Abstract
This paper proposes a novel computational efficient adaptive nonlinear equalizer based on combination of finite impulse response (FIR) filter and functional link artificial neural network (CFFLANN) to compensate linear and nonlinear distortions in nonlinear communication channel. This convex nonlinear combination results in improving the speed while retaining the lower steady-state error. In addition, since the CFFLANN needs not the hidden layers, which exist in conventional neural-network-based equalizers, it exhibits a simpler structure than the traditional neural networks (NNs) and can require less computational burden during the training mode. Moreover, appropriate adaptation algorithm for the proposed equalizer is derived by the modified least mean square (MLMS). Results obtained from the simulations clearly show that the proposed equalizer using the MLMS algorithm can availably eliminate various intensity linear and nonlinear distortions, and be provided with better anti-jamming performance. Furthermore, comparisons of the mean squared error (MSE), the bit error rate (BER), and the effect of eigenvalue ratio (EVR) of input correlation matrix are presented
چکيده
هدف طراحی یک همسانساز غیرخطی تطبیقی بر اساس ترکیب یک فیلتر با پاسخ ضربه محدود و یک شبکه عصبی مصنوعی پیوند دهنده تابعی برای جبران سازی اعوجاج خطی و غیرخطی در کانال مخابراتی غیرخطی است. این ترکیب غیرخطی محدب منجر به بهبود سرعت آموزش و کاهش خطای حالت ماندگار میشود. از طرفی چون این روش نیازی به لایه‌های پنهان – که در روش های مرسوم شبکه های عصبی مبتنی بر همسان‌سازها وجود دارد - ندارد، یک ساختار ساده تری از شبکههای عصبی متداول ارائه میدهد که نیاز به بار محاسباتی کمتری در حالت آموزش دارد. علاوه بر این، الگوریتم تطبیقی مناسب برای همسانساز پیشنهادی از روش کمترین میانگین مربعات اصلاح شده به دست آمده است. نتایج به دست آمده به وضوح نشان میدهد که همسانساز پیشنهادی که با استفاده از الگوریتم MLMS به دست آمد، می‌تواند اعوجاج های خطی و غیرخطی به شدت مختلف را از بین ببرد و عملکرد بهتری را برای کنترل تراکم فراهم میکند. همچنین برای فهم بیشتر مطالب مقایسه هایی از میانگین مربعات خطا، نرخ خطای بیت و اثر نرخ مقادیر ویژه ماتریس همبستگی ورودی انجام میشود.