论文部分内容阅读
卫星信道的非线性和群时延特性使得传输信号到达接收端会产生严重的码间干扰,接收端均衡技术是克服码间干扰的有效方法,盲均衡技术无需获得训练序列,仅根据信号特征自恢复,可以有效地节约日趋紧张的卫星通信频带资源。回声状态网络(Echo State Network,ESN)是一种新型的递归神经网络模型,它独特的动态储备池结构以及简单的权值训练算法使其在时间序列预测、非线性系统建模、信道均衡等方面获得了广泛应用,本文主要研究回声状态网络在卫星信道盲均衡问题上的应用。论文在简要介绍卫星通信技术、盲均衡理论的基础上,阐述了Bussgang类及神经网络盲均衡算法原理。研究了基本回声状态网络的原理和特点,考虑到算法的硬件可实现性,分析讨论了几种改进的回声状态网络。结合回声状态网络的时域信号处理特点以及盲均衡思想,提出了基于预测原理的回声状态网络盲均衡算法和基于回声状态网络的Bussgang类盲均衡算法。基于预测原理的回声状态网络盲均衡算法仅借助接收端信号,利用网络的非线性映射能力,用回声状态网络作为预测滤波器,通过基本的伪逆训练方式使网络预测误差达到最小,以实现盲均衡,其原理简单,易于实现。实验结果表明,该算法不仅适用于群时延卫星信道模型,而且适用于非线性卫星信道模型;属于无延迟盲均衡算法,但带有相位旋转。基于回声状态网络的Bussgang类盲均衡算法利用支持向量回归(Support Vector Regression,SVR)方式训练网络的输出权值,将常模算法(Constant Modulus Algorithm,CMA)和多模算法(Multi-Modulus Algorithm,MMA)的统计量代入SVR的损失函数,以构造代价函数,采用迭代寻优方式获得输出权值的最优值,达到盲均衡目的。实验结果表明,基于回声状态网络的多模盲均衡算法在群时延卫星信道模型下,相比经典的Bussgang类盲均衡算法,如CMA和MMA均衡后的星座图清晰,误码率性能有较大提升;在非线性卫星信道模型下,相比基于预测原理的回声状态网络盲均衡算法,星座图更加清晰,误码率性能得到提升,并且克服了相位旋转问题。