搜索
1南京邮电大学毕业设计(论文)开题报告题目基于人脸识别的安防报警系统设计学生姓名黄俊银班级学号Z121611036专业电子信息科学提纲(开题报告2000字以上)：1.对指导教师下达的课题任务的学习与理解；2.阅读文献资料进行调研的综述（10篇左右）；3.根据任务书的任务及文献调研结果，初步拟定的执行（实施）方案（含具体进度计划）。一.引入盲均衡的背景1、引入信道均衡的原因在数字通信系统中，由于受多径传输和有限宽带的影响，实际的信道不可能满足信号传输无失真条件，因此，在接收端的接收信号不可避免的存在码间串扰（Inter-SymbolInterference,ISI）。在某些场合，如移动通信、水下通信系统、无线传感网中，ISI会严重影响通信质量，于是必须在接收端对信道引起的畸变进行校正，以补偿信道的幅频特性和相频特性，这种校正称为信道均衡。2、传统的自适应均衡算法简介传统的自适应均衡器，一般采用ZF（ZeroForcing）和DD-LMS（DecisionDirected-LeastMeanSquare）等算法，这种类型的自适应均衡器在开始工作前通常要求其输入信号的眼图必须张开，以保证均衡器可靠的收敛，如果这个条件不满足（在实际通信系统中，绝大部分情况下该条件无法满足），就要由发射端发送一段接受端已知的训练序列，对均衡器进行训练使之收敛，在输出端通过某种准则如最小峰值误差、最小均方误差等求解信道的逆传输函数。3、传统自适应均衡算法的缺陷(1)需要训练序列。训练序列的一个明显缺陷就是占用带宽。例如在GSM移动通信系统中，每发送112个比特的数据，就要发送26个比特的训练序列，也就是说训练序列超过了整个带宽的1/5,这在带宽很紧张的移动信道、水声信道中是很大的浪费，有时这样长的一个序列还不足以完成对信道的重新均衡。此外，如果信道参数会随时间变化，则需要周期性发送训练序列，而这些周期性的训练序列进一步降低了信道带宽的利用率。(2)同步问题。当发送端发送训练序列时，接收端只有在完全同步的情况下才能达到均衡的目的。在一个一点对多点的通信系统中，如在集中式计算中，一台主机同时控制几个终端，主机对终端和总线有绝对的控制权，终端只有在得到主机允许时才能向总线发送数据。在初始化时，主机对各终端进行同步并发送训练序列，对各终端对应的信道进行均衡。于是，当某个信道发生变化或系统有新的终端加入时（如一个原来关机的终端重新开机）主机必须停止正在进行的数据传输然后开始新一轮的同步和均衡。当系统很大时，这样的情况会经常发生，从而降低了系统的负载能力。二、盲均衡1、盲均衡原理传统的自适应均衡技术需要外部供给期望信号，即在正式通信之前发射端将发送一段接收端已知的训练序列，通过自适应算法（如LMS算法）调节均衡器权系数，并最终达到反卷积目的。但是训练序列的使用不但需要占用大量的信道带宽而且在载波恢复的过程中一旦中断将直接导致均衡的失败，解决这一方法的有效途径是采用盲反卷积技术（盲均衡）。盲反卷积是一种以盲的或自恢复的形式进行反卷积的自适应算法的总称。盲反卷积本2质是这样一类自适应滤波算法：它们不需要外部供给期望响应，就能够产生与希望恢复的输入信号在某种意义上最逼近的滤波器输出。换言之，算法对期望响应是“盲”的。然而，算法本身在自适应过程中通过一非线性变换产生期望响应的估计。这种自适应滤波器习惯称为盲均衡器，因为它们不用期望响应（“盲”），却使滤波器输出与希望恢复的输入信号近似相等（“均衡”）。2、盲均衡算法的分类最早的盲均衡算法是1975年由日本学者Sato提出的，被称为Sato算法。自从Sato算法出现以后，人们对盲均衡的算法和理论进行了广泛的研究，现有的盲均衡算法可以根据在何处对数据加非线性变换分为如下三类：（1）Bussgang盲均衡算法：非线性的无记忆变换函数在自适应均衡器的输出端。这一类算法的基本思想是通过极小化（或极大化）某个代价函数来达到盲辨识或均衡的目的。这类算法的一般格式是，先建立一个代价函数，使理想系统对应于代价函数的极值点，然后采用某种自适应算法寻找代价函数的极值点，当代价函数达到极值点后，系统也就成为期望的理想系统。（2）高阶或循环统计量算法：非线性变换在自适应均衡器的输入端。这种方法的特点是直接从高阶统计量的估计值中获得信道参数，高阶统计量中包含系统的相位特性，因此非常适合于解决非最小相位系统的盲卷积问题。由于这种方法是以解方程的形式获得信道参数的，一般都能保证算法的全局收敛性，但这类算法的运算量大。（3）非线性均衡算法：非线性存在自适应滤波器的内部，即使用非线性滤波器或神经网络。由于神经网络能够充分逼近任意复杂的非线性系统，能够学习适应不确定性系统的动态特性，具有很强的鲁棒性和容错性，并且采用并行分布处理方法使得快速进行大量运算成为可能，因此，人们已开始应用神经网络来设计新型的盲均衡算法。3、盲均衡算法的性能指标盲均衡算法发展到现在可以说是种类繁多，各算法实现的原理、采用的方法以及性能指标也大相径庭。但总体上，衡量一种算法的性能主要有以下几个方面：（1）收敛速度如何，在盲均衡中这种性能决定该了算法能否用于实时系统中。（2）是否能获得最优解，在盲均衡中即代价函数能否收敛到全局最小点，也就是代价函数的U性。（3）均衡器收敛到最优解后的剩余误差，这决定了均衡器收敛后系统的误码率。（4）算法对计算量的要求，即实现起来的难易程度。三.MIMO盲均衡以智能天线和多输入多输出（MIMO）系统为代表的空时处理已被认为是4G系统的核心技术之一。高性能4G宽带无线系统需要采用多天线的空时处理技术来增加系统性能和容量。采用空时编码的MIMO系统能适用于Internet和多媒体业务，并且可动态的增加覆盖范围和可靠性。目前，用户对无线通信的速率和服务质量提出了越来越高的要求，然而频谱资源的匮乏限制了无线通信的进一步发展；另一方面，无线信道的的多径传播特性和时变性会对其中传输可靠性而得到了越来越多的关注。信号从发射天线经过无线信道到达接收天线，会发生多径衰落和时变性。一方面，信道的多径传播会引起信号在时间上展宽并导致频率选择衰落性。另一方面，信道的时变特性导致的多普勒效应会引起信号频谱的展宽。通常采用多径时延扩展或相干带宽来描述信道的多径特性，采用相干时间或多普勒带宽来描述信道的时变特性。这两个基本机制使得无线传输系统的性能出现了较大程度的下降，甚至有增加发送功率扔无法显著改善的“差错地板”（errorfloor）效应。为了补偿由此带来的信噪比损失，最常用的方法便是通过相互独立的多副天线来实现分集的效果。多输入多输出（MIMO)系统是在无线通信智能天线技术的基础上发展起来的，其主要3特点就是在通信系统的收发两端采用多天线配置，以解决未来移动通信系统大容量高速率传输和日益紧张的频谱资源之间的矛盾。无线MIMO系统是指在发射端和接收端分别使用多个发射天线和接收天线的无线通信系统，而传统的通信系统是单进多出(SIMO)方式也是MIMO的一部分。MIMO并不是一门新技术，早在1908年马可尼就提出用MIMO方式来抵抗无线信道的衰落。贝尔实验室的E．Telatar和GJ．Foschini分别独立地在他们各自的论文中论证了理论上的MIMO信道的香农容量。他们指出，使用P×K信道矩阵描述K副发射天线和P副接收天线系统的无线信道，如果P×K信道矩阵的元素间具有理想的独立衰落，系统容量将会随发射方和接收方天线数中最小一方的天线数min（P，K)的增加而线性增加。这可以在SISO基础上成倍地增加系统容量。同时，FoscIlini还开发了用于MIMO系统的实际发射／接收算法，这就是著名的贝尔实验室分层空时码(BLASTBellLaboraloIiesLayeredSpace—Time)算法。后来另外一个突破性的方案，即空时编码(STC：SpaceTimeCoding)的思想由AT&T实验室提出，它可以提高MIS0和MIM0系统的分集增益。1998年wilnianky等人采用贝尔实验室分层空时(V-BLAST：VerticalBLASl)算法建立了一个MIMO实验系统。普通通信系统中的多径传输通常会引起衰落，这是非常不利的。但对于MIMO技术来说，多径却作为一个有利因素加以利用。MIMO系统在发送端和接收端使用多根天线，在发送端串行数据符号流经过一些必要的空时处理后被送到天线进行发射，在接收端通过各种空时检测技术进行数据符号的恢复。通常为了保证各个子数据符号流能够有效分离，各个天线之间必须保持足够大的距离(通常要求半个载波波长以上)，以防止接收信号间过大的相关性。由于各子数据符号流同时发送到信道，它们共用同一频带，因而并未增加带宽。MIMO系统可以创造多个并行空间信道。因此数据率必然可以提高。简言之，使用MIMO技术的好处在于能创建多个并行的正交子信道、能综合使用发射分集和接收分集技术、能较大的增加天线的增益等。MIMO技术的优点主要是通过多天线的配置来充分利用信号的空间资源，从而达到提高系统容量的目的。在无线频谱资源紧缺的条件下，无疑MIMO技术是提高频谱利用率和数据传输速率的有效方法之一。本次课题主要研究经典盲均衡算法在MIMO中的研究应用。经典的高阶统计量MIMO系统盲均衡算法为恒模算法。自从Tong，xu和Kailath提出基于二阶统计量的盲均衡以后，盲信道辨识和均衡发展进入一个新的时期，即只凭籍输出信号的二阶统计量(SOS)便可以实现对SIMO，MIMO线性离散信道的均衡。出于对循环平稳信号二阶统计量包含完整信道信息(幅值和相位)的认识，随后在这一结果基础上形成多种MIMO信道盲估计和均衡算法。经典的二阶统计量MIMO盲均衡算法有TXK算法、线性预报法、外积分解法和子空间算法。四.MIMO线性预报法（LPA）基于高阶统计量MIMO恒模算法运算量大，故盲均衡多采用基于二阶统计量算法盲检测MIMO系统发送信号。在基于二阶统计量的MIMO盲均衡算法中，外积分解法误码率曲线会不收敛。子空间方法在信道阶数估计错误时，会变得非常不可靠。相反，人们发现，线性预报法对信道阶数的估计误差更具有鲁棒性。所谓预报，就是用过去观测到的数据反过来推测当前的输入。SIMO系统的线性估计这一概念最早是由Slock提出的。其后AbeMeraim等人提出了一种线性预测信道辨识算法。对SIMO和MIMO线性系统进行线性估计的基本概念起源于一个基本事实，即在适当的信道条件下，滑动平均信道输出过程可以完全用一个自回归过程进行描述。这一重要发现促使人们研究线性最小二乘估计算法，以用于多信道盲辨识问题。由于线性最小二乘估计只利用了二阶统计量，因此，这种算法显得比较简单，而且可以有效地辨识出未知的信道响应。却不存在局部收敛问题。线性预报法是基于FIR线性系统，且要求信道矩阵是满秩的，在无噪声系统中，存在一个能消除所有ISI的迫零FIR均衡器。由于发送信号是一个有限阶4的AR过程，所以，应该存在一个线性预测滤波器。LPA算法的第一步是寻找发送信号的线性预测滤波器。实现LPA算法时，要求对线性预测滤波器进行最优化，可以通过使最小线性预测误差（更新过程）的均方误差最小来确定。最后可以构造一个互相关矩阵，对这个互相关矩阵进行特征值分解即可以辨识出信道信息。此辨识出的信道信息与真实信道信息之间存在一个酉矩阵模糊度，需要根据另外的信息才能分辨出这个酉矩阵，不过这个酉矩阵对均衡器盲检测出的发送信号的失真是没有影响的，充分说明线性预报法能较好的盲检测出发送信号，说明本课题是可行的。五、课题的意义综上所诉，本人拟掌握二阶统计量中基于线性预报法的盲均衡算法，利用经典盲均衡算法实现对MIMO系统盲均衡，最后对算法性能进行分析，比较。六、进度安排第1－2周：理解课题，查找盲均衡相关资料，写出开题报告，译英文资料第3－4周：学习、了解经典盲均衡算法在MIMO中的研究应用第5－7周：深入理解经典盲均衡算法在MIMO中的研究应用，读懂关于经典盲均衡算法在MIMO中的研究应用的经典程序第8－10周：第一步：编写程序第二步：对编写的程序进行