CN101494625A - 一种线性均衡方法及线性均衡器 - Google Patents

Abstract

本发明公开了一种线性均衡方法及线性均衡器。本发明方法包括：接收M维信号矢量，所述M为正整数；对所述M维信号矢量采用多级维纳滤器进行降维，获得并输出降维信号矢量；对所述降维信号矢量进行加权后相加并输出结果。本发明能够将接收的高维信号矢量变成低维信号矢量，从而降低均衡运算的复杂度，提高均衡运算的收敛速度。

Description

一种线性均衡方法及线性均衡器

技术领域

本发明涉及通信领域，尤其涉及一种线性均衡方法及线性均衡器。

背景技术

无线通信中，随着数据传输速率的不断提高，造成信号带宽大于信道的相干带宽，此时平坦衰落信道变成频选衰落信道。信号通过频选衰落信道后多径时延分量会造成相邻信号在时域上的重叠，称为码间干扰(ISI，Inter-Symbol Interference)，将严重影响接收机解调性能。均衡技术可以有效的消除ISI，提高系统抗码间干扰性能。

MIMO(Multiple-Input Multiple-Output，多输入多数出)系统，即在发射端和接收端同时采用多根天线进行信号发射和接收的系统，相对传统的单发单收系统，MIMO系统收发天线数的增加会加重接收端均衡器的复杂度，因此如何降低均衡算法的复杂度尤为重要。

现有技术中，采用RLS(Recursive Least Square，递归最小二乘)均衡器消除ISI。RLS采用的系统模型的冲激响应H(z^-1)具有如下形式 $H\left(z^{-1}\right)=\underset{l=0}{\overset{L}{\mathrm{\Σ}}}{H}_l{z}^{-1},$ 其中：L表示信道的时延扩展(以符合周期为单位)，L+1是信道的有效抽头数，亦包含大部分能量的抽头，L＝0对应于平坦或无码间干扰信道；{H_l}表示对应于时延l＝0，ΛL的N×M维MIMO信道矩阵；当发射信号矢量s(k)为独立同分布的M维向量，k时刻接收信号的样本可以表示如下： $y\left(k\right)=\underset{l=0}{\overset{L}{\mathrm{\Σ}}}{H}_{l}s(k-1)+n\left(k\right),$ 其中：y(k)表示N维接收信号；n(k)表示N维独立分布的高斯白噪声过程；在k＝0，Λ，N_f时刻对发射信号向量在时域扩展，得到s(k)＝[s^T(k)Λs^T(k-N_f-L)]^T；在k＝0，Λ，N_f时刻对接收信号向量在时域扩展，得到y(k)＝[y^T(k)y^T(k-1)Λy^T(k-N_f)]^T；在k＝0，Λ，N_f时刻对噪声向量在时域扩展，得到n(k)＝[n^T(k)Λn^T(k-N_f)]^T；同样对MIMO信道矩阵进行叠加，得到 $\stackrel{\‾}{H}=\left[\begin{array}{cccccc}{H}_0& \mathrm{\Λ}& H_L& 0& \mathrm{\Λ}& 0\\ 0& H_0& \mathrm{\Λ}& H_L& O& M\\ M& O& O& & & \\ 0& \mathrm{\Λ}& 0& H_0& \mathrm{\Λ}& H_L\end{array}\right]$ ，于是，矩阵形式的频率选择性MIMO系统模型为y(k)＝H(k)s(k)+n(k)。

自适应线性均衡器结构示意图可参见图1，其中w_ij为抽头数为N_f+1的横向滤波器。自适应式均衡器的工作状态由两部分组成：训练模式和跟踪模式。训练模式是指发送一组接收机已知的训练序列以便使均衡器设置初始权值。在训练序列发送完毕之后即进入跟踪模式，此时均衡器可以跟踪不断变化的信道来修正滤波器系数从而对信道进行补偿。一旦信道的统计特性发生变化，均衡器能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。

RLS均衡器选择权向量w_m(k)，使得指数加权的均方误差最小： $\min J\left(w\right)=\min \left\{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}^{n-i}{|s_m\left(k\right)-w_m^H\left(n\right)\stackrel{\‾}{y}\left(k\right)|}^2\right\}$ 其中：n表示次处理数据的长度；λ表示遗忘因子，取值范围：0＜λ≤1；这个最优化问题的解为 $w_m\left(n\right)={\hat{R}}^{-1}\left(n\right)\hat{r}\left(n\right)$ ，其中： $\begin{array}{c}\hat{R}\left(n\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}^{n-i}\stackrel{\‾}{y}\left(i\right)\stackrel{\‾}{y}{\left(i\right)}^H\\ =\stackrel{\‾}{y}\left(n\right)\stackrel{\‾}{y}{\left(n\right)}^H+\mathrm{\λ}\hat{R}(n-1)\end{array},$ $\begin{array}{c}\hat{r}\left(n\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}^{n-i}\stackrel{\‾}{y}\left(i\right)s_m^{*}\left(i\right)\\ =\stackrel{\‾}{y}\left(n\right)s_m^{*}\left(n\right)+\mathrm{\λ}\hat{r}(n-1)\end{array},$ 从而可以得到矩阵 $C\left(n\right)={\hat{R}}^{-1}\left(n\right)$ 的递推公式为 $C\left(n\right)={\mathrm{\λ}}^{-1}C(n-1)-\frac{{\mathrm{\λ}}^{-2}C(n-1)\stackrel{\‾}{y}\left(n\right){\stackrel{\‾}{y}}^H\left(n\right)C(n-1)}{1+{\mathrm{\λ}}^{-1}{\stackrel{\‾}{y}}^H\left(n\right)C(n-1)\stackrel{\‾}{y}\left(n\right)}$ ，定义增益向量 $g_m\left(n\right)=\frac{{\mathrm{\λ}}^{-1}C(n-1)\stackrel{\‾}{y}\left(n\right)}{1+{\mathrm{\λ}}^{-1}{\stackrel{\‾}{y}}^H\left(n\right)C(n-1)\stackrel{\‾}{y}\left(n\right)}$ 获得 $w_m\left(n\right)=w_m(n-1)+g_m\left(n\right)[s_m\left(n\right)-w_m^H(n-1)\stackrel{\‾}{y}\left(n\right)],$ ${\hat{s}}_m\left(n\right)=Q\left\{w_m^H\left(n\right)\stackrel{\‾}{y}\left(n\right)\right\}$ ，其中：Q{x}表示在星座图中取离x距离最近的点作为发射信号。从上述公式可知，n时刻的最佳w_m(n)可由(n-1)时刻的w_m(n-1)加一修正量得到。修正量等于 $g_m\left(n\right)[s_m\left(k\right)-w_m^H(n-1)\stackrel{\‾}{y}\left(n\right)].$ 在训练模式下，所述s_m(n)认为是接收端已知的训练序列，对于n＝1，2，Λ，RLS均衡器使w_m(n)迭代收敛。当训练序列结束，此时s_m(n)是接收端未知的发送数据，s_m(n)就要替代为其判决值来完成迭代，这时 $w_m\left(n\right)=w_m(n-1)+g_m\left(n\right)[{\hat{s}}_m\left(n\right)-w_m^H(n-1)\stackrel{\‾}{y}\left(n\right)],$

可以用上一时刻得到的滤波器系数w_m ^H(n-1)进行判决， ${\hat{s}}_m\left(n\right)=Q\left(w_m^H(n-1)\stackrel{\‾}{y}\left(n\right)\right).$

在对现有技术的研究和实践过程中，发明人发现现有技术至少存在以下问题：RLS均衡器每次更新的计算复杂度为O([N(N_f+1)]²)，当接收天线数很大时使得均衡器复杂度过高；RLS均衡算法的收敛速度是由算法搜索空间的维数决定的，随着收发天线数的增加，使得搜索空间维数增加，收敛速度变慢。

发明内容

本发明实施例要解决的技术问题是提供一种线性均衡方法及线性均衡器，能够在通过均衡技术消除码间干扰时，降低均衡运算的复杂度，提高均衡运算的收敛速度。

为解决上述技术问题，本发明实施例是通过以下技术方案实现的：

本发明实施例一方面提供了一种线性均衡方法，包括：

接收M维信号矢量，所述M为正整数；

对所述M维信号矢量采用多级维纳滤器进行降维运算，获得并输出降维信号；

对所述降维信号进行加权后相加并输出结果。

本发明实施例另一方面还提供了一种线性均衡器，包括：

接收单元，用于接收M维信号，所述M为正整数；

多级维纳滤波单元，用于对所述N维信号进行降维运算，输出降维运算结果；

处理单元，用于对所述降维运算结果进行加权后相加，输出结果。

以上技术方案可以看出，通过降维滤波运算把接收信号矢量向低维子空间投影，使得滤波器运算在低维子空间内进行，降低均衡运算的复杂度，达到快速和稳定的收敛。

附图说明

图1为本发明现有技术提供的自适应线性均衡器结构示意图；

图2为本发明实施例一提供的方法流程图；

图3为本发明现有技术提供的变换域维纳滤波器示意图；

图4为本发明现有技术提供的多级维纳滤波器示意图；

图5为本发明实施例二提供的装置示意图；

图6为本发明实施例提供的自适应降维均衡算法与RLS算法收敛速度对比示意图。

具体实施方式

本发明实施例提供了一种线性均衡方法及线性均衡器，用于消除码间干扰时，采用多级维纳滤波器(MSWF，Multi-Stage Wiener Filter)将接收的高维信号变成低维的信号，接收信号矢量的协方差矩阵的秩也随之降低，所以降维滤波算法通常也被称作降秩滤波算法。多级维纳滤波器是通过一系列更新过程得到降维子空间的一组基向量，不需要估计协方差，也不涉及任何阶矩阵的求逆，具有低计算复杂度特点，并且多级维纳滤波器可以在滤波器的秩比接收信号的维数小的多的情况下，得到近似的满秩最小均方误差(MMSE，Minimum Mean Square Error)。

首先，对多级维纳滤波器进行介绍：假设d₀(k)是标量期望信号，x₀(k)是N维观测矢量，经典的维纳解具有以下形式

$W_{\mathrm{WF}}=R_{x_0}^{-1}{r}_{x_0{d}_0}---\left(1\right)$

其中：

$R_{x_0}=E\left[x_0\left(k\right)x_0{\left(k\right)}^H\right]---\left(2\right)$

$r_{x_0{d}_0}=E\left[x_0\left(k\right)d_0{\left(k\right)}^{*}\right]---\left(3\right)$

用一个满秩、非奇异预处理矩阵对观测矢量进行线性变换不会改变系统的最小均方误差，考虑预处理矩阵T₁，它具有如下结构：

$T_1=\left[\begin{array}{c}{g}_1^H\\ B_1\end{array}\right]---\left(4\right)$

g₁称为标准化互相关矢量，是期望信号与观测信号矢量的互相关向量

方向上的归一化矢量，可由下式得到

$g_1=\frac{r_{x_0{d}_0}}{\sqrt{r_{x_0{d}_0}^H{r}_{x_0{d}_0}}}---\left(5\right)$

B₁是个(N-1)×N阻塞矩阵，可以湮没在

方向上的信号分量，即B₁g₁＝0。这样，观测数据经由T₁进行变换，得到变换后的观察向量为：

$z_1\left(k\right)=T_1\left(k\right)x_0\left(k\right)=\left[\begin{array}{c}{g}_1^H{x}_0\left(k\right)\\ B_1{x}_0\left(k\right)\end{array}\right]=\left[\begin{array}{c}{d}_1\left(k\right)\\ x_1\left(k\right)\end{array}\right]---\left(6\right)$

此时观测矢量x₀(k)转换为变换域观测矢量z₁(k)。变换域维纳滤波器如图2所示，其维纳解具有如下形式

$w_{z_1}=R_{z_1}^{-1}{r}_{z_1{d}_0}---\left(7\right)$

其中：

$R_{z_1}=E\left[z_1\left(k\right)z_1{\left(k\right)}^H\right]---\left(8\right)$

$r_{x_1{d}_1}=E\left[x_1\left(k\right)d_1^{*}\left(k\right)\right]---\left(9\right)$

由图3可以看出，变换域的维纳滤波

由两部分组成：w₂与w₁。w₂也是一种维纳滤波器形式，是以d₁(k)为理想信号，x₁(k)为观测信号，其维数比减少一维。w₁可以看成一标量的维纳滤波形式，它是通过数据ε₁(k)估计信号d₀(k)。按照上述方法，可以继续对w₂进行分解，一直到N级，从而获得满秩的多级维纳滤波器，其结构框图如图4所示。其中，每一步归一化互相关向量与阻塞矩阵计算如下

$r_{x_{i-1}{d}_{i-1}}=E\left[x_{i-1}{d}_{i-1}\right]---\left(10\right)$

$g_i=\frac{r_{x_{i-1}{d}_{i-1}}}{\sqrt{r_{x_{i-1}{d}_{i-1}}^H{r}_{x_{i-1}{d}_{i-1}}}}---\left(11\right)$

B_i＝null{g_i}                    (12)

阻塞矩阵B_i的选取准不是唯一的，任何满足公式B_i＝null{g_i}都可以作为阻塞矩阵，并且获得相同的MMSE性能。但是在某些情况下，阻塞矩阵选择不当会造成数值不稳定性。阻塞矩阵的最佳选择是g_i的正交投影矩阵 $B_i=I-g_i{g}_i^H$ ，此时每一步分解g_i都是N维的向量，B_i为N×N维的矩阵，但B_i的秩为N-i。所以可以利用阻塞矩阵 $B_i=I-g_i{g}_i^H$ 来简化MSWF的结构：

$x_i\left(k\right)=B_i{x}_{i-1}\left(k\right)=(I-g_i{g}_i^H)x_{i-1}\left(k\right)=x_{i-1}\left(k\right)-g_i{d}_i\left(k\right)---\left(13\right)$

这样，在求解每一级观测信号时利用公式(13)可以避免对阻塞矩阵的直接计算，大大减少了计算量。

有了g_i与B_i的定义，第i级标量理想信号d_i(k)和观察信号x_i(k)就可以表示如下：

$\begin{array}{c}{d}_i\left(k\right)=g_i^H{x}_{i-1}\left(k\right),1\≤i\≤N-1\\ x_i\left(k\right)=B_i{x}_{i-1}\left(k\right),1\≤i\≤N-1\end{array}---\left(14\right)$

第i级的误差

${\mathrm{\ϵ}}_i\left(k\right)=d_i\left(k\right)-w_{i+1}^{*}{\mathrm{\ϵ}}_{i+1}\left(k\right)---\left(15\right)$

并定义第N级的ε_N(k)，d_N(k)如下

ε_N(k)＝d_N(k)                (16)

最后，得到多级维纳滤波器的递推公式如表1所示：

表1

其中，后向递推公式是以各级误差ε_i为观测信号，i＝1，Λ，D，以d_i(k)为理想信号求解一组标量的维纳方程，i＝1，Λ，D。

为了使本发明的技术方案更加清楚完整，下面列举实施例进行详细说明：

参见图2，为本发明实施例一提供的方法流程图，包括：

101：接收M维信号矢量，M为正整数。

该接收的M维信号矢量，在n时刻有： $\hat{R}\left(n\right)=\stackrel{\‾}{y}\left(n\right)\stackrel{\‾}{y}{\left(n\right)}^H+\mathrm{\λ}\hat{R}(n-1);$ $\hat{r}\left(n\right)=\stackrel{\‾}{y}\left(n\right)s_m{\left(n\right)}^{*}+\mathrm{\λ}\hat{r}(n-1).$ 其中，y(n)为n时刻接收信号在时域上的扩展；n表示n时刻；λ表示遗忘因子，取值范围：0＜λ≤1；s_m(n)表示接收端已知的训练序列；是y(n)的自相关矩阵；

是s_m(n)^*和y(n)的互相关矩阵。

102：对该M维信号矢量采用多级维纳滤器进行降维运算，获得并输出降维信号。

本实施例中，根据上述表1中的递推公式对i＝1，Λ，D应用前向递推方程：令 $\hat{r}\left(n\right)=\stackrel{\‾}{y}\left(n\right)s_m{\left(n\right)}^{*}+\mathrm{\λ}\hat{r}(n-1)=g_1\left(n\right),$ 获得 $g_1\left(n\right)=\frac{\hat{r}}{\left|\right|\hat{r}\left|\right|}=\stackrel{\‾}{y}\left(n\right)s_m^{*}\left(n\right)+\mathrm{\λ}{g}_1(n-1)---\left(17\right)$

$B_1\left(n\right)=I-g_1\left(n\right)g_1^H\left(n\right)---\left(18\right)$

$d_i\left(n\right)=g_i^H\left(n\right)x_{i-1}\left(n\right)---\left(19\right)$

x_i(n)＝B_i(n)x_i-1(n)               (20)

$g_{i+1}\left(n\right)=x_i\left(n\right)d_i^{*}\left(n\right)+\mathrm{\λ}{g}_{i+1}(n-1)---\left(21\right)$

$B_{i+1}\left(n\right)=I-g_{i+1}\left(n\right)g_{i+1}^H\left(n\right)---\left(22\right)$

其中：y(n)为n时刻接收信号在时域上的扩展，s_m(n)为n时刻接收端已知的训练序列，g_i(n)为归一化互相关矢量，是期望信号与观测信号矢量的互相关向量方向上的归一化矢量，B_i为阻塞矩阵，d_i(n)是标量期望信号，x_i(n)是N维观测矢量，I为单位矩阵。

根据上述表1中的递推公式对i＝1，Λ，D应用后向递推方程：

d_D(n)＝ε_D(n)                     (23)

$w_i\left(n\right)=\frac{{\mathrm{\ϵ}}_i\left(n\right)d_{i-1}\left(n\right)}{{\left|{\mathrm{\ϵ}}_i\left(n\right)\right|}^2}---\left(24\right)$

ε_i-1(n)＝d_i-1(n)-w_iε_i(n)        (25)

其中：d_i(n)是标量期望信号，w_i(n)为维纳滤波加权，ε_i-1(n)为i-1级递推误差。

经过上述公式(17)至公式(25)，得到降秩的多级维纳滤波器，相应的预滤波器矩阵： $T^{\left(D\right)}=\left[\begin{array}{c}{g}_1^H\\ g_2^H{B}_1\\ M\\ g_{D-1}^H\underset{i=D-2}{\overset{1}{\mathrm{\Π}}}{B}_i\\ g_D^H\underset{i=D-1}{\overset{1}{\mathrm{\Π}}}{B}_i\end{array}\right]---\left(26\right)$

通过该滤波矩阵(26)实现对输入信号矢量的降维运算，得到降维后的信号矢量： $\tilde{d}\left(k\right)=T^{\left(D\right)}{x}_0\left(k\right)={\left[\begin{array}{cccc}{d}_1\left(k\right)& d_2\left(k\right)& \mathrm{\Λ}& d_D\left(k\right)\end{array}\right]}^T$ ，其中所述x₀(k)为观测信号；所述d_i(k)为理想信号求解一组标量的维纳方程，i＝1，Λ，D。

103：对所述降维信号矢量进行加权后相加并输出结果。

在n时刻，多级维纳滤波器选择权向量 $w_m\left(n\right)={\hat{R}}^{-1}\left(n\right)\hat{r}\left(n\right),$ 使得指数加权的均方误差最小，根据步骤101可知， $\hat{R}\left(n\right)=\stackrel{\‾}{y}\left(n\right)\stackrel{\‾}{y}{\left(n\right)}^H+\mathrm{\λ}\hat{R}(n-1),$ $\hat{r}\left(n\right)=\stackrel{\‾}{y}\left(n\right)s_m{\left(n\right)}^{*}+\mathrm{\λ}\hat{r}(n-1),$ 均衡器对步骤102进行多级维纳运算所得的降维信号进行加权后相加输出结果： ${\hat{s}}_m\left(n\right)=w_1\left(n\right){\mathrm{\ϵ}}_1\left(n\right).$ 其中，w₁(n)表示一维的权向量，ε₁(n)表示误差系数。

本实施例中，步骤103之后还可以进一步包括：跟踪不断变化的信道修正多级维纳滤波器的系数，从而对MIMO信道进行补偿。一旦信道的特性发生变化，多级维纳滤波器能够跟踪发生的变化，自动调整参数，使多级维纳滤波器的性能达到最佳。

该实施例可以看出，通过将多级维纳滤波器与均衡方法相结合，通过对接收的信号矢量进行降维运算，降低了均衡运算的复杂度，提高均衡运算的收敛速度。

以上对本发明实施例提供的方法进行了描述，下面对本发明实施例提供的装置进行描述：

参见图5，为本发明实施例二提供的一种线性均衡器，包括：

接收单元201，用于接收M维信号矢量，M为正整数。

多级维纳滤波单元202，用于对上述M维信号进行降维运算，输出降维运算结果。

本实施例中，多级维纳滤波单元202将接收的M维信号矢量向低维子空间投影，使得所述M维信号矢量变成低维的信号矢量。便使得滤波运算在低维子空间进行，降低均衡运算的复杂度。

处理单元203，用于对所述降维运算结果进行加权后相加，输出结果。本实施例中，滤波器系数最优化在低维子空间进行。

本实施例中，所述均衡器还可以包括：

修正单元204，用于修正所述多级维纳滤波单元202的系数。本实施例中。一旦信道的特性发生变化，多级维纳滤波器能够跟踪发生的变化，自动调整参数，使多级维纳滤波器的性能达到最佳。

下面参照附图对本实施例提供的均衡器的有益效果进行描述：令N(N_f+1)＝N，其中N_f表示抽头数，N表示发射天线数，在单发射天线的情况下，本发明均衡器计算每一级期望信号的复杂度为O(N)，计算每一级观测信号的计算复杂度为O(N)，所以M根发射天线的情况下，本发明均衡器每一次更新的计算复杂度是O(MDN)，其中D表示多级维滤波器的级数。常规的RLS均衡器每一次更新的计算复杂度是O(N²)。为了直观地对比两者的计算复杂度，表2通过具体数值对降维RLS均衡器的计算复杂度与满秩RLS均衡器的计算复杂度进行了比较：

表2

仿真验证：考虑M＝4发射天线N＝8接收天线的V-BLAST(Vertical BellLaboratory Layer Space-Time Codes，垂直分层空时编码)系统，各天线发射信号采用BPSK调制且有相等的发射功率。信道模型为频选信道，多径个数L＝3，各天线对之间的多径衰落系数相互独立，且服从方差为1的复高斯分布，无信道编码。各均衡器处理数据的长度N_f＝3。各仿真图中水平轴定义的信噪比定义为输出端的平均信噪比 $\mathrm{SNR}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SNR}}_i,$ 其中SNR_i为第i根接收天线接收到的信号功率(M根发射天线信号的功率之和)与噪声功率的比值。本仿真主要比较本发明均衡器与现有RLS均衡器的收敛速度。固定信噪比SNR＝10dB，遗忘因子λ＝0.996，两种均衡器的均方误差随跌代系数的变化曲线如图6可以所示。由图6可以看出，本发明均衡器的收敛速度明显优于现有RLS均衡器，而且多级维纳滤波器级数D越小，收敛速度越快。不过当D过小时本均衡器达不到现有RLS均衡器的均方误差性能。

以上实施例可以看出，将均衡技术与多级维纳滤波器相结合，多级维纳滤波器可对均衡器接收的信号矢量进行降维运算，使得接收的高维信号矢量变成低维信号矢量，从而降低均衡运算的复杂度，提高匀衡运算的收敛速度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上对本发明所提供的一种线性均衡方法及线性均衡器进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1、一种线性均衡方法，其特征在于，包括：

接收M维信号矢量，所述M为正整数；

对所述M维信号矢量采用多级维纳滤器进行降维，获得并输出降维信号矢量；

对所述降维信号矢量进行加权后相加并输出结果。

2、根据权利要求1所述的方法，其特征在于，所述获得并输出降维信号之后，还包括：

跟踪不断变化的信道修正所述多级维纳滤波器的系数。

3、根据权利要求1所述的方法，其特征在于，所述对所述M维信号矢量采用多级维纳滤器进行降维，包括：

对所述M维信号矢量采用多级维纳前向递推公式和多级维纳后向递推公式进行滤波运算，得到降维后的信号矢量。

4、根据权利要求3所述的方法，其特征在于，所述降维后的信号矢量为 $\tilde{d}\left(k\right)=T^{\left(D\right)}{x}_0\left(k\right)={\left[\begin{array}{cccc}{d}_1\left(k\right)& d_2\left(k\right)& \mathrm{\Λ}& d_D\left(k\right)\end{array}\right]}^T,$ 其中，所述T^(D)为预滤波矩阵，所述x₀(k)为观测信号，所述d_i(k)为理想信号求解一组标量的维纳方程，i＝1，Λ，D。

5、根据权利要求4所述的方法，其特征在于，所述对所述降维信号进行加权后相加并输出结果，进一步包括：

在n时刻，选择权向量 $w_m\left(n\right)={\hat{R}}^{-1}\left(n\right)\hat{r}\left(n\right),$ 使得指数加权的均方误差最小，其中， $\hat{R}\left(n\right)=\stackrel{\‾}{y}\left(n\right)\stackrel{\‾}{y}{\left(n\right)}^H+\mathrm{\λ}\hat{R}(n-1),$ $\hat{r}\left(n\right)=\stackrel{\‾}{y}\left(n\right)s_m{\left(n\right)}^{*}+\mathrm{\λ}\hat{r}(n-1),$ y(n)为n时刻接收信号在时域上的扩展；n表示n时刻；λ表示遗忘因子，取值范围：0＜λ≤1；所述s_m(n)表示接收端已知的训练序列；

是y(n)的自相关矩阵；

是s_m(n)^*和y(n)的互相关矩阵。

6、根据权利要求5所述的方法，其特征在于，所述对所述降维信号进行加权后相加并输出结果，包括：

对所述降维运算结果加权后相加输出判决值 ${\hat{s}}_m\left(n\right)=w_1\left(n\right){\mathrm{\ϵ}}_1\left(n\right),$ 其中，所述w₁(n)表示一维的权向量，ε₁(n)表示误差系数。

7、一种线性均衡器，其特征在于，包括：

接收单元，用于接收M维信号矢量，所述M为正整数；

多级维纳滤波单元，用于对所述M维信号矢量进行降维运算，输出降维运算结果；

处理单元，用于对所述降维运算结果进行加权后相加，输出结果。

8、根据权利要求7所述的均衡器，其特征在于，所述均衡器还包括：

修正单元，用于修正所述多级维纳滤波单元的系数。

Images