没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
2020 年 3 月 Journal on Communications March 2020
第 41 卷第 3 期 通 信 学 报 Vol.41
No.3
基于预测原理的回声状态网络在线盲均衡算法
杨凌,韩琴,程丽,赵傲男,杜娟
(兰州大学信息科学与工程学院,甘肃 兰州 730000)
摘 要:针对非线性信道,基于预测原理提出了回声状态网络(ESN)在线盲均衡算法,首先将具有良好非线性
映射能力的 ESN 代替传统的线性预测误差滤波器,并采用递归最小二乘(RLS)算法计算网络的输出权值,使网
络预测误差达到最小;然后进行幅值和相位的调整。仿真实验表明,对于 16QAM 信号,所提算法可以有效降低
非线性信道对发送信号产生的畸变。与其他基于预测原理的盲均衡算法相比,所提算法有更低的均方误差值和更
快的收敛速度。
关键词:非线性信道;预测误差滤波器;回声状态网络;递归最小二乘算法
中图分类号:TN911.5
文献标识码:A
doi: 10.11959/j.issn.1000−436x.2020031
Online blind equalization algorithm with echo
state network based on prediction principle
YANG Ling, HAN Qin, CHENG Li, ZHAO Aonan, DU Juan
Institute of Information Science and Engineering, Lanzhou University, Lanzhou 730000, China
Abstract: In view of the nonlinear channel, the online blind equalization algorithm with echo state network was proposed
based on prediction principle. In the proposed algorithm, the traditional linear prediction error filter was replaced by the
ESN with good nonlinear mapping ability, and recursive least square (RLS) algorithm was used to calculate the output
weight of the network to minimize the network prediction error. Then, the amplitude and phase were adjusted. Simulation
results show that the proposed algorithm can effectively reduce the distortion caused by nonlinear channel to the trans-
mitted signal for 16QAM signal, which has lower mean square error and faster convergence speed in comparison with
other blind equalization algorithms based on prediction principle.
Key words: nonlinear channel, predictive error filter, echo state network, recursive least square algorithm
1 引言
通信系统中,由于信道的非理想特性,接收机
接收到的信号会产生严重的畸变,通常采用均衡技
术尽可能地恢复失真信号。传统的自适应均衡需要
发送训练序列以提供均衡器所需的监督信号,对于
时变信道,需要频繁发送训练序列以达到实时跟踪
信道的目的,不仅降低了通信系统的信息传输速
率,而且加大了信息传输成本。1975 年,Sato
[1]
首
次提出了盲均衡的概念。盲均衡技术不需要发送训
练序列,仅仅利用接收序列本身的先验信息,便可
自适应地调整均衡器参数,跟踪信道特性,完成对
信号的最佳估计
[2-3]
。
Bussgang 类盲均衡算法应用较广泛,它将构造
的代价函数的极小值对应于理想系统,并通过自适
应算法得到相应的极小值,继而得到系统参数
[4-7]
。
该类算法稳定性强,但存在收敛后剩余误差较大、
易陷于局部最小等缺点。考虑到传输序列由独立随
收稿日期:2019–09–10;修回日期:2019–12–20
基金项目:甘肃省自然科学基金资助项目(No.20180322);中央高校基础研究基金资助项目(No.lzujbky-2019-91)
Foundation Items: The Natural Science Foundation of Gansu Province (No.20180322), The Fundamental Research Funds for the
Central Universities (No.lzujbky-2019-91)
·146· 通 信 学 报 第 41 卷
机变量组成,文献[8]提出了基于预测原理的盲均衡
思想,利用二阶统计量调整线性预测误差滤波器结
构的参数,并以此消除失真信号中存在的冗余,但
有限长的线性预测误差滤波器存在自身结构的局
限性,很难获得理想的均衡效果。由于非线性系统
能产生高阶统计量信息,文献[9]用非线性的模糊滤
波器代替传统的线性结构,降低了均衡误码率。文
献[10]首次提出将神经网络作为非线性预测误差滤
波器实现盲均衡的方法,随后,前馈神经网络如径
向基函数(RBF, radial basis function)
[11]
网络、多
层感知器(MLP, muti-layer percetron)
[12]
、极限学习
机(ELM, extreme learning machine)
[13]
,以及递归神
经网络如回声状态网络(ESN, echo state network)
[14-15]
相继用于构造非线性预测误差滤波器。其中,前馈
神经网络各层神经元之间无反馈,非线性映射能力
弱于递归神经网络,对非线性信道的均衡效果较
差。文献[14-15]选用只需要训练输出权值的新型递
归神经网络 ESN
[16-17]
作为非线性预测误差滤波器,
在非线性信道下获得了较理想的均衡性能。然而,
文献[14-15]中的实验仅针对 BPSK 调制信号的盲均
衡,没有涉及抗噪声能力强且可充分利用通信带宽
的正交幅度调制(QAM, quadrature amplitude mod-
ulation)信号,此外,文献[14-15]的算法均采用数
据批处理方式进行盲均衡,对于时变信道,不能有
效地实时跟踪信道变化。
本文针对非线性信道的 QAM 信号,采用复数
型回声状态网络
[18]
作为非线性预测误差滤波器,
用递归最小二乘算法计算网络的输出权值,实时跟
踪信道变化,并通过自动增益控制(AGC, auto-
matic gain control)和旋转因子分别调整信号的幅
值和相位旋转,提出了基于预测原理的回声状态网
络在线盲均衡算法(ESN-PEF, echo state net-
work-prediction error fitter)。
2 问题描述
2.1 基于预测原理的盲均衡方法
基于预测原理的盲均衡框架如图 1 所示。其中
()
s
n 是发送序列,h 是发送序列通过的信道, ()
x
n
是信道输出序列, ()vn 是高斯白噪声序列, ()
x
n 是
加噪信道输出序列,Z
−1
是单位延迟,P 是预测误
差滤波器, ()yn 是加噪信道输出序列的预测值,
()en 是预测误差,g 是 AGC 装置,
ˆ
()
s
n 是恢复的
发送序列。
图 1 基于预测原理的盲均衡框架
设发送序列 ()
s
n 通过式(1)所示的信道,即
1
0
()
h
L
i
i
i
hz hz
−
−
=
=
∑
(1)
其中,
h
L
是信道阶数,
i
h
是信道系数。
则加噪信道输出序列可以表示为
01
1
01
1
01
1
() () ()
() ( 1)
(1)()
(1) (1)(1)
(1) (2)
(2)(1)
(2)(2)(2)
(2) (3)
(3)(2)
h
h
h
hL
hL
hL
xn xn vn
snh sn h
sn L h vn
xn xn vn
sn h sn h
sn L h vn
xn xn vn
sn h sn h
sn L h vn
−
−
−
=
+=
+−++
−+ +
−= −+ −=
−
+− ++
−+ + −
−= −+ −=
−
+− ++
−+ + −
"
"
"
"
(2)
由图 1 可知,预测误差为
() () ( ( 1))en xn P n
=
−−X (3)
其中,
T
( 1) [ ( 1), ( 2), ]nxnxn−= − −X " , ()
P
⋅
表示预
测误差滤波器。
设预测误差滤波器为
1
()
w
L
k
k
k
P
zpz
−
=
=
∑
(4)
其中,
w
L 是滤波器阶数。
则预测误差可以扩展为
(
(
)
(
)
(
01
12
01 0
110
120
() () ( 1) ()
(( 1) ( 2) ( ) )
() ( 1) () ( 1)
(2) (1)+(2)
(3) (2)++( )
w
wL
w
en snh sn h vn
xn p xn p xn L p
snh sn h vn sn h
sn h vn p sn h
s
nh vn p snLh
=+−++−
−
+− ++− =
+−++ − − +
−++− −+
−
++ − − +
"
"
"
"
""
)
1
(1) ()
w
wwL
s
nL h vnL p−+ ++ −"
)
(5)
整理式(5),可得
0101
121102
21
() () () ( 1)( )
(1) (2)( )
(2) ( 1)
(1)
hw
w
hLL
hL
en snh vn sn h hp
vn p sn h hp hp
vn p sn L h p
vn L p
−
=
++−− −
−
+− − − −
−
+− −+ −
−+
"
(6)
剩余8页未读,继续阅读
资源评论
weixin_38655810
- 粉丝: 6
- 资源: 907
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功