摘要：本发明公布了一种基于正交小波变换的超指数迭代联合盲均衡方法(WT-CSEI)，将正交小波变换引入到超指数迭代(SEI)算法，利用正交小波变换对SEI算法的权向量迭代公式进行修正，同时通过软切换的方式与判决引导(DD)算法相结合，针对水声信道时变多普勒频移的特性，引入一阶锁相环技术(PLL)，得到了WT-CSEI算法。WT-CSEI算法利用PLL技术来纠正相位旋转，利用正交小波变换来加快收敛速度，利用软切换的方式与DD算法相结合，降低了稳态误差，能更有效地跟踪信道的时变特性，更适合时变多径衰落水声信道的盲均衡。

摘要：本发明公布了一种基于空间分集的小波神经网络盲均衡方法。本发明方法是在分析空间分集技术和小波神经网络盲均衡性能的基础上，利用空间分集来减少衰落的影响，通过小波神经网络盲均衡器的较强逼近能力来克服码间干扰。本发明克服了由信道的多径传播和衰落特性在接收端引起的码间干扰，提高了通信质量并且收敛速度快、均方误差小。水声信道仿真结果，验证了本发明方法的有效性。本发明方法能够有效地实现信号与噪声的分离以及信号的实时恢复。

摘要：本发明公布了一种引入小波神经网络的T/2分数间隔盲均衡方法(T/2-FSE-WNN)。本发明方法在分析小波神经网络和分数间隔理论的基础上，利用小波神经网络有较强的逼近能力，以及分数间隔对盲均衡器接收信号具有过采样的优点，将小波神经网络融入到T/2分数间隔盲均衡方法中。与T/2分数间隔前馈神经网络盲均衡方法(T/2-FSE-FNN)、小波神经网络盲均衡方法(WNN)相比，本发明方法有更快的收敛速度、更小的稳态误差和均方根误差，并且具有载波恢复的性能。水声信道仿真结果，验证了本发明方法的有效性。

摘要：本发明公布了一种基于自适应免疫克隆的正交小波超指数迭代盲均衡方法，包括如下步骤：种群初始化；计算亲和度值；克隆选择；高频变异；计算亲和度值；选择；判断终止与否；选择最佳权向量个体。本发明利用自适应免疫克隆选择算法的多峰值寻优的特点，将均衡器的权向量作为抗体，采用正交小波变换降低信号的自相关性，并利用超指数迭代(SEI)方法对均衡器输入数据进行白化作用。实施实例结果表明，与正交小波超指数迭代盲均衡方法(WTSEI)、免疫克隆的正交小波超指数迭代盲均衡方法(CSA-WTSEI)相比，本发明方法具有更快的收敛速度和较小的稳态误差。

摘要：本发明公布了一种快速收敛的免疫克隆正交小波变换盲均衡方法，其特征在于包括如下步骤：种群初始化；计算亲和度值；克隆选择；精英交叉方法；高频变异；计算亲和度值；选择；判断终止与否；选择最佳权向量个体。本发明将免疫克隆选择算法引入至正交小波盲均衡方法(WT-CMA)中，利用克隆选择方法多峰值函数寻优的特点，将均衡器的权向量作为抗体，并采用正交小波变换降低信号的自相关性。与正交小波变换盲均衡方法(WT-CMA)相比，本发明方法具有更快的收敛速度和较小的稳态误差。

摘要：本发明公布了一种基于分数低阶统计量的正交小波盲均衡方法(WT-FLOSCMA)，包括如下步骤：将发射信号a(n)经过脉冲响应信道c(n)得到信道输出向量x(n)；采用α稳定分布信道噪声w(n)和信道输出向量x(n)得到正交小波变换器(WT)的输入信号y(n)；将均衡器的输入信号y(n)经过正交小波变换后，均衡器输入为R(n)，均衡器输出为z(n)；此时，WT-FLOSCMA均方误差为权向量的迭代公式为：本发明利用分数低阶统计量来抑制α稳定噪声，根据最小分散系数准则优化盲均衡方法的权向量，并对均衡器输入信号进行正交小波变换，通过降低均衡器输入信号的自相关性来加快收敛速度。水声信道仿真结果表明，本发明方法性能明显优于常数模方法。

摘要：本发明公布了一种基于人工免疫网络的正交小波常模盲均衡方法，包括如下步骤：初始化：设计初始抗体种群；计算适应度值；克隆和变异：对每个抗体进行克隆和变异；计算适应度值：对每一次克隆，选择适应度值最大的个体，组成新的抗体种群，并计算种群的平均适应度值；比较种群的平均适应度值：如果此次的平均适应度值与上次迭代的值不同，回到计算适应度值并进行下面的操作；否则继续下一步；抗体抑制：计算抗体与抗体间的亲和力，对亲和力低于抑制门限的抗体，比较其适应度，剔除适应度低的抗体，将保留的抗体作为网络的记忆细胞；引入多样性：若未满足迭代终止条件即截止代数，则随机产生抗体加入到原来的抗体中，直到迭代终止。

摘要：本发明公布了一种基于混沌支持向量机优化的小波加权多模盲均衡方法，包括如下步骤：将复信源发射信号经过脉冲响应信道得到信道输出向量；采用信道噪声和信道输出向量之和风细雨得到正交小波变换器的输入信号；将均衡器的输入信号经过正交小波变换得到均衡器的输入信号；将均衡器的输入信号经过均衡器得到均衡器的输出信号；将均衡器的输出信号经过判决器后通过加权多模盲均衡方法更新均衡器权向量。本发明利用支持向量机对小波加权多模盲均衡方法的权向量进行初始化，可以提高收敛速度并避免陷入局部极小值点，将支持向量机的参数选取看作参数的组合优化，建立组合优化目标函数，通过混沌优化来搜索最优的目标函数值，提高支持向量机的拟合能力。

摘要：本发明公布了一种基于分数低阶统计量的小波加权多模盲均衡方法(WT-FLOSWMMA)，所述方法如下：将发射信号a(n)经过脉冲响应信道c(n)得到信道输出向量x(n)；采用α稳定分布信道噪声w(n)和信道输出向量x(n)得到正交小波变换器(WT)的输入信号y(n)；将y(n)经过正交小波变换器后，得到均衡器f(n)输入为R(n)，则均衡器f(n)输出为z(n)；此时，WT-FLOSWMMA误差为权向量的迭代公式为：(|eRe(n)|p-1zRe(n)sgn(eRe(n))/|zRe(n)|+j|eIm(n)|p-1zIm(n)·sgn(eIm(n))/|zIm(n)|)R*(n)。利用分数低阶统计量来抑制α稳定噪声，充分利用信源的先验信息，在迭代过程中自适应修正模值，并且对均衡器输入信号进行了正交小波变换，减小了输入信号的自相关性，提高了均衡性能。

摘要：本发明公布了一种基于径向基函数(RBF)的模糊神经网络盲均衡方法，通过分析均衡器输入信号与发射信号之间的关系，确定了RBF均衡器的初始中心值，从而优化了盲均衡器的结构，加快了收敛速度，再采用模糊C-均值聚类算法将盲均衡器输入信号以不同的隶属度值划分到各个中心，对于隶属度值大的信号作出较大的响应，否则响应很小或不响应，从而减少了均方误差。