一种改进的适用于稀疏信道的DFE均衡器

合集下载

下面是LMS自适应判决反馈均衡器的原理框图,请分析工作原理

LMS自适应判决反馈均衡器原理
DFE原理
DFE（decision feedback equalization ）判决反馈均衡器。

它是一种非线性均衡器，由前馈滤波器和反馈滤波器组成,前馈部分可以消在时间上超前的码间干扰（后面符号对当前码元的前导干扰）和时间上滞后的码间干扰（前面符号对当前码元产生的拖尾干扰），反馈部分可以抵消在时间上滞后的码间干扰.
判决反馈均衡(DFE)结构最初由 Austin在1969年正式提出,其性能优于线性均衡器,而与最大似然序列估计器(MLSE)相比,实现复
杂度相对较低,是次最优的最大似然判决设备,此算法实际上解决存
在码间串扰(ISI)和加性高斯白噪声(AwGN)的信道情况下得最佳接收问题。

判决反馈均衡的基本原理就是一旦信息符号经检测和判决以后
它对随后信号的于扰在其检测之前可以被估计并消减。

其的结构图如下图所示，包括两个抽头延迟滤波器：一个是前向滤波器(FFF,另一个是反向滤波器(FBF)。

其作用和原理与前面讨论的线性横向均衡器类似FBF的输入是判决器的先前输出,其系数可以通过调整减弱当前估计中的码间干扰。

其中FFF抽头系数的个数为K1，而FBF抽头系数的个数为K2。

定义MSE为前向滤波器抽头系数由最小化解出，而反馈滤波器的系数由前向滤波器系数和通道的脉冲响应决定。

短波多径衰落信道下的判决反馈均衡器研究

ｐｒｐｅｅｔｎｉｖｓｉａｉｎｏｈｓｗｙｅｆＤＦｎｈｅｆｒｎｅｏｎｉｒｖｄｃａｎｌｓｉｔｎ－ａｅＥｉｏｄｔｎｏｅｒｓｎｓａｎｅｔｔｎｔｅｅｔｏｔｐｓｏＥａｄｔｅｐｒｍａｃｆａｍｐｏｅｈｎｅ・ｔｇｏｏ－ｍａｉ・ｓｄＤＦｎｃｎｉｏｆｅｏｂｉ
第２７卷第９期
２１００年９月
计算机应用与软件
ＣｏｐｔｒＡｐｌａｉｎｎｏｔｒｍｕｅｐｉｔｓａｄＳｆｗａｅｃｏ
Ｖｏ．．１２７Ｎｏ９Ｓｐ．２０ｅ０１
短波多径衰落信道下的判决反馈均衡器研究
。ＰＡ６０６ｕｉ（Ｌ５１ｎ）ｔ
Ａｓａｔｂｔｃｒ
Ｔｅｅａｅｔｏｂｓｐｓｏｄｃｓｎｆｅｂｃｑａｚｔｎ（Ｆ：ｅｃｎｅｔｎｌＦｈｃｄｓｔｏｆｃｅｔｄｒｃｙｈｒｒａｉｔｅｆｅｉｏ — ｄａｋｅｕｌａｏＤＥ）ｔｏｖｎｏａＤＥｗｉａｊｔａｃｅｉｎｓｉｔｗｃｙｉｅｉｉｈｉｈｕｐｆｉｅｌ
韩俊峰段田东徐翔辉张建云
（放军信息工程大学信息工程学院解
（５１６０６部队）
河南郑州４００）５０２
摘
要
判决反馈均衡器（Ｆ）要有两种基本类型：接调整抽头系数的传统ＤＥ和通过估计信道冲激响应直接计算均衡器ＤＥ主直Ｆ

dfe原理

dfe原理
DFE（Decision Feedback Equalizer）是一种用于信号传输的数
字滤波器，常用于数字通信系统中的接收端。

其基本原理是通过反馈决策来对接收到的信号进行均衡和抑制噪声。

DFE主要包含两个部分：前向均衡器和决策器。

前向均衡器
用于对传输信号进行预处理，通过调整信号的幅度和相位等来补偿信号传输过程中的失真和淡化噪声。

决策器则根据接收到的信号的幅度水平来做出决策，即将信号判定为0或1。

在DFE中，前向均衡器会通过利用先前的输出来预测当前的
输入，以消除传输过程中的衰落和失真。

决策器则根据前向均衡器的输出和观测信号的幅度来做出决策，从而更准确地恢复原始信号。

DFE的工作原理可以概括为以下几个步骤：
1.接收到传输信号后，前向均衡器对信号进行预处理，通过调
整信号的幅度和相位来补偿信号传输过程中的失真。

2.预处理后的信号进入决策器，决策器根据信号的幅度水平来
做出决策，将信号判定为0或1。

3.根据决策器的输出，DFE会利用反馈决策来进一步调整前向
均衡器的参数，以逐渐优化信号的恢复质量。

4.这个过程会循环迭代，直到信号的恢复质量达到最佳状态或
满足一定的质量要求。

DFE可以有效地抑制信号中的噪声、拥塞和传播时延等问题，
提高信号传输的可靠性和质量。

在高速数字通信系统中得到广泛应用。

UFMC_系统中基于MMSE-DFE_的均衡器设计

第14期2023年7月无线互联科技Wireless Internet TechnologyNo.14July,2023作者简介:高燕妮(1993 ),女,四川南充人,助教,硕士研究生;研究方向:移动通信技术㊂UFMC 系统中基于MMSE -DFE 的均衡器设计高燕妮(四川邮电职业技术学院,四川成都610067)摘要:通用滤波多载波(Universal Filtered Multi -carrier Technique ,UFMC )作为一种新型多载波技术,采用子带滤波的方式抑制带外辐射㊁实现宽松同步,能够更好地适应机器通信中短小数据包的传输㊂UFMC 系统未引入循环前缀(Cyclic Prefix ,CP ),在多径衰落信道中会产生符号间干扰(Inter Symbol Interference ,ISI )和子载波间干扰(Inter -Carrier Interference ,ICI ),必须设计相应的均衡器来抑制干扰㊂文章在分析多径信道下UFMC 系统干扰的基础上,通过采用判决反馈(Decision Feedback ,DF )抑制时域ISI ,根据最小均方误差(Minimum Mean Squared Error ,MMSE )准则减小ICI 以及噪声的影响㊂仿真验证证明文章研究方法在UFMC 中的应用能够很好地抑制干扰,降低误码率㊂关键词:通用滤波多载波;符号间干扰;载波间干扰;判决反馈均衡;最小均方误差中图分类号:TN929.5㊀㊀文献标志码:A0㊀引言㊀㊀5G 已逐步商业化,与4G 主要关注的移动宽带业务不同,其应用场景和业务类型都更加丰富,主要包括eMBB 业务㊁mMTC 业务㊁uRLLC 业务,多样化业务需求对5G 的波形设计提出了要求[1]㊂正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是一种4G 标准,利用多个非重叠的正交子载波进行信号传输,被用于许多通信,例如3GPP LTE㊁Wi-Fi 和Wi-Max 等㊂严格的正交性使得OFDM 对定时误差和载波频率偏移(Carrier Frequency Offset,CFO)误差敏感,OFDM 通过添加CP 来消除ISI,针对mMTC 业务㊁uRLLC 业务这类短小数据包的传输,这种方式无疑增加了开销,降低了频谱效率[2]㊂目前6G 的研发工作已经启动,6G 中业务类型更加多样化,频谱效率要求更高,连接数更多[3],为了满足6G 在连接数㊁频谱效率㊁时延㊁速率等方面的需求,研究人员提出了多种替代OFDM 的新型多载波:滤波器组多载波(Filter Bank Multi -carrier,FBMC )㊁通用滤波多载波(Universal Filtered Multi -carrier,UFMC)和滤波型的OFDM(F -OFDM)[4]㊂在OFDM 的所有替代波形中,UFMC 被认为是短突发传输的最佳选择,并已在上行链路协调多点(Coordinated Multi -Point,CoMP )场景中成功实现[5]㊂UFMC 被视为介于OFDM 和FBMC 之间的中间技术,它结合了OFDM 的简单性和FBMC 的抗干扰性,UFMC 中的滤波操作是在一组连续子载波上执行的,这大大缩短了滤波器长度,因此,与FBMC 相比,UFMC 实现复杂性以及传输延迟显著降低,同时UFMC 不需要插入循环前缀或保护间隔,从而大大提高了频谱效率[6]㊂与OFDM 添加CP 对抗多径干扰不同,在UFMC 系统中通过滤波形成的缓降区为对抗ISI 提供软保护作用,但在延迟较大时这种软保护效果并不能很好地抑制ISI,同时系统也会因为正交性的破坏而产生ICI [7],采用相应的均衡技术来减小干扰㊁降低接收端信号的误比特率,对提高UFMC 系统的传输性能具有重要的意义㊂目前,针对UFMC 接收机均衡方面,多数采用单抽头均衡,缺乏对ISI 和ICI 的考虑㊂田广东等[8]提出一种基于最小自适应算法(Least Mean Square,LMS)进行干扰消除,其主要考虑频偏引起的ICI 以及子带间干扰(Inter Band Interference,IBI),但对于ISI 严重的信道环境,该算法存在一个启动模式,收敛速度慢㊂余翔等[9]提出一种并行干扰抵消均衡算法,但具体抵消过程中只考虑了部分载波,抑制效果受限㊂本文针对上述问题,在多径信道中UFMC 系统干扰分析的基础上,采用时域判决反馈消除ISI,根据MMSE 准则抑制ICI,最后仿真证明这种方法应用到UFMC 中能够很好地降低误码率,提升系统性能㊂1㊀UFMC 系统模型及干扰分析㊀㊀相较于OFDM 系统,新型多载波UFMC 系统在设计上不添加CP,增加子带滤波环节㊂在OFDM 中添加CP 的目的是减少多径信道带来的干扰,UFMC 在这方面,主要利用滤波形成的缓降区为对抗ISI 提供软保护作用,但当多径延迟较大时,这种软保护效果不及OFDM 中CP 的作用,特别是应用于短突发包传输的场景,对延迟会更加敏感,经过多径信道会产生ISI 以及由于正交性破坏带来的ICI,如图1所示㊂图1㊀UFMC 系统经过多径信道所受ISI 以及ICI㊀㊀UFMC 系统模型如图2所示,UFMC 系统将信号传输的整体频段进行划分,分成B 个子带,设总的子载波数量为N ,每个子带包括N B 个连续子载波㊂频域上每个子带i 进行N 点的IDFT 得到时域信号s i ,输出信号s i 经过长度为L 1的滤波器f i 进行滤波,因为s i 与f i 的线性卷积,最后符号长度变为G =N +L 1-1㊂图2㊀UFMC 系统模型在每个子带经过滤波之后,所有子带信号叠加进行传输,综上输出信号x 可以表示为:x =ðB -1i =0F i D i S i (1)其中,S i 为N 个子载波上调制的频域数据,D i 为N 点IDFT 矩阵D 的第(kN B +1)列到第((k +1)N B )列,矩阵D 中第k 行第n 列元素为d k ,n =1Ne i 2πkn /N㊂F i 为托普利兹矩阵,第一列为f ~i =[f i (0),f i (1),...,f i (L 1-1),01ˑ(N -1)]T ,第一行为[f i (0),01ˑ(N -1)]㊂本文中假设信道为多径频率选择性衰落信道,并且信道系数在一个UFMC 符号期间保持不变,无线多径衰落信道冲击响应为:h n ()=ðL 2-1l =0h l δ(n -τl )=ðL 2-1l =0ρl e j 2πφlδ(n -τl )(2)式(2)中,L 2代表不同路径的数目,ρl 是多径信道的衰落因子,2πφl 为在[0,2π]服从均匀分布的多径随机相移㊂假设接收端用固定的间隔T S 进行采样,在第一条路径(l =0)进行同步,多径延迟τl 为T S 的整数倍,即τl =lT s (l =0,1,...,L 2-1),并且假设UFMC 符号长度大于信道延迟,那么经过多径信道,第M 个符号接收端信号受到的ISI 以及ICI 相应的数学表达式为:y m =Hx m +H isi x m -1+ηm (3)其中,y m 和ηm 为G 维向量,表示接收信号以及噪声的G 点连续采样点,H 和H isi 为G ˑG 矩阵,分别为:H =h 00 0h 1h 00 0︙⋱⋱⋱⋱⋱⋱︙h L 2-1h L 2-2 h 00 00h L 2-1h L 2-2 h 00 0︙⋱⋱⋱⋱⋱⋱︙0 0h L 2-1h L 2-2 h 0éëêêêêêêêêêêùûúúúúúúúúúúH isi=0 0h L 2-1h 10 0h L 2-1 h 1︙⋱⋱⋱⋱⋱︙0 0 0h L 2-10 0 00︙⋱⋱⋱⋱⋱︙00éëêêêêêêêêêêùûúúúúúúúúúúH isi 为前一符号对当前符号的干扰,H 为进行卷积的托普利兹矩阵,也是加重UFMC 载波间干扰的原因㊂因此,为了接收端能够进行正确解调得到发送端数据,必须采用相应的均衡方法来抑制相应的ISI 以及ICI㊂2㊀基于MMSE 的反馈均衡设计㊀㊀加入相应均衡器的UFMC 接收机如图3所示㊂图3㊀DFE -MMSE 接收机其中,Z -1表示延迟一个符号周期,yᶄm 为消除ISI 之后的信号,可以表示为:yᶄm =y m -H isi FD S ~m -1(4)假设接收端能够正确判决,即S ~m -1=S m -1,根据公式(3)和(4)可得:yᶄm =Hx m +ηm (5)接收端通过MMSE 滤波器W f 之后有:x^m =W f yᶄm =W f Hx m +ηm ()(6)误差向量为:e m =x m -x^m =x m -W f yᶄm (7)要使得E e m 2{}最小,根据正交准则有[11]:E e m x ^H m ()=E x m -W f yᶄm ()W f yᶄm ()H ()=0(8)trace x m yᶄH m -W f yᶄm yᶄH m ()W Hf ()=0(9)考虑噪声是均值为零㊁方差为σn 2的高斯白噪声,信号功率为σx 2且噪声与信号之间相互独立,根据式(5)以及迹运算性质有:trace ((-σx 2H H W f (H σx 2H H +σn 2I ))W H f )=0(10)要满足上式,则有:㊀σn 2H H =W f (H σx 2H H +σn 2I )(11)可得:W f =H HHH H +1SNRI ()-1(12)在上述系统设计中,假设符号估计S m -1是无差错的,接收端能够完全消除ISI,然而实际中如果前一个检测的符号包含错误,那么当前符号减去的ISI 部分也存在错误,所以可以考虑采用相应的误差消除方案来提高准确率㊂现在前向纠错(Forward Error Correction,FEC)技术被广泛应用到无线通信系统中,此处可以在硬判决后面添加信道编码模块,相应地在反馈回路中加入信道解码模块,如图4所示,这样便可以克服判决后符号的估计误差过大的问题㊂图4㊀加入FEC 模块的DFE -MMSE 接收机3㊀仿真分析㊀㊀本文仿真的相关参数设置如下:FFT 大小为N =1024,采用QPSK 调制方式,滤波长度为L 1=20,滤波器边带衰减为40dB,子带数目为B =10,瑞利衰落信道路径数为L 2=6,路径最大延迟为τL 2-1=60,图5为两种不同信道(瑞利㊁高斯)下以及瑞利信道中经过MMSE -DFE 均衡后UFMC 系统的误码率㊂从图中可以看出UFMC 系统在经过不加均衡器的多径信道时,会产生较大的误码,而在经过本文设计的均衡器之后,虽然没有完全消除干扰,但误码率随着信噪比的增加明显下降,说明本文设计的均衡器能够在一定程度上提高UMFC 系统性能㊂图5㊀高斯㊁瑞利信道以及均衡后UFMC 系统误码率图6将单抽头均衡器㊁LMS 均衡算法[8]㊁MMSE 均衡算法与本文所用的MMSE -DFE 均衡算法进行对比,分析了在不同信噪比环境下,4种均衡方法的误码率,可以看出单抽头均衡器的性能明显劣于其他3种,对于多径衰落信道而言不能很好地抑制干扰,降低误码率㊂而LMS 算法调节存在启动模式,收敛速度比较慢,当存在较大ISI 时,性能不及MMSE 与MMSE -DFE 均衡算法,但其只存在简单的迭代过程,算法复杂度低㊂而MMSE 与MMSE -DFE 由于存在矩阵的求逆过程,复杂度比较高㊂图6㊀几种不同均衡方法的误码率4　结语㊀㊀本文主要针对多径衰落信道中UFMC系统中的干扰问题,通过采用时域判决反馈消除ISI,考虑此处存在错误累加的因素,加入前向纠错(FEC)模块来提高准确率㊂而对于存在的ICI问题,由于UFMC系统进行线性滤波器,不能再继续使用常用的构建循环矩阵的方式来消除ICI,所以本文根据信道响应矩阵采用基于MMSE的均衡方法来抑制ICI,通过仿真验证,这种方法应用到UFMC系统中能够很好地抑制干扰,降低误码率㊂参考文献[1]LI B,FEI Z,ZHANG Y.UAV communications for5G and beyond:recent advances and future trends [J].IEEE Internet of Things Journal,2018(2): 2241-2263.[2]KUMAR R A,KODATI S parative analysis of OFDM,FBMC,UFMC&GFDM for5G wireless communications[J].International Journal of Advanced ㊀㊀Science and Technology,2020(5):2097-2108. [3]KARTHIK K V,SANDYARANI B,RADHAK RISHNA K.A survey on future generation wireless communications-6G:requirements,technologies,challenges and applications[J].International Journal of Advanced Trends in Computer Science and Engineering,2021 (5):3067-3076.[4]JEAN F D E,JEAN A B,LUC E I,et al. Performance evaluation of FBMC,UFMC,and F-OFDM modulation for5G mobile communications[J].The International Journal of Engineering and Science,2021 (5):1-5.[5]SHAWQI F S,AUDAH L,HAMMOODI A T,et al.A review of PAPR reduction techniques for UFMC waveform[C].20204th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT),IEEE,2020:1-6.[6]SIDIQ S,MUSTAFA F,SHEIKH J A,et al.FBMC and UFMC:the modulation techniques for5G[C].2019 International Conference on Power Electronics,Control and Automation(ICPECA),IEEE,2019:1-5. [7]YARRABOTHU R S,NELAKUDITI U R. Optimization of out-of-band emission using kaiser-bessel filter for UFMC in5G cellular communications [J].China Communications,2019(8):15-23. [8]田广东,王珊,何萍,等.基于LMS算法的UFMC 系统自适应干扰消除[J].电子技术应用,2016(7): 21-25.[9]余翔,高燕妮,段思睿.基于并行干扰抵消的UFMC系统信道均衡[J].计算机应用研究,2019(8): 2496-2499,2503.(编辑㊀王雪芬)Design of equalizer based on MMSE-DFE in UFMC systemGao Yanni Zhang Qinqin Leng WeiSichuan Vocational and Technical College of Posts and Telecommunications Chengdu610067 ChinaAbstract As a new multicarrier technology the Universal filtered multi carrier UFMC technique can reduce out of band radiation achieve loose synchronization by sub-band filtering it more efficiently support short burst packet transmission in the machine type communication.The UFMC system does not introduce cyclic prefix CP which will generate inter symbol interference ISI and inter-carrier interference ICI in multipath fading channels.The corresponding balancer must be designed to suppress the interference.On the basis of analyzing the UFMC system interference in multipath fading channels this article uses decision feedback DF to suppress time domain ISI and reduce the impact of ICI and noise according to the minimum mean squared error MMSE criterion.The simulation results show that this method can be applied to UFMC to suppress interference and reduce bit error rate.Key words UFMC intersymbol interference inter-carrier interference decision feedback MMSE。

dfe参数问题回答

dfe参数
DFE参数是指决策反馈均衡参数（Decision Feedback Equalization Parameters）的缩写。

在通信系统中，数据在信道传输时会受到各种干扰和衰减，使得接收端收到的信号质量下降，从而导致误码率增加。

为了提高信号的传输质量，需要使用均衡器对信号进行处理，其中DFE是其中一种常用的均衡器类型。

DFE均衡器是一种基于反馈的均衡器，它可以利用接收信号的预测误差，通过反馈调整均衡滤波器的系数，从而实现更好的均衡效果。

在DFE均衡器的设计中，参数的选取对均衡器的性能影响非常大。

常见
的DFE参数包括前向滤波器长度、反馈滤波器长度和均衡器滤波器的
步长等。

在选择DFE参数时，需要考虑系统的传输特性、通信信道的噪声和干
扰等因素。

通过对信号进行系统建模、仿真分析和优化设计，可以获
得更好的DFE参数，并使得传输的误码率最小化。

在实际应用中，DFE均衡器在数字通信系统中得到了广泛应用。

例如，在4G LTE通信系统中，DFE均衡器被用于基站和终端设备之间的物理层链路中，以提高信号的传输质量。

此外，DFE均衡器还可以应用于
多种数字信号处理领域，如音频、视频和雷达信号处理等方面。

总之，DFE参数在数字通信系统的均衡器中起着重要作用，它能够通过优化参数的选取，提高信号传输的质量，并使得误码率最小化。

因此，研究DFE参数的选取和优化设计具有重要的理论意义和实际应用价值。

一种改进的高斯频率域压缩感知稀疏反演方法(英文)

AbstractCompressive sensing and sparse inversion methods have gained a significant amount of attention in recent years due to their capability to accurately reconstruct signals from measurements with significantly less data than previously possible. In this paper, a modified Gaussian frequency domain compressive sensing and sparse inversion method is proposed, which leverages the proven strengths of the traditional method to enhance its accuracy and performance. Simulation results demonstrate that the proposed method can achieve a higher signal-to- noise ratio and a better reconstruction quality than its traditional counterpart, while also reducing the computational complexity of the inversion procedure.IntroductionCompressive sensing (CS) is an emerging field that has garnered significant interest in recent years because it leverages the sparsity of signals to reduce the number of measurements required to accurately reconstruct the signal. This has many advantages over traditional signal processing methods, including faster data acquisition times, reduced power consumption, and lower data storage requirements. CS has been successfully applied to a wide range of fields, including medical imaging, wireless communications, and surveillance.One of the most commonly used methods in compressive sensing is the Gaussian frequency domain compressive sensing and sparse inversion (GFD-CS) method. In this method, compressive measurements are acquired by multiplying the original signal with a randomly generated sensing matrix. The measurements are then transformed into the frequency domain using the Fourier transform, and the sparse signal is reconstructed using a sparsity promoting algorithm.In recent years, researchers have made numerous improvementsto the GFD-CS method, with the goal of improving its reconstruction accuracy, reducing its computational complexity, and enhancing its robustness to noise. In this paper, we propose a modified GFD-CS method that combines several techniques to achieve these objectives.Proposed MethodThe proposed method builds upon the well-established GFD-CS method, with several key modifications. The first modification is the use of a hierarchical sparsity-promoting algorithm, which promotes sparsity at both the signal level and the transform level. This is achieved by applying the hierarchical thresholding technique to the coefficients corresponding to the higher frequency components of the transformed signal.The second modification is the use of a novel error feedback mechanism, which reduces the impact of measurement noise on the reconstructed signal. Specifically, the proposed method utilizes an iterative algorithm that updates the measurement error based on the difference between the reconstructed signal and the measured signal. This feedback mechanism effectively increases the signal-to-noise ratio of the reconstructed signal, improving its accuracy and robustness to noise.The third modification is the use of a low-rank approximation method, which reduces the computational complexity of the inversion algorithm while maintaining reconstruction accuracy. This is achieved by decomposing the sensing matrix into a product of two lower dimensional matrices, which can be subsequently inverted using a more efficient algorithm.Simulation ResultsTo evaluate the effectiveness of the proposed method, we conducted simulations using synthetic data sets. Three different signal types were considered: a sinusoidal signal, a pulse signal, and an image signal. The results of the simulations were compared to those obtained using the traditional GFD-CS method.The simulation results demonstrate that the proposed method outperforms the traditional GFD-CS method in terms of signal-to-noise ratio and reconstruction quality. Specifically, the proposed method achieves a higher signal-to-noise ratio and lower mean squared error for all three types of signals considered. Furthermore, the proposed method achieves these results with a reduced computational complexity compared to the traditional method.ConclusionThe results of our simulations demonstrate the effectiveness of the proposed method in enhancing the accuracy and performance of the GFD-CS method. The combination of sparsity promotion, error feedback, and low-rank approximation techniques significantly improves the signal-to-noise ratio and reconstruction quality, while reducing thecomputational complexity of the inversion procedure. Our proposed method has potential applications in a wide range of fields, including medical imaging, wireless communications, and surveillance.。

一种改进的稀疏多径信道均衡方法

一种改进的稀疏多径信道均衡方法杨源;李明阳;王徐华【摘要】针对传统的信道均衡算法在稀疏信道下效率低及实现复杂等问题,提出了一种改进的稀疏多径信道的均衡方法,利用少量训练序列进行信道估计作为先验知识,从而反演得到逆滤波均衡器.文中将求逆滤波过程建模为最优化问题,并提出一种获得近似最优解的贪婪算法.该算法相对于线性预测方法迭代次数极少,只要阶数足够高,就能获得几乎最佳的滤波器系数.设计了该算法模块化硬件结构,其复杂度低,易于工程实现.仿真结果表明,在稀疏信道下,文中的均衡方法相对于传统的最小均方线性预测方法,随着信噪比的增加,系统误码性能提升明显,在信噪比为15 dB时,能够获得大约10 dB的功率余度.【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2014(041)001【总页数】6页(P158-163)【关键词】稀疏信道;压缩感知;逆滤波;贪婪算法【作者】杨源;李明阳;王徐华【作者单位】空军工程大学空管领航学院,陕西西安710051;空军工程大学综合电子信息系统与电子对抗技术研究中心,陕西西安710051;空军工程大学综合电子信息系统与电子对抗技术研究中心,陕西西安710051【正文语种】中文【中图分类】TN914.42传统的线性信道均衡方法,如最小均方算法(Least Mean Square,LMS),是以信道多径的密集分布为前提,需要利用大量的训练序列,导致频谱利用率低.研究和实验表明,多径信道具有稀疏性,即约少于10%的多径信道占据着信道85%以上的能量[1].合理地利用信道的稀疏性可以实现更优的估计方法[2].压缩感知于2006年首次提出来,在稀疏信号处理方面受到了极大关注[3].常用的压缩感知恢复算法有基于最小凸规划的基追踪(Base Pursuit,BP)[3]算法、贪婪算法如匹配追踪算法[4](Matching Pursuit,MP)等.BP算法实现复杂,而MP及其改进算法如正交匹配追踪[4]等算法,在性能和复杂度之间能得到很好的折中.目前,基于压缩感知的稀疏信道估计方法已经有一些研究[2,5-9].文献[6]提出并分析了基于压缩感知的稀疏信道估计方法的误差性能.文献[7]基于匹配追踪算法对稀疏多径参数进行了估计.文献[8]研究了压缩感知在非连续正交频分复用(NC-OFDM)信道估计中的应用.文献[9]提出一种匹配追踪算法的超宽带信道估计算法,表明匹配追踪算法具有和清理算法(CLEAN)[9]相当的性能,但其需要更少的观测值.文献[10-11]研究了循环矩阵及其在稀疏信道估计中的应用,并证明了其有效性.这些研究都表明,压缩感知方法相对于传统方法在稀疏信道估计中具有显著的优势.笔者提出了一种压缩感知和贪婪算法的稀疏多径信道均衡方法.该方法由信道估计和求均衡逆滤波器两部分组成:(1)设计了一种基于伪噪声(PN)序列的具有循环特性的观测矩阵,利用正交匹配追踪(OMP)算法估计稀疏信道系数.(2)将信道系数求均衡逆滤波器归结为一个最优化问题,提出了一种近似最优的贪婪方法,并设计了此算法的模块化实现结构.文中提出的稀疏信道均衡方法相对于传统的线性预测方法,具有更高的功率效率和更低的复杂度,在信噪比较高的情况下,误码性能提升明显.多径信道可以等效成一个时变有限脉冲响应(FIR)滤波器,信道均衡相当于利用另一个滤波器反演此FIR滤波器.连续时间多径信号[7]可以表示为其中,x(t)为原始信号,y(t)为多径信号,n(t)为加性高斯白噪声,h(t,τ)为时变信道冲击响应,Tm为最大多径时延.实际多径信道具有成簇分布的特点,且多径密度稀疏,图1为稀疏信道示意图[3].其中,传输时延为关于码元周期的相对值,幅度为关于主径的归一化值.对连续时间信号按照1/W的速率进行采样,得到离散多径信号y=Xβ+z,其中,W为x的单边带带宽; z为信道噪声,服从N(0,σ2),其中σ2为噪声功率;β为未知的决策变量,假设具有K-稀疏的特点,K为正态数;X为x生成的Toeplitz矩阵,即假设多径信道维度为p,那么选取x∈Cn+p-1,其中,Cm表示m维复向量空间,m为正整数.根据文献[11]可知,式(2)满足限制等距特性(RIP)性质[4].文献[12]证明了Toeplitz 矩阵应用到信道估计中的有效性.这里采用PN序列构成Toeplitz结构观测矩阵,并利用OMP算法估计信道多径位置和幅度.训练序列x由多个长度为n的PN码级联构成,可知x(n+i)=x(i),将式(2)可以改写为式(3)表示的循环矩阵中p代表了观测向量的长度,同时也对应稀疏信号的维数,如果取p=n-1,此时X为满秩矩阵.循环矩阵同样满足RIP性质[4],可以作为压缩感知观测矩阵[11].匹配追踪算法在每次迭代中选择观测矩阵中与观测向量y的剩余部分最相关的列,然后从y中减去该列的贡献,对剩下的残差进行如此重复迭代.OMP算法通过递归地对已选原子集合进行正交化以保证迭代的最优性.求解多径信道系数就是根据观测得到的y和已知的训练序列x逆向地估计出β.信道估计可以表示为如果信道系数具有稀疏的特性,则压缩感知信道估计模型为[4]采用OMP算法并根据式(3)构成的观测矩阵,从接收到的多径信号恢复出信道特性系数,然后将这个系数作为估计均衡逆滤波器的先验知识.压缩感知信道系数估计实现原理框图如图2所示.从图2可以看出,导频经过多径信道后的压缩采样信号为y,将X作为观测矩阵,利用OMP算法作为恢复算法即可恢复出信道系数β.估计的信道系数不仅包含多径的幅度信息,且可表示某径所在的位置.3.1 求逆滤波器的最优化模型假设原始滤波器和逆滤波器分别为二者满足:可以将求H1(s)转化成一个最优化问题,即其中,z表示滤波器的输出值.δ为一常数,当0＜δ＜1时,此优化过程将尽量减小更高阶系数的值;当δ＞1时,此优化过程将尽量减小更低阶系数的值;当δ=1时,平等调节各阶系数达到最小.易知可直接求式(7),计算复杂度为O((m+l)2).当δ=1时,最优解为,此优化过程可以用线性预测的方法估计.线性预测方法随机生成±1信源序列,H(s)滤波输出和信源的差的最大值达到最小时,得到H1(s)的最优.基于最小均方误差准则(或最小二乘准则)求式(7)的优化问题,可以表示为利用线性预测方法进行迭代求H1(s).当自适应滤波器系数收敛到Wiener解后,式(7)达到最优.x(n)是以1/2概率取±1的训练序列,逆滤波的期望结果是z(n)和x(n)近似相等,其误差的最大值即为优化问题的方程,所以优化问题表示为线性预测问题是min(max(e(n))).自适应滤波通常采用LMS或递归最小二乘(RLS)等线性预测算法.线性预测方法虽然实现简单,但是训练时间通常较长,同时存在固有误差.3.2 贪婪算法当原滤波器传递函数H0(s)为FIR形式时,其逆滤波器的FIR形式有无穷多阶.如果阶数足够高,则滤波器系数必须满足快于调和级数的下降速度才能保证输出收敛.逆滤波器的高阶系数具有某个较快的下降速率,可以将某阶以后的高阶部分截去而引入较小的误差.式(6)满足:其中,ε是H1(s)截取l阶以后的高阶部分造成的误差.利用式(8)将求逆滤波器系数问题表示为一个贪婪迭代过程,即将式(8)和(9)整理成一个迭代算法,其步骤如下:(1)初始化:(2)迭代第i步时:(3)如果i=m+l-3,则停止迭代;否则,i=i+1,返回(2).将此贪婪迭代算法表示成具有模块化特点的结构,如图3所示.此贪婪算法形式简单,具有模块化结构,可以根据误差要求调整滤波器阶数,精度高,迭代次数少.且贪婪算法追求完全消除原滤波器的影响,在滤波器阶数足够高的情况下可以几乎不引入误差.4.1 复杂度分析与比较在文中仿真中随机生成8径信道,采用32阶FIR逆滤波器.利用64位M序列进行训练,发现LMS均衡算法需要迭代64个码周期,LMS逆滤波训练需要迭代64个码周期,且每个迭代周期训练算法需要进行32次乘法.压缩感知(CS)算法估计信道多径只需要一个PN码周期,OMP算法的运算复杂度为O(KN2)[13].贪婪算法每次迭代进行32次除法,共迭代32次.将算法在Intel i7处理器8 GB内存的PC机上编写Matlab R2010b脚本程序运行,得到的运行时间如表1所示.表1中的GA为遗传算法.从表1可看出,传统LMS算法需要传输过长的训练序列,功率效率远低于另外两种算法.CS+LMS算法依然需要过长的迭代时间,但是迭代过程的数据存储在本地,可以以硬件的最快速度计算,可以显著快于信道数据;CS+GA算法需要很短的训练序列,功率效率高.在本次仿真中,CS+LMS算法的计算时间约为CS+GA算法计算时间的81倍.4.2 基于CS的稀疏信道估计按照式(3)构成观测矩阵,利用OMP算法对多径信道系数进行估计,随机生成延迟范围为1～64码元周期的10径信道,采用64阶M序列,信噪比为10 d B,稀疏信道估计结果如图4所示.其中多径时延为关于码元周期的相对值.基于压缩感知的多径信道估计方法在大部分情况下能够精确估计信道的多径系数,图4中大约在38、44、62等点的位置出现误估计,但是这些估计值非常小,其影响可以忽略.可见,利用常用的PN序列生成的观测矩阵能够良好地估计信道系数. 4.3 线性预测和贪婪算法求逆滤波给定8阶系数为[0.7,0.4,-0.2,0.05,0.05,-0.1,0.1,0.2]的多径信道,采用32阶FIR逆滤波器,基于LMS的训练算法得到的逆滤波器系数和贪婪算法得到的滤波器系数如图5所示.由图5可以看出,两种方法估计的滤波器系数随着阶数增加趋于0,略去较小的权值部分,滤波结果也能获得较小的误差,此时认为估计的滤波器收敛.仿真中得到的逆滤波器系数震荡较大,收敛时阶数较高,而基于LMS训练得到的逆滤波系数收敛较快,逆滤波器阶数相对较少,这和文中的理论分析一致.且给定的8径信道并不具有稀疏性,文中方法依然能够获得和传统方法相近的估计,可见只要滤波器阶数足够高,对于非稀疏信道文中方法依然适用.4.4 训练序列长度仿真对传统的基于LMS的信道均衡和CS+LMS的信道均衡算法在不同长度训练序列下误码性能进行仿真,并和CS+GA方法均衡性能进行比较.随机生成延迟范围为1～8个码元周期的8径信道,训练序列采用64位PN码,逆滤波器全部为32阶FIR 滤波器时,在不同信噪比下经过10万次蒙特卡罗仿真的误码结果如图6所示.由图6看出,当训练长度为8 192时,LMS算法和CS+LMS算法误码曲线基本重合,二者有一致的性能;当训练序列长度为4 096时,CS+ LMS算法性能差,此时估计的逆滤波器系数未收敛到最优解.三者在低信噪比下性能相当,当信噪比高于15 d B 时,CS+GA算法能够获得显著优于另外两种算法的性能.当误码率为10-4时,CS+GA算法相对CS+ LMS算法均衡带来10 d B的SNR余度.LMS算法基于多径信道密集性前提,其误差[2]在稀疏信道下是CS算法信道估计均方误差上界的K倍,K表示稀疏度.仿真中,稀疏度为64/8=8,所以LMS算法的误差功率上界是CS 估计的8倍.LMS算法均衡和LMS算法信道估计性能类似,文中的贪婪算法在滤波器阶数足够高的情况下误差趋于0,逆滤波估计过程几乎不引入误差.所以文中CS+GA算法比LMS算法和CS+LMS算法具有大约9.03 dB的功率优势,这和仿真结果基本一致.提出一种稀疏多径信道均衡算法,算法分为稀疏信道估计和逆滤波两部分,其中稀疏信道估计利用OMP算法实现.文中利用PN序列构造了观测矩阵,采用OMP算法估计稀疏信道;将逆滤波器求解建模为最优化问题,并提出了次最优的GA算法及其模块化实现结构.仿真表明,常用的线性预测方法求逆滤波需要耗费大量的训练时间,且性能较差,而GA算法无论是在迭代时间上还是在均衡性能上都有显著优势.所提出的稀疏多径信道均衡算法形式简单,实现复杂度低,误码性能更优.【相关文献】[1] 邵汉钦,徐大专,王磊.两径衰落短波信道下的改进型双向判决反馈均衡器[J].应用科学学报,2012,30(5):448-454. Shao Hanqin,Xu Dazhuan,Wang Lei.Modified Bidirectional Decision-Feedback Equalizer for Two-Ray Fading HFChannels[J].Journal of Applied Sciences,2012,30(5):448-454.[2]Paredes J L,Arce G R,Wang Z M.Ultra-wideband Compressed Sensing:Channel Estimation[J].IEEE Journal of Selected Topics in Signal Processing,2007,1(3):383-395. [3]Bajwa W U,Jarvis H,Gil R,et pressed Channel Sensing[C]//IEEE 42nd Annual Conference Information Sciences and Systems.Piscataway:IEEE Press,2008:5-10.[4]肖小潮,王臣昊,郑宝玉.多普勒域上稀疏的双向中继信道估计[J].信号处理,2012,28(5):718-722. Xiao Xiaochao,Wang Chenhao,Zheng pressed Channel Estimation for Two-way Relay Network over Doppler Sparse Environment[J].Signal Processing,2012,28(5):718-722.[5] 戈立军,赵迎新,傅民皓,等.多频带OFDM超宽带系统同步及信道估计算法[J].系统工程与电子技术,2011,33(3):665-668. Ge Lijun,Zhao Yingxin,Fu Minhao,et al.Synchronization and Channel Estimation for MB-OFDM Based UWB Systems [J].Systems Engineering and Electronics,2011,33(3):665-668.[6]王妮娜,桂冠,张治,等.基于压缩感知的MIMO系统稀疏信道估计[J].应用科学学报,2011,29(4):347-352. Wang Nina,Gui Guan,Zhang Zhi,et pressed Sensing Based Sparse Channel Estimation in MIMO Systems[J]. Jounal of AppliedSciences,2011,29(4):347-352.[7]Bajwa W U,Jarvis H,Akbar M S,et pressed Channel Sensing:a New Approach to Estimating Sparse Multipath Channels[J].Proceedings of the IEEE,2010,98(6):1058-1076.[8]Guan Gui,Wan Qun,Peng Wei,et al.Sparse Multipath Channel Estimation Using Compressive Sampling Matching Pursuit Algorithm[C]//IEEE VTS APWCS2010,IEEE Vehicular Technology Society Asia Pacific Wireless CommunicationSymposium.Piscataway:IEEE Press,2010:19-22.[9] 何雪云,宋荣方,周克琴.认知无线电NC-OFDM系统中基于压缩感知的信道估计新方法[J].通信学报,2011,32(11):85-93. He Xueyun,Song Rongfang,Zhou pressive Sensing Based Channel Estimation for NC-OFDM Systems in Cognitive Radio Context[J].Journal on Communications,2011,32(11):85-93.[10]李德建,周正,李斌,等.超宽带信道建模中基于压缩感知的解卷积算法[J].电子与信息学报,2012,34(3):644-649. Li Dejian,Zhou Zheng,Li Bin,et al.A Deconvolution Algorithm for Ultra Wideband Channel Modeling Based on Compressive Sensing[J].Journal of Electronics&Information Technology,2012,34(3):644-649.[11]Bajwa W U,Jarvis D H,Raz G M,et al.Toeplitz-Structured Compressed Sensing Matrices[C]//IEEE/SP 14th Workshop on Statistical SignalProcessing.Piscataway:IEEE,2007:294-298.[12]Jarvis D H,Bajwa W U,Raz G M,et al.Toeplitz Compressed Sensing Matrices with Applications to Sparse Channel Estimation[J].IEEE Transactions on Information Theory,2010,56(11):5862-5875.[13]杨海蓉,张成,丁大为,等.压缩传感理论与重构算法[J].电子学报,2011,39(1):142-148. Yang Hairong,Zhang Cheng,Ding Dawei,et al.The Theory of Compressed Sensing and Reconstruction Algorithm[J]. Acta Electronica Sinica,2011,39(1):142-148.。

serdes dfe原理

Serdes DFE原理
DFE（Decision Feedback Equalizer）是一种数字均衡器，主要用于消除数据传输过程中的串扰。

其原理是利用已判断的前一数据接入反馈回路，对后面的数据进行串扰消除。

DFE由FIR滤波器、加法器和用于符号判决的判决器组成。

FIR滤波器由n阶乘法器和延迟电路组成，延迟电路将输入延迟1 bit时间。

判决器将模拟信号数字化。

以三阶延迟电路为例，n bit输出=n bit值+c1(n-1) bit值+c2(n-2) bit值+c3*(n-3) bit值。

DFE具有训练功能，根据接收到的数字眼图，经过training，对乘法器系数进行调整，以达到最优结果。

发送端需要对传输的数据进行编码，使DFE能够获得更多的码型进行处理。

在实际应用中，DFE会根据接收到的数字眼图，对乘法器系数进行调整，以达到最优结果。

这有助于恢复源码，将高速串行数据恢复成n bit并行数据。

总的来说，serdes dfe原理是利用已判断的前一数据接入反馈回路，对后面的数据进行串扰消除，以恢复源码，将高速串行数据恢复成n bit并行数据。

以上仅供参考，建议阅读计算机和通信原理等领域的书籍或者文献了解serdes dfe 更准确、全面的原理信息。

一种适于载波同步的DFE改进算法

一 × ＆（△ ）Ｔ
（）９
也可占用多个时隙，可以实现高速率传送。选码时
做到Ｉ路同步码与Ｑ路信息码近似正பைடு நூலகம் 。
由式（）（）可得到如下结论：８、９
（）频偏（的存在对相关峰有一定影响，１ △ 在
２本地恢复载波的频偏相偏分析
各时隙用户的相位有影响；（）由于存在未知相偏，３如不纠正，法得到无
零中频接收和相干解扩解调。
信息判决的正确性。因此，如何陕速准确地恢复载波显得十分重要［。要比较准确的恢复载波，先需要２］首
估计频偏，通用的估计频偏的方法可从时域和频域考
虑。时域估计频偏算法有ＤＥ算法［与ＡＥ算Ｆ３］Ｆ法［等。ＤＥ算法过求相邻两帧的相偏值差来估计４］Ｆ频偏，需的时间少，它所而且残余频偏较小，但是估计
ＡＤＴ变换ＤＳＰ处理
为了进一步提高系统的载波频偏估计范围，本
文给出了一种ＤＥ改进算法，Ｆ它通过逐次逼近来实现大频偏范围内的载波恢复。该算法先粗估计大频偏，后精确估计剩余小频偏，因此能够纠正大的频
大的能量损耗，而导致接收机工作失常。而系统存从在较大的载波相偏时也会影响相干接收系统接收端
１一种ＴＤＭ／ＤＭＡＡＴ通信ＣＶＳ方案
以ＴＤＣＭ／ＤＭＡＡＴ通信系统［为例讨论ＶＳ５］所提出的载波恢复新算法。图１是该系统发送端结构原理图，端负责完成多用户复接、Ｓ调制发送ＱＰＫ等。图２是该系统接收端结构原理图，收端完成接

dfe频域均衡算法误码率matlab仿真

在进行 dfe 频域均衡算法误码率 matlab 仿真方面，首先需要了解什么是 dfe 频域均衡算法以及误码率的概念。

DFE（Decision Feedback Equalization）意为决策反馈均衡算法，它是一种数字通信系统中用于均衡信道失真的技术，通过预测信道引起的失真，并利用先前的决策进行修正，以提高信号的质量。

而频域均衡算法则是针对频域上的均衡进行优化的一种算法。

误码率是指在数字通信中，接收到的比特流中发生错误的比特数与总比特数之比，它是衡量通信系统性能的重要指标之一。

接下来，我们可以从以下几个方面综合评估 dfe 频域均衡算法误码率matlab 仿真的具体内容：1. 算法原理：首先需要深入了解 dfe 频域均衡算法的原理，包括频域均衡在数字通信中的作用和意义，以及该算法是如何应对频域失真进行优化的。

需要探究算法中涉及的数学模型和计算方法。

2. 仿真环境：在进行 matlab 仿真前，需要构建仿真环境，包括模拟信道特性、添加噪声等。

通过调研相关资料，可以了解到在 matlab 中如何构建适合 dfe 频域均衡算法的仿真环境。

3. 误码率评估：在进行仿真过程中，需要从理论和实际的角度对 dfe 频域均衡算法的误码率进行评估。

需要探讨不同参数、信噪比下误码率的变化情况，并结合 matlab 仿真结果进行分析。

4. 优化和改进：根据仿真结果，可以进一步探讨如何优化 dfe 频域均衡算法，降低误码率。

可以通过调整算法参数、改进信道建模等方法来提升算法性能。

总结回顾：通过以上的评估，我们对 dfe 频域均衡算法误码率 matlab 仿真有了全面的了解。

在实际操作中，我们需要注意算法原理的理解、仿真环境的构建、误码率的评估以及可能的优化改进措施。

只有全面评估并深入探讨，我们才能更好地理解和利用这一技术。

个人观点：dfe 频域均衡算法误码率 matlab 仿真是数字通信领域中一个重要且复杂的课题，通过深入理解其原理和进行全面的仿真评估，我们能够更好地应用和改进这一算法，提高数字通信系统的性能和稳定性。

一种适于载波同步的DFE改进算法

一种适于载波同步的DFE改进算法
姚引娣
【期刊名称】《西安邮电学院学报》
【年(卷),期】2011(016)003
【摘要】针对载波同步中频偏、相偏对扩频接收机性能的影响,提出一种大频偏下的载波同步算法.该算法分为两个步骤,首先在大频偏范围内进行预估计,将频偏进行粗略校正;然后再对剩余的频偏和相偏进行精确校正.该算法对采用非相干和相干接收方式的扩频通信机均适用.仿真结果表明此方法运算量小,同步精度高,适合于低成本嵌入式系统.
【总页数】5页(P22-25,37)
【作者】姚引娣
【作者单位】西安邮电学院通信与信息工程学院,陕西西安710121
【正文语种】中文
【中图分类】TN911
【相关文献】
1.一种改进的适于安全审计数据分析的关联算法 [J], 王莘;张红旗;汪永伟;侯兴超
2.适于无线传感网络目标追踪的一种改进无迹粒子滤波时延差估计算法 [J], 朱明强;侯建军;刘颖;李旭;田洪娟
3.一种适于快速实现的卡尔曼滤波算法的改进 [J], 阮建国;陈炯
4.一种适于HTTP数据还原的QS改进算法 [J], 钱松波;刘嘉勇
5.一种适于波束切换移动自组网的邻居发现改进算法 [J], 李丽; 郑博文; 刘丽哲
因版权原因，仅展示原文概要，查看原文内容请购买。

一种适用于稀疏多径信道的自适应均衡算法

一种适用于稀疏多径信道的自适应均衡算法周孟琳;陈阳;马正华【摘要】针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法.该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题.采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度.仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值.【期刊名称】《电讯技术》【年(卷),期】2019(059)003【总页数】5页(P266-270)【关键词】稀疏多径信道;自适应均衡;压缩感知;基追踪降噪;变量分离近似稀疏重构【作者】周孟琳;陈阳;马正华【作者单位】常州大学信息科学与工程学院,江苏常州213164;常州大学信息科学与工程学院,江苏常州213164;常州大学信息科学与工程学院,江苏常州213164【正文语种】中文【中图分类】TN911.51 引言常见的水声通信和宽带移动通信中，信道一般为稀疏多径的。

即信道冲激响应的能量主要集中在间隔很远的几个抽头上，而绝大多数抽头的能量都趋向于零，当信源通过该信道后，码间串扰可高达几十甚至上百个码元间隔。

传统的自适应均衡算法[1-4]在稀疏多径的信道环境下性能表现较差，因此，现有方案几乎全部采用非盲均衡的基于自适应最小均方(Least Mean Square，LMS)算法的稀疏迭代方法和递推最小二乘(Recursive Least Square，RLS)算法来完成稀疏多径信道下的均衡任务。

不过LMS算法在稀疏多径的信道环境下，权值的自适应收敛很慢，需要大量的训练序列，降低频带的利用率。

而RLS算法虽然在收敛速度和均衡性能上均有所提升，但计算量大，不适合高速通信的场合。

一种用于无线信道的逐幸存处理均衡器

一种用于无线信道的逐幸存处理均衡器
茹国宝;张永强;杨浩;薛妮
【期刊名称】《太赫兹科学与电子信息学报》
【年(卷),期】2005(003)001
【摘要】提出了一种适用于无线时变信道的逐幸存处理均衡器.通过训练序列得到信道参数的初始估计值,此后在Viterbi算法进行网格搜索的过程中,使得每一条幸存路径维持各自的信道参数,并在确定幸存分支后利用历史幸存序列对信道参数值进行更新,实现了信道参数的无时延估计.仿真结果表明,在无线时变信道环境下,逐幸存处理均衡器的性能明显优于其他传统均衡器.
【总页数】5页(P6-9,17)
【作者】茹国宝;张永强;杨浩;薛妮
【作者单位】武汉大学,电子信息学院,湖北,武汉,430072;武汉大学,电子信息学院,湖北,武汉,430072;武汉大学,电子信息学院,湖北,武汉,430072;武汉大学,电子信息学院,湖北,武汉,430072
【正文语种】中文
【中图分类】TN911.5
【相关文献】
1.一种新的应用于水声信道的空间分集均衡器 [J], 段美怡;饶伟
2.一种改进的适用于稀疏信道的DFE均衡器 [J], 陈韶华;相敬林;石杰
3.一种改进的适用于稀疏信道的完全反馈均衡器 [J], 任喜顺;周君;吴启晖
4.一种改进的减少状态逐幸存处理均衡器 [J], 张永强;向倩;茹国宝;孙洪;杨浩
5.一种信道估计动态更新的逐幸存路径处理算法 [J], 黄建纯;郭圣明;贾宁;郭中源;郭海波
因版权原因，仅展示原文概要，查看原文内容请购买。

时变信道追踪结构自适应DFE-RLS均衡器

时变信道追踪结构自适应DFE-RLS均衡器
黄本雄;李高山;徐书华
【期刊名称】《华中科技大学学报：自然科学版》
【年(卷),期】2008(36)4
【摘要】提出了一种抽头阶数可追踪时变信道变化的自适应调整最小二乘回归-判决反馈均衡器(DFE-RLS)设计方法.这种均衡器采用分数阶权值能量估计算法对前向滤波器(FFF)、后向滤波器(FBF)的阶数和最小二乘回归(RLS)算法中的逆相关矩阵阶数进行调整,通过设置合适的参数对时变信道的最佳阶数进行有效跟踪.它不仅实现简单,并且能够在不影响输出误码率的情况下有效减小计算复杂度和功耗.由于具有时变信道环境自适应能力,因此这种结构自适应均衡器对手持式全天候软件无线电短波通信设备的研究和设计具有重要的理论价值.
【总页数】4页(P1-4)
【关键词】通信;判决反馈均衡器;最小二乘回归;自适应均衡器
【作者】黄本雄;李高山;徐书华
【作者单位】华中科技大学电子与信息工程系
【正文语种】中文
【中图分类】TN715.7
【相关文献】
1.自适应递推最小二乘灰色均衡器用于时变信道 [J], 冀显;程时昕
2.线性滤波器与多项式级联结构的自适应均衡器 [J], 赵海全;谢明元;曾祥萍;张家
树
3.浅谈自适应均衡器结构的研究 [J], 王建锋;高敏
4.一种结构自适应的非线性信道神经网络均衡器 [J], 何培宇;王永德
5.SDH数字微波通信系统中全数字自适应均衡器的结构分析 [J], 赵勇;李指行因版权原因，仅展示原文概要，查看原文内容请购买。

并行级联频域判决反馈(DFE)均衡策略及不匹配译码

并行级联频域判决反馈(DFE)均衡策略及不匹配译码
李强;李少谦
【期刊名称】《电子与信息学报》
【年(卷),期】2008(30)10
【摘要】该文提出了一种使用并行级联的turbo类型判决反馈均衡器(DFE)结构,用于抑制线性码间干扰.基于该结构又提出了一种低复杂度的基于频域迭代块判决反馈检测(Turbo Block DFE,TBDFE)算法.该并行策略比传统的块迭代判决反馈均衡算法(Iterative Block DFE,IBDFE)有更大的性能增益,且在信道估计存在相同的一定误差时,该结构与IBDFE的性能增益比没有估计误差时更大.该文还研究了SNR 估计误差对TBDFE算法与传统IBDFE算法的影响,结果表明二者对SNR的过估计比欠估计均为敏感.
【总页数】5页(P2392-2396)
【作者】李强;李少谦
【作者单位】电子科技大学通信学院抗干扰移动通信国家级重点实验室,成都610054;电子科技大学通信学院抗干扰移动通信国家级重点实验室,成都610054【正文语种】中文
【中图分类】TN911.22
【相关文献】
1.SC-FDMA上行系统中一种频域迭代块DFE均衡方法 [J], 王秋才;袁超伟;张金波;李映雪
2.迭代硬判决反馈的LDPC级联MDPSK解调译码算法 [J], 朱爱民;吴团锋
3.Turbo判决反馈均衡(DFE)技术分析及改进 [J], 路良友;杨铁军
4.自适应判决反馈均衡器与纠错译码器联合系统的研究 [J], 汪复兴
5.一种基于Viterbi译码的DFE信道均衡算法 [J], 彭娈莎;王芙蓉;付道俊
因版权原因，仅展示原文概要，查看原文内容请购买。

dfe均衡算法

dfe均衡算法
DFE（Decision Feedback Equalization）是一种均衡算法，主要用于数字通信系统中的信道均衡。

它通过在接收端引入一个决策反馈环路，利用已经解调的数据来消除信道引起的干扰和失真。

DFE均衡算法的基本原理是将接收到的信号与预测信号进行比较，然后根据比较结果调整均衡滤波器的参数，从而使两者的差异最小化。

具体来说，DFE算法分为两个部分：前向均衡和反馈均衡。

前向均衡部分通过一个线性滤波器将接收到的信号进行处理，以尽量消除信道引起的失真。

该滤波器的参数可以根据先验信息进行设计，也可以通过自适应算法进行更新。

反馈均衡部分通过一个非线性滤波器将已经解调的数据进行处理，以进一步减小失真。

该滤波器的参数可以通过监测解调数据与接收到的数据之间的误差来更新。

DFE均衡算法的优点是能够有效地抑制信道引起的失真和干扰，提高系统的误码性能。

然而，由于反馈均衡部分需要解调数据，算法的延迟相对较大，对实时性要求较高的应用可能不适用。

总之，DFE均衡算法是一种常用的数字通信系统中的信道均衡算法，通过前向和反馈两个部分的处理来抑制信道引起的失真和干扰。