基于RLS算法的自适应均衡仿真要点.pptVIP

THANK YOU ! 基于RLS算法的自适应均衡仿真 主要内容： 自适应均衡器的含义 RLS算法的基本原理 自适应均衡RLS算法程序分析 自适应均衡RLS算法MATLAB实验结果分析 均衡器的含义 在数字传输系统中，如果调制带宽超过了信道的相干带宽，将会产生码间干扰，而在无线通信中，多径传输是产生码间干扰的主要原因。码间干扰是制约通信速率和质量的主要障碍。均衡正是用来克服各种码间干扰的信号处理操作。接收机中能够补偿或减小接收信号的码间干扰的补偿器，就称为均衡器(Equalizer)。 均衡器分类 均衡器是通信系统中的一项重要技术，分为两种方式： 1、频域均衡：频域均衡是利用可调滤波器的频率特性来弥补实际信道的幅频特性和群延时特性，使包括均衡器在内的整个系统的总频率特性满足无码间干扰传输条件。 2、时域均衡：时域均衡是直接从时间响应角度考虑，使包括均衡器在内的整个传输系统的冲激响应满足无码间干扰条件。 区别：频域均衡满足奈奎斯特整形定理的要求，仅在判决点满足无码间干扰的条件相对宽松一些。所以，在数字通信中一般采用时域均衡。 自适应均衡系统原理 图1 自适应均衡器原理图 RLS的定义 RLS算法即递归最小二乘法(recursive-least-squares) 算法。该算法使用迭代的方法求解最小二乘的确定性正则方程，其基本思路是，已知n-1时刻的滤波器权向量的最小二乘估计 ，利用当前n时刻新得到的观测数据，用迭代的方法计算出n时刻的滤波器权向量的最小二乘估计 RLS算法是最小二乘算法的一种快速算法：观察一个平稳输入信号输入的自适应系数在一点时间内输出误差信号的平均功率（时间平均），将该平均功率是否为最小作为测量自适应系统是否最佳的准则。 RLS算法基本原理 RLS算法基本原理 根据最小二乘估计原理，M抽头FIR滤波器的权向量应满足的确定性正则方程为： 定义数据矩阵： RLS算法基本原理 是滤波器权向量，有 为了充分利用观测数据，将 、b扩展为： RLS算法基本原理 容易理解，扩展后的数据矩阵和期望响应向量仍然满足确定性正则方差。 将 表示为列向量的形式，即： 定义输入数据的时间相关矩阵 和时间互相关向量 分别为： RLS算法基本原理 于是确定性正则方程式可以表示为： 利用1~N时刻的数据构造了确定性正则方程。那么在任意时刻n（1n N）,权向量 满足的确定性正则方程为： RLS算法基本原理 其中： 为使算法在非平稳环境下，也能合理地跟踪输入数据统计特性的变化，在 和 中引入遗忘因子（forgetting factor），0 1，有： RLS算法基本原理 显然，遗忘因子使得离当前时刻近的观测值，对相关矩阵和相关向量的影响较大，而较久远的值则影响较小。 由 知：在n时刻，若 非奇 异，则滤波器权向量的最小承估计为： RLS算法基本原理 在实际应用中，为避免 是奇异的（尤其是当nM时），需要对 进行调整，即： 观察上式，将 中i=n时刻项分离出来，有： RLS算法基本原理 上式可写成从n-1时刻到n时刻的递推公式，即： 对公式 进行类似变形，有递推公式 RLS算法基本原理 矩阵求逆引理公式中，令： RLS算法基本原理 将 代人上式得： 令： RLS算法基本原理 ① RLS算法基本原理 注意，n时刻的估计误差为： ② RLS算法基本原理 RLS算法基本原理 下表给出了RLS算法的流程： 基于RLS算法自适应均衡器 M =15; %均衡滤波器阶数为2*M+1 Lb=10; %信道b长度为L+1 %Lb=2; %信道c长度为L+1 %hb=[0.407 0.815 0.407];%离散时间信道c hb=[0.04 -0.05 0.07 -0.21 0.50 0.72 0.36 0.00 0.21 0.03 0.07]; %离散时间信道b Hb=zeros(2*M+1,2*M+Lb+1); for k =1:2*M+1; %信道b的信道矩阵 Hb(k,k:1:k+Lb)=hb; end %%%产生伯努利序列和加性白噪声，构建均衡滤波器的输入数据矩阵 sigma=1e-3; %加性白高斯噪声的方差 N=2000; %迭代次数 s=ran