

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、在過去的十多年中,盲信號處理獲得了飛速的發(fā)展,并在通信信號處理、語音信號處理、生物醫(yī)學(xué)信號處理及圖象處理等領(lǐng)域獲得了廣泛的應(yīng)用.盲信號處理是指在沒有系統(tǒng)與環(huán)境的先驗知識時的信號處理,但實際上它還是要對源信號或系統(tǒng)作一些假設(shè).盲信號處理大致可以分為信號盲估計和系統(tǒng)盲辨識兩大類.信號盲估計可分為信號盲分離和信號盲反卷積兩大類;系統(tǒng)盲辨識可分為由輸出信號辨識出信號的瞬時混疊模型或卷積混疊模型.該文主要研究了盲反卷積算法的一種特例—常模量算法(
2、CMA),并介紹了其在MIMO(Multiple-Input-Multiple-Output)系統(tǒng)盲均衡中的運用.主要工作包括:1)介紹了常模量算法的基本原理和性能.然后根據(jù)常模量算法的缺點,總結(jié)了SE—CMA,DSE—CMA,最小擾動算法和基于數(shù)據(jù)可靠性判決引導(dǎo)的CMA盲均衡算法這四種改進的常模量算法的基本原理和性能,并對這些算法的優(yōu)缺點進行了總結(jié)并對其中的一些算法進行了仿真.2)研究了多輸入多輸出(MIMO)系統(tǒng)盲均衡的基本原理、以
3、及理想情況下均衡器的計算方法和理想均衡器的性能.然后詳細(xì)介紹了常模量算法在MIMO系統(tǒng)盲均衡中的運用,其中包括盲的算法和半盲的算法以及對半盲算法的一些改進.3)總結(jié)了一下個人在研究生期間對常模量算法進行的3個改進:1.加判決反饋自適應(yīng)均衡器的CMA算法;2.統(tǒng)計意義上基于數(shù)據(jù)可靠性的CMA盲均衡算法;3.用CM準(zhǔn)則增加訓(xùn)練序列的CMA半盲算法.1和2改進算法的目的都是為了提高收斂速度,而3是在不增加訓(xùn)練序列的基礎(chǔ)上,用CMA算法獲得更小
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- cma盲均衡算法研究
- MIMO系統(tǒng)的盲均衡算法研究.pdf
- MIMO系統(tǒng)盲均衡算法研究.pdf
- MIMO系統(tǒng)盲均衡新算法研究.pdf
- 常模量算法(CMA)及在通信信道均衡中的應(yīng)用.pdf
- MIMO通信系統(tǒng)的盲均衡算法研究.pdf
- 基于智能優(yōu)化算法的MIMO系統(tǒng)盲均衡.pdf
- 粒子群優(yōu)化算法及在盲均衡中的應(yīng)用.pdf
- MIMO系統(tǒng)的小波盲均衡算法研究.pdf
- MIMO系統(tǒng)的盲均衡算法研究及其改進.pdf
- 基于智能體的MIMO系統(tǒng)盲均衡算法.pdf
- MIMO通信的盲均衡及識別算法研究.pdf
- 改進蟻群算法在盲均衡中的應(yīng)用.pdf
- 常模算法研究及其在盲均衡中的應(yīng)用.pdf
- 多用戶MIMO系統(tǒng)的盲均衡算法研究.pdf
- 蟻群算法及其在盲均衡中的應(yīng)用.pdf
- 自適應(yīng)盲均衡算法在通信系統(tǒng)中應(yīng)用的研究.pdf
- 盲均衡算法在高速水聲通信系統(tǒng)中的應(yīng)用研究.pdf
- 恒模算法及其在盲均衡中的應(yīng)用.pdf
- CM算法的收斂性及在盲均衡應(yīng)用中的研究.pdf
評論
0/150
提交評論