CN101743591B - 用于记录通道中自适应均衡的***和方法 - Google Patents

Abstract

本发明的各种实施例提供用于进行自适应均衡的***和方法。例如，本发明的各种实施例提供用于自适应均衡的方法，包括提供具有均衡器电路(210)和目标滤波器电路(265)的数据处理***。该均衡器电路至少部分地基于均衡器系数(215)进行均衡。该方法还包括基于来自该均衡器电路的第一输出和来自该目标滤波器电路的第二输出生成误差(285)。从该误差(285)提取符号间干扰分量(295)，并使用该符号间干扰分量计算均衡器梯度(226)。至少部分地基于均衡器梯度(226)计算均衡器系数(215)。

Description

用于记录通道中自适应均衡的***和方法

对相关申请的交叉引用

本申请要求由Mathew等在2007年12月21日提交的标题为“NearOptimal Adaptive Equalization for Recording Channels”的(非临时)美国专利申请No.61/016231的优先权。上述申请的全部内容通过引用包含于此用于一切目的。

技术领域

本发明涉及用于数据传输的***和方法，并且更具体地涉及与数据传输有关的均衡数据的***和方法。

背景技术

记录通道的自然的并且不受控制的符号间干扰(inter-symbolinterference，ISI)可能是非常长的。在通道检测器中补偿该符号间干扰是复杂的并且是硬件密集型的(hardware intensive)。为了使其复杂性最小化，可以在通道检测器之前使用通道均衡器(channelequalizer)。由这种均衡器提供的信噪比影响通道检测器的复杂性所能降低到的程度。该均衡器的信噪比取决于对适当目标的选择，但是这种目标选择不是简单的任务并且其本身可包含相当大的复杂性。

此外，典型地，预先进行这种目标选择并且在***操作期间使用静态目标。因此，取决于通道的动态操作，该目标可能是有效的也可能是无效的。为了避免静态目标选择带来的问题，经常使用用户可编程的目标。当检测到***变化时这种类型的目标允许用户进行修正。选择适当的用户可编程的目标经常依赖于试验和比较方法，以达到期望的目标值。一旦确定了合理的目标值，就将该值编程到支持所讨论的通道的半导体装置中。尽管该处理使得能够补偿从一个通道到另一个通道的一些变化，但是它是非常耗时的处理，需要搜索和计算在搜索空间中每个点的对应检测误差率。此外，这种方法不容易补偿给定通道的特性变化。

因此，至少因为上述原因，在该技术领域中需要用于提供均衡器目标选择的先进***和方法。

发明内容

本发明涉及用于数据传输的***和方法，并且更具体地涉及与数据传输有关的均衡数据的***和方法。

本发明的各种实施例提供用于自适应均衡的方法。这种方法包括提供具有均衡器电路和目标滤波器电路的数据处理***。该均衡器电路至少部分地基于均衡器系数进行均衡。该方法还包括基于来自该均衡器电路的第一输出和来自该目标滤波器电路的第二输出生成误差。从该误差提取符号间干扰分量，并使用符号间干扰分量计算均衡器梯度。至少部分地基于该均衡器梯度计算均衡器系数。

在上述实施例的一些实例中，该方法还包括将从存储介质得到的数据输入提供给均衡器电路，该存储介质具有多个分区(sector)，每个分区具有多个样本(sample)。在某些情况下，逐个样本地提取符号间干扰，并且逐个分区地计算均衡器系数。

在上述实施例的各实例中，目标滤波器电路至少部分地基于目标系数进行对该数据输入的滤波。在这种实例中，该方法还包括至少部分地基于所述误差计算目标梯度，并且至少部分地基于该目标梯度计算目标系数。在某些情况下，约束目标系数和均衡器系数二者。在某些情况下，逐个分区地计算目标系数。

本发明的其它实施例提供包括均衡器电路的均衡电路，该均衡器电路可操作用于基于可更新的均衡器系数来均衡数据输入，并且提供均衡输出。该电路还包括目标滤波器电路，该目标滤波器电路可操作用于至少部分地基于目标系数对数据输入进行滤波，并提供目标输出。还包括误差计算电路，其用于确定目标输出和均衡输出之间的差异，并提供误差输出。依赖于数据的平均电路(data dependent averagingcircuit)提取误差输出的符号间干扰分量，并且梯度累积电路可操作用于至少部分地基于误差输出的符号间干扰分量计算均衡器梯度。均衡器系数计算电路接收均衡器梯度并计算可更新的均衡器系数。

在上述实施例的一些实例中，从存储介质得到数据输入，该存储介质具有多个分区，每个分区具有多个样本。在某些情况下，逐个样本地提取符号间干扰，依赖于数据的平均电路逐个样本地操作以提取误差输出的符号间干扰分量，并且逐个分区地计算均衡器系数。

在上述实施例的一些实例中，梯度累积电路还可操作用于计算目标梯度。在这种实例中，所述电路还包括目标系数计算电路，该目标系数计算电路接收目标梯度并计算可更新的目标系数。在一些这样的实例中，从存储介质得到数据输入，该存储介质具有多个分区，每个分区具有多个样本，并且目标系数计算电路逐个分区地计算可更新的目标系数。

本发明的其它实施例提供传输装置，所述传输装置包括可操作用于从传输介质接收数据的接收器。该接收器包括可操作用于基于可更新的均衡器系数均衡数据输入并提供均衡输出的均衡器电路。所述电路还包括可操作用于至少部分地基于目标系数进行对数据输入的滤波并提供目标输出的目标滤波器电路。包括误差计算电路，其确定目标输出和均衡输出之间的差异并提供误差输出。依赖于数据的平均电路提取误差输出的符号间干扰分量，并且梯度累积电路可操作用于至少部分地基于误差输出的符号间干扰分量计算均衡器梯度。均衡器系数计算电路接收均衡器梯度并计算可更新的均衡器系数。在某些情况下，传输装置是存储装置并且传输介质是磁性存储介质。在其它实例中，传输装置是通信装置并且传输介质是无线传输介质。

本发明内容部分仅提供了对本发明的一些实施例的总体概述。通过下面的详细说明、所附权利要求和附图，本发明的许多其它目的、特征、优点和其它实施例将变得更加明显。

附图说明

通过参照在本说明书其余部分中描述的附图可以实现对本发明各种实施例的进一步理解。在附图中，在全部的几张附图中使用同样的附图标号来表示类似的组件。在一些实例中，由小写字母组成的下标与附图标号相关联以表示多个类似的组件中的一个。当引用附图标号而不说明已有下标时，意图指代所有的多个类似组件。

图1示出根据本发明的一些实施例的可以与自适应均衡***相关地使用的用于误差确定的波特率模型；

图2示出根据本发明的各种实施例的自适应均衡***；

图3是示出根据本发明的一个或多个实施例的用于自适应均衡的方法的流程图；

图4示出根据本发明的各种实施例的包括具有自适应均衡器和目标系数计算电路的读取通道的存储***；以及

图5示出根据本发明的不同实施例的包括具有自适应目标导向(adaptive targeting)和均衡的接收器的通信***。

具体实施方式

本发明涉及用于数据传输的***和方法，并且更具体地涉及与数据传输有关的均衡数据的***和方法。

本发明的各种实施例提供用于通道均衡的***和方法。在一些情况下，这些实施例将通道均衡分成两种不同的操作。在第一操作中，确定最佳的目标和均衡器系数以使任何残留的符号间干扰最小化。在第二操作中，实现依赖于数据的噪声预测。通过将该问题分成两种操作(即，均衡器和目标系数确定以及噪声预测滤波器)，可以一起或分开设计每一个的优化而不导致性能损失。在一些情况下，可以使用对于最佳的目标和均衡器系数的闭式表达(closed form expression)。在其它情况下，执行自适应算法。因为通过自适应计算该***能够识别最佳目标，因此作为自适应实施例的其中一个优点，不必执行对最佳目标的手动搜索。此外，即使在随时间变化的通道条件下目标和均衡器系数也保持在最佳范围内。

转向图1，图1示出了用于描述分离误差信号185的构成分量的波特率模型100。具体来说，由下游检测器(未示出)提供的理想输出105代表写入存储介质的不归零(non-return to zero，NRZ)位。理想输出105被应用于位响应(由提供输出x_m[n]的位响应块130h_b[k]表示)和脉冲响应(由提供输出x_l[n]的脉冲响应块125h_i[k]表示)。所述位响应和脉冲响应由下面的公式表示：

h_b(t)＝h_s(t+0.5T)-h_s(t-0.5T)；

$h_i\left(t\right)=\frac{\∂h_s\left(t\right)}{\∂t}.$

假定通道是有限带宽的并且使用理想的模拟前端(即，截止频率为

的理想低通滤波器)，则可以由下面的公式表示在上游模拟-数字转换器(未示出)的输出处的波特率：

x[n]＝x_l[n]+x_m[n]+x_r[n]，

其中 $x_l\left[n\right]=\underset{k}{\mathrm{\Σ}}a\left[k\right]h_b[n-k];$ $x_m\left[n\right]=-\underset{k}{\mathrm{\Σ}}b\left[k\right]\mathrm{\τ}\left[k\right]h_i[n-k];$ 并且x_r[n]＝v[n]。在此情况下，x_l[n]表示线性符号间干扰分量，x_m[n]表示介质噪声分量，x_r[n]表示电子噪声分量，而h_b[n]和h_i[n]分别表示波特率样本h_b[t-0.5T]和h_i[t]，并且v[n]表示有限带宽的电子噪声的波特率样本。使用从噪声中分离符号间干扰的模型使得能够产生为解决符号间干扰分量而优化的初级目标(primary target)和为解决所述噪声分量而优化的一组噪声预测滤波器。这种分离使得能够独立地解决相应的问题并且在一些情况下使得能够实现更容易的优化和更高程度的优化。

出于推导目的，由所选择的目标块120表示的初级目标的形式由下式给出：

$\tilde{G}\left[D\right]=(1-\mathrm{\αD})G\left[D\right],$ 以及

$G\left[D\right]=\underset{i=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}g\left[i\right]D^i,$

其中0≤α≤1是可编程以允许由DC成分块(DC content block)135执行的对该目标的DC成分的控制的参数。在目标块120中，g[i]表示目标系数，其中i＝0，1，...，N_g-1，并且在延迟块115中，D表示一位延迟运算符。如果将α选择为零，则目标的DC成分将取决于下层原始通道(underlying raw channel)。

在波特率模型100中，均衡器块110表示使用均衡器系数u[k]计算均衡器输出，其中k＝0，1，...，N_u-1。延迟块115表示执行从通道输入到均衡器输出m₀的延迟。输出d[n]表示目标块120的输出。基于该信息，输出误差信号e[n]可以表达为：

$e\left[n\right]=y\left[n\right]-d[n-m_0]=\underset{i=0}{\overset{\mathrm{Nu}-1}{\mathrm{\Σ}}}u\left[i\right]x[n-i]-\underset{i=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}g\left[i\right]\tilde{a}[n-m_0-i]=u^T{x}_n-g^T{\tilde{a}}_{n-m0},$

其中：

u＝[u[0]，u[1]，...，u[N_u-1]]^T，

g＝[g[0]，g[1]，...，g[N_g-1]]^T，

x_n＝[x[n]，x[n-1]，...，x[n-N_u+1]]^T，以及

${\tilde{a}}_n={\left[\tilde{a}\right[n],\tilde{a}[n-1],...,\tilde{a}[n-N_g+1\left]\right]}^T,$ 其中 $\tilde{a}\left[n\right]=a\left[n\right]-\mathrm{\α}\·a[n-1].$

使用上述公式，可以将误差信号e[n]分解成以下构成分量：

e[n]＝e_l[n]+e_m[n]+e_r[n]，

其中e_l[n]表示残留的符号间干扰，e_m[n]表示介质噪声分量，而e_r[n]表示电子噪声分量。基于此，误差信号的构成分量由下面的公式定义：

$e_l\left[n\right]=\underset{i=0}{\overset{\mathrm{Nu}-1}{\mathrm{\Σ}}}u\left[i\right]x_l[n-i]-\underset{i=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}g\left[i\right]\tilde{a}[n-m_0-i]=u^T{x}_{l,n}-g^T{\tilde{a}}_{n-m0},$

$e_m\left[n\right]=\underset{i=0}{\overset{\mathrm{Nu}-1}{\mathrm{\Σ}}}u\left[i\right]x_m[n-i]=u^T{x}_{m,n},$ 以及

$e_r\left[n\right]=\underset{i=0}{\overset{\mathrm{Nu}-1}{\mathrm{\Σ}}}u\left[i\right]x_r[n-i]=u^T{v}_n.$

在此情况下，x_l，n＝[x_l[n]，x_l[n-1]，...，x_l[n-N_u+1]]^T，v_n＝[v[n]，v[n-1]，...，v[n-N_u+1]]^T，而x_m，n＝[x_m[n]，x_m[n-1]，...，x_m[n-N_u+1]]^T。注意，因为α[n]、τ[n]和v[n]是相互独立的，所以误差分量e_l[n]，e_m[n]和e_r[n]是互不相关的。

在本发明的一个N_u＝10的具体实施例中，将下面的约束施加到目标块120和均衡器块110：

$\underset{i=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}g\left[i\right]={\mathrm{\φ}}_1,u\left[3\right]={\mathrm{\φ}}_2,$ 以及u[4]-u[2]＝φ₃，                  公式1a

其中φ₁，φ₂和φ₃是通过推理选择的常数。该约束可被表达为：

g^Ti₀＝φ₁和

其中A^T＝［i₄，i₅-i₃］并且

                                    公式1b

在此情况下，i₀是所有1的N_gxl矢量，i_k是除了在位置k以外的所有0的N_gxl矢量，其中对于k＝3，4，5，它是“1”。上面假定第四分支(tap)是均衡器的主分支。本领域的技术人员将认识到这些约束适合于均衡器和目标滤波器的若干变化。

所提出的用于设计由目标块120表示的初级目标g[k]的方法背后的原理，用于使残留的符号间干扰的功率最小化。使用该思想，可以根据本发明的一个或多个实施例实现用于目标设计的闭式方法。为此，可以将符号间干扰的功率表达为：

$P_{\mathrm{isi}}=E\left\{e_l^2\right[n\left]\right\}=u^T{R}_{l}u+g^T{R}_{\tilde{a}}g-2u^T{R}_{l,\tilde{a}}g,$

其中 $R_l=E\left\{x_{l,n}{x}_{l,n}^T\right\},R_{\tilde{a}}=E\left\{{\tilde{a}}_n{\tilde{a}}_n^T\right\},$ 以及 $R_{l,\tilde{a}}=E\left\{x_{l,n}{\tilde{a}}_{n-m0}^T\right\}.$ 在此，E{*}表示统计期望算符。由此，P_isi被最小化，并受到先前定义的约束。

作为上述受约束最小化的基础的拉格朗日成本函数由下式给出：

$L(u,g,{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,{\mathrm{\λ}}_3)=u^T{R}_{l}u+g^T{R}_{\tilde{a}}g-2u^T{T}_{l,\tilde{a}}g-2{\mathrm{\λ}}_1(g^T{i}_0-{\mathrm{\φ}}_1)-2{\mathrm{\λ}}^T(A^{T}u-\mathrm{\φ})$

其中，λ＝[λ₂，λ₃]^T，并且{λ₁，λ₂，λ₃}是拉格朗日乘数(multiplier)。L(u，g，λ₁，λ₂，λ₃)关于u和g的梯度由下式给出：

${\▿}_{u}L=2R_{l}u-2R_{l,\tilde{a}}-2\mathrm{A\λ},$ 以及

${\▿}_{g}L=2R_{\tilde{a}}g-2R_{l,\tilde{a}}^{T}u-2{\mathrm{\λ}}_1{i}_0.$

对于u和g进行求解，得到下面的公式：

以及

其中 $R_u={[R_l-R_{l,\tilde{a}}{R}_{\tilde{a}}^{-1}{R}_{l,\tilde{a}}^T]}^{-1}$ 并且 $R_g={[R_{\tilde{a}}-R_{l,\tilde{a}}^T{R}_l^{-1}{R}_{l,\tilde{a}}]}^{-1}.$ 使用前述公式，定义下面的矩阵公式：

在使用上面的矩阵公式对拉格朗日乘数{λ₁，λ}求解之后，可以从上面给出的均衡器和目标系数公式获得最佳均衡器和目标系数。

相关矩阵R_l，

和

中的第(i，j)元素可以计算如下。假定接收到的数据位a[n]是独立的并且等同分布(identically distributed)，则得到下面的定义公式：

$R_l(i,j)=\underset{k}{\mathrm{\Σ}}{h}_b\left[k\right]h_b[k+i-j],i,j=\mathrm{0,1},...,N_u-1;$

$R_{\tilde{a}}(i,j)=(1+{\mathrm{\α}}^2)\mathrm{\δ}(i-j)-\mathrm{\α}[\mathrm{\δ}(i-j-1)+\mathrm{\δ}(i-j+1)],i,j=\mathrm{0,1},...,N_g-1;$

以及

$R_{l,\tilde{a}}(i,j)=h_b[m_0+j-i]-\mathrm{\α}{h}_b[m_0+j-i+1],i=\mathrm{0,1},...,N_u-1,$ 并且j＝0，1，...，N_g-1，其中当k≠0时δ(k)是“0”，而当k＝0时，δ(k)是“1”。

开发自适应算法的步骤之一是从误差信号185估计残留的符号间干扰。这可以通过对误差信号185进行依赖于数据的平均来完成。由于电子噪声(v[n])和位置抖动(τ[n])是零均值随机处理并且独立于数据位(a[n])，所以由依赖于数据的平均电路290(图2中所示)提供的对误差信号185的平均将有效地消除介质噪声和电子噪声的贡献，留下每个模式的残留符号间干扰分量作为平均。

使用本领域已知的受约束的最小二次均方(constrainedleast-mean-square)算法的原理，可以开发用于计算均衡器系数和目标系数的自适应方法。具体来说，可以将用于计算均衡器系数和目标系数的公式推导为：

$\tilde{u}[n+1]=u\left[n\right]-2{\mathrm{\μ}}_u{x}_n{e}_{d,k}\left[n\right],$

$\tilde{g}[n+1]=g\left[n\right]+2{\mathrm{\μ}}_g{\tilde{a}}_n{e}_{d,k}\left[n\right],$

以及

其中，μ_u和μ_g分别是均衡器和目标的自适应步长大小。在此情况下，e_d，k[n]是以时间常数n对残留的符号间干扰的估计。通过确定将使

和

满足在上面的公式(1a-1c)中给出的约束的扰动的最小量得到量Θ_u[n]和Θ_g[n]。也就是说，通过最小化下面的拉格朗日成本函数得到Θ_u[n]和Θ_g[n]：

和

$L_g\left({\mathrm{\Θ}}_g\right[n],{\mathrm{\λ}}_g)={\mathrm{\Θ}}_g^T\left[n\right]{\mathrm{\Θ}}_g\left[n\right]-2{\mathrm{\λ}}_g^T\left[n\right]\left(i_0^{T}g\right[n+1]-{\mathrm{\φ}}_1,$

其中2×1矢量λ_u[n]和标量λ_g[n]是拉格朗日乘数。

考虑到上述内容，L_u和L_g关于Θ_u[n]和Θ_g[n]的梯度分别由下式给出：

${\▿\mathrm{\Θ}}_u{L}_u=2{\mathrm{\Θ}}_u-2A{\mathrm{\λ}}_u\left[n\right],$ 以及 ${\▿\mathrm{\Θ}}_g{L}_g=2{\mathrm{\Θ}}_g-2i_0{\mathrm{\λ}}_g\left[n\right]$ 公式2

通过将上述梯度设置为零并应用上面的公式(1)的约束，可以确定Θ_u[n]和Θ_g[n]的最佳值。由此得到下面的公式：

${\mathrm{\Θ}}_u\left[n\right]=A{\left(A^{T}A\right)}^{-1}(\mathrm{\φ}-A^T\tilde{u}[n+1\left]\right),$ 和

${\mathrm{\Θ}}_g\left[n\right]=\frac{{\mathrm{\φ}}_1-i_0^T\tilde{g}[n+1]}{N_g}{i}_0.$

通过代入，导出下面的公式：

公式3a

和

公式3b

可以验证，紧挨在前面的公式满足约束A^Tu[n+1]＝φ和 $i_0^T\tilde{g}[n+1]={\mathrm{\φ}}_1.$ 由于A^Tu[n]＝φ和 $i_0^T\tilde{g}\left[n\right]={\mathrm{\φ}}_1,$ 所以可以简化上面的公式，得到下面的更新后的均衡器系数215(图2中所示)和更新后的目标系数270(图2中所示)的公式：

公式4a

和

公式4b

作为例子，对于N_u＝10，N_g＝3，并且当数字有限脉冲响应滤波器110的主分支是第四分支时，上述更新后的均衡器系数和更新后的目标系数的公式可被简化为：

均衡系数＝u_i[n+1]＝u_i[n]-2μ_ux[n-i]e_d，k[n]，其中i＝0，1，5，6，7，8，9；

均衡系数＝u_i[n+1]＝u_i[n]-μ_ue_d，k[n](x[n-2]+x[n-4])，其中i＝2，4；

其中i＝0，1，2；对于所有的n，u₃总是被设置为等于φ₂。

由于有限精度的影响，适应性系数可能慢慢离开满足约束的区域。因此，在一些情况中，基于上面的公式(3)而不是公式(4)来实施该自适应算法。与公式(3)相对应的均衡器的分支方式(tap-wise)自适应公式可以用简化形式写为：

u_i[n+1]＝u_i[n]-2μ_ux[n-i]e_d，k[n]，其中i＝0，1，2，5，6，7，8，9；

$\tilde{u}[n+1]=0.5\left\{u_2\right[n]+u_4[n]-2{\mathrm{\μ}}_u\left(x\right[n-2]+x[n-4\left]\right)e_{d,k}[n\left]\right\};$

$u_2[n+1]=\tilde{u}[n+1]-\frac{{\mathrm{\φ}}_3}{2};$ 以及

$u_4[n+1]=\tilde{u}[n+1]+\frac{{\mathrm{\φ}}_3}{2}.$

与公式(3)相对应的目标的自适应公式可以用简化形式写为：

${\tilde{g}}_i[n+1]=g_i\left[n\right]+2{\mathrm{\μ}}_g\tilde{a}[n-m_0-i]e_{d,k}\left[n\right],$ 其中i＝0，1，2；以及

$g_i[n+1]={\tilde{g}}_i[n+1]+\frac{{\mathrm{\φ}}_1-\underset{j=0}{\overset{2}{\mathrm{\Σ}}}{\tilde{g}}_j[n+1]}{N_g}),$ 其中i＝0，1，2，

其中对于所有的n，u₃[n]＝φ₂。

转到图2，图2示出根据本发明各种实施例的自适应均衡***200。自适应均衡***200包括作为数字有限脉冲响应滤波器210来实施的均衡器。数字有限脉冲响应滤波器210接收一系列的数字样本205，x[n]，进行均衡处理，并提供相应系列的均衡样本220，y[n]。在本发明的一些实施例中，由模拟-数字转换器(未示出)提供数字样本205。在一些情况中，数字样本205对应于从磁存储介质得到的模拟输入。在其它情况中，数字样本205对应于从通信通道得到的模拟输入。基于本文中提供的公开内容，本领域的技术人员将会想到数字样本205的多种来源。通过更新后的均衡器系数215调节该均衡处理。如下面更充分描述的，更新后的均衡器系数215被自适应地算出，并且因此能够适应随时间变化的通道条件。应该指出，尽管该均衡器作为数字有限脉冲响应滤波器来实现，但是关于本发明的不同实施例可以使用其它形式的可调节均衡器。

均衡后的样本220被提供给检测器225，检测器225进行检测处理并提供理想输出230，a[n-M_d]，其中M_d是检测器延迟。检测器225可以是本领域已知的能够执行可以再生原始输入的检测算法的任何检测器。均衡后的样本220还被提供给延迟电路235，延迟电路235将均衡后的样本延迟了延迟值240，M₀，并提供延迟后的输出245，y[n-M₀]。理想的输出230，a[n-M_d]被提供给延迟电路250，在延迟电路250中它被延迟了延迟值255，N_l，使得M₀＝M_d+N_l，其中N_l是在残留符号间干扰估计中使用的前体分量(pre-cursor components)的数目。得到的延迟输出260，a[n-M₀]在时间上与延迟输出245对准。延迟输出260被提供给目标滤波器265，目标滤波器265根据更新后的目标系数270操作。目标滤波器265提供目标输出275，d[n-M₀]。使用累加元件280从延迟输出245减去目标输出275。相减的结果是误差信号285，e[n-M₀]。误差信号285表示均衡器、数字有限脉冲响应滤波器210的输出和通过目标滤波器265的处理之后的理想输出230之间的差。

误差信号285和延迟输出260被提供给依赖于数据的平均电路290。依赖于数据的平均电路290从误差信号285的其它构成分量中分离出未均衡分量(即，符号间干扰(e_l[n]))。由于电子噪声(v[n])和位置抖动(τ[n])是零均值随机处理并且独立于数据位(a[n])，所以由依赖于数据的平均电路290提供的对误差信号285的平均将有效地从介质噪声和电子噪声中消除电子噪声和位置抖动的贡献，留下每个模式的残留符号间干扰分量作为平均。因此，依赖于数据的平均电路290的依赖于数据的平均输出295(e_d，k[n])大致等同于误差信号285的符号间干扰或未均衡分量(e_l[n])。

可以根据下面的方法进行依赖于数据的平均，其中模式长度是N_c位并且在时间上为第n时刻。通过围绕当前时刻n对称地设置数据模式的窗口，得到下面的公式：

$a_{d,n}=\left\{a\right[n-\frac{N_c-1}{2}],a[n-\frac{N_c-1}{2}+1],...,a[n+\frac{N_c-1}{2}-1],a[n+\frac{N_c-1}{2}\left]\right\},$ N_c为奇数；以及

$a_{d,n}=\left\{a\right[n-\frac{N_c}{2}+1],a[n-\frac{N_c}{2}+2],...,a[n+\frac{N_c}{2}-1],a[n+\frac{N_c}{2}\left]\right\},$ N_c为偶数。

然后，可以根据下面的公式估计残留的符号间干扰分量：

$\left.\begin{array}{c}{n}_k=n_k+1\\ e_{d,k}\left[n\right]=\frac{n_k-1}{n_k}{e}_{d,k}[n-1]+\frac{1}{n_k}e\left[n\right]\end{array}\right\},a_{d,n}=A_d(:,k),$ 以及

e_d，k[n]＝e_d，k[n-1]，其它。

在此情况下，A_d是所有可能的N_c位数据模式的

矩阵，A_d(：，k)表示A_d的第k列，并且n_k是对应于A_d的第k列的数据模式在时间上直到第n时刻的输入数据序列中出现的次数。设置针对

的公式中给出的数据模式窗口使得捕获e_d，k[n]中的后体(post cursor)符号间干扰和前体符号间干扰。然而，在本发明的一些实施例中，可以根据下面的公式设置模式窗口以重点考虑前体符号间干扰，从而提供好的均衡和检测性能：

a_d，n＝{a[n]，a[n+1]，...，a[n+N_c-2]，a[n+N_c-2]}，    公式5

本领域的技术人员将会想到也可以使用例如指数平均、统一平均(uniform averaging)、窗口平均等任何平均方法来实现上面描述的依赖于数据的平均处理。

依赖于数据的平均输出295被提供给梯度累积电路201。另外，梯度累积电路201接收延迟输出260，a[n-M₀]，和延迟形式的数字样本205，x[n]。延迟形式的数字样本205被标记为延迟输出206，x[n-M₀]，并且在时间上与延迟输出260对准。基于这些输入，梯度计算电路201根据下面的公式计算均衡梯度226和目标梯度231：

以及

均衡梯度226和目标梯度231被提供给自适应均衡器系数和目标系数计算电路211。自适应均衡器系数和目标系数计算电路211将更新后的均衡器系数215提供给数字有限脉冲响应滤波器210并且将更新后的目标系数270提供给目标滤波器265。在本发明的一些实施例中，根据上面的公式(3a)计算更新后的均衡器系数215，为了方便将其复制在下面：

其中 $\tilde{u}[n+1]=u\left[n\right]-2{\mathrm{\μ}}_u{x}_{n-M0}{e}_{d,k}\left[n\right].$ 在这些实施例中，根据上面的公式(3b)计算更新后的目标系数270，为了方便将其复制在下面：

其中 $\tilde{g}[n+1]=g\left[n\right]+2{\mathrm{\μ}}_g{\tilde{a}}_{n-M0}{e}_{d,k}\left[n\right].$ 在本发明的其它实施例中，根据上面的公式(4a)计算更新后的均衡器系数215，为了方便将其复制在下面：

均衡系数＝u[n+1]＝u[n]-2μ_ue_d，k[n](I_Nu-A(A^TA)^-1A^T)x_n

在这些实施例中，根据上面的公式(4b)计算更新后的目标系数270，为了方便将其复制在下面：

在本发明的一些实施例中，实施上述自适应方法使用单独的目标滤波器和均衡器，所述目标滤波器和均衡器只用于自适应目的并且与不逐个样本地受影响的主信号通道上的目标滤波器和均衡器分开存在。这种方法避免了在计算分支度量(branch metrics)和通道度量(path metrics)时在检测器内部使用目标系数的自适应值的必要性。然而，因为该方法需要与主信号通道中的目标滤波器和均衡器并行的附加目标滤波器和均衡器，因此该方法是硬件密集型的。其它实施例通过使用改进的自适应策略避免了该附加硬件成本。更新后的均衡器系数和更新后的目标系数每个分区只被改变一次。在某些情况下，在每个分区的结尾处进行一次这样的改变。在这样做时，针对在整个分区上连续的每个样本计算均衡器和目标滤波器的瞬时梯度。在分区的结尾或者在分区中的一些点处，使用累积梯度计算更新后的均衡器系数和更新后的目标系数。

关于图3的流程图300描述用于均衡器和目标系数自适应的所得到的算法。遵循流程图300，将均衡器和目标系数初始化到所选约束内的值(块305)。将初始均衡器系数称为u，并且将初始目标系数称为g。对于公式(1a)-(1b)中给出的约束，可以如下使任意给定的目标矢量g＝[g₀，g₁，g₂]^T和均衡器矢量u＝[u₀，u₁，...，u₉]满足该约束：

$g_i\←g_i+\frac{{\mathrm{\φ}}_1-g_0-g_1-g_2}{3},i=\mathrm{0,1,2}$

u₃＝φ₂， $\tilde{u}=\frac{u_2+u_4}{2}$

$u_2=\tilde{u}-\frac{{\mathrm{\φ}}_3}{2},$ $u_4=\tilde{u}+\frac{{\mathrm{\φ}}_3}{2}$

并且对于i＝0，1，5，6，...，9，u_i保持不变。本领域的技术人员将认识到可以很容易地将上述满足约束的方法推广到任意长度和任意类型的线性约束的均衡器和目标矢量。将得到的满足约束的均衡器系数和目标系数应用于主信号通道的均衡器和目标滤波器。为了处理每个分区的数据，将均衡器计算和目标计算中的每一个的梯度矢量初始化为零(块310)。将均衡器梯度称为q_u，并且将目标梯度称为q_g。然后提取与当前时刻相对应的数据模式a_d，n(块315)。这可以根据上面的公式(5)来完成：

a_d，n＝{a[n]，a[n+1]，...，a[n+N_c-2]，a[n+N_c-2]}。

然后计算主信号通道中均衡器输出的误差(块320)。这可以根据下面的公式来完成，前面关于图1描述了该公式：

$e\left[n\right]=y\left[n\right]-d[n-m_0]=\underset{i=0}{\overset{\mathrm{Nu}-1}{\mathrm{\Σ}}}u\left[i\right]x[n-i]-\underset{i=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}g\left[i\right]\tilde{a}[n-m0--i]=u^T{x}_n-g^T{\tilde{a}}_{n-m0}.$

然后提取与该时刻相对应的残留符号间干扰(e_d，k[n])(块325)。在该分区的多个样本上重复该处理。在一些情况下，针对该分区中的每个样本重复该处理。在每个分区的后部期间，累积与均衡器和目标滤波器相对应的梯度(块330)。在一些情况下，在该分区的后一半样本上进行该处理。根据下面的公式计算和累积梯度：

q_u[n]＝q_u[n-1]+x_n-M0e_d，k[n]，n＞0.5N_s；以及

$q_g\left[n\right]=q_g[n-1]+{\tilde{a}}_{n-m0}{e}_{d,k}\left[n\right],n>0.5N_s,$

其中q_u[n]和q_g[n]表示在时刻n的累积梯度，并且N_s是该分区中的位数。应该指出，在一些情况下，可以根据分区累积被设计为在哪儿开始来修正乘数0.5。此外，在一些情况下，可以简化均衡器梯度的计算，例如，通过使用符号(x_n-M0)代替x_n-M0。

然后确定是否已经到达该分区的结尾(块335)。如果没有到达该分区的结尾(块335)，则对后续样本重复块310-330的处理。作为选择，如果已经到达该分区的结尾(块335)，则更新均衡器系数并且更新目标系数，并进行约束(块340，345，350)。在本发明的一些实施例中，根据上面提出的如下公式更新和约束均衡器系数：

$\tilde{u}\←u-2{\mathrm{\μ}}_u{q}_u\left[N_s\right],$ 和

$u\←\tilde{u}+A{\left(A^{T}A\right)}^{-1}[\mathrm{\φ}-A^{T}u].$

在这些实施例中，根据上面提出的如下公式更新和约束目标系数：

$\tilde{g}\←g+2{\mathrm{\μ}}_g{q}_g\left[N_s\right],$ 以及

$g\←\tilde{g}+i_0\frac{\mathrm{\φ}1-i_0^T\tilde{g}}{N_g}.$

在本发明的其它实施例中，根据上面提出的如下公式更新和约束均衡器系数：

u_i←u_i-2μ_uq_u，i[N_s]，i＝0，1，2，5，6，7，8，9；

$\tilde{u}\←0.5\{u_2+u_4-2{\mathrm{\μ}}_u\left(q_{u,2}\right[N_s]+q_{u,4}[N_s\left]\right)\};$

$u_2\←\tilde{u}-\frac{{\mathrm{\φ}}_3}{2};$ 以及

$u_4=\tilde{u}+\frac{{\mathrm{\φ}}_3}{2},$

其中u₃总被设置为等于φ₂。在这些实施例中，根据上面提出的如下公式更新和约束目标系数：

${\tilde{g}}_i=g_i+2{\mathrm{\μ}}_g{q}_{g,i}\left[N_s\right],i=\mathrm{0,1,2};$ 以及

$g_i={\tilde{g}}_i+\frac{{\mathrm{\φ}}_1-\underset{j=0}{\overset{2}{\mathrm{\Σ}}}{\tilde{g}}_j}{N_g},i=\mathrm{0,1,2},$

其中u₃总被设置为等于φ₂。在此情况下，对于i＝0，1，...，9和j＝0，1，2，q_ui[N_s]和q_g，i[N_s]分别是累积梯度矢量q_u[N_s]和q_g[N_s]中的第i和第j项系数。

转到图4，图4示出根据本发明的各种实施例的包括具有自适应均衡器和目标系数计算电路410的读取通道的存储***400。存储***400可以例如是硬盘驱动器。所包含的自适应计算电路能够基于接收到的数据流自适应地计算均衡器和目标系数。因此，可以根据上面关于图1-图3所进行的描述来实现该自适应计算电路。另外，存储***400包括接口控制器420、前置放大器412、硬盘控制器466、电动机控制器468、主轴电动机472、盘片(disk platter)478以及读/写头476。接口控制器420控制数据写入盘片478以及从盘片478读取数据的寻址和定时。盘片478上的数据由磁信号组构成，当读/写头组件476正确地定位在盘片478之上时该组件可以检测该磁信号组。在典型的读操作中，读/写头组件476被电动机控制器468准确地定位在盘片478上的期望数据轨道上方。电动机控制器468也通过在硬盘控制器466的指引下将读/写头组件移动到盘片478上的适当数据轨道来关于盘片478定位读/写头组件476并驱动主轴电动机472。主轴电动机472以确定的旋转速率(RPM)转动盘片478。

当读/写头组件476被定位到正确的数据轨道附近时，随着主轴电动机472转动盘片478，读/写头组件476感测代表盘片478上的数据的磁信号。感测到的磁信号被提供为代表盘片478上的磁数据的连续的微小模拟信号。该微小模拟信号从读/写头组件476经由前置放大器412被传送到读通道模块410。前置放大器412可操作用于调节从盘片478访问的微小模拟信号。另外，前置放大器412可操作用于调节来自读通道模块410的被指定写到盘片478的数据。反过来，读通道模块410解码(包括自适应目标导向和均衡化)并数字化接收到的模拟信号以重建最初写到盘片478的信息。将该数据作为读取数据403提供给接收电路。写操作基本上与上述读操作相反，其中将写入数据401提供给读通道模块410。然后将该数据编码并写到盘片478。

转到图5，图5示出根据本发明的不同实施例的通信***591，其包括具有自适应目标导向和均衡的接收器595。通信***591包括发送器593，如本领域中所知的，发送器593可操作用于经由传输介质597发送编码信息。接收器595从传输介质597接收该编码数据。接收器595包含了自适应均衡器和目标系数计算电路。所包含的自适应计算电路能够基于接收到的数据流自适应计算均衡器和目标系数。因此，可以按照上述关于图1-图3描述的内容实现该自适应计算电路。基于本文所提供的公开内容，本领域的技术人员将想到可对其进行根据本发明的实施例的均衡和目标导向的各种介质。

总之，本发明提供了用于进行均衡和目标过滤的新颖的***、装置、方法和配置。尽管上面已经给出了对本发明的一个和多个实施例的详细描述，但是在不偏离本发明的精神的情况下，各种替换、修改和等同物对于本领域的技术人员来说是显而易见的。因此，不应该将上述说明认为是对由所附权利要求限定的本发明的范围的限制。

Claims (18)

1.一种用于自适应均衡的方法，该方法包括：

提供数据处理***，其中该数据处理***包括均衡器电路、目标滤波器电路和检测器，并且其中该均衡器电路至少部分地基于均衡器系数进行均衡以得到第一输出，所述第一输出被提供给所述检测器，所述检测器进行检测处理并提供理想输出，该目标滤波器电路对经过延迟的理想输出进行滤波以得到第二输出；

基于来自所述均衡器电路的所述第一输出和来自所述目标滤波器电路的所述第二输出生成误差；

提取所述误差的符号间干扰分量；

使用所述符号间干扰分量计算均衡器梯度；以及

至少部分地基于所述均衡器梯度计算所述均衡器系数。

2.根据权利要求1所述的方法，其中所述方法还包括：

将数据输入提供给所述均衡器电路，其中从存储介质得到所述数据输入，所述存储介质具有多个分区，每个分区具有多个样本。

3.根据权利要求2所述的方法，其中逐个样本地提取所述符号间干扰分量。

4.根据权利要求3所述的方法，其中逐个分区地计算所述均衡器系数。

5.根据权利要求1所述的方法，其中由所述目标滤波器电路进行的滤波是至少部分地基于目标系数的噪声预测滤波，并且其中该方法还包括：

至少部分地基于所述误差计算目标梯度；以及

至少部分地基于所述目标梯度计算所述目标系数。

6.根据权利要求5所述的方法，其中所述目标系数是被约束的。

7.根据权利要求2所述的方法，其中逐个分区地计算所述目标系数。

8.根据权利要求1所述的方法，其中所述均衡器系数是被约束的。

9.根据权利要求1所述的方法，其中提取所述误差的符号间干扰分量包括：

对误差值进行依赖于数据的平均。

10.一种自适应均衡电路，该电路包括：

均衡器电路，其可操作用于基于可更新的均衡器系数均衡数据输入，并且提供均衡输出；

检测器，对均衡输出进行检测处理，并提供理想输出；

目标滤波器电路，其可操作用于至少部分地基于目标系数对经过延迟的理想输出进行滤波，并提供目标输出；

误差计算电路，其中所述误差计算电路确定所述目标输出和所述均衡输出之间的差异，并且其中所述误差计算电路提供误差输出；

依赖于数据的平均电路，其中所述依赖于数据的平均电路提取所述误差输出的符号间干扰分量；

梯度累积电路，其可操作用于至少部分地基于所述误差输出的符号间干扰分量计算均衡器梯度；以及

均衡器系数计算电路，其接收所述均衡器梯度并计算所述可更新的均衡器系数。

11.根据权利要求10所述的电路，其中从存储介质得到所述数据输入，该存储介质具有多个分区，每个分区具有多个样本。

12.根据权利要求11所述的电路，其中所述依赖于数据的平均电路逐个样本地操作以提取所述误差输出的符号间干扰分量。

13.根据权利要求12所述的电路，其中所述均衡器系数计算电路逐个分区地计算所述可更新的均衡器系数。

14.根据权利要求10所述的电路，其中所述目标系数是可更新的目标系数，其中所述梯度累积电路还可操作用于计算目标梯度，并且其中所述自适应均衡电路还包括：

目标系数计算电路，其接收所述目标梯度并计算所述可更新的目标系数。

15.根据权利要求14所述的电路，其中从存储介质得到所述数据输入，该存储介质具有多个分区，每个分区具有多个样本，并且其中所述目标系数计算电路逐个分区地计算所述可更新的目标系数。

16.根据权利要求14所述的电路，其中所述可更新的目标系数和所述可更新的均衡器系数是被约束的。

17.一种传输装置，其中所述传输装置包括：

接收器，其可操作用于从传输介质接收数据，并且其中所述接收器包括：

均衡器电路，其可操作用于基于可更新的均衡器系数均衡数据输入，并且提供均衡输出；

检测器，对均衡输出进行检测处理并提供理想输出；

目标滤波器电路，其可操作用于至少部分地基于目标系数对经过延迟的理想输出进行滤波，并且提供目标输出；

误差计算电路，其中所述误差计算电路确定所述目标输出和所述均衡输出之间的差异，并且其中所述误差计算电路提供误差输出；

依赖于数据的平均电路，其中所述依赖于数据的平均电路提取所述误差输出的符号间干扰分量；

梯度累积电路，其可操作用于至少部分地基于所述误差输出的符号间干扰分量计算均衡器梯度；以及

均衡器系数计算电路，其接收所述均衡器梯度并计算所述可更新的均衡器系数。

18.根据权利要求17所述的传输装置，其中所述传输装置是存储装置，并且所述传输介质是磁性存储介质。

Images