论文部分内容阅读
均衡技术可以有效地改善多径效应和信道畸变对通信质量的影响,主要有两类:自适应均衡技术和盲均衡技术。前者虽可以有效地消除多径效应造成的码间干扰,但却需要不停地发送训练序列,造成有效频谱的浪费。而盲均衡技术能够不借助训练序列,仅利用接收序列本身的先验信息,便可实现信道均衡,因此逐渐引起研究人员的广泛关注。其中,神经网络盲均衡方法因其良好的非线性映射能力而成为解决盲均衡问题的重要研究方向之一。极限学习机(Extreme Learning Machine,ELM)是新型的单隐层前馈神经网络,不仅继承了神经网络良好的泛化能力,而且具有结构简单,运行速度快的独特优点。然而目前基于极限学习机的盲均衡算法研究甚少,且研究成果属于批量训练算法,无法满足实时通信系统的需求。对此,本文提出了基于在线序列极限学习机的常模算法(OS-ELM-CMA)和基于递归最小二乘法的极限学习机在线盲均衡算法。主要贡献如下:(1)在深入研究极限学习机及其相关算法的基础上,提出了基于在线序列极限学习机的常模算法(OS-ELM-CMA),该算法将正则化极限学习机(Regularized Extreme Learning Machine,RELM)的代价函数引入在线序列极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)的模型中,结合常模算法(Constant Modulus Algorithm,CMA)的误差函数构造代价函数,通过迭代重加权最小二乘(Iterative Re-Weighted Least Square,IRWLS)法迭代求解OS-ELM初始学习阶段的输出权值。OS-ELM-CMA在学习过程中可以逐个或者逐块添加数据,满足了在线盲均衡的需求。仿真实验证明,相较于传统的CMA和基于迭代求解的正则化极限学习机常模算法,本文提出的OS-ELM-CMA不仅实现了在线盲均衡,而且具有更低的均方误差(Mean Square Error,MSE)值。(2)针对OS-ELM初始学习阶段需要批量数据训练网络的缺点,为了实现完全意义的在线盲均衡,针对常模信号和多模信号分别提出了基于递归最小二乘(Recursive Least Squares,RLS)法的极限学习机常模算法(ELM-RLS-CMA)和基于递归最小二乘法的极限学习机多模算法(ELM-RLS-MMA)。此外,针对非线性卫星信道设计了盲均衡实验,以验证ELM不同参数的选取对算法性能的影响以及两种算法针对QPSK常模信号和16QAM多模信号表现出的性能差异,实验结果表明,ELM-RLS-MMA不仅具有和ELM-RLS-CMA相当的性能,还可以解决相位偏转问题。(3)为了充分证明提出的ELM-RLS对于盲均衡问题的解决能力,进一步在预测原理盲均衡的框架下,将ELM作为非线性误差滤波器,利用RLS训练输出权值,并采用自动增益装置和旋转因子实现了QAM信号的在线盲均衡。通过仿真实验证明,针对16QAM信号,ELM-PEF和ELM-RLS-MMA性能相当,具有良好的均衡能力,均可以解决相位偏转问题。