前段时间我把盲均衡算法里最常被放在一起对比的三条技术路线——常模盲均衡算法、小波变换、神经网络——在一块中等色散的中信道模型下用Matlab完整跑了一遍重点比较均方误差MSE的收敛速度、稳态误差和抗噪声能力。这篇博客就是那次仿真记录的整理包含信道模型怎么搭、三种算法怎么实现、结果怎么对比以及调试时踩过的几个坑。适合正在做均衡算法仿真的同学以及对盲均衡和MSE评价体系感兴趣但还没动手写过完整代码的人。1. 项目全貌为什么要把三种算法放在同一套信道下比1.1 均衡问题的由来与传统方案的局限通信系统里信号经过多径信道后会产生码间干扰收端均衡器的作用就是补上信道的畸变。这里的核心关系可以写成一个简化的离散基带模型x(k) Σ h(i)·a(k-i) n(k)其中a(k)是发送符号h(i)是信道冲激响应n(k)是加性噪声。均衡器的任务就是用一个横向滤波器去逼近信道传输函数的逆让输出y(k)尽量接近a(k)的延时版本。传统自适应均衡需要发送端周期性地插入训练序列收端用已知序列去调整均衡器权重这套路成熟而且稳定但代价很明显训练序列占用频谱资源。而在突发通信、水声通信、或者信道在短时间内极不稳定的场景里你根本没有太多机会发送导频这时就必须上盲均衡。盲均衡的核心思想是只用接收信号的统计特性来迭代调整均衡器不依赖已知数据。它不追求一次到位而是让均衡器像“瞎子摸象”一样逐步逼近信道逆滤波效果。问题是“盲”的同时也要付出代价最经典的就是收敛速度慢、稳态误差偏高比较敏感的还会出现相位模糊。1.2 常模盲均衡算法为什么被当成基线常模盲均衡算法CMA属于Bussgang类算法里最简单也最实用的一支。它的出发点非常朴素很多数字调制信号的模值恒定比如PSK信号每个符号的幅度都一样。即便对接16QAM这类非恒定模值信号常模准则也仍然适用只是稳态性能会下降。CMA的代价函数长这样J(w) E{(|y(k)|² - R)²}其中R是发送符号的二阶与四阶统计量比值R E{|a|⁴} / E{|a|²}均衡器输出y(k) w^T·x(k)w是均衡器权重向量x(k)是接收信号的延时抽头向量。最小化J就是对每个符号执行随机梯度更新w(k1) w(k) - μ·(|y(k)|² - R)·y(k)·conj(x(k))这个更新式在Matlab里实现起来非常直接循环一写就完事。但CMA有个天然短板它只约束输出模值不约束相位所以均衡后星座可能整体旋转MSE统计之前必须做相位对齐否则数值完全没法看。1.3 小波和神经网络分别补了哪块短板小波变换切入的角度是时频分解。信道色散通常在频域上表现为选择性衰落有些频带衰减重有些频带还能用。把接收信号做小波分解后近似系数和细节系数相当于把宽频带拆成几个子带然后分带调整权值比一整个横向滤波器去硬扛频率选择性要灵活得多。神经网络切入的角度则是非线性映射。信道如果带有非线性失真线性均衡器的天花板就很明显而多层感知机这东西理论上能逼近任意连续映射让均衡器不再局限于线性的“逆滤波”思路。你把接收抽头向量喂进去网络输出一个恢复符号代价函数仍然用常模准则就能实现“网络版盲均衡”。我在这次仿真里采用的融合方案是小波前端做特征提取和功率预白化神经网络后端做非线性映射整体代价函数沿用常模准则。这个结构和单独 CMA、单独小波域LMS、单独神经网络都做了对比可以比较清楚地看到每一层改动带来的收益。2. 中信道模型搭建与Matlab仿真框架2.1 “中信道”在均衡实验里的定位很多人做均衡仿真时习惯性用一个两径信道或者随便设几条抽头但这样出来的对比结论其实很脆弱。信道太浅所有算法都容易收敛看不出差距信道太深CMA这类梯度类算法直接发散你只能看谁发散得更慢。我这套实验里说的“中信道”指的是中等色散的典型信道多径数量2~4条主径功率占优延时扩展大约在2~3个符号周期频域响应有一定凹陷但不至于置零。在实际参数上我用的信道冲激响应设为h [0.48, 0.72, 0.32]其中第二条径是主径功率归一化后总能量为1。这个信道造成的ISI足够让CMA暴露收敛速度问题又不至于让算法完全失控是横向对比算法性能比较理想的“考场”。2.2 信源、噪声与蒙特卡洛参数仿真参数直接决定了结论的可信度。我这次选用的参数可以说是一套比较常规的工程设置列成表格方便大家对照调参参数项设置值说明调制方式16QAM非恒模信号更能拉开算法差距符号总数20000前段丢弃后段统计稳态MSE蒙特卡洛次数100每次独立随机序列最后取平均信道模型中信道 [0.48, 0.72, 0.32]主径居中中等ISI均衡器抽头数17足够覆盖信道记忆长度SNR范围15~30 dB每隔5 dB取一点采样率1符号/样点不做过采样关注基带均衡我特意选了16QAM而不是QPSK是因为QPSK的模值是恒定的CMA在这种信号上表现太好小波和神经网络的改进空间被压缩得很小。换成16QAM之后常模准则本身就不完全匹配信号特性算法的优劣能更真实地反映出来。2.3 仿真链路顺序与MSE统一步骤整套仿真流程我拆成六步每一步都有独立函数后面想替换信道模型或换均衡器都很方便。生成随机16QAM符号序列映射成复基带信号用中信道冲激响应做线性卷积模拟多径传输叠加指定SNR的高斯白噪声送入均衡器分别跑CMA、小波域LMS、神经网络均衡均衡输出做延时对齐、相位对齐再计算均方误差循环蒙特卡洛次数对MSE曲线做平均转成dB显示。这里必须强调一句MSE统计口径如果不统一对比结果就是废纸。盲均衡输出天然存在增益模糊和相位模糊你不能直接拿y(k)和原始a(k)相减。我采用的做法是先找到均衡器的最优延时位置然后用最小二乘法估计一个复缩放因子把输出对齐到发送星座的幅度和相位最后再计算误差能量。3. 三种均衡器的Matlab实现细节3.1 常模盲均衡算法标准迭代实现CMA的代码结构很简单核心就是那个梯度更新式。我通常会把均衡器权重初始化为中间抽头为1、其余为0这样初始状态近似一个纯延时器算法起步比较稳。% 输入rx为接收复基带信号tap为抽头数mu为步长 % R2按调制方式计算16QAM的理论值约为1.32 R2 mean(abs(s_mod).^4) / mean(abs(s_mod).^2); tap 17; mu 5e-4; w zeros(tap, 1); w(ceil(tap/2)) 1; y_est zeros(size(rx)); for k tap:length(rx) xk rx(k:-1:k-tap1); yk w. * xk; err_factor (abs(yk)^2 - R2) * yk * conj(xk); w w - mu * err_factor; y_est(k) yk; end这里最容易翻车的地方是步长μ。μ太大会发散μ太小收敛速度慢到你想砸电脑。我实测下来16QAM信号、抽头17、信道中等色散μ取5e-4左右比较稳。如果你换了信道或者信噪比最好先用一小段数据试跑一下看权重能量是否爆炸再决定μ的量级。如果想让CMA更稳一点可以改成归一化更新norm_x xk * xk 1e-6; w w - mu * err_factor / norm_x;归一化之后权重更新幅度不再受输入信号功率的瞬时变化影响曲线会平滑很多。3.2 小波域盲均衡多尺度系数更新小波域均衡的思路是把时域抽头向量先做小波变换然后在变换域更新权值。核心原因是小波变换具有去相关作用能缓解输入信号自相关矩阵特征值分散导致的收敛慢问题。level 3; wavname db4; ww zeros(size(w)); mu_w 2e-3; for k tap:length(rx) xk rx(k:-1:k-tap1); ck wavedec(xk, level, wavname); yk ww. * ck; err_factor (abs(yk)^2 - R2) * yk * conj(ck); norm_c ck * ck 1e-6; ww ww - mu_w * err_factor / norm_c; y_est(k) yk; end注意上面的写法是逐符号方式便于展示更新式实际跑大批量数据时效率偏低。更快的做法是对接收信号分批做小波分解用重叠保留法处理帧边界再用批处理方式更新权值。小波基的选择我推荐先用db4分解层数取3层这是均衡仿真里一个比较稳妥的起点。层数太浅去相关效果不明显层数太深边界效应和计算量都上来了。3.3 基于小波和神经网络融合的均衡器实现这一节对应项目标题里的重头戏。融合结构的均衡器分三块第一块是小波前端。接收信号每帧取17个抽头做3层小波分解输出近似系数和细节系数然后做功率归一化。这一步的目的是把星座信息从宽带信号中“解耦”到不同尺度上。第二块是神经网络。我用的是一个双隐层MLP输入特征取小波系数的实部和虚部共15~20个特征第一隐层8个节点第二隐层5个节点激活函数用tanh输出层2个节点分别对应复符号的实部和虚部。第三块是代价函数。整个网络输出一个复数值y(k)仍然用常模准则作为误差R_amp sqrt(R2); % 前向计算 y_complex out_real 1j*out_imag; % 常模误差 e_mod abs(y_complex) - R_amp; g_out 2 * e_mod * (y_complex / (abs(y_complex) eps));得到输出误差梯度g_out之后取其实部和虚部分别对两个通道的网络做常规BP更新。这里我特意没有给出完整BP代码因为如果每个变量名都写出来文章会变得又长又琐碎关键是误差项的定义实部虚部两条反传链路跟标准BP完全一致。这套融合方案有个工程上的好处小波前端的功率归一化让神经网络输入的方差变得可控训练稳定性明显优于直接把原始抽头向量丢给网络。我在实测中发现直接上神经网络的均衡方案在低信噪比时容易陷入局部收敛加小波前端之后会稳非常多。3.4 均方误差统计口径与曲线平滑MSE曲线不要直接把每个符号的瞬时误差画出来那玩意抖动太厉害根本看不到趋势。我的做法是对瞬时误差做指数滑动平均或者每500个符号取一个均方根值点再转成dB。蒙特卡洛100次跑下来MSE曲线已经比较平滑了。seg_len 500; mse_db zeros(1, floor(N/seg_len)); for idx 1:length(mse_db) seg (idx-1)*seg_len 1 : idx*seg_len; mse_db(idx) 10*log10(mean(abs(err_aligned(seg)).^2)); end如果你发现MSE曲线前期有个很大的下冲后面又缓慢回升大概率是相位对齐和对齐延时没做好不是算法问题。这两个细节排查完曲线会干净很多。4. MSE对比三种算法到底差多少4.1 收敛速度的直观差异先说定性结论。CMA的收敛曲线在20dB信噪比下大约跑到1500个符号左右进入稳态前期下降很快但稳态地板比较高大约在-22dB附近就压不动了。小波域LMS的收敛速度明显更快800~1000个符号就能进入稳态而且稳态MSE比CMA低3~5dB。这部分收益来自小波变换对输入信号的去相关作用本质上相当于给梯度下降配了一个固定预白化矩阵。神经网络方案在收敛形态上比较特殊它前期下降最快因为BP更新可以让代价函数快速下降但接近稳态时容易出现一段“扭屁股”式的波动这是网络在调整内部表示时常见的现象。最终稳态MSE介于小波域LMS和CMA之间但抗非线性失真的潜力最大。融合方案小波神经网络在这组对比里表现最好大约1200符号内稳定稳态MSE比CMA低6~8dB比单独小波域LMS又低2~3dB。换句话说小波前端和神经网络后端各自的收益基本可以叠加。4.2 不同信噪比下的稳态MSE参考以下是这组信道参数下的实测参考值数值只代表趋势换信道、换抽头数、换步长后绝对数值会变但相对关系基本稳定SNR / dBCMA稳态MSE / dB小波域LMS / dB神经网络 / dB小波NN融合 / dB15-12.6-14.1-13.5-15.220-17.5-20.2-19.6-21.825-21.9-25.3-24.4-27.630-24.0-28.7-27.0-31.2注意看一个有意思的现象SNR低的时候所有算法的MSE差距没那么大因为噪声本身是地板SNR越高算法之间的差距越明显尤其CMA在25dB以上明显触顶而融合方案还在继续下降。这说明常模算法在高信噪比下提升空间非常有限想让MSE进一步压低必须换更复杂的准则或加入神经网络这种非线性结构。4.3 算力成本与工程落地怎么选算法对比不能只看性能复杂度也是硬指标。我粗略统计了这几种方案在同样数据量下的运行时间占比以CMA为基准算法相对运行时间适用场景CMA1x实时性要求高、信号恒模近似成立小波域LMS3~5x频选信道明显需要快速收敛神经网络均衡20x以上离线训练、信道缓慢变化、非线性失真小波NN融合30x以上对性能要求苛刻的离线或准在线场景这里给一个比较现实的选择如果做突发通信的快速均衡CMA加归一化更新已经够用如果信道频选严重、收敛速度是瓶颈小波域LMS性价比最高如果系统里存在明显的非线性失真再考虑神经网络方案。别一上来就上融合结构很多场景根本吃不满它的能力反而白搭算力和调参成本。5. 调试记录与快速排错手册5.1 均衡器输出爆炸步长和功率归一化最典型的失败现象是均衡器输出越来越大MSE曲线直接冲上30dB。通常原因是步长μ过大或者是输入信号功率瞬时值过大导致梯度更新量爆炸。排查办法先把接收信号除以它的平均功率把信号整体归一化到单位能量再把更新式改成带功率归一化的版本。如果这样还炸把μ缩小一个数量级重新跑。记住μ的合适范围跟信号功率、抽头数、信道增益三者都相关换参之后必须重新试。5.2 星座在旋转CMA相位盲CMA收敛后星座图往往整体旋转了一个角度这个现象在PSK信号上尤其明显16QAM也一样。它不影响模值误差但直接算MSE会得到一个巨大的值。解决办法在统计MSE前用最小二乘估计一个复增益α让α·y(k)和a(k)的均方误差最小然后再计算MSE。这个操作相当于对均衡器输出的增益和相位做了统一校准三种算法都在同一口径下比较结论才公平。5.3 小波重构边界突变小波分解和重构天然有边界效应。我第一批实验里MSE曲线在高频段出现周期性尖峰查完发现是分帧处理时帧和帧没有重叠边界样本被小波系数裁剪弄出了畸变。解决方法是帧之间留50%重叠处理完扔掉每帧两端的一部分样本只保留中间可靠部分或者用overlap-add结构拼接输出。这个小问题对纯时域CMA不存在但只要上了小波变换就绕不开。5.4 神经网络收敛到平庸解神经网络盲均衡一个容易踩的坑是网络输出恒定模值代价函数很小但星座完全不是发送星座。这是因为常模代价只要求模值接近R并不约束相位和具体星座位置。我的应对办法分两步第一步训练时每隔一定符号做一次判决引导把判决后的符号作为弱监督信号混合进代价函数第二步网络初始化时用CMA迭代得到的均衡器输出做预热相当于给网络一个“还不错的起点”而不是随机初始化。5.5 常见问题速查表现象可能原因快速解决办法MSE曲线直接发散步长过大信号功率未归一化缩小μ输入信号除以平均功率稳态MSE特别高均衡器抽头数不够覆盖信道长度增加抽头数到21或25星座整体旋转CMA相位盲缺载波同步MSE对比前做复增益校准小波均衡出现周期尖峰分帧无重叠边界效应帧重叠50%丢弃边界样本神经网络训练很慢学习率过低或初始化太差用CMA预热学习率0.01起调小波分解后长度不够wavedec降采样后向量变短分解层数不要超过3或改用swt平稳小波我在实际调试中最大的体会是盲均衡算法的横向比较难的不是把某个算法跑通而是保证所有算法处在同一个评价体系下。一开始我只是把CMA和神经网络两种算法的MSE画在同一张图上结果相位未对齐看起来神经网络比CMA差一大截后来加了复增益对齐两者的差距立刻缩小神经网络甚至在某些SNR段反超。这个坑很隐蔽也很有代表性建议每个做算法对比的人都先确认统计口径再讨论性能高低。如果后续还有人想在这次仿真基础上继续扩展我建议把中信道换成时变信道看看三种算法对信道变化的跟踪能力。CMA在慢变信道下表现尚可神经网络一旦训练完成就基本不具备跟踪能力小波域LMS则要看子带权值的更新率够不够快。这个方向对水声通信、移动通信这类实际场景会更有参考价值也能把仿真从“离线对比”提升到“在线适应”的层次。
