[发明专利]一种自适应机器学习均衡方法及通信系统

权利要求书

1.一种自适应机器学习均衡方法，其步骤包括：

1)选取一基于高斯混合模型的均衡器并对其进行线下训练；

2)发送端利用训练后的该均衡器对所要发送的数据段进行编码后经传输信道发送给接收端；

3)接收端将接收的信号转化为数字信号并对其进行重采样、零均值标准化；然后对其中每一符号j，将该符号j及其前后L个符号所对应的标准化接收信号相拼接，作为该符号j的特征向量；

4)接收端利用训练后的该均衡器对该符号j的特征向量进行处理，输出该符号j及其前后L个符号中各符号均衡后的判决结果；

其中，每接收设定数量N_b的特征向量后，利用最近接收的N_b个特征向量对该均衡器进行在线训练更新，然后重复步骤2)～4)；对该均衡器进行在线训练更新的方法为：21)计算该N_b个特征向量中每一特征向量与基于高斯混合模型的均衡器中每一高斯分布的相似度；其中，第t个特征向量v_t与基于高斯混合模型的均衡器中第i个高斯分布的相似度Pr(i|v_t)；其中，t＝1,2,…,N_b；i＝1,2,…,K；22)根据所得相似度计算得到每个高斯概率密度函数的统计参数，包括权重、均值以及方差；23)根据得到的统计参数更新该均衡器的参数，得到该均衡器中每个高斯概率密度函数的统计参数。

2.如权利要求1所述的方法，其特征在于，步骤22)中，得到的第i个高斯概率密度函数的权重均值方差

3.如权利要求2所述的方法，其特征在于，步骤23)中，得到该均衡器中第i个高斯概率密度函数的权重均值方差其中，δ为比例因子，用于确保最终计算得到的权重系数总和为1，μ_i和分别为线下训练所得到的第i个高斯概率密度函数的均值和方差；分别为控制新旧参数估计之间平衡的适应系数，其中r^ρ为固定参数。

4.如权利要求3所述的方法，其特征在于，其中r为一设定值。

5.如权利要求1所述的方法，其特征在于，根据信道变化的快慢确定N_b的数值。

6.一种通信系统，包括发送端和接收端，其特征在于，

所述发送端，用于利用训练后的均衡器对所要发送的数据段进行编码后经传输信道发送给接收端；所述均衡器为基于高斯混合模型的均衡器；

所述接收端，用于将接收的信号转化为数字信号并对其进行重采样、零均值标准化；然后对其中每一符号j，将该符号j及其前后L个符号所对应的标准化接收信号相拼接，作为该符号j的特征向量；然后利用训练后的该均衡器对该符号j的特征向量进行处理，输出该符号j及其前后L个符号中各符号均衡后的判决结果；

其中，每接收设定数量N_b的特征向量后，利用最近接收的N_b个特征向量对该均衡器进行在线训练更新；对该均衡器进行在线训练更新的方法为：21)计算该N_b个特征向量中每一特征向量与基于高斯混合模型的均衡器中每一高斯分布的相似度；其中，第t个特征向量v_t与基于高斯混合模型的均衡器中第i个高斯分布的相似度Pr(i|v_t)；其中，t＝1,2,…,N_b；i＝1,2,…,K；22)根据所得相似度计算得到每个高斯概率密度函数的统计参数，包括权重、均值以及方差；23)根据得到的统计参数更新该均衡器的参数，得到该均衡器中每个高斯概率密度函数的统计参数。

7.如权利要求6所述的通信系统，其特征在于，步骤22)中，得到的第i个高斯概率密度函数的权重均值方差

8.如权利要求7所述的通信系统，其特征在于，步骤23)中，得到该均衡器中第i个高斯概率密度函数的权重均值方差其中，δ为比例因子，用于确保最终计算得到的权重系数总和为1，μ_i和分别为线下训练所得到的第i个高斯概率密度函数的均值和方差；分别为控制新旧参数估计之间平衡的适应系数，其中r^ρ为固定参数。