Page 191 - 《应用声学》2025年第2期

第 44 卷 第 2 期 褚润聪等： 基于向量近似消息传递均衡的超奈奎斯特水声通信 451

由图 11 可知，NR-VAMP-CETE 算法自迭代 的MSE增益，使得软均衡器在较少的迭代次数后达
5 次后的 MSE 低于 DR-DATE 类算法，说明 NR- 到 Turbo 均衡门限值，从而加快 Turbo 均衡对接收
VAMP-CETE的自迭代收敛速度更快。当16QAM- 信号进行估计。
FTN 信号的 λ 减小或是 64QAM 调制时，此时均 接下来评估 NR-VAMP-CETE 的 Turbo 迭代
衡难度增大，5 次自迭代后的 DR-DATE 类算法的 性能。表 3 给出 120 帧平均 UBER 随 4 次 Turbo 迭
MSE 依然很高，导致软均衡器输出结果难以达到 代的变化，16QAM-0.8FTN 和 64QAM-0.93FTN 的
Turbo 均衡的迭代门限，使接收端无法成功译码。 平均误码率已经达到10 −5 数量级，说明虽然没有实
而 NR-VAMP-CETE 算法，从图 11 可以看出明显 现全部数据帧正确检测，但错误概率也较小。

DR-DATE DR-SIC-DATE NR-VAMP-CETE
10
0 0
5
-5 -5 0
MSE/dB -10 MSE/dB -10 MSE/dB -5

-15
-15
-10
-20
-20 -15
20 40 60 80 100 120 20 40 60 80 100 120 20 40 60 80 100 120
ࣝ஝ ࣝ஝ ࣝ஝
(a) 16QAM λ=1 (b) 16QAM λ=0.93 (c) 16QAM λ=0.83
10
5 5
5
0
0
MSE/dB 0 MSE/dB -5 MSE/dB -5

-5
-10
-10
-10 -15
-15
-15 -20
20 40 60 80 100 120 20 40 60 80 100 120 20 40 60 80 100 120
ࣝ஝ ࣝ஝ ࣝ஝
(d) 16QAM λ=0.80 (e) 64QAM λ=1 (f) 64QAM λ=0.93
图 11 数据帧 MSE
Fig. 11 Data frame MSE

表 3 不同 FTN 信号 UBER 随 Turbo 迭代变化
Table 3 UBER variation of different FTN signals with Turbo iteration

调制方式 加速因子 Turbo 0 次 Turbo 1 次 Turbo 2 次 Turbo 3 次 Turbo 4 次
1.000 0 0 0 0 0
0.930 0 0 0 0 0
16 QAM 0.830 0.0002 0 0 0 0
0.800 0.0080 10 −5 10 −5 10 −5 10 −5
0.780 0.0757 0.015 0.0067 0.0031 0.001
1.000 0.0003 0 0 0 0
64 QAM 0.930 0.0181 0.0023 10 −5 10 −5 10 −5
0.900 0.0774 0.0394 0.0265 0.0118 0.0024