一种卫星信道复数神经多项式网络盲均衡系统及方法
【技术领域】
[0001] 本发明涉及一种卫星信道复数神经多项式网络盲均衡系统及方法，属于卫星通信 中复数神经多项式网络盲均衡方法的技术领域。
【背景技术】
[0002] 随着卫星宽带业务需求的增长，频谱资源趋于紧张，如何发明有效方法以高效地 利用卫星频带资源并获得高质量卫星通信，是各国科学家和工程技术人员研究的热点课 题。在卫星通信系统中，为了尽可能有效利用卫星上的功率，高功率放大器（HighPower Amplifier，HPA)多工作在饱和点附近，产生的非线性失真严重制约传输功率和传输效率。
[0003] 目前，解决这一问题的有效方法是采用Volterra常模均衡器和神经网络常模均 衡器补偿非线性失真，但这两种均衡器结构复杂，而且只适合于均衡常模信号，如4QAM信 号或PSK信号。然而，在卫星通信中采用常模信号不能提高频带效益，也难以提高卫星通 信质量。研究表明，在卫星通信中要提高频带效益和通信质量，采用高阶幅度相位调制信号 (APSK)是有效方法之一，但高阶APSK信号在卫星信道中传输时仍有失真，若采用Volterra 常模均衡器与神经网络常模均衡器和固定步长进行恢复，均衡器结构更加复杂，而且在收 敛速度慢时、均方误差小，在收敛速度快时、均方误差大。均方误差与收敛速度这对矛盾可 采用能自适应控制方法来控制的迭代步长。
[0004] 然而，复数神经多项式（complex-valuedneuralpolynomial，CNP)网络由单层神 经网络和非线性无记忆处理器组成，结构简单，适合于非线性信道均衡器设计。但现有技术 中尚缺乏复数神经多项式网络和模糊神经网络（FNN，fuzzyneuralnetwork)控制器相结 合的卫星信道盲均衡方法。
【发明内容】
[0005] 针对现有技术存在的缺陷，本发明提供一种卫星信道复数神经多项式网络盲均衡 系统及方法。
[0006] 本发明为解决上述技术问题采用以下技术方案：
[0007] -方面，本发明提供一种卫星信道复数神经多项式网络盲均衡系统，包括信道模 块、复数神经多项式网络盲均衡模块、模糊神经网络控制器模块，复数神经多项式网络盲均 衡模块包括单层神经网络、活化约束模块和非线性无记忆处理器，其中，信道模块是卫星信 号的传输通道；单层神经网络用于对卫星信道的线性特性进行补偿；活化约束模块用于利 用非线性约束函数将非线性无记忆处理器输入限定非线性约束函数的最小值与最大值区 域内，以保证非线性无记忆处理器的收敛性和稳定性；非线性无记忆处理器用于对卫星信 道的非线性特性进行补偿；模糊神经网络控制器模块用于对单层神经网络和非线性无记忆 处理器权向量的迭代步长进行控制。
[0008] 另一方面，本发明提供一种基于上述的一种卫星信道复数神经多项式网络盲均衡 系统的盲均衡方法，包括以下步骤：
[0009] 步骤1，将发射信号a(n)经卫星信道c(n)后与信道噪声w(n)相加得到复数神 经多项式网络盲均衡模块的输入信号，即是单层神经网络的输入信号x(n)，x(n) =c(n) a(n)+w(n)，其中，n为整数，表示时间序列；
[0010] 步骤2,步骤1中的单层神经网络的输入信号x(n)经过单层神经网络得到其输出 信号Y(n)，Y(n) =F(n)XT(n)，其中，F(n) = …fM(n)]为单层神经网络权向 量，fm(n)为单层神经网络第m个权系数，m= 1，2, ???]? ;X(n) = [x(n),x(n-l),…，x(n-M)] 为复数神经多项式网络盲均衡模块的输入向量；T表示转置;M表示单层神经网络的权向量 长度；
[0011] 步骤3,步骤2中的单层神经网络的输出信号Y(n)经活化约束函数也（?）映射 后，得到非线性无记忆处理器的输入信号y(n)，y(n)=也（Y(n))=也（YR(n))+j!t(Y1Oi)), 其中，Yr(n)和Y1(Ii)分别是Y(n)的实部与虚部；
[0012] 步骤4,步骤3中的非线性无记忆处理器的输入信号y(n)经非线性无记忆处理 器g处理后得其输出信号S(n)，即复数神经多项式网络盲均衡模块的输出信号，S(n)= g(y(n)) =H(n)ZT(n)，其中，g( ?)是非线性处理函数；H(n) = [h0(n)，h2(n), ".,IilJn)] 是无记忆处理器权向量，Ii1 (n)表示无记忆处理器的第1个权系数，0 <I<L-I，L为正整 数，是非线性无记忆处理器的权向量长度；2〇1) = [1，7(11)，72(11)，~，71'1(11)]是非线性无 记忆处理器的输入向量，y1 (n)指y(n)的1次方。
[0013] 作为本发明的进一步优化方案，步骤2中单层神经网络权向量F(n)的更新方法 为：
[0017] 2'〇1)为2(11)的导数，2'(11) = [0，1，27(11)，*"，（1-1)#2(11)];6(11)为误差函 数；*表示取共辄；Fr (n)和F1(Ii)分别是F(n)的实部与虚部，&(0)、&(0)与F(O)均采用 中心抽头初始化；yi(n)为F(n)的迭代步长。
[0018] 作为本发明的进一步优化方案，步骤3中活化约束函数也（?）的表达式为：
[0020] 其中，y表示Yr (n)SY1(Ii),卜I表示取绝对值，。
[0021] 作为本发明的进一步优化方案，步骤4中无记忆处理器权向量H(n)的更新方法 为：
[0022] H(n+1) =H(n) +y2 (n)e(n)Z* (n)S(n)
[0023] 式中，y2(n)为H(n)的迭代步长；e(n)为误差函数；*表示取共辄。
[0024] 作为本发明的进一步优化方案，F(n)的迭代步长yJn)与H(n)的迭代步长 y2 (n)均由模糊神经网络控制器控制，其中：
[0025] 模糊神经网络控制器的模糊控制规则定义如下：
[0026] 规则1 :如果AMSE(n)为正，且MSE(n)大，则Aa(n)大；
[0027] 规则2 :如果AMSE(n)为正，且MSE(n)中，则Aa(n)中大；
[0028] 规则3 :如果AMSE(n)为正，且MSE(n)小，则Aa(n)中；
[0029] 规则4 :如果AMSE(n)为零，且MSE(n)大，则Aa(n)中；
[0030] 规则5 :如果AMSE(n)为零，且MSE(n)中，则Aa(n)中；
[0031] 规则6 :如果AMSE(n)为零，且MSE(n)小，则Aa(n)中；
[0032] 规则7 :如果AMSE(n)为负，且MSE(n)大，则Aa(n)中；
[0033] 规则8 :如果AMSE(n)为负，且MSE(n)中，则Aa(n)中小；
[0034] 规则9 :如果AMSE(n)为负，且MSE(n)小，则Aa(n)小；
[0035] 其中，MSE(n)是均方误差，AMSE(n)是均方误差增量，a(n)表示yjn)或 y2(n)，Aa(n)是a(n)的变化量；
[0036] 模糊神经网络控制器各层的处理过程如下：
[0037] 第一层即输入层，将AMSE(n)和MSE(n)作为模糊神经网络控制器的输入变 量，aJn，I) =AMSE(n)，aJn，2) =MSE(n)，O1Oi,h，D=aJn，h)，！L1= 1，2，j!= 1，2,3,其中，ajn，I)表不n时刻第一层第一个节点的输入，ajn，2)表不n时刻第一 层第二个节点的输入，O1Oi,I1,J1)为n时刻第一层第^个节点第jif输出，AMSE(n)= MSE(n)-MSE(n-1)；
[0038] 第二层即模糊化层，将AMSE(n)和MSE(n)划分为三个模糊等级，分别为：
[0039] a2(n,i2,j2) = O1 (n,i1;J11)；
[0041] 式中，m(i2,j2)表示n时刻第2层第12个节点输入和第j2个模糊域的高斯函数中 心，和q(i2,j2)表示n时刻第2层第i2个节点输入和第j2个模糊域的宽带；O2 (n，i2,j2)表示 n时刻第2层第i/h节点输入和第j2个输出；，i2= 1，2, 3,j2= 1，2,…，9，a2(n,i2,j2) 为第2层第12个节点输入和第j2个输入；
[0042] 第三层即规则层，此层节点输出为第2层节点输出之积，其中：
[0043] O3 (n,I) = O2 (n,I,l)*02(n, 2, 1)；
[0044] O3 (n, 2) = O 2 (n, I, 2) *02 (n, 2, 2)；
[0045] O3 (n, 3) = O 2 (n, I, 3) *02 (n, 2, 3)；
[0046] O3 (n, 4) = O 2 (n, I, 2) *02 (n, 2, 1)；
[0047] O3 (n, 5) = O 2 (n, I, 2) *02 (n, 2, 2)；
[0048] O3 (n, 6) = O 2 (n, I, 2) *02 (n, 2, 3)；
[0049] O3 (n, 7) = O2 (n,I, 3)*02(n, 2, 1)；
[0050] O3 (n, 8) = O 2 (n, I, 3) *02 (n, 2, 2)；
[0051] O3 (n, 9) = O 2 (n, I, 3) *02 (n, 2, 3)；
[0052] 式中，O