基于Hammerstein非线性信道辨识算法综述.docVIP

基于Hammerstein非线性信道辨识算法综述 　　摘 要：为了应对信道非线性特性引起的非线性失真，恢复出信道信息，需要对非线性信道进行辨识。首先介绍了Hammerstein非线性模型，然后从线性记忆深度和非线性阶数估计、线性和非线性系数估计两方面总结分析了目前国内外的研究现状。最后，根据Hammerstein非线性信道辨识算法研究现状作出大胆预测。 　　关键词：信道辨识；Hammerstein非线性信道；阶数估计；系数估计 　　DOIDOI：10.11907/rjdk.172459 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2018）002-0008-04 　　0 引言 　　卫星通信系统中，为了提高系统传输性能，行波管放大器通常工作在放大状态，从而导致卫星链路表现为非线性特性[1]。信道的非线性特性会导致接收信号产生非线性失真，造成互调干扰、谐波失真和码间干扰等不利影响，降低系统传输性能。 　　要获得理想的通信性能，需要在接收端设置合适的非线性均衡器进行补偿，校正信号畸变以恢复发送信息。信道辨识是一种能定量、准确地分析信道特性和恢复信道信息的方法。因此，非线性信道辨识技术对于研究非线性信道，恢复信道信息，提高通信系统传输性能具有重要意义。 　　近年来，人们对非线性信道的辨识和均衡问题进行了深入研究[2-4]，设计出许多行之有效的均衡和辨识算法，但这些算法存在在加性高斯白噪声情况下鲁棒性较差的缺点。同时，在通信领域中非线性信道辨识算法还存在适用性不强及性能差的缺点，限制了实际中的运用。非线性信道辨识作为通信信号处理领域的新方向，在民用通信，特别是军事通信中具有重要地位，在提高信道传输效率方面具有较高的理论价值和现实意义。 　　非线性系统因其结构的复杂性和多样性，尚不存在一个统一的描述框架。根据输入输出数据是否与历史时刻的输入输出相关，可将非线性模型分为两大类。第一类是无记忆非线性系统，主要包括Saleh模型、Rapp模型和多项式模型；第二类是有记忆非线性系统，主要包括基于核函数的模型和模块化的非线性模型。Volterra模型[5]是基于核函数模型的代表，使用较为广泛。从理论上而言，Volterra模型提供了一种准确表示动态非线性系统的方法，可以包括所有可能的非线性元素，但Volterra模型的辨识精度需要高维参数来保证，这就大大限制了Volterra模型的实际应用范围。 　　模块化的非线性模型是由静态非线性模块和动态线性部分串联而成[6]，能够较好地反映过程特征。按照连接形式，这类非线性模型可分为：Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。其中，Hammerstein模型?橐桓龇窍咝阅？榧读?一个线性模块形式，结构简单且能较好地描述功率放大器[4]和水声信道等无线信道，故本文采用Hammerstein模型表示卫星信道的非线性特性，研究基于Hammerstein模型的非线性信道辨识算法。 　　1 Hammerstein模型 　　Hammerstein非线性模型作为一种最简单的模块化非线性模型之一，可以表示为无记忆的幂级数模块和有记忆的有限脉冲响应（Finite Impulse Response，FIR）滤波器模块的级联形式[7]，模型框图如图1所示。 　　观察式（1）可得，通过Hammestein模型的辨识算法，需估计出非线性阶数和线性记忆深度p、q，非线性和线性系数向量a、h。可以将辨识过程分为两部分，即先估计出p、q，再估计a、h的值。本文分别介绍了线性记忆深度和非线性阶数估计算法，以及线性和非线性系数辨识算法的研究现状。 　　2 Hammerstein非线性信道辨识算法研究现状 　　本文根据Hammerstein信道的辨识过程，将辨识算法的研究现状分为两部分，具体介绍如下： 　　2.1 线性记忆深度与非线性阶数估计研究现状 　　目前，针对Hammerstein非线性模型的线性记忆深度和非线性阶数估计算法很少。文献[4]、[7]利用阶数与输入输出信号高阶累积量的关系，给出了一个基于高阶累积量的阶数估计算法，但是当非线性阶数6时，高阶累积量的误差会比较大，在保证估计性能的前提下，运算量会大大增加。文献[8]基于复信号下高阶累积量表示法，在GM线性模型辨识算法启发下，给出复信号下Hammerstein线性模块辨识算法，但用最小二乘拟合模型对非线性阶数只有粗略估计。 　　Hammerstein信道的非线性模块与线性信道很类似，借鉴线性信道辨识算法来解决非线性信道问题，是一种辨识思路。线性信道阶数估计的算法有很多，文献[9]、[10]基于信息论准则，估计出最小描述长度。