CN105553898A - 均衡器及反馈均衡方法 - Google Patents

Abstract

一种均衡器，包括前馈滤波器、第一加法器、反馈滤波器、第二加法器、滤波器抽头系数确定单元，前馈滤波器对水声通信训练序列进行前馈滤波；第一加法器将经前馈滤波的水声通信训练序列与反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器；第二加法器将第一加法器的输出与均衡器期望输出d(n)相加；滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和反馈滤波器的抽头系数。简化了信道模型，减少了设计均衡器时的计算量，改善了算法的收敛速度，使算法能够以较小的收敛残差收敛，降低计算复杂度、提高均衡性能。

Description

均衡器及反馈均衡方法

技术领域

本发明属于水声通信领域，具体涉及一种低计算复杂度的反馈均衡方法。

背景技术

多径传输是指一个声源信号从不同方向经过不同路径到达接收端，从而引起接收信号幅度的随机起伏和信号的时间延迟扩展。浅海声信道的多途径传输主要由海面和海底的多次反射、海中声速梯度的跃层结构造成。信道均衡技术是指为了提高衰落信道中的通信系统的传输特性而采取的一种抗摔落措施，主要是为了消除或者减弱宽带通信时的多径传输带来的码间串扰(ISI)问题。

在浅海水声通信中，研究最多的信道均衡技术是非线性自适应均衡和盲均衡，其中CMA盲均衡算法应用较多。自适应判决反馈均衡就是利用自适应算法对均衡器的抽头系数进行实时更新,以使其跟踪信道特性的变化。现有的自适应算法几乎都是在最小均方(LMS)算法和递归最小二乘(RLS)算法的基础上提出来的。其中，LMS算法收敛速度慢、收敛残差大，但算法复杂度低。RLS算法的优点是其收敛速度比一般LMS算法快一个数量级，但计算复杂度较大。对于CMA盲均衡算法，计算简单、容易实现，但是其收敛速度慢、收敛后剩余误差大。

在RLS算法中，以往通常采用一个固定的遗忘因子λ来标示有效记忆，跟踪信道衰落情况的缓慢变化。对于均衡时变频率选择衰落信道，缺点表现在：1)过程耗时,并且算法搜索出的值可能离信道最佳值相差很远；2)当信道的最佳衰落率不是一个常量时,最佳遗忘因是时变的,不适合应用不变遗忘因子。

发明内容

本发明鉴于现有技术的以上问题提出，用以消除或缓解现有技术的一个或更多个缺点，至少提供一种有益的选择。

根据本发明的一个方面，提供了一种均衡器，包括前馈滤波器、第一加法器、反馈滤波器、第二加法器、滤波器抽头系数确定单元，前馈滤波器对水声通信训练序列进行前馈滤波；第一加法器将经前馈滤波的水声通信训练序列与所述反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器；第二加法器将所述第一加法器的输出与均衡器期望输出d(n)相加；滤波器抽头系数确定单元根据所述第二加法器的输出确定所述前馈滤波器和所述反馈滤波器的抽头系数。

优选地，滤波器抽头系数确定单元使用变遗忘因子自适应RLS-CMA算法更新均衡器的抽头权系数。滤波器抽头系数确定单元包括：初始化单元，用于获取初始抽头系数和初始自相关矩阵；中间变量更新单元，利用所述反馈滤波器的输出y(n)(观测信号序列)、所述反馈滤波器的当前滤波系数w(n-1)以及迭代次数，更新中间变量；遗忘因子更新单元，根据迭代次数，确定更新后的遗忘因子；自相关矩阵确定单元，根据所述更新后的遗忘因子、所述中间变量和所述初始自相关矩阵确定更新后的自相关矩阵；先验误差确定单元，根据所述中间变量、所述自相关矩阵、和当前滤波系数w(n-1)确定先验误差；增益矢量k(n)确定单元，根据当前的自相关矩阵逆矩阵P(n-1)、更新后的中间变量、和更新后的遗忘因子，确定增益矢量；自相关矩阵逆矩阵更新单元，根据当前的自相关矩阵逆矩阵P(n-1)、所述中间变量、和所述增益矢量，更新自相关矩阵逆矩阵；滤波系数更新单元，根据当前滤波系数w(n-1)、所述增益矢量以及所述先验误差更新滤波系数。

优选地，滤波器抽头系数确定单元还包括均衡器权系数存留确定单元，用于确定均衡器权系数能量，并将其与阈值进行比较，根据比较结果确定滤波系数更新单元更新过的滤波系数是否保留。

根据本发明的另一个方面，提供了一种均衡器，包括前馈滤波器、第一加法器、判决器、反馈滤波器、第二加法器、滤波器抽头系数确定单元，前馈滤波器对水声通信数据序列进行前馈滤波；第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加，判决器对所述第一加法器的输出进行数据判决；反馈滤波器用于对所述判决器的输出进行反馈滤波；第二加法器将所述第一加法器的输出与所述判决器的输出进行相加；滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和所述反馈滤波器的抽头系数。

优选的，滤波器抽头系数确定单元使用LMS结合软判决译码器的算法更新均衡器的抽头权系数。滤波器抽头系数确定单元包括：均衡器输出确定单元，根据当前前馈滤波抽头系数、后馈滤波抽头系数、T时刻进入前馈滤波器的信号矢量及进入后馈滤波器的信号矢量，确定均衡器的输出；均衡器误差确定单元，根据均衡器的输出、判决输入码元确定均衡器的误差；前馈滤波器抽头系数确定单元，根据当前前馈滤波抽头系数、前馈滤波抽头系数调整步长、均衡器的误差及T时刻进入前馈滤波器的信号矢量，确定前馈滤波器抽头系数；后馈滤波器抽头系数确定单元，根据当前后馈滤波抽头系数、后馈滤波抽头系数调整步长、均衡器的误差及T时刻进入后馈滤波器的信号矢量，确定后馈滤波器抽头系数。

优选地，滤波器抽头系数确定单元还包括抽头系数调整单元，根据判决输出码元是否为错误码元，调整抽头系数。

根据本发明的又一个方面，提供了一种反馈均衡方法，包括以下步骤：前馈滤波步骤，利用前馈滤波器对水声通信训练序列进行前馈滤波；第一加法步骤，将经前馈滤波的水声通信训练序列与一反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器；第二加法步骤，将所述第一加法步骤的输出与均衡器期望输出d(n)相加；抽头系数更新步骤，根据所述第二加法步骤的输出确定前馈滤波器和反馈滤波器的抽头系数。

根据本发明的再一个方面，提供了一种反馈均衡方法，包括以下步骤：前馈滤波步骤，利用前馈滤波器对水声通信数据序列进行前馈滤波；第一加法步骤，利用第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加；判决步骤，利用判决器对第一加法器的输出进行数据判决；反馈滤波步骤，利用反馈滤波器对判决器的输出进行反馈滤波；第二加法步骤，利用第二加法器将第一加法器的输出与判决器的输出进行相加；抽头系数更新步骤，利用滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和反馈滤波器的抽头系数。

优选地，对均衡器进行稀疏化处理，利用阈值稀疏化方法，将均衡器权系数能量与阈值进行比较，如果均衡器权系数能量小于设定的阈值，那么认为权系数为冗余系数，将其置零；反之，则认为权系数为重要系数，予以保留，继续参加均衡的迭代计算。

本发明的一些实施方式与现有技术相比具有如下优点：

1、基于海洋混响结构具有自然稀疏性这一特性，简化了信道模型，减少了设计均衡器时的计算量；

2、采用了变遗忘因子的实时稀疏化RLS-CMA算法：变遗忘因子改善了算法的收敛速度，使算法能够以较小的收敛残差收敛；

3、采用稀疏化处理手段，利用阈值稀疏化方法，即将冗余系数置零，置零后的均衡器系数不再参与迭代计算，以达到降低计算复杂度、提高均衡性能的目的；

4、跟踪模式下使用计算复杂度较低的LMS梯度算法结合软判决译码器，有效减少了码间串扰的影响；

5、训练模式下使用收敛速度快、收敛残差小的变遗忘因子自适应RLS-CMA算法更新均衡器的抽头权系数，而在跟踪模式下使用计算复杂度较低的LMS结合软判决译码器的算法更新均衡器的抽头权系数，既能以较快速度，又能以较低的计算复杂度跟踪浅海水声信道的变化。

应该注意，本发明的保护范围不应解释为必须实现以上的这些优点。

以下结合附图和具体实施例对本发明作详尽说明。

附图说明

图1是可应用本发明的水声通信系统的示意图；

图2是依据本发明的一种实施方式的均衡器训练模式下的结构框图；

图3是依据本发明的一种实施方式的训练模式下滤波器抽头系数确定单元的结构示意图；

图4示出了依据本发明的一种实施方式的训练模式下的反馈均衡方法；

图5是自适应DFE和纠错译码的联合系统；

图6是依据本发明的一种实施方式的均衡器跟踪模式下的结构框图；

图7是依据本发明的一种实施方式的跟踪模式下滤波器抽头系数确定单元的结构示意图；

图8示出了依据本发明的一种实施方式的跟踪模式下的反馈均衡方法。

具体实施方式

下面将结合附图对本发明进行更详细的描述。

在相干多途信道中，声信号沿不用途径的声线，在不同时刻到达接收点，总的接收信号是通过接收点的所有各声线所传送的信号的干涉叠加，多途信道的冲激响应函数h(t)为

$h\left(t\right)=\underset{i=1}{\overset{N}{\Σ}}{A}_i\mathrm{\δ}(t-{\mathrm{\τ}}_{0i})---\left(1\right)$

式中：N为通过接收点的本征声线的数目；A_i、τ_0i分别为第i途径到达接收点的信号幅度及信号时延。

由于海洋声信道的混响结构具有稀疏性，造成均衡器的权系数分布也具有稀疏性。所谓稀疏性，是指信道响应的能量集中在相隔较远的几个抽头上，而大多数抽头的能量很小。

浅海水声信道通常有一条主要到达路径，两条次要到达路径。其信道的传输函数可简化为：

H′(f)＝1+Af^-d1+Bf^-d2(2)

A、B为到达接收点的信号幅度，d₁和d₂为两条主要到达途径的频率的系数。

对于频率响应特性未知且时变的信道而言，可以使用参数可调的线性滤波器，通过周期性地调节其参数来补偿信道失真。这种参数可调的滤波器称为自适应均衡器。

图1是可以应用本发明的水声通信系统的示意图，在图1中，采用线性滤波器作为信道均衡器。如图1所示，在发送方，输入数据首先经过发送滤波器处理，然后通过信道进行发送。在发送的过程中会加入噪声。在接收机处，首先要对接收到的信号进行滤波，主要是滤除噪声。然后对滤波后的信号进行均衡，经均衡器均衡后的信号会发送到检测器进行检测，因为检测器及其后续部件的工作均可以采用本领域所熟知的各种部件进行，也并不是本发明关注的，因而不予赘述。

解调器由频率响应为G_R(f)的接收滤波器和频率响应为G_E(f)的信道均衡滤波器级联而成。由于G_R(f)与G_T(f)是匹配的，并且它们的乘积满足

|G_T(f)||G_R(f)|＝X_rc(f)(3)

其中Xrc(f)是为使采样时刻无ISI所期望的升余弦谱。所以|G_E(f)|必须补偿信道失真。因此，均衡器的频率响应必须等于信道响应的倒数，即

$G_E\left(f\right)=\frac{1}{C\left(f\right)}=\frac{1}{\left|C\left(f\right)\right|}{e}^{-{\mathrm{j\θ}}_c\left(f\right)},\left|f\right|\≤W---\left(4\right)$

其中|G_E(f)|＝1/|C(f)|。

由(2)式可得到：

$G_E\left(f\right)=1+h_1{f}^{-d_1}+h_2{f}^{-d_2}+h_3{f}^{-(d_1+d_2)}+h_4{f}^{-2d_1}+h_5{f}^{-2d_2}+...\mathrm{...}---\left(5\right)$

因此系统可以先估计出信道传输函数C(f)，均衡时选择最大的两个系数，及这两个系数的2次、3次组合。

在均衡器的设计中，本发明的实施方式采用了自适应判决反馈均衡。自适应判决反馈均衡就是利用自适应算法对均衡器的抽头系数进行实时更新。自适应判决反馈均衡器有训练和跟踪两种模式，前者接收信息已知的训练序列，后者接收信息未知的数据序列。

对于时变浅海水声信道，利用传统的仅在训练模式下使用自适应算法或在两种模式下使用相同的自适应算法通常无法获得满意的均衡效果。

为了既能以较快速度，又能以较低的计算复杂度跟踪浅海水声信道的变化，在本发明中，训练模式下使用收敛速度快、收敛残差小的变遗忘因子自适应RLS-CMA算法更新均衡器的抽头权系数，而在跟踪模式下使用计算复杂度较低的LMS结合软判决译码器的算法。

假设两种模式下的前馈和反馈滤波器抽头个数分别为k_F和k_B，n时刻前馈和反馈滤波器抽头系数矢量分别记为 $w_F\left(n\right)=(c_{-k_F}^n,c_{-k_F+1}^n,...c_{-1}^n),w_B\left(n\right)=(c_0^n,c_1^n,...,c_{k_B-1}^n),$ 且令w(n)＝[w_F(n),w_B(n)]，x_t(n)＝[x_t(n),x_t(n-1),…,x_t(n-k_F+1)]、x_d(n)＝[x_d(n),x_d(n-1),…,x_d(n-k_F+1)]、r(n)＝[r(n),r(n-1),L,r(n-k_B+1)]、r_d(n)＝[r_d(n),r_d(n-1),L,r_d(n-k_B+1)]，

则训练模式下：

$r\left(n\right)=\underset{i=-k_F}{\overset{-1}{\Σ}}{c}_i^n{x}_t(n-i-k_F)-\underset{i=0}{\overset{k_B-1}{\Σ}}{c}_i^{n}r(n-i-1)=w\left(n\right)z_t^T\left(n\right)---\left(6\right)$

E(n)＝d(n)-r(n)(7)

式中z_t(n)＝[x_t(n),-r(n-1)]。

跟踪模式下：

$r\left(n\right)=\underset{i=-k_F}{\overset{-1}{\Σ}}{c}_i^n{x}_d(n-i-k_F)-\underset{i=0}{\overset{k_B-1}{\Σ}}{c}_i^n{r}_d(n-i-1)=w\left(n\right)z_d^T\left(n\right)---\left(8\right)$

E(n)＝r_d(n)-r(n)(9)

式中z_d(n)＝[x_d(n),-r_d(n-1)]。

1)自适应判决反馈均衡RLS算法

RLS算法的优点是其收敛速度比一般LMS算法快一个数量级,即具有较强的信道跟踪能力，因此RLS算法比较适合应用在快衰落信道环境下。但RLS算法性能的改善是以增加计算复杂度为代价的。对于长为N的输入序列,LMS算法的计算复杂度为o(N)，而RLS算法的计算复杂度为o(N²)。

为了减少计算复杂度，本实施例仅将RLS算法应用于训练模式。利用RLS算法更新判决反馈均衡器抽头权系数矢量的迭代公式为：

w(n)＝w(n-1)+g^T(n)E^*(n)(10)

$g\left(n\right)=\frac{C(n-1)z_d^T\left(n\right)}{\mathrm{\λ}+z_d\left(n\right)C(n-1)z_d^T\left(n\right)}---\left(11\right)$

$C\left(n\right)=\frac{1}{\mathrm{\λ}}\[C(n-1)-g\left(n\right)z_d\left(n\right)C(n-1)\]---\left(12\right)$

式中λ为遗忘因子，“*”表示共轭，C(0)＝0。

变遗忘因子自适应RLS算法

式(11)、式(12)中的遗忘因子λ对RLS算法的收敛速度和收敛残差有很大影响，λ取值越大，算法的收敛速度越慢，但收敛残差越小，λ取值越小，算法的收敛速度越快，但收敛残差越大，甚至造成算法不收敛。

一种较好的解决方法就是在开始阶段使用较小的λ值以使RLS算法快速跟踪浅海水声信道的特性，然后随着迭代次数的增加，逐渐增加λ值以使算法能够以较小的收敛残差收敛。

式(13)给出了本实施例选用的遗忘因子与迭代次数的关系式：

$\mathrm{\λ}={\mathrm{\λ}}_{\min }+(1-{\mathrm{\λ}}_{\min })\frac{1}{1+e^{-m/M}}---\left(13\right)$

式中λ_min为λ的最小设定值，M为常数，m为迭代次数。M取值较小时,随着迭代次数的增加，遗忘因子λ会迅速增加到1，M取值较大时,，遗忘因子会以较慢的速度收敛于1。对于浅海水声信道，如果信道特性变化较快，可适当选取较小的λ_min和较大的M值；如果信道特性变化较慢，可以适当选择较大的λ_min和较小的M值。

2)RLS+稀疏CMA算法

发送信号x(n)经过未知信道传输h(n)并叠加噪声n(n)，在均衡器前得到观测信号序列y(n)，观测信号y(n)经过均衡器获得输出信号。经过判决器后，得到恢复信号CMA盲均衡作为Godard算法的一个特例，隶属于Bussgang类盲均衡算法，Bussgang类盲均衡算法通过对均衡器输出信号进行Bussgang变换构建代价函数，通过代价函数最小化调整均衡器权系数，实现信道补偿。

信道输出y(n)可表示为

$y\left(n\right)=\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}h\left(i\right)x(n-i)+n\left(n\right)=h\left(n\right)\⊗x\left(n\right)+n\left(n\right)---\left(14\right)$

根据理想均衡的置零准则，那么在无噪声的条件下均衡器与通信信道应该构成理想可逆关系，有

$\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}w\left(i\right)h(n-i)=w\left(n\right)\⊗h\left(n\right)=\mathrm{\δ}\left(n\right)---\left(15\right)$

用均衡器对接收观测信号进行均衡，有

$\tilde{x}\left(n\right)=\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}w\left(i\right)y(n-i)=\underset{i-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}w\left(i\right)h\left(j\right)x(n-i-j)=\underset{l=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}\mathrm{\δ}\left(l\right)x(n-l)=x\left(n\right)---\left(16\right)$

在实际通信中只能有有限长度的均衡器。设均衡器长度为L，那么根据式(15)可得

$w\left(n\right)\⊗h\left(n\right)=\mathrm{\δ}\left(n\right)+v\left(n\right)---\left(17\right)$

其中，v(n)为截断有限长均衡器引入的剩余码间干扰分量，可以表示为

$v\left(n\right)=\underset{i=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}\[\hat{w}\left(i\right)-w\left(i\right)\]y(n-i)---\left(18\right)$

其中，当|i|>L时，此时均衡器的输出可以表示为

$\tilde{x}\left(n\right)=w\left(n\right)\⊗y\left(n\right)=w\left(n\right)\⊗\[h\left(n\right)\⊗x\left(n\right)+n\left(n\right)\]---\left(19\right)$

根据式(17)和式(19)可得到

$\tilde{x}\left(n\right)=x\left(n\right)+v\left(n\right)\⊗x\left(n\right)+w\left(n\right)\⊗x\left(n\right)---\left(20\right)$

其中，为剩余ISI，是附加噪声项目，定义卷积噪声两项之和，即

$\tilde{n}\left(n\right)=v\left(n\right)\⊗x\left(n\right)+w\left(n\right)\⊗n\left(n\right)---\left(21\right)$

那么均衡器输出可以表示为

$\tilde{x}\left(n\right)=x\left(n\right)+\tilde{n}\left(n\right)---\left(22\right)$

通常情况下，卷积噪声可以用高斯白噪声模拟。由于发送信号x(n)为非高斯独立同分布，所以x(n)与统计独立，那么发送信号x(n)的均方误差估计为

因此，为均衡器输出信号的非线性函数，这样可以得到先验误差

$e\left(n\right)=g\left(\tilde{x}\right(n\left)\right)-\tilde{x}\left(n\right)---\left(24\right)$

按照随机梯度下降算法，可获得均衡器的更新公式

w(n+1)＝w(n)+μe(n)y^*(25)

其中，μ为随机梯度下降算法的学习步长。

如果定义代价函数为

$J\left(n\right)=E{\[g\left(\tilde{x}\right(n))-\tilde{x}\left(n\right)\]}^2---\left(26\right)$

可以知道，通过线性变换后，代价函数J(n)中并不含有输入信号x(n)，但代价函数最小化对应了码间干扰最小或者是均方误差最小化。如果非线性函数g(·)满足Bussgang过程，则算法为Bussgang类盲均衡算法。在Godard算法中，令参数p＝2，则得到CMA盲均衡代价函数。当p＝2时，非线性变换函数可以表示为

$g\left(\tilde{x}\right(n\left)\right)=\frac{\tilde{x}\left(n\right)}{\left|\tilde{x}\left(n\right)\right|}\[\left|\tilde{x}\left(n\right)\right|+R_2\left|\tilde{x}\left(n\right)\right|-|\tilde{x}\left(n\right){|}^3\]---\left(27\right)$

式中，R₂称为常模，可以用下式计算

$R_2=E\[|\tilde{x}\left(n\right){|}^4\]/E\[|\tilde{x}\left(n\right){|}^2\]---\left(28\right)$

简化式(27)得到

$g\left(\tilde{x}\right(n\left)\right)=\tilde{x}\left(n\right)+R_2-|\tilde{x}\left(n\right){|}^2---\left(29\right)$

将式(29)代入式(26)，则可得到CMA代价函数为

$J\left(n\right)=E{\[R_2-|\tilde{x}\left(n\right){|}^2\]}^2---\left(30\right)$

为了满足RLS算法的推倒过程，将CMA代价函数变型得

J(n)＝[R₂-w^H(n)y(n)(w^H(n)y(n))^*]²(31)

其中，符号“H”表示复共轭转置。如果定义

u(n)＝y(n)(w^H(n)y(n))^*(32)

则式(31)可以写为

J(n)＝[R₂-w^H(n)u(n)]²(33)

式(33)满足了二次标准型，但是u(n)表达式中包含了变量w(n)，因此u(n)不能作为等价的均衡器输入变量。这里考虑u(n)的近似表达式

$\tilde{u}\left(n\right)=y\left(n\right){\left(w^H\right(n-1\left)y\right(n\left)\right)}^{*}---\left(34\right)$

如果算法收敛，那么必然有

$\underset{n\→\mathrm{\∞}}{\lim }\left|\right|w\left(n\right)-w(n-1)\left|\right|=0---\left(35\right)$

因此，利用近似表示u(n)具有合理性。在均衡器输入信号的近似表示下，CMA代价函数可以写为标准二次型表示

$J\left(n\right)={\[R_2-w^H\left(n\right)\tilde{u}\left(n\right)\]}^2---\left(36\right)$

RLS算法采用误差梯度指数加权方式求解代价函数的最小值，根据简化的CMA代价函数，可以将盲均衡问题归结为优化为题。

$\min J\left(n\right)=\underset{i=0}{\overset{n}{\Σ}}{\mathrm{\λ}}^{n-i}|e\left(i\right){|}^2=\underset{i=0}{\overset{n}{\Σ}}{\mathrm{\λ}}^{n-i}|R_2-w^H\left(i\right)\tilde{u}\left(i\right){|}^2---\left(37\right)$

其中，0<λ≤1为遗忘因子。经计算可知指数代价函数的梯度为

$\&dtri;\left(n\right)=R\left(n\right)w\left(n\right)-r\left(n\right)---\left(38\right)$

其中，

$R\left(n\right)=\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}^{n-i}\tilde{u}\left(i\right){\tilde{u}}^H\left(i\right)---\left(39\right)$

$r\left(n\right)=\underset{i=0}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}^{n-i}\tilde{u}\left(i\right)R_2---\left(40\right)$

根据无约束指数加权最优化问题的局部解由给出，可以得到

w(n)＝R^-1(n)r(n)(41)

式(41)也可以从牛顿算法中得到，在牛顿算法中将步长值设置为1，并利用梯度和Hessian矩阵就可以得到式(41)的等价表示。从这个意义上讲，RLS算法可以看作是牛顿算法的一种特殊形式。梯度矢量和Hessian矩阵可以分别表示为

$\&dtri;(n-1)=R\left(n\right)w(n-1)-r\left(n\right)---\left(42\right)$

${\&dtri;}^2(n-1)=R\left(n\right)---\left(43\right)$

将式(42)和(43)代入牛顿算法的表达式，可以得到

w(n)＝w(n-1)-R^-1(n)[R(n)w(n-1)-r(n)]＝R^-1(n)r(n)(44)

可以看出，式(44)和(41)是一致的。

考虑均衡器权系数w(n)的时间递推，并根据指数滑动窗对自相关矩阵R(n)和互相关向量r(n)进行递推估计，即

$R\left(n\right)=\mathrm{\&lambda;}R(n-1)+\tilde{u}\left(n\right){\tilde{u}}^H\left(n\right)---\left(45\right)$

$r\left(n\right)=\mathrm{\&lambda;}r(n-1)+\tilde{u}\left(n\right)R_2---\left(46\right)$

对式(46)使用矩阵求逆引理，就可以得到自相关逆矩阵P(n)＝R^-1(n)的递推估计式为

$P\left(n\right)=\frac{1}{\mathrm{\&lambda;}}\&lsqb;P(n-1)-\frac{P(n-1)\tilde{u}\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)}{\mathrm{\&lambda;}+{\tilde{u}}^H\left(n\right)P(n-1)\tilde{u}\left(n\right)}\&rsqb;=\frac{1}{\mathrm{\&lambda;}}\&lsqb;P(n-1)-k\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)\&rsqb;---\left(47\right)$

其中，k(n)为增益矢量，定义为

$k\left(n\right)=\frac{P(n-1)\tilde{u}\left(n\right)}{\mathrm{\&lambda;}+{\tilde{u}}^H\left(n\right)P(n-1)\tilde{u}\left(n\right)}---\left(48\right)$

根据式(47)，容易得到

$\begin{array}{c}P\left(n\right)\tilde{u}\left(n\right)=\frac{1}{\mathrm{\&lambda;}}\&lsqb;P(n-1)\tilde{u}\left(n\right)-k\left(n\right){\tilde{u}}^H\left(n\right)\&rsqb;\\ =\frac{1}{\mathrm{\&lambda;}}\{\&lsqb;\mathrm{\&lambda;}+{\tilde{u}}^H\left(n\right)P(n-1)\tilde{u}\left(n\right)\&rsqb;k\left(n\right)-k\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)\tilde{u}\left(n\right)\}\\ =k\left(n\right)\end{array}---\left(49\right)$

此外，将式(45)和式(46)代入到式(41)可以得到

$w\left(n\right)=R^{-1}\left(n\right)r\left(n\right)=P\left(n\right)r\left(n\right)=\frac{1}{\mathrm{\&lambda;}}\&lsqb;P(n-1)-k\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)\&rsqb;\&lsqb;\mathrm{\&lambda;}r(n-1)+R_2\tilde{u}\left(n\right)\&rsqb;$

$=P(n-1)r\left(n\right)+\frac{1}{\mathrm{\&lambda;}}{R}_2\&lsqb;P(n-1)\tilde{u}\left(n\right)-k\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)\tilde{u}\left(n\right)\&rsqb;-k\left(n\right){\tilde{u}}^H\left(n\right)P(n-1)r(n-1)---\left(50\right)$

将式(49)代入式(50)可以得到

$w\left(n\right)=w(n-1)+R_{2}k\left(n\right)-k\left(n\right){\tilde{u}}^H\left(n\right)w(n-1)---\left(51\right)$

对式(51)化简可以得到

w(n)＝w(n-1)+k(n)e^*(n)(52)

其中，e(n)称为先验估计误差或先验误差。

在RLS-CMA中，需要初始化自相关矩阵的逆矩阵P(0)＝R^-1(0)，在非平稳情况下，初始值为

$P\left(0\right)=R^{-1}\left(0\right)={\&lsqb;\underset{i=-n_0}{\overset{0}{\&Sigma;}}{\mathrm{\&lambda;}}^{-i}\tilde{u}\left(i\right){\tilde{u}}^H\left(i\right)\&rsqb;}^{-1}---\left(53\right)$

因此，自相关矩阵的表达式可以写作

$R\left(n\right)=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}^{n-i}\tilde{u}\left(n\right){\tilde{u}}^H\left(n\right)+R\left(0\right)---\left(54\right)$

由于遗忘因子λ在求和过程的遗忘作用，自然希望R(0)在自相关矩阵的递推计算中所起到的作用很小，因此，可以利用一个很小的单位矩阵来近似自相关矩阵R(0)，即

R(0)＝δI，δ是一个很小的正数(55)

因此，自相关矩阵的逆矩阵可以初始化为

P(0)＝δ^-1I，δ是一个很小的正数(56)

对于稀疏水声信道的均衡问题，通常采用的方法是对均衡器进行稀疏化处理。对于稀疏水声信道，均衡器只有有限抽头系数起作用，大部分系数将会在算法收敛后变得很小，甚至趋近于0。在稀疏水声信道均衡中，算法收敛趋近于0的抽头系数称为冗余系数。冗余系数的存在不仅大幅度地增大了算法的计算复杂度，而且严重影响了算法的收敛速度和收敛后的精度，导致剩余码间干扰的增加，使得均衡性能下降。采用稀疏化处理手段，通常利用阈值稀疏化方法，即将冗余系数置零，置零后的均衡器系数不再参与迭代计算，以达到降低计算复杂度、提高均衡性能的目的。

阈值稀疏化方法最常用的是根据均衡器权系数能量进行判决，设定一个阈值E_t，均衡器权系数的能量为

E_i＝|w(i)|²,i＝1,2,…,N(57)

其中，如果N为均衡器的长度，那么根据能量的阈值稀疏化处理方法为

$w\left(i\right)=\left\{\begin{array}{c}0,E_i<E_t\\ w\left(i\right),E_i\&GreaterEqual;E_t\end{array}\right.---\left(58\right)$

即将均衡器权系数能量与阈值进行比较，如果均衡器权系数能量小于设定的阈值，那么认为该权系数为冗余系数，将其置零；反之，则认为改权系数为重要系数，予以保留，继续参加均衡的迭代计算。

在以上的描述中，自相关逆矩阵也被称为自相关矩阵逆矩阵，是自相关矩阵的逆矩阵。对于时刻n进行的更新操作，n-1时刻的系数或变量等往往被称为当前系数或当前变量。例如w(n-1)会被称为当前滤波系数。

表1实时稀疏化、变遗忘因子RLS-CMA均衡实现流程

输入信号通过前馈滤波器的累加之后，再加上由部分已接收信号组成的加权和，形成最后的输出信号，反馈滤波器部分可以通过抽头权系数与已接收信号的加权消除已接收码元所产生的码间串扰，这里用实时稀疏化、变遗忘因子RLS-CMA算法更新判决反馈均衡器抽头权系数。其中，判决反馈均衡器抽头权系数的表达式，根据海洋信道的稀疏性先进行简化；遗忘因子用来保证当滤波器运行于变化的环境中时，为了让滤波器具有跟踪能力，应使遥远过去的数据被"遗忘"。

因而在训练模式下，根据一种实施方式，应用实时稀疏化、变遗忘因子RLS-CMA算法来更新DFE抽头因子矩阵的步骤可以为：

1.设立初始值:k(0)＝1，w(0)＝0，P(0)＝δ^-1I

2.观测信号序列y(n)，w(n-1)，由表中式1)可得

3.由式(55)可求得R(0)

4.由表中公式7)可得λ(n)

5.由R(0)、λ(n)根据式(54)可得R(n)

6.由w(n-1)，R(n)根据表中式2)可得e(n)

7.由P(n-1)、λ(n)，根据表中式3)可得k(n)

8.由P(n-1)、k(n)根据表中式4)可得P(n)

9.由w(n-1)、k(n)、e(n)根据表中式5)可得w(n)

其中，观测信号序列y(n)，自相关矩阵R(n)，中间变量先验误差e(n)，增益矢量k(n)，自相关矩阵的逆矩阵P(n)，均衡器抽头系数w(n)，遗忘因子λ(n)。

在迭代过程中，由式(57)可得均衡器权系数的能量，当其值大于阈值E_t时保留此次计算得到的w(n)，否则不保留。所得均衡器的频率响应当满足式(5)形式时，可以停止迭代。

图2是依据本发明的一种实施方式的均衡器训练模式下的结构框图。

如图3所示，在训练模式下，均衡器包括前馈滤波器31、第一加法器32、反馈滤波器33、第二加法器34、滤波器抽头系数确定单元35。所述前馈滤波器对水声通信训练序列进行前馈滤波；所述第一加法器将经前馈滤波的水声通信训练序列与反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器；所述第二加法器将所述第一加法器的输出与均衡器期望输出d(n)相加；所述滤波器抽头系数确定单元根据所述第二加法器的输出确定所述前馈滤波器和所述反馈滤波器的抽头系数。

图3是训练模式下滤波器抽头系数确定单元的结构示意图。如图4所示，滤波器抽头系数确定单元包括：初始化单元41，用于获取初始滤波系数和初始自相关矩阵；中间变量更新单元42，利用所述反馈滤波器输出的观测信号序列(y(n))、所述反馈滤波器的当前滤波系数w(n-1)以及迭代次数，更新中间变量；遗忘因子更新单元43，根据迭代次数，确定更新后的遗忘因子；自相关矩阵确定单元44，根据更新的遗忘因子、所述中间变量和所述初始自相关矩阵确定更新后的自相关矩阵；先验误差确定单元45，根据所述中间变量、所述自相关矩阵、和当前滤波系数w(n-1)确定先验误差；增益矢量k(n)确定单元46，根据当前的自相关矩阵逆矩阵P(n-1)、更新后的中间变量、和更新后的遗忘因子，确定增益矢量；自相关矩阵逆矩阵更新单元47，根据当前的自相关矩阵逆矩阵P(n-1)所述中间变量、和所述增益矢量，更新自相关矩阵逆矩阵；以及滤波系数更新单元48，根据当前滤波系数w(n-1)、所述增益矢量以及所述先验误差更新滤波系数。

根据一种实施方式，中间变量更新单元例如根据公式34更新中间变量。

根据本发明的一种实施方式，根据设定常数M和遗忘因子的设定最小值λ_min来确定遗忘因子。对于信道特性变化较快的情况，可适当选取较小的λ_min和较大的M值；如果信道特性变化较慢的信道，可以适当选择较大的λ_min和较小的M值，其中，λ最大是1，M值可根据具体要求由表格中公式(7)反推。

根据本发明的一种实施方式，遗忘因子更新单元例如根据公式13确定更新后的遗忘因子；自相关矩阵确定单元例如根据公式54确定更新后的自相关矩阵；先验误差确定单元例如依据公式确定先验误差；增益矢量k(n)确定单元例如利用公式48确定增益矢量；自相关矩阵逆矩阵更新单元例如根据公式47更新自相关矩阵逆矩阵；滤波系数更新单元例如根据公式52更新滤波系数。

根据本发明的另一实施方式，本发明还包括均衡器权系数存留确定单元。均衡器权系数存留确定单元例如依据公式57的方法确定均衡器权系数能量，并将其与阈值进行比较，根据比较结果确定滤波系数更新单元更新过的滤波系数是否保留。在一种实施方式中，如果均衡器权系数能量小于设定的阈值，那么认为该权系数为冗余系数，将其置零；反之，则认为该滤波系数为重要系数，予以保留，继续参加均衡的迭代计算。

图4示出了依据本发明的一种实施方式的训练模式下的反馈均衡方法。

训练模式下的反馈均衡方法，包括：

前馈滤波器对水声通信训练序列进行前馈滤波(501)；

第一加法器将经前馈滤波的水声通信训练序列与反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器(502)；

第二加法器将第一加法器的输出与均衡器期望输出d(n)相加(503)；

滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和反馈滤波器的抽头系数(504)。

根据本发明的一种实施方式，抽头系数确定包括：

获取初始抽头系数和初始自相关矩阵；

利用反馈滤波器的输出y(n)(观测信号序列)、反馈滤波器的当前滤波系数w(n-1)以及迭代次数更新中间变量；

根据迭代次数，确定更新后的遗忘因子；

根据更新后的遗忘因子、中间变量和初始自相关矩阵确定更新后的自相关矩阵；

根据中间变量、自相关矩阵、和当前滤波系数w(n-1)确定先验误差；

根据当前的自相关矩阵逆矩阵P(n-1)、更新后的中间变量、和更新后的遗忘因子，确定增益矢量；

根据当前的自相关矩阵逆矩阵P(n-1)、中间变量、和增益矢量，更新自相关矩阵逆矩阵；

根据当前滤波系数w(n-1)、所述增益矢量以及先验误差更新滤波系数。

3)LMS梯度算法+软判决译码器

下面描述在跟踪模式下，依据本发明实施方式的操作。

在跟踪模式下，采用LMS梯度算法的判决反馈均衡器结合软判决译码器，对DFE抽头系数调整的LMS梯度算法做一些改进，不增加结构的复杂性，以获得很好的系统误码性能。

DFE的前向滤波部分有N₁个抽头系数，后向滤波部分有N₂个抽头系数。在(k-1)T时刻，DFE最新调整后的抽头系数矢量分别记为 $C(k-1)=\&lsqb;c_{N_1-1},c_{N_1-2},\mathrm{...},c_0\&rsqb;$ 和 $B(k-1)=\&lsqb;b_1,b_1,\mathrm{...},b_{N_2}\&rsqb;.$ 在kT时刻进入DFE的信号矢量分别为 $X\left(k\right)=\&lsqb;x_{k+N_1-1},x_{k+N_1-2},\mathrm{...},x_k\&rsqb;$ 和 $\hat{A}\left(k\right)=\&lsqb;{\hat{a}}_{k-1},{\hat{a}}_{k-2},\mathrm{...},{\hat{a}}_{k-N_2}\&rsqb;.$ 在该时刻均衡器的输出为

$Y_k=C(k-1)X{\left(k\right)}^T-B(k-1)\hat{A}{\left(k\right)}^T---\left(59\right)$

假定判决输出码元为均衡器的误差则为

$e_k=Y_k-{\hat{a}}_k---\left(60\right)$

抽头系数矢量的调整可按下式计算

C(k)＝C(k-1)-αe_kX(k)(61)

$B\left(k\right)=B(k-1)+{\mathrm{\&beta;e}}_k\hat{A}\left(k\right)---\left(62\right)$

式中α和β分别为前向滤波部分和后向滤波部分系数调整步长。

从式(60)、(61)、(62)中可以看到，误差e_k与在kT时刻均衡器判决输出码元有关；抽头系数矢量C(k)、B(k)与误差e_k,和有关。如果均衡器在kT时刻及以前的若干时刻内的判决输出码元和中没有出现错误码元，那么抽头系数矢量C(k)、B(k)为正确调整的结果。这样DFE在初始阶段将逐渐收敛，或者在已收敛后保持稳定工作。反之，抽头系数矢量C(k)、B(k)就是误调整的结果。特别是在出现突发错误码元时，抽头系数的误调整就会被累积起来，从而可能影响DFE的收敛速度或稳定工作，进而造成严重的错误扩散。

下面首先分析在kT时刻均衡器判决输出了错误码元，即(这里假定采用双极性信号传输)时，所产生的影响。

由式(61)可知

$C\left(k\right)=C(k-1)-\mathrm{\&alpha;}(Y_k-{\hat{a}}_k)X\left(k\right)=C(k-1)-\mathrm{\&alpha;}(Y_k+{\hat{a}}_k-2{\hat{a}}_k)X\left(k\right)=C\left(k\right)+2\mathrm{\&alpha;}{\hat{a}}_{k}X\left(k\right)$

其中

$C^{\&prime;}\left(k\right)=C(k-1)-{\mathrm{\&alpha;e}}_k^{\&prime;}X\left(k\right)---\left(63\right)$

是进行正确调整后所得到的抽头系数矢量。因为，既然是错误判决码元，那么就是Y_k与正确码元的误差。当然应该用e′_k而不是e_k来调整抽头系数。

由式(63)得到

$C^{\&prime;}\left(k\right)=C\left(k\right)-2\mathrm{\&alpha;}{\hat{a}}_{k}X\left(k\right)---\left(64\right)$

上式表明，一旦译码器发现是一个错误码元，就要用式(64)对已调整后的C(k)进行修正，这样就可以得到正确调整的抽头系数矢量C′(k)。式(64)称为纠错译码后的抽头系数反调整公式。

同理可推得，在中没有错误码元存在时的抽头系数矢量B(k)的反调整公式

$B^{\&prime;}\left(k\right)=B\left(k\right)+2\mathrm{\&beta;}{\hat{a}}_k\hat{A}\left(k\right)---\left(65\right)$

进而分析中存在有错误码元时所产生的影响。这主要反映在式(59)、(62)的中。理想情况下有

Y_k＝a_k+n′_k(66)

也就是说，均衡器完全消除了码间串扰而只存在均衡器输出噪声样值n′_k对信号a_k的影响。但当中有错误码元时，可推出

$Y_k=a_k+2b_i{\hat{a}}_i+n_k^{\&prime;}---\left(67\right)$

上式表明，中错误码元将在Y_k中引人新的码间串扰。因而就可能造成错误扩散。当中存在错误码元时对式(62)的影响，与提导出式(64)、(65)所作的分析相似就不再重复了。

如图5所示为自适应DFE和纠错译码的联合系统，在联合系统中，采用替代法解决中存在的错误码元的影响。即如果软判决译码器在译完一个分组码后发现了中所存在的错误码元，就立即以软判决译码器输出的正确码元来替代己输入到均衡器后向滤波部分中去的相应的错误码元，来中止错误码元可能引起的错误扩散，除非软判决译码器产生错误译码。

在联合系统实现中要考虑的一个因素是软判决译码器的译码时延。因此，式(64)、(65)的反调整以及对中错误码元的替代也要作相应的时延。要尽量减小译码时延,又要有一定的纠错能力，就应选用比较合适的码。

综上所述，根据一种实施方式，在自适应DFE和纠错译码的联合系统中，计算步骤可以如下：

1.根据C(k-1)、B(k-1)、X(k)、由式(59)计算得到Y_k；

2.根据Y_k，由式(60)计算得到e_k；

3.根据C(k-1)、α、e_k、X(k)由式(61)计算得到C(k)；

4.根据B(k-1)、β、e_k、由式(62)计算得到B(k)；

其中，在T时刻进入前向滤波器的信号矢量X(k)，判决输出码元进入后向滤波器的信号矢量为T-1时刻的检测码元，均衡器的误差e_k，前向滤波部分抽头系数矢量记为C(k)，后向滤波部分抽头系数矢量B(k)，α和β分别为前向滤波部分和后向滤波部分系数调整步长。

当译码器发现是一个错误码元，需要根据C(k-1)、α、X(k)由式(64)修正的C(k)，得到C′(k)。如果在中没有错误码元存在，可根据的B(k)、β、的由式(65)调整B(k)得到B′(k)。

图6是依据本发明的一种实施方式的均衡器跟踪模式下的结构框图。如图6所示，在跟踪模式下，所述均衡器包括前馈滤波器61、第一加法器62、判决器66、反馈滤波器63、第二加法器64、滤波器抽头系数确定单元65，所述前馈滤波器对水声通信数据序列进行前馈滤波；所述第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加，所述判决器对所述第一加法器的输出进行数据判决；所述反馈滤波器用于对所述判决器的输出进行反馈滤波；所述第二加法器将所述第一加法器的输出与所述判决器的输出进行相加；所述滤波器抽头系数确定单元根据所述第二加法器的输出确定所述前馈滤波器和所述反馈滤波器的抽头系数。

图7是跟踪模式下滤波器抽头系数确定单元的结构示意图。所述滤波器抽头系数确定单元包括：均衡器输出确定单元71，根据当前前馈滤波抽头系数、后馈滤波抽头系数、T时刻进入前馈滤波器的信号矢量及进入后馈滤波器的信号矢量，确定均衡器的输出；均衡器误差确定单元72，根据均衡器的输出、判决输入码元确定均衡器的误差；前馈滤波器抽头系数确定单元73，根据当前前馈滤波抽头系数、前馈滤波抽头系数调整步长、均衡器的误差及T时刻进入前馈滤波器的信号矢量，确定前馈滤波器抽头系数；后馈滤波器抽头系数确定单元74，根据当前后馈滤波抽头系数、后馈滤波抽头系数调整步长、均衡器的误差及T时刻进入后馈滤波器的信号矢量，确定后馈滤波器抽头系数。滤波器抽头系数确定单元还包括抽头系数调整单元75，根据判决输出码元是否为错误码元，调整抽头系数。

根据本发明的一种实施方式，均衡器输出确定单元例如根据公式59确定均衡器的输出；均衡器误差确定单元例如根据公式60确定均衡器的误差；前馈滤波器抽头系数确定单元例如根据公式61确定前馈滤波器抽头系数；后馈滤波器抽头系数确定单元例如根据公式62确定后馈滤波器抽头系数。根据本发明的一种实施方式，滤波器抽头系数确定单元还可以包括抽头系数调整单元，其根据公式64、65调整抽头系数。

图8示出了依据本发明的一种实施方式的跟踪模式下的反馈均衡方法。

跟踪模式下的反馈均衡方法，包括：

利用前馈滤波器对水声通信数据序列进行前馈滤波(801)；

利用第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加(802)；

利用判决器对第一加法器的输出进行数据判决(803)；

利用反馈滤波器对判决器的输出进行反馈滤波(804)；

利用第二加法器将第一加法器的输出与判决器的输出进行相加(805)；

利用滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和反馈滤波器的抽头系数(806)。

其中，抽头系数确定包括：

根据当前前馈滤波抽头系数、后馈滤波抽头系数、T时刻进入前馈滤波器的信号矢量及进入后馈滤波器的信号矢量，确定均衡器的输出；

根据均衡器的输出、判决输入码元确定均衡器的误差；

根据当前前馈滤波抽头系数、前馈滤波抽头系数调整步长、均衡器的误差及T时刻进入前馈滤波器的信号矢量，确定前馈滤波器抽头系数；

根据当前后馈滤波抽头系数、后馈滤波抽头系数调整步长、均衡器的误差及T时刻进入后馈滤波器的信号矢量，确定后馈滤波器抽头系数；

根据判决输出码元是否为错误码元，调整抽头系数。

综上所述，根据本发明的某些实施方式，基于海洋混响结构具有自然稀疏性这一特性，简化了信道模型，减少了设计均衡器时的计算量；提出了一种信道均衡方法，改善了算法的收敛速度，使算法能够以较小的收敛残差收敛，降低计算复杂度、提高均衡性能。

本实施例的内容仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种均衡器，其特征在于，所述均衡器包括前馈滤波器、第一加法器、反馈滤波器、第二加法器、滤波器抽头系数确定单元，

所述前馈滤波器对水声通信训练序列进行前馈滤波；

所述第一加法器将经前馈滤波的水声通信训练序列与所述反馈滤波器的输出进行相加，并将相加的结果输出到所述反馈滤波器；

所述第二加法器将所述第一加法器的输出与均衡器期望输出(d(n))相加；

所述滤波器抽头系数确定单元根据所述第二加法器的输出确定所述前馈滤波器和所述反馈滤波器的抽头系数。

2.根据权利要求1所述的均衡器，其特征在于，所述滤波器抽头系数确定单元使用变遗忘因子自适应RLS-CMA算法更新均衡器的抽头权系数。

3.根据权利要求1所述的均衡器，其特征在于，所述滤波器抽头系数确定单元包括：

初始化单元，用于获取初始抽头系数和初始自相关矩阵；

中间变量更新单元，利用所述反馈滤波器输出的观测信号序列(y(n))、所述反馈滤波器的当前滤波系数(w(n-1))以及迭代次数，更新中间变量；

遗忘因子更新单元，根据迭代次数，确定更新后的遗忘因子；

自相关矩阵确定单元，根据所述更新后的遗忘因子、所述中间变量和所述初始自相关矩阵确定更新后的自相关矩阵；

先验误差确定单元，根据所述中间变量、所述自相关矩阵、和当前滤波系数(w(n-1))确定先验误差；

增益矢量确定单元，根据当前的自相关矩阵逆矩阵(P(n-1))、更新后的中间变量、和更新后的遗忘因子，确定增益矢量(k(n))；

自相关矩阵逆矩阵更新单元，根据当前的自相关矩阵逆矩阵(P(n-1))、所述中间变量、和所述增益矢量，更新自相关矩阵逆矩阵；以及

滤波系数更新单元，根据当前滤波系数(w(n-1))、所述增益矢量以及所述先验误差更新滤波系数。

4.根据权利要求3所述的均衡器，其特征在于，所述滤波器抽头系数确定单元还包括均衡器权系数存留确定单元，用于确定均衡器权系数能量，并将其与阈值进行比较，根据比较结果确定滤波系数更新单元更新过的滤波系数是否保留。

5.一种均衡器，其特征在于，所述均衡器包括前馈滤波器、第一加法器、判决器、反馈滤波器、第二加法器、滤波器抽头系数确定单元，

所述前馈滤波器对水声通信数据序列进行前馈滤波；

所述第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加；

所述判决器对所述第一加法器的输出进行数据判决；

所述反馈滤波器用于对所述判决器的输出进行反馈滤波；

所述第二加法器将所述第一加法器的输出与所述判决器的输出进行相加；

所述滤波器抽头系数确定单元根据所述第二加法器的输出确定所述前馈滤波器和所述反馈滤波器的抽头系数。

6.根据权利要求5所述的均衡器，其特征在于，所述滤波器抽头系数确定单元使用LMS结合软判决译码器的算法更新均衡器的抽头权系数。

7.根据权利要求5所述的均衡器，其特征在于，所述滤波器抽头系数确定单元包括：

均衡器输出确定单元，根据当前前馈滤波抽头系数、后馈滤波抽头系数、T时刻进入前馈滤波器的信号矢量及进入后馈滤波器的信号矢量，确定均衡器的输出；

均衡器误差确定单元，根据均衡器的输出、判决输入码元确定均衡器的误差；

前馈滤波器抽头系数确定单元，根据当前前馈滤波抽头系数、前馈滤波抽头系数调整步长、均衡器的误差及T时刻进入前馈滤波器的信号矢量，确定前馈滤波器抽头系数；

后馈滤波器抽头系数确定单元，根据当前后馈滤波抽头系数、后馈滤波抽头系数调整步长、均衡器的误差及T时刻进入后馈滤波器的信号矢量，确定后馈滤波器抽头系数。

8.根据权利要求7所述的均衡器，其特征在于，所述滤波器抽头系数确定单元还包括抽头系数调整单元，根据判决输出码元是否为错误码元，调整抽头系数。

9.一种反馈均衡方法，包括以下步骤：

前馈滤波步骤，利用前馈滤波器对水声通信训练序列进行前馈滤波；

第一加法步骤，将经前馈滤波的水声通信训练序列与一反馈滤波器的输出进行相加，并将相加的结果输出到反馈滤波器；

第二加法步骤，将第一加法步骤的输出与均衡器期望输出(d(n))相加；

抽头系数更新步骤，根据第二加法步骤的输出确定前馈滤波器和反馈滤波器的抽头系数。

10.一种反馈均衡方法，包括以下步骤：

前馈滤波步骤，利用前馈滤波器对水声通信数据序列进行前馈滤波；

第一加法步骤，利用第一加法器将经前馈滤波的水声通信数据序列与反馈滤波器的输出进行相加；

判决步骤，利用判决器对第一加法器的输出进行数据判决；

反馈滤波步骤，利用反馈滤波器对判决器的输出进行反馈滤波；

第二加法步骤，利用第二加法器将第一加法器的输出与判决器的输出进行相加；

抽头系数更新步骤，利用滤波器抽头系数确定单元根据第二加法器的输出确定前馈滤波器和反馈滤波器的抽头系数。