针对在有限样本条件下恒模算法无法保证代价函数的经验风险与期望风险收敛到一致的问题,提出了一种基于结构风险最小化(SRM)准则的恒模盲均衡器(Structural risk minumum-contant model blind equalier,SRM-CMBE)。该方法利用信号的恒...针对在有限样本条件下恒模算法无法保证代价函数的经验风险与期望风险收敛到一致的问题,提出了一种基于结构风险最小化(SRM)准则的恒模盲均衡器(Structural risk minumum-contant model blind equalier,SRM-CMBE)。该方法利用信号的恒模特性,在高维特征空间中以SRM为准则构造代价函数,采用核方法实现计算,并结合Kumar快速算法和静态迭代学习算法在线跟踪信道,能够在小样本条件下有效保证代价函数的经验风险收敛到期望风险。通过仿真实验,并与标准恒模盲均衡器(Constant model blind equalizer,CMBE)和修正的恒模盲均衡器(Modified-constant model blind equalizer,M-CMBE)进行比较,结果证明该方法的非线性均衡性能最佳。展开更多
文摘针对在有限样本条件下恒模算法无法保证代价函数的经验风险与期望风险收敛到一致的问题,提出了一种基于结构风险最小化(SRM)准则的恒模盲均衡器(Structural risk minumum-contant model blind equalier,SRM-CMBE)。该方法利用信号的恒模特性,在高维特征空间中以SRM为准则构造代价函数,采用核方法实现计算,并结合Kumar快速算法和静态迭代学习算法在线跟踪信道,能够在小样本条件下有效保证代价函数的经验风险收敛到期望风险。通过仿真实验,并与标准恒模盲均衡器(Constant model blind equalizer,CMBE)和修正的恒模盲均衡器(Modified-constant model blind equalizer,M-CMBE)进行比较,结果证明该方法的非线性均衡性能最佳。