基于支持向量回歸機的盲均衡算法研究.pdf

1、Bussgang類盲均衡算法因其原理簡單、易于實現(xiàn)、穩(wěn)健性好、對于不同系統(tǒng)的適用性強等優(yōu)點成為目前最常被采用的一類盲均衡算法。但由于其非理想的有限長濾波器使得代價函數(shù)是非凸的，因此會導(dǎo)致求解的系數(shù)為局部最優(yōu)解，進一步產(chǎn)生誤收斂現(xiàn)象。此外，Bussgang類算法在適當(dāng)步長收斂到穩(wěn)態(tài)所需的符號數(shù)很大，收斂速度慢。為此，有學(xué)者提出利用支持向量回歸機（Support Vector Regression，SVR）的全局最優(yōu)化特點解決Bussgan

2、g類算法非凸代價函數(shù)造成的誤收斂問題，并利用SVR優(yōu)秀的小樣本學(xué)習(xí)能力實現(xiàn)小數(shù)據(jù)包下的快速均衡。
　　經(jīng)典的支持向量回歸機采用迭代重加權(quán)二次規(guī)劃(Iterative Re-Weighted Quadratic Programming，IRWQP)方法確定均衡器系數(shù)，使得計算復(fù)雜度過高而不適于實際應(yīng)用。于是近年來提出了基于迭代重加權(quán)最小二乘（Iterative Re-Weighted Least Square，IRWLS）的支持向量

3、回歸機算法，此算法減小了計算復(fù)雜度，縮短了計算時間。
　　傳統(tǒng)的基于IRWLS的SVR盲均衡算法的代價函數(shù)中的誤差函數(shù)一般采用Godard代價函數(shù)或Sato代價函數(shù)。本文將多模算法（Multi Modulus Algorithm，MMA）的代價函數(shù)帶入到基于IRWLS的SVR盲均衡算法中作為誤差函數(shù)，提出了基于SVR框架的多模盲均衡算法—SVR-MMA，此算法修正了SVR-CMA的相位旋轉(zhuǎn)問題，更適合多模信號的盲均衡。
　　

4、近年來，一種新的基于信息理論標(biāo)準(zhǔn)和估計傳輸數(shù)據(jù)的概率密度函數(shù)（Probability Density Function，PDF）的盲均衡算法被提出。這種算法旨在使均衡后數(shù)據(jù)的概率密度與已知星座圖的概率密度相匹配，它比經(jīng)典的常模算法(Constant Modulus Algorithm，CMA)收斂快，同時在多模情況下取得比CMA更少的剩余殘差。本文首次提出以PDF代價函數(shù)為誤差函數(shù)的SVR-PDF盲均衡算法，并分別與CMA、SQD以及S

5、VR-CMA算法作對比。仿真實驗表明，從碼間干擾(ISI)的角度來看，SVR-PDF盲均衡算法的性能明顯優(yōu)于CMA以及SQD算法，并略優(yōu)于SVR-CMA。
　　支持向量回歸機的損失函數(shù)可以有多種不同形式，使用不同的損失函數(shù)得到的均衡效果不同。在以往的SVR盲均衡算法中，常常采用ε-不敏感損失函數(shù)。本文首次將魯棒損失函數(shù)（Huber損失函數(shù)）和ε-Huber損失函數(shù)引入到SVR盲均衡算法中，并將其與傳統(tǒng)的基于ε-不敏感損失函數(shù)的盲均