基于深度学习的短波信道盲均衡与信号解调联合优化设计_通信与信号处理.docxVIP

PAGE2

基于深度学习的短波信道盲均衡与信号解调联合优化设计

第一章绪论

1.1研究背景

短波通信利用电离层反射实现远距离信息传输，是国家应急指挥、军事通信和远洋航行等领域不可替代的基础通信手段。其设备简单、抗毁性强，在光纤和卫星通信无法覆盖或遭受破坏时，短波通信往往成为最后的保障。

然而，短波信道本身具有严重的时变多径衰落特性，信号在传播过程中经历多条路径到达接收端，造成严重的码间干扰。电离层的随机扰动使得信道参数快速变化，传统基于训练序列的信道估计方法需要频繁发送已知数据，显著降低了有效数据传输速率。

当前短波通信面临的核心矛盾在于：如何在恶劣的信道条件下，不依赖或极少依赖训练序列，依然能够准确恢复原始信息序列。这一矛盾在军事通信等带宽受限且要求隐蔽性的场景中尤为突出，训练序列的发送不仅浪费频谱资源，还增加了信号被截获分析的风险。

现有短波接收机普遍采用“信道均衡+独立解调”的级联处理架构。均衡器首先对接收信号进行滤波以补偿信道畸变，然后将均衡后的符号送入解调器进行判决。这种分步优化策略虽然模块清晰，但各模块独立优化，无法保证整体接收性能达到最优。

更为关键的是，传统均衡算法如最小均方误差均衡器依赖精确的信道估计，而盲均衡算法如恒模算法虽无需训练序列，却存在收敛速度慢、稳态误差大等固有缺陷。在短波信道的快时变环境下，这些算法的跟踪能力往往难以满足实时通信需求。

深度