基于LMS 算法的自适应均衡器仿真研究

2013-10-23田竹梅

长春师范大学学报 2013年10期

田竹梅

(忻州师范学院物理电子系，山西忻州 034000)

无线通信信道具有随机性和时变性，信道特性事先未知，要求滤波器能够实时地跟踪通信信道时变特性，可以根据信道的时变响应自动调整滤波器的抽头系数，这种能自动调整滤波器抽头系数的均衡器为自适应均衡滤波器。随着数字信号处理和超大规模集成电路的发展，自适应均衡已成为数字通信中抗码间干扰的主要方法。

1 自适应均衡器的结构

1.1 线性横向均衡器

线性横向均衡器是指横向滤波器中的加权系数为线性关系，线性横向均衡器将输入信号的过去值、当前值及将来值经过各抽头系数加权后得到输出值。抽头系数可根据一定的自适应算法用输出值和理想值之间的差值进行调整。线性横向均衡器结构如图1所示。

图1 线性横向均衡器结构

线性横向滤波器的结构易于实现，在信道衰落不严重的场合得到应用。但是线性横向均衡器与接收信号的幅度关系密切，抽头系数调整会相互影响，为达到较好的均衡效果需要更多的抽头数目［1］。

1.2 判决反馈均衡器

非线性均衡器也称为判决反馈均衡器，其抽头加权系数为非线性关系。判决反馈均衡器结构如图2所示，其中包括两个抽头延迟滤波器:一个是前向滤波器(FFF)，一个是反向滤波器(FBF)。判决反馈均衡器通过FFF和FBF分别补偿信道将来和过去时刻的冲击响应产生的码间干扰，反馈部分消除了由先前被检测符号引起的码间干扰，有较小的噪声增益［2］。

图2 非线性均衡器原理图

2 自适应均衡器的算法

自适应均衡器的原理就是按照某种准则和算法调整滤波器的抽头系数，使滤波器的代价函数最小化，最终达到最佳均衡的目的。各种调整均衡器抽头系数的算法就是自适应算法，常用的算法有迫零算法，最小均方(LMS)算法和递归最小二乘(RLS)算法［3］。

迫零算法的实现需要一定条件，应用场合比较局限。RLS 的收敛特性明显优于LMS 算法，但RLS 算法不如LMS 算法稳定;从算法复杂度来看，LMS 算法的复杂度要比RLS 算法小得多，当均衡器抽头系数为N时，RLS 算法的运算量正比于N2，而LMS 算法的运算量正比于N［4］。

3 计算机仿真

在以下仿真过程中，信号通过高斯白噪声信道，利用QAM 调制方式，通过设置不同的信噪比，对比基于LMS 算法的线性均衡器和判决反馈均衡器的性能。图3为经线性均衡器均衡模型图，图4为经判决反馈均衡器均衡的模型图。

图3 QAM 信号经线性均衡器均衡模型图

图4 QAM 信号经判决反馈均衡器均衡模型图

图5为信源信号经QAM 调制之后的星座图。该调制信号经过AWGN 信道传输后收到干扰，星座图杂乱，如图6所示。图7和图8分别为SNR=20时，受噪声干扰信号经过线性均衡器和判决反馈均衡器的星座图，虽然线性均衡器的性能略逊于判决反馈均衡器，但信号经均衡器后星座图不再杂乱，而是有规律地排列。图9和图10分别为SNR=5时，受噪声干扰信号经过线性均衡器和判决反馈均衡器的星座图，判决反馈均衡器仍然能达到很好的均衡效果，但此时线性均衡器的均衡效果变差，几乎无法得出正确的星座图。