基于模糊神经网络盲均衡算法的研究

【摘要】： 无线和数字通信系统中,由于信号在传输过程中会受到复杂传播机制的影响,从而产生码间干扰。为了消除码间干扰,要在接收端进行均衡,以补偿信道特性,正确恢复发送序列。传统的均衡器由于需要不断地发送训练序列,已经不能满足数字通信技术发展的要求。盲均衡技术不需要训练序列,仅利用接收序列的统计特性便能自适应地调节参数,也就是说,盲均衡技术本身完全不用训练序列,就可以自启动收敛并防止失锁情况,且能使滤波器的输出与要恢复的输入信号相近。盲均衡技术有效克服了传统均衡器的缺点,对于信道的经常性衰落、严重的非线性及时变特性、多径传播等的影响,以及接收机无法跟踪上信道特性而出现的通信中断,盲均衡器会自动调整参数,跟踪信道特性,完成对信号的最佳估计。目前已在通信、雷达,地震勘探,图像处理等领域中得到应用。 本文所做的主要工作有: (1)系统分析了盲均衡算法原理以及盲均衡技术的发展现状,研究了模糊神经网络特点、结构及确定方法,分析了隶属函数的选取原则,阐述了模糊神经网络的学习算法,首次提出三种基于模糊神经网络的盲均衡算法,并分析其实现原理。 (2)分析了传统固定步长恒模盲均衡算法,针对步长大小会影响算法的收敛效果,提出变步长盲均衡算法的设计思想。利用模糊神经网络的控制功能,提出基于模糊神经网络控制步长因子的盲均衡算法,以提高步长控制的精度。通过误差信号和误差信号的变化大小及相关的规则,控制步长的实时变化,使得在算法初期采用大步长提高算法的收敛速度,在算法收敛后采用小步长,提高算法的收敛精度,从而解决了收敛速度和精度之间的相互制约。 (3)根据传统前馈神经网络盲均衡算法中非线性修正因子α对算法收敛性能的影响,提出利用模糊神经网络控制α因子,得到优化的神经网络盲均衡算法的设计思想。通过误差信号及其变化作为模糊神经网络的输入信号,经过模糊神经网络的控制算法,得到时变的非线性修正因子α值,使得α在算法开始阶段信号畸变较为严重时取值较大,加快信号盲均衡的收敛速度,在算法逐渐收敛的同时,α因子也逐渐减小,以降低收敛后的剩余误差,从而有效地改进算法。 (4)分析研究了模糊聚类的原理、分类及特点应用,并基于模糊神经网络聚类的特点提出了利用模糊神经网络作为分类器的盲均衡算法思想。传统的盲均衡技术将均衡后的信号经过判决器直接判决归类,恢复发送信号,但判决器一般用阈值进行判决,属于硬划分。模糊神经网络分类器利用模糊算法对被分类的信号进行动态的归类,属于软判决,可以有效地提高信号分类的正确率。 (5)认真研究了动态模糊神经网络的原理及分类,分析了无线通信系统中,信道的时变性和不确定性决定了盲均衡过程是一个动态的均衡过程,针对动态模糊神经网络可以利用系统的当前数据和历史数据,符合盲均衡过程中信道动态变化的特性,提出利用动态模糊神经网络取代横向滤波器,直接进行盲均衡的算法。