【摘要】：運(yùn)用多通道盲最小均方(MBLMS)算法對(duì)2×2模分復(fù)用(MDM)系統(tǒng)進(jìn)行解復(fù)用,闡述了基于非高斯性最大化的MBLMS算法原理,分析了此算法的解復(fù)用性能,并與基于數(shù)據(jù)輔助的最小均方(LMS)算法進(jìn)行了比較。仿真結(jié)果表明:MBLMS算法在無(wú)需數(shù)據(jù)輔助的條件下能夠?qū)崿F(xiàn)卷積混合信號(hào)的盲分離,其解復(fù)用性能與基于數(shù)據(jù)輔助的LMS算法相當(dāng),且收斂速度比基于數(shù)據(jù)輔助的LMS算法提高了33.3%。
【圖文】：

中國(guó)激光目前，常用于ＭＤＭ系統(tǒng)的解復(fù)用數(shù)字信號(hào)處理算法為自適應(yīng)均衡算法，可分為基于數(shù)據(jù)輔助的均衡和盲均衡。以恒模算法（ＣＭＡ）為代表的盲均衡算法在信道個(gè)數(shù)較多及濾波器長(zhǎng)度較大時(shí)收斂速度變慢，且算法性能及穩(wěn)定度下降，在ＭＤＭ系統(tǒng)中解復(fù)用效果不佳［５］�；跀�(shù)據(jù)輔助的最小均方（ＬＭＳ）算法結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)，得到了廣泛應(yīng)用，然而該算法在數(shù)據(jù)輔助階段需要在傳輸信號(hào)中插入一段較長(zhǎng)的訓(xùn)練序列使濾波器預(yù)收斂，訓(xùn)練序列的引入會(huì)占據(jù)傳輸帶寬，降低系統(tǒng)的頻譜利用率；在判決反饋階段，為保證誤差函數(shù)的精確度，要把載波相位恢復(fù)（ＣＰＲ）模塊所估計(jì)出的相位信息反饋給濾波器，而由此產(chǎn)生的反饋時(shí)延會(huì)影響算法的實(shí)時(shí)性。針對(duì)上述問(wèn)題，本文在基于數(shù)據(jù)輔助的ＬＭＳ算法的基礎(chǔ)上，采用多通道盲最小均方（ＭＢＬＭＳ）算法對(duì)ＭＤＭ系統(tǒng)的輸出信號(hào)進(jìn)行解復(fù)用。ＭＢＬＭＳ算法是利用高階統(tǒng)計(jì)量負(fù)熵獲得期望信號(hào)ＬＭＳ誤差的盲均衡算法。用ＭＢＬＭＳ算法對(duì)ＭＤＭ系統(tǒng)進(jìn)行解復(fù)用，是利用信號(hào)間的統(tǒng)計(jì)特性負(fù)熵建立最小化代價(jià)函數(shù)Ｊ，通過(guò)優(yōu)化算法優(yōu)化Ｊ，當(dāng)代價(jià)函數(shù)最小時(shí)均衡器輸出信號(hào)的非高斯性最大，此時(shí)輸出信號(hào)間的獨(dú)立性最強(qiáng)，實(shí)現(xiàn)了２路混合信號(hào)的分離，所以ＭＢＬＭＳ算法無(wú)需在發(fā)送信號(hào)中加入訓(xùn)練碼元，就能補(bǔ)償模式耦合和ＤＧＤ所帶來(lái)的損傷，實(shí)現(xiàn)對(duì)接收信號(hào)的解復(fù)用。與基于數(shù)據(jù)輔助的ＬＭＳ算法相比，它在一定程度上提高了系統(tǒng)的輸出效率。ＭＢＬＭＳ中誤差信號(hào)是通過(guò)對(duì)信號(hào)高階統(tǒng)計(jì)特性的提取而獲得的，其準(zhǔn)確性不受估計(jì)信號(hào)相位誤差的影響，自適應(yīng)過(guò)程中無(wú)需反饋相位估計(jì)信息，因此ＭＢＬＭＳ算法展現(xiàn)出更快的收斂速度。仿真結(jié)果

－１１］。ＭＢＬＭＳ算法的均衡思想利用了信號(hào)非高斯性的統(tǒng)計(jì)特性。采用負(fù)熵標(biāo)準(zhǔn)衡量非高斯性的強(qiáng)弱，通過(guò)最小化代價(jià)函數(shù)Ｊ使均衡器輸出信號(hào)的非高斯性最大，實(shí)現(xiàn)了ＭＤＭ信號(hào)的盲均衡。ＭＢＬＭＳ算法的盲均衡原理如圖２所示，其中ｘ＝｛ｘｉ｝（ｉ＝１，２，…，ｋ）為ＭＤＭ系統(tǒng)發(fā)送源信號(hào)，ｙ＝｛ｙｉ｝（ｉ＝１，２，…，ｋ）為觀測(cè)信號(hào)，＾ｘ＝｛＾ｘｉ｝（ｉ＝１，２，…，ｋ）為均衡器輸出估計(jì)信號(hào)，ｇ（·）為非線性函數(shù)。圖２ＭＢＬＭＳ算法的盲均衡原理Ｆｉｇ．２ＢｌｉｎｄｅｑｕａｌｉｚａｔｉｏｎｐｒｉｎｃｉｐｌｅｏｆｔｈｅＭＢＬＭＳａｌｇｏｒｉｔｈｍＭＢＬＭＳ算法的代價(jià)函數(shù)為Ｊ＝∑ｉＥｌｏｇｐｘｉ（＾ｘｉ）ｐＧ（＾ｘｉ［］），（６）其中ｐＧ（·）是方差Ｅ（｜＾ｘ｜２）的高斯概率密度函數(shù)，其中Ｅ（·）表示取平均。由于估計(jì)信號(hào)的概率密度函數(shù)是困難的，需用ｇ對(duì)Ｊ進(jìn)行優(yōu)化，，得到Ｊ＝ｔｒＥ＾ｘ－ｇ（＾ｘ）＾ｘ－ｇ（＾ｘ）｛［］｝Ｈ。（７）此時(shí)ＭＢＬＭＳ算法的代價(jià)函數(shù)和盲ＬＭＳ算法的代價(jià)函數(shù)形式相同，更新濾波器矩陣求Ｊ的最小值，得到

本文編號(hào)：2560032