JPH05235792A

JPH05235792A - 適応等化器

Info

Publication number: JPH05235792A
Application number: JP3104992A
Authority: JP
Inventors: Yoshinori Yaginuma; 義典柳沼; Takashi Kimoto; 隆木本; Daiki Masumoto; 大器増本
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1992-02-18
Filing date: 1992-02-18
Publication date: 1993-09-10

Abstract

(57)【要約】【目的】適応的に線形歪み及び非線形歪みを等化でき、
且つ実環境上に即して構成でき、しかも現場で容易に調
整することのできる適応等化器を提供する。【構成】特性検出手段１１は、等化すべき等化対象１０
への入力信号に対する実際の出力信号から等化対象１０
の特性を検出する。等化手段１２は、特性検出手段１１
で検出された結果を用いて等化対象１０の実際の出力信
号を等化する。伝搬路構成手段１３は、入力信号から予
め計算により出力信号を作成することで、実際の伝送路
歪みを発生する伝送路系を構成する。伝搬路構成手段１
３が、特性検出手段１１の結果，等化手段１２の結果の
少なくとも一方を入力してその時の出力信号を作成する
と、少なくとも一方の手段は、伝搬路構成手段１３の結
果を用いて学習を行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、通信システムにおいて
伝送路上での信号の劣化を補償するための等化器に関
し、特に無線及び有線の通信における伝送路の特性を検
出し、その検出結果に基づき受信信号の等化を行なう適
応等化器に関する。

【０００２】近年の情報化社会の発展に伴い、国内外で
無線や有線の通信網の整備が行なわれ、通信技術を用い
た情報交換が社会の重要な基盤になってきている。情報
化社会においては、従来のテレビ放送やラジオ放送、電
話などの音声、画像信号のみならず企業間の取引情報や
銀行のオンライン情報などの社会的な影響度の大きい情
報が通信網を用いて伝送されるようになってきた。この
ような情報に対しては、伝送路の特性により受ける誤り
を少なくするような正確な伝送手段の確立が強く要望さ
れていた。

【０００３】特に、自動車電話等のデジタル移動通信に
おいては、変動の速いマルチパスフェージングに対する
補償技術が重要な課題になってきている。よって、時々
刻々と変化する伝送路の特性に適応して等化するための
適応等化技術の確立が要望されていた。

【０００４】

【従来の技術】一般に、無線伝送路は、送受信フィル
タ、変復調器及び送受信器から構成される無線装置と、
気象条件や送受信器間の建造物等によって変化する伝搬
路から構成される。構成要素の不完全性により、装置か
ら発生する線形、非線形歪みと伝送路から発生する線形
歪みの一種である２波干渉フェージングという伝搬路歪
みがある。移動無線においては、装置等から発生する伝
搬路歪みは時間的に安定であるが、移動局、基地局間の
伝送路で発生する伝搬路歪みは選択的フェージングとな
って時間的に変動する。この変動に適応して伝送路上で
の信号の歪を適応的に等化する必要がある。

【０００５】図１６は移動体無線の概念図である。図１
６において、移動局１と基地局２との間で移動体通信が
行われる。移動局１と基地局２との間では局の間で直接
に伝搬する直接波とビル、山、大地等の障害物３によっ
て反射される反射波との間でフェージングが発生する。
特に自動車無線のように移動局が高速に移動する場合に
は、直接波と反射波の間の振幅比、伝搬遅延時間、位相
差が高速に変化する。このため、この変化に高速に追従
して適応的に等化する必要が生ずる。

【０００６】従来では等化器としては、タップ付き遅延
線とトランスバーサル型等化器を用い、それぞれの係数
を伝搬路や変復調装置内部の歪みの程度に応じて調整す
る等化器が提供されている。

【０００７】図１７はこの種のトランスバーサル型等化
器の構成ブロック図である。このトランスバーサル型等
化器は、伝送路からの受信信号を復調器４によって復調
した後、復調された信号をタップ付き遅延線５に逐次セ
ットし、各遅延器６からの出力に各係数調整器７によっ
て係数をかけ、これらの出力を加算器８で合成するもの
である。これによれば、係数を伝送路の歪みに応じて調
整することにより歪みを取り除くことができる。

【０００８】また、伝搬路の特性を検出し、その特性及
び出力信号から等化回路を構成する手法も、例えばニュ
ーラルネットワークを用いる方法で提案されている。

【０００９】

【発明が解決しようとする課題】しかしながら、トラン
スバーサル型等化器を用いた従来の等化技術は線形歪み
に対しては有効であるが、伝送路に非線形歪みが生じた
場合や復調系に非線形回路を用いた場合には、信号を適
切に等化することができないという問題点があった。

【００１０】また、非線形歪みに対応できるフィルタと
して、ニューラルネットワークを用いた等化器が知られ
ているが、学習時間がかかりすぎるため適応的な処理が
困難であり、種々の伝送路特性の変化に対応できなかっ
た。このため、移動通信におけるマルチパスフェージン
グなどのように時間的に伝送路特性が変化する場合に
は、これに対応できないという問題があった。

【００１１】本発明の目的は、適応的に線形歪みのみな
らず非線形歪みを等化することができ、且つ実環境上に
即して構成でき、しかも現場で容易に調整することので
きる適応等化器を提供することにある。

【００１２】

【課題を解決するための手段】本発明は、上記課題を達
成すべく次のような構成とした。図１は本発明の原理図
である。等化対象１０は、例えば伝達関数であり、本発
明ではこの伝達関数を検出し、その結果に基づき出力信
号を等化する。

【００１３】特性検出手段１１は、等化すべき等化対象
１０への入力信号に対する実際の出力信号から等化対象
１０の特性を検出する。等化手段１２は、特性検出手段
１１で検出された結果を用いて等化対象１０の実際の出
力信号を等化する。伝搬路構成手段１３は、入力信号か
ら予め計算により出力信号を作成することで、実際の伝
送路歪みを発生する伝送路系を構成する。

【００１４】伝搬路構成手段１３が、特性検出手段１１
で検出された結果または等化手段１２で等化された結果
の少なくとも一方を入力してその時の出力信号を作成す
ると、少なくとも一方の手段は、伝搬路構成手段１３の
結果を用いて学習を行なう。

【００１５】

【作用】本発明によれば、特性検出手段によって等化対
象の時々刻々と変化する伝達関数を適応的に検出し、そ
の検出結果を用いて等化手段により信号の等化を行な
う。従って、時々刻々変化する等化対象の変化に追従し
て出力信号を補償できる。例えば、自動車電話等の移動
体無線で生じるマルチパスフェージングのように伝送路
の特性（つまり、等化対象の伝達関数）が時間的に変化
する場合でも適応的に追従して等化できる。また、伝搬
路構成手段を用いて特性検出手段または等化手段を学習
させることで、実環境上での特性に応じた学習が行え
る。

【００１６】よって、シミュレーションで学習のための
データを作成しなくても、実環境で得られたデータに基
づき、特性検出手段と等化手段を学習させることがで
き、より実環境に即して出力信号を高精度に等化でき
る。

【００１７】

【実施例】以下、本発明の実施例について説明する。図
２は本発明にかかる適応等化器の基本構成ブロック図で
ある。図２に示す適応等化器は、例えば自動車電話等の
移動無線を対象に無線伝送路を通過したデジタル信号を
等化するための適応等化器である。適応等化器は、次の
ように構成される。

【００１８】特性検出装置２１ａは、等化対象１０に入
力する入力信号と等化対象１０から出力する出力信号
（実測値）とを入力して、等化対象１０の伝達特性、例
えば伝達関数Ｈ（ω）を検出するものであり、等化装置
２２ａは、特性検出装置２１ａにより検出された伝達関
数を用いて等化対象１０の出力信号を等化するものであ
る。伝搬路構成装置２３ａは、等化対象１０の伝達関数
の実部及び虚部と入力信号（理想的な出力値）とを用い
て実際の伝送路歪みを発生する伝送路系を回路によって
近似的に実現するもので、特性検出装置２１ａおよび等
化装置２２ａを実環境に合わせて学習させる時に用い
る。学習部１５２は、伝搬路構成ニューラルネットワー
ク２３ａを学習させるとともに、伝搬路構成ニューラル
ネットワーク２３ａからの復調信号と復調系２８からの
受信信号とに基づき特性検出ニューラルネットワーク２
１ａ、等化ニューラルネットワーク２２ａを学習させ
る。

【００１９】特性検出装置２１ａ、等化装置２２ａ、伝
搬路構成装置２３ａは、例えば、階層型ニューラルネッ
トワークである。図３は本発明の具体的な実施例の構成
ブロック図である。等化対象１０は、変調系２６、伝搬
路２７、及び復調系２８により構成される。適応等化器
は、図２に示す特性検出装置２１ａに相当する特性検出
ＮＮ（ニューラルネットワーク）２１ｂ、等化装置２２
ａに相当する等化ニューラルネットワーク２２ｂ、及び
伝搬路構成装置２３ａに相当する伝搬路構成ニューラル
ネットワーク２３ｂから構成される。

【００２０】特性検出ニューラルネットワーク２１ｂ
は、デジタル信号、すなわち送信信号とその信号に対す
る復調系２８の復調信号、すなわち受信信号とから変調
系２６、伝搬路２７、及び復調系２８の全体の伝達関数
の実数部Ｘ（ω）、及び虚数部Ｙ（ω）を検出する。等
化ニューラルネットワーク２２ｂは、特性検出ニューラ
ルネットワーク２１ｂの検出結果を用いて復調系２８か
ら出力される受信信号を等化する。伝搬路構成ニューラ
ルネットワーク２３ｂは、等化対象１０の伝達関数の実
数部Ｘ（ω）、及び虚数部Ｙ（ω）と送信信号とを用い
て実際の伝送路歪みを発生する伝送路系を回路によって
近似的に実現して復調信号を出力するもので、特性検出
ニューラルネットワーク２１ｂおよび等化ニューラルネ
ットワーク２２ｂを実環境に合わせて学習させる時に用
いる。

【００２１】学習収束判定部１６３ｂは、伝搬路構成ニ
ューラルネットワーク２３ｂからの復調信号と復調系２
８からの受信信号との差が所定の値に収束するまで特性
検出ニューラルネットワーク２１ｂ、等化ニューラルネ
ットワーク２２ｂを学習させる。

【００２２】図４はその伝搬路２７のモデルを示す図で
ある。一般に見通し内マイクロ波通信においては、直接
波と反射波からなる２波干渉フェージングとして伝搬路
２７が記述されるので、本実施例でも２波干渉フェージ
ングモデルを伝搬路モデルとして用いる。

【００２３】このときの伝搬路の伝達関数Ｈ（ω）は、
（１）式のように記述される。この伝達関数の実部、虚
部はそれぞれ（２）（３）式のように記述される。

【００２４】

【数１】

【００２５】ここで、ρは、反射波と直接波の振幅比で
あり、τは反射波と直接波の伝搬遅延時間であり、φは
反射波と直接波の初期位相差である。このとき、変調系
２６、伝搬路２７、復調系２８から構成されるトータル
の伝送系を考えると時間的に変化するのは伝搬路２７の
みであり、変調系２６、復調系２８は時間的に安定であ
ると考えられる。そこで、本実施例では伝搬路２７の伝
達関数として、この実部Ｘ（ω）と虚部Ｙ（ω）をニュ
ーラルネットワークにより検出することで適応的に動作
する等化器を構成した。

【００２６】図５は実施例で対象とした伝送系の変調系
２６の概略図である。図５に示す変調系２６は、例えば
復調時において受信波から抽出される搬送波成分を基準
信号として用いた時の検波出力に相当するＩ、及び搬送
波成分の位相をπ／２進ませた信号を基準信号として用
いた時の検波出力に相当するＱの２チャンネルの入力信
号を用いる。Ｉ、Ｑの２チャンネルの入力信号をそれぞ
れ変調器２６ａ、２６ｂで直交変調してこれらの出力を
加算器２６ｃで加算した後に、その出力を伝搬路２７に
送信信号として送出するものである。

【００２７】図６は実施例で対象とした復調系２８の概
略図である。復調系２８は、受信信号から同期検波（又
は遅延検波）などの検波手段を用いて受信信号を復元す
る。図６において、復調系２８において、受信信号から
ＢＰＦ（バンドパスフィルタ）２８ａで所定の帯域の周
波数のみが抽出され、リミッタ２８ｂで振幅が制限され
て、遅延検波器２８ｃで遅延検波が行われる。そして、
ＬＰＦ（ローパスフィルタ）２８で低域の周波数のみが
抽出され、ＡＤ（アナログデジタル変換器）２８ｅでア
ナログ信号は４倍オーバーサンプリングされデジタル信
号に変換される。

【００２８】図７は伝搬路上で伝送されるデータのパケ
ット形式を示す図である。各パケットの先頭には、トレ
ーニングシーケンスと呼ばれる各パケットに共通の既知
のビット列、例えば１６ビットが挿入されている。この
ビット列を用いて伝送路の特性を検出することができ
る。情報部が実際に伝送されるデータである。本実施例
ではデジタル自動車電話を対象としているので、信号は
すべて０、１の２値のいずれかの値をとる。ＳＹＮＣワ
ード、ガードはパケットの先頭と終わりを示す特別な信
号である。

【００２９】図８は伝搬路構成ニューラルネットワーク
２３ｂの構成を示す図、図９は階層ネットワーク部１５
９の構成を示す図である。伝搬路構成ニューラルネット
ワーク２３ｂは、階層ネットワーク部１５９と、学習部
１５２ａとから構成される。図９に示すように階層ネッ
トワーク部１５９は、各層間が完全結合した３層の階層
型ニューラルネットワークである。入力層３３の入力ユ
ニット数は１８個であり、これらのユニットには、等化
対象１０の伝達関数の実部Ｘ（ω）と虚部Ｙ（ω）と、
送信信号（理想的な出力値）が入力される。中間層３４
のユニット数は１２個であり、出力層３５のユニット数
は２個であり、Ｉ，Ｑ各チャンネルの受信波形に対応し
ている。また、ニューラルネットワークの各層間の重み
値を管理する重み値格納部１６０が設けられている。

【００３０】次に、学習部１５２ａは、学習結果の誤差
量によりバックプロパゲーション法に基づく重み値の更
新を行い、重み値格納部１６０ａへ出力する重み値変更
部１６１ａ、等化対象１０の入出力関係により定まる入
力信号パターンと出力信号パターンの組からなる学習信
号（学習データ）を格納した学習信号格納部１６４、学
習指示に従って学習信号格納部１６４から学習信号を取
り出し入力信号を階層ネットワーク部１５９の入力に与
えるとともに教師信号を重み値変更部１６１ａ及び学習
収束判定部１６３ａへ出力する学習信号提示部１６２、
階層ネットワーク部１５９の出力信号と学習信号提示部
１６２から出力された教師信号とを受けて階層ネットワ
ーク部１５９のデータ処理機能の誤差が許容範囲に入っ
たか否かを判定してその判定結果を学習信号提示部１６
２に通知する学習収束判定部１６３ａを備えている。

【００３１】ニューラルネットワーク部１５９及び学習
部１５２ａで学習して学習後の各層間の結線の重みを変
え、重み値は重み値格納部１６０ａに格納される。図１
０は伝搬路構成ニューラルネットワーク２３ｂの学習デ
ータを示す図である。入力データとしては、４倍でオー
バーサンプリングを行なっている。伝搬路構成ニューラ
ルネットワーク２３ｂには、図１０（ａ）に示すＩ，Ｑ
各チャンネルの理想値２シンボル分の送信信号８ポイン
トと、伝搬路２７の伝達関数の実部Ｘ（ω）と虚部Ｙ
（ω）のデータが入力され、これに対してＩ，Ｑ各チャ
ンネルの受信信号の値、つまり、４倍オーバーサンプリ
ングした送信信号上の幅８のウインドウの中間に対応し
た値を教師信号とする（図１０（ｂ）に示す。）。この
入出力対応関係を前述したバックプロパゲーション法等
の学習方法により学習する。

【００３２】図１１は特性検出ニューラルネットワーク
２１ｂの構成を示す図である。特性検出ニューラルネッ
トワーク２１ｂは、各層間が完全結合した３層の階層型
ニューラルネットワークである。入力層４３の入力ユニ
ット数は３２個であり、入力ユニットには、理想的な出
力値と復調系２８からの実際の受信信号が入力される。
中間層４４のユニット数は２０個であり、出力層４５の
ユニット数は２個であり、２つのユニットは、伝達関数
の実部、虚部に対応している。特性検出ニューラルネッ
トワーク２１ｂは、既知のパケットのトレーニングシー
ケンスと実際の受信信号とを比較することで伝送路の伝
達関数を検出する。なお、図示しないが、特性検出ニュ
ーラルネットワーク２１ｂは、図８に示す重み値格納部
１０６ａ及び重み値変更部１６１ａと同一構成の重み値
格納部１０６ｂ及び重み値変更部１６１ｂとを備えてい
る。

【００３３】入力データとしては、４倍でオーバーサン
プリングを行なっている、入力ユニットには、Ｉ，Ｑ各
チャンネルの各々の理想値と受信信号に対して、もとの
デジタル信号で見たときの２シンボル分の８ポイントの
データが入力され、合計３２個になる。出力データは伝
搬路２７の伝達関数の実部Ｘ（ω）と虚部Ｙ（ω）との
値である。特性検出ニューラルネットワークの学習方法
については後述する。

【００３４】図１２は等化ニューラルネットワーク２２
ｂの構成を示す図である。同様に、等化ニューラルネッ
トワーク２２ｂは、各層間が完全結合した３層の階層型
ニューラルネットワークである。等化ニューラルネット
ワーク２２ｂは、復調系２８の受信信号をニューラルネ
ットワークの非線形処理により等化することで、伝搬路
２７、復調系２８における非線形歪みを除去し、復調系
２８の受信信号を目標値に等化するものである。入力層
５３のユニット数は１８個であり、これらのユニットに
は、特性検出ニューラルネットワーク２１ｂで検出した
伝達関数と復調系２８からの実際の受信信号が入力され
る。中間層ユニット数は１２個であり、出力層ユニット
数は２個であり、これは、Ｉ，Ｑ各チャンネルに対応し
たものである。なお、図示しないが、等化ニューラルネ
ットワーク２２ｂは、図８に示す重み値格納部１０６ａ
及び重み値変更部１６１ａと同一構成の重み値格納部１
０６ｃ及び重み値変更部１６１ｃとを備えている。

【００３５】入力データとしては、４倍でオーバーサン
プリングを行なっている。Ｉ，Ｑ各チャンネルの受信信
号に対して、もとのデジタル信号で見たときの２シンボ
ル分の８ポイントのデータが入力され、合計１６個であ
る。出力データは、各チャンネルの理想的出力値、つま
り、４倍オーバーサンプリングした受信信号上の幅８の
ウインドウの中間に対応した理想値である。等化ニュー
ラルネットワーク２２ｂの学習方法については後述す
る。

【００３６】ところで、各ネットワークの学習のため
に、実環境上より伝送系の伝達関数を正確に求めること
は大変困難である。そこで、実環境上での伝送系の伝達
関数を求めずに、実環境に即した等化器を構成するため
の学習方法を記述する。（ａ）まず、伝搬路構成ニューラルネットワーク２３ｂ
の学習方法について説明する。

【００３７】前述したように、入力データとしては、４
倍でオーバーサンプリングを行なっている。Ｉ，Ｑ各チ
ャンネルの理想値２シンボル分の８ポイントと伝搬路２
７の伝達関数の実部Ｘ（ω）と虚部Ｙ（ω）のデータを
用い、これに対してＩ，Ｑ各チャンネルの受信信号の値
を教師信号として、この入出力対応関係をバックプロパ
ゲーション法等の学習方法により学習する。この学習デ
ータの生成方法としては、変調系２６、伝搬路２７、復
調系２８をシミュレートするためのソフトウェアを計算
機上に作成し、シミュレーションを行なう方法を用い
る。

【００３８】これにより、伝送路パラメータを変化させ
た復調系２８からの波形を生成することができ、受信波
形と伝達関数のパラメータの対応関係と変調系２６への
入力波形と復調系２８からの出力波形を対応させた学習
データが得られる。（ｂ）次に特性検出ニューラルネットワーク２１ｂの学
習方法について説明する。

【００３９】図１３は特性検出ニューラルネットワーク
２１ｂの学習を示す図である。既に学習済みの伝搬路構
成ニューラルネットワーク２３ｂと、未学習の特性検出
ニューラルネットワーク２１ｂとを、図１３に示すよう
に接続する。特性検出ニューラルネットワーク２１ｂに
実環境上で得たデジタル信号及び受信信号を入力し、特
性検出ニューラルネットワーク２１ｂで計算された伝達
関数の実部と虚部とを伝搬路構成ニューラルネットワー
ク２３ｂに入力する。伝搬路構成ニューラルネットワー
ク２３ｂでは、この伝達関数の値とデジタル信号とから
その時の復調信号を計算する。この受信信号と復調信号
とは、特性検出ニューラルネットワーク２１ｂが正確に
学習されていれば、同じものとなるはずである。そこ
で、学習収束判定部１６３ｂにより両者の誤差が所定の
値以下になったどうかを判定し、その出力に基づき前記
重み値変更部１６１ｂの重み値を変更して、その重み値
を重み値格納部１６０ｂに格納する。このようにして重
み値を変更することで、特性検出ニューラルネットワー
ク２１ｂの学習を行なう。（ｃ）次に、等化ニューラルネットワーク２２ｂの学習
方法について説明する。

【００４０】図１４は等化ニューラルネットワーク２２
ｂの学習を示す図である。既に学習済みの伝搬路構成ニ
ューラルネットワーク２３ｂと、特性検出ニューラルネ
ットワーク２１ｂと、未学習の等化ニューラルネットワ
ーク２２ｂとを図１４に示すように接続する。等化ニュ
ーラルネットワーク２２ｂには、実環境上で得た受信信
号と特性検出ニューラルネットワーク２１ｂによって計
算された伝達関数の実部及び虚部とが入力される。そし
て、等化ニューラルネットワーク２２ｂによって計算さ
れた等化信号と、特性検出ニューラルネットワーク２１
ｂで計算された伝達関数の値とが伝搬路構成ニューラル
ネットワーク２３ｂに入力される。伝搬路構成ニューラ
ルネットワーク２３ｂでは、これらからその時の復調信
号を計算する。

【００４１】ここで、伝搬路構成ニューラルネットワー
ク２３ｂの等化信号の入力は、４倍でオーバーサンプリ
ングされた２シンボル８ポイントである。これに対応さ
せるために、同じ内部状態をもつ等化ニューラルネット
ワーク２２ｂを８つ用意し、それぞれに１ポイントずつ
ずらした入力を与え、出力させるようにする。受信信号
と復調信号は、等化ニューラルネットワーク２２ｂが正
確に学習されていれば、同じものとなるはずである。そ
こで、学習収束判定部１６３ｂにより両者の誤差が所定
の値以下になったどうかを判定し、その出力に基づき前
記重み値変更部１６１ｃの重み値を変更して、その重み
値を重み値格納部１６０ｃに格納する。このようにして
重み値を変更することで、等化ニューラルネットワーク
２２ｂの学習を行なう。学習は８つの等化ニューラルネ
ットワーク２２ｂにおいて同等にして行なう。

【００４２】次に、実際の移動無線における運用では、
本実施例は、以下のように動作することで信号の等化を
行なう。１）まず、パケットのトレーニングシーケンスを検出す
る。

【００４３】２）トレーニングシーケンスに対応した受
信信号を、特性検出ニューラルネットワーク２１ｂの受
信信号を入力するための入力ユニットにセットする。３）トレーニングシーケンスのビット列は既知なので、
特性検出ニューラルネットワーク２１ｂの理想値を入力
する入力ユニットに、この受信信号に対応したビット列
をセットする。

【００４４】４）特性検出ニューラルネットワーク２１
ｂは、これらの入力データに基づき、伝送路特性である
伝達関数の実部Ｘ（ω）と虚部Ｙ（ω）の値を検出し、
それを等化ニューラルネットワーク２２ｂの入力ユニッ
トにセットする。

【００４５】５）等化ニューラルネットワーク２２ｂ
に、パケットの情報部に対応した受信信号を連続して入
力する。等化ニューラルネットワーク２２ｂはそれを連
続的に等化する。

【００４６】６）等化結果を適切なしきい値により０、
１のデジタルデータに変換する。所望の送信データの受
信が可能になる。このように本実施例によれば、特性検出ニューラルネッ
トワークによって等化対象の時々刻々と変化する伝達関
数を適応的に検出し、その検出結果を用いて等化ニュー
ラルネットワークにより信号の等化を行なう。従って、
時々刻々変化する等化対象の変化に追従して出力信号を
補償できる。例えば、自動車電話等の移動体無線で生じ
るマルチパスフェージングのように伝送路の特性（つま
り、等化対象の伝達関数）が時間的に変化する場合でも
適応的に追従して等化できる。

【００４７】また、伝搬路構成ニューラルネットワーク
を用いて特性検出ニューラルネットワークと等化ニュー
ラルネットワークとを学習させることで、実環境上での
特性に応じた学習が行える。

【００４８】よって、シミュレーションで特性検出ニュ
ーラルネットワークと等化ニューラルネットワークとの
ための学習データを作成しなくても、実環境で得られた
データに基づき、特性検出ニューラルネットワークと等
化ニューラルネットワークを学習させることができ、よ
り実環境に即して出力信号を高精度に等化できる。

【００４９】図１５は、特性検出ニューラルネットワー
ク２１ｂ及び等化ニューラルネットワーク２２ｂの学習
を示す図である。既に学習済みの伝搬路構成ニューラル
ネットワーク２３ｂと、未学習の特性検出ニューラルネ
ットワーク２１ｂと、未学習の等化ニューラルネットワ
ーク２２ｂとを図１５に示すように接続する。

【００５０】まず、特性検出ニューラルネットワーク２
１ｂに実環境上で得た送信信号及び受信信号が入力され
ると、ネットワークでその時の伝達関数の実部と虚部と
が計算される。計算された伝達関数は、等化ニューラル
ネットワーク２２ｂと伝搬路構成ニューラルネットワー
ク２３ｂとに出力される。等化ニューラルネットワーク
２２ｂでは、特性検出ニューラルネットワーク２１ｂか
らの伝達関数の実部と虚部と実環境上で得た受信信号を
入力し、その時の等化信号（送信信号）を計算する。

【００５１】伝搬路構成ニューラルネットワーク２３ｂ
では、計算された等化信号と特性検出ニューラルネット
ワーク２１ｂからの伝達関数とを入力して復調信号を計
算する。実環境上で得た受信信号と復調信号は、特性検
出ニューラルネットワーク２１ｂと等化ニューラルネッ
トワーク２２ｂとが充分に実環境に即して正確に学習さ
れていれば、同じものとなるはずである。そこで、この
両者の誤差を少なくするように、前述したバックプロパ
ゲーション法などを用いて両者の誤差を伝搬すること
で、特性検出ニューラルネットワーク２１ｂと等化ニュ
ーラルネットワーク２２ｂとの学習を同時に行なう。

【００５２】ここで、伝搬路構成ニューラルネットワー
ク２３ｂの入力は、４倍でオーバーサンプリングされた
２シンボル８ポイントである。これに対応させるため
に、同じ内部状態をもつ等化ニューラルネットワーク２
２ｂを８つ用意し、それぞれに１ポイントずつずらした
入力を与え、出力させるようにする。学習は８つの等化
ニューラルネットワーク２２ｂにおいて同等にして行な
う。

【００５３】従って、シミュレーションで特性検出ニュ
ーラルネットワーク２１ｂと等化ニューラルネットワー
ク２２ｂとのための学習データを作成しなくとも、実環
境で得られたデータに基づき、特性検出ニューラルネッ
トワークと等化ニューラルネットワークとを同時に学習
でき、シミュレーションのみを学習した等化器よりも、
実環境に即して高精度に等化できる等化器を容易に構成
できる。

【００５４】なお、本出願人は、実施例に類似する特許
出願として特願平３−２１００５，特願平３−６２７２
を出願済みである。また、本発明は上述した実施例に限
定されるものではない。本実施例では、階層型ネットワ
ークを用いたが、他のニューラルネットワークモデルを
用いることもできる。例えば、階層型ネットワークの中
間層ユニットから入力層ユニットへの回帰結合を持つネ
ットワークモデル（リカレントネットワークと呼ばれ
る。）を用いても、本実施例と同様に実施することがで
きる。

【００５５】さらに、本実施例では、伝送系の特性とし
て伝達関数の実部、虚部の値を用いたが、例えば、伝達
関数の振幅周波数特性Ａ（ω）、包絡線特性Ｄ（ω）な
どの他の特性値を用いることもできる。例えば２波モデ
ルの場合の式を以下に示す。Ａ(ω)＝Ａ[１＋ρ²＋２ρcos(ωτ−φ)] Ｄ(ω)＝ρτ｛ρ＋cos(ωτ−φ)｝／｛１＋２ρcos(ωτ−φ)＋ρ² ｝このほか、本発明の要旨を逸脱しない範囲で種々変形実
施できるのはもちろんである。

【００５６】

【発明の効果】本発明によれば、伝送系の伝送特性とし
て例えば伝達関数を検出し、その結果を用いて伝送系の
時間変化に柔軟に追従して信号の等化を行なうことがで
き、また信号の等化を行えるような適応的な等化機能を
持つ等化器を、実環境上の信号に基づき学習することに
よって、実環境に即して構成できる。よって、通信シス
テムにおける伝送特性の向上に寄与するところが大であ
る。

【図面の簡単な説明】

【図１】本発明の原理図である。

【図２】本発明にかかる適応等化器の基本構成ブロック
図である。

【図３】本発明の実施例の構成を示す図である。

【図４】実施例の伝搬路のモデルを示す図である。

【図５】本発明の実施例の変調系の構成ブロック図であ
る。

【図６】本発明の実施例の復調系の構成ブロック図であ
る。

【図７】伝送されるデータのパケット形式を示す図であ
る。

【図８】伝搬路構成ニューラルネットワークの構成を示
す図である。

【図９】階層ニューラルネットワーク部の構成を示す図
である。

【図１０】伝搬路構成ニューラルネットワークの学習デ
ータを示す図である。

【図１１】特性検出ニューラルネットワークの構成を示
す図である。

【図１２】等化ニューラルネットワークの構成を示す図
である。

【図１３】特性検出ニューラルネットワークの学習を示
す図である。

【図１４】等化ニューラルネットワークの学習を示す図
である。

【図１５】特性検出ニューラルネットワーク及び等化ニ
ューラルネットワークの学習を示す図である。

【図１６】移動体通信の概略を示す図である。

【図１７】トランスバーサル型等化器の構成を示す図で
ある。

【符号の説明】

１・・移動局２・・基地局３・・障害物１０・・等化対象２１ａ・・特性検出装置２２ａ・・等化装置２３ａ・・伝搬路構成装置２１ｂ・・特性検出ニューラルネットワーク２２ｂ・・等化ニューラルネットワーク２３ｂ・・伝搬路構成ニューラルネットワーク１５２・・学習部

Claims

【特許請求の範囲】

【請求項１】等化すべき等化対象（１０）への入力信
号に対する実際の出力信号から前記等化対象（１０）の
特性を検出する特性検出手段（１１）と、この特性検出手段（１１）で検出された結果を用いて前
記等化対象（１０）の実際の出力信号を等化する等化手
段（１２）と、前記入力信号から予め計算により前記出力信号を作成す
ることで、実際の伝送路歪みを発生する伝送路系を構成
する伝搬路構成手段（１３）とを備え、前記伝搬路構成手段（１３）が、前記特性検出手段（１
１）で検出された結果または前記等化手段（１２）で等
化された結果の少なくとも一方を入力してその時の出力
信号を作成すると、前記少なくとも一方の手段は、前記
伝搬路構成手段（１３）の結果を用いて学習を行なうこ
とを特徴とする適応等化器。
【請求項２】前記伝搬路構成手段（１３）は、ニュー
ラルネットワークまたは提示された事例の学習により伝
搬路構成機能を獲得する学習装置からなることを特徴と
する請求項１記載の適応等化器。
【請求項３】前記特性検出手段（１１）は、ニューラ
ルネットワークまたは提示された事例の学習により特性
検出機能を獲得する学習装置からなることを特徴とする
請求項１記載の適応等化器。
【請求項４】前記等化手段（１２）は、ニューラルネ
ットワークまたは提示された事例の学習により等化機能
を獲得する学習装置からなることを特徴とする請求項１
記載の適応等化器。
【請求項５】前記特性検出手段（１１）は、前記等化
対象（１０）の伝達関数または前記伝達関数の実数部、
虚数部の値を検出することを特徴とする請求項１ないし
請求項４のいずれかに記載の適応等化器。
【請求項６】前記特性検出手段（１１）は、前記等化
対象（１０）の伝達関数の振幅周波数特性、包絡線特性
の値を検出することを特徴とする請求項１ないし請求項
４のいずれかに記載の適応等化器。