CN114024806A - 融合星载滤波器特征的时域均衡方法、系统及存储介质 - Google Patents

Abstract

本发明提供一种融合星载滤波器特征的时域均衡方法、系统及存储介质，该方法包括：构建卫星通信信道模型，提取线性核函数和非线性核函数；提取星载滤波器的信道特征，构建星载滤波器的抽头矢量；对均衡器进行线性阶重及非线性阶重初始化赋值，并对非线性阶重初始值及星载滤波器的抽头矢量进行卷积运算；基于阶重初始化赋值之后的均衡器分别计算线性输出及非线性输出，并计算均衡器的实际均衡输出；根据理想均衡输出以及实际均衡输出计算实际信号误差值；基于信号误差值与误差收敛因子之间的对应关系确定实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子；根据实际信号误差值及计算到的步长因子更新均衡器的线性阶重和非线性阶重。

Description

融合星载滤波器特征的时域均衡方法、系统及存储介质

技术领域

本发明涉及卫星通信技术领域，尤其涉及一种融合星载滤波器特征的时域均衡方法、系统及存储介质。

背景技术

星载滤波器是卫星转发器上的重要器件，卫星接收到来自地面的信号，需要经过IMUX处理，星载输入多路复用滤波器的作用是对多路信号进行分路，得到单路单载波信号，经过输入多路复用滤波器处理后，信号传输到功率放大器，信号经过功放处理后，再送到OMUX做滤波处理。

由于星载滤波器的带内不平坦特性，以及其群时延非线性的特点，导致卫星信道呈现显著非理想特性，卫星信号经过了星载滤波器后，会产生符号间干扰，使得发送信号在接收端产生严重的失真，因此需要针对星载滤波器特性做均衡技术研究。

通信中的均衡是指对信道特性的均衡，即接收端的均衡器产生与信道相反的特性，用来抵消信道的时变多径传播特性引起的码间干扰，即通过均衡器消除信道的频率和时间的选择性。最初的均衡技术，针对已知的非时变信道，应用非自适应算法来更新均衡器系数；针对无线信道未知的时变的特性所导致的静态线性均衡技术无法及时更改均衡器系数问题，因而提出了自适应均衡技术，自适应均衡通过发射端向接收机发射一组已知的固定长度训练序列，接收机根据训练序列来求得滤波器的参数；针对卫星传输系统中发送固定序列占用信号传输资源的问题，也提出了无需发送训练序列的盲均衡技术。

而自适应均衡器的工作过程包含两个阶段，一是训练过程，二是跟踪过程，训练过程是通过发射端向接收机发射一组已知的固定长度训练序列，接收机根据训练序列来求得滤波器的参数，从而解决了信道未知性的问题，而跟踪是在足够短的时间间隔内，重复发送训练序列，并根据信道特性的变化自行调整滤波器的参数，这就解决了信道时变性的问题。哈尔滨工业大学提出的低轨卫星移动通信单载波频域均衡方法，用了IBDFE算法，但是该方法在做判决反馈前对接收信号做了线性均衡，并不能适用于非线性失真严重的卫星信道；西安交通大学提出的一种用于单载波宽带无线通信系统的迭代均衡方法及设备，方法包括初始状态得到初始编码比特外信息以及原始信息比特数据流的初始估计值，以及在迭代中接收端采用时域迭代均衡结构进行处理，但是该方法处理起来比较复杂；中国科学声学研究院提出使用RLS递归最小二乘法和LMS最小均方联合算法的信道均衡方法去训练均衡器抽头系数，该方法使用的两种联合算法，需要设定一个阈值，来判决均衡时使用哪种算法去更新抽头系数，但如何设定准确的阈值是一个问题。并且自适应均衡技术在针对随时间变化的无线移动信道做均衡时，必须定期的传送训练序列，从而信道的使用效率大大降低。

针对在卫星通信场景下，因定期传送训练序列导致的卫星信道使用效率降低问题，进而提出了信道盲均衡技术。盲均衡技术不必获得发送训练序列用以对滤波器参数进行调节，仅利用接收序列以均衡信道传输特性，能有效地抵偿卫星信道的非理想特性，抑制码间干扰，降低误码率，改善通信质量。但目前的信道盲均衡技术存在着处理过程复杂、参数优化时间长、计算量大的问题。

发明内容

有鉴于此，本发明提供了一种融合星载滤波器特征的时域均衡方法及系统，以解决现有技术中存在的一个或多个问题。

根据本发明的一个方面，本发明公开了一种融合星载滤波器特征的时域均衡方法，所述方法包括：

基于volterra级数模型构建卫星通信信道模型，并基于构建的所述卫星通信信道模型提取线性核函数和非线性核函数；

基于星载滤波器模型提取星载滤波器的信道特征，并基于提取到的所述信道特征构建星载滤波器的抽头矢量；

根据提取到的线性核函数对均衡器进行线性阶重初始化赋值，并根据提取到的非线性核函数对均衡器进行非线性阶重初始化赋值，并对非线性阶重初始值及所述星载滤波器的抽头矢量进行卷积运算：

基于阶重初始化赋值之后的均衡器分别计算输入信号对应的线性输出及非线性输出，并根据计算得到的所述线性输出及非线性输出计算所述均衡器的实际均衡输出；

根据理想均衡输出以及计算到的实际均衡输出计算均衡器的实际信号误差值；

基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子；

根据所述实际信号误差值及计算得到的步长因子更新所述均衡器的线性阶重和非线性阶重。

在本发明的一些实施例中，基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子，包括：

基于信号误差值与误差收敛因子之间的对应关系构建误差-收敛因子表；

从所述误差-收敛因子表中查找与所述实际信号误差值对应的实际收敛因子。

在本发明的一些实施例中，基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子，还包括：

将实际收敛因子与预设数值进行比较，得到比较结果。

在本发明的一些实施例中，实际收敛因子大于预设数值时，所述步长因子的计算公式为：

其中，μ(k)为步长因子，β为实际收敛因子，d(k)为实际信号误差值，α为限制系数：0<α<2。

在本发明的一些实施例中，实际收敛因子小于预设数值时，所述步长因子的计算公式为：

其中，μ(k)为步长因子，d(k)为实际信号误差值。

在本发明的一些实施例中，所述线性核函数的公式为：

其中，y1为线性输出，x(n)为输入信号，w_i为volterra级数模型的一阶线性核系数，N为最大记忆时延。

在本发明的一些实施例中，所述非线性核函数的公式为：

其中，y2为非线性输出，x(n)为输入信号，w_i,j,l为volterra级数模型的三阶线性核系数，N为最大记忆时延。

在本发明的一些实施例中，所述实际均衡输出的计算公式为：

其中，y(n)为输入信号x(n)对应的实际均衡输出，h1(n)为线性阶重，h3(n)为非线性阶重，N为最大记忆时延。

根据本发明的另一方面，还公开了一种融合星载滤波器特征的时域均衡系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。

根据本发明的再一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。

本发明实施例中的融合星载滤波器特征的时域均衡方法及系统，有效解决了目前卫星信道均衡相关技术的均衡器抽头模块初始化未考量星载滤波器特性导致均衡器初始输出值与真实值存在较大偏差这一问题，且该方法融合星载滤波器的信道传输因子的迭代均衡算法，研究星载滤波器的多维特征，在卫星信道矩阵设计时，融合星载滤波器特性的信道特征矩阵，从而使得均衡方法处理过程简单、参数优化时间短以及计算量小。

另外，在均衡器的设置过程中，将星载滤波器特性提取表征初始化为迭代均衡器中的抽头模块的系数矩阵，直接从星载滤波器特征提取的初始系数矩阵，抵消了信号经过非线性星载滤波器引入的干扰分量，使得均衡器在后续更新抽头模块时，达到最优化均衡时，处理时间变低。解决了目前的均衡方法存在的处理过程复杂、参数优化时间长、计算量大的问题。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本发明一实施例的融合星载滤波器特征的时域均衡方法的流程示意图。

图2为本发明一实施例的融合星载滤波器特征的时域均衡系统的模块结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

传统的地面信道均衡技术针对的是地面滤波器及放大器所导致的信道失真特性，无法解决现有的卫星信道强非线性失真特性，而目前的卫星信道均衡技术，存在未仔细考虑星载滤波器和地面滤波器差异的不足，针对星载滤波器非线性特征的补偿不够的特点。且现有的宽带卫星要求星载滤波器的通带带宽增大，因此在宽带通信的条件下，星载滤波器的非理想特性显著增强，现有提出的信道均衡技术，并未针对宽带卫星系统下的星载滤波器强非线性特征做均衡处理，而是简单的将卫星信道统一考量为一个非线性模型。

其中，对于Volterra滤波法，利用Volterra级数既可以用于表示卫星信道，同时也可以用来构造均衡器；可以采用一个和信道结构一致且以Volterra级数表达的均衡器进行均衡。但是由于Volterra结构的滤波器复杂，所以在处理时，复杂度会上升，所以需要平衡算法均衡性能和复杂度。

2020年兰州大学提出的基于在线的回声状态网络的卫星信道盲均衡方法，将其独特的动态储备池结构以及简单的权值训练算法应用时间序列预测、非线性系统建模、信道均衡等方面，但是该方法没有对非线性失真情况更复杂的卫星信道盲均衡方法做深入研究；2019年北京邮电大学提出的使用强化学习和深度学习技术结合实现无训练数据的盲均衡，但是该算法主要针对的是使用神经网络做卫星通信系统调制信号模式识别，在前期需要花费大量的时间去更新神经网络模型；浙江大学提出的一种基于带外源输入的非线性自回归神经网络与块状反馈的信道均衡方法基于时间序列的基于带外源输入的非线性自回归神经网络和判决反馈结构，构建了适用于存在码间干扰及频率选择性衰落信道的均衡器，利用反向传播算法训练得到最优参数，但其使用神经网络去训练得到均衡器最优参数，并未在一开始就针对卫星信道特性做均衡系数配置，导致存在优化参数时训练时间过长的问题；国防科技大学提出一种Alpha稳定分布噪声环境下的非线性信道均衡方法，针对噪声分布提出了噪声环境下的代价函数，去更新均衡器抽头系数，但是在卫星信道中，信道中的噪声一般使用高斯白噪声，所以该方法无法应用于卫星信道中；2015年南京信息工程大学提出的一种卫星信道复数神经多项式网络盲均衡系统及方法，采用复数神经多项式网络作为盲均衡模块，但是使用复数神经网络在处理时其反向传播算法不仅需要考虑权重的实部，还需要考虑虚部，因此在数据搜索空间维数扩展了两个数量级，会带来较大的计算量。

而为了解决上述存在的种种问题，本发明的融合星载滤波器特征的时域均衡方法在均衡器的设置过程中，将星载滤波器特性提取表征初始化为迭代均衡器中的抽头模块的系数矩阵，直接从星载滤波器特征提取的初始系数矩阵，抵消了信号经过非线性星载滤波器引入的干扰分量，使得均衡器在后续更新抽头模块时，达到最优化均衡时，处理时间变低。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

图1为本发明一实施例的融合星载滤波器特征的时域均衡方法的流程示意图，如图1所示，该方法包括步骤S10～S70。

步骤S10：基于volterra级数模型构建卫星通信信道模型，并基于构建的所述卫星通信信道模型提取线性核函数和非线性核函数。

具体的，构件的卫星通信信道模型可为三阶volterra级数模型，由于三阶volterra的模型的复杂度较高，全盘采用三阶volterra核函数，信道模型的复杂度会全面上升，计算复杂；因此，与均衡系统输入端组合器相对应的，采用截断的三阶volterra模型核函数。传统的三阶volterra模型是如下公式所示的模型结构：

在上述公式中，w(n)为噪声分量，假设输入信号为x(n)，则y(n)为输入信号x(n)的m_p个延迟，p为系统阶数，该模型结构的模型核函数为其中的w_i(m1,m2,m3)，若如不截断，假设深度P＝3，时延M＝2,m1,m2,m3取值范围为1～M-1之间的所有整数，M为沃尔泰拉记忆深度，而M-1为考虑的最大记忆时延，则此volterra模型为记忆深度为3的三阶volterra级数模型的系数可以为w₁(0,0,0),w₁(1,0,0),w₁(0,1,0),w₁(0,0,1),w₁(2,0,0)…w₂(0,0,0),w₂(1,0,0)…w₂(2,2,1),w₂(2,2,2)…w₃(2,2,1)w₃(2,2,2)等，其本身系数多；对于截断的三阶volterra模型，就是从原有volterra级数模型中的多个系数，只保留其中的一阶深度系数w₁(m,m,m)和三阶深度系数w₃(m,m,m)，保留为线性核函数和非线性核函数。其截断过程就是一个简单的系数选取过程，通过选取部分的系数，来对复杂的结构做删减。其在保留信道模型的记忆性和非线性特点的情况下，减少了均衡器的复杂度。因此从三阶volterra核函数中，可选取出线性核函数及非线性核函数。

具体的，截断的三阶volterra级数模型,时延为N阶时的模型公式可以表示为如下所示：

其中，y(n)为输入信号x(n)对应的输出，h1(n)为均衡器线性阶重，h3(n)为非线性阶重，N为最大记忆时延。

在一实施例中，最大考虑记忆时延为N，则该记忆时延为N的3阶截断volterra级数模型的线性核函数的公式为：

其中，y1为线性输出，x(n)为输入信号，w为volterra级数模型的一阶线性核系数，N为最大记忆时延。

而该记忆时延为N的3阶截断volterra级数模型的非线性核函数的公式为：

其中，y2为非线性输出，x(n)为输入信号，w_i,j,l为volterra级数模型的三阶线性核系数，N为最大记忆时延。

步骤S20：基于星载滤波器模型提取星载滤波器的信道特征，并基于提取到的所述信道特征构建星载滤波器的抽头矢量。

在该步骤中，考虑到星载滤波器引起的强非线性失真，因而提取星载滤波器的特征，假设星载滤波器的信道特性看作一个长度为J的线性横向滤波器；J为最大记忆时延N，则此时提取到的星载滤波器的抽头矢量为F＝[f₀,f₁…f_J-1]^T。应当理解的是，对于本发明中的最大记忆时延N的取值不做具体限定，可以根据具体实际应用环境进行选择。

步骤S30：根据提取到的线性核函数对均衡器进行线性阶重初始化赋值，并根据提取到的非线性核函数对均衡器进行非线性阶重初始化赋值，并对非线性阶重初始值及所述星载滤波器的抽头矢量进行卷积运算。

其中，首先从简化的volterra级数模型中，提取出线性核函数和非线性核函数，用模型中的线性核函数给均衡器的线性权重赋值，然后用模型中的非线性核函数与从星载滤波器中提取出的抽头矢量做卷积运算，再对卷积结果做截断，用截断后的数值给均衡器的非线性权重赋值。

在该步骤中，提取到的线性核函数和非线性核函数如下定义表示：

其中，w₁(n,n,n)取值为w₁(0,0,0)w₁(1,1,1)…w₁(N-1,N-1,N-1)中的一个，w₃(n,n,n)为w₃(0,0,0)w₃(1,1,1)w₃(2,2,2)…w₃(N-1,N-1,N-1)中的一个；即n取值为0,1…N-1。在获取到滤波器的N阶级

进一步的，得到对均衡器的阶重初始化赋值之后，进一步的对非线性阶重初始值及星载滤波器的抽头矢量F进行卷积运算，即h3(n)＝conv[w3(n),F]，进而对卷积后得到的数据做截断处理，即只保留其中前N个值，其中N为设定的均衡器深度。

示例性的，最终得到的均衡器阶重表示为：

h1(n)＝w1(n)；

h3(n)＝conv[w3(n),F]。

步骤S40：基于阶重初始化赋值之后的均衡器分别计算输入信号对应的线性输出及非线性输出，并根据计算得到的所述线性输出及非线性输出计算所述均衡器的实际均衡输出。

具体的，将输入信号经过延迟后通过线性模块和非线性模块，得到初步处理后的值，再将处理过后的值与对应的均衡器权重相乘，以得到实际均衡输出。

在该步骤中，实际均衡输出的计算公式为：

其中，y(n)为输入信号x(n)对应的实际均衡输出，h1(n)为均衡器线性阶重，h3(n)为非线性阶重，N为最大记忆时延。

具体的，在基于上述步骤确定线性核函数以及非线性核函数的核函数系数之后，进一步的基于各函数计算输入信号对应的线性输出以及非线性输出。在该实施例中，假设输入信号记为y(k)，则对于输入信号y(k)对应的线性输出，是将输入信号y(k)做k个延迟，得一系列延迟信号，如{y(k)，y(k-1)…y(k-N+1)}；而输入信号y(k)对应的非线性输出数据为：对其进行自乘，并乘以其共轭，如{y(k)y(k)y*(k)，…y(k-N+1)y(k-N+1)y*(k-N+1)}。

进一步的，基于线性输出数据{y(k)，y(k-1)…y(k-N+1)}与线性阶重系数h1(n)相乘做累加,并且将非线性输出数据{y(k)y(k)y*(k)～y(k-N+1)y(k-N+1)y*(k-N+1)}与对应的非线性阶重系数h3(n)相乘做累加，得到最终的均衡计算输出z(k)。即：

其中，N为最大记忆时延，m取值为0,1…N-1。

步骤S50：根据理想均衡输出以及计算到的实际均衡输出计算均衡器的实际信号误差值。

在该步骤中，理想均衡输出a(k)可自定义设置也可由系统直接提供，用于表征理想状态下该均衡器的均衡输出；而实际均衡输出z(k)为通过步骤S40得到的均衡器的实际输出；进一步的，基于理想均衡输出a(k)及实际均衡输出z(k)计算其差值，可得到实际的信号误差值d(k)。具体的，d(k)＝a(k)-z(k)。

步骤S60：基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子。

其中，在确定实际信号误差值对应的实际收敛因子之前还可以基于信号误差值与误差收敛因子之间的对应关系构建误差-收敛因子表，并具体的从误差-收敛因子表中查找与实际信号误差值对应的实际收敛因子。其中，“误差-收敛因子表”可根据前期的实验数据进行设定；且在该步骤中，每求得一次实际误差信号值，都需要从误差-收敛因子表中查找计算得到的实际信号误差值对应的收敛因子β。

进一步的，在确定了与实际信号误差值对应的实际收敛因子β之后，进一步的基于实际收敛因子以及实际信号误差值确定步长因子μ(k)。步长因子与输入信号自相关矩阵特征值有关，其可以设置为固定步长因子，即每一阶的步长都与当阶的误差计算值相关。而为了进一步的更新均衡器的各阶函数的系数，优选的采用变步长因子；即当误差小于估计阈值时，可以使得收敛速度减慢，步长因子的值在预设范围内。在计算步长算法时，设计时变步长更新算法，具体的，在计算步长因子时，将实际收敛因子与预设数值进行比较，得到比较结果，进一步基于该比较结果选择该实际收敛因子适用的计算方法。

具体的，当实际收敛因子大于预设数值时，所述步长因子的计算公式为：

其中，μ(k)为步长因子，β为实际收敛因子，d(k)为实际信号误差值，α为限制系数：0<α<2。在该式中，α为噪声敏感度控制因子，用于限定控制步长因子的大小，以使算法在收敛速度与噪声敏感度之间取得均衡。当实际收敛因子小于预设数值时，步长因子的计算公式为：

其中，μ(k)为步长因子，d(k)为实际信号误差值。

步骤S70：根据所述实际信号误差值及计算得到的步长因子更新所述均衡器的线性阶重和非线性阶重。

在该步骤中，具体的根据计算得到的实际误差值以及步长因子，更新均衡器的每一阶阶重h。即h(k+1)＝h(k)+μ(k)z(k)d(k)，其中，μ(k)为输入信号y(k)对应的步长因子，z(k)为输入信号y(k)对应的实际均衡输出，d(k)为输入信号y(k)对应的实际信号误差值，h(k)代表z(k)对应的均衡器的各阶阶重系数，而h(k+1)为更新之后的各阶阶重系数。

通过上述实施例可以发现，该融合星载滤波器特征的时域均衡方法改进了传统卫星信道均衡器在初始化抽头模块时，没有考虑到星载滤波器非线性的问题所导致的后续优化更新均衡器抽头模块迭代次数过多的缺点，提高了信道均衡的性能，同时设计了自适应步长更新算法，使得均衡迭代算法收敛更快。

对应的，本发明还公开了一种融合星载滤波器特征的时域均衡系统，该均衡系统包括处理器和存储器，存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例的方法的步骤。

示例性的，该时域均衡系统可看作为由三个模块组成，分别是均衡输入组合模块、均衡计算模块、以及星载自适应均衡权重赋值计算模块。均衡输入组合模块主要包含延时结构和一个组合器结构，组合器结构分为线性模块和非线性组合模块。延迟结构的作用是用来对均衡器输入信号做延迟；线性模块直接将延迟不同时间后的输入信号不做处理直接输出，非线性模块为了实现输入信号的记忆效应，对延迟不同时间后的输入信号做共轭并与其自身相乘，得到具有记忆效应的输入信号。

均衡输入组合模块的目的是为了使得输入信号不仅包含线性特点，同时也包含记忆性特点及非线性特点；为了保留输入信号的记忆性，设计了延时结构，使得这一时刻的均衡输入信号中，包含前几个时刻的输入延迟量。此外，为了使得均衡输入组合模块的输出与均衡计算模块的非线性阶重相对应，构建了非线性组合模块部分，对信号做自乘再将乘积与共轭相乘，得到与非线性阶重相乘的量，用延迟信号的高次幂来表征非线性量。

均衡计算模块主要由组合器的输出和均衡器每一阶阶重系数组成，均衡计算模块将均衡输入组合模块输出的带记忆效应的不同延迟输出与对应阶重系数相乘，每阶所得输出做累加后作为均衡器的初步输出。

具体的，均衡计算模块由多级乘法器和累加器构成，同时还包含阶重的异阶耦合模块，每一阶重的值，首先根据星载自适应均衡权重赋值计算模块的赋值来初始化，在初始化完成后,自适应均衡计算模块的每一阶阶重都会在变化，根据星载自适应均衡权重赋值计算模块的步长值和误差值，来迭代更新，均衡输出就是各阶重与组合输入相对应乘积所累加的和，直至均衡输出与理想信号差值满足条件。

星载自适应均衡权重赋值计算模块在初始化时，根据卫星信道模型及星载滤波器特性来初始化均衡器阶重系数，在之后并根据均衡计算模块的初步输出与理想信号的差值，来迭代更新均衡计算模块重的每一阶阶重系数。

首先是对均衡计算模块阶重的初始化赋值，根据理论模型建立卫星非线性信道模型，由于传统模型采用的是三阶volterra模型，结构较为复杂，因此对传统模型做分解抽取，选取出简化的线性核和非线性核，在考虑到星载滤波器的强非线性效应时，在对非线性阶重的初始化赋值时，融合星载滤波器特征，再对非线性阶重赋值，此时的非线性权重既保留了最初的非线性信道模型的特征，也针对了星载滤波器非线性特征进行了处理，使得后续阶重更新时，计算速度加快，更快地收敛。

在接收到均衡输出信号以及理想信号后，进一步计算误差信号，根据误差信号的大小，评估判断，从查找表中选择对应的步长计算因子，若误差信号较大，则需要计算得到较大的步长，若误差信号较小，则需要计算得到较小的步长，基于上述原则，设计了步长选择模块，根据误差信号大小判决得到自己的步长计算模式。计算出步长大小后，将其输入到均衡计算模块，用来控制线性阶重和非线性阶重的变化率。

另外，该发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合星载滤波器特征的时域均衡方法，其特征在于，所述方法包括：

基于volterra级数模型构建卫星通信信道模型，并基于构建的所述卫星通信信道模型提取线性核函数和非线性核函数；

基于星载滤波器模型提取星载滤波器的信道特征，并基于提取到的所述信道特征构建星载滤波器的抽头矢量；

根据提取到的线性核函数对均衡器进行线性阶重初始化赋值，并根据提取到的非线性核函数对均衡器进行非线性阶重初始化赋值，并对非线性阶重初始值及所述星载滤波器的抽头矢量进行卷积运算；

基于阶重初始化赋值之后的均衡器分别计算输入信号对应的线性输出及非线性输出，并根据计算得到的所述线性输出及非线性输出计算所述均衡器的实际均衡输出；

根据理想均衡输出以及计算到的实际均衡输出计算均衡器的实际信号误差值；

基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子；

根据所述实际信号误差值及计算得到的步长因子更新所述均衡器的线性阶重和非线性阶重。

2.根据权利要求1所述的融合星载滤波器特征的时域均衡方法，其特征在于，基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子，包括：

基于信号误差值与误差收敛因子之间的对应关系构建误差-收敛因子表；

从所述误差-收敛因子表中查找与所述实际信号误差值对应的实际收敛因子。

3.根据权利要求2所述的融合星载滤波器特征的时域均衡方法，其特征在于，基于信号误差值与误差收敛因子之间的对应关系确定所述实际信号误差值对应的实际收敛因子，并基于实际收敛因子以及实际信号误差值确定步长因子，还包括：

将实际收敛因子与预设数值进行比较，得到比较结果。

4.根据权利要求3所述的融合星载滤波器特征的时域均衡方法，其特征在于，实际收敛因子大于预设数值时，所述步长因子的计算公式为：

其中，μ(k)为步长因子，β为实际收敛因子，d(k)为实际信号误差值，α为限制系数：0<α<2。

5.根据权利要求3所述的融合星载滤波器特征的时域均衡方法，其特征在于，实际收敛因子小于预设数值时，所述步长因子的计算公式为：

其中，μ(k)为步长因子，d(k)为实际信号误差值。

6.根据权利要求1所述的融合星载滤波器特征的时域均衡方法，其特征在于，所述线性核函数的公式为：

其中，y1为线性输出，x(n)为输入信号，w_i为volterra级数模型的一阶线性核系数，N为最大记忆时延。

7.根据权利要求6所述的融合星载滤波器特征的时域均衡方法，其特征在于，所述非线性核函数的公式为：

其中，y2为非线性输出，x(n)为输入信号，w_i,j,l为volterra级数模型的三阶线性核系数，N为最大记忆时延。

8.根据权利要求7所述的融合星载滤波器特征的时域均衡方法，其特征在于，所述实际均衡输出的计算公式为：

其中，y(n)为输入信号x(n)对应的实际均衡输出，h1(n)为线性阶重，h3(n)为非线性阶重，N为最大记忆时延。

9.一种融合星载滤波器特征的时域均衡系统，该系统包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至8中任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。

Images