一种快速收敛的符号回归常数模盲均衡算法

为了加快符号回归常数模算法(SRCMA)的收敛速度,本文提出了一种适合于BPSK信号 的快速算法。该算法用新的误差函数替代SRCMA中的误差函数,新误差函数针对BPSK信号而 设计。新算法采用分数间隔均衡模型,有效地加快了SRCMA算法的收敛速度。水声信道仿真实验 表明,该算法性能稳定,收敛速度快,适用于快速变化信道的盲均衡和水声通信数据的实时恢复。     

一种能有效消除水声信道相位连续旋转的分数间隔盲均衡算法研究

针对信道均衡过程中的均衡器输出相位连续旋转问题,提出一种带有二阶数字锁相环的分数间隔超指数迭代盲均衡算法。该算法利用分数间隔超指数迭代算法加强对信道多途的抑制,利用二阶数字锁相环消除均衡器输出信号连续相位旋转,从而实现对原始发射信号的正确恢复。水池实验结果表明:该算法相对于常规盲均衡算法,收敛速度快,剩余均方误差小,能够有效地消除均衡器输出信号相位连续旋转,从而降低水声通信系统的误码率。     

基于判决导引的水声信道混合盲均衡算法研究

提出了一种适用于正交幅度调制(QAM)信号的混合盲均衡算法,该算法在初始模式中分别对QAM信号的同相分量和正交分量进行均衡,利用方形环判决域对均衡器输出信号进行判决,当误码率降到足够低的水平时自动切换到判决导引最小均方误差算法。最后利用水声信道仿真模型,对该算法的性能进行了验证。结果表明:该算法性能稳健,收敛后均方误差小,有效降低了高速水声通信的误码率,提高了水声信道均衡的稳定性,且有良好的冷启动和重新启动能力。     

水声通信中基于信道辨识的盲turbo均衡方法

水声信道多途效应明显,造成接收信号存在严重的码间干扰(ISI,Intersymbol interference)。基于最小均方误差(MMSE,Minimum mean square error)准则的turbo均衡器级联了均衡和信道译码,能够有效去除ISI,并获得优良的性能。由于水声信道的时变性,传统MMSE-turbo均衡需要周期性的训练序列,以实现连续可靠的通信。训练序列虽然提高了通信的可靠性,但降低了信息的有效传输速率。因此,为提高通信效率,本文提出了一种盲turbo均衡方法,该方法通过引入新的盲信道辨识器来同时获得信道估计响应和已去除部分ISI的初步均衡输出信号,并为turbo均衡提供初始的响应参数和比特软信息。与水声通信中应用较多的盲判决反馈均衡器(DFE,Decision feedback equalizer)相比,海上实验结果证明本文提出的盲turbo均衡方法抗信道多途衰落的能力较强,并且与传统MMSE-turbo均衡相比无需训练序列,因此提高了信息的有效传输速率。     

相干水声通信幅相加权空间分集均衡算法

水声信道的典型特点为多普勒频移严重、可利用带宽窄以及强多径干扰。空间分集均衡技术是相干水声通信中克服信道多径干扰,消除码间干扰的一种有效手段。为了极大化地输出阵增益,结合无源相位共轭方法和多通道均衡算法,本文设计了组合信噪干比的全新信道评价方法。利用改进的Sigmoid函数对各通道接收信号的幅度进行加权处理;采用二阶锁相环跟踪各通道信号的相位变化,实现各通道信号同相累加。将各通道低通滤波后的信号能量归一化,采用了分数阶-判决反馈分集均衡器,加入各通道权重系数实现了水声通信系统的分集均衡接收。仿真结果和湖试数据处理结果均表明,优化的幅相加权分集均衡接收算法能抵消多径和噪声的干扰,性能优于等增益合并接收算法。湖试数据处理结果误码率降低了1.8%。      

一种新的适用于水声信道的常模类盲均衡算法

为了缓解常数模盲均衡算法收敛速度缓慢、稳态误差大的问题,考虑到初始化权值对CMA算法的重要影响,本文利用遗传算法对CMA算法进行了有效改进,引入了小样本重用的思想,给出了一种新的适用于水声信道的常模类盲均衡算法。计算机仿真研究证明,该算法不仅大大加快了收敛速度,而且有效地降低了稳态误差。     

基于量子粒子群优化的正交小波加权多模盲均衡算法

针对常数模盲均衡算法(CMA)均衡高阶正交振幅调制信号(QAM)存在收敛速度慢、稳态误差大的缺点, 提出了基于量子粒子群优化的正交小波加权多模盲均衡算法(QPSO-WTWMMA). 该算法根据高阶QAM信号星座图分布特点, 将量子粒子群优化算法(QPSO) 和正交小波变换融入于加权多模盲均衡算法(WMMA)中. 因而, 利用QPSO对均衡器权向量进行了优化, 利用正交小波变换降低了输入信号的自相关性, 利用WMMA选择了合适的误差模型匹配QAM星座图. 理论分析及水声信道仿真结果表明, QPSO-WTWMMA算法可以获得更快的收敛速度和更低的稳态误差, 在水声通信中具有重要的参考价值.     

水声通信系统中双向turbo均衡算法

提出了一种水声通信系统中直接自适应双向turbo均衡算法。摒弃了信道估计步骤,采用基于直接自适应的turbo均衡器,并利用内嵌数字锁相环的判决反馈均衡器结构跟踪时变信道,采用最速优化算法自适应调整迭代步长,使得收敛速度和算法性能得到很好折中。此外,利用最小均方误差准则,得到最优权重因子,对正向与反向turbo均衡结果加权求和,消除误差传播效应。仿真和湖上实验验证了方法的正确性,双向均衡的性能优于单向均衡。湖上实验结果表明,基于直接自适应算法相比于基于信道估计的算法,对时变信道不敏感,能获得更低的误比特率。      

基于高阶统计的水声信道盲辨识

本文给出了基于ARMA模型的水下通信系统模型,将一种基于三阶统计的算法应用到水声信道盲辨识领域,在不需要训练序列的条件下估计得到信道传输函数。与基于二阶统计特性方法相比,该算法具有较强的抗噪性,更适合信噪比低于12dB条件下水声信道的辨识。通过对水声信道盲辨识的计算机仿真,验证了该算法具有较高的辨识精度。     

一种水声信道均衡器的混合算法

水声高速相干通信中使用自适应均衡对抗信道在接收信号中产生的码间串扰。目前,1/2分数间隔采样的判决反馈均衡器结构得到了广泛的应用。本文分析了几种自适应算法在此种均衡器结构下的性能,结合浅海水声信道的特点,提出了一种快速卡尔曼滤波和快速自优化最小均方的混合算法,模拟及海试结果表明,该混合算法在计算复杂度、收敛速度以及稳定性方面都有很好的性能,已经应用到了水声实时高速通信系统当中。     

改进支持向量机和常数模算法水声信道盲均衡

针对盲均衡算法收敛速度较慢的问题,提出一种结合改进支持向量机和常数模算法的水声信道盲均衡算法。该算法首先利用具有优异小样本学习能力的支持向量机进行盲均衡器权系数初始化,在完成初始化后切换至运算量较小的常数模算法。考虑到支持向量机本身非自适应运算的限制,在时变水声信道条件下利用经典支持向量机获得的均衡器初始权向量与切换后的信道仍然存在失配。因此,本文导出时变条件下的改进支持向量机用于盲均衡器初始化,改善算法切换时的权系数失配,并结合分数间隔结构和内嵌数字锁相环进一步提高盲均衡算法性能。仿真和湖试实验结果表明:在时变水声信道条件下,本文算法的收敛性能优于经典支持向量机盲均衡算法。      

基于Dual-Mode MCMA+DD双模式盲均衡算法研究

为了兼顾误差性能和收敛速度,研究了将双模修正常量模算法和判决引导算法有机结合的双模式盲均衡算法.该算法在收敛初期采用双模修正常量模算法调整均衡器,然后根据判决条件自动切换到判决引导算法,最终实现信道的盲均衡.仿真结果表明:此算法收敛速度快、稳态误差小,并能在去除码间干扰的同时纠正信道固有的相位旋转,具有很好的实用性.     

基于Dual-Mode MCMA+DD双模式盲均衡算法研究*

为了兼顾误差性能和收敛速度,研究了将双模修正常量模算法和判决引导算法有机结合的双模式盲均衡算法.该算法在收敛初期采用双模修正常量模算法调整均衡器,然后根据判决条件自动切换到判决引导算法,最终实现信道的盲均衡.仿真结果表明：此算法收敛速度快、稳态误差小,并能在去除码间干扰的同时纠正信道固有的相位旋转,具有很好的实用性.     

语音通信降噪研究

语音通信系统中，语音通过信道传输将不可避免地引入码间串扰和信号畸变，同时受到噪声污染。本文在分析自适应盲均衡算法CMA(constant modulus algorithm）和改进盲均衡算法的基础上，考虑到自适应盲均衡技术在语音噪声控制方面能力有限，将自适应盲均衡技术与小波包掩蔽阈值降噪算法联合使用，形成一种基带语音增强新方法。仿真试验结果显示自适应盲均衡技术可以使星座图变得清晰而紧凑，有效减小误码率。研究证实该方法在语音信号ISI和畸变严重情况下，在白噪及有色噪声不同的噪声环境中都具有稳定的降噪能力，消噪同时可获得汉语普通话良好的听觉效果。     

Robust Blind Adaptive Channel Equalization in Chaotic Communication Systems

Based on the bounded property and statistics of chaotic signal and the idea of set-membership identification, we propose a set-membership generalized least mean square （SM-GLMS） algorithm with variable step size for blind adaptive channel equalization in chaotic communication systems. The steady state performance of the proposed SM-GLMS algorithm is analysed, and comparison with an extended Kalman filter （EKF）-based adaptive algorithm and variable gain least mean square （VG-LMS） algorithm is performed for blind adaptive channel equalization. Simulations show that the proposed SM-GLMS algorithm can provide more significant steady state performance improvement than the EKF-based adaptive algorithm and VG-LMS algorithm.     

Improved Approach for the Maximum Entropy Deconvolution Problem

The probability density function (pdf) valid for the Gaussian case is often applied for describing the convolutional noise pdf in the blind adaptive deconvolution problem, although it is known that it can be applied only at the latter stages of the deconvolution process, where the convolutional noise pdf tends to be approximately Gaussian. Recently, the deconvolutional noise pdf was approximated with the Edgeworth Expansion and with the Maximum Entropy density function for the 16 Quadrature Amplitude Modulation (QAM) input but no equalization performance improvement was seen for the hard channel case with the equalization algorithm based on the Maximum Entropy density function approach for the convolutional noise pdf compared with the original Maximum Entropy algorithm, while for the Edgeworth Expansion approximation technique, additional predefined parameters were needed in the algorithm. In this paper, the Generalized Gaussian density (GGD) function and the Edgeworth Expansion are applied for approximating the convolutional noise pdf for the 16 QAM input case, with no need for additional predefined parameters in the obtained equalization method. Simulation results indicate that improved equalization performance is obtained from the convergence time point of view of approximately 15,000 symbols for the hard channel case with our new proposed equalization method based on the new model for the convolutional noise pdf compared to the original Maximum Entropy algorithm. By convergence time, we mean the number of symbols required to reach a residual inter-symbol-interference (ISI) for which reliable decisions can be made on the equalized output sequence.     

并联滤波的常数模与判决引导融合盲均衡算法

针对常数模和判决引导双模式盲均衡算法切换时机选择困难问题,提出了一种并联滤波的双模式融合盲均衡算法。算法以并联滤波器作为盲均衡器,两路子滤波器分别以常数模算法准则和判决引导算法准则进行更新,通过加权因子实现两种算法模式自适应切换,完成两种算法的融合处理,加权因子依据归一化均方误差进行调整。为防止信道突发干扰,定义了归一化均方误差信息熵增量,以信息熵增量为判据适时实现均衡器和加权因子重置,使算法在信道突发干扰条件下能实现自适应跟踪。计算机仿真和水池试验处理结果表明:该算法有效地结合了常数模和判决引导算法的优点,具有较好的均衡性能。      

Optimized feed-forward neural-network algorithm trained for cyclotron-cavity modeling

The cyclotron cavity presented in this paper is modeled by a feed-forward neural network trained by the authors' optimized back-propagation(BP) algorithm. The training samples were obtained from simulation results that are for a number of defined situations and parameters and were achieved parametrically using MWS CST software; furthermore, the conventional BP algorithm with different hidden-neuron numbers, structures, and other optimal parameters such as learning rate that are applied for our purpose was also used here. The present study shows that an optimized FFN can be used to estimate the cyclotron-model parameters with an acceptable error function. A neural network trained by an optimized algorithm therefore shows a proper approximation and an acceptable ability regarding the modeling of the proposed structure. The cyclotron-cavity parameter-modeling results demonstrate that an FNN that is trained by the optimized algorithm could be a suitable method for the estimation of the design parameters in this case.     

A constant modulus algorithm for blind equalization in α-stable noise

Channel noise is often assumed to be Gaussian in most of the existing channel equalization algorithms. The performance of these algorithms will degrade seriously when the noise is non-Gaussian. This paper deals with the problem of blind channel equalization in impulsive noise environment that is modeled as α-stable process. A modified adaptive error-constrained constant modulus algorithm (MAECCMA) is proposed by soft-limiting the amplitude of the equalizer input and transforming the error signal of the original adaptive error-constrained constant modulus algorithm (AECCMA) nonlinearly to suppress the influence of α-stable noise. Computer simulation results of two underwater acoustic channels show that, MAECCMA has almost the same performance as AECCMA and they both have faster convergence rate than constant modulus algorithm (CMA) and normalized least mean absolute deviation (NLMAD) algorithm in Gaussian noise, while MAECCMA provides the best performance of those four algorithms in α-stable noise.