论文部分内容阅读
作为一种新型的递归神经网络,回声状态网络(Echo State Network,ESN)因其独特的动态储备池结构以及简单的训练方式被广泛应用于非线性动态系统建模、时间序列预测和信道均衡等领域。在卫星通信系统中,信道的非线性和群时延特性会使得发送信号在接收端产生严重的失真。盲均衡技术能够在信道先验信息未知的情况下,仅利用发送信号的统计信息近似无失真的恢复出原始发送信号,在充分利用卫星信道频带资源的同时,克服因信道非理想特性产生的信号畸变。本文主要针对卫星信道研究回声状态网络的在线盲均衡算法。主要贡献如下:(1)在深入研究回声状态网络的拓扑结构和训练算法的基础上,针对卫星信道盲均衡问题,提出了基于回声状态网络的递归最小二乘常模算法(ESN-RLS-CMA)。该算法以回声状态网络为基本框架,利用发送信号的先验统计信息构造盲均衡代价函数,采用递归最小二乘(Recursive Least Squares,RLS)算法在线迭代更新ESN的输出权值,以获得网络代价函数的最小值。仿真实验表明:在Volterra级数建模的卫星信道下,针对常模QPSK信号,相较于传统的在线算法,本文提出的ESN-RLS-CMA具有更快的收敛速度和更低的均方误差(Mean Square Error,MSE)值。(2)针对卫星信道下多模信号的盲均衡问题和ESN-RLS-CMA算法产生的相位旋转问题,本文借鉴多模算法(Multi-Modulus Algorithm,MMA)中分别最小化均衡器输出的实部和虚部的思想,构造盲均衡代价函数,采用递归最小二乘(RLS)在线更新ESN的输出权值,并采用双模式操作方案来防止算法发散,提出了基于回声状态网络的递归最小二乘多模算法(ESN-RLS-MMA)。仿真实验结果表明,提出的ESN-RLS-MMA能够有效实现卫星信道下16QAM信号的在线盲均衡,并解决了相位偏转问题。(3)为了充分利用网络储备池输出的高维统计量信息,进一步提升回声状态网络在线盲均衡算法在强非线性信道下的均衡性能,利用核技巧在再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)中重构读出层,通过核递归最小二乘算法(Kernel Recursive Least Squares,KRLS)获得代价函数的最优解,提出了基于回声状态网络的核递归最小二乘多模算法(ESN-KRLS-MMA)。仿真实验结果表明,与传统的Volterra滤波算法和BP网络算法相比,该算法具有更好的均衡性能。