1、1基于 SAGSO 的小波加权多模盲均衡算法摘要：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。 关键
2、词：盲均衡；水声通信；正交小波变换；人工萤火虫群；模拟退火；加权多模 中图分类号：TN911 文献标志码：A WT文章编号：1672-1098（2012）04-0023-07 基金项目：全国优秀博士学位论文作者专项资金资助（200753） ；安徽省高等学校自然科学基金（KJ2010A096） ；安徽高校省级科研项目（KJ2011B162） ；江苏省“六大人才高峰”培养资助项目（2008026）资助课题；淮南职业技术学院院级科研项目（HKJ10-3） 作者简介：高敏（1981-） ，女，安徽蚌埠人，讲师，在读硕士，研究方向：智能信息处理与通信系统。 2目前，水声通信是人们普遍接受的水下通信方式，
3、水声信道中的多径传播、高背景噪声等因素会使信号在传输过程中产生严重的码间干扰1-5（Inter-symbolInterference，ISI） ，通信质量无法得到保证。为解决这一问题，各种均衡技术应运而生。盲均衡技术不需要像传统的均衡技术那样通过发送序列来调整均衡滤波器的参数，仅通过接收信号本身的高阶统计信息就能实现均衡器参数的实时调整，不仅保证了通信质量，还提高了通信效率1。高阶QAM（QuadratureAmplitudeModulation）调制是现代通信的的重要手段，但调制阶数的提高会减小信号星座点间的距离和相位差，相同条件下，系统产生的符号间干扰就会增加，增大了盲均衡的难度，如何提高
4、这类信号的盲均衡性能成为这一领域的研究热点2。文献3中的常模算法（ConstantModulusAlgorithm，CMA）简单易实现、稳定性强，但无法克服受到干扰的信号在解调后存在的相位旋转问题；文献4中提到的多模盲均衡算法（Multi-ModulusBlindEqualizationAlgorithm，MMA） ，将接收信号的实部和虚部分开均衡，有效克服了相位旋转问题，但仍存在收敛速度慢，稳态误差大等问题；文献5中提出的改进多模盲均衡算法（TripleMAlgorithm，TMA） ，引入两个先验常数重新构造了算法的代价函数，并将星座匹配误差函数（ConstellationMatchedE
5、rror，CME）与代价函数相结合，形成一种瞬时双模切换的混合算法，但收敛速度仍较慢；文献6中提出的基于多模软判决引导盲均衡算法仅对星座图有 45旋转的 QAM 信号效果较好，不适合其他形状星座图的信号，且软判决需要在大量的区域判决，引入的指数运算也大大增加了计算的复杂度；文3献7将正交小波变换引入 MMA，降低了信噪比，只能一定程度上提高均衡效果；文献8提出的加权多模算法（WeightedMulti-ModulusAlgorithm，WMMA）利用判决符号的指数幂构成加权项，可以自适应调制模值，能有效降低模型误差，但在获取算法非凸性代价函数的全局最优解时，仍沿用了梯度下降的思想，无法克服算法
6、易陷入局部极值的问题，难以进一步提高均衡效果。 萤火虫群优化算法9（GlowwormSwarmOptimization，GSO）具有良好的全局随机搜索能力，但局部搜索能力不够强，结合具有极强局部搜索能力的模拟退火优化算法（SimulatedAnnealing，SA） ，可提高算法全局和局部意义下的搜索能力。 为提高盲均衡器的性能，将模拟退火萤火虫群优化算法（SimulatedAnnealingOptimizationGlowwormSwarmAlgorithm，SA-GSO）和正交小波变换（WaveletTransform，WT）融入 WMMA 中，提出了基于模拟退火萤火虫群优化的正交小波加权
7、多模盲均衡算法（AnOrthogonalWaveletTransformWeightedMulti-modulusBlindEqualizationAlgorithmBasedonSimulatedAnnealingOptimizationGlowwormSwarmAlgorithm，SA-GSO-WT-WMMA） ，用 SA-GSO 算法来寻找 WMMA 代价函数的全局最优解，优化均衡器的初始权向量，用小波变换来降低信号的自相关性。水声仿真实验证明，SA-GSO-WT-WMMA 不仅大大降低了均衡器的稳态均方误差，收敛速度也明显加快。 1 模拟退火萤火虫群优化算法 1.1GSO 算法 4GS
8、O 算法10不要求目标函数可微可导，也不依赖于目标函数的梯度信息和全局信息，是一种具有较强鲁棒性的无记忆的全局随机搜索方案，能获得非凸性函数的全局最优解或近似全局最优解。 GSO 算法的基本思路是：将目标函数的最优解作为萤火虫群搜索空间中的“食物源” ，在搜索空间中随机分配每只萤火虫的位置，萤火虫离“食物源”越近，该萤火虫的适应度函数值相应地就越大（这里的适应度函数与待优化的目标函数之间有确定的函数关系） ，意味着它所携带的荧光素就越多，发出的光芒就越明亮，吸引其他萤火虫向它靠拢的能力就越强。在整个寻找“食物源”的迭代过程中，每只萤火虫不断调整自身的位置，更新荧光素值、移动概率、邻域，逐步逼近“食物源” ，最终获得全局最优解或近似全局最优解。 GSO 算法的实现步骤基本如下：
