数字定时误差检测算法系列之 ——— Mueller-Muller算法

半步仙人

已于 2023-02-07 17:25:54 修改

阅读量7.8k

点赞数 12

分类专栏：通信原理

于 2022-06-13 09:25:57 首次发布

本文链接：https://blog.csdn.net/lcp201281095/article/details/124728273

版权

通信原理专栏收录该内容

4 篇文章

订阅专栏

本文介绍了Mueller-Muller算法，一种基于判决反馈的低复杂度定时误差检测方法，适用于单倍采样率。重点讲解了其工作原理、常见实现、敏感性分析以及选择样本数据的重要性。算法的公式(7)及其变体被详细讨论，以及为何滚降系数对精度的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Mueller-Muller 算法简介

Mueller-Muller 算法是一种非数据辅助，基于判决反馈，实现复杂度低，广泛应用于实际工程中的一种定时误差检测算法。Mueller-Muller 算法最大的特点是工作于单倍采样率下，每个码元仅需要一个采样点即可提取出定时误差。

2. Mueller - Muller 算法常见实现方式

Mueller-Muller 算法是单倍采样率下基于判决反馈的定时误差提取算法，所以，一般的实现方式如图1所示：

图示 1

假设采样数据 $x_{n-1}$ 判决为符号 $a_{n-1}$ ，采样数据 $x_n$ 判决为符号 $a_n$ ，n表示第n时刻。则， Mueller-Muller 算法定时误差输出为:

$e_n = a_{n-1}x_n - a_nx_{n-1}$ (1)

其实现电路图如下图所示(最左边方框表示符号判决)：

图示 2

根据Mueller论文的推导， $x_n$ 也可以替换为 $x_n-a_n$ 。此外，也可以将 $a_n$ 替代为 $sign(x_n)$ 。具体的使用方法需要结合工程实际情况来选择。

3. Mueller - Muller 算法原理

假设T为符号周期(单个码元持续时间)， $a_n$ 表示输入码元符号，h(t)表示系统响应，则输入信号可以表示为：

$x(t) = \sum_{n}a_nh(t-kT) + n(t) + 1$ （2）

令 $\tau$ 表示在(0,T]范围内的采样时刻，则在 $t = \tau + mT$ 时刻对x(t)的采样值为：

$x(\tau + nT) = a_nh(\tau + nT) + \sum_{i,i\neq n}a_{n-i} h(\tau + iT) + n(\tau + nT)$ （3）

记 $h_0 = h(\tau + nT)$ ， $h_i = h(\tau + iT)$ ， $x_n=x(\tau + nT)$ 。

则对(1)求期望：

$E\{e_n\} = E\{a_{n-1}x_n\} - E\{a_nx_{n-1}\}$ （4）

其中，

$E\{a_{n-1}x_n\} = E\{ a_{n-1}a_nh_0\} + E\{\sum_{i,i\neq n}a_{n-1}a_{n-i} h_i\}$ （5）

因为数据 $a_n$ 是随机数， $h_i$ 是确定的数据，求期望实际是对 $a_n$ 求期望。(5)式中不带噪声项，因为这里假设噪声均值为0。因为数据比特是互相独立的，所以有：

$E\{a_{n-i}a_{n-1}\}=\left\{\begin{matrix} 0, i\neq 1\\ 1,i=1 \end{matrix}\right.$ . (6)

上式中假设了数据 $a_n$ 是归一化数据。所以 $E\{a_{n-1}x_n\} = h_1$ 。同理， $E\{a_nx_{n-1}\} = h_{-1}$ 。则有定时误差函数：

$f(\tau) = E\{e_n\} = h_1 - h_{-1}$ （7）

(7)式就是 Mueller-Muller算法的本质。(1)式是它的一种基于判决的近优实现方式。

4. 基于公式(7)的Mueller - Muller 算法的理解

公式(7)成立的一般前提是系统冲激响应偶对称。如图所示：

图 3

当 $h_1 < h_{-1}$ 时，采样时刻超前于最佳采样时刻，当 $h_1 > h_{-1}$ 时，采样时刻落后于最佳采样时刻，当时 $h_1 = h_{-1}$ ，采样时刻为最佳采样时刻。此时的定时误差函数 $f(\tau)$ 为关于原点的奇函数。如下图所示：

图4

图4中，分别展示了不同滚降系数(0,0.5,1.0)下的升余弦响应的误差函数曲线。随着滚降系数的减小，定时误差函数的斜度越大，定时误差越灵敏。有别于其他鉴相算法，Mueller-Muller 算法是滚降系数越小越好。

我们在第二小节提到，公式(1)是公式(7)的近优实现，公式(1)的期望就是公式(7)，也就是平均意义上公式（1）和公式（7）相等。那么，公式（1）相对于公式（7）的偏离度是多少呢？我们可以用公式（1）的方差来衡量。公式（1）的方差有：

$S=\frac{1}{2}\sum _{i,i\neq 0}{h_i}^2 - [2-\frac{E\{{a_i}^4\}}{E^2\{{a_i}^2\}}]\frac{{h_1}^2+{h_{-1}}^2}{4}+\frac{\sigma^2}{2E\{{a_i}^2\}}$ （8）

从公式(8)可以看出，公式(1)的准确度取决于系统噪声、主抽头前后两个符号干扰、剩余符号间干扰以及系统符号调制方式。这是一个很矛盾的公式，鉴相结果受符号间干扰，又依靠前后两个符号的干扰。所以，一般鉴相和均衡会同时做，或者某一项启动后，立马启动另一项。

5. 一般的Mueller - Muller 算法

一般的Mueller - Muller定时误差提取公式为：

$f(\tau) = \sum_{i}u_ih_i$ （9）

实现方式是：

$z_i= \sum_{i}g_ix_i$ （10）

其中， $x_i$ 为i时刻接收样本。适当选取 $g_i$ ,可以使公式(10)的期望为公式(9), 方差最小或接近最小。

根据Mueller的建议：

(1)系统响应为偶对称时，定时误差提取公式为公式(7);

(2)系统响应为奇对称时，定时误差提取公式为：

$f(\tau) = h_1 + h_{-1}$ (11)

(3)系统相位失真比较严重时，定时误差公式为：

$f(\tau) = h_0$ (12)

(4) 不建议使用更多项的 $h_i$ 来提取误差函数。因为在估计 $h_i$ 时，如果对 $a_i$ 判决错误，会导致误差传播，使得鉴相不准确。

此外，在不少论文中，还使用了其他的定时误差提取公式。

【参考资料】

[1] K. Mueller and M. Muller, Timing Recovery in Digital Synchronous Data Receivers, IEEE Transactions on Communications, vol. COM-24, no. 5, pp. 516-531, May 1976.

[2] Mueller and Muller Timing Synchronization Algorithm - Wireless Pi

思考题：

1. 为什么Mueller - Muller算法对相位噪声更敏感？

2.样本数据 $x_i$ 从何处取比较合适？

3. 为什么可以将 $x_i$ 替换为 $x_i - a_i$ ？