[發明專利]一種基于NARX神經網絡與塊狀反饋的信道均衡方法

有效

• 申請號: 201910029487.9
• 申請日: 2019-01-13
• 公開（公告）號: CN109905337B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 聞旭;鐘杰
• 申請（專利權）人: 浙江大學
• 主分類號: H04L25/03
• 分類號: H04L25/03;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜;邱啟旺

本發明公開了一種基于NARX神經網絡與塊狀反饋的信道均衡方法，該方法基于時間序列的NARX神經網絡和判決反饋結構，構建了適用于存在碼間干擾及頻率選擇性衰落信道的均衡器，利用反向傳播算法訓練得到最優參數；使用塊狀判決輸出作為訓練集對神經網絡進行再訓練，跟蹤信道的變化；對MSE損失函數添加誤差權重，減小錯誤均衡輸出對神經網絡再訓練的影響。本發明具有自適應性，適用的信道環境更廣，能夠提升神經網絡在時變信道的均衡性能，并且具有較低復雜度。

技術領域

本發明涉及通信技術領域，尤其涉及一種數字通信系統中的基于NARX神經網絡與塊狀判決反饋的信道均衡方法。

背景技術

信道均衡是指為了提高衰落信道中的通信系統的傳輸性能而采取的一種抗衰落措施。它主要是為了消除或者是減弱寬帶通信時的多徑時延帶來的碼間串擾(Inter-symbol Interference，ISI)問題。其機理是對信道或整個傳輸系統特性進行補償，針對信道恒參或變參特性，數據速率大小不同，均衡有多種結構方式，大體上分為兩大類：線性與非線性均衡。

作為傳統信道均衡方法的有效補充，基于神經網絡的信道均衡方案也越來越受到重視。神經網絡(Neural Network,NN)是一門重要的機器學習(Machine Learning,ML)技術。神經網絡是一種模擬人腦的神經網絡以期能夠實現類人工智能的機器學習技術。常用于對函數進行估計或近似及模式學習。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統，通俗的講就是具備學習功能。近些年來，基于神經網絡的圖像處理、自然語言處理、醫學數據處理等研究方向都取得了重大的突破和成果。由于神經網絡的自我學習能力和強大的函數擬合能力，在通信領域該技術也有重要的應用空間。目前基于支持向量機、自編碼器等模型技術都在通信領域有較多的研究。帶有外部輸入的非線性自回歸神經網絡(NonlinearAutoregressive Network with Exogenous Inputs,NARX)是一種動態遞歸神經網絡，它是帶有輸出時延反饋的多層神經網絡。

通信系統主要分為發送端、信道和接收端，根據不同的應用場景，通信信道具有不同的特性，并對通信信號的傳輸造成影響。瑞利信道是模擬無線通信信道中，電磁波經過反射折射散射等多條路徑傳播到達接收機，總信號的強度服從瑞利分布。同時由于接收機的移動及其他原因，信號強度和相位等特性又在起伏變化，稱為瑞利衰落。且瑞利信道模型下接收到的信號中不存在發射機直射到接收機的信號，只有經過信道中的障礙物反射等路徑到達接收機的信號。如果收到的信號中除了經反射折射散射等來的信號外，還有從發射機直接到達接收機如從衛星直接到達地面接收機的信號，那么總信號的強度服從萊斯分布，稱為萊斯衰落信道模型。

通信系統中的信道模型如圖1所示，發送端的信息比特流m經過信道編碼器編碼形成碼字，然后經過調制器生成發送符號x，在實際系統中還會經過濾波器、功率放大器等之后經由天線或其他發送端器件將信號發送至傳輸介質即通信信道h。經由信道傳輸后，在接收端接收到信號y，均衡器會根據信道特征對接收信號進行處理，最大可能地恢復原始發送信號，均衡器恢復的信號記為經由解調器后的數據流進入到譯碼器進行譯碼，譯碼器會去掉附加的冗余信息，并實現糾錯功能，恢復出的比特流記為

發明內容

本發明的目的是區別于傳統的信道均衡技術，提供一種基于具有輸出時延反饋的非線性自回歸神經網絡(NARX)的判決反饋信道均衡方法，均衡使用塊狀訓練序列訓練和塊狀判決反饋再訓練的方案。本發明能夠利用神經網絡在多徑、頻率選擇性衰落信道等復雜信道下實現良好的均衡效果。

本發明的目的是通過以下技術方案實現的：一種基于NARX神經網絡與塊狀反饋的信道均衡方法，該方法包括以下步驟：

(1)構建實值NARX神經網絡-判決反饋均衡器(RVNARX-DFE)，具體如下：