CN114826843A

CN114826843A - 一种高阶正交振幅调制信号盲均衡方法、设备及盲均衡器

Info

Publication number: CN114826843A
Application number: CN202210306437.2A
Authority: CN
Inventors: 李进; 樊琛; 刘明骞; 张俊林
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2022-03-27
Filing date: 2022-03-27
Publication date: 2022-07-29

Abstract

本发明属于无线通信中的信道盲均衡技术领域，公开了一种高阶正交振幅调制信号盲均衡方法、设备及盲均衡器，基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。本发明可以有效抑制高阶正交振幅调制信道下经典恒模方法带来的人为误差和误调，提高样本利用率，同时实现一种快速收敛的牛顿法最优化信道盲均衡器。

Description

一种高阶正交振幅调制信号盲均衡方法、设备及盲均衡器

技术领域

本发明属于无线通信中的信道盲均衡技术领域，尤其涉及一种高阶正交振幅调制信号(QAM)盲均衡方法、设备及盲均衡器。

背景技术

目前，通过信道的信号会经历各种形式的失真。一种常见的失真类型是由多径衰落引起的符号间干扰(ISI)(D.Zheng and J.Zhang，“Protocol design and throughputanalysis of frequency-agile multi-channel medium access control，”IEEETrans.Wireless Commun.，vol.5，no.10，pp.2887–2895，2006.)。源信号在通过信道时，由于多径的影响会产生不同幅度和相位变化的各种频率分量，此时接收端就会发生ISI。ISI引起的误差可能导致接收器在接收信号时失真，因此，有必要使用信道均衡来减少或消除ISI(S.Haykin，Adaptive Filter Theory，4th ed.Upper Saddle River，NJ:PrenticeHall，2002.)。

最早用于减少或消除ISI影响的技术是基于训练序列的均衡技术，它采用重复传输发送端和接收端已知比特的伪随机模式(训练序列)来减少或消除ISI的影响。随之产生了各种算法来实现训练均衡，最具代表性的有最小均方(LMS)(T.Ikuma and A.A.Beex，“Improved mean-square error estimate for the LMS transversal equalizer withnarrowband interference，”IEEE Trans.Signal Process.，vol.56，no.10，pp.5273–5277，2008.)和最小均方误差(MMSE)均衡(C.Krall，K.Witrisal，G.Leus，andH.Koeppl，“Minimum mean-square error equalization for second-order Volterra systems，”IEEE Trans.Signal Process.，vol.56，no.10，pp.4729–4737，2008.)。在LMS均衡中，接收机计算均衡器输出与训练数据之间的误差，即LMS误差，然后均衡器通过沿平均减少LMS误差的方向移动它们来更新其抽头。MMSE均衡调整均衡器的抽头以最小化均衡器输出与训练数据之间的平均误差。尽管训练序列为均衡器提供了有用的参考，但它会消耗带宽资源。并且，在某些通信系统中，训练序列通常是不充分的，有时甚至是不可行的(A.Ahmed，“Aconvex approach to blind MIMO communications，”IEEEWirelessCommun.Lett.，vol.7，no.5，pp.812–815，2018.)。

CMA及其各种改进算法(X.Gu，Z.Wang，R.Cao，Y.Hu，and L.Hao，“Research onblind equalization algorithm ofmultipath interference PCM-FM signal based onCMA，”in Proc.2019IEEE 2ndInt.Conf.Inf.Commun.SignalProcess.(ICICSP)，Weihai，Shandong，China，pp.67–71，2019.)具有许多好的特性，但一些缺点限制了它们的应用。首先，盲均衡的主要关注点是其均衡性能。CMA代价函数只利用了高阶QAM信号的一部分幅度信息。这意味着一些关于信号星座的信息被丢弃，导致性能相对较差，特别是对于具有非恒定模量的高阶QAM信号。此外，CMA需要一个额外的步骤来恢复旋转相位。为了克服这个缺点，许多研究人员提出了改进的CMA(MCMA)(A.Goupil and J.Palicot，“New algorithmsfor blind equalization:The constant norm algorithm family，”IEEETrans.SignalProcess.，vol.55，no.4，pp.1436–1444，2007.)、双模方案(DMS)(J.Sun，X.Li，K.Chen，W.Cui，andM.Chu，“AnovelCMA+DDLMS blind equalization algorithm forunderwater acoustic communication，”J.Comput.，vol.63，no.1，pp.974–981，Jan.2020.)和二阶段方案(J.Li，D.Feng，and B.Li，“Space-tim eblind equalization ofdispersive MIMO systems driven by QAM signals，”IEEETrans.Veh.Technol.，vol.67，no.5，pp.4136–4148，2018.)。MCMA主要采用三种方式来提高均衡性能。第一种，如多模算法(MMA)(J.Yuan andK.Tsai，“Analysis of the multimodulus blind equalizationalgorithm in QAM communication systems，”IEEE Trans.Commun.，vol.53，no.9，pp.1427–1431，2005.)，同时使用虚部和实部的信息来克服相位旋转的问题。第二种，如常数范数算法(CNAs)(A.Goupil and J.Palicot，“New algorithms for blindequalization:The constant norm algorithm family，”IEEE Trans.Signal Process.，vol.55，no.4，pp.1436–1444，2007.)，通过结合几个现有范数来创建新范数，以受益于每个原始范数的优点，然后，这种方法比CMA具有更好的均方误差(MSE)性能。第三种MCMA，通过非线性变换直接或间接地修正均衡器输出误差(P.Priyadarshi and C.S.Rai，“Modifiedconstant modulus type(MCMT)algorithm for blind channel equalization，”inProc.2017Int.Conf.Wireless Commun.，Signal Process.Netw.(WiSPNET)，Chennai，India，pp.2517–2520，2017.)，从而可以在一定程度上缓解失调。然而，由于其代价函数的固有特性，现有的MCMA不能完全消除失调。DMS在恒模损失函数(CMLF)中添加了星座匹配误差(CME)项。CME项可以提高均衡性能，CMLF保证可靠收敛。例如，附加CME项被设计为具有正弦形式。虽然这种方案可以达到理想的误差水平，但计算复杂度显着增加。两级方案基于稳定收敛算法对接收信号进行预滤波，然后实现星座匹配算法。在第一阶段，ISI得到缓解，并为星座匹配算法提供一个良好的初始值。在第二阶段，星座匹配算法进一步缓解了ISI，达到了理想的均衡性能。有文献在第一收敛阶段应用了联合广义多级模算法和改进的软决策导向(SDD)均衡(C.Fan，C.Fang，H.Hu，andW.Hsu，“Design and analyses of a fast feed-forward blind equalizer with two-stagegeneralized multilevel modulus and softdecision-directed scheme for high-order QAMcable downstream receivers，”IEEETrans.Consum.Electron.，vol.56，no.4，pp.2132–2140，2010.)。当收敛过程达到稳态时，均衡器将第一级均衡改为第二级。在第二阶段，修改后的SDD方案进一步降低了MSE。然而，这种方案不能提供可达到的开关阈值。为保证稳定收敛，该方案可能会在稍后切换到第二阶段，但随后收敛缓慢并消耗不必要的计算成本。考虑到所有这些，提高CMA的方程精度和收敛速度是必不可少的。

通过上述分析，现有技术存在的问题及缺陷为：现有高阶正交振幅调制信道下经典恒模方法容易带来的人为误差和误调，样本利用率低。

发明内容

针对现有技术存在的问题，本发明提供了一种高阶正交振幅调制信号盲均衡方法、设备及盲均衡器。

本发明是这样实现的，一种高阶正交振幅调制信号盲均衡方法，所述高阶正交振幅调制信号盲均衡方法基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。

进一步，所述高阶正交振幅调制信号盲均衡方法具体包括以下步骤：

第一步，样本选择，记高阶正交振幅调制信号的星座个数为I，利用对应于集合T₁,T₂,…,T_I′的特定模值组S_i∈T(i＝1,2,…,I′；I′≤I)及其先验概率得到样本长度，首先根据全量样本T_i计算得到均衡器输出误差

并按照误差升序排序，得到T₁，然后在剩余样本中，依照概率和输出误差排序得到T₂，以此论推，得到T_I′，将T₁,T₂,…,T_I′聚合组成样本集合T_i(i＝1,2,…,I′；I′≤I)；本发明通过多个恒定模值的样本选择，在确保高阶QAM信号转化为恒定模值信号的情况下，提高了样本利用率，为后续本方案中对于盲均衡器的搜索提供了一定的数据支持；

第二步，构建代价函数，记均衡器为w，依据经典恒模算法与选定观测信号样本T_i(i＝1,2,…,I′；I′≤I)构建高阶正交振幅调制信道下代价函数J_GMCMA(w)；本发明中的代价函数构建利于本方案对比以往盲均衡方案，凸显本发明所给方案的盲均衡性能优势；

第三步，构建迭代公式，依据牛顿法构建高阶正交振幅调制信道下盲均衡方法的迭代公式，最优化盲均衡器并最小化代价函数。本发明所构建的迭代公式依据牛顿法进行最优化迭代，该方案相比于传统的梯度下降法对于本发明的性能提升有着很大帮助。

进一步，所述样本集合T_i的确定，记高阶正交振幅调制信号的模值构成的集合为T＝{S_i}(i＝1,2,…,I)，记观测信号样本总数为L，首先选取高阶正交振幅调制信号特定模值S_i，然后计算基于S_i的先验概率和均衡误差

依据先验概率计算样本长度L_i(i＝1,2,…,I′；I′≤I)，并将均衡误差按照升序排序，取其中前L_i(i＝1,2,…,I′；I′≤I)个样本作为选定样本T_i(i＝1,2,…,I′；I′≤I)；

记高阶正交振幅调制信号的模值构成的集合为T＝{S_i}(i＝1,2,…,I)，由于均衡器的稳态输出

是对传输信号的估计值，输出根据模值被划分为不同的子集：

相应的信道观测信号向量x(n)也可以被划分为不同的子集；

其中

是理想均衡器。

记用于搜索最优化均衡器的总样本数为L，首先遵循以下原则选择高阶正交振幅调制信号的恒定模值S_i(i＝1,2,…,I′；I′≤I)：其次根据所选S_i(i＝1,2,…,I′；I′≤I)计算高阶正交振幅调制信号的先验概率，结合先验概率和样本总量得到所选目标样本长度，记为L_i(i＝1,2,…,I′；I′≤I)：

其中，M_i为模值S_i的星座点数，F为高阶正交振幅调制信号的阶数，

为具有模值S_i的传输信号的先验概率，I′为选定的特定模值S_i的个数；

如果盲均衡器收敛于最优解，为

则存在数学关系

因此有如下不等式成立：

对于所有x_i(n)∈T_i和

成立。显然，根据集合T_i的定义，在理想情况下

此外，

并且

远大于0；

根据上述结论，记均衡器输出误差

对

按照升序进行排序，则前L_i项

对应的x(n)构成的样本集合T_i被认为是选定的具有模值S_i的样本集合；然而，在实现信道均衡之前，最优均衡器

是未知的，为了解决这一问题，使用第k次迭代值w_k代替

然后将均衡器输出误差

的前L_i项对应的样本作为所需的样本集合；然后基于高阶正交振幅调制信号星座图特征，利用对应于集合T₁,T₂,…,T_I′的特定模值组S_i∈T(i＝1,2,…,I′；I′≤I)得到最终所需样本集合T_i(i＝1,2,…,I′；I′≤I)；

S_i∈T(i＝1,2,…,I′；I′≤I)；

其中S_i为信号的特定模值，x(n)为信道观测值，

为均衡器的稳态输出，

是理想均衡器，T为全量样本集合。

进一步，所述构建GMCMA的代价函数：使用对应于多组S_i∈T(i＝1,2,…,I′；I′≤I)的样本构造如下优化问题：

GMCMA利用属于集合T_i＝{T₁,T₂,…,T_I′}的样本并均衡信号的幅度与由样本x_i(n)确定的相关模数的偏差，且在I′＝I的情况下，样本使用率将接近100％；使用时间平均代替整体平均将代价函数表示为：

进一步，所述构建迭代公式，J_GMCMA(w)对w求微分得到梯度：

其中X′＝[X₁,X₂,…,X_I]，

GMCMA更新公式(GMCMA-MNM)，推导出为：

其中

并且，R′＝X′X′^H；

采用正定Hessian矩阵X′X′^H并且稳定收敛，其次，预先确定矩阵X′，然后预先计算R′及其对应的逆矩阵R′^-1。

进一步，所述Hessian矩阵根据下式进行有效更新：

其中：

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：

基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；

依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；

依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。

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：

本发明的另一目的在于提供一种实施所述所述高阶正交振幅调制信号盲均衡方法的盲均衡器，所述盲均衡器包括：

样本集合构建模块，基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；

代价函数生成模块，依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；

盲均衡器优化模块，依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。

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盲均衡器。

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：

本发明通过选取多组恒定模值的信号样本集合，提高高阶信号输入转换为恒模信号输入的样本利用率，从而提高MCMA的均衡性能；

本发明使用了对应于多组S_i∈T(i＝1,2,…,I′；I′≤I)的样本构造如下优化问题：

GMCMA利用属于集合T_i＝{T₁,T₂,…,T_I′}的样本并均衡信号的幅度与由样本x_i(n)确定的相关模数的偏差，大大提高了样本使用率，且在I′＝I的情况下，样本使用率将接近100％。

本发明保留了MCMA的所有优点。首先，本发明采用正定Hessian矩阵X′X′^H并且稳定收敛，其次，预先确定矩阵X′，然后可以预先计算R′及其对应的逆矩阵R′^-1，因此，本发明计算量远小于应用传统牛顿型算法，第三，本发明所提方法收敛速度快。

本发明可以显著降低计算R′_k+1的计算负担，而且所提出的GMCMA-MNM的计算负担也显着降低。特别是在I′＝I的极端情况下，集合

和

都是空的，对于所有k(k＝1,2,…)，R＝XX^H＝R′_k。矩阵R′_k及其逆矩阵

将保持不变，可以预先计算。

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：

本发明提出一种改进的常模量方法(GMCMA)，用于高阶QAM系统的盲均衡。主要工作如下：(1)广义MCMA(GMCMA)：基于MCMA，提出了一种新的GMCMA，以提高样本使用率，同时保持MCMA理想的均衡性能。(2)修正牛顿法(MNM)：构造与GMCMA算法相关联的修正牛顿法，以快速找到最佳均衡器。

本发明可以有效抑制高阶正交振幅调制信道下经典恒模方法带来的人为误差和误调，提高样本利用率，同时实现一种快速收敛的牛顿法最优化信道盲均衡器。此外，本发明提出的方法在脉冲信号输入下也体现出很好的均衡效果，值得被推广使用。

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：

本发明解决了一直以来在高阶QAM信号盲均衡算法中存在的恒模算法与样本利用率之间的权衡问题，可以在将高阶QAM信号转换成恒模信号进行均衡的同时，一定程度上兼顾样本的利用率，即，本发明选择了多个特定模值进行样本选择，同时将高阶QAM信号转化成为多个恒模信号进行均衡，在提高样本利用率的同时，也可以避免人为误差和误调。

附图说明

图1是本发明实施例提供的高阶正交振幅调制信号盲均衡方法的流程图。

图2是本发明实施例提供的36-QAM系统的CMA、MMA、DSM、MCMA、GMCMA的MSE与SNR示意图。

图3是本发明实施例提供的36-QAM系统的CMA、MMA、DSM、MCMA、GMCMA的SER与SNR示意图。

图4是本发明实施例提供的36-QAM系统的CMA、MMA、DSM、MCMA、GMCMA的ISI示意图。

图5是本发明实施例提供的16-QAM系统，SNR＝28dB，MSE与MCMA、GMCMA的样本数的关系示意图。

图6是本发明实施例提供的36-QAM系统，SNR＝30dB，MSE与MCMA、GMCMA的样本数示意图。

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高阶正交振幅调制信号盲均衡方法包括以下步骤：

S101：基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；

S102：依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；

S103：依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。

本发明提供的基于广义修正恒模的高阶正交振幅调制信号盲均衡方法包括以下步骤：

第一步，样本选择。记高阶正交振幅调制信号的星座个数为I，利用对应于集合T₁,T₂,…,T_I′的特定模值组S_i∈T(i＝1,2,…,I′；I′≤I)及其先验概率得到样本长度，首先根据全量样本T_i计算得到均衡器输出误差

并按照误差升序排序，得到T₁，然后在剩余样本中，依照概率和输出误差排序得到T₂，以此论推，得到T_I′，将T₁,T₂,…,T_I′聚合组成样本集合T_i(i＝1,2,…,I′；I′≤I)；

第二步，构建代价函数。记均衡器为w，依据经典恒模算法与选定观测信号样本T_i(i＝1,2,…,I′；I′≤I)构建高阶正交振幅调制信道下代价函数J_GMCMA(w)；

第三步，构建迭代公式。依据牛顿法构建高阶正交振幅调制信道下盲均衡方法的迭代公式，最优化盲均衡器并最小化代价函数。

在本发明中通过选取多组恒定模值的信号样本集合，提高高阶信号输入转换为恒模信号输入的样本利用率，从而提高MCMA的均衡性能；

在本发明中样本集合T_i的确定。记高阶正交振幅调制信号的模值构成的集合为T＝{S_i}(i＝1,2,…,I)，记观测信号样本总数为L，首先选取高阶正交振幅调制信号特定模值S_i，然后计算基于S_i的先验概率和均衡误差

是对传输信号的估计值，这些输出也可以根据它们的模值被划分为不同的子集，即：

相应的信道观测信号向量x(n)也可以被划分为不同的子集，

其中

是理想均衡器。

记用于搜索最优化均衡器的总样本数为L，首先遵循以下原则选择高阶正交振幅调制信号的恒定模值S_i(i＝1,2,…,I′；I′≤I)：第一，具有所选模值(半径)的圆应通过尽可能多的点；第二，所选圆与其相邻圆之间的距离应尽可能大。其次根据所选S_i(i＝1,2,…,I′；I′≤I)计算高阶正交振幅调制信号的先验概率，结合先验概率和样本总量得到所选目标样本长度，记为L_i(i＝1,2,…,I′；I′≤I)，即：

为具有模值S_i的传输信号的先验概率，I′为选定的特定模值S_i的个数。

如果盲均衡器收敛于最优解，即

则存在数学关系

因此有如下不等式成立：

对于所有x_i(n)∈T_i和

成立。显然，根据集合T_i的定义，在理想情况下

此外，

并且

远大于0。

根据上述结论，记均衡器输出误差

对

按照升序进行排序，则前L_i项

对应的x(n)构成的样本集合T_i被认为是选定的具有模值S_i的样本集合。然而，在实现信道均衡之前，最优均衡器

是未知的，为了解决这一问题，使用第k次迭代值w_k代替

然后将均衡器输出误差

的前L_i项对应的样本作为所需的样本集合。然后基于高阶正交振幅调制信号星座图特征，利用对应于集合T₁,T₂,…,T_I′的特定模值组S_i∈T(i＝1,2,…,I′；I′≤I)得到最终所需样本集合T_i(i＝1,2,…,I′；I′≤I)；

S_i∈T(i＝1,2,…,I′；I′≤I)

其中S_i为信号的特定模值，x(n)为信道观测值，

为均衡器的稳态输出，

是理想均衡器，T为全量样本集合。

在本发明中构建GMCMA的代价函数：样本使用率降低的原因是仅使用与特定S_i(信号模数)对应的样本来调整BE，而丢弃其他样本。为了提高样本使用率，本发明使用了对应于多组S_i∈T(i＝1,2,…,I′；I′≤I)的样本构造如下优化问题：

GMCMA利用属于集合T_i＝{T₁,T₂,…,T_I′}的样本并均衡信号的幅度与由样本x_i(n)确定的相关模数的偏差，大大提高了样本使用率，且在I′＝I的情况下，样本使用率将接近100％。使用时间平均代替整体平均将代价函数表示为：

在本发明中构建迭代公式。J_GMCMA(w)对w求微分得到梯度：

其中X′＝[X₁,X₂,…,X_I]，

GMCMA更新公式(GMCMA-MNM)，推导出为：

w_k+1＝(X′X′^H)^-1X′y′_k＝R′^-1X′y′_k

其中

并且，R′＝X′X′^H。

由以上可知，本发明保留了MCMA的所有优点。首先，本发明采用正定Hessian矩阵X′X′^H并且稳定收敛，其次，预先确定矩阵X′，然后可以预先计算R′及其对应的逆矩阵R′^-1，因此，本发明计算量远小于应用传统牛顿型算法，第三，本发明所提方法收敛速度快，事实上，有以下命题：

命题1：如果

是最优解且

即，

其中δ是一个小的正常数，则迭代公式中的w_k+1以

的步长收敛到最优解

在实际应用中，将矩阵X′替换为可用矩阵X′_k并将本发明所用算法的迭代公式修改为：

其中

而所有矩阵X_k,i(i＝1,2,…,I′)都是递归获得的，当所需样本x_1,k(n)(n＝1,…,L₁),…,x_i-1,k(n)(n＝1,…,L_i-1)从样本矩阵X＝[x(1),x(2),…,x(n)]中选择出来后，采用本发明所述集合选择方法从剩余样本中选择

的长度的样本x_i,k(n)(n＝1,…,L_i)。

在本发明中的Hessian矩阵可以根据下式进行有效更新：

其中

类似地，由于T_i(i＝1,2,…,I)的预先确定以及BE和T_i(i＝1,2,…,I′；I′≤I)之间的独立性，集合

和

中只包含少数元素。利用上述方法可以显著降低计算R′_k+1的计算负担，而且所提出的GMCMA-MNM的计算负担也显着降低。特别是在I′＝I的极端情况下，集合

和

将保持不变，可以预先计算。

本发明提供的高阶正交振幅调制信号盲均衡器包括：

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。

实施例一、室内可见光通信盲均衡

在基于白色发光二极管的可见光通信中，由于同一信号经过不同路径到达接收端，由于多径效应会导致码间串扰，为了有效地解决码间串扰导致的误码率上升，提高可见光通信系统的传输特性，可以在系统的接收端使用均衡器对信道的传输特性进行补偿，从而提升通信系统的可靠性，实施例将本发明所给出的盲均衡方案应用于室内可见光通信，意在降低室内可见光通信的误码率和由于多径效应导致的码间串扰，提高系统的传输特性。

实施例二、通信对抗

通信对抗系统是指为完成特定的通信对抗任务，由多部通信对抗设备组成的统一协调的整体。通信对抗中存在主要的侦听接收设备，作为现代军事通信中的主要设备，其接收信号具有持续时间短，信号多样，易消失等特点，有时甚至只有数百符号的数据，为应对多发射源发送的不同突发信号，本发明所给出的盲解调方案可适用于通信对抗侦听模块，保证侦听信号可以高性能的消除码间串扰，补偿短波信道响应对信号的影响，提高设备性能。

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。

本实施例通过符号错误率(SER)、MSE和ISI的标准，将所提出的GMCMA与MCMA、CMA(p＝2)、MMA、CNA和DMS进行了比较，验证了本发明所提出的方法的有效性。

考虑具有高斯噪声的复值频率选择信道上的QAM信号，假设阶数L＝5的信道脉冲响应为h＝[0.250+j0.201,0.153+j0.171,0.100+j0.097,0.073+j0.062,0.041+j0.063]^T，对应到以dB为单位的通道增益[-9.8758,-12.7860,-17.1200,-20.3749,-22.4795]。此外，使用六抽头均衡器并使用中央单尖峰初始化。分析了两种调制方案：高阶调制方案的特殊情况(16-QAM)以及一般情况(36-QAM)。对于16-QAM，集合Ω定义为

对于36-QAM，集合Ω定义为

比较CMA、MMA、DSM、GMCMA在36-QAM系统中的各种性能。CMA和MMA的步长分别设置为6×10^-6和2×10^-4，在DMS中，CMLF和CME的步长分别取6×10^-6和2×10^-3，MCMA的参数R_i设置为

GMCMA的参数I′设置为I′＝2，在MSE/SER与SNR，以及ISI与迭代时间相关的仿真中，样本数设置为L＝6000，其他仿真均取样本数L＝1500。

图2和图3分别显示了MSE和SER随SNR的变化。从这两个图中可以看出，所提出的GMCMA比CMA和MMA获得了更好的均衡性能。此外，所提算法的MSE和SER甚至都低于难以实现的DMS。所提算法的优选均衡性能是由于以下两个原因。1)GMCMA可以有效抑制人为误差和稳态失调。2)由于所提算法同时使用大量样本，因此避免了自适应方法由于每次迭代只采用一个样本所引起的过度误差。GMCMA的性能优于MCMA是因为GMCMA比MCMA使用更多的样本，对BE施加了更严格的约束，从而提高了GMCMA估计BE的精度。从图2和图3可以看出，与CMA和MMA相比，所提出的GMCMA在SER＝0.01时具有1dB增益，而且MSE和SER低于DMS。CMA或MMA引起的失调随着信号调制阶数的增加而迅速增加，而无论信号阶数有多高，所提出的算法都可以有效地消除失调。

对于36-QAM系统，给定SNR＝30dB，L＝1500，CMA、MMA、DSM、MCMA、GMCMA在ISI方面的收敛性能如图4所示。从该图中可以看出，所提GMCMA算法的收敛速度比其他三种方法快得多。所提算法收敛速度快的原因如下：1)本发明所提方法有效地抑制了人为误差和稳态失调，能够稳定收敛而不会出现波动。2)本发明所提方法的迭代近似等效于通过自适应算法计算大量样本。3)本发明所提方法采用构造的MNM，收敛速度更快，GMCMA的收敛速度略快于MCMA，因为它的样本使用率较高。另一方面，所提出的方法也可以收敛到比CMA和MMA低得多的稳态ISI，并且具有与DMS相似的稳态ISI。可以看出，GMCMA的收敛速度仍然明显快于其他方法。此外，值得注意的是，MCMA和GMCMA之间的收敛速度差距进一步扩大。这是因为36-QAM系统的MCMA的采样使用率比较低，为2/9，而GMCMA的采样使用率相对高很多，为4/9。

对于16-QAM系统，给定SNR＝28dB，图5描绘了MSE与具有不同参数I′的GMCMA和MCMA的样本数量的变化。很明显，由于GMCMA提高了样本使用率，因此与MCMA相比，GMCMA需要更少的样本来实现良好的MSE测量。此外，如果样本序列足够长，则MCMA和GMCMA都具有类似的低MSE。在这种情况下，即使对于样本使用率低的MCMA来说，样本也足够了，从而对BE施加了严格的约束。因此，当样本长度超过800时，MCMA和GMCMA会受到样本长度的轻微影响，如图5所示。

图6描绘了36-QAM系统在SNR＝30dB条件下MCMA和GMCMA的MSE与样本数量的关系。结果表明，GMCMA比MCMA需要更少的样本来实现理想的均衡性能，并且当样本序列足够长时，两者都可以接近令人满意的性能。这一结果与16-QAM系统的结果一致。但普遍认为，随着信号调制阶数的升高，相同幅度的信号所占的比例迅速下降。因此，可以推断出，36-QAM符号的MCMA需要比16-QAM符号更多的样本来获得较小的MSE。幸运的是，与MCMA相比，GMCMA所需的样本增加量相对较小。更重要的是，盲均衡算法总是有足够的样本，因为在实践中所有接收到的数据都可以用作样本。此外，可以采用GMCMA来提高样本使用率，从而在样本数量较少的情况下达到理想的均衡性能。

综上所述，上述各实施例的用于盲均衡的改进恒模方法均衡器，表明经典CMA存在人为误差和失调的问题，GMCMA有效地解决人为误差和失调所带来的问题。仿真结果表明，本发明提出的GMCMA比其他现有方法具有更好的均衡性能。进而满足使用需求，值得被推广使用。

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

1.一种高阶正交振幅调制信号盲均衡方法，其特征在于，所述高阶正交振幅调制信号盲均衡方法基于高阶正交振幅调制信号的多个恒定模值得到其先验概率，根据观测信号与恒定模值信号的误差排序，结合先验概率选取不同模值的样本集合，将不同模值的多个样本集合聚集组成最终的样本；依据经典恒模算法和选定样本集合构建高阶正交振幅调制信道下的代价函数；依据牛顿法构建高阶正交振幅调制信道方法迭代公式，最优化信道盲均衡器。

2.如权利要求1所述的高阶正交振幅调制信号盲均衡方法，其特征在于，所述高阶正交振幅调制信号盲均衡方法具体包括以下步骤：