技术领域
[0001] 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
[0002] 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。
[0003] 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(Nonlinear Autoregressive 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。
[0004] 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。
[0005] 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
[0006] 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。
[0007] 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：
[0008] (1)构建实值NARX神经网络-
判决反馈均衡器(RVNARX-DFE)，具体如下：
[0009] 构建一个具有
输入层、
隐藏层、
输出层及延时结构TDL和输出反馈结构的实值NARX神经网络，该网络的第一层为输入层，最后一层为输出层，输入输出层之间由一个或多个隐藏层连接而成，隐藏层为全连接方式；该实值NARX神经网络实现以下操作：
[0010] (Iout(n),Qout(n))＝fequalizer(Iin(n),Iin(n-1),...,Iin(n-m),Qin(n),Qin(n-1),...,Qin(n-m),
[0011] Iout(n-1),Iout(n-2),...,Iout(n-k),Qout(n-1),Qout(n-2),...,Qout(n-k))[0012] 其中，Iin,Qin分别为通信系统接收端接收信号的
实部和
虚部，Iout,Qout分别为均衡器输出的实部和虚部；m为输入的抽头延迟线(Tapped Delay Line,TDL)的最大记忆深度，k为输出反馈的TDL的最大记忆深度；
[0013] 任意隐藏层和输出层的任一神经元的输出表示为：
[0014]
[0015] 其中， 为第l层的第j个神经元的输出，q为第l层的第j个神经元总输入个数，为该神经元的第i个输入的权值， 为该神经元的第i个输入值， 为该神经元的偏置；函数f为第l层神经元使用的激活函数；
[0016] 在实值NARX神经网络的输出部分增加判决器，判决器输出的实部和虚部分别延迟反馈回实值NARX神经网络的输入，构成完整的实值NARX神经网络-判决反馈均衡器(RVNARX-DFE)。
[0017] (2)对步骤(1)构建好的RVNARX-DFE进行训练，得到针对训练集数据的最优的网络参数；训练过程中采用带误差权重的均方误差函数MSEew作为损失函数：
[0018]
[0019] 其中，Iout(i),Qout(i)分别为训练集中第i个训练符号的实部和虚部，分别为训练过程中RVNARX-DFE实际输出的第i个符号的实部和虚部， 为训练集中第i个训练符号的误差权重，N为训练集的大小；
[0020] 训练过程中采用断开输出延迟反馈的开环网络结构进行训练，将训练集中的目标输出结果直接给到输入；
[0021] (3)利用训练好的NARX-DFE对新的接收数据进行均衡。
[0022] 进一步地，实值NARX神经网络的隐藏层的神经元采用的激活函数为双曲正切S形函数，记为tansig函数：
[0023]
[0024] 该激活函数将输入非线性地映射在[-1,1]的区间内，使得神经网络可以任意逼近任何非线性函数。
[0025] 进一步地，实值NARX神经网络的输出层的神经元采用的激活函数为线性激活函数purelin激活函数，该激活函数对输入相加，并将结果线性映射到输出。
[0026] 进一步地，步骤(1)中，在对接收信号进行均衡时，将判决器输出结果作为新的训练集对RVNARX-DFE进行再训练，更新网络的参数来应对信道的变化，再训练的训练集使用块状的判决反馈数据。
[0027] 进一步地，步骤(2)中，损失函数MSEew中第i个训练符号的误差权重 的选取按以下规则：
[0028] a.在使用已知参考符号及其对应的接收数据作为训练集时，该训练集是准确的，对应的误差权重全部取1；
[0029] b.在对接收数据进行均衡时，当实值NARX神经网络的输出与其后判决器的输出间的欧式距离超过某个
阈值时，则将其对应的误差权重 设为0或者一个接近0的值；否则，将其对应的误差权重 设为1或者一个接近1的值。
[0030] 进一步地，通信系统接收端接收到的信号的
帧结构采取在发送的数据帧中均匀插入已知参考符号(训练序列)的方式。RVNARX-DFE在使用参考符号或判决输出进行训练时，每次用来训练的数据集大小与参考符号等长。当接收到参考符号块，已知的发送参考符号块及其对应的接收数据块可以作为训练集对RVNARX-DFE进行新的训练；在对参考符号之间的数据块进行均衡时，对均衡输出划分为与参考符号块等长的数据块，这些分段的均衡输出数据块及其对应的接收数据块每次作为一个新的训练集对RVNARX-DFE进行新的训练。
[0031] 本发明的有益效果是：
[0032] 1)区别于传统信道均衡方法，具有自我学习能力，适用的信道环境更广；
[0033] 2)对于具有输出时延反馈的非线性自回归神经网络均衡器，在多径固定信道下，在高阶调制情况下比传统均衡
算法性能有所提升(例如16QAM下，比RLS均衡算法有提升)。在
频率选择性衰落信道下，比传统均衡算法有提升(例如比RLS自适应算法有提升)。
[0034] 3)在信道条件良好，高
信噪比下，神经网络的均衡结果的
星座点更加集中，可以降低后续的译码模块的复杂度。
[0035] 4)基于非线性自回归神经网络信道均衡器比目前基于CNN、RNN等
深度学习结构的均衡器结构更简单，参数量更小。
附图说明
[0036] 图1为本发明实施时的信道模型示意图；
[0038] 图3为本发明中实值NARX神经网络-判决反馈均衡器的具体结构框图；
[0039] 图4(a)为本发明中训练时采用的开环结构示意图；
[0040] 图4(b)为本发明中均衡时采用的闭环结构示意图；
[0041] 图5为实值NARX神经网络-判决反馈均衡器实施流程；
[0042] 图6为采用本发明具体
实施例和RLS自适应均衡方法在衰落信道下的误码性能对比图。
具体实施方式
[0043] 为了展现本发明的技术实施方案和性能优点，下面结合具体实施例对本发明作进一步的详细描述。经过下面描述的实施例，使本领域的技术人员可以实施本发明，且应当理解的是，可以利用其他实施例，以及在不背离本发明的情况下做出输入数据延迟深度，输出数据的反馈延迟深度，隐藏层神经元个数的改变。因此，以下具体描述并不具有限制的涵义。
[0044] 实施例1
[0045] 本实施例提供的一种基于NARX神经网络与块状反馈的信道均衡方法，包括以下步骤：
[0046] (1)构建实值NARX神经网络-判决反馈均衡器(RVNARX-DFE)，具体如下：
[0047] 构建一个具有输入层、隐藏层、输出层及延时结构TDL和输出反馈结构的NARX神经网络，图2为NARX神经网络的结构框图。
[0048] NARX神经网络的第一层为输入层，最后一层为输出层，输入输出层之间由一个或多个中间的隐藏层连接而成，NARX神经网络的输入输出关系可描述为以下模型：
[0049] y(n)＝fNARX(x(n),x(n-1),…x(n-m),y(n-1),y(n-2),…,y(n-k))[0050] 其中，x(n),y(n)分别为网络的当前n时刻的输入和输出。m为输入的抽头延迟线(Tapped Delay Line,TDL)的最大记忆深度，k为输出反馈的TDL的最大记忆深度。
[0051] 针对通信
信号处理，因为通信系统中常利用调制方法来提高对通信
频谱的利用率，导致通信信号处理中需要处理复数信号，所以在本发明中的NARX神经网络均衡器设计的是实值网络，采用将接收信号的实部和虚部分别输入到NARX神经网络，输出端分别输出均衡后的信号的实部和虚部。
[0052] 图3为本发明提出的基于NARX神经网络的判决反馈信道均衡实值神经网络结构框图：
[0053] 图3中的NARX神经网络的隐藏层是全连接的，该基于NARX神经网络的判决反馈信道均衡实值神经网络实现以下操作：
[0054] (Iout(n),Qout(n))＝fequalizer(Iin(n),Iin(n-1),...,Iin(n-m),Qin(n),Qin(n-1),...,Qin(n-m),
[0055] Iout(n-1),Iout(n-2),...,Iout(n-k),Qout(n-1),Qout(n-2),...,Qout(n-k))[0056] 其中，Iin,Qin分别为图1中通信系统接收端接收到的信号y的实部和虚部，Iout,Qout分别为均衡器输出的实部和虚部，该输出结果就是本发明中对图1中的接收信号y实现了均衡后的输出 的实部和虚部。(注：在当前n时刻，均衡器的当前输出Iout(n),Qout(n)不可以直接反馈回输入端，0延迟环路是不可实现的)。
[0057] 神经网络由一个个单独的神经元连接而成，一个神经元有多个输入，每一个输入对应一个权值w，神经元内会对输入与权重做乘法后求和，求和的结果与偏置b相加，最终将结果放入激活函数中，由激活函数给出神经元最后的输出。
[0058] 在图3对应的网络中，任意隐藏层和输出层的任一神经元的输出可以表示为：
[0059]
[0060] 其中， 为第l层的第j个神经元的输出，q为第l层的第j个神经元总输入个数，为该神经元的第i个输入的权值， 为该神经元的第i个输入值， 为该神经元的偏置。函数f为第l层神经元所使用的激活函数。
[0061] 该神经网络的隐藏层的神经元采用的激活函数为双曲正切S形函数(Hyperbolic Tangent Sigmoid Transfer Function)，记为tansig函数：
[0062]
[0063] 该激活函数将输入非线性地映射在[-1,1]的区间内，使得神经网络可以任意逼近任何非线性函数。
[0064] 该神经网络的输出层的神经元采用的激活函数为线性激活函数purelin激活函数，该激活函数对输入相加，并将结果线性映射到输出。
[0065] 对于时变的信道，神经网络训练完成后并不能对信号进行持续的
跟踪，因为信号的特性在变化，所以设计的NARX神经网络均衡器需要具有自适应的能力，本发明的实值神经网络在网络的输出部分增加判决器模块，判决器的输出进行延迟反馈回网络的输入，构成完整的NARX神经网络结构，本发明的网络需要自适应信道的变化，本发明在对接收信号进行均衡时，会将判决器输出结果作为新的训练集对网络进行训练，更新网络的参数来应对信道的变化，组成具有输出时延反馈的非线性自回归神经网络-判决反馈均衡器(NARX-DFE)。
[0066] (2)对步骤(1)构建好的NARX-DFE进行训练，得到针对训练集数据的最优网络参数。
[0067] 损失函数(Loss Function)可以用来衡量网络训练的效果的好坏，本发明中使用的损失函数为带误差权重的均方误差函数(Mean Square Error,MSE)。本网络的MSE可以表示为：
[0068]
[0069] Iout(i),Qout(i)分别为训练集中第i个训练符号的实部和虚部， 分别为训练过程中均衡器网络实际输出的第i个符号的实部和虚部，N为训练集的大小。
[0070] 本发明采用了带误差权重的MSE作为损失函数。本发明是跟踪信道变化的自适应神经网络均衡器，在网络训练完成后对接收数据进行均衡时，此时不知准确的发送数据，即神经网络的目标输出值是不确定的，在将判决输出作为训练集对网络进行再训练的时候，会将错误的判决作为准确数据对网络进行训练，会在网络中引入噪声。本发明设计的带误差权重的MSE作为损失函数的目的是使用神经网络输出确信度高的结果作为训练集对网路进行再训练，而避免使用错误判决数据作为训练集对网络进行训练。带误差权重的MSE表达式为：
[0071]
[0072] 为训练集中第i个训练符号的误差权重，误差权重的选取按以下规则：
[0073] a.在使用已知参考符号及其对应的接收数据作为训练集时，该训练集是准确的，对应的误差权重全部取1与标准MSE函数无异。
[0074] b.在对接收数据进行均衡时，网络的输出会进判决器，判决器的输出对应于相应调制方式下的准确星座点，当神经网络的输出与判决器的输出间的欧式距离超过某个阈值时，该均衡结果的
置信度可以认为并不高，则放弃这个判决结果作为训练集，将其对应的误差权重 设为0或者一个接近0的值；否则，可以将其对应的误差权重 设为1或者一个接近1的值。
[0075] 训练时采用断开输出反馈的开环(Open-Loop)结构的网络进行训练，如图4(a)所示，开环结构中将目标输出结果直接给到输入，而不是采用将输出结果反馈回输入的方式，这种方式训练速度更快，拟合效果更好。
[0076] (3)利用训练好的NARX-DFE对新的接收数据进行均衡。均衡时采用的是输出直接反馈回输入的闭环(Close-Loop)结构的网络，如图4(b)所示。
[0077] 通信系统接收端接收到的信号的帧结构采取在发送的数据帧中均匀插入已知参考符号(训练序列)的方式。对于时变信道的接收序列，均衡处理的主要流程如图5所示。
[0078] RVNARX-DFE在使用参考符号或判决输出进行训练时，每次用来训练的数据集大小与参考符号等长。当接收到参考符号块，已知的发送参考符号块及其对应的接收数据块可以作为训练集对RVNARX-DFE进行新的训练；在对参考符号之间的数据块进行均衡时，对均衡输出划分为与参考符号块等长的数据块，这些分段的均衡输出数据块及其对应的接收数据块每次作为一个新的训练集对RVNARX-DFE进行新的训练。
[0079] 实施例2
[0080] 为了研究本发明在时变衰落信道下的均衡效果，表1为在瑞利衰落信道下对该发明进行仿真的参数设置。使用了4条路径的信道，信道的最大延迟为0.8ms，大于QPSK调制后的符号周期(0.2ms)，信道会对信号产生符号间干扰，信道的频率响应存在频率选择性衰落。同时信道加有加性高斯噪声，来考察在不同信噪比下均衡算法的性能表现。
[0081] 表1实施例2的仿真条件、均衡方法及训练方法的参数表
[0082]
[0083] 图6给出了在上述仿真信道下，基于具有输出时延反馈的非线性自回归网络的块状判决反馈均衡器的误码率性能，同时对比了传统的RLS(递归最小二乘，Recursive Least Squares)自适应均衡算法。可以看到提出的算法在图5设计的帧结构模式下，能更好地应对衰落信道，并取得很好的效果。
[0084] 上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和
权利要求的保护范围内，对本发明作出的任何
修改和改变，都落入本发明的保护范围。
