盲均衡CMA算法调参

目标：研究CMA各个参数对算法收敛的影响。

内容：1. batch，2. 信号的length，3. kernel_size (EQ滤波器阶数), 4. step_size.

所得结论可以同理移植到MMA等类似学习算法。

下图是QPSK信号经过多径衰落信道（path=4，tau=[0, 0.5, 1, 2]）前后的星座图

1.    Batch

如图，考察了 batch=2, 10, 50, 100时的情况

结论：batch的大小对收敛影响不大，但是运算量（运算时间）与batch成反相关，因此可以考虑使用更大的batch。

解释：batch是指每经过batch次前馈（预测）才进行一次反馈学习。

实验控制了其他参数:

train_len = 1024;

kernel_size = 40;

step_size = 0.001;

 

2.    Length

如下图，考察了Length=256, 512, 1024, 2048点时的情况

结论：Length与收敛速度成正相关，实际情况可由具体需求来定。

实验控制了其他参数:

kernel_size = 40;

step_size = 0.001; mini_batch = 10;

 

 

3.    kernel size

如下图，考察了kernel size=8, 16, 32, 64的情况。

结论：kernel size 与最终收敛程度成正相关。但收敛速度成反相关。实际情况可由具体需求来定。比如如果使用DNN来做最终的解调判决，并不需要收敛程度达到64阶那么高的kernel。

其他参数：

train_len = 1024;

step_size = 0.001;

mini_batch = 10;

 

 

4.    step size

如图，考察了step size=0.02, 0.01, 0.001, 0.0001时的情况。

结论：step size 与收敛速度成正相关，但是与最终收敛程度成反相关，如果取值太大，还可能造成不收敛。取值过小导致收敛太慢。

其他参数：

train_len = 1024;

kernel_size = 40;

mini_batch = 10;