使用區塊更新方法之快速盲目等化

Abstract

傳統通道等化程序需要傳送一段初始訓練數據(Training Data) 以探測通道的特性， 在接收機內部亦同步地產生一段相同的參考信號，在這段期間，可調適等化器(Ada－ ptive Equalizer)不斷地尋求降低其取樣輸出信號與參考信號之偏差；盲目等化器 ( Blind Equalizer)以自我回復(Self-Recovered)的方式驅動可調適演算法(Adaptive Alqorithm)執行解迴旋(Deeonvolution) ，無需額外地借助訓練數據的合作而直接由 所接收之信號抽取有用的資訊做為補償。 在本篇論文中，我們提出兩套演算法，其中一套稱之為修正型“停＆前進”演算法， 此法能夠有效地消除在最初始期間學習曲線收斂緩慢的缺點。繼而提出另一套演算法 ，此法系從區塊檢測方法衍生而成，先將輸入數據劃割成數個區塊，而後使用隨機梯 度尋找方法，最小化此區塊輸入所有價值函數(Cost Function) 的總和而取代最小化 此價值函數之期望值(Expectation) ，根基於此策略，我們提出較佳的選擇來加速遞 迴(Iteration) ，吾人稱之為區塊更新之盲目等化演算法(BUBEA) ，目前所發表的盲 目等化演算法在調適時皆未能完全的運用所有可使用的資訊，一旦數據被使用過後， 立即被丟棄，此法造成了收斂緩慢的結果。此新演算法重複的使用區塊內的數據，有 效的抽取此數據所攜帶的資訊。電腦模擬的結果證實此演算法卓越的收斂速度以及其 收斂速度較不易受通道相關矩陣之特徵值分佈的影響。