为解决传统多模盲均衡算法(MMA)在均衡高阶QAM信号时存在的收敛速度慢、稳态误差大等问题,提出了一种基于模拟退火萤火虫优化的小波加权多模盲均衡算法(SA-GSO-WT-WMMA)。该算法在MMA的基础上增加了加权项,并引入了模拟退火萤火虫优化(SA-GSO)算法和正交小波变换(WT),利用加权项自适应地调整算法中代价函数的模值,利用SA-GSO算法极强的全局寻优能力来优化均衡器的初始权向量,利用正交小波变换降低信号的自相关性,有效提高了均衡效果。水声信道仿真实验表明,该算法在降低稳态均方误差和加速收敛速度两方面表现卓越。

人工智能-多小波模糊神经网络盲均衡算法.pdf

针对传统固定步长CMA盲均衡算法中收敛速度和剩余误差这对矛盾，提出了一种新型变步长恒模盲均衡算法，即由瑞利分布函数实施对其步长的调节，通过调整该步长公式中的两个参数以加快收敛速度和减小剩余误差，并且在此基础上对该算法进行了改进。用4QAM信号，通过典型电话信道对固定步长的CMA算法，基于瑞利步长的CMA和改进后的CMA算法进行计算机仿真。通过对仿真出的算法收敛曲线以及输出星座图进行分析，最终得出在瑞利步长算法的基础上改进后的CMA算法克服了前两种算法的缺点，即具有收敛速度更快，剩余误差更小的优点。

无线通信信道变步长盲均衡算法研究.doc

提出了一种新的基于多层神经网络的盲均衡算法，神经网络的训练采用一种新的混合算法。该算法结合了Rosario算法与Solis和wets的随机优化方法的优点，具有全局收敛特性（经过一门限后）。模拟结果显示，该算法比常量模板算法（CMA）具有更快的收敛速度，性能优于线性均衡器和使用传统BP方法的神经网络均衡器。

针对基于CMA的DFE盲均衡算法收敛速度慢、收敛后稳态剩余误差大的缺点,提出了一种改进的基于CMA的DFE盲均衡算法。该算法通过引入均方误差作为调整步长的参量，构造出指数型变步长函数，把基于CMA的DFE盲均衡算法中前馈滤波器和反馈滤波器更新方程中的固定步长值变为可变值，并对其收敛性做了分析。计算机仿真表明，改进算法具有较快的收敛速度和更小的剩余误差。

以新兴的盲均衡技术为理论基础，一些盲均衡算法相继提出。本文以高阶的QAM信号作为输入信号，针对常模算法、多模算法、加权多模算法存在的缺陷，最终引入一种性能优越的加入动量项的加权多模算法。通过计算机的仿真实验首次对这些算法进行依次比较，所得实验结果表明加入动量项的加权多模盲均衡算法在信道均衡上的性能明显优于前面几种算法，它具有更快的收敛速度和更小的稳态误差，因此具有实用价值。

：提出一种估计最小均方误差的盲均衡算法。与RLS算法原理类似，该方法依据矩阵求逆引理逐步更新自相关矩阵及其伪逆，以达 到快速收敛，且对迭代初始值不敏感。与非递归算法相比，该自适应在线算法无需直接计算相关矩阵的伪逆或引入奇异值分解，避免了估 计相关矩阵的秩或信道阶数。快速收敛以及在线处理的特性使其可以应用到实时通信信号处理中。仿真结果证明算法具有很好的在线均衡 性能

神经网络盲均衡算法个人ppt盲均衡技术是在克服和改善自适应均衡缺陷的基础上发展起来的，不需要发送训练序列，仅仅利用接收序列本身的先验信息，便可均衡信道特性，使均衡器的输出序列尽量逼近发送序列

实现了CMA和MCMA盲均衡算法，并利用16QAM进行演示