基于双支持向量回归机的盲均衡算法研究

发布时间：2017-04-26 11:13

  本文关键词：基于双支持向量回归机的盲均衡算法研究，由笔耕文化传播整理发布。

【摘要】：通信系统中,由于信道有限的带宽和其他一些噪声干扰,传输的信号很容易产生码间干扰,从而造成在接收端无法正确识别发送信号的现象。信道均衡是解决码间干扰的关键技术。传统的自适应均衡技术需要定时发送训练序列调整均衡器参数,占据了有限的信道带宽,造成系统通信效率降低。盲均衡作为一种无需借助训练序列,仅利用接收序列本身的先验信息进行信道补偿,使输出序列尽量逼近发送序列的新兴自适应均衡技术,是目前数字通信系统中亟待解决的关键技术之一。传统的盲均衡算法如Bussgang类盲均衡算法因其原理简单、易于实现、稳健性好、对于不同系统的适用性强等优点成为目前最常被采用的一类盲均衡算法。但由于其非理想的有限长滤波器使得代价函数是非凸的,因此会导致求解的系数为局部最优解,存在误收敛现象。为此,有学者提出利用支持向量机的全局最优化特点解决Bussgang类算法非凸代价函数造成的误收敛问题,然而,由于经典的支持向量机采用迭代重加权二次规划(Iterative Re-Weighted Quadratic Programming, IRWQP)方法确定均衡器系数,使得计算复杂度过高而不适于实际应用。双支持向量机(Twin Support Vector Machines,TSVM)是在支持向量机(Support Vector Machines, SVM)理论上发展起来的,它将支持向量机一个大的凸二次规划问题转化成两个较小的凸二次规划问题,对同等样本集的训练速度理论上比支持向量机快4倍左右,可用于解决分类和回归问题。本文利用双支持向量回归机优秀的小样本学习能力和全局最优化的特点,基于双支持向量回归机的理论框架构造盲均衡算法,解决Bussgang类算法的局部收敛问题,并采用迭代重加权最小二乘(Iterative Re-Weighted Least Square, IRWLS)法提高算法的收敛速度。本文研究了盲均衡的基本原理,分析了传统的盲均衡方法和各自的优缺点,详细阐述了基于支持向量回归机(Support Vector Regressor, SVR)的盲均衡算法并进行了实验分析。首次提出并推导了基于双支持向量回归机(Twin Support Vector Regressor, TSVR)的盲均衡理论和算法,包括经典的迭代重加权二次规划盲均衡算法和改进的迭代重加权最小二乘盲均衡算法,对比了经典的SVR和TSVR以及改进的SVR和TSVR的盲均衡算法性能。实验结果表明,经典和改进的TSVR盲均衡算法均可成功实现信道均衡,且改进的迭代重加权最小二乘TSVR盲均衡算法极大的降低了经典TSVR盲均衡算法的计算复杂度,可实现快速均衡。此外,TSVR由于其双超平面的建立使得均衡稳定性高于SVR盲均衡算法。论文最后根据TSVR盲均衡算法的优点并结合数据重用技术研究了针对短时突发信号的盲均衡方法。
【关键词】：盲均衡 双支持向量回归机 迭代重加权二次规划 迭代重加权最小二乘 数据重用技术
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.5
【目录】：

• 中文摘要3-5
• Abstract5-10
• 第一章 引言10-16
• 1.1 选题背景及研究意义10-12
• 1.2 国内外研究现状分析12-14
• 1.3 本文的主要研究内容与结构安排14-16
• 第二章 盲均衡技术概述16-25
• 2.1 盲均衡的基本原理16-17
• 2.2 盲均衡的理论基础17-20
• 2.2.1 置零条件17-18
• 2.2.2 充要条件18-19
• 2.2.3 归一化条件19-20
• 2.3 Bussgang类盲均衡算法20-24
• 2.3.1 Bussgang类盲均衡算法分类20-22
• 2.3.2 CMA盲均衡算法原理22
• 2.3.3 CMA盲均衡算法实验22-24
• 2.4 本章小结24-25
• 第三章 基于支持向量回归机的盲均衡算法25-34
• 3.1 支持向量回归机理论概述25-26
• 3.2 基于支持向量回归机的盲均衡算法26-28
• 3.3 基于IRWLS算法改进的支持向量回归机盲均衡算法28-30
• 3.4 仿真实验30-33
• 3.4.1 实验设计30-31
• 3.4.2 实验结果与分析31-33
• 3.5 本章小结33-34
• 第四章 基于双支持向量回归机的盲均衡算法34-48
• 4.1 双支持向量回归机理论概述34-35
• 4.2 基于双支持向量回归机的盲均衡算法35-41
• 4.2.1 基于IRWQP的双支持向量机盲均衡算法35-36
• 4.2.2 基于IRWLS算法改进的双支持向量回归机常模盲均衡算法36-40
• 4.2.3 基于双支持向量机的多模信号盲均衡算法40-41
• 4.3 仿真实验41-47
• 4.3.1 常模信号的线性盲均衡实验42-45
• 4.3.2 多模信号的线性盲均衡实验45-46
• 4.3.3 常模信号的非线性盲均衡实验46-47
• 4.4 本章小结47-48
• 第五章 基于双支持向量机和数据重用技术的短时突发信号盲均衡方法48-56
• 5.1 短时突发信号盲均衡的应用48
• 5.2 数据重用技术48-50
• 5.2.1 数据重用技术用于CMA算法49
• 5.2.2 数据重用技术用于基于双支持向量回归机的盲均衡49-50
• 5.3 仿真实验50-54
• 5.3.1 基于数据重用技术的CMA算法实验分析50-51
• 5.3.2 基于数据重用技术的双支持向量回归机盲均衡算法实验51-54
• 5.4 本章小结54-56
• 第六章 总结和展望56-58
• 参考文献58-61
• 在学期间的研究成果61-62
• 致谢62

【参考文献】

中国期刊全文数据库 前2条

1 赵建业,余道衡;用细胞神经网络实现盲均衡的一种新方法[J];电子科学学刊;2000年03期

2 阮秀凯;蒋啸;刘莉;谈燕花;;一族新的Bussgang类指数拓展多模盲均衡算法[J];电子与信息学报;2013年09期

  本文关键词：基于双支持向量回归机的盲均衡算法研究，，由笔耕文化传播整理发布。

本文编号：328362