基于卷积循环神经网络的短波时变信道盲均衡算法

针对短波时变信道码间干扰严重、误符号率高等问题,采用卷积循环神经网络(convolutional recurrent neural network,CRNN),即将卷积神经网络(convolutional neural network,CNN)和循环神经网络(recurrent neural network,RNN)相结合,提出一种基于CRNN的短波时变信道盲均衡算法,设计了针对短波时变信道(瑞利平坦衰落信道和频率选择性衰落信道)的卷积循环神经网络盲均衡器(convolution recurrent neural network blind equalizer,CRNNBE)。该盲均衡器基于CNN收敛速度快和RNN便于处理序列信号的特点,克服码间干扰问题,有效提高了通信质量。仿真实验结果表明:相比基于RNN与CNN的盲均衡器,训练完成后的CRNNBE准确率更高、交叉熵损失值更低,并且收敛速度明显高于RNN盲均衡器,模型在20次左右即可完成收敛;在短波时变信道中,整体而言,相比其他均衡器,在相同信噪比条件下,CRNNBE的误符号率最低,通信可靠性最高。