LMSRLS分析比较MicrosoftWord文档.docxVIP

§2.3.2 LMS 算法的自适应均衡的计算机仿真实现 本小节我们来讨论基于 LMS算法的自适应均衡的计算机仿真实现。当数据以低于 2400 比特 / 秒的速度传输时， ISI 相对较小，在调制解调器的运行中没有问题。然而， 对于高于 2400 比特 / 秒高速通信来说，在调制解调器中需要均衡器来校正信道失真 [3] 。 由于信道特性总的来说是未知的， 且是时变的，因此需要用自适应算法进行自适应均衡。 图 2.5 描述了自适应滤波在自适应的信道均衡中的应用。最初，传输一个已知的时间较 短的训练序列，用 LMS算法来调整均衡器的系数。 在训练序列之后实际的数据序列 { y(n) } 被传输。均衡器对信道特性的缓慢变化进行连续跟踪，从而对系数进行调整，用判定来 代替已知的训练序列。当判定误差较少时，这种方法有较好的效果 [3] 。 信道 y( n) x(n ) 带检测器 发送器 h( n) 接收器 的均衡器 a( n) ? a (n ) 数据 噪声 接收的 序列 数据 （a） x(n) ? ? 自适应y(n) 判决设备 a(n) 均衡器 ? 训练 c( n) 数据 自适 应算法 误差 （ b） 图 2.5 数据传输系统中自适应均衡器的模型 1） 学习曲线特性的比较 用于研究 LMS算法性能的自适应均衡系统仿真模型如图 2.6 所示。数据发生器用于 产生信道输入序列 y(n) 。仿真时取 y(n) 为双极性信号。 y(n) 一方面经信道传输后 ( 信号 为 x(n) ) 由自适应均衡器进行均衡，均衡器的输出为 y(n) 。 y(n) 同时经延迟电路延迟后 ? 作为参考信号 yd ( ) 。自适应滤波器采用LMS 算法力图使 ? n yd (n) 与 y(n) 的均方误差 1 / 7 2 E{| e(n) | } 取最小。 延迟 yd (n) y(n D ) D 数据 信道 s( n) x ( n ) 自适应 y(n) 均衡器 发生器 y( n ) h( n) c ( n ) v ( n ) e( n ) 噪声 发生器  LMS 图 2.6 研究自适应均衡器性能的系统仿真框图 仿真时，信道采用升余弦脉冲响应来模拟 [3][7] ： 0.5 1 cos 2 (n 2)n 1,2,3 W h(n) 其他 (2.3.14) 0 该脉冲响应关于 n 2 对称。参数 W 是一个可调参数，调整 W 可以改变信道特性。 W 增 加时，信道失真增大。 该信道的频谱特性与参数 W 关系如图 2.7 所示，可知信道失真的 大小随着 W 的增加而增加（ W 10 时对某些频率的衰落很大，最大可达到 -65dB）。均衡器采用 FIR 线性滤波器，信号 y(n) 的延迟与信道和均衡器对期 图 2.7 信道的频谱特性与参数 W 的关系 望信号造成的总延迟相等。信道噪声的模型是高斯白噪声（ WGN）。表 2.1 给出了自适应 均衡器为 11 抽头 , 不同 W 对应的特征值分散。信道失真增大，特征值分散变大。 2 / 7 表 2.1 W 值与特征值分散的对应关系 W 3.1 3.3 3.5 min 0.1852 0.1256 0.0502 max 2.0541 2.7263 2.35947 cond(Rxx ) max / min 11.0886 21.7132 47.0246 迭代步长 对系统的收敛性和稳态性的影响 固定抽头数 M 11和 W 3.1 ，步长 分别为 0.01 、 0.045 、0.09 。这三个值都 保证了算法的稳定性条件。得到 100 次平均的均方误差值。仿真结果如图 2.8 所示。 由图 2.8 可知，在步长 满足算法稳定性的情况下，步长 较小（步长 =0.01 ，时 需要多于 1000 次迭代才能收敛。）时，算法的收敛速度慢，为得到满意的结果所需 要的采样数据多，但稳态失调误差较小。 值较大（步长 =0.09 时，算法大约在迭 代 100 次后收敛）时，该算法收敛速度快，但稳态失调误差变大。收敛速度与稳态 失调误差是不可兼得的两个指标。所以对于步长的选取需要折衷考虑。 图 2.8 变化步长对应 LMS算法的学习曲线 信道失真参数 W （特征值分散）对系统的收敛性和稳态性的影响。 固定 0.075 和 M 11 抽头，我们得到两种信道失真参数情况下的 LMS算法的学 3 / 7 习性能曲线。整个瞬时均方误差经过 100 次平均得到。仿真结果如图 2.9 所示。由图 2.9 可知，随着信道失真参数（特征值分散）增大，均衡器的收敛速度变慢，同时稳态失调 误差也随之增大。 特征值分散反映了信号通过信道后的接收信号的相关程度。在 LMS算法中的特征值扩散是指信号矢量 x(n) 的自相关矩阵 R