基于最大后验估计的自适应盲均衡算法

为了减小最大后验概率(MAP)盲均衡算法中稳态误差和收敛速度,提出了一种改进的基于最大后验估计的盲均衡算法.运用不等概思想改进自适应σ的MAP盲均衡算法,得到了基于概率和自适应σ的MAP盲均衡算法.定量分析和仿真结果表明改进算法和MAP的盲均衡算法相比,稳态调整量的理论值更小,稳态剩余根均方误差值小于MAP盲均衡算法,收敛速度快于MAP盲均衡算法.     

新的混合型盲均衡算法

针对恒模算法(CMA)仅适用于模值为常数的信号,对高阶QAM信号的均衡效果差这一问题,结合CMA与判决引导(DD)算法各自的优点,提出一种CMA与DD算法相结合的改进混合型算法。在算法初期,利用CMA+DD并行算法使系统眼图睁开;然后,再转换到DD算法来进一步减小剩余误差。仿真结果表明,采用新算法对高阶信号均衡有较快的收敛速度和较小的剩余误差,星座图恢复很紧凑,并且改进算法能修正相位和跟踪信道。     

基于概率和自适应的最大后验概率盲均衡算法

为了减小最大后验概率(maximum a posteriori,MAP)盲均衡算法中稳态剩余误差和加快收敛速度,提出了一种改进的基于概率和自适应σ的MAP盲均衡算法。根据概率论的原理,分析了MAP算法中σ表示的实际意义,改进算法通过改变更新方程中的高斯信号方差值σ,即由固定值改为可变值,再运用不等概思想进一步的提高了MAP算法的收敛性能。仿真结果表明,与MAP盲均衡算法相比,改进型MAP盲均衡算法具有更好的均衡效果和收敛性能。