本文主要是介绍【Python】Python 实现破零（ZF）和最小均方误差（MMSE）信道均衡，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

目录

• 1 理论
• 2 ZF均衡实现
• 3 MMSE均衡

1 理论

在无线通信中。 无线信道由各种类型的损伤组成，例如延迟扩展、衰落和多普勒扩展等。信道中的多径传播引入延迟扩展，导致 ISI、ICI等等问题，在信号接收端，我们需要进行均衡以减少失真，减轻 ISI 和噪声的综合影响。 因此为了恢复原始信号，使用滤波器，常用基本的滤波器有破零（Zero Forcing，ZF） 和最小均方误差（ Minimum Mean Square Error，MMSE）算法。

ZF算法使用一个加权矩阵W消除信道的干扰，根据估计的信道响应H初始化矩阵W
W Z F = ( H H H ) − 1 H H W_{ZF} = (H^HH)^{-1}H^{H} WZF​=(HHH)−1HH
则恢复的信号表示
y ^ = h ⋅ x z ^ = W Z F ⋅ y ^ \hat y = h \cdot x\\ \hat z = W_{ZF}\cdot \hat y y^​=h⋅xz^=WZF​⋅y^​

其中x表示发送的信号,，h表示信道冲击响应，H是估计的信道冲击响应，z表示恢复的信号。

MMSE 均衡原理

略

2 ZF均衡实现

import numpy as np
from numpy.linalg import inv


# 此函数基于输入数组生成矩阵，偏移量offset基于输入数组
def generate_square_matrix(arr_data,size,data_offset,datatype):
    aMatrix = np.mat(np.zeros(shape=(size,size))).astype(datatype)
    for i1 in range(size):    
        for i2 in range(size):
            try:
                arr_index = i2+data_offset-i1
                if arr_index < 0:
                    continue
                aMatrix[i2,i1]=arr_data[arr_index]
            except:
                break
    return aMatrix
# 它取一个矩阵并将矩阵的中间列提取到一个数组中
def get_W_vector(inv_matrix, size,data_type):
    mid_col=size>>1
    C_vector=np.zeros(shape=(size)).astype(data_type)
    for i in range(size):
        C_vector[i]= inv_matrix[i,mid_col]
    return C_vector
def ZF_equalizer(y,h,size,size_of_input,data_type):
    ZF_h = generate_square_matrix(h,size,h.argmax(),data_type)
    ZF_h_hat = inv(ZF_h)
    ZF_W = get_W_vector(ZF_h_hat,size,data_type)
    z=np.convolve(y,ZF_W)
    leftside=size>>1
    # print("\nReconstructed signal: \n",z[leftside:leftside+size_of_input])    
    return z[leftside:leftside+size_of_input]


# 发送的信号
x = np.array([3-0.6j, -0.3+0.9j,
              0.1 - 1.2j, -0.7+0.2j,
              0+0.7j, -0.5+0.5j,
              0.1-0.6j, -0.4+0.6j])
# 信道冲击响应
h = np.array([1, 0, 0.3+0.3j])
H_exact = np.fft.fft(h)
# 仿真经过信号经过信道
y = np.convolve(x, h)

# 滤波器长度 
filter_length = 13
ZF_result = ZF_equalizer(y, h, filter_length, x.size, complex)
print("原始signal：", x)
print("恢复signal:", ZF_result)
plt.plot(abs(x))
plt.plot(abs(ZF_result))
plt.ylabel('$|Z|$')
plt.grid(True)
plt.savefig('signal.png')

发送信号和恢复信号是否一致,通过绘图可以看出,完全一致

3 MMSE均衡

仿真过程,需要安装pyphysim,执行pip install pyphysim

import numpy as np
from numpy.linalg import inv

# 此函数基于输入数组生成矩阵，偏移量offset基于输入数组
def generate_square_matrix(arr_data,size,data_offset,datatype):
    aMatrix = np.mat(np.zeros(shape=(size,size))).astype(datatype)
    for i1 in range(size):    
        for i2 in range(size):
            try:
                arr_index = i2+data_offset-i1
                if arr_index < 0:
                    continue
                aMatrix[i2,i1]=arr_data[arr_index]
            except:
                break
    return aMatrix
import matplotlib.pyplot as plt
from pyphysim.util.conversion import dB2Linear
from pyphysim.util.misc import pretty_time, randn_c
def MMSE_equalizer(x, y, size, data_type):
    # 计算自相关性
    ryy = np.correlate(y, y, "full")
    # 计算互相关性
    rxy = np.correlate(x, y, "full")

    #从 ryy 和向量 Rxy 形式 rxy 生成矩阵 Ryy
    Ryy = generate_square_matrix(ryy, size, ryy.argmax(), data_type)
    Rxy = np.mat(np.zeros(shape=(size, 1))).astype(data_type)
    # 计算偏移量
    offset = rxy.argmax() - (size >> 1)
    for i in range(size):Rxy[i, 0] = rxy[i+offset]
    MMSE_C_Vec = np.asarray(inv(Ryy)*Rxy).flatten()
    result = np.convolve(y, MMSE_C_Vec)
    leftside = size >> 1
    print("发送的signal: ", x)
    print("接收的signal:", y)
    print("恢复的signal:", result[leftside:leftside+x.size])
    return result[leftside:leftside+x.size]

x = np.array([0.73+0.59j, 0.43+1.01j, 0.41+0.3j, 1.24+1.1j, 0.55+0.83j])
SNR_dB = 30
snr_linear = dB2Linear(SNR_dB)
noise_power = 1 / snr_linear
# 噪声
n = np.math.sqrt(noise_power) * randn_c(x.size)
# 信道响应
h = randn_c(x.size)
#
y_z = h * x + n
# MMSE均衡
y_z /= h
print(y_z)
# 滤波器长度
filter_length = 1
z = MMSE_equalizer(x, y_z, filter_length, complex)

plt.plot(abs(x))
plt.plot(abs(z))
plt.grid(True)
plt.savefig('signal2.png')

这篇关于【Python】Python 实现破零（ZF）和最小均方误差（MMSE）信道均衡的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！