PSO tabanlı yeni bir kör kanal kestirimi ve denkleştirme,A novel PSO based blind channel estımation and equalization
Tarih
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
Özet
Bu bildiride, kör kanal dekleştirmede yaygın olarak kullanılan sabit büyüklük algoritmasına (Constant Modulus Algorithm, CMA) bir alternatif, kanal uyumlu filtre karar geribeslemeli denkleştirici (Channel Matched Filter- Decision Feedback Equalizer, CMF-DFE)’yi kullanan bir kör kanal kestirim ve kanal denkleştirici önerilmiştir. Önerilen yöntemde öğrenme için parçacık sürü optimizasyonu (Particle Swarm Optimization, PSO)’nun kullanılmasının sebebi, ortalama en küçük kareler (Least Mean Squares, LMS) ve CMA gibi doğrusal yaklaşımlı algoritmaların düşük yakınsama hızı göstermesi ve adım büyüklüğü parametresine aşırı bağlı olmasıdır. Bu nedenle bu çalışmada parametre hassasiyeti daha düşük ve yakınsama hızı yüksek olan PSO algoritması kullanılmıştır. Önerilen yöntemin uygulama karmaşıklığı daha yüksek olmasına karşın yakınsama hızı ve ürettiği başarım CMF-DFE esaslı LMS ve CMA’dan daha iyidir. Öyle ki; elde edilen sonuçlar öğrenme dizisi esaslı parametre kestirim algoritmaları ile karşılaştırılabilir duruma gelmiştir. ,As an alternative technique to well-known constant modulus algorithm (CMA), a Decision Feedback Equalizer via Channel Matched Filter (CMF-DFE) based blind channel estimation and equalization algorithm is proposed in this paper. The proposed technique employs Particle Swarm Optimization (PSO) in training, where the conventional CMA and least mean squares (LMS) based training algorithms are found slow and their convergence strictly depend on the step size parameter. On the other hand, if the PSO training algorithm is employed, it provides a faster convergence and less sensitivity to training parameters. Thus, a rapid converging high performance blind channel estimation and equalization method is obtained, as it is compared to CMF-DFE based blind LMS and CMA algorithm. Here, the price is paid for more complexity, however the obtained performance promises to compete with reference training sequence based parameter estimation techniques.