数字通信_11.pptVIP

上述基于在数据序列上平均的信道估计算法有两个主要缺点。首先，式(11-5-11)给出的fML递推运算的计算量大；其次，也许是更主要的，估计值fML不像最大似然估计fML (I)那样好，后者是当序列I已知时得到的。因此，基于估计值fML的盲均衡器(维特比算法)的差错率性能比基于fML (I)的差。 2. 联合信道和数据的估计 DM(I,f)的最佳化可对I和f联合进行。一种方法是对每个可能的发送序列求f的最大似然估计值及相应的DM(I,f) ，然后找出使DM(I,f)最小的数据序列。对于第m个数据序列I (m)其信道估计值为 上述方法的计算量随数据分组长度呈指数增长。可选择N=L+1，使ML个幸存序列中的每一个都有一个信道估计值。此后，对于维特比算法在网格上搜索的每一条幸存路径维持各自的信道估计值。 (11-5-13) (11-5-14) (11-5-15) 11-5-2 随机梯度算法 首先对均衡器作一个初始估计，记为{cn}。信道与均衡器响应的卷积为 其中，{?n}是单位样值序列， {en}是误差序列。接收序列{vn}经均衡器后的输出 (11-5-16) (11-5-17) {In}是期望的数据值，在利用训练序列的自适应均衡器时，其估计值{dn}＝ {In}。在盲均衡模式中，通常“最好的”估计值 式中，g( )是非线性函数。对于一个经典的估计问题，如果均衡器的输出为 (11-5-19) (11-5-20) (11-5-18) 图11-5-1 具有随机梯度算法的自适应盲均衡 Godard 算法： 第11章 自适应线性均衡 第10章介绍了最佳和次最佳两种接收机，它们都能对数字信息通过带限、非理想信道传输中的ISI进行补偿。最佳接收机使用了最大似然序列估计，以从解调滤波器的样值中检测出信息符号。次最佳接收机使用了线性均衡器或判决反馈均衡器。 在对3种均衡方法的研究中，我们曾隐含地假定在接收机中已知信道的特性：冲激响应或者频率响应。然而，在大多数使用均衡器的通信系统中，信道特性是先验未知的，在许多情况下信道响应是时变的。在这种情况下，将均衡器设计成对信道响应是可调的；对于时变信道，设计成对信道响应的时变是自适应的。 本章将介绍一些算法，它们能自动地调整均衡器系数，以使指定的性能指数最佳化，并能自适应地补偿信道特性的时变。 11-1 自适应线性均衡 11-1-1 迫零算法 迫零解可通过使误差序列 与信息序列{Ik}的下列互相关等于零来获得 (11-1-1) (11-1-2) (11-1-3) 均衡器的抽头系数{cj}可先通过发一串长度等于或超过均衡器长度的训练序列来获得。系数的调整可用下列递归算法进行 (11-1-4) 图11-1-1 自适应迫零均衡器 (11-1-5) 11-1-2 LMS算法 (11-1-6) 实际使用中，一方面通常信道滤波器抽头系数向量?为未知，另一方面，用Levinson-Durbin 算法所需的计算量较大。因此，常采用避免直接对矩阵求逆的迭代过程计算Copt。最简单的迭代过程是基于(2K+1)维空间中MSE二次曲面的最陡下降法，即LMS。 (11-1-7) (11-1-8) 假定搜索从 (C1 = 5, C2 = 7)开始 如果k=k0时达到最小MSE，那么Gk=0，抽头权值不再发生变化。一般来讲，采用最陡下降法时，以有限的k0值并不能达到Jmin(K)。但对于某个有限的k0值，能按所期望的尽可能接近它。 用最陡下降法求最佳抽头权值的主要困难在于梯度向量Gk未知，它决定于协方差矩阵?和互相关向量?。这些量本身又决定于等效离散时间信道模型的系数{fk}以及信息序列的协方差和加性噪声，所有这些量在接收机中一般都是未知的。为了克服这一困难，可以采用梯度向量的估计值，调整抽头权值系数的算法如下： (11-1-9) (11-1-10) (11-1-11) 式(11-1-11)的基本算法及其可能的变型已经应用于高速调制解调器中的许多商用自适应均衡器。仅利用误差信号?k和或Vk分量中的正负号信息，可得到基本算法的3种变型如下： (11-1-12) (11-1-13) (11-1-14) (11-1-15) 自适应判决反馈均衡器(DFE )中的前馈和反馈滤波器的系数通常使用LMS 算法进行优化，此时 11-2 自适应判决反馈均衡器 (11-2-1) (11-2-2) 如线性均衡器，可以使用一个训练序列对DFE的系数进行初始调整。收敛于(接近)最佳系数(最小MSE)时，可以切换到面向判决的模式。该模式中，检测器输出端的判决值用来形成误差信号?k，并馈送给反馈滤波器，这就是DFE的自适应模式，如图11-2-1所示。在此情兄下，调整均衡器系数的递推方程是 DFE的LMS算法的性能基本上与线性均