非合作通信条件下的盲均衡器及双模式联合盲均衡方法技术

本发明专利技术属于信号处理技术领域，提出一种非合作通信条件下的盲均衡器及双模式联合盲均衡方法，所述盲均衡器包括改进的修正常模算法均衡器、聚类调制判决器和判决引导均衡器；接收信号序列经过IMCMA均衡器以后，信号得到初步均衡，聚类调制判决器基于IMCMA初步均衡结果给出调制类型判决结果，此时DD均衡器转化为了普通盲均衡，利用聚类调制判决器给出的调制信息，指导DD均衡器再均衡，提升整体均衡效果；本发明专利技术对于调制方式未知的信号有着较好的均衡效果，对比于仅用单一的IMCMA均衡器有着明显的稳态误差性能提升。显的稳态误差性能提升。显的稳态误差性能提升。

【技术实现步骤摘要】
非合作通信条件下的盲均衡器及双模式联合盲均衡方法


[0001]本专利技术属于信号处理
，具体涉及一种非合作通信条件下的盲均衡器及双模式联合盲均衡方法。

技术介绍

[0002]信号传输过程中往往会受到信道中的多径效应、加性噪声等多种因素的影响，接收端接收到的信号存在码间串扰，对于通信可靠性造成影响。均衡技术可以有效地减弱码间串扰，通过补偿信道的方式，实现高质量通信。
[0003]传统的均衡技术是利用信号发送端发送已知的训练序列，利用调整均衡器抽头迭代使得均衡器输出逼近发送序列，当训练完成时，均衡器有着最小的输出误差，均衡器也调整到了最适宜当前信道的参数，利用均衡器就能很好地抵消信号多径效应等对信号产生的影响。而盲均衡技术则是在接收端不使用训练序列的情况下对信号均衡，这样既节省了频带资源，又能够针对信道的变化自适应的调整。
[0004]传统的盲均衡算法能够较好地实现信号的均衡，但是其代价函数都依赖于接收信号的调制信息，这就限制了其在非合作通信条件下的应用。传统的盲均衡算法是调制识别作为盲均衡算法的先决条件，然而面对日益复杂的通信信道而言，多径效应、加性噪声以及杂波的影响，使得调制识别存在困难，目前的调制识别大都是以均衡为基础。因此，非合作通信条件下的调制识别和盲均衡就成为了互为条件的一对矛盾。针对于目前存在的这种矛盾困难，本文提出一种双模式联合盲均衡方法，有效地解决了调制先验信息缺失情况下的信号盲均衡。

技术实现思路

[0005]针对非合作通信条件下调制方式等先验信息缺失的信号盲均衡问题，本专利技术针对多进制移相键控(Multi
‑
ary Phase Shift Keying，MPSK)和多进制正交幅度调制(Multi
‑
ary Quadrature Amplitude Modulation，MQAM)等幅相调制信号，提出了一种非合作通信条件下的盲均衡器及双模式联合盲均衡方法。
[0006]本专利技术采用的技术方案为，一种非合作通信条件下的盲均衡器，包括改进的修正常模算法(Improved Modified Constant Modulus Algorithm,IMCMA)均衡器、聚类调制判决器和判决引导(Direct Decision,DD)均衡器；接收信号序列经过IMCMA均衡器以后，信号得到初步均衡，聚类调制判决器基于IMCMA初步均衡结果给出调制类型判决结果，此时DD均衡器转化为了普通盲均衡，利用聚类调制判决器给出的调制信息，指导DD均衡器再均衡，提升整体均衡效果。
[0007]上述盲均衡与传统的盲均衡器相比具有以下的优点：首先解决了传统盲均衡器在使用过程中需要调制信息作为辅助信息而非合作通信条件下无法提供调制信息的问题，通过均衡器与调制判决器联合的方法实现了均衡与调制识别同步完成的功能，并且利用双模式均衡的方式实现了较传统盲均衡器更快的收敛速度和更低的稳态误差。
[0008]本专利技术还提出一种基于上述盲均衡器的非合作通信条件下的双模式联合盲均衡方法，针对MPSK和MQAM等幅相调制信号，该方法分为以下步骤：
[0009]第一步，对接收到的信号进行预处理，方法是：
[0010]接收信号为单路复信号y(k)时直接进入下一步，如果是IQ数据则需要合路：设I路接收信号为y
I
(k)，Q路接收信号为y
Q
(k),则经过合路之后的信号序列为：
[0011]y(k)＝y
Q
(k)+y
I
(k)
·
i
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]其中，i表示复数单位，k表示接收信号序列的长度。
[0013]第二步，将信号序列y(k)输入IMCMA均衡器进行初步盲均衡，得到初步均衡的输出序列z
n
(k)和IMCMA均衡器抽头系数w
n
；方法是：
[0014]2.1对IMCMA均衡器的参数初始化，设置IMCMA均衡器默认长度和抽头系数w
n
。设置IMCMA均衡器长度为2L+1，则抽头系数w
n
表示为w
n
＝[w
n
(
‑
L),w
n
(
‑
L+1),w
n
(
‑
L+2),
…
,w
n
(0),
…
w
n
(L
‑
2),w
n
(L
‑
1),w
n
(L)]，一般设置为w
n
(0)＝1，其余设置为0。
[0015]2.2计算得到y(k)的实部Re(y(k))和虚部Im(y(k))。
[0016]2.3计算第一统计量R
pr
和第二统计量R
pi
：
[0017][0018]其中，E(
·
)表示取均值。
[0019]2.4计算y(k)的自相关矩阵R
y
：
[0020][0021]其中，表示y(k)的转置。
[0022]2.5计算R
y
的迹tr(R
y
)：
[0023][0024]其中，r
ll
表示自相关矩阵R
y
对角线元素；
[0025]2.6计算初始步长：
[0026][0027]其中，步长参数α取值范围为1≤α≤10。
[0028]2.7设置迭代次数n＝1。
[0029]2.8计算IMCMA均衡器输出z
n
(k)：
[0030]z
n
(k)＝y(k)*w
n
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0031]2.9计算误差e(n)：
[0032][0033]其中，z
r,n
和z
i,n
分别表示IMCMA均衡器输出z
n
(k)的实部和虚部。
[0034]2.10计算当前步长μ(n)：
[0035][0036]其中，步长参数β≥1，exp(
·
)代表以自然对数为底数的指数函数。
[0037]2.11均衡器抽头系数的迭代更新：
[0038][0039]其中，w
n+1
表示n+1次迭代时的均衡器抽头系数。
[0040]2.12令迭代次数+1。
[0041]2.13如果e(n)
‑
e(n
‑
1)＜th，说明均衡器进入稳态，则进行2.14，否则重复步骤2.8
‑
2.12。其中，th为稳态判定参数，一般取10
‑3～10
‑5。
[0042]2.14输出IMCMA均衡器经过n次迭代后的均衡结果z...

【技术保护点】

【技术特征摘要】
1.一种非合作通信条件下的盲均衡器，其特征在于：包括改进的修正常模算法均衡器、聚类调制判决器和判决引导均衡器；接收信号序列经过IMCMA均衡器以后，信号得到初步均衡，聚类调制判决器基于IMCMA初步均衡结果给出调制类型判决结果，此时DD均衡器转化为了普通盲均衡，利用聚类调制判决器给出的调制信息，指导DD均衡器再均衡，提升整体均衡效果。2.一种基于权利要求1所述盲均衡器的非合作通信条件下的双模式联合盲均衡方法，针对MPSK和MQAM等幅相调制信号，其特征在于，该方法分为以下步骤：第一步，对接收到的信号进行预处理，方法是：接收信号为单路复信号y(k)时直接进入下一步，如果是IQ数据则需要合路：设I路接收信号为y
I
(k)，Q路接收信号为y
Q
(k),则经过合路之后的信号序列为：y(k)＝y
Q
(k)+y
I
(k)
·
i
ꢀꢀꢀꢀ
(1)其中，i表示复数单位，k表示接收信号序列的长度；第二步，将信号序列y(k)输入IMCMA均衡器进行初步盲均衡，得到初步均衡的输出序列z
n
(k)和IMCMA均衡器抽头系数w
n
；方法是：2.1对IMCMA均衡器的参数初始化，设置IMCMA均衡器默认长度和抽头系数w
n
：设置IMCMA均衡器长度为2L+1，则抽头系数w
n
表示为w
n
＝[w
n
(
‑
L),w
n
(
‑
L+1),w
n
(
‑
L+2),
…
,w
n
(0),
…
w
n
(L
‑
2),w
n
(L
‑
1),w
n
(L)]；2.2计算得到y(k)的实部Re(y(k))和虚部Im(y(k))；2.3计算第一统计量R
pr
和第二统计量R
pi
：其中，E(
·
)表示取均值；2.4计算y(k)的自相关矩阵R
y
：其中，表示y(k)的转置；2.5计算R
y
的迹tr(R
y
)：其中，r
ll
表示自相关矩阵R
y
对角线元素；2.6计算初始步长：2.7设置迭代次数n＝1；2.8计算IMCMA均衡器输出z
n
(k)：z
n
(k)＝y(k)*w
n
ꢀꢀꢀꢀ
(6)2.9计算误差e(n)：
其中，z
r,n
和z
i,n
分别表示IMCMA均衡器输出z
n
(k)的实部和虚部；2.10计算当前步长μ(n)：其中，exp(
·
)代表以自然对数为底数的指数函数；2.11均衡器抽头系数的迭代更新：其中，w
n+1
表示n+1次迭代时的均衡器抽头系数；2.12令迭代次数+1；2.13如果e(n)
‑
e(n
‑
1)＜th，说明均衡器进入稳态，则进行2.14，否则重复步骤2.8
‑
2.12；2.14输出IMCMA均衡器经过n次迭代后的均衡结果z
n
(k)和均衡器抽头系数w
n
；第三步，判断调制参数M并判断其置信度，方法是：将IMCMA均衡器均衡结果z
n
(k)输入聚类调制判决器，聚类调制判决器对z
n
(k)以星座图的方式进行采用K
‑
means聚类，通过计算得到的不同星座点之间距离的大小来判断是否属于同一簇；具体如下：3.1设定聚类中心数为kn∈[2,256]，分别利用K
‑
means算法对z
n
(k)聚类，与z
n
(k)同一簇的所有样本点记作z
C
(k)，聚类为第j簇且与z
n
(k)不是同一簇的样点记作3.2分别计算第一轮廓系数D
a
(k)和第二轮廓系数D
b
(k)：D
a
(k)＝E(||z
n
(k)
‑
z
C
(k)||)
ꢀꢀꢀꢀ
(10)其中，D
a
(k)表示z
n
(k)到z
C
(k)的所有样本点的平均距离，D
a
(k)值越小，说明z
n
(k)与同一簇的其他样本点越接近，则z
n
(k)属于z
C
(k)的可能性就越大；D
b
(k)表示z
n
(k)到其他簇的平均距离...

【专利技术属性】
技术研发人员：李保国，孙鹏，王翔，王丰华，黄知涛，鹿旭，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：