自適應(yīng)均衡屬于自適應(yīng)信號處理的應(yīng)用范疇，各種各樣的自適應(yīng)均衡算法如迫零（ZF）算法、最小均方（LMS）算法、遞歸最小二乘（RLS）算法、變換域均衡算法、Bussgang 算法、高階或循環(huán)統(tǒng)計量算法、基于非線性濾波器或神經(jīng)網(wǎng)絡(luò)的均衡算法等應(yīng)運而生。均衡器通常工作在接收機的基帶或中頻信號部分，基帶信號的復(fù)包絡(luò)含有信道帶寬信號的全部信息，所以，均衡器通常在基帶信號完成估計信道沖激響應(yīng)和解調(diào)輸出信號中實現(xiàn)自適應(yīng)算法等，本文選擇了兩種典型的自適應(yīng)算法：以LMS自適應(yīng)均衡器和RLS自適應(yīng)均衡器為基礎(chǔ)，用MATLAB 仿真軟件對LMS和RLS兩種算法進行仿真，比較并分析了兩種算法的性能。

1 自適應(yīng)均衡器

一種均衡器，可用于校正高速雙極性信號的符號間干擾。它可響應(yīng)電話線路的靜態(tài)和動態(tài)性能變化。均衡器包括若干級邏輯控制線路及抽頭線路，每個抽頭線路有一個積分器，積分器由電子開關(guān)控制進行充電放電。積分器的輸出在邏輯控制下相加或相減。均衡信號還可以在線路變壓器處直接監(jiān)視。

自適應(yīng)均衡器的工作過程包含兩個階段，典型的訓練序列是偽隨機二進制信號或一個固定的波形信號序列，緊跟在訓練序列后面的是用戶消息碼元序列。接收機的自適應(yīng)均衡器采用遞歸算法估計信道特性，調(diào)整濾波器參數(shù)，補償信道特性失真，訓練序列的選擇應(yīng)滿足接收機均衡器在最惡劣的信道估計條件下也能實現(xiàn)濾波器參數(shù)調(diào)整。所以，均衡器參數(shù)基本上接近最佳值，以保證用戶數(shù)據(jù)的接收，成為均衡器的收斂。用戶數(shù)據(jù)序列需要被分割成數(shù)據(jù)分組或時隙分段傳送。無線通信均衡器原理簡圖如圖1所示。

圖1中，原始信號為x（t），h（t）是發(fā)射機、無線信道和接收機射頻/中頻級合在一起的系統(tǒng)等復(fù)合濾波器的沖激響應(yīng)，所以均衡器的輸入可表示為：

式中H（t）是H（t）的復(fù)共軛，高均衡器機射頻/中頻級合在一起的系統(tǒng)等復(fù)濾波器沖激響應(yīng)。設(shè)均衡器的沖激響應(yīng)是heq（t），均衡器輸出碼元波形可表示為：

2 自適應(yīng)均衡算法

利用自適應(yīng)均衡器補償未知時變信道的特性，需要采用有效的算法跟蹤信道特性變化來更新均衡器的加權(quán)系數(shù)。

2.1 基于LMS的自適應(yīng)均衡算法

感知器和自適應(yīng)線性元件在歷史上幾乎是同時提出的，并且兩者在對權(quán)值的調(diào)整的算法非常相似。它們都是基于糾錯學習規(guī)則的學習算法。感知器算法存在如下問題：不能推廣到一般的前向網(wǎng)絡(luò)中；函數(shù)不是線性可分時，得不出任何結(jié)果。而由美國斯坦福大學的Widrow和Hoff在研究自適應(yīng)理論時提出的LMS算法，由于其容易實現(xiàn)而很快得到了廣泛應(yīng)用，成為自適應(yīng)濾波的標準算法。

LMS算法[1]采用的是最小均方誤差準則，代價函數(shù)是：

2.2 基于RLS的自適應(yīng)均衡算法

RLS算法[3]所采用的準則是最小二乘準則，其代價函數(shù)為：

3 仿真結(jié)果分析

為了更直觀地描述，考慮一個線性自適應(yīng)均衡器。隨機數(shù)據(jù)產(chǎn)生雙極性的隨機序列x[n]，它隨機地取+1和-1。隨機信號通過一個信道傳輸，信道性質(zhì)可由一個三系數(shù)FIR濾波器刻畫，濾波器系數(shù)分別是0.3、0.9、0.3。在信道輸出加入方差為σ平方的高斯白噪聲，設(shè)計一個有11個權(quán)系數(shù)的FIR結(jié)構(gòu)的自適應(yīng)均衡器，令均衡器的期望響應(yīng)為x[n-7]，選擇幾個合理的白噪聲方差σ平方。

采用基于LMS和RLS的自適應(yīng)均衡算法分別進行實驗，畫出一次實驗的誤差平方的收斂曲線，給出最后設(shè)計濾波器系數(shù)。一次實驗的訓練序列長度為500。進行20次獨立實驗，畫出誤差平方的收斂曲線。采用基于LMS的自適應(yīng)均衡算法，在相同信噪比，忘卻因子分別為μ=1.5、μ=1和μ=0.4的情況下，20次實驗誤差平方的值曲線分別如圖2、圖3和圖4所示。采用RLS法，在相同信噪比，忘卻因子分別為μ=1、μ=0.8和μ=0.6的情況下，20次實驗誤差平方的均值曲線分別如圖5、圖6和圖7所示。

通過上述仿真結(jié)果可以看出，觀察三個不同步長情況下的平均誤差曲線，步長越小，平均誤差越小，但收斂速度越慢，為了好的精度，必然犧牲收斂速度。RLS算法的收斂速度明顯比LMS算法快，并且誤差也比LMS算法小。當忘卻因子趨于0時，RLS算法也就是LMS算法。

通過仿真可以看出相同忘卻因子下，RLS算法的收斂速度明顯比LMS算法快，并且誤差也比LMS算法小。當忘卻因子趨于0時，RLS算法也就是LMS算法。LMS和RLS都還有很多改進的算法，進一步的工作就是繼續(xù)分析這些算法，并且不斷完善系統(tǒng)模型。