[发明专利]一种基于NARX神经网络与块状反馈的信道均衡方法

说明书

本发明公开了一种基于NARX神经网络与块状反馈的信道均衡方法，该方法基于时间序列的NARX神经网络和判决反馈结构，构建了适用于存在码间干扰及频率选择性衰落信道的均衡器，利用反向传播算法训练得到最优参数；使用块状判决输出作为训练集对神经网络进行再训练，跟踪信道的变化；对MSE损失函数添加误差权重，减小错误均衡输出对神经网络再训练的影响。本发明具有自适应性，适用的信道环境更广，能够提升神经网络在时变信道的均衡性能，并且具有较低复杂度。

技术领域

本发明涉及通信技术领域，尤其涉及一种数字通信系统中的基于NARX神经网络与块状判决反馈的信道均衡方法。

背景技术

信道均衡是指为了提高衰落信道中的通信系统的传输性能而采取的一种抗衰落措施。它主要是为了消除或者是减弱宽带通信时的多径时延带来的码间串扰(Inter-symbol Interference，ISI)问题。其机理是对信道或整个传输系统特性进行补偿，针对信道恒参或变参特性，数据速率大小不同，均衡有多种结构方式，大体上分为两大类：线性与非线性均衡。

作为传统信道均衡方法的有效补充，基于神经网络的信道均衡方案也越来越受到重视。神经网络(Neural Network,NN)是一门重要的机器学习(Machine Learning,ML)技术。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。常用于对函数进行估计或近似及模式学习。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的讲就是具备学习功能。近些年来，基于神经网络的图像处理、自然语言处理、医学数据处理等研究方向都取得了重大的突破和成果。由于神经网络的自我学习能力和强大的函数拟合能力，在通信领域该技术也有重要的应用空间。目前基于支持向量机、自编码器等模型技术都在通信领域有较多的研究。带有外部输入的非线性自回归神经网络(NonlinearAutoregressive Network with Exogenous Inputs,NARX)是一种动态递归神经网络，它是带有输出时延反馈的多层神经网络。

通信系统主要分为发送端、信道和接收端，根据不同的应用场景，通信信道具有不同的特性，并对通信信号的传输造成影响。瑞利信道是模拟无线通信信道中，电磁波经过反射折射散射等多条路径传播到达接收机，总信号的强度服从瑞利分布。同时由于接收机的移动及其他原因，信号强度和相位等特性又在起伏变化，称为瑞利衰落。且瑞利信道模型下接收到的信号中不存在发射机直射到接收机的信号，只有经过信道中的障碍物反射等路径到达接收机的信号。如果收到的信号中除了经反射折射散射等来的信号外，还有从发射机直接到达接收机如从卫星直接到达地面接收机的信号，那么总信号的强度服从莱斯分布，称为莱斯衰落信道模型。

通信系统中的信道模型如图1所示，发送端的信息比特流m经过信道编码器编码形成码字，然后经过调制器生成发送符号x，在实际系统中还会经过滤波器、功率放大器等之后经由天线或其他发送端器件将信号发送至传输介质即通信信道h。经由信道传输后，在接收端接收到信号y，均衡器会根据信道特征对接收信号进行处理，最大可能地恢复原始发送信号，均衡器恢复的信号记为经由解调器后的数据流进入到译码器进行译码，译码器会去掉附加的冗余信息，并实现纠错功能，恢复出的比特流记为

发明内容

本发明的目的是区别于传统的信道均衡技术，提供一种基于具有输出时延反馈的非线性自回归神经网络(NARX)的判决反馈信道均衡方法，均衡使用块状训练序列训练和块状判决反馈再训练的方案。本发明能够利用神经网络在多径、频率选择性衰落信道等复杂信道下实现良好的均衡效果。

本发明的目的是通过以下技术方案实现的：一种基于NARX神经网络与块状反馈的信道均衡方法，该方法包括以下步骤：

(1)构建实值NARX神经网络-判决反馈均衡器(RVNARX-DFE)，具体如下：