云计算下的信道均衡选择方法研究与改进

孟繁华

摘 要： 传统自适应信道均衡方法在对云计算下的信道信号传输过程进行均衡控制时，通过训练在接收端调整均衡器，易导致信道信号传播时因训练序列的插入出现传输滞后问题，使得通信中有效数据的传输率降低。因此，对云计算下的信道均衡选择方法进行研究与改进，设计的信道均衡器包括滤波器模块、调整模块和辨识模块。滤波器模块对均衡器输入信号进行补偿，获取理想输出信号的预测信号，确保辨识模块依据预测信号，对云计算下的信道信号均衡情况进行分析。辨识模块采用辨识指导算法运算出误差信号，并将误差信号反馈到调整模块中。调整模块按照反馈的两路误差信号，采用滤波器的抽头系数调整迭代公式，运算出滤波器抽头的调整方向和潜在调整系数，再将潜在调整系数反馈到滤波器模块中。分析了信道均衡器的运行原理，以及其采用改进辨识指导算法进行工作的过程。实验结果表明，所设计的信道均衡器的误码率性能和收敛性能高，可确保信道具有较高的均衡性能。

关键词： 云计算； 信道均衡； 选择方法； 辨识指导算法

中图分类号： TN911?34； TN911.5 文献标识码： A 文章编号： 1004?373X（2017）06?0057?05

Abstract： The traditional adaptive channel equalization method is easy to cause the channel signal transmission lag， which makes the effectiverate data transmission rate reduced. Therefore， the channel equalization selection methods under cloud computing are studied and improved. The designed channel equalizer includs filter module， adjusting module and identification module. The filter module is used to compensate the signal from the equalizer to obtain the forecast signal of ideal output signal， so as to ensure that the identification module analyzes the channel signal equilibrium condition under cloud computing according to the predictive signal. The identification module adopts recognition guidance algorithm to compute the error signal， and feeds the error signal back to the adjusting module. The adjusting module adjusts the iterative formula by means of filter′s tap coefficients according to the two error signals， operate adjustment direction and potential adjusting coefficient of filter tap， and then feed the potential adjusting coefficient back to filter module. The operation principle of the channel equalizer and the work process of the channel equalizer with the improved identification guidance algorithm are analyzed. The experimental results indicate that the designed channel equalizer has high bit error rate performance and convergence performance， and can ensure the channel has high balance performance.

Keywords： cloud computing； channel equalization； selection method； identification guidance algorithm

0 引 言

隨着科学技术的不断发展，多信道网络通信技术在人们的生产和生活中具有较高的应用价值。但是在云计算下的多信道传输过程中，存在数据量高和不确定性的问题，导致不同信道间存在一定干扰，使得信道信号传输误差增加[1?4]。并且传统自适应信道均衡方法，对云计算下的信道进行均衡控制过程中，通过训练在接收端调整均衡器，导致信道信号传播时因训练序列的插入出现传输滞后问题，使得通信中有效数据的传输率降低。因此，寻求合理的方法，实现云计算下信道信号的均衡选择，成为相关人员分析的热点问题[5?6]。

文献[7]提出盲序列估计法的信道均衡选择方法，其通过最大似然估计算法对信道输入序列进行最佳预测，完成信道信号的合理控制，但是该方法的运算复杂度较高。文献[8]分析了依据高阶统计量的信道均衡方法，其从信道均衡器输入信号的高阶累积量中采集信道参数，塑造信号的高阶累积量同信道参数间的关联函数，再对该函数进行求解获取信道参数。但该方法运算量较高，并且需要依据大量的观测数据进行分析，抗噪性能较差。

为了解决上述问题，对云计算下的信道均衡选择方法进行研究与改进。实验结果表明，所设计的信道均衡器的误码率性能和收敛性能高，可确保信道具有较高的均衡性能。

1 云计算下的信道均衡选择方法研究与改进

1.1 云计算下的信道均衡器总体结构设计

采用无线信道通信系统中的接收部件，可降低云计算下的多信道通信间的码间串扰。云计算下的信道通信网络包括16QAM 以及 QPSK两种方法。因此，设置云计算下的信道均衡器的输入数据为I，Q两路数据，各路数据宽度是12 b。设计的信道均衡器包括滤波器模块、调整模块和辨识模块，总体结构图如图1所示。

分析图1可得，云计算下的信道均衡器输入数据时，向滤波器模块和调整模块同时输入两路12 b的I路和Q路输入信号。滤波器模块中的正交滤波器对两路信号进行补偿处理，运算出两路信号和以及信号差，同时将运算出的结果输入到辨识模块。辨识模块输出两种信号：一种是信道均衡器的输出信号，其由I，Q两路输出信号构成；一种是运算出的I，Q两路的误差信号。两路误差信号传递到调整模块，进行调控处理，实现信道均衡控制。调整模块的输入信号还包括滤波器模块的I，Q路滤波器中的各抽头的输入信号，可用IData In N和QData In N描述，其中，N用于描述第N+1个抽头，其取值区间为[0，16]。调整模块主要运算出新的滤波器抽头系数，并将其传递到滤波器模块中，完成抽头系数的实时调整。

1.1.1 滤波器模块的设计

滤波器模块对均衡器输入信号进行补偿，获取理想输出信号的预测信号，确保辨识模块依据预测信号，对云计算下的信道均衡情况进行分析。滤波器模块对输入信号和抽头系数进行乘法运算，并且对乘积进行有效操作，实现输入信号的补偿。设计的滤波器模块的结构图，如图2所示。

图2所示的滤波器由IFIR0，IFIR1，QFIR0，QFIR1四路17阶FIR滤波器、18位加法器和18位减法器构成。4路滤波器中存在两组两路滤波器，它们共享一组抽头系数。其中，IFIR0同IFIR1滤波器的结构相同，QFIR0同QFIR1滤波器的结构相同。滤波器存在两种输入数据，一种是均衡器的I，Q路输入信号，一种是调整模块输出的潜在调整系数。其中，I路输入信号输入IFIR0和QFIR0两路滤波器，Q路信号输入QFIR1和IFIR1两路滤波器。而调整模块输出的潜在调整系数包括I路和Q路。各路潜在调整系数由17个数据（IAdapted Coef0～IAdapted Coef16 和QAdapted Coef0～QAdapted Coef16）构成，这些数据可用于运算17阶抽头的实际抽头系数。IFIR0 同 IFIR1滤波器的潜在调整系数都是IAdapted Coef0～IAdapted Coef16 ；而QFIR0同QFIR1滤波器的潜在调整系数都是QAdapted Coef0～QAdapted Coef16。设计IFIR0和IFIR1中间抽头为主抽头，其他为副抽头。QFIR0，QFIR1滤波器中的抽头都为副抽头。设置主抽头的抽头系数为1，副抽头的抽头系数为0。I，Q路输入信号通过4 路滤波器操作后可获取4路信号，这些信号分别输入到加法器和减法器，获取I，Q路信号和I，Q路信号差，这些信号都输入到辨识模块中。

1.1.2 辨识模块的设计

设计的辨识模块采用改进辨识指导算法运算出误差信号，并且对滤波器的输出信号进行分析，将滤波器的输出信号当成总体均衡器的输出信号。辨识模块将误差信号反馈到调整模块中。辨识模块的总体结构图如图3所示。

通过图3可得，辨识模块的输入信号为滤波器模块输出的I，Q路信号和以及I，Q路信号差的整数部分，以及复位信号和模式选择信号。模式选择信号用于描述云计算下的信道采用的调制方式，进而得出合理的误差信号。辨识模块基于上述分析的输入信号，采用改进辨识指导算法运算出I路和Q路的误差信号，并将误差信号反馈到调整模块中。辨识模块中的关键部分为模式选择模块，并且还有数据扩展模块以及两个减法器。

模式選择模块基于模式选择信号采取改进辨识指导算法，对输入的I，Q信号和以及差进行预测，将它们设置为规范值，并输出I，Q两路信号的预测值IPredictive以及 QPredictive，该两个预测值则是均衡器的判决输出，它们通过数据扩展模块进行运算后，能够扩展成12 b的信号IPredictive Ext 以及QPredictive Ext。按照改进辨识指导算法误差计算公式，能够获取I路和Q路误差信号，如下：

I路误差信号=IPredictive Ext-（I，Q路信号和）

Q路误差信号=QPredictive Ext-（I，Q路信号差）

1.1.3 调整模块的设计

调整模块按照某时刻均衡器滤波器中各抽头相关的I路以及Q路输入信号和两路误差信号，采用滤波器的抽头系数调整迭代公式，运算出滤波器抽头的调整方向，再运算出潜在调整系数，并将其反馈到滤波器模块中。调整模块的结构图如图4所示。

图4描述的调整模块的输入信号是滤波器各抽头对应的I路和Q路输入信号。因为，设计的滤波器是17阶的正交滤波器，因此，I，Q路滤波器的抽头输入信号分别是17个。其中，I路滤波器的中间抽头为主抽头。I，Q路的误差信号也是调整模块的输入信号。调整模块的输入还包括时钟信号和复位信号。调整模块由调整方向运算模块和调整系数运算模块构成。两组17 个I路和Q路输入信号和I，Q路误差信号都输入到调整方向运算模块中，该模块依据输入的信号信息，运算出I路和Q路的调整方向，每路都存在17个调整方向（IAdjust0～IAdjust16 以及 QAdjust0～QAdjust16 ）。这些调整方向输入到调整系数运算模块中进行分析，获取I路以及Q路滤波器的潜在调整系数（IControlparameters0～16 和QControlparameters0～16），这些调整系数则是调整模块的输出信号，这些输出信号反馈到滤波器模块中，对滤波器抽头系数进行调整，实现云计算下信道资源的均衡选择。

1.2 云计算下的信道均衡器控制原理

设计的信道均衡器的盲均衡原理结构图见图5。

2 实验分析

为了验证本文提出的信道均衡选择方法的有效性，需要进行相关的实验分析。均方畸变误差低于-15 dB时，10次实验的平均训练结果如表1所示，本文方法的训练代数和塑造时间都低于混合免疫方法，具有较高的优越性。不同信道均衡器的均方畸变误差波动曲线如图6所示。从图6中可以看出，采用本文方法训练信道均衡器的过程同混合免疫方法相比，收敛效率高并且平稳，具有较低的均方畸变误差。

不同方法在信噪比一致的情况下，信道均衡的误码率性能如图7所示。能够看出本文均衡器的误码率性能优于混合免疫方法，本文方法增强了接收机的误码率性能。

当信噪比不同，迭代次数一致时，本文均衡器和基于混合免疫方法的均衡器的误码率性能如图8所示，从图8中可以看出两种方法的误码率都低于0.1，当迭代次数相同时，本文方法的误码率性能优于混合免疫方法，说明本文方法具有较高的收敛性能。

实验过程中随机产生信道数为8，图9和图10描述了混合免疫方法和本文方法在不同信噪比情况下的信道均衡性能。分析图9和图10可得，本文方法在信噪比高于35 dB后，剩余的幅度失配和剩余相位失配保持稳定，而混合免疫方法的剩余幅度失配以及剩余相位失配一直在变化，说明本文方法下的信道具有较高的均衡性能，可满足云计算下的信道资源均衡分配需求。

3 结 论

本文对云计算下的信道均衡选择方法进行研究与改进，设计的信道均衡器包括滤波器模块、调整模块和辨识模块。滤波器模块对均衡器输入信号进行补偿，获取理想输出信号的预测信号，确保辨识模块依据预测信号，对云计算下的信道信号均衡情况进行分析。辨识模块采用辨识指导算法运算出误差信号，并将误差信号反馈到调整模块中。调整模块按照反馈的两路误差信号，采用滤波器的抽头系数调整迭代公式，运算出滤波器抽头的调整方向和潜在调整系数，再将潜在调整系数反馈到滤波器模块中。分析了信道均衡器的运行原理，以及其采用改进辨识指导算法进行工作的过程。实验结果表明，所设计的信道均衡器的误码率性能和收敛性能高，可确保信道具有较高的均衡性能。

参考文献

[1] 谢胜军，蔡利平.云计算环境下多信道均衡方法研究与仿真[J].计算机仿真，2015，32（6）：204?207.

[2] 周漪，时军艳.移动云计算中的时变通信信道估计算法[J].科技通报，2015，31（10）：169?171.

[3] 孙凌宇，冷明，朱平，等.云计算环境下基于禁忌搜索的负载均衡任务调度优化算法[J].小型微型计算机系统，2015，36（9）：1948?1952.

[4] 杨石，王艳玲，王永利.云计算环境下基于蜜蜂觅食行为的任务负载均衡算法[J].计算机应用，2015，35（4）：938?943.

[5] 周源，冯文龙，黄梦醒.云计算环境下中间件的负载均衡机制研究[J].计算机工程与设计，2014，35（4）：1188?1192.

[6] 汪蓉.云計算环境下虚拟机资源均衡调度方法探析[J].湖北科技学院学报，2015，35（10）：4?6.

[7] 陈冬林，姚梦迪，邓国华.多实例云计算资源市场下超额预订决策方法[J].计算机应用，2016，36（1）：113?116.

[8] 黄冬梅，随宏运，贺琪，等.云计算环境下基于数据关联度的海洋监测大数据布局策略[J].计算机工程与科学，2015，37（11）：1989?1996.