一、盲均衡技术及其应用(论文文献综述)
杜子俊[1](2021)在《基于锦标赛选择的混沌人工蜂群算法的水声信道盲均衡研究》文中研究指明海洋强国竞争是当前海洋科技发展的国际大背景,也是我国的基本国策。海洋信息传输是获取海洋信息、实施海洋观测、科学考察的关键技术。声波是目前唯一可以实现水下中远距离传播的物理载体,因此获取水下数据的主要途径需要依靠水声通信技术。而海洋中的水声信道则属于极其复杂的随机信道,频带窄且传输效率低下。水声信道的时变性及多径度的时延效应导致信道产生了时间、频率等选择性的衰落,从而使得通信信号经过该信道传输后会发生严重的串扰。传统的自适应均衡技术能够有效抑制多径效应导致的通信不佳的状况,但由于需要周期性发送训练序列,占用了本不富裕的信道资源,降低了通信效率。盲均衡技术因不需要通过重复发送训练序列以获取信道特性,大大提高了通信过程中对带宽的使用效率。然而传统盲均衡技术存在稳态误差大、收敛速度慢、容易陷入局部最小等缺点。因此,本文提出一种基于锦标赛选择的混沌人工蜂群算法(Tou rnament-selection of Chaotic Artificial Bee Colony Algorithm,TCABC)用以优化水声通信盲均衡技术。本文主要完成了以下工作内容:(1)提出一种锦标赛选择的混沌人工蜂群算法。通过混沌矩阵对种群进行初始化,提高了种群的丰富性,防止算法陷入局部最优;进一步对产生的新一代种群进行高斯扰动,提升种群的多样性,防止算法陷入局部最小化;最后利用锦标赛选择算法计算跟随蜂选取引领蜂的概率,提高了算法的全局信息利用率,避免了早熟现象。(2)利用锦标赛选择的混沌人工蜂群算法对常模盲均衡技术(Constant Mo dulus Algorithm,CMA)进行改进。将均衡前后信号的均方误差值作为TCABC算法的代价函数,CMA的初始权值作为算法的所求蜜源,将最后输出的全局最小值作为均衡器的新初始抽头系数,从而优化CMA盲均衡算法。(3)仿真验证TCABC算法以及基于锦标赛选择的混沌人工蜂群算法的盲均衡技术(Tournament-selection of Chaotic Artificial Bee Colony Algorithm-CM A,TCABC-CMA)的有效性。本文首先基于六种基本测试函数,将锦标赛选择的混沌人工蜂群算法与传统蜂群算法、粒子群算法、布谷鸟算法、萤火虫算法以及差分进化算法进行优化仿真测试对比,证明所提算法的有效性。然后将TCAB C-CMA算法与改进前的人工蜂群盲均衡算法(Artificial Bee Colony AlgorithmCMA,ABC-CMA)进行信号均衡仿真对比,进一步验证本文所提TCABC-CMA算法在信道均衡方面的应用价值。研究表明TCABC算法在寻优速率上明显优于其他五种算法,且适用性大大提高。将锦标赛选择的混沌人工蜂群算法应用于水下信道盲均衡算法后,在收敛速度基本不变的情况下,均方误差明显降低,有效改善了星座图收敛精度,大大提升了盲均衡技术的有效性。
姜宁[2](2020)在《基于广度增强型烟花算法的水声信道盲均衡优化研究》文中认为海洋强国竞争是当前海洋科技发展的国际大背景,海洋信息技术是海洋强国战略的前提和基础。然而,海洋水声信道因时变性与多径效应严重,存在严重码间干扰,影响通信质量。在水声通信中引入盲均衡技术可有效补偿水声信道的非理想特性,克服码间干扰,减小误码率,提高水声通信质量。但传统盲均衡技术存在收敛速度慢,稳态误差大等缺点,本文提出一种广度增强型烟花算法(Breadth Enhanced Fireworks Algorithm,BEFWA)用于优化恒模盲均衡(Constant Modulus Algorithm,CMA)技术。主要研究内容包括以下三方面:1.提出一种广度增强型烟花算法,提高了种群个体的随机性和均匀性,同时保证了种群多样性,避免陷入局部最优。烟花算法是一种群体智能优化算法,具有求解复杂问题全局最优解的能力,且效率较高,但存在收敛速度慢、稳定性差等缺陷。因此,本文提出一种广度增强型烟花算法,记为BEFWA算法,其创新性如下:(1)基于佳点集方法初始化初始种群,提高种群随机性和均匀性;(2)在烟花下一代种群的选择上,为合理利用其他适应度好的烟花位置信息以平衡局部和全局搜索能力,提出两种选择策略:广度优先选择策略和优度优先选择策略,不仅提高了算法的搜索效率,还提高了算法的收敛速度;(3)通过对选择后的烟花进行高斯扰动,进一步增加了种群多样性,避免陷入局部最优。2.将广度增强型烟花算法用于优化恒模盲均衡技术,既提高了算法收敛速度,增强了算法稳定性,又减少了均衡前后的均方误差,改善了均衡效果。CMA算法采用随机梯度下降法求解代价函数最小值得到均衡器的权值,而初始权向量会直接影响整个算法的收敛性,因此,本文提出基于广度增强型烟花算法的CMA盲均衡优化方法,记为BEFWA-CMA算法,将均衡后信号和理想无噪声信号之间的均方误差作为广度增强型烟花算法的适应度函数,基于BEFWA-CMA算法优化均衡器初始权向量。该算法充分利用广度增强型烟花算法全局随机搜索能力强、收敛速度快的特点,降低了CMA算法陷入局部收敛的可能性,从而加快了算法的收敛速度,降低了算法的稳态误差,改善了均衡效果,大大提升了盲均衡技术的实时性。3.利用Matlab软件仿真了所提出的BEFWA算法及BEFWA-CMA算法的性能。本文基于八种标准测试函数对所提广度增强型烟花算法与烟花算法(Fireworks Algorithm,FWA)、人工蜂群算法(Artificial Bee Colony Algorithm,ABC)、灰狼算法(Grey Wolf Optimization Algorithm,GWO)进行仿真对比。仿真结果表明,BEFWA在收敛速度及稳定性上均优于其他三种优化算法,特别在收敛速度上提高了50%,更适用于优化CMA的初始权向量。将广度增强型烟花算法用于与水下信道盲均衡算法结合后多项指标均有提升。BEFWA-CMA与CMA进行仿真对比,结果表明BEFWA-CMA的输出星座图比CMA的更加紧凑清晰,即新算法有更低的误码率;将BEFWA-CMA分别与FWA-CMA、ABC-CMA及GWO-CMA进行仿真对比发现,BEFWA-CMA收敛速度提高25%以上,且BEFWA-CMA在不同信噪比下收敛后的均方误差均比其他三种算法低,表明均衡效果更好。
李媛[3](2020)在《极限学习机在线盲均衡算法研究》文中研究指明均衡技术可以有效地改善多径效应和信道畸变对通信质量的影响,主要有两类:自适应均衡技术和盲均衡技术。前者虽可以有效地消除多径效应造成的码间干扰,但却需要不停地发送训练序列,造成有效频谱的浪费。而盲均衡技术能够不借助训练序列,仅利用接收序列本身的先验信息,便可实现信道均衡,因此逐渐引起研究人员的广泛关注。其中,神经网络盲均衡方法因其良好的非线性映射能力而成为解决盲均衡问题的重要研究方向之一。极限学习机(Extreme Learning Machine,ELM)是新型的单隐层前馈神经网络,不仅继承了神经网络良好的泛化能力,而且具有结构简单,运行速度快的独特优点。然而目前基于极限学习机的盲均衡算法研究甚少,且研究成果属于批量训练算法,无法满足实时通信系统的需求。对此,本文提出了基于在线序列极限学习机的常模算法(OS-ELM-CMA)和基于递归最小二乘法的极限学习机在线盲均衡算法。主要贡献如下:(1)在深入研究极限学习机及其相关算法的基础上,提出了基于在线序列极限学习机的常模算法(OS-ELM-CMA),该算法将正则化极限学习机(Regularized Extreme Learning Machine,RELM)的代价函数引入在线序列极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)的模型中,结合常模算法(Constant Modulus Algorithm,CMA)的误差函数构造代价函数,通过迭代重加权最小二乘(Iterative Re-Weighted Least Square,IRWLS)法迭代求解OS-ELM初始学习阶段的输出权值。OS-ELM-CMA在学习过程中可以逐个或者逐块添加数据,满足了在线盲均衡的需求。仿真实验证明,相较于传统的CMA和基于迭代求解的正则化极限学习机常模算法,本文提出的OS-ELM-CMA不仅实现了在线盲均衡,而且具有更低的均方误差(Mean Square Error,MSE)值。(2)针对OS-ELM初始学习阶段需要批量数据训练网络的缺点,为了实现完全意义的在线盲均衡,针对常模信号和多模信号分别提出了基于递归最小二乘(Recursive Least Squares,RLS)法的极限学习机常模算法(ELM-RLS-CMA)和基于递归最小二乘法的极限学习机多模算法(ELM-RLS-MMA)。此外,针对非线性卫星信道设计了盲均衡实验,以验证ELM不同参数的选取对算法性能的影响以及两种算法针对QPSK常模信号和16QAM多模信号表现出的性能差异,实验结果表明,ELM-RLS-MMA不仅具有和ELM-RLS-CMA相当的性能,还可以解决相位偏转问题。(3)为了充分证明提出的ELM-RLS对于盲均衡问题的解决能力,进一步在预测原理盲均衡的框架下,将ELM作为非线性误差滤波器,利用RLS训练输出权值,并采用自动增益装置和旋转因子实现了QAM信号的在线盲均衡。通过仿真实验证明,针对16QAM信号,ELM-PEF和ELM-RLS-MMA性能相当,具有良好的均衡能力,均可以解决相位偏转问题。
范云婷[4](2020)在《基于信道估计及其利用的辐射源聚类算法研究》文中进行了进一步梳理辐射源信号分选是现代电子战中电子侦察的关键技术。辐射源信号分选是指将侦收到的电磁信号按照所属的辐射源进行分类。目前通常利用信号特征参数来实现辐射源信号分选,但事实上来自不同辐射源的电磁信号所含的信道特征同样具有较大差异。本文研究基于信道特征差异的辐射源智能分选方法,该方法分为两步:首先对电磁信号的信道特征进行提取,然后利用聚类技术对提取到的信道特征进行聚类从而实现辐射源信号的分选。针对本文提出的新思路,本文的主要研究内容分为两部分:一是精确提取信道特征的方法,二是研究聚类技术,将提取到的信道冲击响应作为对象开展对聚类算法的研究。针对上述研究内容,本文的主要研究工作如下:1.基于信道特征差异的辐射源智能分选技术方案概述。针对传统方法的不足,提出了基于信道特征差异实现辐射源智能分选的处理新流程。对研究问题进行了详细的阐述,建立了问题的模型,分析了研究内容中的关键问题和技术难点。提出了基于信道特征差异实现辐射源智能分选的总体方案。2.基于截获信号的信道冲击响应盲估计。本文研究的盲信道估计问题有两大难点:一是没有训练序列,二是不知晓包含信号样式、码等任何先验信息。本文通过对盲信道估计技术的研究,选定了一种盲均衡算法,能够在非合作接收条件下实现信道均衡。在此基础上,研究了一种基于盲均衡算法的信道特征提取方案。该方案在仿真实验中和实测试验下均能有效提取出信道冲击响应。当信噪比在10d B以上时,该方案提取的信道冲击响应达到了较高的准确率。3.基于信道冲击响应的辐射源聚类分析。研究了目前常用的几类聚类算法的工作原理、适用条件和优缺点。基于本设计的目标需求和信道冲击响应数据集的特点,选择了DBSCAN、BSAS两种聚类算法来进行辐射源信号的分选。这两种算法均在仿真实验中取得了较高的分选正确率。后续结合仿真实验结果讨论了两种算法的分选效果、优缺点以及参数选择对分选结果的影响。4.基于实测系统的辐射源智能分选试验验证。本文基于Yun SDR平台设计了实测试验,在此基础上,提出了一种基于实测系统的辐射源智能分选方案。通过实测试验,验证了该方案的有效性。该方案在已测的试验中均取得了较高的分选正确率。最后通过试验分析验证了引起信道改变的因素,给出了本方案的适用范围和限制条件。
李晨明[5](2020)在《非合作通信中的盲均衡技术研究》文中认为在高速发展的信息化时代,在高速发展的信息化时代,非合作通信广泛应用于军事通信的电子对抗和政府机关的监听等领域。信号在无线环境传输时,多径效应和信道带宽会造成码间干扰,并且在非合作通信中,接收端对发送端的码元周期、载波频率、训练序列等先验信息是未知的,这时无法使用训练序列,则需要盲均衡技术对信道进行校正。因此,研究盲均衡技术对非合作通信的发展有着重要意义。本文的主要研究工作如下:本文首先对引入动量项的盲均衡算法可以加速收敛速度的原理进行了分析,同时针对传统CMA算法中采用固定步长时收敛速度快慢与稳态误差大小相互矛盾的问题,提出了一种基于Tansig函数变步长的改进恒模(CMA)盲均衡算法,该方法在传统的CMA算法基础上加入了动量因子并对均方误差(MSE)进行了平滑滤波,然后再通过改进的Tansig函数来控制步长因子。经过仿真验证后,改进的算法在收敛速度有了一定程度的提升。进一步将变步长的思想引入到MMA算法中并加入分数间隔采样。经过仿真验证后,改进的算法星座点聚敛程度非常高,在达到相同的剩余码间干扰时相比于改进的变步长MMA+DD的双模均衡算法要提升3000左右次迭代。其次,由于在非合作通信中对信号发端先验信息是未知的,即使信号经过了载波恢复算法,仍然是无法完成完美的同步,还有剩余的载波偏差,针对存在剩余载波偏差的盲均衡问题,本文利用CMA算法对载波频偏模糊的特点,提出了将改进的CMA算法与锁相环路相结合的结构,改进的算法采用改进的CMA算法作为环路中的均衡模块,利用DD相位检测算法得到的相位误差对均衡器进行补偿,实现了存在载波频偏下的盲均衡方法,经仿真验证改进的CMA算法与锁相环路相结合相比于传统的CMA算法与锁相环路相结合可以使环路收敛速度提高700左右个符号点数,并且改进的算法的星座图聚敛的更加紧密。最后,在使用Gardner同步算法进行定时恢复时,需要准确知道发送信号的码元周期,但是在非合作通信中发送端符号率是未知的,虽然经过一些符号率估计算法,但是仍会有剩余偏差,这时会使算法出现采样偏差的问题,造成大量的码间干扰,针对存在采样偏差的的盲均衡问题,本文利用了采样频率与盲均衡的稳态误差成正比例的特性,提出了利用盲均衡稳态误差反馈调整采样频率的方法,此方法首先采用初始采样频率进行采样,得到均衡稳态误差后,再利用稳态误差的大小来调整采样频率,经仿真验证此方法在存在0.1%以内的采样偏差时仍然可以达到良好的均衡效果。
王旭光[6](2018)在《α稳定分布噪声环境下MIMO系统盲均衡算法研究》文中提出多输入和多输出(Multiple Input&Multiple Output,MIMO)系统已经广泛应用于现代通信领域。由于存在着多径干扰以及多用户干扰,在MIMO系统的接收端存在着严重的码间串扰ISI,盲均衡技术能够有效减少ISI。传统的盲均衡算法研究是在高斯噪声环境下进行的,然而,复杂电磁环境下通信信道的噪声具有显着的脉冲特性,这类噪声更适合以α稳定分布来描述。研究发现,在脉冲噪声环境下,基于高斯噪声假设的盲均衡方法的性能会有明显下降。所以,在α稳定分布噪声环境下开展MIMO系统盲均衡技术研究是很有必要的。本文主要研究α稳定分布噪声环境下MIMO系统的盲均衡问题,已做的具体工作如下:研究了α稳定分布的定义,并讨论α稳定分布的三种特例。在α稳定分布噪声环境下观察传统盲均衡算法的均衡效果,通过仿真比较发现,由于噪声的脉冲特性,传统方法在此环境中性能严重下降。提出了基于改进布谷鸟算法的分数低阶盲均衡算法。针对基础布谷鸟算法(Cuckoo Search,CS)具有收敛速率慢,寻优效率低的问题,我们将椋鸟群行为和自适应发现概率机制引入其中,提出了一种改进布谷鸟算法(SCS),并有效提升了CS算法的性能。然后将SCS算法应用于α稳定分布噪声下的盲均衡技术。仿真表明,基于SCS算法的新盲均衡算法能够有效加快收敛速率并降低稳态误差。针对基于余弦代价函数的盲均衡算法(CCF)在脉冲噪声环境下稳态误差大的缺点,本文提出了一种自适应分数低阶盲均衡算法VSS-FLOSCCF,在保持稳态误差足够小的前提下加快了收敛速率。为了进一步平衡收敛速度与稳态误差之间的矛盾,将凸组合思想与该算法结合,提出了一种均衡器并联结构盲均衡算法,有效降低了稳态误差。构建了MIMO系统盲均衡仿真平台,将前文提出的算法应用于MIMO系统中,并在仿真平台中加以验证。
邢登科[7](2018)在《基于MIMO均衡的轨道角动量复用系统抗干扰研究》文中进行了进一步梳理近些年来,轨道角动量(OAM)复用技术作为一种全新的复用技术逐渐走进了人们的视野。利用不同拓扑荷的OAM模态之间互相正交的特点,研究者把OAM光束作为一种信息载体应用于复用技术之中,实现信息的有效传输,大幅度提高了信道容量和频谱效率。然而在实际应用中,传输信道中的干扰破坏了不同拓扑荷的OAM模态之间的正交性,使得能量会向拓扑荷数相近的OAM模态扩散,从而造成了模间串扰,影响了系统的性能,所以如何抑制OAM复用系统中的模间串扰成为OAM光通信中的一个研究热点。针对这个问题,本文首先对OAM复用系统中的模间串扰进行分析,然后采用多输入多输出(MIMO)均衡算法来抑制模间串扰,最后结合仿真结果分析了MIMO均衡对于模间串扰的抑制效果,对均衡前与均衡后的系统性能进行了比较。本文的主要内容如下:(1)介绍OAM复用系统的有关概念,借助Optisystem与MATLAB仿真软件搭建了自由空间与光纤信道OAM复用系统,并对两种不同信道的OAM复用系统的模间串扰进行了理论研究和模拟仿真。(2)提出并实现了独立成分分析(ICA)算法对OAM复用系统的串扰抑制。ICA算法是MIMO均衡算法中的一种,可以有效的实现信号的分离。本文以极大化非高斯性为判据建立目标函数,采用梯度下降法作为优化算法,将ICA算法分别应用到自由空间OAM复用系统和光纤信道OAM复用系统中,实现混合信号的分离,从而降低了模间串扰对系统的影响。仿真结果表明ICA算法可以有效的抑制模间串扰,提高了系统的性能。(3)针对传统ICA算法中迭代步长固定的问题,提出并实现了CSO-ICA算法。本文将CSO算法作为ICA算法的优化算法,使得改进的ICA算法可以自适应的调整迭代步长,从而提高了算法的迭代速度。通过仿真实现了CSO-ICA算法对自由空间与光纤信道OAM复用系统的模间串扰的抑制,结果表明,CSO-相较于传统ICA算法,CSO-ICA算法的迭代速度提高了一个数量级。在模间串扰的抑制效果上,两种算法性能相近。
王聪[8](2018)在《卫星通信中接收机均衡技术研究》文中研究说明卫星通信系统中,为了充分提高频谱效率,往往使功率放大器工作于饱和点附近,这时功放呈现非线性特性,使得传输的信号产生相位旋转和幅度畸变,降低通信系统的传输质量。如果不加以补偿,将对卫星通信系统的性能造成严重的影响。本文研究了基于非线性记忆信道的均衡技术,对接收端失真信号进行理想恢复,具体内容如下:(1)以Volterra级数为信道模型,提出了基于最小均方误差的Turbo均衡技术。严格遵循“独立于对应符号的先验信息”的准则,提取均衡器输出的外信息,与译码器进行多次迭代交互,抵消信道非线性和记忆特性的影响,实现接收端失真信号的恢复。基于此,研究了无先验条件下的接收机和频域迭代均衡算法,保证均衡性能的同时,显着降低均衡算法的复杂度,并对基于软干扰消除-最小均方误差准则的迭代均衡算法进行分析。(2)为了提高信道的利用率,并且参考实际传输时信道特性未知的情况,研究了基于Volterra模型的盲均衡算法。利用信道逆特性的拟合原则结合盲均衡算法分析了传统的Volterra均衡器。考虑到运算复杂度的问题,将单模块更新均衡器权系数的Volterra均衡器输出数学转换为非线性模块与线性模块级联的形式,使时间复杂度由o(N3)降为o(N2),有利于信号的实时处理,并通过仿真验证改进的均衡算法的性能。同时,为加快接收端均衡器的收敛速度,研究了指数型变步长均衡算法,并进行仿真验证,结果表明指数型变步长盲均衡算法能明显加快收敛速度。
阮睿[9](2015)在《脉冲噪声环境下的稀疏水声信道盲均衡算法研究》文中研究说明随着海洋资源开发与海洋国土防卫需求,水声通信得到了世界各国的关注,可靠和高质量的水声通信信号接收技术成为水声通信领域中的热点研究问题。近年研究表明,水声信道环境噪声常表现出脉冲特性,且高速水声通信信道具有典型稀疏特征。脉冲环境噪声和稀疏特性成为盲均衡技术在水声通信中应用的技术瓶颈,本文针对水声信道受脉冲噪声影响和稀疏特性的实际,在现有的研究基础上,提出相应的若干改进算法,同时对改进算法进行仿真验证。水声信道条件下的大量仿真处理结果表明,研究所得到的各类改进算法均在一定程度上提高了算法收敛的稳健性,并且具有较好的均衡性能。本论文研究的主要内容包括:1、概述了盲均衡技术的选题背景和研究现状以及实现过程的基本原理,论述了盲均衡的三大均衡准则,总结了常数模盲均衡基本算法,并对典型盲均衡器结构做了介绍。2、简述了脉冲噪声的表示模型,对脉冲噪声环境下的典型算法归一化p范数LMS-CMA和误差非线性变换LMS-CMA进行了分析,同时进行了计算机仿真。在此基础上,提出了符号梯度LMS-CMA、方向梯度LMS-CMA和非线性变换代价函数LMS-CMA等盲均衡改进新算法,通过计算机仿真证明了它们的可行性。3、对现有稀疏信道条件下的常数模盲均衡算法进行算法性能分析,同时通过计算机仿真证明了线性横向均衡器的稀疏LMS-CMA盲均衡、线性横向均衡器的稀疏RLS-CMA盲均衡和基于判决反馈均衡器的稀疏信道盲均衡的有效性。
吴珊[10](2014)在《果蝇优化小波盲均衡算法研究》文中研究指明目前,国内外对果蝇优化算法及其应用的研究成果较少,也还未发现有关于小波变换理论、果蝇优化算法和各类盲均衡算法相融合后应用于水声通信领域的研究报道。本文在深入地研究了果蝇优化算法的基础理论知识之后,将新颖的果蝇算法引入盲均衡技术之中来优化均衡器的性能,并且在分析了果蝇优化算法具有的优势和劣势的基础之上,结合当前热点新技术、新理论-模拟退火思想、小波变换理论和协同进化策略,对果蝇优化算法进行了改进,将改进后的新算法尝试应用于水声通信盲均衡技术中以达到进一步优化算法的均衡性能来实现提高水声信号传输效率的研究目的。本课题研究具体完成了以下工作:1.果蝇优化的小波盲均衡算法传统常数模盲均衡算法被广泛应用于水声通信领域,它是通过利用随机梯度下降的搜索方式来调整均衡器系数的,这种搜索方式不仅容易导致CMA陷入局部寻优,无法准确找到全局极值点而且还对均衡器的代价函数有连续、可导的要求。果蝇优化算法具有很强的全局搜索能力,将果蝇优化算法引入CMA中提出了果蝇优化小波盲均衡算法,可避免传统CMA搜索方法存在的缺陷,正交小波变换可抑制信号之间自相关性。2.果蝇优化的小波自适应软约束常模盲均衡算法均衡复杂的水声信道时传统常模盲均衡算法收敛速度很慢、稳态误差也比较大。自适应软约束常模盲均衡算法的均衡效果优于CMA,处理水声信号时收敛速度明显快于CMA、稳态误差也相对较小,但SCS-CMA搜索最优权向量的方式仍和常数盲均衡相同,都采用的随机梯度下降法,常易陷入局部收敛。果蝇优化小波自适应软约束常模盲均衡算法是在SCS-CMA中融入果蝇优化算法和小波变换理论,运用正交小波变换预处理均衡器的输入信号来达到去除噪声和降低输入信号自相关性的作用,运用果蝇优化算法求解均衡器的代价函数,并用SFOA迭代搜索所得的最优权向量初始化均衡器,该算法的均衡效果明显优于CMA。3.模拟退火-果蝇混合算法优化小波广义自适应多模盲均衡算法一般来说,我们在盲均衡技术中运用多模盲均衡算法来处理高阶QAM信号,而传统多模盲均衡算法的均衡效果越来越不能满足日益增长的实际应用的需求。针对MMA和果蝇算法存在的缺点,本文提出了模拟退火-果蝇混合算法优化小波广义自适应多模盲均衡算法。这种新的算法结合模拟退火这一新技术与果蝇算法两者的优势,利用局部搜索能力强的模拟退火技术解决果蝇优化算法搜索复杂的大规模空间时易陷入局部收敛的问题。模拟退火-果蝇混合优化算法能够精确快速地找到最优权向量,加快算法的稳定收敛速度,降低稳态误差。使用正交小波对均衡器的每路输入信号进行分解来除噪去信号的相关性,进一步改善了广义离散自适应多模盲均衡器的性能,新算法更能有效地均衡高阶QAM信号。4.小波盲均衡多果蝇群协同优化算法(1)多果蝇群协同优化算法果蝇优化算法的寻优精度不高,当寻优复杂搜索区域时,搜索性能较低,收敛速度较慢。针对果蝇优化算法存在的不足,在SFOA中引入协同进化思想,提出了多果蝇群协同优化算法。新算法利用并行拓扑的进化结构和正反反馈的信息共享方式来协同指导整个系统的进化。搜索时,将多个果蝇群作为独立进化的群体在同时进行搜索中也相互跟踪对方的全局最优解。通过共享对各个果蝇群各自的寻优结果进行评价所得的群体当前最优解来指导各个种群在独立进化的同时协同进化,直至获得最优解。(2)多果蝇群协同优化小波常模盲均衡算法应用多果蝇群协同优化算法至盲均衡算法中,在CMA的基础上融入多蝇协同的果蝇优化算法寻找最优权向量初始化均衡器,正交小波变换理论消噪、减小信号间存在的自相关性。该算法均衡信号的效果更好。(3)多果蝇群协同优化小波多模盲均衡算法针对CMA均衡信号时相位模糊、误差大、处理高阶QAM信号均衡效果差等不足和果蝇优化算法所存在的缺陷,分析了可有效纠正信号相位旋转、适用于高阶信号均衡的多模盲均衡算法的原理,将其与搜索能力强的多果蝇群协同优化算法和抑制信号相关性强的小波变换相结合,提出了一种新算法-多果蝇群协同优化小波多模盲均衡算法。
二、盲均衡技术及其应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、盲均衡技术及其应用(论文提纲范文)
(1)基于锦标赛选择的混沌人工蜂群算法的水声信道盲均衡研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 信道均衡研究现状 |
1.2.2 水声信道均衡研究现状 |
1.2.3 基于智能优化算法的盲均衡研究现状 |
1.3 论文研究内容与组织结构 |
1.3.1 论文主要研究内容 |
1.3.2 论文的组织结构 |
1.4 本章小结 |
2 水声信道盲均衡技术 |
2.1 水声通信的信道特性 |
2.1.1 声波的传播损失 |
2.1.2 海水中的声速变化及影响因素 |
2.1.3 海洋环境噪声 |
2.1.4 水声通信的多径效应 |
2.1.5 水声通信的多普勒效应 |
2.2 盲均衡技术 |
2.2.1 盲均衡器的基本概念及分类 |
2.2.2 盲均衡器的结构 |
2.2.3 盲均衡的性能衡量指标 |
2.3 常数模算法(CMA) |
2.3.1 常数模算法概念 |
2.3.2 常数模算法原理介绍 |
2.3.3 常数模算法仿真 |
2.4 本章小结 |
3 锦标赛选择的混沌人工蜂群算法 |
3.1 人工蜂群算法 |
3.1.1 人工蜂群算法的研究现状 |
3.1.2 人工蜂群算法的生物特性 |
3.1.3 人工蜂群算法的算法描述 |
3.1.4 人工蜂群算法的基本步骤 |
3.1.5 人工蜂群的算法特点 |
3.2 锦标赛选择的混沌人工蜂群算法 |
3.2.1 标准人工蜂群算法的不足 |
3.2.2 Chebyshev混沌映射种群初始化 |
3.2.3 锦标赛选择机制 |
3.2.4 新一代种群的高斯扰动 |
3.3 实验仿真 |
3.3.1 仿真环境 |
3.3.2 仿真测试函数 |
3.3.3 仿真参数设置 |
3.3.4 实验结果分析 |
3.4 本章小结 |
4.基于TCABC算法的盲均衡技术 |
4.1 CMA算法的不足 |
4.2 TCABC-CMA算法原理 |
4.3 TCABC-CMA算法步骤 |
4.4 实验仿真与结果分析 |
4.5 本章小结 |
5.水声通信平台的搭建与测试 |
5.1 软件系统设计 |
5.1.1 Costas环载波同步 |
5.1.2 Gardner算法位同步 |
5.2 硬件系统设计 |
5.2.1 硬件系统模型 |
5.2.2 硬件参数介绍 |
5.3 系统测试 |
5.3.1 测试环境介绍及参数设置 |
5.3.2 测试结果分析 |
5.4 本章小结 |
6.总结和展望 |
6.1 工作总结 |
6.2 未来的工作与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(2)基于广度增强型烟花算法的水声信道盲均衡优化研究(论文提纲范文)
摘要 |
abstract |
1 前言 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 国内外信道均衡技术研究现状 |
1.2.2 国内外信道盲均衡技术研究现状 |
1.3 算法性能评价基准 |
1.4 论文的研究内容与组织结构 |
1.4.1 论文主要研究内容 |
1.4.2 论文的组织结构 |
2 水声信道均衡技术 |
2.1 多径信道模型 |
2.1.1 水下信道特性 |
2.1.2 水声信道仿真模型 |
2.2 均衡器的分类和结构 |
2.2.1 均衡器的分类 |
2.2.2 均衡器的结构 |
2.3 盲均衡技术 |
2.3.1 盲均衡技术等效基带模型 |
2.3.2 盲均衡迫零条件 |
2.3.3 理想均衡条件 |
2.3.4 算法性能及评价准则 |
2.4 本章小结 |
3 基于群体智能优化算法的水声信道盲均衡技术 |
3.1 人工蜂群算法 |
3.1.1 人工蜂群算法思想 |
3.1.2 人工蜂群算法描述 |
3.1.3 人工蜂群算法基本步骤 |
3.1.4 基于人工蜂群算法的水声信道恒模盲均衡算法 |
3.2 灰狼优化算法 |
3.2.1 灰狼优化算法思想 |
3.2.2 灰狼优化算法描述 |
3.2.3 灰狼优化算法基本步骤 |
3.2.4 基于灰狼优化算法的水声信道恒模盲均衡算法 |
3.3 蚁群算法 |
3.3.1 蚁群算法思想 |
3.3.2 蚁群算法描述 |
3.3.3 蚁群算法基本步骤 |
3.3.4 基于蚁群算法的水声信道恒模盲均衡算法 |
3.4 三种算法仿真对比 |
3.4.1 仿真实验参数设置 |
3.4.2 仿真实验结果分析 |
3.5 本章小结 |
4 广度增强型烟花算法 |
4.1 烟花算法 |
4.1.1 烟花算法思想 |
4.1.2 烟花算法描述 |
4.1.3 烟花算法基本步骤 |
4.1.4 烟花算法特点及研究现状 |
4.2 广度增强型烟花算法 |
4.2.1 烟花算法的不足 |
4.2.2 广度增强型烟花算法的初始化种群处理 |
4.2.3 广度增强型烟花算法的烟花选择策略 |
4.2.4 广度增强型烟花算法通过高斯扰动增加种群多样性 |
4.3 实验仿真 |
4.3.1 实验测试函数 |
4.3.2 实验平台 |
4.3.3 实验参数 |
4.3.4 实验结果分析 |
4.4 本章小结 |
5 基于广度增强型烟花算法的水声信道恒模盲均衡技术 |
5.1 恒模盲均衡技术基本原理 |
5.2 基于广度增强型烟花算法的水声信道恒模盲均衡技术 |
5.2.1 BEFWA-CMA算法原理 |
5.2.2 BEFWA-CMA算法步骤 |
5.3 算法仿真 |
5.3.1 仿真实验参数设置 |
5.3.2 仿真实验结果分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 未来工作与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(3)极限学习机在线盲均衡算法研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容与结构安排 |
第二章 盲均衡理论概述 |
2.1 盲均衡理论基础 |
2.1.1 盲均衡原理 |
2.1.2 盲均衡准则 |
2.2 盲均衡分类 |
2.2.1 Bussgang类盲均衡算法 |
2.2.2 基于高阶统计量的盲均衡算法 |
2.2.3 非线性盲均衡算法 |
2.3 盲均衡评价标准 |
2.4 本章小结 |
第三章 基于在线序列极限学习机的常模算法 |
3.1 极限学习机理论 |
3.2 在线序列极限学习机(OS-ELM) |
3.3 基于在线序列极限学习机的常模算法 |
3.4仿真实验 |
3.4.1 实验设计 |
3.4.2 实验结果分析 |
3.5 本章小结 |
第四章 基于递归最小二乘的极限学习机在线盲均衡算法 |
4.1 最小均方算法和递归最小二乘算法 |
4.1.1 最小均方(LMS)算法 |
4.1.2 递归最小二乘(RLS)算法 |
4.2 基于递归最小二乘的极限学习机在线盲均衡算法 |
4.2.1 基于RLS的极限学习机常模算法 |
4.2.2 基于RLS的极限学习机多模算法 |
4.3仿真实验 |
4.3.1 参数设置对算法性能的影响 |
4.3.2 两种在线盲均衡算法的性能对比 |
4.4 本章小结 |
第五章 基于预测原理的极限学习机在线盲均衡算法 |
5.1 基于预测原理的盲均衡算法 |
5.2 基于预测原理的极限学习机在线盲均衡算法 |
5.3仿真实验 |
5.3.1 参数设置对算法的影响 |
5.3.2 算法性能对比 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(4)基于信道估计及其利用的辐射源聚类算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景和意义 |
1.2 国内外研究历史和现状 |
1.3 本论文的结构安排 |
第二章 基于信道特征差异的辐射源智能分选技术方案概述 |
2.1 研究问题描述 |
2.2 模型与关键技术难点分析 |
2.2.1 问题模型 |
2.2.2 关键技术难点分析 |
2.3 技术方案 |
第三章 基于截获信号的信道冲击响应盲估计 |
3.1 无线信道特性 |
3.1.1 无线电波传播基本模式 |
3.1.2 无线信道衰落特性 |
3.1.3 无线多径信道数学模型 |
3.2 基于盲均衡算法的信道冲击响应提取方案 |
3.2.1 盲均衡算法原理 |
3.2.2 修正的常数模算法 |
3.2.3 信道冲击响应的提取 |
3.3 基于截获信号的信道冲击响应盲估计仿真实验 |
3.3.1 盲均衡算法仿真 |
3.3.2 信道冲击响应提取仿真实验 |
3.3.3 基于实际通信系统的信道冲击响应提取 |
3.3.4 基于MCMA算法的信道冲击响应提取正确率 |
3.4 本章小结 |
第四章 基于信道冲击响应的辐射源聚类分析 |
4.1 聚类技术 |
4.1.1 概述 |
4.1.2 聚类算法的基本定义 |
4.1.3 距离度量函数 |
4.2 常用的聚类算法 |
4.3 本设计使用的聚类算法 |
4.3.1 基本顺序算法 |
4.3.2 基于密度的聚类算法 |
4.4 基于信道冲击响应的降维算法分析 |
4.4.1 主成分分析算法 |
4.4.2 基于方差的降维方法 |
4.5 基于信道冲击响应的聚类算法仿真分析 |
4.5.1 基于仿真数据的聚类算法仿真实验 |
4.5.2 聚类算法结果展示形式 |
4.5.3 基于实测数据的聚类算法仿真实验 |
4.5.4 聚类算法参数选择分析 |
4.6 本章小结 |
第五章 基于实测系统的辐射源智能分选试验验证 |
5.1 实验验证方案 |
5.1.1 实验平台设备 |
5.1.2 实验系统设计 |
5.2 试验中的聚类处理流程 |
5.3 基于信道冲击响应的辐射源分选实测试验 |
5.3.1 实验设计 |
5.3.2 实验参数 |
5.3.3 数据处理及结果分析 |
5.4 无线信道影响因素分析 |
5.4.1 实验设备及实验参数 |
5.4.2 不同实验场景的影响 |
5.4.3 收发天线角度的影响 |
5.4.4 收发天线距离的影响 |
5.5 信源参数对提取的信道冲击响应的影响 |
5.5.1 实验设计 |
5.5.2 码的影响 |
5.5.3 调制方式的影响 |
5.5.4 载波频率的影响 |
5.5.5 信号带宽的影响 |
5.6 相关结论 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻硕期间取得的研究成果 |
(5)非合作通信中的盲均衡技术研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 背景及意义 |
1.2 发展历程和现状 |
1.3 盲均衡的算法性能指标 |
1.4 本文的研究内容和章节安排 |
第二章 盲均衡的基本理论 |
2.1 无线信道 |
2.1.1 瑞利衰落信道信道模型 |
2.1.2 莱斯衰落信道信道模型 |
2.1.3 无线通信信道对信号的干扰 |
2.2 均衡基本原理 |
2.3 均衡基本算法 |
2.3.1 LMS算法 |
2.3.2 RLS算法 |
2.4 Bussgang类盲均衡的基本算法 |
2.4.1 Bussgang类盲均衡算法原理 |
2.4.2 判断引导算法 |
2.4.3 常数摸算法 |
2.4.4 多模算法 |
2.5 本章小结 |
第三章 改进的变步长盲均衡算法 |
3.1 引入动量项的CMA算法 |
3.1.1 引入动量项的CMA算法原理 |
3.1.2 引入动量项的CMA算法的性能及仿真 |
3.2 步长因子对恒模算法的影响 |
3.3 基于MSE变步长均衡算法 |
3.3.1 利用MSE控制步长原理分析 |
3.3.2 基于MSE改进的变步长CMA算法 |
3.3.3 基于MSE变步长CMA算法的性能及仿真 |
3.3.4 基于MSE变步长MMA算法 |
3.3.5 基于MSE改进的变步长MMA算法的性能及仿真 |
3.4 引入分数间隔采样的均衡算法 |
3.4.1 分数间隔采样均衡原理 |
3.4.2 分数间隔采样均衡器的基本结构 |
3.4.3 引入分数间隔采样的变步长MMA算法 |
3.4.4 引入分数间隔采样的变步长MMA算法的性能及仿真 |
3.5 本章小结 |
第四章 存在同步误差下的盲均衡算法 |
4.1 载波频偏对传统盲均衡算法的影响 |
4.2 载波恢复算法 |
4.2.1 判决指示鉴相算法 |
4.2.2 环路滤波器 |
4.3 存在载波频偏下的盲均衡算法 |
4.3.1 改进的CMA盲均衡算法与载波恢复环路联合算法原理 |
4.3.2 算法性能及仿真 |
4.4 定时误差对均衡的影响 |
4.5 定时恢复算法 |
4.5.1 Gardner定时误差检测器 |
4.6 存在采样偏差下的盲均衡算法 |
4.6.1 算法原理 |
4.6.2 算法步骤 |
4.6.3 算法的性能及仿真 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
(6)α稳定分布噪声环境下MIMO系统盲均衡算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与研究意义 |
1.2 国内外研究现状 |
1.2.1 传统盲均衡技术研究现状 |
1.2.2 α稳定分布噪声下盲均衡算法研究现状 |
1.2.3 MIMO系统下盲均衡算法研究进展 |
1.3 盲均衡算法的性能指标 |
1.4 论文的主要工作和章节安排 |
第二章 α稳定分布噪声环境下盲均衡算法 |
2.1 α稳定分布的定义与性质 |
2.1.1 α稳定分布的定义 |
2.1.2 α稳定分布的性质 |
2.1.3 α稳定分布的三种特例 |
2.2 α稳定分布对盲均衡算法的影响 |
2.3 α稳定分布噪声环境下的均衡算法 |
2.3.1 自适应最小平均p范数法 |
2.3.2 自适应误差受限常模盲均衡算法 |
2.3.3 基于分数低阶统计量的常模盲均衡算法 |
2.4 本章小结 |
第三章 基于布谷鸟搜索的分数低阶盲均衡算法 |
3.1 引言 |
3.2 布谷鸟算法 |
3.2.1 布谷鸟算法的生物学原理 |
3.2.2 布谷鸟算法的数学原理 |
3.3 基于布谷鸟搜索的常模盲均衡算法 |
3.3.1 布谷鸟算法优化的常模盲均衡算法(CS-CMA) |
3.3.2 仿真分析 |
3.4 引入椋鸟群行为的改进布谷鸟算法 |
3.4.1 椋鸟群行为 |
3.4.2 基于椋鸟群行为改进的布谷鸟算法(SCS) |
3.5 SCS算法优化的分数低阶盲均衡算法 |
3.5.1 算法步骤 |
3.5.2 仿真分析 |
3.6 本章小结 |
第四章 基于余弦代价函数的盲均衡算法 |
4.1 引言 |
4.2 基于余弦代价函数的盲均衡算法 |
4.2.1 算法介绍 |
4.2.2 稳态性能分析 |
4.2.3 仿真实验 |
4.3 α稳定分布噪声下基于余弦代价函数的自适应盲均衡算法 |
4.3.1 α稳定分布噪声下基于余弦代价函数的盲均衡算法 |
4.3.2 自适应步长 |
4.3.3 仿真分析 |
4.4 α稳定分布噪声下的自适应切换双模盲均衡算法 |
4.4.1 基于凸组合结构的盲均衡算法 |
4.4.2 α稳定分布噪声下基于余弦代价函数的凸组合盲均衡算法 |
4.4.3 仿真分析 |
4.5 本章小结 |
第五章 MIMO系统盲均衡算法研究 |
5.1 盲均衡仿真平台设计 |
5.2 SIMO系统中的基于余弦代价函数的盲均衡算法 |
5.2.1 算法介绍 |
5.2.2 仿真分析 |
5.3 MIMO系统中的基于布谷鸟搜索算法的盲均衡算法 |
5.3.1 MIMO系统中常模盲均衡算法(MIMO-CMA) |
5.3.2 基于改进布谷鸟算法优化的MIMO系统盲均衡算法 |
5.3.3 仿真实验 |
5.4 本章小结 |
结束语 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(7)基于MIMO均衡的轨道角动量复用系统抗干扰研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状与发展趋势 |
1.3 本文主要研究内容 |
1.4 论文结构安排 |
第二章 轨道角动量光通信的关键技术 |
2.1 轨道角动量复用原理 |
2.2 轨道角动量光束的产生 |
2.3 轨道角动量光束的检测 |
2.4 本章小结 |
第三章 轨道角动量复用系统中的MIMO均衡技术 |
3.1 MIMO均衡技术原理 |
3.2 常用的均衡算法 |
3.3 独立成分分析及其改进算法 |
3.3.1 独立成分分析算法 |
3.3.2 鸡群算法 |
3.4 本章小结 |
第四章 自由空间轨道角动量复用的抗干扰研究 |
4.1 大气湍流模型 |
4.2 系统原理及仿真结果分析 |
4.2.1 系统原理 |
4.2.2 仿真结果分析 |
4.3 本章小结 |
第五章 光纤轨道角动量复用的抗干扰研究 |
5.1 光纤中的轨道角动量模式 |
5.2 系统原理及仿真结果分析 |
5.2.1 系统原理 |
5.2.2 仿真结果分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间取得的相关研究成果 |
致谢 |
(8)卫星通信中接收机均衡技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文的研究背景及意义 |
1.2 国内外研究现状和发展趋势 |
1.2.1 非线性卫星信道的建模 |
1.2.2 接收端均衡技术的研究现状 |
1.3 论文的研究内容和章节安排 |
第二章 非线性记忆信道均衡技术 |
2.1 卫星移动通信系统概述 |
2.1.1 卫星通信系统 |
2.1.2 OFDM传输技术 |
2.2 非线性功率放大器模型 |
2.2.1 Saleh模型 |
2.2.2 Wiener模型 |
2.2.3 Volterra模型 |
2.3 接收端均衡技术 |
2.3.1 传统自适应均衡技术 |
2.3.2 接收端盲均衡技术 |
2.3.3 接收端Turbo均衡技术 |
2.4 小结 |
第三章 基于最小均方误差准则的Turbo均衡技术研究 |
3.1 引言 |
3.2 迭代均衡技术 |
3.3 基于线性最小均方误差的迭代均衡算法 |
3.3.1 系统模型 |
3.3.2 基于最小均方误差的迭代均衡算法 |
3.3.3 无先验信息(NA)的MMSE近似迭代均衡算法 |
3.3.4 接收端频域迭代均衡算法 |
3.3.5 外信息的计算 |
3.3.6 运算复杂度分析 |
3.3.7 仿真结果分析 |
3.4 基于软干扰消除-最小均方误差的迭代均衡算法 |
3.4.1 系统模型 |
3.4.2 基于软干扰消除-最小均方误差准则的迭代均衡算法 |
3.4.3 仿真结果分析 |
3.5 小结 |
第四章 迭代的盲均衡技术研究 |
4.1 引言 |
4.2 基于Volterra模型的接收端盲均衡算法 |
4.2.1 系统模型 |
4.2.2 传统的接收端盲均衡算法 |
4.2.3 改进的接收端盲均衡算法 |
4.2.4 运算复杂度分析 |
4.2.5 仿真结果分析 |
4.3 变步长的盲均衡算法 |
4.3.1 基于指数型变步长盲均衡(REVCMA)算法 |
4.3.2 仿真结果分析 |
4.4 小结 |
第五章 总结与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
攻读学位期间发表论文与研究成果清单 |
致谢 |
(9)脉冲噪声环境下的稀疏水声信道盲均衡算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究意义和选题背景 |
1.2 盲均衡技术的研究现状 |
1.2.1 Bussang类盲均衡 |
1.2.2 基于高阶统计量的盲均衡算法 |
1.2.3 非线性均衡器盲均衡算法 |
1.3 本文研究的主要内容 |
第2章 盲均衡技术的理论基础 |
2.1 盲均衡实现的基本原理 |
2.2 盲均衡的均衡准则 |
2.2.1 置零准则 |
2.2.2 峰度准则 |
2.2.3 归一化准则 |
2.3 常数模盲均衡基本算法 |
2.3.1 最小均方LMS算法 |
2.3.2 递归最小二乘RLS算法 |
2.4 典型盲均衡器结构 |
2.4.1 线性横向均衡器 |
2.4.2 判决反馈均衡器 |
第3章 脉冲噪声环境下的常数模盲均衡 |
3.1 脉冲噪声模型 |
3.1.1 卷积噪声分析 |
3.1.2 α-稳定分布 |
3.2 脉冲噪声环境下的典型算法 |
3.2.1 归一化p-范数LMS-CMA |
3.2.2 误差非线性变换LMS-CMA |
3.3 脉冲噪声环境下的改进算法 |
3.3.1 符号梯度LMS-CMA |
3.3.2 方向梯度LMS-CMA |
3.3.3 非线性变换代价函数LMS-CMA |
第4章 稀疏水声信道常数模盲均衡 |
4.1 线性横向均衡器的稀疏LMS-CMA盲均衡 |
4.2 线性横向均衡器的稀疏RLS-CMA盲均衡 |
4.3 基于判决反馈均衡器的稀疏信道盲均衡 |
结论 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文 |
(10)果蝇优化小波盲均衡算法研究(论文提纲范文)
摘要 |
Abstract |
目录 |
Contents |
符号及缩写含义清单 |
引言 |
1 绪论 |
1.1 研究的背景和意义 |
1.2 水声盲均衡技术的发展现状 |
1.3 果蝇优化算法的发展与研究现状 |
1.4 论文的章节安排 |
2 果蝇优化算法理论概述 |
2.1 果蝇优化算法的起源 |
2.2 果蝇优化算法的应用领域 |
2.3 果蝇优化算法的基本原理 |
2.4 果蝇算法的特性 |
2.5 果蝇优化算法参数分析 |
2.6 仿真实验研究 |
2.7 本章小结 |
3 果蝇优化的小波盲均衡算法 |
3.1 果蝇优化的盲均衡算法 |
3.1.1 常数模盲均衡算法 |
3.1.2 果蝇优化的常数模盲均衡算法 |
3.1.3 仿真实验 |
3.2 果蝇优化的小波盲均衡算法 |
3.2.1 正交小波变换常模盲均衡算法 |
3.2.2 果蝇优化的小波常模盲均衡算法 |
3.2.3 仿真实验 |
3.3 本章小结 |
4 果蝇优化的小波自适应软约束常模盲均衡算法 |
4.1 自适应软约束常模算法 |
4.2 小波变换自适应软约束常模算法 |
4.3 果蝇优化的正交小波自适应软约束常模算法 |
4.3.1 SFOA-WT-SCS-CMA思想 |
4.3.2 SFOA-WT-SCS-CMA描述 |
4.3.3 SFOA-WT-SCS-CMA算法流程 |
4.4 仿真实验 |
4.5 本章小结 |
5 模拟退火-果蝇混合优化小波广义离散多模盲均衡算法 |
5.1 传统多模盲均衡算法 |
5.2 广义离散多模盲均衡算法 |
5.3 正交小波广义离散多模盲均衡算法 |
5.4 模拟退火与果蝇算法混合优化小波广义离散多模算法 |
5.4.1 模拟退火思想 |
5.4.2 模拟退火与果蝇混合优化算法 |
5.4.3 SASFOA-WTGSMMA描述 |
5.4.4 SASFOA-WTGSMMA实施步骤 |
5.5. 仿真实验 |
5.5.1 GSMMA对不同p,q值的仿真实验 |
5.5.2 256-QAM信号优化实验 |
5.6 本章小结 |
6 多果蝇群协同优化小波盲均衡算法 |
6.1 多果蝇群协同优化算法 |
6.1.1 协同进化思想 |
6.1.2 MFOA原理 |
6.1.3 MFOA实施步骤 |
6.2 多果蝇群协同优化小波常模盲均衡算法 |
6.2.1 MFOA-WTCMA描述 |
6.2.2 MFOA-WTCMA原理框图 |
6.2.3 仿真实验及结果分析 |
6.3 多果蝇群协同优化小波多模盲均衡算法 |
6.3.1 MFOA-WTMMA原理描述 |
6.3.2 256-QAM信号仿真实验及结果分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
四、盲均衡技术及其应用(论文参考文献)
- [1]基于锦标赛选择的混沌人工蜂群算法的水声信道盲均衡研究[D]. 杜子俊. 青岛科技大学, 2021(01)
- [2]基于广度增强型烟花算法的水声信道盲均衡优化研究[D]. 姜宁. 青岛科技大学, 2020(01)
- [3]极限学习机在线盲均衡算法研究[D]. 李媛. 兰州大学, 2020(01)
- [4]基于信道估计及其利用的辐射源聚类算法研究[D]. 范云婷. 电子科技大学, 2020(08)
- [5]非合作通信中的盲均衡技术研究[D]. 李晨明. 西安电子科技大学, 2020(05)
- [6]α稳定分布噪声环境下MIMO系统盲均衡算法研究[D]. 王旭光. 国防科技大学, 2018(01)
- [7]基于MIMO均衡的轨道角动量复用系统抗干扰研究[D]. 邢登科. 河北工业大学, 2018(07)
- [8]卫星通信中接收机均衡技术研究[D]. 王聪. 北京理工大学, 2018(07)
- [9]脉冲噪声环境下的稀疏水声信道盲均衡算法研究[D]. 阮睿. 中南民族大学, 2015(03)
- [10]果蝇优化小波盲均衡算法研究[D]. 吴珊. 安徽理工大学, 2014(01)