一种用于雷达通道幅度与相位修正的认知盲均衡方法与流程

本发明属于数字阵雷达领域，具体涉及一种用于雷达通道幅度与相位修正的认知盲均衡方法。

背景技术：

数字阵雷达多个通道带内存在幅度与相位不一致，即使针对窄带系统，常规的通道校准一般采用单频信号，实现某个频率的一致性修正。而针对一个几兆带宽内的其它频点，幅度和相位仍然存在差异。传统方法采用自适应均衡技术实现带内所有频点的幅度与相位修正。但是自适应均衡技术，需要参考通道。在数字阵雷达的实现过程中，需要将参考通道信号与各通道信号传至阵面以下；完成自适应计算后，还需将均衡器系数传至数字收发组件，实现均衡计算。该过程需要复杂的数据传输链路，系统实现复杂。

技术实现要素：

针对上述问题，本发明提出一种用于雷达通道幅度与相位修正的认知盲均衡方法，将常数模盲均衡技术应用于雷达通道均衡，实现数字阵雷达在一个数字收发组件内的闭环均衡，无需数据下传及均衡系数回传；同时，引入针对均方误差和权系数向量监测的认知技术，提升常数模盲均衡算法的收敛可靠性。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种用于雷达通道幅度与相位修正的认知盲均衡方法，包括以下步骤：

步骤一、将校准信号经过功率分配器和馈网馈入到数字阵雷达中的各数字收发组件的前端，并作为输入信号送入到认知盲均衡器中；

步骤二、将认知盲均衡器的输出信号传送到选择开关，监测与盲均衡器收敛特性相关的参数，判断盲均衡器的收敛过程，并执行以下操作：

A：当认知盲均衡器的收敛过程正常时，选择开关将此认知盲均衡输出信号传输到非线性变换模块进行非线性变换，获得自适应误差，并利用该自适应误差反馈到认知盲均衡器的输入端，实现盲均衡器均衡系数向量的自适应调整，收敛后的认知盲均衡的均衡系数向量用于实现对输入信号的均衡处理，最终输出经过均衡处理的信号；

B：当认知盲均衡器的输出无法收敛时，选择开关将此认知盲均衡输出信号传输到时延模块，时延模块将输入信号进行时延后输出，不进行均衡处理。

所述与认知盲均衡器收敛特性相关的参数，包括：瞬时误差、均衡器系数时延差、均衡器系数比值和均衡器输出信号模值。

在本发明中，设定校准信号为p(k)，均衡器输入为x_i(k)，假设存在M个通道需要盲均衡处理，则第i个通道的均衡器输出信号y_i(k)为：

$y_i\left(k\right)=f_i\left(k\right)\⊗x_i\left(k\right)---\left(1\right)$

其中：f_i(k)表示第i个N_f×1权系数向量，N_f表示均衡器权系数向量长度，表示卷积运算；定义峰度系数γ：

$\mathrm{\γ}=\frac{E\left\{\right|p\left(k\right){|}^4\}}{E\left\{\right|p\left(k\right){|}^2\}}---\left(2\right)$

E{·}表示求取数学期望，|·|表示模值计算，输出信号为：

e_i(k)＝y_i(k)[γ-|y_i(k)|²] (3)

定义第i个均衡器的输入递归向量为：

X_i(k)＝[x_i(k) x_i(k-1) … x_i(k-N_f+1)]^T (4)

则权系数向量迭代式表示为：

f_i(k+1)＝f_i(k)+μ₁·X_i^*(k)e(k) (5)

式中，μ₁步长因子，[·]^*表示复数共轭；

所述非线性模块所得自适应误差为：

e_s(k)＝(γ-|y_i(k)|²)(γ-|y_i(k)|²) (6)

定义N_h×1维滤波器，N_h为该滤波器的长度，y_i(k)为第i个通道的均衡器输出信号；γ为峰度系数；

$\mathrm{\γ}=\frac{E\left\{\right|p\left(k\right){|}^4\}}{E\left\{\right|p\left(k\right){|}^2\}}---\left(2\right)$

h＝[1 1 … 1]^T (7)

瞬时误差ξ₀(k)用来监测常数模盲均衡方法的收敛是否进入稳态，定义如下：

${\mathrm{\ξ}}_0\left(k\right)=h\⊗e_s\left(k\right)---\left(8\right)$

设立门限ρ_M，当下式成立，则称常数模盲均衡方法未进入稳态；反之，则称常数模盲均衡方法进入稳态：

ξ₀(k)＞ρ_M (9)。

所述均衡器系数时延差f_d(k)为：

$f_d\left(k\right)=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|\right|f_{\frac{N_f}{2}-1}\left(k\right)|-|f_{\frac{N_f}{2}-1}(k-d)\left|\right|$

其中，d表示时间延迟，|·|表示模值求取，N_f为权向量长度，N_p表示迭代次数；

监测权系数与的差值，如果下式成立，则认为常数模盲均衡方法进入稳态：

$f_d\left(k\right)=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|\right|f_{\frac{N_f}{2}-1}\left(k\right)|-|f_{\frac{N_f}{2}-1}(k-d)\left|\right|\<{\mathrm{\ρ}}_f---\left(10\right)$

其中，ρ_f表示均衡器系数时延差判断门限。

所述均衡器系数比值为：

$f_r\left(k\right)=\frac{\left|f_{\frac{N_f}{2}}\left(k\right)\right|}{\left|f_0\left(k\right)\right|}$

其中，f_r(k)表示式中k时刻的权系数比值，|f₀(k)|表示均衡器系数向量的第一个系数

当均衡器收敛，则权向量中间大两侧小，均衡器的初始化是采用中心抽头初始化的方法，所谓中心抽头初始化的方法，指的是初始赋值的权向量，在靠近中心位置的系数为1，其余的系数全为零，比较靠近中心的权向量系数与靠近一侧的系数|f₀(k)|，如果以下不等式成立，则认为靠近中心的权系数大，而靠近边沿的权系数小：

$f_r\left(k\right)=\frac{\left|f_{\frac{N_f}{2}}\left(k\right)\right|}{\left|f_0\left(k\right)\right|}\>{\mathrm{\ρ}}_T---\left(11\right)$

其中，ρ_T表示均衡器系数比判断门限。

所述均衡器输出信号模值为：

$s_o=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|y_i\left(k\right)\right|$

其中，s_o表示信号模值均值结果，N_p表示迭代次数；

设置参数ρ₀作为第i个通道均衡器输出信号y_i(k)的幅度判断，取N_p点数据计算输出信号模值的均值：

$s_o=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|y_i\left(k\right)\right|\>{\mathrm{\ρ}}_0---\left(12\right)$

其中，ρ₀表示模值判断门限，如果上式成立，则认为输出信号合格。

所述步骤二中，判断盲均衡器的收敛过程，具体为：由瞬时误差、均衡器系数时延差、均衡器系数比值和均衡器输出信号模值构建认知描述字RDW，由该认知描述字决定均衡器系数向量使用常数模盲均衡方法所得权系数向量还是采用时延均衡器系数向量，所述认知描述字RDW为：

RDW＝[ξ₀(k),f_d(k),s_o,f_r(k)] (13)

当ξ₀(k)≤ρ_M，量化判决值为1，反之为0；

当f_d(k)＜ρ_f，量化判决值为1，反之为0；

当s_o＞ρ_o，量化判决值为1，反之为0；

当f_r(k)＞ρ_T，量化判决值为1，反之为0。

当量化判决值全为1，则认为均衡器可用，均衡器系数向量使用常数模盲均衡方法所得权系数向量；否则，有一个或多个0存在，则认为均衡器不可用，均衡器系数向量采用时延均衡器系数向量。

本发明的有益效果：

本发明提出一种用于雷达通道幅度与相位修正的认知盲均衡方法，将常数模盲均衡技术应用于雷达通道均衡，实现数字阵雷达在一个数字收发组件内的闭环均衡，无需数据下传及均衡系数回传；同时，引入针对均方误差和权向量监测的认知技术，提升常数模盲均衡算法的收敛可靠性，从而保证数字阵雷达成百上千的雷达通道均衡器的可靠性。

附图说明

图1为本发明应用的数字收发组件结构示意图。

图2为本发明的认知盲均衡方法原理图。

图3(a)-(b)分别为本发明的一种实施例的两通道的幅度差和相位差示意图。

图4(a)-(b)分别为均衡后图3中两通道间的幅度差和相位差示意图。

图5(a)-(d)分别为RDW中的参数收敛情况示意图。

图6(a)-(d)分别为当输入数据存在误码错误时，RDW中的参数收敛情况示意图。

图7为当输入数据存在误码错误时，均衡后的两通道幅度误差示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，一种数字收发组件包括：下行通道模块和上行通道模块；所述下行通道模块包括顺次相连的低噪声放大模块、第一混频器、第一带通滤波器、第一放大电路、A/D转换器、数字下变频模块、盲均衡器和数据打包模块；所述上行通道模块包括顺次相连的数字合成模块、第二放大电路、第二带通滤波器、第一混频器和功率放大器；所述数字合成模块与数据打包模块电连接。

如图2所示，一种用于雷达通道幅度与相位修正的认知盲均衡方法，包括以下步骤：

步骤一、将校准信号经过功率分配器和馈网馈入到数字阵雷达中的各数字收发组件的前端，并作为输入信号送入到认知盲均衡器中；

步骤二、将认知盲均衡器的输出信号传送到选择开关，监测与盲均衡器收敛特性相关的参数，判断盲均衡器的收敛过程，并执行以下操作：

A：当认知盲均衡器的收敛过程正常时，选择开关将此认知盲均衡输出信号传输到非线性变换模块进行非线性变换，获得自适应误差，并利用该自适应误差反馈到认知盲均衡器的输入端，实现盲均衡器均衡系数向量的自适应调整，收敛后的认知盲均衡的均衡系数向量用于实现对输入信号的均衡处理，最终输出经过均衡处理的信号；

B：当认知盲均衡器的输出无法收敛时，选择开关将此认知盲均衡输出信号传输到时延模块，时延模块将输入信号进行时延后输出，不进行均衡处理。在本发明中，时延模块就是时延滤波器系数向量，因为如果采用了盲均衡的均衡器系数向量，则将产生时延δ，因此，当切换到时延模块时，如果要保持时延不变，则时延模块也要设置相应的时延δ，也就是说时延模块(即时延滤波器系数)的第δ个系数为1，其余系数均为0。

所述与认知盲均衡器收敛特性相关的参数，包括：瞬时误差、均衡器系数时延差、均衡器系数比值和均衡器输出信号模值。

在本发明中，设定校准信号为p(k)，均衡器输入为x_i(k)，假设存在M个通道需要盲均衡处理，则第i个通道的均衡器输出信号y_i(k)为：

$y_i\left(k\right)=f_i\left(k\right)\⊗x_i\left(k\right)---\left(1\right)$

其中：f_i(k)表示第i个N_f×1权系数向量，N_f表示均衡器权系数向量长度，表示卷积运算；定义峰度系数γ：

$\mathrm{\γ}=\frac{E\left\{\right|p\left(k\right){|}^4\}}{E\left\{\right|p\left(k\right){|}^2\}}---\left(2\right)$

E{·}表示求取数学期望，|·|表示模值计算，输出信号为：

e_i(k)＝y_i(k)[γ-|y_i(k)|²] (3)

定义第i个均衡器的输入递归向量为：

X_i(k)＝[x_i(k) x_i(k-1) … x_i(k-N_f+1)]^T (4)

则权系数向量迭代式表示为：

f_i(k+1)＝f_i(k)+μ₁·X_i^*(k)e(k) (5)

式中，μ₁步长因子，[·]^*表示复数共轭；

所述非线性模块所得自适应误差为：

e_s(k)＝(γ-|y_i(k)²)(γ-|y_i(k)|²) (6)

同时定义N_h×1维滤波器：

h＝[1 1 … 1]^T (7)

瞬时误差ξ₀(k)用来监测常数模盲均衡方法的收敛是否进入稳态，定义如下：

${\mathrm{\ξ}}_0\left(k\right)=h\⊗e_s\left(k\right)---\left(8\right)$

设立门限ρ_M，当下式成立，则称算法未进入稳态；反之，则称算法进入稳态：

ξ₀(k)＞ρ_M (9)。

所述均衡器系数时延差f_d(k)为：

$f_d\left(k\right)=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|\right|f_{\frac{N_f}{2}-1}\left(k\right)|-|f_{\frac{N_f}{2}-1}(k-d)\left|\right|$

其中，d表示时间延迟，|·|表示模值求取，N_f为权向量长度，N_p表示迭代次数；

监测权系数与的差值，如果下式成立，则认为常数模盲均衡方法进入稳态：

$f_d\left(k\right)=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|\right|f_{\frac{N_f}{2}-1}\left(k\right)|-|f_{\frac{N_f}{2}-1}(k-d)\left|\right|\<{\mathrm{\ρ}}_f,---\left(10\right).$

其中，ρ_f表示均衡器系数时延差判断门限。

所述均衡器系数比值为：

$f_r\left(k\right)=\frac{\left|f_{\frac{N_f}{2}}\left(k\right)\right|}{\left|f_0\left(k\right)\right|}$

其中，f_r(k)表示式中k时刻的权系数比值，|f₀(k)|表示均衡器系数向量的第一个系数；

当均衡器收敛，则权向量中间大两侧小，均衡器的初始化是采用中心抽头初始化的方法，所谓中心抽头初始化的方法，指的是初始赋值的权向量，在靠近中心位置的系数为1，其余的系数全为零，比较靠近中心的权向量系数与靠近一侧的系数|f₀(k)|，如果以下不等式成立，则认为靠近中心的权系数大，而靠近边沿的权系数小：

$f_r\left(k\right)=\frac{\left|f_{\frac{N_f}{2}}\left(k\right)\right|}{\left|f_0\left(k\right)\right|}\>{\mathrm{\ρ}}_T---\left(11\right)$

其中，ρ_T表示均衡器系数比判断门限。

所述均衡器输出信号模值为：

$s_o=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|y_i\left(k\right)\right|$

其中，s_o表示信号模值均值结果，N_p表示迭代次数；

设置参数ρ₀作为第i个通道均衡器输出信号y_i(k)的幅度判断，取N_p点数据计算输出信号模值的均值：

$s_o=\frac{1}{N_p}\underset{k=1}{\overset{N_p}{\Σ}}\left|y_i\left(k\right)\right|\>{\mathrm{\ρ}}_0---\left(12\right)$

其中，ρ₀表示模值判断门限，如果上式成立，则认为输出信号合格。

所述步骤二中，判断盲均衡器的收敛过程，具体为：由瞬时误差、均衡器系数时延差、均衡器系数比值和均衡器输出信号模值构建认知描述字RDW，由该认知描述字决定均衡器系数向量使用常数模盲均衡方法所得权系数向量还是采用时延均衡器系数向量，所述认知描述字RDW为：

RDW＝[ξ₀(k),f_d(k),s_o,f_r(k)] (13)

当ξ₀(k)≤ρ_M，量化判决值为1，反之为0；

当f_d(k)＜ρ_f，量化判决值为1，反之为0；

当s_o＞ρ_o，量化判决值为1，反之为0；

当f_r(k)＞ρ_T，量化判决值为1，反之为0。

当量化判决值全为1，则认为均衡器可用，均衡器系数向量使用常数模盲均衡方法所得权系数向量；否则，有一个或多个0存在，则认为均衡器不可用，均衡器系数向量采用时延均衡器系数向量。

实施例1

首先定义如下仿真模型产生通道常数模盲均衡验证需要的数据：

认知均衡器的输入信号采用下式表示：

$x_i\left(k\right)=c_i\⊗p\left(k\right)+{\mathrm{\ξ}}_i\left(k\right)---\left(14\right)$

式中：k为离散时间采样，x_i(k)为第i个通道均衡器输入数据；p(k)为校准信号输入，为随机相位调制信号；为第i个通道离散通道响应，Q为通道响应系数的个数，ξ_i(k)为第i个通道的高斯噪声，表示卷积；

仿真中，常数盲均衡算法的仿真条件如表1所示：

表1

如图3(a)-(b)所示，采用两个幅度和相位都存在较大差距的通道验证盲均衡方法的通道修正能力，通道间幅度误差2dB(峰峰值),相位误差约为10°(峰峰值)，两通道的系数设置见表2，认知参数的设置见表3：

表2

表3

均衡后两通道间的幅度与相位误差见图4(a)-(b)所示。

认知描述字RDW中的参数收敛情况见图5(a)-(d)所示，在该仿真中RDW1＝[1,1,1,1]，表明认知常数模均衡器收敛正常，可以用作均衡。

实施例2

当输入数据存在误码等错误，则会影响盲均衡器的收敛能力，从而造成均衡器不可用。本实施例采用存在误码的数据验证盲均衡的认知能力，仿真在数据在第4000点存在一个误码。

图6(a)-(d)给出了认知描述字RDW中参数的变化情况。可以看出，在出现误码的位置，均衡器出现发散，从而造成在数据结束的采样点时刻，均衡器仍未收敛到稳态。此时RDW＝[0,1,0,1]。因此，该均衡器不合格。均衡器切入纯时延方式。否则，采用所获得的均衡器均衡，将得到更加恶劣的通道特性，如图7所示，与图3(a)均衡前的情形相比，性能更恶劣。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。