4. 均衡器参数调优：线性均衡与判决反馈均衡的抽头系数与收敛步长设置

4.1 线性均衡（LE）的抽头系数与步长

线性均衡是最基础的结构。它就是一个 FIR 滤波器，抽头系数就是滤波器的权重。我个人习惯把 LE 看作“信道的逆滤波器”——你想想看，信道把信号拖了尾，LE 就试着把尾给削掉。

4.1.1 抽头数量怎么定？

抽头数量 N_f 直接决定了均衡器的“记忆深度”。如果信道的最大时延扩展是 L 个符号周期，那 N_f 至少要比 L 大。但具体大多少？

• 经验法则：N_f = (1.5 ~ 2.5) × L。L 是信道冲激响应的有效长度。
• 太少了：残留 ISI 大，眼图张不开。我在项目中遇到过，一个 8 抽头的 LE 死活搞不定一个 6 径信道，换成 12 抽头立马好了。
• 太多了：噪声放大效应明显，而且 LMS 算法的收敛速度会变慢。你想想看，多一个抽头就多一个要调的参数，收敛自然更慢。

4.1.2 收敛步长 μ 怎么选？

步长 μ 是 LMS 算法的核心参数。它控制着每次迭代时抽头系数的更新幅度。

收敛条件：0 < μ < 2 / λ_max，其中 λ_max 是输入信号自相关矩阵的最大特征值。但在实际项目中，我们很少去算特征值，太麻烦了。

我曾经在一个 OFDM 系统中，把步长设成了 0.5，结果均衡器输出直接炸了——星座点散成一团，比没均衡还差。后来改成 0.05，迭代 200 次就收敛了。

4.2 判决反馈均衡（DFE）的抽头系数与步长

DFE 比 LE 多了一个反馈部分。它用已经判决出来的符号去抵消后尾干扰（post-cursor ISI）。说白了，就是“用已知的结果去消除未来的干扰”。

DFE 有两个抽头组：前馈滤波器（FFF）和反馈滤波器（FBF）。前馈部分处理前向干扰，反馈部分处理后向干扰。

4.2.1 前馈抽头数 N_f 与反馈抽头数 N_b

这两个数怎么分配？我个人的经验是：

• 前馈抽头 N_f：通常比 LE 少，因为反馈部分分担了后向 ISI 的抵消任务。一般取 N_f = L（信道长度）左右。
• 反馈抽头 N_b：主要抵消后尾干扰。如果信道的后尾拖了 M 个符号，那 N_b 至少取 M。我习惯取 N_b = (0.8 ~ 1.2) × M。
• 总抽头数：N_total = N_f + N_b。一般来说，DFE 的总抽头数可以比 LE 少 30%~50%，但性能更好。

4.2.2 DFE 的步长设置

DFE 有两个步长：前馈步长 μ_f 和反馈步长 μ_b。理论上它们可以不一样，但我建议一开始设成相同的值，简化调试。

DFE 的步长通常比 LE 要小一些。为什么？因为反馈部分引入了判决误差的传播——如果判决错了，反馈回去的符号也是错的，会污染后续的均衡。步长太大，误差传播会更严重。

4.3 收敛判断与自适应调优

参数设好了，怎么知道均衡器收敛了？我一般看两个指标：

1. 均方误差（MSE）曲线：如果 MSE 在迭代过程中持续下降并趋于平稳，说明收敛了。如果 MSE 震荡或上升，说明步长太大或抽头数不合适。
2. 星座图：这是最直观的方法。收敛后，星座点应该清晰可辨，散点集中在理想位置附近。

在实际系统中，我建议采用变步长策略：

• 初始阶段用大步长（如 μ = 0.1），快速逼近最优解。
• 接近收敛后切换为小步长（如 μ = 0.01），降低稳态误差。
• 如果信道是时变的，还需要保留一个中等步长来跟踪信道变化。

4.4 实战：LE 与 DFE 的代码示例

下面是一个简单的 LMS 均衡器实现，包含 LE 和 DFE 两种模式。你可以直接拿去跑仿真。

# Python 示例：LMS 均衡器（LE 与 DFE）
import numpy as np

class LMS_Equalizer:
    def __init__(self, nf, nb=0, mu=0.05, mode='le'):
        """
        nf: 前馈抽头数
        nb: 反馈抽头数（DFE 模式使用）
        mu: 步长
        mode: 'le' 或 'dfe'
        """
        self.nf = nf
        self.nb = nb
        self.mu = mu
        self.mode = mode
        
        # 初始化抽头系数
        self.w_f = np.zeros(nf, dtype=complex)
        self.w_f[nf//2] = 1.0  # 中心抽头初始化为 1
        if mode == 'dfe':
            self.w_b = np.zeros(nb, dtype=complex)
        
        # 缓存
        self.buf_f = np.zeros(nf, dtype=complex)
        self.buf_b = np.zeros(nb, dtype=complex)
    
    def update(self, x, d):
        """
        x: 当前输入样本
        d: 期望符号（训练阶段使用已知符号，判决阶段使用判决结果）
        """
        # 更新前馈缓存
        self.buf_f = np.roll(self.buf_f, 1)
        self.buf_f[0] = x
        
        # 前馈输出
        y_f = np.dot(self.w_f, self.buf_f)
        
        if self.mode == 'le':
            y = y_f
        else:  # dfe
            y_b = np.dot(self.w_b, self.buf_b)
            y = y_f + y_b
        
        # 误差
        e = d - y
        
        # 更新抽头
        self.w_f += self.mu * e * np.conj(self.buf_f)
        
        if self.mode == 'dfe':
            self.w_b += self.mu * e * np.conj(self.buf_b)
            # 更新反馈缓存（使用判决结果）
            self.buf_b = np.roll(self.buf_b, 1)
            self.buf_b[0] = d  # 这里 d 应该是判决后的符号
        
        return y, e

# 使用示例
# le = LMS_Equalizer(nf=16, mu=0.05, mode='le')
# dfe = LMS_Equalizer(nf=8, nb=6, mu=0.02, mode='dfe')

4.5 避坑指南

最后，总结几个我实际项目中踩过的坑：

• 抽头数不是越多越好。我曾经在一个多径丰富的信道中，把 LE 的抽头数从 16 加到 32，结果误码率反而上升了——因为噪声放大了。后来换成 DFE，16 个抽头就搞定了。
• 步长和抽头数要匹配。抽头数越多，步长应该越小。否则 LMS 算法的特征值扩散（eigenvalue spread）会导致收敛困难。
• DFE 的反馈抽头初始必须为零。这个前面说过了，但值得再强调一遍。非零初始值会导致均衡器在错误的方向上收敛。
• 训练序列的长度要足够。如果训练序列太短，均衡器还没收敛就切到判决模式，后面就全乱了。我一般保证训练序列长度 > 5 × (N_f + N_b)。