[發(fā)明專利]一種基于RLS和LMS聯(lián)合算法的信道均衡方法及均衡器

有效

• 申請(qǐng)?zhí)枺?/td>: 201310461649.9
• 申請(qǐng)日: 2013-09-30
• 公開（公告）號(hào): CN104519001B
• 公開（公告）日: 2017-12-29
• 發(fā)明（設(shè)計(jì)）人: 戚肖克;李宇;黃海寧
• 申請(qǐng)（專利權(quán)）人: 中國科學(xué)院聲學(xué)研究所
• 主分類號(hào): H04L25/03
• 分類號(hào): H04L25/03
• 代理公司: 北京法思騰知識(shí)產(chǎn)權(quán)代理有限公司11318
• 代理人: 楊小蓉,楊林

技術(shù)領(lǐng)域

本發(fā)明涉及通信領(lǐng)域，特別涉及自適應(yīng)均衡技術(shù)中的遞歸最小二乘（Recursive Least Square，RLS）和最小均方（Least Mean Square,LMS）均衡器技術(shù)。具體涉及根據(jù)信道變化自適應(yīng)地選擇不同的均衡技術(shù)。

背景技術(shù)

在通信中的自適應(yīng)均衡領(lǐng)域中，LMS均衡和RLS均衡是應(yīng)用最廣的兩種技術(shù)。LMS算法通過最小化均方誤差得到，算法簡單，復(fù)雜度較低，但是它的收斂較慢，在快速時(shí)變信道中經(jīng)常不能達(dá)到收斂，性能較差。RLS算法通過使平方誤差的加權(quán)和最小得到，彌補(bǔ)了LMS算法收斂慢的不足，相比較LMS算法，大大降低了訓(xùn)練序列的長度，獲得更高的有效數(shù)據(jù)速率。另外，RLS算法適于跟蹤快速變化的信道，不受信道特性的影響，在收斂過程中的每一點(diǎn)都是最優(yōu)解。然而，RLS算法的算法復(fù)雜度較高，與信道長度的平方呈正比。

由于水聲信道多徑時(shí)延較長，可達(dá)幾十ms，信道長度可擴(kuò)展至幾十甚至上百個(gè)符號(hào)，這時(shí)使用RLS算法復(fù)雜度較高，雖然RLS算法性能較好，但在對(duì)實(shí)時(shí)性要求較高的系統(tǒng)中是不實(shí)用的。另一方面，雖然LMS算法有線性的復(fù)雜度，但是它在時(shí)變信道中的性能卻迅速衰退，達(dá)不到系統(tǒng)對(duì)性能的要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于，為了克服RLS均衡器復(fù)雜度較高的缺點(diǎn)，提供一種更為實(shí)用RLS-LMS聯(lián)合算法。

為了實(shí)現(xiàn)以上目的，本發(fā)明提供了一種基于RLS和LMS聯(lián)合算法的信道均衡方法，所述方法包含：

步驟101）采用RLS均衡算法基于訓(xùn)練數(shù)據(jù)訓(xùn)練均衡器的抽頭系數(shù)，直到均衡器達(dá)到收斂，輸出達(dá)到收斂時(shí)數(shù)據(jù)的軟判決信息和誤差信息，并假設(shè)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行第N_c次迭代時(shí)均衡器達(dá)到收斂；

其中，N_c≤M且M為訓(xùn)練數(shù)據(jù)的長度；

步驟102）迭代接收的用戶數(shù)據(jù)的第“j”位，并將迭代得到的誤差值加窗，計(jì)算固定長度的滑動(dòng)窗口內(nèi)的數(shù)據(jù)的平均誤差自相關(guān)估計(jì)；

其中，j的取值范圍為：[N_c+1,L]，L為接收端接收的用戶數(shù)據(jù)的總長度，且用戶數(shù)據(jù)包含訓(xùn)練數(shù)據(jù)和未知數(shù)據(jù)；

步驟103）將得到的平均誤差自相關(guān)的估計(jì)值與預(yù)先設(shè)置的閾值比較，選擇一種均衡算法，所述均衡算法包含：RLS均衡算法和LMS均衡算法；

步驟104）采用選中的均衡算法對(duì)第j位用戶數(shù)據(jù)進(jìn)行均衡，更新j=j+1，然后返回步驟102），直到接收的所有用戶數(shù)據(jù)均處理完成。

上述步驟101）進(jìn)一步包含：

步驟101-1）依據(jù)輸入矢量自相關(guān)矩陣的倒數(shù)與均衡器的觀測(cè)矢量得到增益向量值，然后再依據(jù)得到的增益向量值得到第i位訓(xùn)練數(shù)據(jù)的誤差值，最后再依據(jù)該位數(shù)據(jù)的誤差值更新均衡系數(shù)矩陣W，完成一次迭代操作；具體公式為：

e(i)＝s(i)-W^Hx

W＝W+ke(i)^*

其中，i表示接收端接收的用戶數(shù)據(jù)中的第i位訓(xùn)練數(shù)據(jù)，i的值小于等于N_c；P為輸入矢量自相關(guān)矩陣的逆；λ為均衡器的記憶因子，取值在0～1之間；x表示長度為N的均衡器的觀測(cè)矢量；k為Kalman增益向量；W為均衡器系數(shù)，e(i)表示第i位訓(xùn)練數(shù)據(jù)的誤差；

步驟101-2）依據(jù)每次迭代輸出的誤差e(i)判斷均衡器是否達(dá)到收斂，即計(jì)算MSE(i)＝10log₁₀(|e(i)|²)，當(dāng)連續(xù)兩次的差值“MSE(i)-MSE(i-1)”小于某個(gè)設(shè)定值時(shí)，判斷均衡器達(dá)到收斂，否則均衡器沒有收斂，返回步驟101-1）繼續(xù)對(duì)下一位訓(xùn)練數(shù)據(jù)進(jìn)行均衡或迭代。

上述步驟102）進(jìn)一步包含：

步驟102-1）依據(jù)如下公式計(jì)算對(duì)用戶數(shù)據(jù)的第j次迭代后得到的誤差與上一次迭代后得到的誤差的時(shí)間平均估計(jì)值：

p(j)＝βp(j-1)+(1-β)e(j)e(j-1)^*

其中，β為控制誤差自相關(guān)估計(jì)的質(zhì)量的變量，且其取值在0～1之間，p(j)的初始值為0，e(j)表示接收的用戶數(shù)據(jù)的第j位數(shù)據(jù)的估計(jì)誤差；

步驟102-2）將得到的時(shí)間平均值在一個(gè)設(shè)定長度為M的滑動(dòng)窗口中進(jìn)行平均，進(jìn)而得到平均誤差自相關(guān)的估計(jì)值，公式如下：

其中，M為滑動(dòng)窗口的長度；p_w(j)為第j次迭代產(chǎn)生的平均誤差自相關(guān)的估計(jì)。

上述步驟103）依據(jù)如下公式選擇均衡算法：