宽带卫星通信信道均衡技术研究

蒋 劼

（重庆航天职业技术学院，重庆 400021）

0 引 言

卫星通信频段包括包含多个波段，通信容量最高可达200 Gb/s。当前的卫星通信要求实时处理和传输海量数据，星地间数据速率达数千兆位甚至更高，数据传输速率越来越高。宽带卫星通信系统有许多类型的宽带滤波器用于限制信号带宽和抑制噪声[1]。升余弦滤波器最具代表性，其脉冲响应会保持一定长度的前后拖尾，以便获得更好的滤波器效果。如果存在时序不匹配，则会加剧前后尾部之间的干扰，从而形成符号间干扰。另外，带通滤波器的非线性相位也是产生符号间干扰的主要因素。消除符号间干扰是卫星信道中高速传输数据的关键。均衡技术可以大大减少符号间的干扰，改善频谱扩展和非线性失真引起的信道失真，提升传输速率。因此，增加均衡器可以均衡失真的数字脉冲，有效地减少符号间的干扰。

1 符号间干扰消除原理

在数字基带传输系统中，由于非理想信道的存在，符号间始终会存在干扰。因此，需要在基带系统中插入某种类型的可调滤波器用于抵抗干扰，即均衡器。简单来说，就是在接收滤波器、判决器之间添加一个均衡器，如图1所示。

如果d(t)是原始信号，而x(t)是复基带脉冲响应，即x(t)全面体现了收/发滤波器、信道的整体传输特性。若针对不同的信号频率，传统信道的响应存在差异，会导致信号频率衰减，而均衡器能有效减少信号频率衰减，从而使接收频谱的每个部分的衰减区域平整，相位趋于线性[2]。对于随时间变化的信道，自适应均衡器可以实时跟踪信道随时间变化的特性。

2 常见的均衡技术及均衡器类型

均衡技术包括线性均衡、非线性均衡两种，它们之间最大的不同在于自适应均衡器的输出如何用于控制部分均衡器序列。通常，模拟信号y'(t)通过接收器中的判决器执行幅度限制或门限操作，以确定信号的数字逻辑值y(t)。如y(t)没有被用在均衡器的反馈逻辑中，则为线性均衡，反之则为非线性均衡。可起到均衡作用的滤波器有多种，根据类型、结构和算法，可以对常见均衡器进行分类，具体如图2所示。

图1 带均衡器的基带系统

图2 均衡器及其对应算法分类

2.1 线性均衡器

线性均衡器可以用FIR滤波器实现。根据滤波器系数线性叠加接收信号的当前值和过去值，并使用叠加后的总和作为输出。如果单元、抽头增益为模拟信号，则均衡器的波形输出以符号速率被采样传输至判决器[3]。然而，均衡器的采样信号往往保存于移位寄存器中。线性均衡器也可以使用光栅滤波器来实现，其主要优点包括收敛快、稳定性高，且能够灵活调节有效长度。其主要缺点是结构比线性FIR（有限长单位冲激响应）滤波器更复杂。

2.2 判决反馈均衡器

判决反馈均衡的基本原理是一旦识别并确定了一个信息符号，它就能消除该信息符号带来的符号间干扰。该类均衡器可通过横向滤波器实现，横向滤波器包括前馈滤波器、反馈滤波器两部分。反馈滤波器可通过系数调整，消除之前符号、当前符号的干扰。预测判决反馈均衡也包含前馈滤波器。但是，反馈滤波器由检测器的输出和前馈滤波器的输出之间的差异驱动。由于它预测包含在前馈滤波器中的噪声和符号间的剩余干扰，并在反馈延迟后减去检测器的输出，因此在此将反馈滤波器称为噪声预测器。由于前馈滤波器中抽头的数量有限以及反馈滤波器的无穷大，因此预测判决反馈均衡的性能类似于常规判决反馈均衡。预测反馈均衡器中的反馈滤波器也可以用光栅结构实现。此时，可以使用集成运放负载RLS网格算法快速形成收敛。

2.3 自适应均衡器

常规的均衡技术原理是通过对比分析训练序列、接收序列二者之间的差异，有针对性地调整抽头系数，达到缩小误差的目的，通过迭代计算获得最理想的均发射序列估计值，调整之后的抽头系数用于真正的通信。自适应均衡器则是通过权重的调整提高输入信号的质量，缩小信号误差，时信道性能大大提升。然而，自适应均衡器也有其局限性，其需要在信号真正传输之前传输训练序列，利用训练序列学习权重，导致频带利用率降低。

2.4 盲均衡器

自适应均衡器必须重复发送训练序列，以恢复和均衡具有时变信道特性的数据。盲均衡技术无须训练即可实现数据均衡，有效弥补了自适应均衡技术的缺点。盲均衡算法根据先前输入信息确定价值函数，再利用相关学习算法获得价值函数最小值，以达到收敛的目的，使输出序列接近传输顺序列的最佳估计值。

3 含集成运放负载RL反馈的盲均衡算法

3.1 盲均衡系统框架

盲均衡技术无须满足信道盲均衡，不需要进行训练，可以最大程度地还原信号。为了均衡并校正信道的传输特性，提高均衡能力，使调制识别信号更可靠，提高调制检测网络的检测率，本文提出了具有集成运放负载RL（集成运放负载RL）反馈的盲均衡系统。该系统中通过卫星信道发送的调制信号发送到地面站时，先线利用盲均衡系统最大限度地恢复信号，提高信噪比，再将还原后的信号发送至基于Saprk通用并行分布式计算框架的处理平台，处理调制信号，训练调制信号模式识别网络，经过充分训练的调制信号模式识别网络可经由上行链路传输至卫星，以进行后续的调制信号模式识别。卫星信道传输信号带来的符号间干扰会影响调制信号识别效果。为了将存在符号间干扰的调制信号尽可能地重置为最初的调制信号，可以运用包含集成运放负载RL反馈的盲均衡算法，在调制信号进入深度卷积神经网络（DCNN）之前，通过均衡技术减少诸如符号间干扰等因素对原始信号的干扰，提高调制信号的检测精度。

采用盲均衡技术处理调制信号模式识别网络时，信号的符号间干扰来自卫星传输信道。带集成运放负载RL反馈的盲均衡算法运用于符号间干扰消除。信号调制之后被压缩保存于内存，而Spark分布式并行平台计算机平台则用于并行计算和训练深度卷积神经网络DCNN，直到满足完成条件为止，保存最佳训练模型，然后将测试数据输入训练模型以预测信号的调制方式，评估模型准确率。为了改善信号质量有必要最大程度地还原原始信号，减少信号误差，以便借助集成运放负载RL反馈算法获取信号。带有集成运放负载RL反馈的盲均衡器是基于长短期记忆网络（LSTM）网络的均衡器[4]。长短期记忆网络借助LSTM不但能学习信息的特性和关联，还能调整信息之间的关系，以提高信号恢复的效果，达到理想的均衡效果。通过在学习期间输入数据，可以将增强型学习应用于盲均衡，以达到不需要训练序列的目的。检索输入数据后更新当前模型，并将其用于评估当前网络的性能，确定下一个更新方向，进行迭代更新，直到模型收敛为止。增强型学习算法需要明确的目标。例如，均衡器的目标是还原均衡数据，获得传输序列的最佳估计值，然后基于该目标执行网络更新。

3.2 含集成运放负载RL反馈的盲均衡算法设计

常规的均衡算法根据现有的参数，借助训练序列在卫星传输信道中传输信号，并将训练序列、接收序列进行对比，分析其中的误差，最终实现抽头系数的优化，减少偏差。常规均衡方法存储抽头系数以进行实际通信，因此需要事先传输训练序列，占用的带宽较多，导致微信通信信息传输性能受到影响。另外，该算法通常必须发送通信系统的训练序列，以实现信道环境的及时优化。基于此，无须训练序列的盲平衡方法应用日益广泛。带有集成运放负载RL反馈的盲均衡算法能显著增强均衡能力，大大提高调制信号识别网络中的可靠性及识别精度。

调制信号通过卫星信道传输后，利用带集成运放负载RL反馈的盲均衡算法对其进行处理，对比分析调制信号输出与原始信号之间的偏差，最大限度地缩小差异，以提高均衡效果。将均衡处理之后的信号存储于内存，并在Spark分布式并行平台上并行DCNN网络训练，直到结果满足训练终止条件为止[5]。预测当前模型的精度并输出预测调制模式，利用带RL反馈的LSTME盲均衡器处理卫星信道传输的调制信号以获取恢复后的调制信号，压缩该调制信号，并将其存储在内存中，当需要进行资源调度时，可以利用流计算模块对信号实施并行计算分析，将获得的调制信号传输至DCNN网络进行迭代训练，直至结果满足训练终止条件为止，保存最理想的模型用于新的调制信号预测。带有集成运放负载RL反馈的盲均衡算法伪代码如图3所示。

图3 含集成运放负载RL反馈的盲均衡算法伪代码

以宽带卫星调制信号图作为输入，通过4层长短期记忆网络（LSTM），再基于损耗函数求解迭代次数，计算当前结果的值函数、存储模型、调整权重，实施迭代偏置以获得损耗函数的最低值以及迭代次数的最大值[6]。如迭代次数达到最大值，可利用测试集预测当前模型的价值函数，即原始信号与恢复信号的偏差以及原始信号与均衡后的已调制最终输出信号的变差。

4 结 论

卫星通信信道环境不确定性因素较多，对信道均衡效果有较大影响，会降低调制信号识别精度。本文首先分析了现阶段几种主流均衡器，然后针对需实现传输训练序列的传统均衡方法存在的带宽浪费、信息传输效率低下等问题进行分析，并提出了含有集成运放负载RL反馈的盲均衡算法。