寬帶衛星通信信道均衡技術研究

蔣 劼

（重慶航天職業技術學院，重慶 400021）

0 引 言

衛星通信頻段包括包含多個波段，通信容量最高可達200 Gb/s。當前的衛星通信要求實時處理和傳輸海量數據，星地間數據速率達數千兆位甚至更高，數據傳輸速率越來越高。寬帶衛星通信系統有許多類型的寬帶濾波器用于限制信號帶寬和抑制噪聲[1]。升余弦濾波器最具代表性，其脈沖響應會保持一定長度的前后拖尾，以便獲得更好的濾波器效果。如果存在時序不匹配，則會加劇前后尾部之間的干擾，從而形成符號間干擾。另外，帶通濾波器的非線性相位也是產生符號間干擾的主要因素。消除符號間干擾是衛星信道中高速傳輸數據的關鍵。均衡技術可以大大減少符號間的干擾，改善頻譜擴展和非線性失真引起的信道失真，提升傳輸速率。因此，增加均衡器可以均衡失真的數字脈沖，有效地減少符號間的干擾。

1 符號間干擾消除原理

在數字基帶傳輸系統中，由于非理想信道的存在，符號間始終會存在干擾。因此，需要在基帶系統中插入某種類型的可調濾波器用于抵抗干擾，即均衡器。簡單來說，就是在接收濾波器、判決器之間添加一個均衡器，如圖1所示。

如果d(t)是原始信號，而x(t)是復基帶脈沖響應，即x(t)全面體現了收/發濾波器、信道的整體傳輸特性。若針對不同的信號頻率，傳統信道的響應存在差異，會導致信號頻率衰減，而均衡器能有效減少信號頻率衰減，從而使接收頻譜的每個部分的衰減區域平整，相位趨于線性[2]。對于隨時間變化的信道，自適應均衡器可以實時跟蹤信道隨時間變化的特性。

2 常見的均衡技術及均衡器類型

均衡技術包括線性均衡、非線性均衡兩種，它們之間最大的不同在于自適應均衡器的輸出如何用于控制部分均衡器序列。通常，模擬信號y'(t)通過接收器中的判決器執行幅度限制或門限操作，以確定信號的數字邏輯值y(t)。如y(t)沒有被用在均衡器的反饋邏輯中，則為線性均衡，反之則為非線性均衡?？善鸬骄庾饔玫臑V波器有多種，根據類型、結構和算法，可以對常見均衡器進行分類，具體如圖2所示。

圖1 帶均衡器的基帶系統

圖2 均衡器及其對應算法分類

2.1 線性均衡器

線性均衡器可以用FIR濾波器實現。根據濾波器系數線性疊加接收信號的當前值和過去值，并使用疊加后的總和作為輸出。如果單元、抽頭增益為模擬信號，則均衡器的波形輸出以符號速率被采樣傳輸至判決器[3]。然而，均衡器的采樣信號往往保存于移位寄存器中。線性均衡器也可以使用光柵濾波器來實現，其主要優點包括收斂快、穩定性高，且能夠靈活調節有效長度。其主要缺點是結構比線性FIR（有限長單位沖激響應）濾波器更復雜。

2.2 判決反饋均衡器

判決反饋均衡的基本原理是一旦識別并確定了一個信息符號，它就能消除該信息符號帶來的符號間干擾。該類均衡器可通過橫向濾波器實現，橫向濾波器包括前饋濾波器、反饋濾波器兩部分。反饋濾波器可通過系數調整，消除之前符號、當前符號的干擾。預測判決反饋均衡也包含前饋濾波器。但是，反饋濾波器由檢測器的輸出和前饋濾波器的輸出之間的差異驅動。由于它預測包含在前饋濾波器中的噪聲和符號間的剩余干擾，并在反饋延遲后減去檢測器的輸出，因此在此將反饋濾波器稱為噪聲預測器。由于前饋濾波器中抽頭的數量有限以及反饋濾波器的無窮大，因此預測判決反饋均衡的性能類似于常規判決反饋均衡。預測反饋均衡器中的反饋濾波器也可以用光柵結構實現。此時，可以使用集成運放負載RLS網格算法快速形成收斂。

2.3 自適應均衡器

常規的均衡技術原理是通過對比分析訓練序列、接收序列二者之間的差異，有針對性地調整抽頭系數，達到縮小誤差的目的，通過迭代計算獲得最理想的均發射序列估計值，調整之后的抽頭系數用于真正的通信。自適應均衡器則是通過權重的調整提高輸入信號的質量，縮小信號誤差，時信道性能大大提升。然而，自適應均衡器也有其局限性，其需要在信號真正傳輸之前傳輸訓練序列，利用訓練序列學習權重，導致頻帶利用率降低。

2.4 盲均衡器

自適應均衡器必須重復發送訓練序列，以恢復和均衡具有時變信道特性的數據。盲均衡技術無須訓練即可實現數據均衡，有效彌補了自適應均衡技術的缺點。盲均衡算法根據先前輸入信息確定價值函數，再利用相關學習算法獲得價值函數最小值，以達到收斂的目的，使輸出序列接近傳輸順序列的最佳估計值。

3 含集成運放負載RL反饋的盲均衡算法

3.1 盲均衡系統框架

盲均衡技術無須滿足信道盲均衡，不需要進行訓練，可以最大程度地還原信號。為了均衡并校正信道的傳輸特性，提高均衡能力，使調制識別信號更可靠，提高調制檢測網絡的檢測率，本文提出了具有集成運放負載RL（集成運放負載RL）反饋的盲均衡系統。該系統中通過衛星信道發送的調制信號發送到地面站時，先線利用盲均衡系統最大限度地恢復信號，提高信噪比，再將還原后的信號發送至基于Saprk通用并行分布式計算框架的處理平臺，處理調制信號，訓練調制信號模式識別網絡，經過充分訓練的調制信號模式識別網絡可經由上行鏈路傳輸至衛星，以進行后續的調制信號模式識別。衛星信道傳輸信號帶來的符號間干擾會影響調制信號識別效果。為了將存在符號間干擾的調制信號盡可能地重置為最初的調制信號，可以運用包含集成運放負載RL反饋的盲均衡算法，在調制信號進入深度卷積神經網絡（DCNN）之前，通過均衡技術減少諸如符號間干擾等因素對原始信號的干擾，提高調制信號的檢測精度。

采用盲均衡技術處理調制信號模式識別網絡時，信號的符號間干擾來自衛星傳輸信道。帶集成運放負載RL反饋的盲均衡算法運用于符號間干擾消除。信號調制之后被壓縮保存于內存，而Spark分布式并行平臺計算機平臺則用于并行計算和訓練深度卷積神經網絡DCNN，直到滿足完成條件為止，保存最佳訓練模型，然后將測試數據輸入訓練模型以預測信號的調制方式，評估模型準確率。為了改善信號質量有必要最大程度地還原原始信號，減少信號誤差，以便借助集成運放負載RL反饋算法獲取信號。帶有集成運放負載RL反饋的盲均衡器是基于長短期記憶網絡（LSTM）網絡的均衡器[4]。長短期記憶網絡借助LSTM不但能學習信息的特性和關聯，還能調整信息之間的關系，以提高信號恢復的效果，達到理想的均衡效果。通過在學習期間輸入數據，可以將增強型學習應用于盲均衡，以達到不需要訓練序列的目的。檢索輸入數據后更新當前模型，并將其用于評估當前網絡的性能，確定下一個更新方向，進行迭代更新，直到模型收斂為止。增強型學習算法需要明確的目標。例如，均衡器的目標是還原均衡數據，獲得傳輸序列的最佳估計值，然后基于該目標執行網絡更新。

3.2 含集成運放負載RL反饋的盲均衡算法設計

常規的均衡算法根據現有的參數，借助訓練序列在衛星傳輸信道中傳輸信號，并將訓練序列、接收序列進行對比，分析其中的誤差，最終實現抽頭系數的優化，減少偏差。常規均衡方法存儲抽頭系數以進行實際通信，因此需要事先傳輸訓練序列，占用的帶寬較多，導致微信通信信息傳輸性能受到影響。另外，該算法通常必須發送通信系統的訓練序列，以實現信道環境的及時優化?；诖?，無須訓練序列的盲平衡方法應用日益廣泛。帶有集成運放負載RL反饋的盲均衡算法能顯著增強均衡能力，大大提高調制信號識別網絡中的可靠性及識別精度。

調制信號通過衛星信道傳輸后，利用帶集成運放負載RL反饋的盲均衡算法對其進行處理，對比分析調制信號輸出與原始信號之間的偏差，最大限度地縮小差異，以提高均衡效果。將均衡處理之后的信號存儲于內存，并在Spark分布式并行平臺上并行DCNN網絡訓練，直到結果滿足訓練終止條件為止[5]。預測當前模型的精度并輸出預測調制模式，利用帶RL反饋的LSTME盲均衡器處理衛星信道傳輸的調制信號以獲取恢復后的調制信號，壓縮該調制信號，并將其存儲在內存中，當需要進行資源調度時，可以利用流計算模塊對信號實施并行計算分析，將獲得的調制信號傳輸至DCNN網絡進行迭代訓練，直至結果滿足訓練終止條件為止，保存最理想的模型用于新的調制信號預測。帶有集成運放負載RL反饋的盲均衡算法偽代碼如圖3所示。

圖3 含集成運放負載RL反饋的盲均衡算法偽代碼

以寬帶衛星調制信號圖作為輸入，通過4層長短期記憶網絡（LSTM），再基于損耗函數求解迭代次數，計算當前結果的值函數、存儲模型、調整權重，實施迭代偏置以獲得損耗函數的最低值以及迭代次數的最大值[6]。如迭代次數達到最大值，可利用測試集預測當前模型的價值函數，即原始信號與恢復信號的偏差以及原始信號與均衡后的已調制最終輸出信號的變差。

4 結 論

衛星通信信道環境不確定性因素較多，對信道均衡效果有較大影響，會降低調制信號識別精度。本文首先分析了現階段幾種主流均衡器，然后針對需實現傳輸訓練序列的傳統均衡方法存在的帶寬浪費、信息傳輸效率低下等問題進行分析，并提出了含有集成運放負載RL反饋的盲均衡算法。