CN101022433A - 高速数字接收机并行自适应盲均衡方法 - Google Patents

Abstract

本发明属于数字通信技术领域，其特征在于利用第k次迭代计算的误差向量e_k，即利用[y₁ ^(k)(R₂－|y₁ ^(k)|²)，…，y_L ^(k)(R₂－|y_L ^(k)|²)]^T来更新均衡器抽头权系数，并根据最小均方误差准则对输入串行数据进行L路并行自适应盲均衡处理。其中L为并行路数；y₁ ^(k)，…，y_L ^(k)分别为第k个均衡器输出向量的第1，…，L个分量；R₂为一个正实数，定义为：R₂＝E(|a_n|⁴)/E(|a_n|²)，其中E(·)为数学期望函数，a_n为通信系统发射端发送的第n个数据。该方法可应用于在高速数字通信中多径、群时延等衰落信道条件下的并行盲均衡，并可在一定程度上克服硬件实现的速度限制，适用于不需要训练序列的保密通信、单点对多点的广播通信等场合。

Description

高速数字接收机并行自适应盲均衡方法

技术领域

本发明涉及一种高速数字接收机的并行自适应盲均衡方法，属于数字通信技术领域。

背景技术

在数字通信领域中衰落信道条件下接收信号需要考虑信道畸变造成的码间干扰问题，而解决这一问题需要采用均衡，即从所收到的信号中可靠地恢复符号流的方法。在这种方法中，均衡处理一般是自适应的，即需要均衡的符号流输入到这样的系统。这些系统自动调整均衡器的传递函数使其适配于信道条件，来恢复该符号流的星座点。在很多环境下，自适应均衡处理至少以两种阶段或操作模式进行：(a)初始捕获阶段和(b)跟踪阶段。在均衡器启动时执行的初始捕获阶段，这里的算法可以是基于训练序列的(使用训练序列作为基准)，也可以是盲的(不使用训练序列)。在初始阶段，均衡器试图可靠地初始收敛其输出符号流于该符号星座点的某个邻域内。在符号初始收敛之后，均衡处理进入跟踪阶段，以便将符号继续保持在符号星座点的某个邻域内。

目前，公知的数字接收机的自适应均衡方法主要有基于最小均方误差的有数据辅助自适应均衡方法和利用信号自身统计特性的无数据辅助自适应盲均衡方法。同时，自适应均衡的实现还受制于FPGA硬件速度的限制，在高速情况下需要采用并行实现方法。其中，采用数据辅助的自适应均衡方法已经有并行的实用方法，如块最小均方(BLMS，Block Least Mean Square)方法，参见Gregory A.Clark，Sanjit K.Mitra，Sydney R.Parker，“Block implementation of adaptive digital filters”，IEEE Trans.on Acoustic，Speech and SignalProcessing，vol.ASSP-29，June 1981：744-752。但采用数据辅助的自适应均衡方法具有以下弱点：使用训练序列易被截获不利于保密通信，且训练序列占用了一部分传输带宽，不适用于单点对多点通信的广播通信等情况。所以也有人提出自适应盲均衡方法，如常模方法(CMA，Constant Modulus Algorithm)，参见C.Richard Johnson et al，“Blind equalizaionusing the constant modulus criterion：a review”，Proc.IEEE，vol.86，Oct.1998：1927-1950。但自适应盲均衡方法由于其算法的复杂性，目前尚未见实用的并行实现方法。

发明内容

本发明针对上述问题提供一种并行的自适应盲均衡方法。它能在无训练序列辅助的情况下，利用信号自身的统计特性，自适应地调整均衡器的抽头系数，实现对输入的信号的并行盲均衡处理。通过均衡后，系统可以输出残余码间干扰非常小的信号，提高了接收信号的误码性能。而且并行的方式还可以克服因硬件速度限制而不能实现高速均衡的问题。

本发明的特征在于，它含有：

一个并行有限冲击响应(FIR，Finite-Impulse Response)滤波器，它主要是对输入数据进行并行滤波的滤波器。如设L为自然数，为并行FIR滤波器每次并行滤波处理的信号数量，则可以设该并行FIR滤波器的L个滤波器系数，即均衡器的权系数，为{w₁，W₂，…，w_L}。在滤波过程中，它先将均衡器的输入中同相(I)，正交(Q)两路信号序列分别作为实部序列与虚部序列，构成一个复信号数据序列{…，x_(k-1)L+1，x_(k-1)L+2，…，x_kL+L，…}。再通过以下所述规则，利用串并变换及单位延迟操作将串行输入数据转换成一个2L-1路并行输入数据序列。相应的数据输入规则如下：2L-1路输入数据采用单位延迟的方式输入，即第k次并行输入L路共L个数据{x_kL-L+1，x_kL-L+2，…，x_kL}，并由单位延迟处理，等待下一次，即第k+1次新输入的L个新数据{x_(k+1)L-L+1，x_(k+1)L-L+2，…，x_(k+1)L}，以共同形成并行的2L-1路输入数据{x_kL-L+1，x_kL-L+2，…，x_kL+L-1}。其中k为自然数，表示为第k次均衡处理；该连续的数据序列{x_kL-L+1，x_kL-L+2，…，x_kL+L-1}分别表示为均衡器的第K*L-L+1，K*L-L+2，…，k*L+L-1个对应下标序号的输入数据。在构成一组2L-1路并行输入数据之后，可将该2L-1路数据输入到并行FIR滤波器，使其与滤波器系数进行相乘计算，得到滤波器输出结果：{y₁ ^(k)，y₂ ^(k)，…，y_L ^(k)}。其中k为自然数，表示为第k次均衡处理；数据序列{y₁ ^(k)，y₂ ^(k)，…，y_L ^(k)}又等同于{y_kL-L+1，y_kL-L+2，…，y_kL}，即该两个向量对应的分量是相同的。而{y_kL-L+1，y_kL-L+2，…，y_kL}为均衡器的第k*L-L+1，k*L-L+2，…，k*L个对应下标序号的输出数据。由这种方式可产生并行处理的2*L-1个数据，以构造该并行FIR滤波器所需的输入数据块矩阵。

一个并行均衡器权向量自适应调整器，它是一个均衡权向量更新的实现方法：它通过计算由并行FIR滤波器的输出数据和一个正实数之间关系的代价函数J，得到由最小均方误差准则导出的梯度下降算法来实现权向量J的更新来实现权向量的更新。最后在此基础上对该权向量的更新进行并行化扩展，实现并行权向量的自适应调整功能。该代价函数J定义为： $J=\frac{1}{4}E\left\{{\left(\right|y_n{|}^2-R_2)}^2\right\}.$ 其中n为自然数，主要表示通信系统中信号序列的序号；Y_n为并行FIR滤波器处理后的第n个输出数据，也作为均衡器的第n个输出数据；E(·)为数学期望函数；|·|为求绝对值函数，对于复数则是求模函数；R₂为一个正实数，定义为：R₂＝E(|a_n|⁴)/E(|a_n|²)。其中a_n为通信系统发射端发送的第n个数据。

该方法主要是通过处理并行FIR滤波器处理均衡器的输入信号，结合均衡器的权向量，计算得到均衡器的输出信号。其中，均衡器权向量主要通过以上权向量自适应调整器得到：通过计算代价函数J相对于权向量的梯度，并按梯度下降方式更新权向量，而使J达到最小就能得到合适的均衡器权向量。

本发明的意义在于：数字通信系统在恶劣多径信道下未经过均衡的信号出现严重的码间干扰，使接收信号的误码性能急剧恶化。而经过该均衡器均衡后的信号在很大程度上纠正了码间干扰，使接收信号的误码性能得到很大的改善。例如，在数字通信系统采用正交相移键控(QPSK)调制的情况下，由图9所示的仿真结果很好的体现了这一点。同时相对于其他传统的串行均衡方式，它所采用的并行方式可在一定程度上克服硬件实现的速度限制，适合于数字通信系统需要高速均衡的场合。

附图说明

本发明最好通过参考以下详细描述和图解本发明的附图来理解，在这些附图中；

图1图解了均衡器应用的框图；

图2图解了整个并行自适应盲均衡方法实现的框图；

图3图解了L路并行数据通过单位延时构造输入矩阵所需的2L-1个输入数据的框图；

图4图解了并行FIR滤波器的框图；

图5图解了更新均衡器权系数的框图；

图6图解了计算梯度估计向量

的框图；

图7图解了计算梯度估计向量

的第i个分量δ_i ^(k)的框图；

图8图解了由均衡器输出向量Y_k的第i个元素和一个正实数R₂计算得到误差向量的第i个分量的框图；

图9图解了正交相移键控(QPSK)数字通信系统的信号在恶劣多径信道环境下仿真的无均衡处理(曲线“

”)、有均衡处理(曲线“

”)和理想情况下仅存高斯白噪声(曲线“——”)时的误码性能曲线框图。

具体实施方式

高速数字通信在信道快速时变、难以准确跟踪并且高速传输会带来较大的信号群时延畸变的情况下，可以让均衡器的抽头系数的初始调整与训练序列无关，即，自恢复或“盲”恢复。参见J.G.Proakis，Digital Communications，4th ed.，McGraw-Hill Inc.N.Y.，2001。另外，它对每个数据符号进行操作，而且训练过程是不中断的，因此盲算法将更好的适应这种信道时变及群时延畸变较大的情况。盲均衡最常用的算法为CMA，是由D.N.Godard在D.N.Godard，”Self-Recovering Equalization and Carrier Tracking in Two-Dimensional Data CommunicationSystems”，IEEE Trans.on Communications，vol.COM-28，Nov.1980：1867-1875中提出的。该CMA方法主要是最小化所定义的非凸代价函数，并根据这一准则进行相应的迭代处理让均方误差最小来自适应的更新权系数。本并行盲均衡方法主要是对该方法进行并行化扩展，以实现并行盲均衡。

对于包括具有L路并行均衡滤波的自适应盲均衡器，它有L个单位延迟处理单元，用于产生每次运算所需的2*L-1个数据。在本发明中，每次新输入L个数据，并通过单位延迟处理等待下一次并行输入的L个数据，并取该L个数据的前L-1个数据。两者共同构成2*L-1个数据用于处理。该2*L-1个数据可排列成以下矩阵形式x_k：

${\mathrm{\χ}}_k=\left(\begin{array}{cccccc}{x}_{\mathrm{kL}-L+1}& x_{\mathrm{kL}-L+2}& .& .& .& x_{\mathrm{kL}}\\ x_{\mathrm{kL}-L+2}& x_{\mathrm{kL}-L+3}& .& .& .& x_{\mathrm{kL}+1}\\ .& .& & .& & .\\ .& .& & .& & .\\ .& .& & .& & .\\ x_{\mathrm{kL}}& x_{\mathrm{kL}+1}& .& .& .& x_{\mathrm{kL}+L-1}\end{array}\right)---\left(1\right)$

其中矩阵xk的数据分量x_kL-L+1，x_kL-L+2，…，x_kL+L-1分别为均衡器的第k*L-L+1，k*L-L+2，…，k*L+L-1个对应下标序号的输入数据。例如第1次和第2次并行输入的数据分别为{x₁，…，x_L}和{x_L+1，…，x_2L}，则构成的输入数据块矩阵如下：

$\left(\begin{array}{cccccc}{x}_1& x_2& .& .& .& x_L\\ x_2& x_3& .& .& .& x_{L+1}\\ .& .& & .& & .\\ .& .& & .& & .\\ .& .& & .& & .\\ x_L& x_{L+1}& .& .& .& x_{2L-1}\end{array}\right)$

由以上x_k的定义，则均衡器输出向量Y_k表示为：

Y_k＝[y₁ ^(k)，…，y_L ^(k)]＝x_k·W_k ^*＝x_k·[w₁，…，w_L]^H    (2)

其中k为自然数，在这里表示第k次均衡处理；y₁ ^(k)，…，y_L ^(k)分别为第k次均衡处理时均衡器输出向量Y_k的第1，…，L个分量；同时通过均衡器的输出数据的顺序关系，可以得到y₁ ^(k)，y₂ ^(k)，…，y_L ^(k)为y_kL-L+1，y_kL-L+2，…，y_kL，即y_i ^(k)为y_kL-L+1，i为自然数，i＝1，…，L，而y_kL-L+1，y_kL-l+2，…，y_kL为均衡器的第k*L-L+1，k*L-L+2，…，k*L个对应下标序号的输出数据。；W_k为第k次均衡处理时的均衡器抽头权向量系数(tap weight vectorcoefficient)：[w₁，w₂，…，w_L]^T，简称权向量系数；(·)^*为共轭函数；(·)^H为共轭转置函数。

均衡器抽头权向量系数W_k的更新按以下方式实现：

按照本发明的原理，自适应盲均衡方法借助误差信号向量更新其抽头权向量系数，该误差信号向量是：

$e_k=\left(\begin{array}{c}{e_1}^{\left(k\right)}\\ {e_2}^{\left(k\right)}\\ .\\ .\\ .\\ {e_L}^{\left(k\right)}\end{array}\right)=\left(\begin{array}{c}{y_1}^{\left(k\right)}(R_2-|{y_1}^{\left(k\right)}{|}^2)\\ {y_2}^{\left(k\right)}(R_2-|{y_2}^{\left(k\right)}{|}^2)\\ .\\ .\\ .\\ {y_L}^{\left(k\right)}(R_2-|{y_L}^{\left(k\right)}{|}^2)\end{array}\right)---\left(3\right)$

其中e_k为第k次均衡处理时的误差向量；e₁ ^(k)，…，e_L ^(k)分别为e_k的第1，…，L个分量，且为标量；y₁ ^(k)，…，y_L ^(k)分别为第k次均衡处理后，均衡器的第1，…，L个分量输出；R₂为一个正实数，也可以称为常模统计量，参见Dominique N.Godard，”Self-RecoveringEqualization and Carrier Tracking in Two-Dimensional Data Communication Systems”，IEEE Trans.on Communications，vol.COM-28，Nov.1980：1867-1875，其定义如下：

R₂＝E(|a_n|⁴)/E(|a_n|²)    (4)

E(·)为数学期望函数；|·|为求绝对值函数；对于复数则是求模函数；a_n为通信系统发射端发送的第n个数据。根据以上的误差信号向量e_k得到抽头权向量系数更新的公式为：

$W_{k+1}=W_k-{\mathrm{\μ}}_{\mathrm{BCMA}}\·{\widehat{\▿}}_k---\left(5\right)$

其中，W_k、W_k+1为第k次和第k+1次均衡处理时的均衡器权向量系数，其初始值W₁设置为：[1，0，…，0]^T；μ_BCMA为一个非常小的正实数，作为权系数更新的步长，一般取值的数量级为10^-6； 则由以下给出：

如将输入的2L-1个数据根据下标位置排列，则x_k也可以表示为：

${\mathrm{\χ}}_k=\left(\begin{array}{cccccc}{x}_{\mathrm{kL}-L+1}& x_{\mathrm{kL}-L+2}& .& .& .& x_{\mathrm{kL}}\\ x_{\mathrm{kL}-L+2}& x_{\mathrm{kL}-L+3}& .& .& .& x_{\mathrm{kL}+1}\\ .& .& & .& & .\\ .& .& & .& & .\\ .& .& & .& & .\\ x_{\mathrm{kL}}& x_{\mathrm{kL}+1}& .& .& .& x_{\mathrm{kL}+L-1}\end{array}\right)=\left(\begin{array}{cccccc}{{\mathrm{\α}}_{\mathrm{1,1}}}^{\left(k\right)}& {{\mathrm{\α}}_{\mathrm{1,2}}}^{\left(k\right)}& .& .& .& {{\mathrm{\α}}_{1,L}}^{\left(k\right)}\\ {{\mathrm{\α}}_{\mathrm{2,1}}}^{\left(k\right)}& {{\mathrm{\α}}_{\mathrm{2,2}}}^{\left(k\right)}& .& .& .& {{\mathrm{\α}}_{2,L}}^{\left(k\right)}\\ .& .& & .& & .\\ .& .& & .& & .\\ .& .& & .& & .\\ {{\mathrm{\α}}_{L,1}}^{\left(k\right)}& {{\mathrm{\α}}_{L,2}\left(k\right)}^{}& .& .& .& {{\mathrm{\α}}_{L,L}}^{\left(k\right)}\end{array}\right)---\left(6\right)$

其中矩阵x_k的数据分量x_kL-L+1，x_kL-L+2，…，x_kL+L-1分别为均衡器的第k*L-L+1，k*L-L+2，…，k*L+L-1个对应下标序号的输入数据。为了简化公式形式，可将α_i，j ^(k)表示为第k次均衡处理时矩阵x_k的第i行，第j列的元素。这样可以根据随机梯度代替准确梯度，用以下的方法得到权向量的梯度估计：根据公式(3)中的误差ε_k，运用最小均方误差准则将其平方后对权向量进行求梯度计算，得到权向量的梯度估计

为：

${\widehat{\▿}}_k=\left(\begin{array}{c}{{\mathrm{\δ}}_1}^{\left(k\right)}\\ {{\mathrm{\δ}}_2}^{\left(k\right)}\\ .\\ .\\ .\\ {{\mathrm{\δ}}_J}^{\left(k\right)}\\ .\\ .\\ .\\ {{\mathrm{\δ}}_L}^{\left(k\right)}\end{array}\right)=\left(\begin{array}{c}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,1}}^{\left(k\right)}\·(R_2-2\·|{y_i}^{\left(k\right)}{|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,2}}^{\left(k\right)}\·(R_2-2\·|{y_i}^{\left(k\right)}{|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ .\\ .\\ .\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,J}}^{\left(k\right)}\·(R_2-2\·{|y_i}^{\left(k\right)}{|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ .\\ .\\ .\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,L}}^{\left(k\right)}\·(R_2-2\·{|y_i}^{\left(k\right)}{|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\end{array}\right)---\left(7\right)$

其中，

为第k次均衡处理时的梯度估计向量；δ_j ^(k)为第k次均衡处理时梯度估计向量

的第j个分量；j为自然数，且j＝1，…，L。

以下结合附图说明，对该L路并行自适应盲均衡方法进行说明。

图1是该方法所使用的应用场合。其中n为自然数，作为数据序列的下标；a_n为通信系统发射端发送的第n个数据；h为信道滤波器的单位冲击响应系数：如另设m和M分别为自然数，m为信道滤波器的单位冲击响应系数的下标，M为信道滤波器的单位冲击响应系数的长度，则信道滤波器的单位冲击响应系数h可以表示为(h_m，m＝1，…，M)；v_n为发送数据序列中第n个数据经过信道后被附加的高斯白噪声。则该通信系统发射端发送的数据序列经过信道滤波器并附加高斯白噪声后得到均衡器的第n个输入数据x_n可表示为：

$x_n={\mathrm{\Σ}}_{l=1}^M{\mathrm{\α}}_l\×h_{n-l}+v_n,$ 其中i，n，M为自然数；∑_i＝1 ^M(·)表示对括号中的变量，按下标i＝1，…，M进行求和的函数。y_n为均衡器输入序列经过均衡器处理后得到的均衡器第n个输出数据。

图2是整个并行自适应盲均衡方法的总体实现。输入的信号数据流首先串并变换成L路并行数据。然后通过图3所示的单位延时方式，产生2L-1个公式(1)所示并行FIR滤波器输入矩阵数据所需的元素，并将其输入到并行FIR滤波器。再通过图4所示的方法，将该2L-1个输入数据与均衡器权向量进行相应的处理，实现公式(2)所示的矩阵与权向量相乘的功能，并得到均衡后的输出数据。同时通过以上实施方式中所采用的权系数更新方式(公式(5)，其图解说明见图5)，将前一次均衡后的输出数据、当前均衡器的输入数据、系统外部输入的正实数R₂和权系数更新的步长μ_BCMA进行处理，实现权向量的自适应更新。另外图2中的关键部件也可由以下图所描述：图2中的“单位延迟处理：L路数据变换为2L-1路数据”框图可以由图3描述；图2中的“L路并行FIR滤波器”框图可以由图4描述；图2中的“L路并行均衡器权向量自适应调整器”框图可以由图5描述。其他，图2中的“1：L串并变换”框图和“L：1并串变换”框图分别表示串行1路数据转换为L路并行数据的串并变换及L并行路数据转换为串行1路数据的并串变换。

图3是在该方法中，将连续2次的L路并行输入数据组成公式(1)所示的并行FIR滤波器输入矩阵2*L-1个数据元素，其中L为自然数，是并行路数；k为自然数，表示为第k次均衡处理。图中均衡器的输入数据序列{x_kL-L+1，x_kL-L+2，…，x_kL+L}分别为均衡器的第k*L-L+1，k*L-L+2，…，k*L+L个连续输入数据。该模块每次并行输入L路共L个数据{x_(k-1)L+1，，x_kL}，并结合单位延迟单元D延迟等待下一次新输入的L个新数据{x_kL+1，，x_kL+L}，由这种方式可构造公式(1)所需要的输入数据块矩阵。在图3中“1：L路串并变换”框图描述了1路数据变换到L路数据的串并转换过程；D为单位延迟处理单元：对于经过D的串行数据序列，则在下一次均衡处理时，该数据仍保持不变输出，相当于该数据序列延迟了一个处理单位时间。

图4是该方法在第k次均衡处理时，将2*L-1个输入数据x_kL-L+1，x_kL-L+2，…，x_kL+L-1与均衡器权向量W_k的各个分量w₁，w₂，…，w_L以图4的方式进行相应的处理，得到输出向量Y_k的各个分量y₁ ^(k)，…，y_L ^(k)。即实现公式(2)中的输入数据矩阵x_k与均衡器权向量W_k相乘，得到输出向量Y_k的功能。

图5是该方法实现公式(5)中的权向量系数更新。该图描述了在第k次均衡处理时，将其中已计算得到的权向量W_k减去权系数更新步长μ_BCMA与梯度估计向量

的乘积并得到新的权向量W_k+1，以实现公式(2)中权系数的更新功能。而且本次权向量计算输出结果W_k+1是作为下一次均衡处理时的输入权向量，在图中体现为本次计算所得的权向量通过并行延迟处理单元PD后，可以作为下一次均衡处理时所用到的权向量。其中，W_k、W_k+1为第k次和第k+1次均衡处理时的均衡器权向量系数；PD为并行L路单位延迟处理单元：对于经过PD的L路并行数据序列，则在下一次均衡处理时，该L路数据仍保持不变输出，相当于该L路数据序列延迟了一个处理单位时间。另外因为第1次权向量W₁之前没有其他权向量的计算，则需要设置权向量的初值，即设置W₁＝[1，0，…，0]^T。其他，该图所描述的系统在第k次均衡处理时向图4所示的并行FIR滤波器输出权向量系数W_k，并在该并行FIR滤波器计算得y₁ ^(k)，…，y_L ^(k)，作为权向量系数更新所需的输入数据输入该图所示的系统；第k次均衡处理时权向量更新所需的输入数据序列x_kL-L+1，x_kL-L+2，…，x_kL+L-1，权系数更新步长μ_BCMA和一个正实数R₂也由外部输入；梯度估计向量

的计算则由图5所描述的梯度估计向量

的计算模块实现，而该模块的具体实现可由图6来具体描述。

图6是该方法计算第k次均衡处理时的梯度估计向量

。该图主要描述了在第k次均衡处理输入数据序列x_kL-L+1，x_kL-L+2，…，x_kL+L-1和y₁ ^(k)，…，y_L ^(k)时，利用梯度估计向量

的分量计算模块，实现公式(7)的功能。其中梯度估计向量

的分量计算模块可由图7来具体描述。

图7是该方法实现公式(7)中计算第k次均衡处理时梯度估计向量

的第j个分量δ_j ^(k)的功能。其中，j为自然数，取值为1，…，L；conj(·)是求共轭函数；|·|为求绝对值函数，对于复数是求模函数。根据公式(7)可知， ${{\mathrm{\δ}}_j}^{\left(k\right)}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,j}}^{\left(k\right)}\·(R_2-2\·|{y_i}^{\left(k\right)}{|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}.$ 且由公式(6)可得α_1，j ^(k)，α_2，j ^(k)，…，α_L，j ^(k)即为x_kL-L+1，x_kL-L+i+1，…，x_kL+L-1。则δ_j ^(k)可以由图7中所描述的方法实现。其中，(e_i ^(k))^*为e_i ^(k)的共轭，而e_i ^(k)的计算可由图8来具体描述。

图8是由均衡器输出向量Y_k的一个分量y_i ^(k)和正实数R₂根据公式(3)计算得到误差向量的分量e_i ^(k)。其中图中i是自然数，其取值范围为1，…，L；正实数R₂在公式(4)中定义，但为了简化实现，一般都是根据调制方式已经在该方法实现前通过公式(4)计算完成的，在本方法中可以根据该计算结果把R₂当作一个固定的正常实数。通过L个e_i ^(k)(i＝1，…，L)的计算，可以得到公式(3)中第k次均衡处理时的误差向量e_k。

图9是为了评价所建议的并行自适应盲均衡方法，以MATLAB编程语言进行仿真。通用的仿真系统图解如图1所示，而图9显示了该方法的仿真性能结果。其中曲线“

”表示在QPSK调制方式下信号在经过恶劣多径信道及高斯白噪声(AWGN)影响下经过该均衡方法处理后的误码曲线；曲线“——”表示理论上在QPSK调制方式下信号经过只存在AWGN影响时的误码曲线；曲线“

”表示在QPSK调制方式下信号在经过恶劣多径信道及高斯白噪声(AWGN)影响下未经过该均衡方法处理的误码曲线。在该通信系统中，发送端所发送的为QPSK信号，采用随机数生成的方式产生QPSK符号，恶劣的多径信道滤波器为有限脉冲响应(FIR，Finite-Impulse Response)型滤波器，其FIR冲击响应为{0.227，0.460，0.688，0.460，0.227}，参见J.G.Proakis，Digital Communications，4th ed.，McGraw-Hill Inc.N.Y.，2001(P.630，图.10.2-5c)。仿真采用独立50次的蒙特卡罗仿真，采用4倍分数间隔上采样，在均衡后再1/4抽取的方式实现数据均衡。仿真条件如下：16000个数据样本点；32路并行；{0.227，0.460，0.688，0.460，0.227}的多径信道滤波器；附加AWGN高斯白噪声；权系数初值为32维向量[1，0，…，0]^T；μ_BCMA取为2*10^-7。根据以上条件得到图8所示的该方法的QPSK误码性能结果。仿真结果显示，在低信噪比(E_b/N₀＜7dB)情况下，该方法得到的误码曲线相距理论值不超过3dB。同时它相对于未经过该均衡方法处理后的误码曲线可获得更好的误码性能，以实现较好的抗ISI功能。

Claims (1)

1.高速数字接收机并行自适应盲均衡方法，其特征在于，该方法是在数字集成电路上依次按以下步骤实现的：

步骤(1).从均衡器第k次输入以供均衡处理的长度为2*L的数据序列{x_kL-L+1，x_kL-L+2，…，x_kL，x_kL+1，x_kL+2，…，x_kL+L-1，x_kL+L}中提取前2*L-1个数据，去除第k*L+L个数据x_kL+L的数据序列，其步骤如下：

步骤(1.1).把该数据序列{x_kL-L+1，x_kL-L+2，…，x_kL，x_kL+1，x_kL+2，…，x_kL+L-1，x_kL+L}输入到一个1∶L串/并变换电路，其中，L是一个自然数，为并行的路数；

步骤(1.2).该1∶L串/并变换电路对其中前L个数据{x_kL-L+1，x_kL-L+2，…，x_kL}分别用单位延迟开关进行延迟，并和后面输出的L-1个数据{x_kL+1，x_kL+2，…，x_kL+L-1}共同形成路数为2*L-1的并行数据序列；

步骤(1.3).把步骤(1.2)中的2L-1个并行的数据排列成以下矩阵形式：

${\mathrm{\χ}}_k=\left(\begin{array}{cccc}{x}_{\mathrm{kL}-L+1}& x_{\mathrm{kL}-L+2}& ...& x_{\mathrm{kL}}\\ x_{\mathrm{kL}-L+2}& x_{\mathrm{kL}-L+3}& ...& x_{\mathrm{kL}+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{\mathrm{kL}}& x_{\mathrm{kL}+1}& ...& x_{\mathrm{kL}+L-1}\end{array}\right)$

其中矩阵x_k的数据分量x_kL-L+1，x_kL-L+2，…，x_kL+L-1分别为均衡器的第k*L-L+1，k*L-L+2，…，k*L+L-1个对应下标序号的输入数据；

步骤(2).把步骤(1.3)中得到的输入矩阵2*L-1个数据元素输入到一个L路并行有限冲击响应滤波器，使该2*L-1个数据与L个滤波器系数即均衡器的权系数向量Wk，即w₁，w₂，…，w_L相乘，得到由所述1∶L串/并变换电路和L路并行有限冲击响应滤波器构成的均衡器输出向量 $Y_k=[{y_1}^{\left(k\right)},...,{y_L}^{\left(k\right)}]={\mathrm{\χ}}_k\·W_k^{*}={\mathrm{\χ}}_k\·{[w_1,...,w_L]}^H,$ 其中W_k ^*为权系数向量W_k的共轭函数，(·)^H为共轭转置函数；

步骤(3).把步骤(2)得到的输出向量Y_k送入一个L∶1并/串变换电路，得到均衡器的串行输出数据序列；

步骤(4).更新步骤(2)所述的权向量W_k＝[w₁，w₂，…，w_L]^T，以便进行第K+1次均衡处理，其步骤如下：

步骤(4.1).把步骤(1.3)所述的矩阵x_k改写成以下形式：

${\mathrm{\χ}}_k=\left(\begin{array}{cccc}{x}_{\mathrm{kL}-L+1}& x_{\mathrm{kL}-L+2}& ...& x_{\mathrm{kL}}\\ x_{\mathrm{kL}-L+2}& x_{\mathrm{kL}-L+3}& ...& x_{\mathrm{kL}+1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{\mathrm{kL}}& x_{\mathrm{kL}+1}& ...& x_{\mathrm{kL}+L-1}\end{array}\right)=\left(\begin{array}{cccc}{{\mathrm{\α}}_{\mathrm{1,1}}}^{\left(k\right)}& {{\mathrm{\α}}_{\mathrm{1,2}}}^{\left(k\right)}& ...& {{\mathrm{\α}}_{1,L}}^{\left(k\right)}\\ {{\mathrm{\α}}_{\mathrm{2,1}}}^{\left(k\right)}& {{\mathrm{\α}}_{\mathrm{2,2}}}^{\left(k\right)}& ...& {{\mathrm{\α}}_{2,L}}^{\left(k\right)}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {{\mathrm{\α}}_{L,1}}^{\left(k\right)}& {{\mathrm{\α}}_{L,2}}^{\left(k\right)}& ...& {{\mathrm{\α}}_{L,L}}^{\left(k\right)}\end{array}\right)$

即把α_i，j ^(k)表示为第k次均衡处理时矩阵x_k的第i行，第j列的元素；

步骤(4.2).按下式计算梯度估计向量

的各个分量{δ₁ ^(k)，，δ₂ ^(k)，…，δ_L ^(k)}：

$\widehat{{\▿}_k}=\left[\begin{array}{c}{{\mathrm{\δ}}_1}^{\left(k\right)}\\ {{\mathrm{\δ}}_2}^{\left(k\right)}\\ .\\ .\\ .\\ {{\mathrm{\δ}}_j}^{\left(k\right)}\\ .\\ .\\ .\\ {{\mathrm{\δ}}_L}^{\left(k\right)}\end{array}\right]=\left(\begin{array}{c}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,1}}^{\left(k\right)}\·(R_2-2\·{\left|{y_i}^{\left(k\right)}\right|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,2}}^{\left(k\right)}\·(R_2-2\·{\left|{y_i}^{\left(k\right)}\right|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ .\\ .\\ .\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,j}}^{\left(k\right)}\·(R_2-2\·{\left|{y_i}^{\left(k\right)}\right|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\\ .\\ .\\ .\\ \underset{i=1}{\overset{L}{\mathrm{\Σ}}}{{\mathrm{\α}}_{i,L}}^{\left(k\right)}\·(R_2-2\·{\left|{y_i}^{\left(k\right)}\right|}^2)\·{\left({e_i}^{\left(k\right)}\right)}^{*}\end{array}\right)$

其中，R₂为常模统计量，是一个正实数，其按下式计算：

R₂＝E(|a_n|⁴)/E(|a_n|²)

a_n为通信系统发射端发送的第n个数据，

E(·)为数学期望函数，

|·|为求绝对值函数，对复数是求模函数，

e_k为第k次均衡时的误差向量，e₁ ^(k)，…，e_L ^(k)分别为e_k的第1，...，L个分量，e_k由下式表示：

$e_k=\left(\begin{array}{c}{e_1}^{\left(k\right)}\\ {e_2}^{\left(k\right)}\\ .\\ .\\ .\\ {e_L}^{\left(k\right)}\end{array}\right)=\left(\begin{array}{c}{y_1}^{\left(k\right)}(R_2-|{{y_1}^{\left(k\right)}|}^2)\\ {y_2}^{\left(k\right)}(R_2-|{{y_2}^{\left(k\right)}|}^2)\\ .\\ .\\ .\\ {y_L}^{\left(k\right)}(R_2-|{{y_L}^{\left(k\right)}|}^2)\end{array}\right)$

步骤(4.3).计算梯度估计向量

与权系数更新步长μ_BCMA的乘积 其中μ_BCMA的数量级为10^-6，是一个正实数；

步骤(4.4).按下式计算均衡器第k+1次作均衡处理时的权向量更新系数W_k+1：

$W_{k+1}=W_k-{\mathrm{\μ}}_{\mathrm{BCMA}}\·\widehat{{\▿}_k}$

在k＝1时，W₁的取值为L维向量[1，0，…，0]^T；

步骤(4.5).在设定的时间延迟后，按步骤(1)～(4.4)做第k+1次的均衡处理。

Images