正交多小波变换常模判决反馈盲均衡器

针对常模判决反馈均衡器收敛慢的缺点,在对常规的基于平衡正交多小波变换的常模判决反馈盲均衡器（MWT-CMA-DFE）进行分析的基础上,设计了一种新的基于平衡正交多小波变换的判决反馈盲均衡器（NEW-MWT-CMA-DFE）。该均衡器通过对判决器的输出信号进行归一化正交多小波变换来加快收敛。仿真结果表明：对信道频率响应变化比较平滑的信道,与CMA-DFE和MWT-CMA-DFE相比,NEW-MWT-CMA-DFE的收敛快且稳态误差小;对信道频率响应起伏大的信道,NEW-MWT-CMA-DFE和MWT-CMA-DFE性能基本一致,而比CMA-DFE收敛快且稳态误差小。     

基于不同位置小波变换的盲均衡器研究*

目前引入小波变换的自适应均衡器均是将正交多小波变换放置在均衡器(前向滤波器)之前以加快收敛。以常模判决反馈均衡器(CMA-DFE)为例,根据平衡正交多小波变换是放置在前向滤波器还是反馈滤波器之前,研究了三个均衡器,即常规的基于前馈正交多小波变换常模判决反馈盲均衡器(MWT-CMA-DFE)、基于反馈正交多小波变换的常模判决反馈盲均衡器(FMWT-CMA-DFE)和基于双正交多小波变换的常模判决反馈盲均衡器(DMWT-CMA-DFE),分析了其各自的复杂度。水声信道仿真结果表明:与CMA-DFE、MWT-CMA-DFE和FMWT-CMA-DFE相比,DMWT-CAM-DFE具有更快的收敛速度和跟踪时变信道的能力,且消除了相位旋转。     

水声信道盲均衡器优化设计与仿真

针对水声信道高速数据传输中的码间干扰问题,设计了一种基于小波包变换的分数间隔盲均衡器,优化均衡器性能,以提高水下通信质量。采用具有过采样性质的分数间隔均衡器,减少了波特间隔均衡器常数模算法（CMA）的稳态误差,又加快了其收敛速度;并利用去相关性较强的小波包理论,进一步加快了分数间隔盲均衡器算法（FSE-CMA）和小波分数间隔均衡器算法（WT-FSE-CMA）的收敛速度。水声信道的仿真结果,验证了该均衡器的良好性能。     

水声信道盲均衡器优化设计与仿真

针对水声信道高速数据传输中的码间干扰问题,设计了一种基于小波包变换的分数间隔盲均衡器,优化均衡器性能,以提高水下通信质量。采用具有过采样性质的分数间隔均衡器,减少了波特间隔均衡器常数模算法(CMA)的稳态误差,又加快了其收敛速度;并利用去相关性较强的小波包理论,进一步加快了分数间隔盲均衡器算法(FSE-CMA)和小波分数间隔均衡器算法(WT-FSE-CMA)的收敛速度。水声信道的仿真结果,验证了该均衡器的良好性能。     

基于T/4分数间隔的判决反馈盲均衡算法研究

在均衡具有深谱零点的稀疏水声信道时,针对波特间隔判决反馈盲均衡器权系数长、收敛速度慢、均方误差大的缺点,提出了基于T/4分数间隔的判决反馈盲均衡算法.该算法前馈滤波器采用4路子信道系统模型,用常数模误差函数对均衡器权系数进行调整,综合了分数间隔均衡器和判决反馈均衡器的优点,均衡器权长只要大于或等于信道长度就能完全均衡信道,该算法收敛速度比波特间隔判决反馈盲均衡算法(BSDFE)与T/4分数间隔盲均衡算法(T/4FSE)快、均方误差比BSDFE与T/4FSE小,且计算量不变,有利于信息的实时恢复.深谱零点稀疏水声信道盲均衡的仿真结果,进一步验证了该算法的性能.     

基于QPSO的小波分数间隔盲均衡算法

在分析具有量子行为的粒子群优化(PSO)算法和正交小波变换理论的基础上,提出基于量子粒子群优化(QPSO)的正交小波分数间隔常模盲均衡算法。通过对分数间隔均衡器输入信号进行正交小波变换,降低信号的自相关性。利用QPSO算法全局搜索能力强、收敛速度快和鲁棒性高的特性,对均衡器权向量进行优化。仿真结果表明,该算法能降低稳态误差,加快收敛速度,提高水声信道中信号的无失真传输性能。     

基于正交小波变换的稀疏权盲均衡算法

为增强盲均衡算法的工程可实现性,在分析正交小波变换理论和超指数迭代盲均衡算法的基础上,利用正交小波变换对超指数迭代(SEI)算法的权向量迭代公式进行修正,同时利用分数间隔均衡器的优点来提高带宽利用率,提出一种基于正交小波变换稀疏权盲均衡算法(FSE-WT-SEI-SW).该算法利用正交小波变换良好的去相关性来加快收敛速度,通过对权向量的稀疏来减少算法的计算量,有利于工程的实现.水声信道的仿真结果验证了算法的有效性.     

基于正交小波变换分数间隔的神经网络盲均衡算法

针对分数间隔盲均衡算法(T/4-FSE-CMA)收敛速度慢、稳态误差大的缺点,提出了一种基于正交小波变换分数间隔的神经网络盲均衡算法(T/4-FSE-WT-FNN).该算法采用四路子信道模型,以神经网络作为均衡器,同时,对均衡器的输入信号做正交小波变换并进行归一化,与基于正交小波变换的前馈神经网络盲均衡算法(WT-FN...     

区间小波变换域的2－PAM信号自适应均衡算法

1 引言为了克服数字通信尤其是无线通信中所产生的码间干扰,一般需使用均衡器。最简单的均衡器是用FIR滤波器实现并采用最小均方误差(LMS)算法的线性横向均衡器(LTE),其优点是结构简单,易于实现,缺点是收敛速度较慢。为了提高收敛速度,可以对信号作正交变换,然后在变换域中通过自正交等方法降低相关阵的条件数来提高收敛速度,比如文[2]提出的就是一种基于小波变换的自适应均衡算法。研究表明,经小波变换后信号的自相关阵近似呈稀疏带状分布,小波变换的这一优点使得它在自适应信号处理中     

奇对称误差函数变动量因子盲均衡算法

在分析奇对称误差函数判决反馈盲均衡算法（OFA-DFE,Odd symmetry error Function blind equalization Algorithm based Decision Feedback Equalizer）基础上,提出了基于奇对称误差函数变动量因子判决反馈动量盲均衡算法（VMFMOFA-DFE,Variable Momentum Factor Momentum OFA-DFE）。该算法采用具有奇对称性的误差函数来减少均衡器的均方误差,利用变因子的思想对动量项进行控制,并把变动量因子引入到判决反馈算法中,对判决反馈的前向权进行调整,以进一步提高算法的性能。水声信道的仿真结果表明,该算法具有较快的收敛速度和较小的均方误差。     

Pipelined functional link artificial recurrent neural network with the decision feedback structure for nonlinear channel equalization

This paper presents a computationally efficient nonlinear adaptive filter by a pipelined functional link artificial decision feedback recurrent neural network (PFLADFRNN) for the design of a nonlinear channel equalizer. It aims to reduce computational burden and improve nonlinear processing capabilities of the functional link artificial recurrent neural network (FLANN). The proposed equalizer consists of several simple small-scale functional link artificial decision feedback recurrent neural network (FLADFRNN) modules with less computational complexity. Since it is a module nesting architecture comprising a number of modules that are interconnected in a chained form, its performance can be further improved. Moreover, the equalizer with a decision feedback recurrent structure overcomes the unstableness thanks to its nature of infinite impulse response structure. Finally, the performance of the PFLADFRNN modules is evaluated by a modified real-time recurrent learning algorithm via extensive simulations for different linear and nonlinear channel models in digital communication systems. The comparisons of multilayer perceptron, FLANN and reduced decision feedback FLANN equalizers have clearly indicated the convergence rate, bit error rate, steady-state error and computational complexity, respectively, for nonlinear channel equalization.     

一种组合神经网络非线性判决反馈均衡器

1 引言数字通信系统的典型模型如图1所示,发送序列s(n)经信道传输后因发生失真及噪声v(n)的影响而成为畸变信号x(n),为此需用均衡器对其进行均衡以恢复发送序列。目前,自适应均衡已成为数字通信中一种非常重要的技术,自适应均衡器的构成也是多种多样,其中最简单的是线性横向均衡器(LTE)和判决反馈均衡器(DFE),它们都比较适用于线性信道。如果信道呈现非线性特性,两者的性能特别是LTE的均衡能力会大大下降,而利用径向基函数网络(RBFN)等构     

一种单载波宽带信号非线性均衡技术

针对单载波宽带信号均衡难以收敛的问题,研究了一种基于子带分解与重构的宽带非线性均衡技术。综合利用复数子带滤波器组与判决反馈均衡器理论,给出了两种具有模式切换功能的宽带非线性均衡结构,基于最小均方算法推导了它们的均衡权值迭代更新公式,分析比较了两种结构在不同均衡模式下的收敛特点。仿真证明基于子带技术的宽带非线性均衡能适用于群时延较严重的信道,且比传统全频带均衡具有更好的收敛效果和更低的计算复杂度。     

基于正交小波变换的分数间隔盲均衡算法

针对恒模算法(CMA)收敛速度慢,稳态误差大的缺点,在分析正交小波变换理论和分数间隔恒模算法(FSE-CMA)的基础上,提出了一种基于正交小波变换的分数间隔恒模盲均衡算法(WT-FSE-CMA)。该算法将正交小波变换理论引入到T/2分数间隔恒模盲均衡算法中,充分利用了小波变换对信号的去相关性,以及分数间隔均衡器对信号的过采样性质。与波特间隔、T/2分数间隔恒模盲均衡算法相比,该算法收敛速度快、稳态误差小,均衡效果较好。水声信道的仿真结果验证了该算法的性能。     

基于人工免疫网络的正交小波盲均衡算法

传统的常数模盲均衡算法存在收敛速度慢、均方误差大、易陷入局部极小值点等缺点。为此,提出一种基于人工免疫系统的正交小波盲均衡算法。该算法将均衡器系数向量作为抗体,经过抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数,使权向量跳出局部最优点,接近全局最优点,并利用正交小波变换改善常数模盲均衡算法的收敛性,降低均方误差。仿真实验结果表明,该算法收敛速度快、均方误差小,能得到全局最优解。     

An adaptive decision feedback equalizer based on the combination of the FIR and FLNN

To compensate the linear and nonlinear distortions and to track the characteristic of the time-varying channel in digital communication systems, a novel adaptive decision feedback equalizer (DFE) with the combination of finite impulse response (FIR) filter and functional link neural network (CFFLNNDFE) is introduced in this paper. This convex nonlinear combination results in improving the convergence speed while retaining the lower steady-state error at the cost of a small increasing computational burden. To further improve the performance of the nonlinear equalizer, we derive here a novel simplified modified normalized least mean square (SMNLMS) algorithm. Moreover, the convergence properties of the proposed algorithm are analyzed. Finally, computer simulation results which support analysis are provided to evaluate the performance of the proposed equalizer over the functional link neural network (FLNN), radial basis function (RBF) neural network and linear equalizer with decision feedback (LMSDFE) for time-invariant and time-variant nonlinear channel models in digital communication systems.