做卫星通信物理层仿真的朋友应该都有这种体验接收端的星座图散得跟天女散花似的时间同步做了频偏也粗略补偿了信号还是没法稳健解调。这时候十有八九是频率选择性信道在捣鬼——多径叠了几条符号之间互相串扰靠一组固定系数的逆滤波器想一次性扭转局面基本不现实。MIMO多天线引入之后路径从一条变成好几条均衡难度的提升不是线性的是平方级别的。这篇内容围绕基于RLS递归最小二乘算法的MIMO卫星信道均衡化展开把我自己整理的一套Matlab实现方案、参数选择的逻辑和踩过的坑都写在下面了。如果你正在做卫星通信物理层、自适应均衡或者MIMO接收机相关仿真这篇可以直接给你一个能运行的框架。1. 问题建模MIMO卫星信道为什么需要均衡1.1 卫星信道不是简单的加性高斯信道很多初学者拿卫星信道当AWGN信道用仿真跑得特别快结果到了实测数据全对不上。卫星信道和地面蜂窝信道最大的不同是它有一个很强的视距分量但同时又混着不同程度的散射分量。高仰角的情况下直射路径占绝对主导信道接近高斯白噪声信道低仰角或者遇到移动平台遮挡、雨衰、对流层闪烁多径成分就会明显起来。经典模型里C.Loo模型把卫星链路拆成视距分量和对数正态遮挡的混合Corazza模型和Lutz模型也各自考虑了不同的应用场景这些模型共同指向一个结论卫星信道的幅度衰落是慢变的但相位和多径分布是随机的。对宽带传输来说多径不仅带来幅度起伏还直接把符号能量扩散到好几个码片宽度产生频率选择性衰落。这时候符号间干扰不可避免接收端光做时间同步和载波同步是不够的必须上均衡器。1.2 MIMO信道矩阵与均衡器的输入结构MIMO系统相当于在收发两端各放多根天线在空间维度上引入分集和复用增益。但代价也很直接每个接收天线收到的信号是所有发射天线信号的线性叠加每一条路径都经历了各自不同的多径衰落。离散基带等效可以写成y(t) sum_{l0}^{Lch-1} H(l) * x(t-l) n(t)其中H(l)是第l径的Nr×Nt信道矩阵x(t)是Nt维发射符号向量n(t)是复高斯噪声。这里的Lch就是多径抽头数它决定了信道的频率选择性有多严重。均衡器的思路是构造一个包含所有接收天线延时线的输入向量。比如针对第j个发射流做均衡时输入向量u(n)的维度是(Nr*L)×1形式为u(n) [x1(n), x1(n-1), ..., x1(n-L1), x2(n), x2(n-1), ..., x2(n-L1), ..., xNr(n), ..., xNr(n-L1)]^TL是均衡器的FIR滤波器阶数。这样设计的好处很直观同一时刻把多根天线上的多径信息全部喂给均衡器让它在时间和空间两个维度同时做联合处理。权值向量w的维度也是(Nr*L)×1均衡器的输出就是w^H * u(n)。这个结构本质上就是MIMO线性均衡器不过通过把多天线信号拼成一个长向量RLS算法的公式不需要做任何本质改动直接套用单通道的形式就行。1.3 为什么非要自适应均衡而不是固定抽头逆滤波卫星信道和地面信道不同它通常是慢时变的但低轨卫星移动场景下多普勒频移大信道可能在短时间内明显变化。固定抽头均衡器用训练阶段算好的权值一路用到底遇到信道漂移就会迅速恶化。自适应均衡的好处是能够持续用接收信号修正权值无论是训练序列还是判决信号都能让均衡器跟着信道走。另一个现实问题是固定抽头逆滤波在信道矩阵接近奇异的时候会放大噪声均衡器输出的信噪比可能比不做任何均衡还差。自适应算法因为始终基于最小化误差能量能在噪声增强和残留干扰之间自动找平衡这是它最大的价值所在。2. RLS算法原理从思想到递推公式2.1 自适应均衡家族的选型LMS、CMA与RLS自适应均衡算法里最常用的是LMS、CMA和RLS三种。LMS最简单每一步用梯度方向修正权值计算量小但收敛速度受输入信号自相关矩阵的特征值扩散度影响很大。通俗点说如果信道各路径增益差距大LMS的收敛过程会像在一个长条形的碗里走下山路反复震荡慢得让人着急。CMA盲均衡不需要训练序列适合在通信建立阶段快速收敛但它对相位模糊不敏感MIMO场景下还容易收敛到错误解。RLS走的是完全不同的路线它每一步都在求解带遗忘因子的最小二乘问题理论收敛速度与特征值扩散度基本无关。在MIMO均衡场景下不同收发天线间的路径功率差异往往非常大这正好是LMS最难受、RLS最能发挥优势的场合。2.2 RLS的核心递推公式与遗忘因子RLS的代价函数是加权累计误差平方和J(n) sum_{i0}^{n} λ^(n-i) * |e(i)|^2这里的λ称为遗忘因子取值在0到1之间。λ^(n-i)意味着离当前时刻越近的误差权重越高越久远的误差逐渐被淡忘。这个设计让RLS既能保持统计平稳又有能力跟踪慢变信道。标准递推过程有五件事初始化逆相关矩阵P然后每个时刻依次计算增益向量、先验误差、更新权值、更新P矩阵。具体公式如下增益向量k(n) P(n-1)u(n) / (λ u^H(n)P(n-1)u(n))先验误差e(n) d(n) - w^H(n-1)u(n)权值更新w(n) w(n-1) k(n) * conj(e(n))逆相关矩阵更新P(n) (1/λ) * [P(n-1) - k(n) * u^H(n)P(n-1)]P矩阵的物理含义是输入向量相关矩阵的逆的估计它反映了当前对信道参数不确定度的认知。初始值通常设成P delta * Idelta越大表示初始对权值越不确信收敛前期的调整步长也越大。这一步看起来简单却直接影响早期收敛行为后面会在参数分析里细说。2.3 遗忘因子λ和初始delta的选择逻辑工程上λ一般取0.99到0.9999之间。信道相对平稳的时候λ越接近1越好这样算法对历史数据一视同仁稳态失调小信道时变明显的时候λ得稍微小一点让算法快速丢掉旧数据。我自己的习惯是从0.999开始调如果收敛曲线在几百个符号后还有明显抖动就降一点如果发现跟踪不上信道变化降到0.99也可能。单纯为了快速收敛但不在乎稳态噪声可以临时用0.99。delta的经验值跟信噪比有关。高信噪比下delta取1到10低信噪比下delta取0.1到1。delta设太大训练初期权值乱跳可能把误差扩散到不可控设太小收敛又太慢。在实际代码里这两个参数就是调RLS算法的所有旋钮。3. Matlab实现全流程3.1 仿真框架设计我建议把整个流程拆成几个模块参数配置、信道生成、发射帧构造、接收加噪、RLS均衡、误码统计最后在外层循环SNR。不要把所有代码堆在一个文件里虽然Matlab脚本方便但调试起来非常痛苦。我的做法是先把单次仿真跑通再加蒙特卡洛循环。整体流程是这样的先生成QPSK符号的训练序列和数据序列组成帧结构经过MIMO卫星信道卷积叠加高斯白噪声然后在接收端用一个(Nr*L)输入的单输出RLS均衡器对每个发射流分别恢复符号。这里特别说一句MIMO均衡器并不是一个整体在做矩阵运算常见的实现就是把所有接收天线数据拼成一个大向量然后对每个期望流各跑一套独立的RLS。训练序列在不同发射流之间要尽量不相关这一步做对了多个流的均衡器才能各自收敛到正确的解。3.2 卫星MIMO信道生成代码信道建模我用Rician多抽头模型。抽头数Lch设为3每径的功率按[0, -3, -6] dB递减并归一化这样信道总平均增益为1方便后面定义信噪比。Rician K因子设为10dB代表卫星信道中视距分量较强的场景。% 参数配置 Nt 2; Nr 2; M 4; L 5; Lch 3; Ntrain 200; Ndata 1000; lambda 0.999; delta 10; snr_dB 10; % 生成QPSK训练与数据序列 train_seq randi([0 M-1], Nt, Ntrain); train_sym pskmod(train_seq, M); data_seq randi([0 M-1], Nt, Ndata); data_sym pskmod(data_seq, M); % Rician多抽头MIMO信道 tap_pw 10.^([0 -3 -6]/10); tap_pw tap_pw / sum(tap_pw); KdB 10; K 10^(KdB/10); H zeros(Nr, Nt, Lch); for l 1:Lch los ones(Nr, Nt); nlos (randn(Nr, Nt) 1j*randn(Nr, Nt)) / sqrt(2); H(:,:,l) sqrt(tap_pw(l)) * (sqrt(K/(K1))*los sqrt(1/(K1))*nlos); end把LOS分量用全1矩阵表示是一个数学上的简化相当于认为各天线之间的直达路径增益相同。如果实际仿真需要更精细的方向性改成随机相位LOS矩阵也不难核心思路不变。噪声功率这里要注意发送信号的平均功率归一化为1信噪比定义为每符号信噪比所以复噪声的方差就是1/snr_lin。3.3 RLS-MIMO均衡器核心代码与逐行解析接收端加噪后进入RLS均衡核心部分。下面的代码以第1个发射流为例实际对Nt个流各跑一遍即可% 发送帧拼接 tx [train_sym, data_sym]; Ntotal Ntrain Ndata; % 卷积信道生成接收信号 x zeros(Nr, Ntotal); for r 1:Nr for t 1:Nt for l 1:Lch x(r,:) x(r,:) H(r,t,l) * [zeros(1,l-1), tx(t,1:end-l1)]; end end end % 加高斯白噪声 snr_lin 10^(snr_dB/10); noise sqrt(1/(2*snr_lin)) * (randn(Nr, Ntotal) 1j*randn(Nr, Ntotal)); x x noise; % RLS均衡器初始化 P delta * eye(Nr*L); w zeros(Nr*L, 1); errVec zeros(Ntotal, 1); % 训练 判决导向模式迭代 for n 1:Ntotal % 构造所有接收天线的延时线输入向量 uVec zeros(Nr*L, 1); for r 1:Nr low max(1, n-L1); seg x(r, low:n); if length(seg) L seg [zeros(1, L-length(seg)), seg]; end uVec((r-1)*L1 : r*L, 1) flipud(seg(:)); end % 训练段用已知符号数据段用判决符号 if n Ntrain dRef train_sym(1, n); else dRef pskdemod(w*uVec, M); dRef pskmod(dRef, M); end % RLS核心更新 e dRef - w*uVec; g P * uVec; % 相当于相关矩阵逆乘以输入向量 alpha lambda uVec * g; % 归一化因子 kGain g / alpha; % 增益向量 w w kGain * conj(e); % 权值更新 P (P - kGain * (uVec * P)) / lambda; % 逆相关矩阵递推 errVec(n) abs(e)^2; end代码里最容易写错的地方是P矩阵更新那行。注意uVec * P的结果是行向量kGain是列向量两者相乘才得到矩阵不能把这行写反。另一个坑是flipud的使用uVec中同一根天线的数据要按时间反序排列这是因为均衡器的输入序列通常定义为最当前符号在前。稍微想一下滤波器卷积的方向就明白了。3.4 多流处理与误码统计对第2个发射流只需把训练参考换成train_sym(2,n)重新初始化P和w再跑一遍同样的循环。因为两组训练序列相互独立均衡器能分开学习每个流。这样做的计算量和单流情况下接近翻倍但实现逻辑清晰不容易出bug。误码统计的部分把数据段均衡器的输出y_eq保存下来然后与data_seq对比% 数据段均衡输出 y_eq(j, n-Ntrain) w * uVec; % 整体误符号率统计 rx_sym pskdemod(y_eq, M); err sum(sum(rx_sym ~ data_seq)); ber err / (Nt * Ndata);如果想统计误比特率就把符号转成比特再比较。通常误符号率在QPSK下大约是误比特率的2倍关系实际报告BER的时候要说明统计口径。3.4 外层SNR循环与蒙特卡洛平均单次仿真只能看趋势要画BER曲线必须做蒙特卡洛。我用过的最简单结构是外层遍历SNR内层跑若干帧每帧用新的信道实现和噪声实现最后把错误符号数累加。帧数一般取50到200之间帧数太少曲线抖动大帧数太多仿真时间成倍涨。在RLS均衡下每帧1000个数据符号2×2 MIMO50帧的运算量在普通电脑上可以接受。如果觉得慢优先减少Ndata而不是减少帧数因为训练序列长度会影响收敛行为不能随便缩水。4. 性能分析与参数影响4.1 收敛曲线对比RLS与LMS的直观差别把errVec用指数滑动平均平滑一下再画出来能看到RLS的收敛曲线在几十个符号内就掉到稳态附近而同等条件下的LMS可能需要几百甚至上千次迭代。原因就是前面说的特征值扩散问题。MIMO信道合成的输入向量维度是Nr*L当这个向量不同分量之间功率差异很大时LMS的步长只能迁就最大的特征值所以收敛慢。RLS通过维护P矩阵相当于每一步都对当前坐标系做了一轮旋转校正各方向收敛速度一致。实际做对比的时候LMS的步长参数要反复试不同SNR下最优步长还不同很折腾。RLS就舒服多了核心参数就λ和delta而且取值范围的经验区间非常窄几乎不需要为每个场景重新调。4.2 不同SNR下的BER表现与均衡器极限这个仿真框架跑出来的典型趋势是SNR低的时候均衡器输出误码主要受噪声限制BER曲线斜率会比较平缓SNR提高到一定阈值后残余ISI开始成为主导因素曲线斜率变陡。如果信道抽头数Lch大于均衡器阶数L或者训练序列不够长曲线会出现一个平层也就是所谓的误码地板。遇到误码地板时先不要急着怀疑RLS算法大概率是均衡器模型本身不够用。线性均衡器一个天然的弱点是在深度频率选择性信道下它为了消除ISI会把噪声也放大所以误码地板通常不会特别低。想要更优的性能可以考虑在反馈回路里加上判决反馈结构也就是MIMO-DFE前馈和反馈滤波器都用RLS更新代价是反馈部分要处理延时和错误传播问题。4.3 遗忘因子λ和均衡器阶数L的实战调参λ参数最直接的影响体现在低SNR和高时变两个场景。低SNR下λ太大会让噪声积累长期消不掉稳态误差大λ太小又会丢弃太多历史信息估计方差变大。一个我常用的调试顺序是固定delta1训练段200符号先跑λ0.999看收敛曲线如果稳态误差层的厚度超过0.01就改用0.99。反过来如果发现信道是快变的比如模拟低轨卫星过顶用0.995以下能明显改善跟踪误差。均衡器阶数L的选择理论上要大于等于信道冲激响应的有效长度。信道抽头数Lch3时L5是起步值。L太小滤波器覆盖不了时延扩展残留ISI明显L太大权值自由度太多所需训练序列变长噪声性能反而变差。判断L是否合适的一个快速办法把L从5改到7如果BER没有明显改善说明当前L已经够用不要继续加了。5. 工程实践中的典型问题与排查实录5.1 P矩阵在长仿真中发散RLS的P矩阵递推在理论上一定正定但数值实现里有限精度计算会让P慢慢失去对称性甚至出现NaN。最常见的原因是输入信号功率太大叠加λ接近1P的数值在长帧里不断累积误差。排查方法很直接在迭代循环里定期检查P的对角线元素一旦出现负数或者Inf立即停止循环打印出错位置。解决思路有三个方向把输入信号功率归一化比如除一个常数让接收信号幅度在1附近把λ调小一点比如从0.999变成0.995或者改用P矩阵的平方根形式也就是下三角Cholesky因子递推数值稳定性会好很多代价是代码复杂度变大。5.2 训练序列设计的坑在MIMO场景下各发射流必须用相互独立的训练序列这是老生常谈但在代码里特别容易糊弄。有人图省事直接用同一个训练序列循环移位几个符号结果多个流之间训练序列强相关均衡器分不清信号来自哪个天线训练阶段就不收敛或者收敛到错误解。正确做法是用正交序列比如Walsh码或者Hadamard码或者随机生成的QPSK序列并检查互相关。另一个细节是训练序列的长度至少取(Nr*L)的2到5倍。比如2×2 MIMOL5均衡器维度是10训练序列200符号已经是从宽了低于50就很危险。5.3 判决导向模式下的误码传播数据段采用判决导向更新最大的隐患是误码传播一旦判决错了一个符号后面的误差反馈就可能把权值拖向错误的解导致连续一片误码。BER比较低的时候比如低于10^-2误码传播影响不大但SNR低或者信道条件差的时候就可能雪崩。应对方法有几个一是训练段加长让均衡器在进入判决导向前就接近稳态二是在判决导向初期用软判决替代硬判决减少错误反馈三是周期性插入导频块每隔一段数据就重新训练一次。这几种策略复杂度递增但都能有效压住误码传播。5.4 复数域处理的低级错误Matlab里是共轭转置. 是普通转置。RLS全套公式里出现的转置几乎都应该是共轭转置。我见过有人把P更新写成P - k*(uVec.P)结果半个小时后发现算法完全不收敛最后逐行排查才发现是这里少了个conj。还有一个容易忽略的细节误差e、权值w和输入u都是复数更新w w kconj(e)这一步里conj不能少。这两处是复数域实现RLS最容易出错的地方也是我建议所有新手跑通代码后先打印误差曲线、确认收敛趋势的原因。5.5 复杂度优化的现实选择RLS每步更新P矩阵的计算量是O((Nr*L)^2)。在2×2 MIMO、L5的规模下单次迭代还很快但换成4×4 MIMOL10维度变成40每步的矩阵运算就开始明显拖慢仿真了。工程上如果需要降复杂度可以用卡尔曼型RLS或者QR-RLS做分解也可以考虑在信道相对平稳时让RLS先收敛然后切换到LMS稳态跟踪这样既保留快速启动的优点又省掉后续的高复杂度更新。这套框架在仿真时直接用RLS到底没问题但放到实时DSP实现里复杂度问题就是绕不过去的第一道坎。最后说一个我自己的习惯每调一组均衡器参数我都会把误差收敛曲线和星座图放在一起看。误差曲线告诉我算法是不是稳了星座图告诉我稳了之后到底稳到什么程度。光盯着BER一个数字很容易被多帧平均的结果骗过去你以为算法表现得不错其实可能正好在误码地板边缘徘徊。这个习惯帮我少走了不少弯路如果你也在做MIMO均衡器建议试试。
MIMO卫星信道自适应均衡：RLS算法原理与Matlab实现
做卫星通信物理层仿真的朋友应该都有这种体验接收端的星座图散得跟天女散花似的时间同步做了频偏也粗略补偿了信号还是没法稳健解调。这时候十有八九是频率选择性信道在捣鬼——多径叠了几条符号之间互相串扰靠一组固定系数的逆滤波器想一次性扭转局面基本不现实。MIMO多天线引入之后路径从一条变成好几条均衡难度的提升不是线性的是平方级别的。这篇内容围绕基于RLS递归最小二乘算法的MIMO卫星信道均衡化展开把我自己整理的一套Matlab实现方案、参数选择的逻辑和踩过的坑都写在下面了。如果你正在做卫星通信物理层、自适应均衡或者MIMO接收机相关仿真这篇可以直接给你一个能运行的框架。1. 问题建模MIMO卫星信道为什么需要均衡1.1 卫星信道不是简单的加性高斯信道很多初学者拿卫星信道当AWGN信道用仿真跑得特别快结果到了实测数据全对不上。卫星信道和地面蜂窝信道最大的不同是它有一个很强的视距分量但同时又混着不同程度的散射分量。高仰角的情况下直射路径占绝对主导信道接近高斯白噪声信道低仰角或者遇到移动平台遮挡、雨衰、对流层闪烁多径成分就会明显起来。经典模型里C.Loo模型把卫星链路拆成视距分量和对数正态遮挡的混合Corazza模型和Lutz模型也各自考虑了不同的应用场景这些模型共同指向一个结论卫星信道的幅度衰落是慢变的但相位和多径分布是随机的。对宽带传输来说多径不仅带来幅度起伏还直接把符号能量扩散到好几个码片宽度产生频率选择性衰落。这时候符号间干扰不可避免接收端光做时间同步和载波同步是不够的必须上均衡器。1.2 MIMO信道矩阵与均衡器的输入结构MIMO系统相当于在收发两端各放多根天线在空间维度上引入分集和复用增益。但代价也很直接每个接收天线收到的信号是所有发射天线信号的线性叠加每一条路径都经历了各自不同的多径衰落。离散基带等效可以写成y(t) sum_{l0}^{Lch-1} H(l) * x(t-l) n(t)其中H(l)是第l径的Nr×Nt信道矩阵x(t)是Nt维发射符号向量n(t)是复高斯噪声。这里的Lch就是多径抽头数它决定了信道的频率选择性有多严重。均衡器的思路是构造一个包含所有接收天线延时线的输入向量。比如针对第j个发射流做均衡时输入向量u(n)的维度是(Nr*L)×1形式为u(n) [x1(n), x1(n-1), ..., x1(n-L1), x2(n), x2(n-1), ..., x2(n-L1), ..., xNr(n), ..., xNr(n-L1)]^TL是均衡器的FIR滤波器阶数。这样设计的好处很直观同一时刻把多根天线上的多径信息全部喂给均衡器让它在时间和空间两个维度同时做联合处理。权值向量w的维度也是(Nr*L)×1均衡器的输出就是w^H * u(n)。这个结构本质上就是MIMO线性均衡器不过通过把多天线信号拼成一个长向量RLS算法的公式不需要做任何本质改动直接套用单通道的形式就行。1.3 为什么非要自适应均衡而不是固定抽头逆滤波卫星信道和地面信道不同它通常是慢时变的但低轨卫星移动场景下多普勒频移大信道可能在短时间内明显变化。固定抽头均衡器用训练阶段算好的权值一路用到底遇到信道漂移就会迅速恶化。自适应均衡的好处是能够持续用接收信号修正权值无论是训练序列还是判决信号都能让均衡器跟着信道走。另一个现实问题是固定抽头逆滤波在信道矩阵接近奇异的时候会放大噪声均衡器输出的信噪比可能比不做任何均衡还差。自适应算法因为始终基于最小化误差能量能在噪声增强和残留干扰之间自动找平衡这是它最大的价值所在。2. RLS算法原理从思想到递推公式2.1 自适应均衡家族的选型LMS、CMA与RLS自适应均衡算法里最常用的是LMS、CMA和RLS三种。LMS最简单每一步用梯度方向修正权值计算量小但收敛速度受输入信号自相关矩阵的特征值扩散度影响很大。通俗点说如果信道各路径增益差距大LMS的收敛过程会像在一个长条形的碗里走下山路反复震荡慢得让人着急。CMA盲均衡不需要训练序列适合在通信建立阶段快速收敛但它对相位模糊不敏感MIMO场景下还容易收敛到错误解。RLS走的是完全不同的路线它每一步都在求解带遗忘因子的最小二乘问题理论收敛速度与特征值扩散度基本无关。在MIMO均衡场景下不同收发天线间的路径功率差异往往非常大这正好是LMS最难受、RLS最能发挥优势的场合。2.2 RLS的核心递推公式与遗忘因子RLS的代价函数是加权累计误差平方和J(n) sum_{i0}^{n} λ^(n-i) * |e(i)|^2这里的λ称为遗忘因子取值在0到1之间。λ^(n-i)意味着离当前时刻越近的误差权重越高越久远的误差逐渐被淡忘。这个设计让RLS既能保持统计平稳又有能力跟踪慢变信道。标准递推过程有五件事初始化逆相关矩阵P然后每个时刻依次计算增益向量、先验误差、更新权值、更新P矩阵。具体公式如下增益向量k(n) P(n-1)u(n) / (λ u^H(n)P(n-1)u(n))先验误差e(n) d(n) - w^H(n-1)u(n)权值更新w(n) w(n-1) k(n) * conj(e(n))逆相关矩阵更新P(n) (1/λ) * [P(n-1) - k(n) * u^H(n)P(n-1)]P矩阵的物理含义是输入向量相关矩阵的逆的估计它反映了当前对信道参数不确定度的认知。初始值通常设成P delta * Idelta越大表示初始对权值越不确信收敛前期的调整步长也越大。这一步看起来简单却直接影响早期收敛行为后面会在参数分析里细说。2.3 遗忘因子λ和初始delta的选择逻辑工程上λ一般取0.99到0.9999之间。信道相对平稳的时候λ越接近1越好这样算法对历史数据一视同仁稳态失调小信道时变明显的时候λ得稍微小一点让算法快速丢掉旧数据。我自己的习惯是从0.999开始调如果收敛曲线在几百个符号后还有明显抖动就降一点如果发现跟踪不上信道变化降到0.99也可能。单纯为了快速收敛但不在乎稳态噪声可以临时用0.99。delta的经验值跟信噪比有关。高信噪比下delta取1到10低信噪比下delta取0.1到1。delta设太大训练初期权值乱跳可能把误差扩散到不可控设太小收敛又太慢。在实际代码里这两个参数就是调RLS算法的所有旋钮。3. Matlab实现全流程3.1 仿真框架设计我建议把整个流程拆成几个模块参数配置、信道生成、发射帧构造、接收加噪、RLS均衡、误码统计最后在外层循环SNR。不要把所有代码堆在一个文件里虽然Matlab脚本方便但调试起来非常痛苦。我的做法是先把单次仿真跑通再加蒙特卡洛循环。整体流程是这样的先生成QPSK符号的训练序列和数据序列组成帧结构经过MIMO卫星信道卷积叠加高斯白噪声然后在接收端用一个(Nr*L)输入的单输出RLS均衡器对每个发射流分别恢复符号。这里特别说一句MIMO均衡器并不是一个整体在做矩阵运算常见的实现就是把所有接收天线数据拼成一个大向量然后对每个期望流各跑一套独立的RLS。训练序列在不同发射流之间要尽量不相关这一步做对了多个流的均衡器才能各自收敛到正确的解。3.2 卫星MIMO信道生成代码信道建模我用Rician多抽头模型。抽头数Lch设为3每径的功率按[0, -3, -6] dB递减并归一化这样信道总平均增益为1方便后面定义信噪比。Rician K因子设为10dB代表卫星信道中视距分量较强的场景。% 参数配置 Nt 2; Nr 2; M 4; L 5; Lch 3; Ntrain 200; Ndata 1000; lambda 0.999; delta 10; snr_dB 10; % 生成QPSK训练与数据序列 train_seq randi([0 M-1], Nt, Ntrain); train_sym pskmod(train_seq, M); data_seq randi([0 M-1], Nt, Ndata); data_sym pskmod(data_seq, M); % Rician多抽头MIMO信道 tap_pw 10.^([0 -3 -6]/10); tap_pw tap_pw / sum(tap_pw); KdB 10; K 10^(KdB/10); H zeros(Nr, Nt, Lch); for l 1:Lch los ones(Nr, Nt); nlos (randn(Nr, Nt) 1j*randn(Nr, Nt)) / sqrt(2); H(:,:,l) sqrt(tap_pw(l)) * (sqrt(K/(K1))*los sqrt(1/(K1))*nlos); end把LOS分量用全1矩阵表示是一个数学上的简化相当于认为各天线之间的直达路径增益相同。如果实际仿真需要更精细的方向性改成随机相位LOS矩阵也不难核心思路不变。噪声功率这里要注意发送信号的平均功率归一化为1信噪比定义为每符号信噪比所以复噪声的方差就是1/snr_lin。3.3 RLS-MIMO均衡器核心代码与逐行解析接收端加噪后进入RLS均衡核心部分。下面的代码以第1个发射流为例实际对Nt个流各跑一遍即可% 发送帧拼接 tx [train_sym, data_sym]; Ntotal Ntrain Ndata; % 卷积信道生成接收信号 x zeros(Nr, Ntotal); for r 1:Nr for t 1:Nt for l 1:Lch x(r,:) x(r,:) H(r,t,l) * [zeros(1,l-1), tx(t,1:end-l1)]; end end end % 加高斯白噪声 snr_lin 10^(snr_dB/10); noise sqrt(1/(2*snr_lin)) * (randn(Nr, Ntotal) 1j*randn(Nr, Ntotal)); x x noise; % RLS均衡器初始化 P delta * eye(Nr*L); w zeros(Nr*L, 1); errVec zeros(Ntotal, 1); % 训练 判决导向模式迭代 for n 1:Ntotal % 构造所有接收天线的延时线输入向量 uVec zeros(Nr*L, 1); for r 1:Nr low max(1, n-L1); seg x(r, low:n); if length(seg) L seg [zeros(1, L-length(seg)), seg]; end uVec((r-1)*L1 : r*L, 1) flipud(seg(:)); end % 训练段用已知符号数据段用判决符号 if n Ntrain dRef train_sym(1, n); else dRef pskdemod(w*uVec, M); dRef pskmod(dRef, M); end % RLS核心更新 e dRef - w*uVec; g P * uVec; % 相当于相关矩阵逆乘以输入向量 alpha lambda uVec * g; % 归一化因子 kGain g / alpha; % 增益向量 w w kGain * conj(e); % 权值更新 P (P - kGain * (uVec * P)) / lambda; % 逆相关矩阵递推 errVec(n) abs(e)^2; end代码里最容易写错的地方是P矩阵更新那行。注意uVec * P的结果是行向量kGain是列向量两者相乘才得到矩阵不能把这行写反。另一个坑是flipud的使用uVec中同一根天线的数据要按时间反序排列这是因为均衡器的输入序列通常定义为最当前符号在前。稍微想一下滤波器卷积的方向就明白了。3.4 多流处理与误码统计对第2个发射流只需把训练参考换成train_sym(2,n)重新初始化P和w再跑一遍同样的循环。因为两组训练序列相互独立均衡器能分开学习每个流。这样做的计算量和单流情况下接近翻倍但实现逻辑清晰不容易出bug。误码统计的部分把数据段均衡器的输出y_eq保存下来然后与data_seq对比% 数据段均衡输出 y_eq(j, n-Ntrain) w * uVec; % 整体误符号率统计 rx_sym pskdemod(y_eq, M); err sum(sum(rx_sym ~ data_seq)); ber err / (Nt * Ndata);如果想统计误比特率就把符号转成比特再比较。通常误符号率在QPSK下大约是误比特率的2倍关系实际报告BER的时候要说明统计口径。3.4 外层SNR循环与蒙特卡洛平均单次仿真只能看趋势要画BER曲线必须做蒙特卡洛。我用过的最简单结构是外层遍历SNR内层跑若干帧每帧用新的信道实现和噪声实现最后把错误符号数累加。帧数一般取50到200之间帧数太少曲线抖动大帧数太多仿真时间成倍涨。在RLS均衡下每帧1000个数据符号2×2 MIMO50帧的运算量在普通电脑上可以接受。如果觉得慢优先减少Ndata而不是减少帧数因为训练序列长度会影响收敛行为不能随便缩水。4. 性能分析与参数影响4.1 收敛曲线对比RLS与LMS的直观差别把errVec用指数滑动平均平滑一下再画出来能看到RLS的收敛曲线在几十个符号内就掉到稳态附近而同等条件下的LMS可能需要几百甚至上千次迭代。原因就是前面说的特征值扩散问题。MIMO信道合成的输入向量维度是Nr*L当这个向量不同分量之间功率差异很大时LMS的步长只能迁就最大的特征值所以收敛慢。RLS通过维护P矩阵相当于每一步都对当前坐标系做了一轮旋转校正各方向收敛速度一致。实际做对比的时候LMS的步长参数要反复试不同SNR下最优步长还不同很折腾。RLS就舒服多了核心参数就λ和delta而且取值范围的经验区间非常窄几乎不需要为每个场景重新调。4.2 不同SNR下的BER表现与均衡器极限这个仿真框架跑出来的典型趋势是SNR低的时候均衡器输出误码主要受噪声限制BER曲线斜率会比较平缓SNR提高到一定阈值后残余ISI开始成为主导因素曲线斜率变陡。如果信道抽头数Lch大于均衡器阶数L或者训练序列不够长曲线会出现一个平层也就是所谓的误码地板。遇到误码地板时先不要急着怀疑RLS算法大概率是均衡器模型本身不够用。线性均衡器一个天然的弱点是在深度频率选择性信道下它为了消除ISI会把噪声也放大所以误码地板通常不会特别低。想要更优的性能可以考虑在反馈回路里加上判决反馈结构也就是MIMO-DFE前馈和反馈滤波器都用RLS更新代价是反馈部分要处理延时和错误传播问题。4.3 遗忘因子λ和均衡器阶数L的实战调参λ参数最直接的影响体现在低SNR和高时变两个场景。低SNR下λ太大会让噪声积累长期消不掉稳态误差大λ太小又会丢弃太多历史信息估计方差变大。一个我常用的调试顺序是固定delta1训练段200符号先跑λ0.999看收敛曲线如果稳态误差层的厚度超过0.01就改用0.99。反过来如果发现信道是快变的比如模拟低轨卫星过顶用0.995以下能明显改善跟踪误差。均衡器阶数L的选择理论上要大于等于信道冲激响应的有效长度。信道抽头数Lch3时L5是起步值。L太小滤波器覆盖不了时延扩展残留ISI明显L太大权值自由度太多所需训练序列变长噪声性能反而变差。判断L是否合适的一个快速办法把L从5改到7如果BER没有明显改善说明当前L已经够用不要继续加了。5. 工程实践中的典型问题与排查实录5.1 P矩阵在长仿真中发散RLS的P矩阵递推在理论上一定正定但数值实现里有限精度计算会让P慢慢失去对称性甚至出现NaN。最常见的原因是输入信号功率太大叠加λ接近1P的数值在长帧里不断累积误差。排查方法很直接在迭代循环里定期检查P的对角线元素一旦出现负数或者Inf立即停止循环打印出错位置。解决思路有三个方向把输入信号功率归一化比如除一个常数让接收信号幅度在1附近把λ调小一点比如从0.999变成0.995或者改用P矩阵的平方根形式也就是下三角Cholesky因子递推数值稳定性会好很多代价是代码复杂度变大。5.2 训练序列设计的坑在MIMO场景下各发射流必须用相互独立的训练序列这是老生常谈但在代码里特别容易糊弄。有人图省事直接用同一个训练序列循环移位几个符号结果多个流之间训练序列强相关均衡器分不清信号来自哪个天线训练阶段就不收敛或者收敛到错误解。正确做法是用正交序列比如Walsh码或者Hadamard码或者随机生成的QPSK序列并检查互相关。另一个细节是训练序列的长度至少取(Nr*L)的2到5倍。比如2×2 MIMOL5均衡器维度是10训练序列200符号已经是从宽了低于50就很危险。5.3 判决导向模式下的误码传播数据段采用判决导向更新最大的隐患是误码传播一旦判决错了一个符号后面的误差反馈就可能把权值拖向错误的解导致连续一片误码。BER比较低的时候比如低于10^-2误码传播影响不大但SNR低或者信道条件差的时候就可能雪崩。应对方法有几个一是训练段加长让均衡器在进入判决导向前就接近稳态二是在判决导向初期用软判决替代硬判决减少错误反馈三是周期性插入导频块每隔一段数据就重新训练一次。这几种策略复杂度递增但都能有效压住误码传播。5.4 复数域处理的低级错误Matlab里是共轭转置. 是普通转置。RLS全套公式里出现的转置几乎都应该是共轭转置。我见过有人把P更新写成P - k*(uVec.P)结果半个小时后发现算法完全不收敛最后逐行排查才发现是这里少了个conj。还有一个容易忽略的细节误差e、权值w和输入u都是复数更新w w kconj(e)这一步里conj不能少。这两处是复数域实现RLS最容易出错的地方也是我建议所有新手跑通代码后先打印误差曲线、确认收敛趋势的原因。5.5 复杂度优化的现实选择RLS每步更新P矩阵的计算量是O((Nr*L)^2)。在2×2 MIMO、L5的规模下单次迭代还很快但换成4×4 MIMOL10维度变成40每步的矩阵运算就开始明显拖慢仿真了。工程上如果需要降复杂度可以用卡尔曼型RLS或者QR-RLS做分解也可以考虑在信道相对平稳时让RLS先收敛然后切换到LMS稳态跟踪这样既保留快速启动的优点又省掉后续的高复杂度更新。这套框架在仿真时直接用RLS到底没问题但放到实时DSP实现里复杂度问题就是绕不过去的第一道坎。最后说一个我自己的习惯每调一组均衡器参数我都会把误差收敛曲线和星座图放在一起看。误差曲线告诉我算法是不是稳了星座图告诉我稳了之后到底稳到什么程度。光盯着BER一个数字很容易被多帧平均的结果骗过去你以为算法表现得不错其实可能正好在误码地板边缘徘徊。这个习惯帮我少走了不少弯路如果你也在做MIMO均衡器建议试试。
