摘要
在科技发展愈发重要的今天，信道均衡作为改善通信质量的一项重要技术，一直是学者们关注的内容。为了解决码间干扰的问题，一般会采用均衡技术，很多实际的情况不具备自适应均衡的条件，而盲均衡不需要训练序列的特征能够应用在很多场景中，因此提高盲均衡器的性能具有重要的意义。 本文将盲均衡与深度学习的相关技术结合起来，设计一种神经网络盲均衡器，主要在于训练算法和盲均衡器的结构两方面。在训练算法方面，采用基于梯度的优化算法，比较了几种优化算法的优缺点和性能，在这些算法的基础上，优化了训练算法，对这些优化算法进行仿真，仿真结果表明，本文的在训练初始阶段减小学习率方差的算法在收敛速度和均方误差性能上均优于其他优化算法。就盲均衡器的结构而言，选择递归神经网络作为盲均衡器的基本结构，针对简单递归神经网络梯度消失而容易导致无法收敛的缺点，分析了递归神经网络中的长短时记忆神经网络，并且对其结构进行改进，此后的嵌套型长短时记忆神经网络结构的盲均衡器能够更合理地处理信息，仿真结果表明，该结构的盲均衡器收敛速度较快，稳态均方误差较小。 本论文还对嵌套型的长短时记忆神经网络盲均衡器进行了硬件电路的设计与验证，得到的稳态均方误差为-33.97dB；Python的仿真稳态均方误差达到了-34.63dB，在1850次迭代后收敛，总的来说达到了预期的效果。
NETL