从而为均衡器的设计提供工程依据。

在微波通信链路中,发射机和接收机之间的传播路径比较复杂。发送信号一般可以通过多条路径到达接收机,这主要是存在地面反射和大气散射。地面反射会引起接收信号的衰减、相移以及时延;大气散射是由大气折射率的变化引起的,它与湿度、温度和气压等天气条件密切相关,因而是(慢)时变的。另外,还有其他一些障碍物也会引起反射,例如市区的大楼、汽车等。所有这些因素使得信号到达接收机时,具有不同的衰减、相移和时延,从而产生了频率选择性衰落信道。由于信道是时变的,所以补偿措施应该能是自适应的跟踪并补偿信道失真。

2 自适应均衡器的原理与设计

自适应均衡器主要分为时域均衡和频域均衡2类。时域自适应均衡器其结构多采用判决反馈均衡器(DFE)。DFE包括2部分:前向均衡器采用其加权系数自适应于信道状态的抽头延迟线滤波器实现,使多径时延展宽的宽度减小,从而消除码间干扰对检测的影响;反向均衡器用另一个自适应抽头延迟线滤波器实现,利用相加器输出的取样值,反馈回来消除过去判决的码间干扰。除了克服多径引起的码间干扰外,自适应均衡器将每一多径分量中所需要的信号能量进行相位校正和合并,使信噪比得到改善。频域均衡充分结合了基于FFT的频域均衡技术与基于最小均方误差准则(MMSE)的时域均衡技术的特点,首先采用FFT运算将接收信号变换到频域,然后再采用传统RLS(递归最小二乘)或LMS(最小均方)算法进行均衡,最后再变换到时域,从而使其运算复杂度与时域均衡技术相比有了较大的降低。时域自适应均衡的处理方式多用于小多径时延(2σ/T<3)带来的码间干扰,频域均衡适用于多径时延较大的场合。

时域自适应均衡器的设计主要包括2部分:一部分是均衡器的结构,另一部分是自适应算法。如上所述,比较常用的3种结构为线性均衡器、判决反馈均衡器和最大似然序列估计接收机。最大似然序列估计接收机虽然抗干扰性能好,但由于其结构较为复杂,因此并不适用。线性均衡器只是利用横向滤波器来减轻所有的符号间干扰,而判决反馈均衡器不但利用前馈滤波器来减轻将来的数据序列所造成的干扰,而且利用反馈滤波器来消除过去数据的符号间干扰。判决反馈均衡器结构对于信道存在深度频谱衰落的情况具有较好的均衡效果,而其性能优于线性均衡器接近于性能最优复杂度相当高的MLSE接收机。因此,综上所述,本自适应均衡器采用了判决反馈均衡器结构。

目前主要的自适应算法主要有最小均方误差算法(LMS)、卡尔曼算法、快速卡尔曼算法以及平方根卡尔曼算法等。评价自适应均衡算法的优劣,有3方面:① 起始收敛速度;② 跟踪时变信道的能力;③ 运算的复杂度。由于微波信道的时变速率比信息传输速率要慢得多,采用各种自适应算法的自适应均衡器都能够及时收敛并跟踪信道的响应,因此,本自适应均衡器所采用的算法主要考虑的是该算法运算量的大小。LMS算法的运算量要远小于其他自适应算法,而且基本上不需要有关统计特性的先验知识,经过一段时间就能够达到实际应用情况下的最小均方误差解,进而能连续不断地调节,保持系统的最佳性能。LMS算法的优势在于它的简易性和有效性,实际实现LMS算法时不需要求平方、平均或者微分计算,其每次权矢量更新需要2N(N为均衡器抽头数目)次乘法。综上所述,本自适应均衡器选用LMS算法作为自适应准则。

由于系统采用QPSK调制方式,信道衰落将不仅引起同路间的码间串扰,还会引起异路间的正交串扰,因此均衡器也必须采用二维的正交结构。由于结构对称的均衡器各系数间有相关性,只有二维自由度,所以对称结构的均衡器不能消除基带上的非对称失真,有较大局限性。在实际应用中总是将4个均衡器设计成独立的,这种非对称结构的均衡器能有效地抵消基带上的非对称失真。图1为非对称结构的判决反馈均衡器的示意图,各个系数的自适应更新算法见式(4)。

C${}_i^{k+1}$=C${}_i^k$+α×e×W*k-i, (4)

式中,α为步进因子,e为判决误差。

3性能测试

调制解调器主要参数:

① 调制方式 QPSK;

② 信息速率 40 Mbps;

③ 滚降因子 0.5;

④ 解调方式 相干解调;

⑤ 中心频率 140 MHz;

⑥ 信道模拟参数 两径模型加高斯白噪声。

图2为自适应均衡器抗多径测试框图。误码仪将码字和时钟送给调制器,在调制器中经过成形、放大以及混频等处理后输出中频调制信号,经过噪声源和高斯白噪声相加,由于噪声源为宽带信号,所以将混合后的中频信号经过带通滤波器将高斯白噪声限定在一定的带宽内。通过分路器后滤波后的中频信号被分为2路,一路信号直接通过中频线缆2送给合路器,另外一路信号通过可变衰减器和中频线缆1后送给合路器。合路器将分路器送来的2路中频信号合而为一后送给解调器进行解调,解调的码字以及时钟送给误码仪进行误码统计,同时在解调器的输入端接上频谱仪等仪器观测整个信道的频率响应以及估计信噪比。

通过改变可变衰减器的衰减值和中频线缆1、2的长度可以得到图3所示的4种信道。表1给出了4种二径信道的特性,其差别是2根径能量的比以及相对的时延差,图3给出了4种信道的频率响应。从表1和图3中可以看到,由于多径造成的凹坑位于信号带宽内的不同位置并且凹坑的深度也各不相同,所以可以用这4种信道来代表真正的微波信道,用以检验自适应均衡器性能。

均衡前后的误码性能如图4所示,在信道A中没有采用均衡器时,系统的误码率为3×10-1并且与输入的信噪比无关,采用了自适应均衡后系统的误码性能得到了显著的改善,在误码率为1×10-6时的性能比无失真信道下的性能损失了5.1 dB;在信道B中没有采用均衡器时的误码率一直为3×10-2,采用了自适应均衡器后的误码性能有了明显的改善,在误码率为1×10-6时系统的性能比无失真信道下的性能损失了4.5 dB;在信道C中,没有采用自适应均衡时误码率一直为1×10-1,均衡后在误码率为1×10-6时系统的性能比无失真信道下的性能损失了1.3 dB;在信道D中,均衡前误码率一直为4×10-2,均衡后在误码率为1×10-6时系统的性能比无失真信道下的性能损失了0.5 dB。

通过图4所示的均衡前后系统误码性能可以得到以下2点结论:第一,没有采用自适应均衡器时系统存在不可减误码,均衡后消除了不可减误码。经过多径信道传输后造成了严重的符号间干扰,导致误码性能急剧变坏,误码率一直为10-1、10-2量级,在这种情况下采用纠错编码也无法达到可使用的程度,采用自适应均衡后补偿了由于多径造成的频率失真,消除了不可减误码,误码率随着输入信噪比的增高而降低;第二,均衡器没有达到理想值造成了系统性能损失,但在微波通信中能够容忍这些性能损失。采用判决反馈均衡器及相应算法,算法比较简单易实现,但均衡后的误差与信道失真状态有一定关系,最多的性能损失为5.1 dB,最少的性能损失为0.5 dB。

4结束语

本文主要研究了自适应均衡技术抗频率选择性衰落的性能,同时也给出了自适应均衡器设计中需要注意的地方。对于大容量微波通信系统来讲,信道已不单单是高斯白噪声信道,必须考虑到由于多径造成的频率选择性衰落,这就需要采取一系列的措施来抗多径造成的频率选择性衰落,自适应均衡器就是得到广泛应用的一种抗多径手段。综合考虑线性均衡器和判决反馈均衡器的优缺点,采用了判决反馈均衡器。在4种频率选择性信道下对判决反馈均衡器的抗多径性能进行了详细的测试,通过测试结果可以看到:采用判决反馈结构、最小均方误差算法的全数字时域自适应均衡技术的调制解调器,具有抑制深衰落、消除符号间干扰、提高误码性能等优点。目前,该自适应均衡器已成功用于工程中,且工作稳定、性能优良。

参考文献

[1]PROAKIS J G.数字通信(第3版)[M].北京:电子工业出版社,2001.

[2]姚彦.数字微波中继通信工程[M].北京:人民邮电出版社,1994.

[3]郭梯云,杨家玮,李建东.数字移动通信(修订本)[M].北京:人民邮电出版社,2001.

快速自适应均衡 篇6

ARM作为嵌入式的主流核心架构,具有高速度、高精度和智能化等优点,逐渐取代了单片机技术,占据了绝大部分市场。在工业控制、移动设备、智能仪表、信息家电和网络通信等领域有广泛的应用[6,7,8,9]。

本文利用ARM的高速度、高精度和低功耗优点,采用μC/OS-Ⅱ系统,构建了基于ARM7的自适应均衡器。

1 系统设计

自适应均衡器系统框图如图1所示。

1.1 系统功能

采集的模拟数据经调理后,通过多路选择开关进行A/D转换,进入主处理器。在主处理器调用LMS算法对采集的数据进行自适应均衡,处理后的数据通过LCD模块显示。系统自带键盘,可以方便现场调试和算法参数调整。同时系统通过RS-232接口与上位机进行通信。

1.2 ARM微处理器

本系统采用Philips公司生产的LPC2131微处理器,它是基于一个支持实施仿真和跟踪的16/32位ARM7TD-MI-S CPU的微处理器,具有高性能和低功耗的特性。

该处理器结构主要包括8 KB的片内RAM,多个串行接口,1个8位A/D转换器,2个32位定时器。处理器可通过外部存储器接口进行扩展。这些功能结构使LPC2131特别适用于工业控制和医疗系统。

1.3 人机交互接口

控制器具有一个LCD接口,用于实时显示采集的数据和经过自适应均衡后的数据,以方便工作人员现场调试和观察设备运行。该接口可以支持图形液晶。本系统采用128×64模组STN点阵图形液晶模块[10]。该模块由列驱动器HD61202和行驱动器HD61203组成,可直接与8位CPU相接。两个控制器原理基本相同,可以简化显示模块的设计。

2 算法原理

线性均衡器结构如图2所示。其中滤波器可以采用FIR或IIR结构。由于IIR滤波器存在不稳定性问题,因此采用FIR滤波器,其结构如图3所示。

工作原理为:发方首先发送一训练序列,收方收到经信道已失真的序列,再经滤波器得到{I軇k},以此序列与训练序列相减得到误差εk,将误差输入自适应算法模块,根据算法不断调整滤波器系数,直到误差接近最小或达到允许误差范围内,此时均衡器能够使前后序列误差最小,从而进入锁定状态。此后就不再需要训练序列,这样均衡器就能够实现对信道码间串扰的补偿或抑制功能。目前最常用的自适应算法是最小均方误差算法,即LMS算法。它是一种易于实现、性能稳健、应用广泛的算法。依据原理框图和均方误差原则,可以得到LMS算法如下:设滤波器的输入为x(n),理想输出为d(n),实际输出为y(n),滤波器系数为ωi(n),(i=0,1,…,M-1),则:

其中μ为收敛因子。

3 软件设计

在软件设计中采用了抢占式实时多任务μC/OS-Ⅱ操作系统。此操作系统内核具有简洁、稳定、实时性强等优点,可以简化应用系统设计,使整个系统结构简洁,应用程序易于维护。

3.1 初始化函数

完成系统硬件和软件初始化工作。其中硬件初始化工作包括中断、键盘和显示初始化,为系统正常工作做好准备;软件初始化主要创建一个任务,完成时钟、中断和通信模块的启动。

3.2 系统任务

本系统根据任务的重要性,分为4个不同的优先级任务:系统监控、AD采样、键盘输入、LCD显示。其功能如图4所示。

3.3 算法流程

为实现软件的以上功能,利用C语言在ADS集成环境中编程实现基于LMS算法的自适应均衡器算法。其算法流程如图5所示。

4 试验结果

为验证系统的有效性和可靠性,进行了算法验证。首先采集500个数据并保存,然后进行LMS自适应均衡,得到如图6所示的结果。图中上半部分为带噪声的原始输入信号波形,下半部分为均衡后的输出信号波形。从图中可以看出,该算法均衡效果良好,达到了设计要求。

本系统以ARM7为平台,设计了基于LMS算法的自适应均衡器,消除了无线通信中的码间干扰问题。系统体积小、功耗低、便携性强。通过实验验证了系统的可靠性和有效性,具有一定的实用价值。

参考文献

[1]孙永梅,李晖.数字通信系统中自适应均衡技术的研究[J].信息技术,2006(4):53-59.

[2]冯思泉,邵玉斌,曹水仁.自适应均衡对码间干扰的消除及其MATLAB仿真分析[J].重庆工学院学报,2006,20(11):103-105.

[3]罗伟栋,肖光华,方勇.基于LabVIEW的LMS自适应滤波器的设计及其应用[J].上海大学学报(自然科学版),2007,13(4):456-460.

[4]马丽,廖梦怡.基于RLS算法的自适应均衡性能研究[J].微计算机信息,2008,24(3):274-275.

[5]王玲,韩红玲.基于LMS及RLS的自适应均衡算法仿真分析[J].信息技术,2008(2):124-126.

[6]王勇,张浩,彭道刚,等.ARM平台在多功能数据采集系统中的设计与实现[J].自动化仪表,2010,31(1):13-16.

[7]张华,吴欣,王大星.基于ARM7的SD卡读写控制在数据采集系统中的应用[J].电子技术应用,2009(7):38-41.

[8]张芳,许学忠,梁建斌,等.基于ARM的嵌入式直升机目标识别系统[J].电子技术应用,2009(4):31-32.

[9]孟祥贵,苏剑彬,潘孟青,等.基于ARM9的便携式内窥镜系统设计与实现[J].电子技术应用,2008(10):42-44.

快速自适应均衡 篇7

关键词：卫星信道,因子图,迭代均衡,自适应均衡,最小均方误差

1 引言

随着卫星通信的发展,高阶调制和高码率越来越多地被应用在系统设计中,而卫星转发器中滤波器的线性失真特性(包括群时延特性和幅频特性)会对高阶调制的信号性能产生严重恶化。因此必须在接收端采用均衡技术,以降低失真影响,提高卫星通信系统的吞吐率。

均衡器当中的线性均衡器因其简单而被广泛应用,均衡器阶数(抽头个数,L)可以与信道多径数(J)相当,运算复杂度与系统所采用的调制方式(M)无关,仅为O(L),但是线性均衡器并不能完全消除码间干扰,只能降低码间干扰的影响。迭代均衡器主要包括将译码结构与均衡技术相结合的Turbo均衡器、基于因子图的置信度传播(BP,Belief Propagation)均衡器和基于MMSE原则的线性均衡器。Turbo均衡算法是基于状态转移模型的一种最大后验概率(MAP,Maximum A Posteriori)检测法;而基于因子图模型的BP迭代均衡算法,因线性失真信道形成的因子图中存在大量长为4的环,会恶化均衡器的性能,是一种次优检测算法。假设高阶调制中,星座点个数为Ω=2M,符号个数为Ns,则Turbo均衡器与BP均衡器的运算复杂度为O(Ns×ΩL),与均衡器的阶数呈指数关系。虽然BP均衡器与Turbo均衡器的复杂度相同,但是BP均衡器采用的和积算法(SPA,Sum-Product Algorithm)和最小和算法(MSA,Min-Sum Algorithm)的运算量要小很多,在实际应用中具有很大的优势。本文将线性均衡器与BP迭代均衡器结合,得到混合式迭代均衡算法(HIE,Hybrid Iterative Equalization)。利用复杂度较低的线性均衡器消除大量幅度较小的码间干扰,用性能较好的迭代均衡器消除少量幅度较大的码间干扰。

2系统模型

本节介绍卫星通信线性失真系统模型和其对应的因子图表示。在卫星通信中,二进制信息比特序列B经过LDPC编码器后变为分组码LDPC码C,本文采用Wi MAX标准中的LDPC码进行仿真说明。码字C经过星座映射变为符号序列S,每个符号用M比特表示,共有Ω=2M种取值。

符号序列S经过卫星信道中的滤波器和行波管放大器后,进入加性高斯白噪声信道(AWGN),其中滤波器特性包含发送端的成型滤波特性、转发器的滤波特性等。接收机收到的信号yn为:

下面根据典型卫星信道的线性失真,研究其冲击响应特性。假设群时延的最大时延为Td,则线性群时延(A)和抛物线群时延(B)特性对应的滤波器频域函数的相位值为下式。

通过实际测试可知,线性失真导致的多径中,除了主径外,其它多径(副径)的幅度都较小(<0.2),但是副径的数目较多(>10)。图1描述了系统的因子图表示,其中变量节点包括接收到的观察节点(Y)、符号节点(S)、以及组成符号的比特节点(B);函数节点包括均衡函数节点(Eq,Equalization)、星座映射节点(M,Mapping)和校验函数节点(C,Check)。

3迭代接收算法

本节将在介绍函数节点的基础上,根据和积算法引入迭代均衡、迭代调制和迭代均衡。

在图1的因子图中,均衡节点(Eq)对应的方程为:

上式中p(Y|S)表示接收序列对于发送的可能序列的似然函数。根据和积算法:

(1)符号节点s传播到函数节点Eq的外信息:

其中~{Sk}表示序列S中除第k个符号确定已知外,其它符号遍历其所有Ω=8状态的序列集合,集合的序列数量为ΩNs-1。

(3)映射函数节点M传递给符号节点s的外信息为:

(4)符号节点s传递给函数节点M的外信息为:

上式中N(sk)表示与符号节点sk相连接的均衡节点集合。

(5)变量节点b传递给映射函数节点M的外信息为:

(6)映射函数节点M传递给比特节点b的外信息为:

最后LDPC译码器根据校验关系更新比特节点的后验概率信息,至此完成整个接收过程。

4 仿真结果

假设卫星信道B为抛物线群时延,其中最大延时Td=Rs。图2显示了在该信道条件下不同均衡方式的误码性能,其中映射方式都为8PSK,线性均衡器的阶数为11,迭代均衡器的阶数为4。图2中LDPC码的码长为960,码率为5/6。可以看出,在误码率1E-5时,本文提出的HIE算法性能比LMS算法优0.5d B,与AWGN信道下的信噪比仅差0.2d B,有效地提高了均衡器的性能。而迭代均衡器因其阶数有限,均衡性能较差。

5 结论

本文首先分析了卫星信道的模型和线性失真冲击响应特性,即主径幅度大,其它多径数量多且幅度小。然后引入了基于因子图的迭代接收算法,包括迭代均衡算法和迭代调制算法。本文的创新点在于基于卫星信道线性失真特性,提出横向线性均衡器与迭代均衡器相结合的混合式均衡算法。该算法有效地利用了线性均衡器的抽头个数不受限但简单的特点和迭代均衡器抽头数受限但准确的特点,得到一种结构简单且性能良好的均衡器。仿真结果表明在典型群时延信道和8PSK映射方式下,HIE要优于最小均方误差(LMS)线性均衡器0.5d B。为了进一步提高混合均衡器的性能,将在之后工作中联合优化线性均衡器与迭代均衡器的系数。

参考文献

[1]Proakis J G,Salehi M.Digital Communications(Fifth Edition).Americas,New York:Mc Graw-Hill Companies,Inc,2008.691-696.

[2]Kschischang F R,Frey B J,Loeliger HA.Factor Graphs and the Sum-Product Algorithm.IEEE Transactions on Information Theory,2001,47(02):498-519.

[3]Wymeersch H.Iterative Receiver Design.New York:Cambridge university press,2007.