基于正则化最小均方误差变步长算法的水声信道辨识方法与流程

本发明属于水声通信和水声信号处理等领域，涉及一种基于正则化最小均方误差变步长算法的水声信道辨识方法，涉及冲激干扰下接收信号与训练序列辨识时域水声信道辨识方法，该辨识方法将提高在冲激干扰下对水声信道的辨识性能。

背景技术：

水声信道辨识和水声通信等问题都可归结为冲激响应函数的辨识优化问题，基于训练序列和接收到的信号用以对水声信道表达辨识。目前，对水声信道的辨识方法包括有限冲激响应框架和时域的逐块辨识框架。有限冲激响应框架的算法细节具体参见《newsparseadaptivealgorithmsbasedonthenaturalgradientandthel0-norm》，该文2013年发表于《ieeejournalofoceanicengineering》第38期，起始页码为323。时域的逐块辨识框架详见《estimationofrapidlytime-varyingsparsechannels》该文2007年发表于《ieeejournalofoceanicengineering》第32期，起始页码为927。

由于水声信道的扩展和时变特性，导致对水声信道的冲激响应函数辨识极为困难，此外，接收信号可能受到冲激信号干扰，传统的自适应估计方法在大冲激干扰下将失去对信道的辨识作用。因此，考虑到水声信道的扩展和时变特性可由水声信道的时域进行刻画。本发明将建立在该模型基础上，对水声信道进行辨识。然而自适应辨识方法的固定步长无法同时保证算法的收敛速度和收敛精度，因此，设计一种新的步长更新策略可以既保证收敛速度，也同时有望提高辨识精度。考虑到实际中的水声信道冲激响应函数的时变性，因此，本发明将采用移动窗函数控制步长的变化，以期提高水声信道的辨识跟踪能力。

技术实现要素：

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于正则化最小均方误差变步长算法的水声信道辨识方法，利用基于正则化最小均方误差算法的迭代框架，采用移动窗函数进行变步长运算，从而实现迭代的估计误差最小化，最终精确地恢复出水声信道冲激响应函数。

技术方案

一种基于正则化最小均方误差变步长算法的水声信道辨识方法，其特征在于步骤如下：

步骤1：设参数l为水声信道冲激响应长度，设置控制步长的窗函数更新参数η＝0.99；

步骤2：设置控制步长的窗函数加权因子c＝1.483[1+5/(l-1)]，初始化水声信道冲激响应的梯度因子为初始化水声信道冲激响应函数为h0＝0；

步骤3：给定输入训练信号x和输出信号y，重复以下第i次迭代：

计算辨识误差：

其中yi为第i时刻的接收信号离散值，为第i时刻的用于训练的发射信号的转置，hi-1为第i-1时刻的信道冲激响应函数；

计算梯度因子绝对值：

其中||xi||表示对输入信号求欧式范数；

对梯度因子更新：

其中：min(bi)表示从bi中选取最小值；

生成步长更新表达式：

得到信道辨识迭代：hi＝hi-1+μibixi。

所述迭代次数等于处理数据的长度和信道的长度之差。

有益效果

本发明提出的一种基于正则化最小均方误差变步长算法的水声信道辨识方法，首先，针对水声信道进行建模，以期获得水声信道冲激响应函数的表达框架，在此基础上。采用周期训练模式，设计一种基于正则化最小均方误差变步长算法迭代寻优得到时域水声信道冲激响应函数，即辨识得到时域水声信道信息。本发明的方法可以估计出时变水声信道的冲激响应函数。本发明方法由于巧妙地使用了移动窗控制步长的变化策略，使得迭代过程中获得较传统算法更为精确的信道估计，这将有助于提高基于信道估计均衡器输出的估计精确度。

有益效果体现在：本发明基于滑动窗函数控制步长变化，有效地提高了算法的收敛速度，同时也能使本发明有更低的稳态误差。

附图说明

图1是本发明方法(normalizedleast-mean-squaresfractionwithvariablestep-size,nlmsfv)与传统的正则化最小均方误差1类算法(normalizedleast-mean-squares,nlms1)及2类算法(nlms2)，正则化最小均方误差分式算法(normalizedleast-mean-squaresfraction,nlmsf)等方法的对比结果图。

图2是传统的nlms1，nlms2，nlmsf方法与本发明方法(nlmsfv)在对两种随机产生的信道跟踪辨识结果对比图。

图3是测试nlms1，nlms2，nlmsf方法与本发明方法(nlmsfv)不同收敛速率的学习效果对比图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

为解决时域水声信道的辨识问题，提出的具体实现步骤为：

(1)设参数l为水声信道冲激响应长度，设置控制步长的窗函数更新参数η＝0.99。

(2)设置控制步长的窗函数加权因子c＝1.483[1+5/(l-1)]，初始化水声信道冲激响应的梯度因子为初始化水声信道冲激响应函数为h0＝0。

(3)给定输入训练信号x和输出信号y，重复以下第i次迭代：

计算辨识误差：其中yi为第i时刻的接收信号离散值，为第i时刻的用于训练的发射信号的转置，hi-1为第i-1时刻的信道冲激响应函数；

梯度因子绝对值：其中||xi||表示对输入信号求欧式范数；

将过去l个梯度因子绝对值构成一个窗：bi＝[bi,bi-1,...,bi-l+1]；

梯度因子更新：其中η表示更新参数，c表示加权因子，min(bi)表示从bi中选取最小值；

生成步长更新表达式：

信道辨识迭代：hi＝hi-1+μibixi。

以上的迭代次数等于处理数据的长度和信道的长度之差。

具体实施例结合附图对本发明作进一步的描述。参照图1，设置信道冲激响应函数长度为l＝100，按照标准正态分布方式产生6000点的随机高斯信号，传统算法的参数设置β＝200，μ＝0.4，高斯噪声信噪比设置为35db，冲激干扰方差设置为接收信号方差的1000倍，采用贝努力分布构成，其中产生冲激干扰的概率为pr＝0.5，得到的结果如图1所示，从图1可以看出，与传统的nlms1，nlms2，nlmsf方法不同，本发明采用了滑动窗控制步长大小，在不同的接收信噪比和不同概率的冲激干扰下都能有效降低对信道估计的稳态误差，本发明获得了更加精确的辨识结果。

对时变水声信道的辨识结果如图2所示，数据长度总设置在12000点，在算法迭代进行到6000点的时刻，使得信道发生突然变化，用以评估各算法在时变情况下对信道的追踪能力，可以看出，信道的突变引起各算法学习曲线的跳跃，然而，由于本发明能更好地降低稳态误差，因此获得更加精确的辨识结果。

为进一步考察不同算法收敛速率和稳态误差之间的权衡，设置的传统算法不同的β以产生不同的收敛速率和稳态误差，可以看出，当稳态误差降低时，传统nlms1，nlms2，nlmsf方法的收敛速率减慢，与本发明的学习曲线结果如图3所示，可以看出，无论是从收敛速率还是从稳态误差上讲，本发明方法都能取得明显优势。