判决引导和常数模融合盲均衡算法研究

结合判决引导（DD：Decision-Directed）算法和常数模算法（CMA：Constant Modulus Algorithm）的各自优点,研究了一种基于DD和CMA的融合盲均衡算法。DD算法收敛速度快,但要求初始接收信号眼图张开,CMA算法稳健,但是收敛速度慢,为此,对接收信号依DD算法和CMA算法获得瞬时误差后进行加权融合处理,以加权后获得的瞬时误差对均衡器权系数进行调节,实现均衡。计算机仿真证明了融合盲均衡算法有效提高收敛速度的同时具有良好的稳健性和均衡性能。     

基于遗传算法的水声信道常模类盲均衡算法研究

为了解决CMA盲均衡算法收敛速度缓慢、稳态误差大的问题,考虑到初始化权值对CMA算法的重要影响,利用了遗传算法对CMA算法进行有效改进,引入了小样本重用的思想,给出了一种新的适用于水声信道的常模类盲均衡算法,计算机仿真研究证明,该算法不仅大大加快了收敛速度,而且有效的降低了稳态误差。     

线性修正下的神经网络盲均衡算法

研究了一种利用横向滤波器对神经网络进行线性修正的盲均衡算法。在神经网络的输入层之前加入一个横向滤波器,以横向滤波器的节点输出作为神经网络盲均衡器的输入,利用常数模代价函数分别得到横向滤波器和神经网络盲均衡器的瞬时输出误差,将瞬时误差加权处理作为调节误差分别对横向滤波器和神经网络盲均衡器的权系数进行调节,算法实现了对非凸性误差曲面进行线性和非线性寻优的组合。计算机仿真证明提出的算法有效提高了神经网络盲均衡算法的收敛速度,降低了稳态剩余误差,具有更好的实用性和均衡性能。     

变步长LMS自适应均衡算法研究

为解决宽带无线通信中由多径信道产生的符号间干扰,对最小均方(LeastMeanSquares,以下简称LMS)自适应均衡算法进行深入分析。针对LMS算法收敛速度和稳态均方误差相互矛盾的问题,重点研究变步长LMS算法,在现有算法的基础上,进行步长分析,提出一种新型变步长LMS算法。利用信道响应长度、均衡器阶数、收敛误差共同控制迭代步长,简化步长设置,提升算法的收敛速度并降低稳态均方误差。仿真分析表明新型变步长LMS算法有更好的收敛特性。     

引入支持向量机的小波分数间隔盲均衡算法

针对正交小波变换分数间隔盲均衡算法(FSE-WT-CMA)收敛速度慢且存在局部收敛问题,提出了一种引入支持向量机的正交小波分数间隔盲均衡算法(SVM-FSE-WT-CMA).该算法通过对分数间隔盲均衡器的输入信号进行正交小波变换,以降低信号的自相关性,并且利用支持向量机将盲均衡问题转化为全局最优的支持向量回归问题,采用...     

含软判决引导的修正恒模盲均衡算法

在CMA算法基础上，提出了一种混合的修正恒模盲均衡算法MCMA＋SDD。新算法对CMA算法进行修正，同时引入软判决思想。理论分析和计算机模拟表明，该算法克服了CMA收敛速度慢、稳态误差大的缺点，同时可以纠正相位偏转。与CMA＋SDD算法相比，具有更快的收敛速度和更低的稳态均方误差。     

盲信道均衡的动量恒模算法

介绍了盲信道均衡恒模算法（CMA）的基本原理，对恒模算法的缺点进行了分析，通过修正恒模算法的迭代公式提出一种动量恒模算法（MCMA）。利用QPSK信号，采用计算机仿真的方法对动量恒模算法与恒模算法进行盲均衡性能比较，模拟结果显示，MCMA算法比CMA算法在收敛速率、降低稳态均方误差和符号间干扰具有明显的优势，有效地改进了信道均衡性能。     

数据重用在短波信道盲均衡中的应用

为解决短波通信中非合作接收数据短、直接均衡迭代难于收敛的问题,将数据重用的思想引入盲均衡算法中,通过分析数据重用均衡后序列与原始码元序列峰度的关系,验证数据重用方法的有效收敛性,将此方法用于典型Bussgang类盲均衡算法,并分析影响数据重用盲均衡效果的几个因素,通过仿真实验表明,数据重用方法大大减少Bussgang类盲均衡算法收敛所需要的码元数目,有一定的工程实用价值。     

拟牛顿优化BP网络盲判决反馈均衡器

针对水声通信严重多途效应导致的码间干扰,利用神经网络良好的非线性拟合能力,将盲判决反馈均衡器结构与神经网络相结合,同时通过拟牛顿算法提升神经网络的收敛速度,提出了一种拟牛顿优化神经网络的盲判决反馈均衡器。用两个单隐层误差反向传播（Back Propagation,BP）网络替换判决反馈均衡器前馈和反馈滤波器,利用拟牛顿迭代计算神经网络权值,在不计算二阶导数的前提下,使用近似矩阵来近似各层网络权值误差性能函数Hessian矩阵的逆矩阵,通过测量各层权值的梯度变化进行迭代计算。应用自动增益控制和锁相环进行幅度和相位修正。仿真结果表明,拟牛顿优化神经网络的盲判决反馈均衡器在水声信道均衡问题中具有更快的收敛速度及更低的误码率。     

基于二、四阶累积量的双模式盲均衡算法

针对Shalvi-Weistein(SW)准则和一种有约束条件的SW准则而导出盲均衡算法有不直接性的弊端,介绍了一种归一化累积量的盲均衡准则,同时介绍了基于此准则导出的通过线性时不变系统的盲均衡算法(HOS算法);并将此算法结合传统的直接判决算法,形成了一种基于二阶和四阶累积量的双模式盲均衡(dual-mode HOS)算法。计算机仿真结果表明,双模式盲均衡算法比由准则直接导出的盲均衡算法误差小,有着更优越的性能。     

一种基于二阶统计量的盲信道辨识与均衡

本文提出了一种新的基于二阶统计量的盲信道辨识与均衡方法。通过对接收信号过采样,等效的信道矩阵有特殊的结构可以提供足够的信道信息给我们来估计信道矩阵。根据Tong等人的观点,本文给出了另外一种证明的方法,并由此得到了一种新的基于二阶统计量的盲信道辨识与均衡方法。仿真结果表明此方法和Tong的方法具有同样的均衡效果。     

适用于QAM信号的方形判决超指数迭代盲均衡算法

针对超指数迭代判决反馈(Super-Exponential Iteration Decision Feedback Equalization,SEI-DFE)盲均衡算法在水声通信系统中表现出的收敛性差的问题,提出了一种基于正方形判决的修正超指数迭代判决反馈盲均衡算法。该算法在修正超指数算法的基础上,引入判决正方形机制分别对输出信号的同相分量和正交分量进行均衡,以进一步提高相位补偿能力;在判决反馈均衡器中引入二阶数字锁相环,实现对相位旋转的跟踪和补偿。消声水池实验采用16QAM调制信号,从滤波器阶数、步长以及Q矩阵大小三个方面对算法的影响来验证算法的误码率性能,结果表明,新算法的误码率相比修正超指数迭代判决反馈(Modified Super-Exponential Iteration Decision Feedback Equalization,MSEI-DFE)算法改善了两个量级,实现了对相位旋转的有效补偿,大大改善了载波恢复性能。     

共生生物搜索算法在水声信道均衡中的应用

由于多径效应和频散效应导致水声信道中声信号衰减和失真严重,传统均衡技术不能满足在水声信道中应用的要求,近年来神经网络在均衡技术方面的突出表现受到广泛关注,因此,本文提出一种高效的神经网络训练算法,即基于非线性自回归神经网络的改进共生生物搜索算法(简称NARX-nSOS算法)实现水声信道均衡。该算法在非线性自回归神经网络(Nonlinear Autoregressive Neural Network with Exogenous Inputs, NARX)均衡器的基础上,用共生生物搜索算法(Symbiotic Organisms Search, SOS)来进行优化,并结合反向学习算法(Opposition-Based Learning, OBL)来提高该算法的收敛能力,利用计算机对NARX-nSOS算法的有效性进行了仿真验证,结果证明NARXnSOS算法加快了收敛速度,通信质量得到了显著提高。     

盲均衡算法的发展及其共性思考

引用大量科技文献，阐述了盲均衡算法的发展。从算法的角度，着重介绍了常量模板算法，基于高阶谱的算法，基于神经网络的算法等算法的发展情况，并对其优缺点进行了比较。同时，对各种算法的共性进行了探讨。     

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。