现代通信系统中,由于信道的非理想特性而引起的码间干扰(ISI)是影响通信质量的一个主要因素。盲均衡技术是一种不借助于训练序列,仅利用接收序列本身的先验信息来均衡信道特性,使其输出序列尽量逼近发送序列的新兴自适应均衡技术。在快速移动的高速数据传输环境下,由于完全的线性信道是不存在的。因此,非线性信道的盲均衡技术就成为当前通信领域的一个研究热点。 论文主要研究了神经网络盲均衡算法。在总结神经网络盲均衡算法国内外现状的基础上,针对神经网络的结构,网络权值的优化及网络代价函数三个方面提出新的方法和思路,并通过大量的仿真实验验证了提出的算法的有效性。 论文的主要成果包括: 1.针对遗传算法的“早期收敛”,尝试提出了一种新型保持种群多样性的遗传算法。并尝试将该算法用于优化神经网络盲均衡器的权值,仿真实验证明了该方案有效性。 2.尝试提出了基于结构可变的神经网络盲均衡器。网络结构的优化采用了精英紧凑遗传算法,该算法避免了传统遗传算法存贮量大、运行时间长和操作复杂的弊端。仿真结果显示,该盲均衡器用于线性和非线性信道都具有快的收敛速度和小剩余误差。 3.尝试提出了变步长双模式恒模算法,并与神经网络结合应用于盲均衡研究中。该算法通过增加很少的计算量不仅提高了收敛速度而且获得更小的剩余误差。 4.尝试提出一种神经Chebyshev正交多项式盲均衡器,与神经网络盲均衡器相比,该盲均衡器结构简单,且收敛速度快。