盲自适应均衡.doc

盲自适应均衡 1、相关定义 1.1、自适应信道均衡的概念和原理 2.3 自适应均衡算法的分类简介2.3 自适应均衡算法的分类简介 上世纪60、70年代,人们就不断对信息处理领域进行最优化方法与技术的研 究与改进。Widraw等人在70年代中期推出并完善了LMS算法,随后人们又从减小 输入信号组合的相关性(提高信息量)及将Kalman在最佳检测中的结论转化到自 适应优化等角度,修正了LMS算法,大大提高了信息处理的速度。继而建立了更 完善地利用输入信息的处理优化准则及相应算法,即RLS算法。此算法明显提高了 收敛速度,针对信道的时变具有较快的反应速度。80年代中后期及90年代初期, 人们继续探索如何克服横向RLS算法出现的计算误差积累致使算法发散等问题,以 便在实际应用领域能够更好的利用自适应信息处理技术。目前,设计快速收敛的 自适应滤波实时修正算法已成为重要的研究课题,应用于通信系统的各种自适应 均衡器对其快速收敛能力的要求更为突出。因此人们不断对其算法进行改进。正 交LMS算法能够在接收信号总的频谱形状己知的情况下达到快速收敛。当干扰信 号和输入信号或信道特性都不能控制时,一般要用递归最小二乘RLS算法的快速跟 踪自适应滤波技术。RLS 算法大致可分为三类:卡尔曼,快速卡尔曼和格型滤波。 卡尔曼算法是一种理想的自正交算法,用均衡器的输入信号建立一个变换矩阵之 逆矩阵,以作系数调整之用。卡尔曼均衡器的自适应算法是己知最快的自适应算 法。但其有两个缺点:一是计算复杂,二是对递推噪声敏感,可能在递推中引起 不稳定。为了改进,己有学者提出均方根卡尔曼(Square-root Kalman)算法,此 算法在3kHz带宽HF无线信道的判决回馈均衡器中已得到应用。 所以两种基本自适应算法各有优越点,LMS算法结构简单、但是收敛速度慢; RLS算法收敛速度快、其收敛性能与输入信号的频谱特性无关,但是计算复杂度很 高、所需存储量极大,不利于实时实现,而且倘若被估计的自相关矩阵的逆失去 了正定特性,还将引起算法发散。线性信道均衡算法基本上以这两类算法为基础, 同时也利用一些由这两类基本算法衍生出的别的自适应算法,现归纳如下: 变换域算法LMS算法的收敛速度依赖于输入信号自相关矩阵的特征值扩展 (最大特征值与最小特征值之比值),因此,当输入信号具有高度的相关性时, 采用变换域算法可以增加LMS算法的收敛速度。Dentino等1979年首先提出了变换 域自适应滤波的概念,Narayan等对变换域自适应滤波算法作了全面的总结。所谓 变换域(Transform-domain)算法,就是先对输入信号进行一次正交变换以去其相 关性或衰减其相关性,把时域信号转变为变换域信号,然后将变换后的信号能量 归一化,最后采用某一自适应算法实现滤波处理。 10 1.2、均衡的概念 由于在生产电池的过程中,要经过很多道的工序,由于这样或那样的差异就会 形成不一致的状态。电池单体的差异主要表现在内阻和随着时间推移和温度变化时 候,容量会有差异。高内阻和低容量的电池,在放电电流大的时候会出现更大的电 压摆幅,与标准电池差异大的电池更容易损坏。因此某种程度上,需要使用均衡的 算法,使得整个电池组摆脱短板效应。均衡的原理就是从具有较高电压的电池抽取 多余的电流,消耗多余的电量,实现电池均衡[17],最大限度地发挥动力锂电池的效 用,延长电池的使用寿命,增加安全性。此结构易控制,并且放电速度快,而且电 池组中的单节电池可同时放电。但是它有明显的缺点,大的能量消耗,对于单节电 池只能让其放电不能对其充电,并且其它单节电池必须以最低的单节电池为参考标 准来实现均衡,所以说其效率低[16]。 1.3、纳什均衡的定义 为方便描述,先引入一些必要的符号。G 表示一个博弈,S i 表示G 中每一 个博弈方i 的全部可选策略的集合,i= 1,..., n ; sij S i 表示博弈方i 的第 j 个策 略,其中 j 可以取有限个值(有限策略博弈),也可以取无限个值(无限策略 博弈);u i 表示博弈方i的收益,并且为各博弈方策略的多元函数。n 个博弈方 的博弈G 可以写成G= {S1,..., Sn ; u1 ,..., u n} 。 在博弈G= {S1,..., Sn ; u 1,..., u n } 中,如果由各个博弈方的各一个策略组成的 -17- 策略组合(s 1* ,..., s *n ) 中,任一个博弈方i 的策略s i* ,都是对其余博弈方策略的组 合( s1* ,..., s i* ?1 , s i*+ 1 ,..., s n* ) 的 最 佳 对 策 , 也 就 是 说? sij S i , * * * * * ui (s1 ,..., s i ? 1, si ,