2．5．1　均衡技术

1．均衡的概念

在带宽受限且时间扩散的信道中，由于多径效应而导致的码间干扰会使被传输的信号变形，致使在接收端产生误码。为了减小码间干扰，提高通信质量，通常在数字通信系统中接入一种可调整滤波器用以减小码间干扰的影响，改善系统传输的可靠性。这种起补偿作用的可调整滤波器称为均衡器。

均衡可以分为频域均衡和时域均衡两大类。频域均衡是利用可调整滤波器的频率特性去补偿实际信道的幅频特性和相频特性，使总特性满足一定的规定值。时域均衡是从时间响应的角度考虑，使均衡器与实际传输系统总和的冲击响应接近无码间干扰的条件。即时域均衡是利用波形补偿的方法将失真了的波形加以校正，图2-19为时域均衡原理图。

如图2-19(a)所示为发送波形，为简单起见，假设发送为单个脉冲。如图2-19(b)所示的为经过信道和接收滤波器后输出的信号波形。显然，由于信道特性的不理想和干扰造成了波形的失真。这样在t₀±T _b、t₀±2T _b、t₀±3T _b……抽样点上将造成对其他码元的干扰。如果在判决之前设法给失真的波形再加上一个如图2-19(c)所示的补偿波形，由图可见，在t₀±T _b、t₀±2T _b、t₀±3T _b……抽样点上，补偿波形与接收波形大小相等，极性相反，二者叠加的结果正好将接收波形失真的部分抵消掉。如图2-19(d)所示的为校正后的波形。显然，均衡后的波形不再有码间干扰。

图2-19时域均衡原理示意图

2．自适应均衡器

由于移动衰落信道具有随机性和时变性，这就要求均衡器必须能够实时地跟踪移动通信信道的时变特性，这种均衡器被称为自适应均衡器。通常在接收系统中加入自适应均衡器，得到补偿波形实现时域均衡。

自适应均衡器一般需要工作在两种模式下，即训练模式和跟踪模式。首先，发射机发射一个已知的定长训练序列，以便接收机中的均衡器可以做出正确的设置。典型的训练序列是一个二进制伪随机信号或是一串预先制定的数据，紧跟其后的是要传送的用户数据。在发射端先发送训练序列的目的在于使接收端的均衡滤波器在训练模式下调整到最佳的工作状态，使在接收数据时不断跟踪数据信号的变化，正确地工作在跟踪模式。具体说就是接收机处的均衡器通过递归算法估计出信道特性，修正滤波器系数以对信道做出补偿。在设计训练序列时，要求做到即使在最差的信道条件下，均衡器也能通过这个序列获得正确的滤波系数。这样就可以使均衡器的滤波系数在收到训练序列后已经接近于最佳值。在接下来的数据接收中，均衡的自适应算法就可以跟踪不断变化的信号，自适应均衡器将不断改变其滤波特性。

为了保证能有效地消除码间干扰，均衡器需要周期性地做重复训练。由于在时分多址数字通信系统中用户的数据是按时间段传送的，均衡器很方便地进行重复训练，所以均衡器被大量用于时分多址的数字通信系统中。均衡器一般在接收机的基带或中频部分实现。

均衡器可以分为线性均衡器和非线性均衡器两大类。它们的主要差别在于均衡器的输出被用于反馈控制的方法。如果接收机解调出来的数字信号未被应用于均衡器的反馈逻辑中，则均衡器为线性均衡器。反之，如果接收机解调出来的数字信号被用于均衡器的反馈逻辑中，并帮助改变了均衡器的后续输出，则均衡器为非线性均衡器。当信道失真严重，用线性均衡器不易处理时，可考虑采用非线性均衡器。线性均衡器在信道中有深衰落时不能取得满意的效果，因为为了补偿频谱失真，线性均衡器会对出现深衰落段频谱附近的那段频谱产生很大的增益，从而增加了那段频谱的噪声。而非线性均衡器可以通过一些反馈算法加以调整，故在移动通信系统中都采用即使是在严重畸变信道上也有较好的抗噪声性能的非线性均衡器。非线性均衡器有判决反馈均衡器(Decision Feedback Equalizer，DFE)和最大似然序列估值器(Maximum Likelihood Sequence Estimator，MLSE)等。

自适应均衡器是一个时变滤波器，其参数必须不断地进行调整。自适应均衡器的基本结构如图2-20所示。

图2-20一种常用自适应均衡器的结构

在图2-20中，任意时刻只有一个输入yk，其值依赖于无线信道和噪声的瞬时状态，即它是一个随机过程。其中的下标后表示离散的时间。图2-20中的自适应均衡器被称为横向滤波器，它有N个时延单元，阶数为N+ 1，有N+ 1个抽头及可调的复乘数，称为权重。这些权重被自适应算法不断更新，更新的方式既可以是每一次采样更新一次，也可以是每一组采样更新一次。

自适应算法由误差信号控制，而误差信号是通过对均衡器的输出和信号进行比较而产生的。均衡算法通过误差信号，使期望输出值与均衡器实际输出值之间的均方差达到最小，即以迭代方式更新均衡器的权重来获得均方差最小。

自适应算法有最小均方误差算法(Least Mean Square Error，IMS)、递归最小二乘法(Recursive Least Square，RLS)、快速递归最小二乘法(FastRLS)、平方根递归最小二乘法(Square Root RLS)和梯度最小二乘法(Gradient RLS)，等等。