CN114826842B - 非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 - Google Patents
非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 Download PDFInfo
- Publication number
- CN114826842B CN114826842B CN202210306417.5A CN202210306417A CN114826842B CN 114826842 B CN114826842 B CN 114826842B CN 202210306417 A CN202210306417 A CN 202210306417A CN 114826842 B CN114826842 B CN 114826842B
- Authority
- CN
- China
- Prior art keywords
- equalizer
- signal
- sample
- gaussian noise
- cost function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000011478 gradient descent method Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
- H04L25/03082—Theoretical aspects of adaptive time domain methods
- H04L25/03089—Theory of blind algorithms, recursive or not
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/38—Demodulator circuits; Receiver circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03598—Algorithms
- H04L2025/03611—Iterative algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03598—Algorithms
- H04L2025/03675—Blind algorithms using gradient methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明属于无线通信中盲均衡技术领域,公开了一种非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统,包括:定义样本集,将多级信号样本转换为单级;定义决策阈值,判断当前接收的瞬时信号是否属于样本集,如果不属于集合范围,过滤样本;如果属于集合,则进行迭代运算;对修正后的代价函数微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。本发明开发了一种非高斯噪声下多进制正交调幅信号多模盲均衡方法,可以避免稳态失调,减少码间干扰和信道间干扰,降低计算复杂度。此外,过滤样本时大误差的野点也被抛弃,所以可以很好的应用于非高斯噪声环境下。
Description
技术领域
本发明属于无线通信中盲均衡技术领域,尤其涉及一种非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统。
背景技术
目前,盲均衡技术是提高通信系统可靠性的重要技术之一,用于解决信道的多径效应带来的码间干扰问题。在现代通信系统中,由于有限带宽通信信道的失真和畸变引起的码间干扰(ISI)和信道间干扰(ICI)是影响通信质量的重要因素。码间干扰和信道间干扰的积累将会导致误码的产生,从而导致通信质量的下降。盲均衡技术可以减少码间干扰和信道间干扰,降低误码率,且能够不借助训练序列就能够获得理想的通信效果。因此研究盲均衡技术具有非常重要的意义。
为了以有效的方式使用可用带宽,文献中已经提出了许多调制方案,例如多级正交幅度调制(QAM)信号的情况:基于并发CMA和软判决定向(SDD)自适应的盲均衡方案(Chen,S.Low complexity concurrent constant modulus algorithm and softdirected scheme for blind equalization.IEE Proc.,Vision Image SignalProcess.150(5)(2003)312–320.)、基于凸优化线性规划的数字通信系统盲均衡器的设计方案(MFernandes.Linear programming applied to blind signal equalization.AEU-International Journal of Electronicsand Communications 69(2015)408-417.)。此外,为了消除由色散信道引入的符号间干扰,如果盲处理信道均衡,带宽的使用也可以得到改善:新的盲均衡算法(MMA)多模算法(Yang,J.,Werner,J.-J.,andDumont,G.A.Themultimodulus blind equalization and its generalized algorithms’,IEEEJ.Sel.Areas Commun.20(5)(2002)997–1015.)、计算效率显著的多用户/MIMO-OFDM时域均衡器算法(VPawar,R.Pawar,KNaik.Blind time-domain equalizer for doubly-selective channel with reduced time averaging and computationalcomplexity.AEU-Int J Electron Commun 94(2018)187-198.)在这种情况下,用于更新盲均衡器(BE)的基于常数/多模的算法(CMA/MMA)由于其鲁棒性和简单性而被广泛使用:(Yuan,J.T.,and Lin T.C.:‘Equalization and Carrier Phase Recovery of CMA and MMAin Blind Adaptive Receivers’,IEEE Trans.Signal Process.58(6)(2010)3206–3217)、(Abrar,S.,and Nandi,A.K.Blind equalization of square-QAM signals:amultimodulus approach.IEEE Trans.Commun.58(6)(2010)1674–1685.)。然而,当恢复多级QAM信号(非常数模信号)时,它们存在相对较大失调的固有缺点:(Szczecinski,L.L.,and Gei,A.Blind decision feedback equalisers,how to avoid degeneratedsolutions.Signal Process.82(11)(2002)1675–1693.)、(JLi,D Feng,B Li.ARobustAdaptive Weighted Constant Modulus Algorithm for Blind Equalization ofWireless Communications Systems under Impulsive Noise Environment.AEU-IntJElectron Commun.83(2018)150-155.)。为了克服这个问题,提出了一些基于CMA和有向决策算法的双模算法。CMA保证了期望的收敛,DDA提高了均衡精度。例如,抖动带符号误差CMA和软判决定向算法(DSE-CMA+SDD)的结合实现了稳定的收敛和相对较好的均衡性能:(Xie,N.,Hu,H.,and Wang,H.A new hybrid blind equalization algorithm with steady-state performance analysis.Digital Signal Process.22(2)(2012)233-237.),这样的算法增加了计算复杂度。
然而,上述盲均衡方法都有或多或少的问题。尤其在在实际应用中,计算复杂度的问题仍待解决。为了以有效的方式使用可用带宽,现有技术的计算复杂度较高,计算量大。且一般的方法无法消除较大失调,不能很好的工作在非高斯噪声环境。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的盲均衡方法计算复杂度较高,计算量大。
(2)多数盲均衡方法无法很好的应用于非高斯噪声环境。
发明内容
针对现有技术存在的问题,本发明提供了一种非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统。
本发明是这样实现的,一种非高斯噪声下多进制正交调幅信号多模盲均衡方法,所述非高斯噪声下多进制正交调幅信号多模盲均衡方法包括:定义样本集,将多级信号样本转换为单级;定义决策阈值,判断当前接收的瞬时信号是否属于样本集,如果不属于集合范围,过滤样本;如果属于集合,则进行迭代运算;对修正后的代价函数微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
进一步,所述非高斯噪声下多进制正交调幅信号多模盲均衡方法具体包括以下步骤:
第一步,定义样本集Ω,将多级信号样本转换为单级;本发明通过样本信号的转换将后续计算量下降了很多,使本发明的均衡性能有明显提升;
第二步,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;本发明通过决策阈值可以判断去除误差较大的样本,使其可以有效应用在非高斯噪声下;
第三步,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;本发明中根据梯度下降法所构建的迭代公式有助于快速收敛到最优解,找到最佳均衡器。
进一步,所述定义样本集Ω,将多级信号样本转换为单级;从多级正交幅度调制(QAM)星座集中随机选择的发射信号s(n),通过一个带存储器的信道传输,信道被建模为阶有限信道脉冲响应CIR滤波器/>这里的(g)T代表转置;采用一个L阶的自适应盲均衡器w来对抗信道引起的码间干扰;然后,接收和均衡后信号被公式化为:
ξ(n)表示服从α稳定分布Sα(a,β,δ)的加性非高斯噪声,[·]H表示共轭转置,[·]*表示复数共轭,当设置不同的参数时,模拟高斯噪声和非高斯噪声;如果α=2且β=0,则分布S2(a,0,δ)表示均值为a方差为2δ2的高斯分布;如果α<2,ξ(n)变为非高斯噪声。此外,向量x(n)=[x(n),x(n-1),…,x(n-L+1)]T表示均衡器输入的信号序列,w=[w(0),w(1),…,w(L-1)]T为盲均衡器的抽头系数,[·]T表示转置;另外,Re(·)和Im(·)分别表示实部和虚部,符号j表示虚数单位;盲均衡算法的目标是通过调整抽头系数使得y(n)=Cs(n-τ),其中C是一个常数,τ是时间延迟;
权重为w的盲均衡器的设计目标是最小化平均广义多模算法MMA代价函数;首先创建通用的基础代价函数JMMA(w):
其中参数p是正数,常数是多模分散常数,|·|是绝对值;s(n)是发射信号,w为均衡器,y(n)为经过均衡器后的信号,E表示时间平均;首先定义样本集Ω,/>是最优均衡器:
其中,Z为正整数。则样本集Ω定义为:
其中,上述公式如果用虚部替换实部依然成立;将多级QAM信号转换为单级QAM信号;当均衡器收敛到最优均衡器/>时,/>的值趋近于/>
进一步,所述定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤样本;如果属于集合,则进行下一步的迭代运算;
判断当前接收的瞬时样本x(n)是否属于集合,如果不属于集合范围,舍弃该样本不进行迭代;如果属于集合,将样本保存进行下一步的迭代运算;过滤出迭代第k步所用样本的集合Ωk:
进一步,所述对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;
根据上述定义,构造改进的MMA(IMMA)代价函数价JIMMA(w):
对代价函数JIMMA(w)微分,梯度为:
然后用瞬时梯度代替统计的所有梯度,根据梯度下降法方法给出IMMA的均衡器修正公式:
其中k是索引迭代,为步长;由于最优均衡器w在更新公式收敛之前是未知的,因此在迭代过程中利用当前权向量代替最优权向量w;将所求过滤后的样本集Ωk代入进行运算,迭代更新均衡器并最小化代价函数。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
定义样本集Ω,将多级信号样本转换为单级;
定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算。
对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
定义样本集Ω,将多级信号样本转换为单级;
定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算。
对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述非高斯噪声下多进制正交调幅信号多模盲均衡方法。
本发明的另一目的在于提供一种实施所述非高斯噪声下多进制正交调幅信号多模盲均衡方法的非高斯噪声下多进制正交调幅信号多模盲均衡系统,所述非高斯噪声下多进制正交调幅信号多模盲均衡系统包括:
定义样本集模块,定义样本集Ω,将多级信号样本转换为单级;
过滤信号模块,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算。
迭代更新模块,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
本发明的另一目的在于提供一种终端,所述终端搭载所述的非高斯噪声下多进制正交调幅信号多模盲均衡系统。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
首先,针对传统方案计算量大的问题,将参与均衡器迭代的样本数量减少,多级信号样本转换为单级。使本发明性能得到了很大提升。
多级信号转移后其中,/>上述公式如果用虚部替换实部依然成立;将多级QAM信号转换为单级QAM信号;当均衡器收敛到最优均衡器/>时,/>的值趋近于/>与经典的MMA相比,所提出的IMMA的代价函数仅与传输信号的实部有关,因此计算量可以减半。此外,样本在用于IMMA之前会被过滤。具体来说IMMA只使用其对应的发射信号具有/>实部的绝对值的样本(/>的值可以是集合{1,3,L,(2Z-1)}中的任何值),其他样本被丢弃。根据这些选择的样本,所提出的算法将多级QAM信号(具有多个实部绝对值的信号)转换为单级(具有恒定实部绝对值的信号)QAM信号。当均衡器收敛到最优均衡器/>时,/>的值趋近于/>因此,与MMA/CMA相比,IMMA可以避免众所周知的稳态失调。值得注意的是,IMMA的这些优势是以降低样本利用率为代价的。
其次,为了抑制被大噪声污染的样本影响,例如传统技术无法应用在非高斯噪声下的问题,本发明定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集如果不属于集合范围,过滤样本;如果属于集合,则进行下一步的迭代运算。本发明的样本集被定义为:
最后,本发明抑制稳态失调,并且计算量比传统盲均衡方法小的多。
改进的MMA(IMMA)代价函数价JIMMA(w):
对代价函数JIMMA(w)微分,梯度为:
然后用瞬时梯度代替统计的所有梯度,根据梯度下降法方法给出IMMA的均衡器修正公式:
其中k是索引迭代,即步长。由于最优均衡器w在更新公式收敛之前是未知的,因此在迭代过程中利用当前权向量代替最优权向量w。将上步所求过滤后的样本集Ωk代入进行运算,迭代更新均衡器并最小化代价函数。
在均衡器迭代中用梯度下降法,本发明只需要计算与实数的乘积和/>因此提出的IMMA与MMA/CMA相比,计算复杂度大约减半。具体来说,如后面的实验所说,IMMA大约需要4L实数乘法,CMA/MMA大约需要8L实数乘法,DSE-CMA+SDD大约需要12L。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
为了降低计算复杂度,本发明开发了一种非高斯噪声下多进制正交调幅信号多模盲均衡方法,可以避免稳态失调,减少码间干扰和信道间干扰,降低计算复杂度。此外,过滤样本时大误差的野点也被抛弃,所以可以很好的应用于非高斯噪声环境下。本发明可以避免信号的稳态失调,减少码间干扰和信道间干扰,降低误码率。使得本发明可以有效的利用带宽,并且能很好的应用在脉冲环境中。本发明可以有效实现非高斯噪声下多进制正交调幅信号多模盲均衡系统,且很好的适用于脉冲环境噪声下。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
现有的盲均衡技术基本都无法应用于非高斯噪声的环境下。本方案由于设定了信号样本阈值,使过滤样本时大误差的野点被抛弃,所以可以很好的应用于非高斯噪声环境下。
附图说明
图1是本发明实施例提供的非高斯噪声下多进制正交调幅信号多模盲均衡方法的流程图;
图2是本发明实施例提供的非高斯噪声下多进制正交调幅信号多模盲均衡系统的结构示意图;
图3是本发明实施例提供的高斯噪声的CMA、MMA、DSE-SDD+CMA、IMMA的SER与GSNR示意图;
图4是本发明实施例提供的非高斯噪声的CMA、MMA、DSE-SDD+CMA、IMMA的SER与GSNR示意图;
图中:1、定义样本集模块;2、过滤信号模块;3、迭代更新模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的非高斯噪声下多进制正交调幅信号多模盲均衡方法包括以下步骤:
S101:定义样本集,将多级信号样本转换为单级;
S102:定义决策阈值,判断当前接收的瞬时信号是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;
S103:对修正后的代价函数微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
本发明实施例提供的非高斯噪声下多进制正交调幅信号多模盲均衡方法今天包括以下步骤:
第一步,定义样本集Ω,将多级信号样本转换为单级;
第二步,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;
第三步,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
如图2所示,本发明提供的非高斯噪声下多进制正交调幅信号多模盲均衡系统包括:
定义样本集模块1,定义样本集Ω,将多级信号样本转换为单级;
过滤信号模块2,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算。
迭代更新模块3,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
本发明实施例提供的非高斯噪声下多进制正交调幅信号多模盲均衡方法包括以下步骤:
第一步,定义样本集Ω,将多级信号样本转换为单级;
假设从多级正交幅度调制(QAM)星座集中随机选择的发射信号s(n),通过一个带存储器的信道传输,该信道被建模为L阶有限信道脉冲响应(CIR)滤波器这里的(g)T代表转置。采用一个L阶的自适应盲均衡器w来对抗信道引起的码间干扰。然后,接收和均衡后信号被公式化为:
这里,ξ(n)表示服从α稳定分布Sα(a,β,δ)的加性非高斯噪声,[·]H表示共轭转置,[·]*表示复数共轭,当设置不同的参数时,它可以模拟高斯噪声和非高斯噪声。值得注意的是,如果α=2且β=0,则分布S2(a,0,δ)表示均值为a方差为2δ2的高斯分布。如果α<2,ξ(n)变为非高斯噪声。此外,向量x(n)=[x(n),x(n-1),…,x(n-L+1)]T表示均衡器输入的信号序列,w=[w(0),w(1),…,w(L-1)]T为盲均衡器的抽头系数,[·]T表示转置。另外,Re(·)和Im(·)分别表示实部和虚部,符号j表示虚数单位。盲均衡算法的目标是通过调整抽头系数使得y(n)=Cs(n-τ),其中C是一个常数,τ是时间延迟。
为了减少码间干扰的影响并将源信号从噪声和失真数据中分离出来,权重为w的盲均衡器的设计目标是最小化平均广义多模算法(MMA)代价函数。所以本发明首先创建通用的基础代价函数JMMA(w):
JMMA(w)=E[(|Re(y(n))|p-γ)w+(|Im(y(n))|p-γ)2]
其中参数p是正数,常数是多模分散常数,|.|是绝对值。s(n)是发射信号,w为均衡器,y(n)为经过均衡器后的信号,E表示时间平均。可以看出,MMA的代价函数惩罚偏离了BE输出。在这种情况下,即使BE收敛到最优解,即y(n)=s(n-τ),对于多级QAM信号,由于s(n-τ)和±γ±γ·j,BE仍然被调整。因此,导致了众所周知的稳态失调。
为了解决稳态失调问题,首先定义样本集Ω。假设是最优均衡器:
其中,Z为正整数。则样本集Ω定义为:
其中,上述公式如果用虚部替换实部依然成立。与经典的MMA相比,所提出的IMMA的代价函数仅与传输信号的实部有关,因此计算量可以减半。此外,样本在用于IMMA之前会被过滤。具体来说IMMA只使用其对应的发射信号具有/>实部的绝对值的样本(的值可以是集合{1,3,L,(2Z-1)}中的任何值),其他样本被丢弃。根据这些选择的样本,所提出的算法将多级QAM信号(具有多个实部绝对值的信号)转换为单级(具有恒定实部绝对值的信号)QAM信号。当均衡器收敛到最优均衡器/>时,/>的值趋近于/>因此,与MMA/CMA相比,IMMA可以避免众所周知的稳态失调。值得注意的是,IMMA的这些优势是以降低样本利用率为代价的。
第二步,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;
为了抑制被大噪声污染的样本影响,例如非高斯噪声,定义决策阈值ζ,这里通常被设置为两个相邻星座之间距离的一半。判断当前接收的瞬时样本x(n)是否属于集合,如果不属于集合范围,舍弃该样本不进行迭代;如果属于集合,将样本保存进行下一步的迭代运算。本发明过滤出迭代第k步所用样本的集合Ωk:
第三步,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;
根据上述定义,构造改进的MMA(IMMA)代价函数价JIMMA(w):
对代价函数JIMMA(w)微分,梯度为:
然后用瞬时梯度代替统计的所有梯度,根据梯度下降法方法给出IMMA的均衡器修正公式:
其中k是索引迭代,即步长。由于最优均衡器w在更新公式收敛之前是未知的,因此在迭代过程中利用当前权向量代替最优权向量w。将上步所求过滤后的样本集Ωk代入进行运算,迭代更新均衡器并最小化代价函数。
根据上述公式可以发现,提出的IMMA具有以下三个优点:(i)在迭代中,本发明只需要计算与实数的乘积/>和/>因此提出的IMMA与MMA/CMA相比,计算复杂度大约减半。具体来说,IMMA大约需要4L实数乘法,CMA/MMA大约需要8L实数乘法,DSE-CMA+SDD大约需要12L。(ii)当均衡器收敛到最优解时,稳态误差/>等于0,稳态失调可以得到抑制。(iii)在迭代过程中,将大误差/>对应的样本从集合Ωk中去除。因此,可以有效抑制被大噪声污染的样本的影响,例如非高斯噪声。在此基础上,提出的方法可以在非高斯噪声环境中很好地工作。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
实施例1:战场应用
在战场对敌方信号进行破译和截获时,经常会截获到一些炮弹等飞行物的信息,如果把这些信号也用于训练均衡器,可能会造成一些较大的误差。本发明对截获信号设定了阈值,差异过大的信号会被过滤掉,对均衡器不产生影响。所以可以很好的应用于战场环境,在应用实施例中具有重大意义。
实施例2:地震后通讯中断
地震后往往会造成接收机无法跟踪,从而引起通讯中断,紧接着的多次余震也会发生这种情况。当通信发生短时中断时,为了重新建立通信,每一次新的新的通信开始之前必须发送训练序列来初始化接收机,这就要求系统增加反馈信道,以传送请求训练信号,使系统变得复杂,难以实现。本发明不需要不停的使用训练序列来初始化接收机,仅利用接收序列本身的先验信息,便可均衡信道特性,使均衡器的输出序列尽量接近发送序列,可以很好的适用在此种情况。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
为了评估本发明的性能,进行仿真验证。本发明提供仿真示例来说明本专利中所开发的IMMA的性能。在不丢失一般性的情况下,16-QAM信号被认为是多级调制格式,它被具有复杂抽头系数h(n)的十抽头ISI码间干扰造成信道失真。
h(n)=[0.6167+j0.4932,-0.3722+j0.4194,0.147-j0.1497,-0.0752-j0.0505,-0.0527-j0.0156,0.0002+j0.0006,-0.0023+j0.0011,0.0005-j0.0008,0.0000+j0.0005,0.0008-j0.0007]T(注意,信道被归一化为具有单位范数,即||h(n)||2=1)。然后,信道输出加上α稳定噪声Sα(0,0,γ)。在这种情况下,广义信噪比(GSNR)定义为其中/>表示信号功率。参数α由噪声类型决定。在模拟中,对于高斯噪声和非高斯噪声,α分别设置为2和1.2。此外,参数δ由给定的GSNR和/>确定。此外,常数/>和阈值ζ分别设置为3和1。此外,仿真中使用的算法的性能是根据符号错误率(SER)来衡量的。
在第一个实验中,本发明将所提出的IMMA与CMA、MMA和DSE-SDD+CMA在高斯噪声下进行了比较(即α稳定分布中的参数Sα(0,0,γ)设置为2)。
图3显示了高斯噪声下CMA、MMA、DSE-CMASDD和IMMA的SER与GSNR。在这个模拟中,本发明可以观察到,与MMA和CMA相比,IMMA呈现出更低的SER。这是因为IMMA从根本上避免了由CMA和MMA引起的众所周知的稳态失调。此外,IMMA可以实现与DSE-CMA+SDD类似的SER,且计算复杂度要低得多。
在第二个实验中,本发明将所提出的IMMA与基于分数低阶统计量(FLOS_CMA)和鲁棒恒模算法(RCMA)的CMA在非高斯噪声(即α稳定分布中的参数Sα(0,0,γ)设置为1.2)。
从图4可以看出,在所有三种方法中,IMMA在SER测量方面表现出最好的性能,尤其是在低信噪比下。性能良好的主要原因是,通过从集合Ωk中去除误差较大的样本,可以有效地抑制自适应过程中噪声异常值的影响,而RCMA和FLOS_CMA只能缓解异常值的不利影响。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,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揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种非高斯噪声下多进制正交调幅信号多模盲均衡方法,其特征在于,所述非高斯噪声下多进制正交调幅信号多模盲均衡方法包括:定义样本集,将多级信号样本转换为单级;定义决策阈值,判断当前接收的瞬时信号是否属于样本集,如果不属于集合范围,过滤样本;如果属于集合,则进行迭代运算;对修正后的代价函数微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;
所述非高斯噪声下多进制正交调幅信号多模盲均衡方法具体包括以下步骤:
第一步,定义样本集Ω,将多级信号样本转换为单级;
第二步,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;
第三步,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;
所述定义样本集Ω,将多级信号样本转换为单级;从多级正交幅度调制(QAM)星座集中随机选择的发射信号s(n),通过一个带存储器的信道传输,信道被建模为阶有限信道脉冲响应CIR滤波器/>这里的(g)T代表转置;采用一个L阶的自适应盲均衡器w来对抗信道引起的码间干扰;然后,接收和均衡后信号被公式化为:
其中ξ(n)表示服从α稳定分布Sα(a,β,δ)的加性非高斯噪声,[·]H表示共轭转置,[·]*表示复数共轭,当设置不同的参数时,模拟高斯噪声和非高斯噪声;如果α=2且β=0,则分布S2(a,0,δ)表示均值为a方差为2δ2的高斯分布;如果α<2,ξ(n)变为非高斯噪声;此外,向量x(n)=[x(n),x(n-1),…,x(n-L+1)]T表示均衡器输入的信号序列,w=[w(0),w(1),…,w(L-1)]T为盲均衡器的抽头系数,[·]T表示转置;另外,Re(·)和Im(·)分别表示实部和虚部,符号j表示虚数单位;盲均衡算法的目标是通过调整抽头系数使得y(n)=Cs(n-τ),其中C是一个常数,τ是时间延迟;
权重为w的盲均衡器的设计目标是最小化平均广义多模算法MMA代价函数;首先创建通用的基础代价函数JMMA(w):
JMMA(w)=E[(|Re(y(n))|p-γ)2+(|Im(y(n))|p-γ)2]
其中参数p是正数,常数是多模分散常数,|·|是绝对值;s(n)是发射信号,w为均衡器,y(n)为经过均衡器后的信号,E表示时间平均;首先定义样本集Ω,/>是最优均衡器:
其中,Z为正整数,则样本集Ω定义为:
其中,上述公式如果用虚部替换实部依然成立;将多级QAM信号转换为单级QAM信号;当均衡器收敛到最优均衡器/>时,/>的值趋近于/>
所述定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤样本;如果属于集合,则进行下一步的迭代运算;
判断当前接收的瞬时样本x(n)是否属于集合,如果不属于集合范围,舍弃该样本不进行迭代;如果属于集合,将样本保存进行下一步的迭代运算;过滤出迭代第k步所用样本的集合Ωk:
所述对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数;
根据上述定义,构造改进的MMA(IMMA)代价函数JIMMA(w):
对代价函数JIMMA(w)微分,梯度为:
然后用瞬时梯度代替统计的所有梯度,根据梯度下降法方法给出IMMA的均衡器修正公式:
其中k是索引迭代,为步长;由于最优均衡器w在更新公式收敛之前是未知的,因此在迭代过程中利用当前权向量代替最优权向量w;将所求过滤后的样本集Ωk代入进行运算,迭代更新均衡器并最小化代价函数。
2.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1所述非高斯噪声下多进制正交调幅信号多模盲均衡方法。
3.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1所述非高斯噪声下多进制正交调幅信号多模盲均衡方法。
4.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1所述非高斯噪声下多进制正交调幅信号多模盲均衡方法。
5.一种实施权利要求1所述非高斯噪声下多进制正交调幅信号多模盲均衡方法的非高斯噪声下多进制正交调幅信号多模盲均衡系统,其特征在于,所述非高斯噪声下多进制正交调幅信号多模盲均衡系统包括:
定义样本集模块,定义样本集Ω,将多级信号样本转换为单级;
过滤信号模块,定义决策阈值ζ,判断当前接收的瞬时信号x(n)是否属于样本集,如果不属于集合范围,过滤该样本;如果属于集合,则进行下一步的迭代运算;
迭代更新模块,对修正后的代价函数JIMMA(w)微分计算出梯度,根据梯度下降法方法计算出均衡器的迭代公式,将过滤后的样本代入计算,迭代更新均衡器并最小化代价函数。
6.一种终端,其特征在于,所述终端搭载权利要求5所述的非高斯噪声下多进制正交调幅信号多模盲均衡系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306417.5A CN114826842B (zh) | 2022-03-27 | 2022-03-27 | 非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306417.5A CN114826842B (zh) | 2022-03-27 | 2022-03-27 | 非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114826842A CN114826842A (zh) | 2022-07-29 |
CN114826842B true CN114826842B (zh) | 2024-04-12 |
Family
ID=82530417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210306417.5A Active CN114826842B (zh) | 2022-03-27 | 2022-03-27 | 非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114826842B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1956782A1 (en) * | 2007-02-08 | 2008-08-13 | Abb Research Ltd. | Method and apparatus for adaptive blind equalization |
WO2011140833A1 (zh) * | 2010-05-13 | 2011-11-17 | 深圳大学 | 一种盲均衡器及盲均衡处理方法 |
CN114095320A (zh) * | 2021-11-11 | 2022-02-25 | 西安电子科技大学 | 基于动量分数阶多模盲均衡算法的信道均衡方法 |
CN114172767A (zh) * | 2021-12-10 | 2022-03-11 | 西安电子科技大学 | 基于分数阶多模的信道盲均衡方法 |
-
2022
- 2022-03-27 CN CN202210306417.5A patent/CN114826842B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1956782A1 (en) * | 2007-02-08 | 2008-08-13 | Abb Research Ltd. | Method and apparatus for adaptive blind equalization |
WO2011140833A1 (zh) * | 2010-05-13 | 2011-11-17 | 深圳大学 | 一种盲均衡器及盲均衡处理方法 |
CN114095320A (zh) * | 2021-11-11 | 2022-02-25 | 西安电子科技大学 | 基于动量分数阶多模盲均衡算法的信道均衡方法 |
CN114172767A (zh) * | 2021-12-10 | 2022-03-11 | 西安电子科技大学 | 基于分数阶多模的信道盲均衡方法 |
Non-Patent Citations (2)
Title |
---|
快速收敛的正交振幅调制信号半盲均衡算法;房嘉奇;冯大政;李进;;电波科学学报(第04期);全文 * |
组合半盲均衡算法及其在半盲均衡中的应用;薛海伟;冯大政;李进;;电子科技(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114826842A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7522663B2 (en) | Burst error limiting feedback equalizer system and method for multidimensional modulation systems | |
CN109873777B (zh) | 一种纠错方法和纠错装置 | |
US7801208B2 (en) | System and method for adjusting compensation applied to a signal using filter patterns | |
US7839955B2 (en) | System and method for the non-linear adjustment of compensation applied to a signal | |
US20030048840A1 (en) | Adaptive equalizer | |
EP0050930B1 (en) | Improvements in or relating to data transmission systems | |
CN109981500B (zh) | 一种信号处理的方法及信号处理装置 | |
CN114826842B (zh) | 非高斯噪声下多进制正交调幅信号多模盲均衡方法及系统 | |
EP4091305A1 (en) | A device and a method for cancelling noise in a communication system | |
US11705988B2 (en) | Receiver filtering | |
EP1063822A2 (en) | Blind equalization algorithm with joint use of the constant R and the sliced symbols | |
CN114826843A (zh) | 一种高阶正交振幅调制信号盲均衡方法、设备及盲均衡器 | |
CN111800356B (zh) | 并行变步长cma均衡算法、装置、电子设备及存储介质 | |
Si-yuan et al. | A computationally efficient multi-modulus blind equalization algorithm | |
CN115550115A (zh) | 一种信号判决均衡方法以及装置 | |
CN108199992B (zh) | 微波通信中适合4096-qam的盲均衡系统和方法 | |
CN114826834B (zh) | 面向高阶正交振幅调制信号的信道盲均衡方法及盲均衡器 | |
US11811566B2 (en) | Methods and systems for performing adaptive equalization of data | |
Fan et al. | Fast blind equalization with two-stage single/multilevel modulus and DD algorithm for high order QAM cable systems | |
CN111147410A (zh) | 一种低信噪比下数字基带信号均衡方法 | |
Abrar | A family of reduced-constellation algorithms for blind equalization of square-QAM signals | |
Fan et al. | Efficient fast blind equalization with two‐stage single/multilevel modulus and DD algorithm for 64/256/1024qam wired cable communications | |
CN114826841B (zh) | 基于多模算法的低复杂度高斯-牛顿盲均衡方法及系统 | |
WO2024012164A1 (zh) | 信号处理方法、电子设备及存储介质 | |
US6292510B1 (en) | Automatic equalization method and automatic equalizer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |