JPH0770970B2 - 適応等化器 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は通信システムにおいて伝
送路上での信号の劣化を補償するための等化器に係り、
さらに詳しくは無線および有線の通信における伝送路の
特性を検出し、その検出結果を用いて受信信号の等化を
行う適応等化器に関する。

【０００２】近年の情報化社会の発展に伴って国内外で
有線や無線の通信網の整備が行われ、通信技術による情
報交換が社会の重要な基盤をなすようになっている。情
報化社会においては、従来のテレビ放送やラジオ放送、
電話などの音声・画像信号のみならず、企業間の取引情
報や銀行のオンライン情報など、社会的に影響度の大き
い情報が通信網を用いて伝送されるようになっている。
このような情報に対しては、伝送路の特性によって受け
る誤りを少なくするような正確な伝送手段を確立する必
要が大きくなっている。

【０００３】特に自動車電話等のディジタル移動通信に
おいては、変動の速いマルチパスフェージングに対する
補償技術が重要な課題となっている。このために時々刻
々の伝送路の特性変化に適応して、伝送路上における信
号の劣化を適応的に等化する適応等化技術の確立が要望
されている。

【０００４】

【従来の技術】一般に無線伝送路は送受信フィルタ、変
復調器、および送受信機によって構成される無線装置
と、気象条件や送受信機間の建造物等によって特性が変
化する伝搬路から構成される。信号の劣化原因としては
構成要素としての装置から発生する線形、非線形歪み
と、伝搬路から発生する線形歪みの一種としての二波干
渉フェージングがある。移動無線においては装置等から
発生する歪みは時間的に安定であるが、移動局と基地局
間の伝送路で発生する伝搬路歪みは選択的フェージング
となって、時間的に変動する。この変動に適応して伝送
路上での信号の歪みを適応的に等化する必要がある。

【０００５】図６２は移動体通信の概念図である。同図
において移動局１と基地局２との間で移動体通信が行わ
れる。移動局１と基地局２との間では局の間で直接に伝
搬する直接波とビル、山、大地等の障害物３によって反
射される反射波との間でフェージングが発生する。特に
自動車無線のように移動局が高速で移動する場合には、
直接波と反射波の間の振幅比、伝搬遅延時間、位相差が
高速に変化する。そのため、この変化に高速に追従して
信号の劣化を適応的に等化する必要が生ずる。

【０００６】図６３は等化器の従来例としてのトランス
バーサル型等化器の構成ブロック図である。このトラン
スバーサル型等化器は伝送路からの受信信号を復調器４
によって復調した後、タップ付き遅延線５に逐次セット
し、各遅延器６からの出力に係数調整器７によって係数
を乗じ、加算器８によって加算して出力を得るものであ
り、それぞれの係数調整器７の係数を伝搬路や無線装置
内部の歪みの程度に応じて調整することにより、歪みを
取り除くものである。

【０００７】

【発明が解決しようとする課題】しかしながら、図６３
に示した従来のトランスバーサル型等化器は線形歪みに
対しては有効であるが、伝送路に非線形歪みが生じた場
合や、復調系に非線形回路を用いた時には適切な等化が
できないという問題点があった。

【０００８】また、非線形歪みに対応できるフィルタと
して、従来ニューラルネットワークを用いた等化器が知
られているが、学習時間がかかりすぎるために適応的な
処理が困難であり、伝送路特性の変化に対応することが
できなかった。このため移動体通信におけるマルチパス
フェージングのように高速に伝送路特性が変化する場合
には、これに対応できないという問題点があった。

【０００９】本発明は、伝送路の特性を検出し、その結
果を用いて等化を行うことによって、適応的に線形歪み
のみならず非線形歪みをも等化する機能を提供すること
を目的とする。

【００１０】

【課題を解決するための手段】図１〜４は本発明の原理
ブロック図である。これらの図は既知の入力信号が入力
された場合の等化対象、例えば伝送路の出力から伝送路
の特性を検出して出力信号の補償を行う適応等化器の原
理ブロック図である。

【００１１】図１は第１、及び第３の発明の原理ブロッ
ク図である。第１の発明において、特性検出手段１１は
出力信号の劣化補償としての等化が行われるべき等化対
象１０、例えば伝送路への既知の入力信号に対する出力
信号から等化対象１０の特性、例えば伝達関数を検出す
る。等化手段１２は、特性検出手段１１によって検出さ
れた結果を用いて未知の入力信号に対する等化対象１０
の出力信号の等化を行い、等化出力信号を出力する。

【００１２】図２は第２の発明の原理ブロック図であ
る。同図において、特性検出手段１１は第１の発明にお
けると同様に等化対象１０の特性を検出する。等化制御
手段１４は、特性検出手段１１によって検出された結果
を用いて未加入入力信号に対する等化対象１０の出力信
号の等化を行うための制御信号を出力する。また等化手
段１５は、等化制御手段１４の出力に応じて未知入力信
号に対する等化対象１０の出力信号を等化するが、この
等化手段１５は例えば複数の等化回路と、それら等化回
路の出力の重み付け加算回路とから構成され、等化制御
出力１４が複数の等化回路のそれぞれの出力に対する重
み付け信号を出力することによって、複数の等化回路の
出力が重み付けされ、それらの総和が等化出力信号とし
て出力される。 前述のように図１は第３の発明の原理
も示している。第３の発明において、特性検出手段１１
は第１の発明におけると同様に例えばニューラルネット
ワークであり、出力信号の劣化補償としての等化が行わ
れるべき等化対象１０、例えば伝送路への既知の入力信
号に対する出力信号から等化対象１０の特性、例えば伝
達関数を検出する。しかしながら、この特性検出手段１
１としてのニューラルネットワークの内部状態値、例え
ば内部結合の重みは、第１の発明においては既知入力信
号の信号パターンにかかわらず一定とされているのに対
して、第３の発明においては既知入力信号の信号パター
ンに対応して切り替えられる。これによって、特性検出
手段１１としてのニューラルネットワークの学習が効率
的に実行される。また等化手段１２は、第１の発明にお
けると同様に、特性検出手段１１によって検出された結
果を用いて未知入力信号に対する等化対象１０の出力信
号の等化を行い、等化出力信号を出力する。

【００１３】図３は第４の発明の原理ブロック図であ
る。同図において、特性検出手段１１は第３の発明にお
けると同様に例えばニューラルネットワークであり、等
化対象１０の特性を検出するものであるが、第３の発明
と異なり、このニューラルネットワークの内部状態値と
しての重みは入力信号の信号パターンに応じて切り替え
られることはなく、内部結合の重みは一定のままで特性
検出が行われる。

【００１４】後処理手段１６は時系列的に等化対象１０
から出力される出力信号を用いての特性検出手段１１の
特性検出結果を次々と蓄積し、蓄積された特性検出結果
の後処理、例えば伝達関数の平均値を求めるものであ
り、例えばシフトレジスタとニューラルネットワークに
よって構成される。等化手段１７は、後処理手段１６の
出力を等化対象１０の特性検出結果として等化対象１０
の出力信号の等化を行うものであり、これも例えばニュ
ーラルネットワークによって構成される。

【００１５】図４は第５の発明の原理ブロック図であ
る。第５の発明における特性検出手段１１、及び等化手
段１２の作用は、例えば第１の発明におけると全く同様
である。

【００１６】等化誤り検出及び学習パターン蓄積手段１
８は、等化対象１０への既知入力信号と等化手段１２の
出力信号とを比較して、等化誤りを検出した時に、その
出力信号、特性検出手段１１の検出結果、及び等化対象
１０の正しい出力信号としての既知入力信号とを学習パ
ターンとして蓄積する。

【００１７】学習制御手段１９は、等化対象１０が出力
信号を出力していない期間、例えば等化対象１０として
の伝送路が使用されていない期間において、等化誤り検
出及び学習パターン蓄積手段１８に蓄積された学習パタ
ーンを用いて、等化手段１２、例えばニューラルネット
ワークに学習を行わせる

【００１８】

【作用】本発明においては、例えば伝送路上でデータが
パケット形式で送信される場合には、例えばパケットの
先頭にトレーニングシーケンス、または認識信号と呼ば
れる既知のビット列が挿入され、これが等化対象１０、
例えば伝送路の特性を検出するための既知の入力信号と
して用いられる。そしてこの入力信号と等化対象１０の
出力信号との関係から特性検出手段１１、例えばニュー
ラルネットワークによって伝送路の特性、例えば伝達関
数の実数部と虚数部とが検出される。

【００１９】図１にその原理を示した第１の発明におい
ては、特性検出手段１１としてのニューラルネットワー
クによって検出された、例えば伝達関数の実数部と虚数
部とを用いて、等化手段１２により未知の入力信号に対
する伝送路の出力信号の等化が行われる。この等化手段
１２も、例えばニューラルネットワークによって構成さ
れる。

【００２０】図２にその原理を示した第２の発明におい
ては、特性検出手段１１としてのニューラルネットワー
クの出力を用いて未知入力信号に対する等化対象１０の
出力信号の等化を行うための制御信号が出力されるが、
この制御信号は等化手段１５の一部、例えば複数の等化
回路のそれぞれの出力に対する重み付け信号であり、こ
の複数の等化回路の出力のお重み付け結果が加算され
て、等化出力信号として出力される。この等化回路も、
例えばそれぞれニューラルネットワークである。

【００２１】図１にその原理を示した第３の発明におい
ては、特性検出手段１１としてのニューラルネットワー
クにおいて既知の入力信号、すなわちトレーニングシー
ケンスのビットパターンに対応して特性検出パラメータ
としてのニューラルネットワークの重みが切り替えら
れ、例えば伝達関数の実数部と虚数部とが検出されて、
未知の入力信号に対する伝送路の出力信号の等化が行わ
れる。

【００２２】図３にその原理を示した第４の発明におい
ては、トレーニングシーケンスのビット列が例えば１ビ
ットずつずれて特性検出手段１１に入力される。それぞ
れのビット列に対して検出された結果が例えばシフトレ
ジスタに蓄積され、蓄積された結果が後処理、例えば平
均されて、その後処理結果を用いて未知入力信号に対す
る等化対象１０の出力信号の等化が行われる。これによ
って１回だけの特性検出結果を用いる場合に比較して、
特性検出の精度を高めることが可能になる。

【００２３】図４にその原理を示した第５の発明におい
ては、例えば第１の発明におけると同様に特性検出手段
１１によって等化対象１０の特性が検出され、その検出
結果を用いて未知入力信号に対する等化対象１０の出力
信号の等化が行われる。

【００２４】この時、等化誤り検出および学習パターン
蓄積手段１８は等化対象１０への既知の入力信号と等化
手段１２の出力信号とを比較しており、等化誤りを検出
した時には、その出力信号と特性検出手段１１の検出結
果、および等化対象１０の出力すべき正しい出力信号と
を学習パターンとして蓄積する。そして、例えば伝送路
上で通信が行われていない期間において、等化手段１２
の学習がこの学習パターンを用いることによって実行さ
れる。

【００２５】以上の説明においては、等化対象１０への
既知入力信号としてパケット先頭のトレーニングシーケ
ンスを用いるものとしたが、フェージングが極めて高速
の場合には１つのパケットを受信している期間中にも伝
送路の特性が変化することも考えられる。このような場
合に備えるため、本発明ではトレーニングシーケンスに
対応する信号の受信終了後にも特性検出を続行すること
も可能である。それは、未知入力信号に対する適応等化
器の等化出力信号を正しいもの（既知入力信号）として
特性検出を続行するために、図１〜図４（第１〜第５の
発明）内で特性検出手段１１の前段に特性検出制御装置
を設けることにより可能となる。

【００２６】この特性検出制御装置は、例えば既知入力
信号としてのトレーニングシーケンスが等化対象１０に
入力されている期間においてはその既知入力信号と等化
対象１０の出力信号とを特性検出手段１１に供給し、ま
たトレーニングシーケンスの入力終了後、未知入力信
号、すなわち送信データが等化対象１０に入力される期
間においては既知入力信号に代わる信号としての等化手
段１２の出力と等化対象１０の出力信号とを供給し、特
性検出手段１１に連続的な特性検出を行わせる。

【００２７】以上のように、本発明においては等化対象
の伝達特性、例えば伝達関数を検出し、その検出結果を
利用して時々刻々に変化する伝達特性に適応して出力信
号の等化を行うことができる。

【００２８】

【実施例】図５は第１の発明における適応等化器の基本
構成ブロック図である。同図において、適応等化器２０
は等化対象２１の伝達特性、例えば伝達関数Ｈ（ω）を
検出するための特性検出装置２２と、検出された伝達関
数特性を用いて等化対象２１の出力信号を等化する等化
装置２３から構成されている。

【００２９】図５において特性検出装置２２および等化
装置２３は例えばニューラルネットワークであり、特性
検出装置２２は学習時には等化対象２１の伝達関数を教
師信号として学習を行い、また等化装置２３は等化対象
２１への入力信号を教師信号として学習を行う。

【００３０】図６は第１の発明における適応等化器の実
施例の構成ブロック図である。同図において、図５の等
化対象２１は変調系２６、伝搬路２７および復調系２８
によって構成される。また適応等化器２５は、その動作
を後述する入力パターン作成部２４、図５の特性検出装
置２２に相当する特性検出ニューラルネットワーク２
９、等化装置２３に相当する等化ニューラルネットワー
ク３０、および閾値処理部３１から構成される。そして
特性検出ニューラルネットワーク２９は、既知のディジ
タル信号、すなわち入力信号とその入力信号に対する復
調系２８の復調信号、すなわち出力信号とから、変調系
２６、伝搬路２７、および復調系２８の全体（以後、こ
の全体を伝送路と称する）の伝達関数の実数部Ｘ
（ω）、および虚数部Ｙ（ω）を検出し、等化ニューラ
ルネットワーク３０はその検出結果を用いて復調系２８
の出力する復調信号を等化し、閾値処理部３１はその等
化結果を適切な閾値によって０または１のディジタルデ
ータに変換して、ディジタル信号、すなわち等化出力信
号として出力する。

【００３１】図７は図６における伝搬路２７のモデルで
ある。一般に見通し内マイクロ波通信においては、伝搬
路は直接波と反射波との２波干渉フェージングモデルと
して記述される。この時伝搬路の伝達関数は反射波と直
接波の振幅比ρ、反射波と直接波の伝搬遅延時間τ、お
よび反射波と直接波の初期位相差φを用いて次のような
式で表わされる。なお、理想的には変調系２６と復調系
２８との伝達関数は互いに相殺されるので伝搬路２７の
伝達関数を伝送路全体の伝達関数と見なすことができ
る。

【００３２】

【数１】

【００３３】このように、本来のρ，τ，φからρ，
τ′，φ′を求め、式(4),(5) から伝達関数の実部、虚
部を計算することができる。特性検出ニューラルネット
ワーク２９で伝達関数を検出することで検出される特性
とは、伝送路における反射波と直接波の位相差とその振
幅比であることがわかる。

【００３４】図８は図６の実施例における変調系２６の
構成ブロック図である。同図は、例えば復調時において
受信波から抽出される搬送波成分を基準信号として用い
た時の検波出力に相当するＩ、および搬送波成分の位相
をπ／２進ませた信号を基準信号として用いた時の検波
出力に相当するＱの２つのチャンネルに対する入力信号
を直交変調することによって、伝搬路に送信信号として
送出するものである。

【００３５】図９は図６における復調系２８の構成ブロ
ック図である。この復調系は受信信号から同期検波、ま
たは遅延検波などの検波手段によって受信信号を復元す
るものであり、ＢＰＦはバンドパスフィルタ、ＬＰＦは
ローパスフィルタ、ＡＤはＡＤ変換器であり、受信アナ
ログ信号が４倍オーバーサンプリングされてディジタル
信号に変換される。

【００３６】図１０は伝搬路上で伝送されるデータのパ
ケット形式の実施例フォーマットである。各パケットの
先頭にはトレーニングシーケンスと呼ばれ、各パケット
に共通の既知のビット列、例えば16ビットが挿入され、
このビット列を利用して伝送路特性の検出が行われる。
情報部が実際に伝送されるデータであり、本実施例では
ディジタル自動車電話を対象としているために信号は全
て０または１の２値を取る。ＳＹＮＣワードとガードは
パケットの先頭と終わりを示す特別な符号である。

【００３７】図１１は図６における特性検出ニューラル
ネットワーク２９の実施例である。同図で特性検出ニュ
ーラルネットワーク２９は各層の間が完全結合された３
層の階層型ニューラルネットワークである。入力ユニッ
ト数は32個であり、そのうちの16個には復調系２８の出
力信号としての実際の受信信号が入力され、残りの16個
には理想的な出力値としての図１０のトレーニングシー
ケンスのビット列が入力される。出力層のユニット数は
２個で、伝送路の伝達関数の実数部、虚数部を出力する
ものである。中間層ユニット数は２０個で、これは実験
的に決定されたものである。

【００３８】図１１において、パケットの先頭のトレー
ニングシーケンスのビット列、および受信信号のビット
列がそれぞれ８ビットを単位としてＩ，Ｑの両チャンネ
ルに対して遅延器（シフトレジスタ）Ｄを介して入力層
の各ユニットに入力され、その入力パターンに対して特
性検出ニューラルネットワークは既知のトレーニングシ
ーケンスと実際の受信信号とを比較することによって伝
送路の伝達関数を検出し、その実数部Ｘ（ω）および虚
数部Ｙ（ω）を出力する。

【００３９】図１２は特性検出ニューラルネットワーク
への入力パターン作成部の実施例構成ブロック図であ
る。同図において、入力パターン作成部は受信信号から
パケットのトレーニングシーケンスを検出するトレーニ
ングシーケンス検出部３６、トレーニングシーケンスの
ビット列を格納しているトレーニングシーケンスメモリ
３７、トレーニングシーケンス検出部３６の出力に応じ
て受信信号とトレーニングシーケンスメモリ３７に格納
されている理想値とを同期させて特性検出ニューラルネ
ットワーク３９に出力する同期装置３８によって構成さ
れている。

【００４０】図１３は入力パターン作成部内のトレーニ
ングシーケンス検出部３６の詳細構成ブロック図であ
る。同図において、トレーニングシーケンス検出部はト
レーニングシーケンスの先頭と終了のタイミングを検出
するものであり、フレーム同期装置３６ａは受信信号か
らパケットの同期を確立し、カウンタ３６ｂにリセット
信号を出力する。カウンタ３６ｂは、このリセット信号
を用いて、パケットのトレーニングシーケンスの先頭と
終了のタイミングを示すトレーニングシーケンスタイミ
ング信号を出力する。フレーム同期を確立する手段とし
ては、パケットの前に自己相関が強い系列の信号を送信
し、受信側でこの相関を利用して検出することが可能で
あるが、ここではその詳細は省略する。

【００４１】図１４は入力パターン作成部内のトレーニ
ングシーケンスメモリの詳細構成ブロック図である。ト
レーニングシーケンスメモリ３７は、トレーニングシー
ケンス検出部３６から同期装置３８を介して送られるト
レーニングシーケンスタイミング信号が入力されるカウ
ンタ３７ａ、およびトレーニングシーケンスのデータが
格納され、カウンタ３７ａの制御により、その内容が理
想値として読み出されるメモリ３７ｂとによって構成さ
れる。

【００４２】図１５は特性検出ニューラルネットワーク
への入力信号の例である。同図においてＩ，Ｑ両チャン
ネルの理想信号と、実際に復調系２８から出力される復
調信号との波形が示されている。復調系２８内で元のデ
ィジタル信号の１シンボルが４倍でオーバーサンプリン
グされており、特性検出ニューラルネットワークには
Ｉ，Ｑ両チャンネルの理想値と受信信号に対して元のデ
ィジタル信号の２シンボル分の８ポイントのデータが入
力され、入力データは合計32個となる。

【００４３】図１１の特性検出ニューラルネットワーク
によって伝送路の伝達関数を検出するためには、予めニ
ューラルネットワークの学習を行う必要がある。この学
習は伝送路の伝達関数の実数部Ｘ（ω）と虚数部Ｙ
（ω）の値を教師信号として、例えばバックプロパゲー
ション法によって行われる。

【００４４】実際の伝送系の伝達関数を正確に求めるこ
とは困難であるため、本実施例ではシミュレーションに
よって受信信号とそれに対応する伝達関数を求めた。学
習データの生成法としては第１に変調系、伝搬路、およ
び復調系をシミュレートするソフトウェアを計算機上に
作成しシミュレーションを実行する方法と、第２に変・
復調系のハードウェアと伝搬路モデルの動作を模擬する
ハードウェアを作成し実験によってデータを作成する方
法とが考えられるが、本実施例では第１の計算機シミュ
レーションによる方法を用いた。

【００４５】図１６はシミュレーションにおける伝送路
パラメータの変化を示す。同図は(4) および(5) 式にお
けるρ、τ′、およびφ′の変化を示すが、ρ＝０の場
合は反射波の影響が無視できるので、学習データにおけ
るρ、τ′、およびφ′の全ての組み合わせは25通りで
ある。これに対してＩ，Ｑおのおの３ビットのデータの
組み合わせとして64個のデータが生成された。また反射
波の影響によって１ビット前の信号値が復調波形を変化
させるために、そのビットを変化させたパターン全てが
生成された。

【００４６】図１７はＩ，Ｑ各３ビット全ての組み合わ
せを学習させる必要の説明図である。本実施例において
は反射波の直接波に対する遅延が最大１ビット分まであ
る場合を想定している。図１７は１ビット分の遅延があ
った場合の直接波、反射波に対応するディジタル信号を
示している。前述のように特性検出ニューラルネットワ
ークにはＩ，Ｑ各チャンネルに対してそれぞれ２ビット
分の受信信号が４倍オーバーサンプリングされて入力さ
れるが、入力となる２ビット分の受信信号はその前の１
ビットの影響を受けることになるので、Ｉ，Ｑ各々３ビ
ット全ての組み合わせを生成して学習させる必要があ
る。

【００４７】図１８は学習データの例である。復調信号
は４ビットでオーバーサンプリングされているために、
各サイクル点毎に同一の伝達関数値を対応させて４つの
入力データには同一の教師信号を与え、総学習データは
25×64×４＝6,400 個である。また学習データは図１９
に示すように、同期ずれにも対応できるようにとられて
いる。

【００４８】図２０は図６における等化ニューラルネッ
トワーク３０の実施例である。同図において、等化ニュ
ーラルネットワークは各層の間が完全結合された３層の
階層型ニューラルネットワークである。等化ニューラル
ネットワークは復調系の出力信号をニューラルネットワ
ークの非線形処理により等化することで、伝搬路、復調
系における非線形歪みを除去し、復調系の出力信号を目
標値に等化するものである。等化ニューラルネットワー
クの入力層のユニットには、ローパスフィルタを通った
復調系の出力信号を信号周期の４倍でオーバーサンプリ
ングして、Ａ／Ｄ変換した結果を入力する。また伝搬路
の変化に適応的に対応するために、伝送路特性としての
伝達関数の実数部と虚数部の値も入力し、その特性を利
用して受信信号の等化を行う。

【００４９】図２０において等化ニューラルネットワー
クの入力層のユニット数は受信信号を入力するための16
個と、伝達関数の実数部と虚数部を入力するための２個
との合計18個、出力ユニット数Ｉ，Ｑ両チャンネルに対
応する２個、中間層ユニット数は実験によって決定され
た12個である。ここで等化ニューラルネットワークは４
倍オーバーサンプリングされた２ビット分のデータか
ら、後述するようにその中心の理想値を出力するもので
あり、等化ニューラルネットワークに対して復調信号は
サンプリング時間毎にずれながら入力され、受信信号の
等化結果はサンプリング時間毎に連続して出力されるた
めに、出力信号はＩ，Ｑの各チャンネルに対して１ビッ
ト分となる。

【００５０】図２１は等化ニューラルネットワークへの
データ入力の制御方式の説明図である。同図において、
特性検出ニューラルネットワーク２９と等化ニューラル
ネットワーク３０の間には、図６には図示しなかったラ
ッチ回路４００が設けられ、前述のトレーニングシーケ
ンス検出部３６からラッチ回路４００に対してラッチの
リセット信号が入力される。ここでトレーニングシーケ
ンス検出部３６は、当然図１２で説明した入力パターン
作成部内のトレーニングシーケンス検出部と共用するこ
とが可能である。

【００５１】図２２は図２１の回路における等化ニュー
ラルネットワークの動作実施例のタイミングチャートで
ある。このタイミングチャートはＩ，Ｑの両チャンネル
に対して同一であるので、いずれか片方のチャンネルに
対するものとして、このタイミングチャートを説明す
る。

【００５２】図２２において、受信信号のうちで最初の
８ビットは片方のチャンネルのトレーニングシーケンス
に対する伝送路の出力結果を、また‘情報’はその後の
未知入力情報に対する伝送路の出力結果を示している。
まず最初にラッチ回路４００がトレーニングシーケンス
検出部３６からのリセット信号によってリセットされ、
特性検出ニューラルネットワーク２９への受信信号の入
力が開始される。特性検出ニューラルネットワーク２９
は４倍オーバサンプリングされた８ビット分、すなわち
トレーニングシーケンスに対応する受信信号２ビット分
が入力された時点で特性検出結果を出力し、その結果は
ラッチ回路４００にラッチされ、同時に等化ニューラル
ネットワーク３０が起動され、これによってトレーニン
グシーケンスに対応する受信信号の等化が行われ、その
８ビット分に対する等化が終了した後に、未知入力情報
に対する出力信号の等化が行われる。

【００５３】図２１，２２では、片方のチャンネルに対
するトレーニングシーケンスの２ビットを用いるものと
して等化ニューラルネットワークの動作を説明したが、
トレーニングシーケンスのうちで更に多くのビットを用
いて特性検出を行う場合には、図２３に示すように特性
検出ニューラルネットワーク２９の動作遅れを補償する
ために、等化ニューラルネットワーク３０に対して受信
信号をディレイ４０１を介して入力させることになる。

【００５４】図２４は等化ニューラルネットワークの学
習データの例である。同図(a) は特性検出ニューラルネ
ットワークの学習データに対する伝送路パラメータ、す
なわち図１６のパラメータに対して生成されたデータで
ある。伝達関数の実数部Ｘ、虚数部Ｙは計算式より求め
られた理論値を用いており、特性検出ニューラルネット
ワークの実際の出力値を用いたものではない。総学習デ
ータ数は、特性検出ニューラルネットワークの場合と同
様に25×64×４＝6400個である。また教師信号は、同図
(b) に示すように２シンボルのディジタルデータに対応
する８ポイントの理想値のうちで中間のポイント、すな
わち４ポイント目から５ポイント目の値を用いている。
これは１ビット分の遅延に対応できるように２ビット分
入力して、その中間を教師信号とするようにしたためで
あり、４ポイント目か、５ポイント目か、いずれをとる
かによって性能的に大きな差は見られない。

【００５５】図２５は第１の発明における出力信号等化
処理の実施例フローチャートである。同図において処理
が開始されると、まずステップ（Ｓ）４０においてパケ
ットのトレーニングシーケンスの検出が行われ、トレー
ニングシーケンスが検出された時にはＳ４１でトレーニ
ングシーケンスのビット列とそれに対応する受信信号を
特性検出ニューラルネットワークの入力ユニットにセッ
トし、Ｓ４２で伝送路の特性としての伝達関数の実数部
Ｘと虚数部Ｙとの検出が行われる。

【００５６】次にＳ４３で特性検出結果が等化ニューラ
ルネットワークの入力ユニットにセットされ、Ｓ４４で
パケットの終わりか否か、すなわち１つのパケット内の
データが全て出力されたか否かが判定され、パケットの
終わりでない時にはＳ４５で復調信号が等化ニューラル
ネットワークの各入力ユニットにセットされる。Ｓ４６
で等化ニューラルネットワークから等化信号が出力さ
れ、Ｓ４７でその信号が図６の閾値処理部３１によって
閾値処理され、ディジタル信号として出力され、Ｓ４４
からの処理が繰り返される。Ｓ４４でパケットの終わり
と判定された時には、Ｓ４０に戻り、次のパケットに対
するトレーニングシーケンスの検出以降の処理が繰り返
される。

【００５７】次に図６の実施例を用いた出力信号等化処
理の実験結果を示す。図２６は実験におけるサンプリン
グ点である。等化ニューラルネットワークの出力はこの
図に示されたサンプリング点でサンプリングされ、閾値
0.5 を用いてディジタルデータに変換される。

【００５８】図２７は実験結果のビット誤り率を示す。
同図において「学習」は本実施例により学習データを等
化した場合、「未知」は未知のデータを等化した場合、
「未等化」は本発明の適応等化器を用いずに受信信号を
図２６に示したサンプリング点でサンプリングし、閾値
処理を行った場合のビット誤り率である。

【００５９】以上の説明においては、特性検出ニューラ
ルネットワークはパケットの先頭にあるトレーニングシ
ーケンスの先頭４ビット（Ｉ，Ｑの両チャンネルに対し
て各２ビット）を用いて伝送路の特性、例えば伝達関数
を検出し、その結果を用いて等化ニューラルネットワー
クがパケットの残りの部分、すなわち情報部に対する出
力信号の等化を行うものとしたが、フェージングが高速
な場合には１つのパケット受信中においても伝送路の特
性が変化し、適切な等化ができないという問題点があっ
た。図２８は、そのような問題点を解決するために、ト
レーニングシーケンスに対応する受信信号の受信が終了
した後には等化ニューラルネットワークによって出力さ
れた等化出力信号を正しい入力信号、すなわち既知入力
信号と見なすことにより、トレーニングシーケンスに対
応する受信信号の受信終了後にも、特性検出を続行する
帰還型適応等化器の実施例構成ブロック図である。

【００６０】図２８を図６の実施例と比較すると、入力
パターン作成部２４に代わって、特性検出ニューラルネ
ットワークによる特性検出を制御する特性検出制御装置
４８が設けられている点が異なっている。

【００６１】図２９はこの特性検出制御装置の実施例の
構成ブロック図である。同図において、特性検出制御装
置４８は、受信信号を理想値と同期させて特性検出ニュ
ーラルネットワークに与えるための受信信号同期装置４
８ａ、受信信号からトレーニングシーケンスを検出する
トレーニングシーケンス検出部４８ｂ、および特性検出
ニューラルネットワークに理想値を出力するための理想
値制御装置４８ｃから構成されている。

【００６２】受信信号同期装置４８ａは、受信信号の１
ビット分、オーバサンプリングされた信号では４ビット
分を遅延させるための受信信号ＦＩＦＯ４８ｄ、および
受信信号と受信信号ＦＩＦＯ４８ｄとの出力を切り替え
るための受信信号切替器４８ｅから構成され、また理想
値制御装置４８ｃはトレーニングシーケンスを格納して
いるトレーニングシーケンスメモリ４８ｆ、およびトレ
ーニングシーケンスメモリ４８ｆの出力と等化出力信号
とを切り替えて出力するための理想値切替器４８ｇから
構成されている。なおトレーニングシーケンス検出部４
８ｂ、およびトレーニングシーケンスメモリ４８ｆは、
図１３，図１４で説明したものと同一のものである。

【００６３】図３０は図２９で説明した受信信号ＦＩＦ
Ｏ４８ｄの構成ブロック図である。同図において、ＦＩ
ＦＯには４倍オーバサンプリングされた受信信号が入力
され、受信信号の１ビット分の１／４だけの遅延時間を
持つ４個の遅延器を経由して、受信信号切替器４８ｅに
出力される。図２９および図３０を用いて図２８におけ
る特性検出について説明する。

【００６４】前述のように、トレーニングシーケンス検
出部４８ｂはトレーニングシーケンスの先頭と終了のタ
イミングを検出し、これを受信信号同期装置４８ａ、お
よび理想値制御装置４８ｃに出力する。まずトレーニン
グシーケンスの先頭が検出されると、そのタイミング信
号により受信信号切替器４８ｅは入力される受信信号を
出力し、また理想値切替器４８ｇはトレーニングシーケ
ンスメモリ４８ｆからのトレーニングシーケンスを出力
するように切り替えられる。この結果、特性検出ニュー
ラルネットワークによって、トレーニングシーケンスを
既知入力信号として伝送路の特性検出が行われる。

【００６５】トレーニングシーケンスが終了すると、再
びタイミング信号が出力され、受信信号切替器４８ｅは
受信信号ＦＩＦＯ４８ｄからの出力を、また理想値切替
器４８ｇは等化ニューラルネットワークの出力する等化
出力信号を、特性検出ニューラルネットワーク２９に出
力するように切り替えられる。ここでは等化ニューラル
ネットワークによる等化作用の遅延時間を信号の１ビッ
ト分としており、その１ビット分だけ受信信号ＦＩＦＯ
４８ｄによって受信信号が遅延され、遅延された受信信
号が等化ニューラルネットワークの出力と同時に等化検
出ニューラルネットワーク２９に入力されることによ
り、等化出力信号を既知入力信号の代わりに用いて伝送
路の特性検出が続行されることになる。なおここで、等
化ニューラルネットワークによる遅延時間に応じて、図
３０の受信信号ＦＩＦＯによる遅延時間が調整されるこ
とは当然である。

【００６６】図３１は図２８の実施例における信号等化
処理実施例のタイミングチャートである。同図(a) は受
信信号の例を示し、先頭の網かけされた部分、すなわち
時刻０から７に対応する信号をトレーニングシーケン
ス、それ以後の時刻に対する信号を未知入力信号、すな
わちデータに対応する受信信号とする。受信信号はアナ
ログ信号であるが、ここでは便宜上対応するディジタル
信号として示してある。

【００６７】前述のように、受信信号は４倍オーバサン
プリングされて適応等化器に入力されるので、図３１
(b) に示すタイムチャートでは同図(a) における時刻を
それぞれ４分割して示している。例えば時刻０は0.0〜
0.3 の４つで表わされる。特性検出ニューラルネットワ
ークには、図１１で説明したように１つのチャンネルに
対して受信信号の２ビット分、すなわちオーバサンプリ
ングされた信号では８ビット分が入力層の８個のユニッ
トにそれぞれ入力されるが、それらの８個の入力はｔ０
〜ｔ７でそれぞれ示されている。ここで網かけされた信
号は、同図(a) におけると同様にトレーニングシーケン
スに対応する信号を表わしている。

【００６８】トレーニングシーケンスは８ビットであ
り、時刻 7.3から時刻 8.0にかけてトレーニングシーケ
ンスに対応する信号からデータに対応する信号に切り替
わり、この時点でトレーニングシーケンス（ＴＳ）タイ
ミング信号が出力され、図２９の受信信号切替器と理想
値切替器との切り替えが行われ、特性検出ニューラルネ
ットワーク２９には１ビット分遅れた受信信号と等化ニ
ューラルネットワークから出力された等化出力信号が入
力される。等化ニューラルネットワークが、図２４で説
明したように入力層への入力でみてｔ４に対応するディ
ジタル信号を出力するものとすれば、等化出力信号を受
信信号に対応する理想値とすることができる。

【００６９】このように、トレーニングシーケンスに対
応する受信信号の受信終了後にも特性検出を続行すると
きにも、等化出力信号のビット誤り率が低い通常の場合
には特性検出が正しく行われ、誤差が蓄積されることは
ない。ビット誤りが生じた場合には特性検出がうまくい
かないことも予想されるが、伝送路の特性変化に追従で
きる利点の方が大きい。

【００７０】図３２は、図２にその原理を示した第２の
発明における適応等化器の基本構成ブロック図である。
同図を第１の発明に対する適応等化器の基本構成ブロッ
ク図を示す図５と比較すると、特性検出装置５２と等化
装置５４との間に制御装置５３が設けられ、制御装置５
３が特性検出装置５２によって検出された伝達関数特性
を用いて等化装置５４による出力信号の等化作用を制御
するための制御信号を出力する点を除いては、その構成
は図５におけると同様である。

【００７１】図３３は第２の発明における適応等化器の
実施例の構成ブロック図である。同図を第１の発明に対
する図６と比較すると、等化ニューラルネットワーク６
５が複数個設けられ、それらの等化ニューラルネットワ
ークの出力が制御ニューラルネットワーク６６の出力す
る重み付け信号を用いて乗算器６７によって重み付けさ
れ、加算器６８によって加算されて、閾値処理部６９に
入力される点を除いては、その構成は図６におけると同
様である。

【００７２】第２の発明における伝搬路モデル、変調
系、復調系、パケット形式、特性検出ニューラルネット
ワーク、およびその学習データは第１の発明におけると
同様であり、その説明を省略する。

【００７３】図３４は図３３における制御ニューラルネ
ットワーク６６の実施例である。同図は図３３の等化ニ
ューラルネットワーク６５が４個の場合に対応する実施
例である。

【００７４】図３４において、制御ニューラルネットワ
ークの入力層のユニットは特性検出ニューラルネットワ
ーク６４の出力としての伝達関数の実数部Ｘ、虚数部Ｙ
が入力される２個、出力層のユニット数は４つの等化ニ
ューラルネットワーク６５のそれぞれに対する重み付け
信号を出力する４個、中間層のユニット数は３である。

【００７５】図３５は制御ニューラルネットワーク用学
習データの実施例である。ここで図３３の４つの等化ニ
ューラルネットワークは、直接波と反射波の位相差０、
π／２、π、および３π／２のそれぞれに対応するもの
として分けられており、その結果位相差０に対しては制
御ニューラルネットワークの出力層のユニット１の出力
が１、π／２に対してはユニット２の出力が１、πに対
してはユニット３の出力が１、３π／２に対してはユニ
ット４の出力が１となるように学習が行われる。

【００７６】すなわち(4) および(5) 式を用いて説明し
たように、特性検出ニューラルネットワークによって実
際に検出される特性は位相差と振幅比となるために、こ
こでは特定の位相差に対して信号の等化を行う複数の等
化ニューラルネットワークの出力の重み付けを制御ニュ
ーラルネットワークによって行うことになる。

【００７７】図３６は振幅比ρと位相差φとを変化させ
た場合の学習データの例である。ここで制御装置として
ニューラルネットワークを用いることによって、実際に
学習を行った振幅比、および位相差以外の場合に対応す
るＸ，Ｙが入力された場合にも補間機能によって適切な
重み付け信号が出力されることが期待される。例えば振
幅比が0.8 で位相差がπ／４の時には、ユニット１とユ
ニット２との出力が0.5 、ユニット３とユニット４との
出力が０となることが期待される。

【００７８】図３７は第２の発明における等化ニューラ
ルネットワーク６５の実施例である。第２の発明におい
ては、制御ニューラルネットワーク６６の出力によって
複数個の等化ニューラルネットワーク６５の出力に対す
る重み付けが行われるが、その重み付けは特性検出ニュ
ーラルネットワーク６４の出力としての伝達関数の実数
部Ｘ、虚数部Ｙの値に応じて行われるために、第１の発
明に対する図２０と異なって等化ニューラルネットワー
クに伝達関数の実数部Ｘ、虚数部Ｙを入力する必要はな
くなる。

【００７９】図３８は第２の発明においてトレーニング
シーケンスに対応する信号の受信終了後にも特性検出を
続行する帰還型等化器の実施例の構成ブロック図であ
る。同図を図３３と比較すると、入力パターン作成部の
代わりに特性検出制御装置７０が設けられている点のみ
が異なっており、この特性検出制御装置の作用は図２８
〜図３１で説明したものと全く同様である。

【００８０】図３９は第３の発明における適応等化器の
基本構成ブロック図である。同図において、適応等化器
８０は等化対象７９の伝達特性、例えば伝達関数Ｈ
（ω）を検出するための特性検出装置８１と、検出され
た伝達関数特性を用いて等化対象７９の出力信号を等化
する等化装置８２、特性検出用パラメータを管理する特
性検出装置パラメータ管理部８３、およびそのパラメー
タを格納する特性検出装置パラメータ蓄積部８４から構
成されている。

【００８１】図３９において特性検出装置８１および等
化装置８２は例えばニューラルネットワークであり、特
性検出装置８１は学習時には等化対象７９の伝達関数を
教師信号として学習を行い、また等化装置８２は等化対
象７９への入力信号を教師信号として学習を行う。

【００８２】図４０は第３の発明における適応等化器の
実施例の構成ブロック図である。同図において、図３９
の等化対象７９は変調系８６、伝搬路８７および復調系
８８によって構成される。また適応等化器８５は、第１
の発明に対する図１２で説明した入力パターン作成部８
４、図３９の特性検出装置８１に相当する特性検出ニュ
ーラルネットワーク８９、等化装置８２に相当する等化
ニューラルネットワーク９０、閾値処理部９１、特性検
出装置パラメータ管理部８３に相当する特性検出ＮＮ
（ニューラルネットワーク）パラメータ管理部９２、お
よび特性検出装置パラメータ蓄積部８４に相当する特性
検出ＮＮパラメータ蓄積部９３から構成される。

【００８３】図４０において、特性検出ＮＮ８９によっ
て後述するようにトレーニングシーケンスのビットパタ
ーンを用いて特性検出が行われる点を除いては受信信号
の等化の動作は図６におけると同様である。なお特性検
出ＮＮパラメータ管理部９２、および特性検出ＮＮパラ
メータ蓄積部９３の詳細については後述する。

【００８４】第３の発明に対しても伝搬路モデル、変調
系、復調系、およびパケットフォーマットは第１の発明
におけると同様であり、その説明を省略する。図４１は
図４０における特性検出ニューラルネットワーク８９の
実施例である。同図で特性検出ニューラルネットワーク
８９は各層の間が完全結合された３層の階層型ニューラ
ルネットワークである。入力ユニット数は16個であり、
これらのユニットには復調系８８の出力信号としての実
際の受信信号が入力される。出力層のユニット数は２個
で、伝送路の伝達関数の実数部、虚数部を出力するもの
である。中間層ユニット数は例えば実験的に決定される
ことになる。

【００８５】図４１において受信信号のビット列がそれ
ぞれ８ビットを単位してＩ，Ｑの両チャンネルに対して
遅延器（シフトレジスタ）Ｄを介して入力層の各ユニッ
トに入力され、その入力パターンに対して特性検出ニュ
ーラルネットワークは既知のトレーニングシーケンスの
ビットパターンに対応する内部状態値、すなわち結合の
重みを用いて伝送路の伝達関数を検出し、その実数部Ｘ
（ω）および虚数部Ｙ（ω）を出力する。

【００８６】特性検出ニューラルネットワークへの入力
信号は第１の発明の実施例における図１５内の復調信号
のみである。その信号はＩ，Ｑの両チャンネルに対して
各８ポイント分であり、入力データは合計16個となる。

【００８７】図４２は特性検出ニューラルネットワーク
パラメータ管理部９２の実施例の構成ブロック図であ
る。同図において、特性検出ニューラルネットワークパ
ラメータ管理部９２はトレーニングシーケンスを格納し
ているトレーニングシーケンスメモリ９６、フレーム同
期信号、すなわちトレーニングシーケンス開始を示す信
号を受け取りその後のカウント値を出力するカウンタ９
７、カウンタからのカウント値の出力に応じてトレーニ
ングシーケンスメモリ９６に格納されているビット列に
対応する重みを特性検出ニューラルネットワークパラメ
ータ蓄積部９３から取り出し、特性検出ニューラルネッ
トワークに出力する重み制御部９８から構成されてい
る。

【００８８】本実施例においてはディジタル信号および
トレーニングシーケンスはＩＱＩＱＩＱ・・・のように
各チャンネルに順番に割り当てられ、直交変調される。
従って、図４２でトレーニングシーケンスメモリ９６内
のアンダーラインされたビット列００１１はＩが０１、
Ｑが０１という信号に対応する。本実施例ではＩ＝００
とＱ＝００，Ｉ＝００とＱ＝０１，・・・、Ｉ＝１１と
Ｑ＝１１の16種類の検出パターンに対応した16個の検出
ニューラルネットワーク用のパラメータが生成され、こ
れが特性検出ニューラルネットワークパラメータ蓄積部
９３に格納されている。

【００８９】図４２において、外部から供給されるフレ
ーム同期信号によってカウンタ９７はリセットされ、以
後カウンタ値は信号周波数に応じて増加され、その値は
重み制御部９８に通知される。重み制御部９８はそのカ
ウンタ値により対応するビットパターンをトレーニング
シーケンスメモリ９６から読み出し、そのビットパター
ンによって特性検出ニューラルネットワークパラメータ
として特性検出ニューラルネットワークの内部結合の重
みを特性検出ニューラルネットワークに出力することに
より、特性検出ニューラルネットワークは現在の入力ビ
ットパターン（Ｉ，Ｑ各２ビット）に応じた重み値を用
いて伝送路特性を検出することができる。

【００９０】図４３は図４２内の重み制御部の詳細構成
ブロック図である。同図において重み制御部９８は、カ
ウンタの出力に応じてトレーニングシーケンスメモリの
内容を読み込むトレーニングシーケンス読込部９８ａ、
トレーニングシーケンス読込部９８ａの出力に応じて、
特性検出ニューラルネットワークパラメータ蓄積部から
トレーニングシーケンスの４ビットに対応する特性検出
ニューラルネットワークパラメータ、すなわち重みを読
み込む重み読込部９８ｂ、および重み読込部９８ｂの出
力を用いて特性検出ニューラルネットワークの重みを更
新する重み更新部９８ｃから構成されている。

【００９１】伝送路の伝達関数のシミュレーション、伝
送路パラメータ等は第１の発明に対するものと同一であ
り、その説明を省略する。図４４は特性検出ニューラル
ネットワークの学習データの例である。第１の発明に対
する学習データを示す図１８と比較すると、入力信号と
してトレーニングシーケンスを示す理想信号を含まない
点のみが異なっている。なお図４４の学習データも図１
９におけると同様に同期ずれに対応するようにとられ
る。

【００９２】第３の発明に対する等化ニューラルネット
ワーク、その学習データ、および出力信号等化処理フロ
ーチャートも第１の発明に対すると同様であり、その説
明を省略する。ただし、等化処理フローチャートでは、
第１の発明に対する図２５のＳ４１においてトレーニン
グシーケンスそのものに代わってトレーニングシーケン
スに対応するＮＮパラメータが特性検出ＮＮにセットさ
れる点のみが異なる。

【００９３】図４５は第３の発明においてトレーニング
シーケンスに対応する信号の受信終了後にも特性検出を
続行する帰還型等化器の実施例の構成ブロック図であ
る。同図においても図２８、および図３８におけると同
様に特性検出制御装置９９が入力パターン作成部の代わ
りに設けられている点が図４０と異なっており、特性検
出制御装置の動作は前述におけると全く同様である。

【００９４】図４６は図３にその原理を示した第４の発
明における適応等化器の基本構成ブロック図である。同
図を第３の発明に対する適応等化器の基本構成ブロック
図を示す図３９と比較すると、特性検出装置１０２と等
化装置１０５との間に特性蓄積装置１０３と後処理部１
０４が設けられ、また特性検出装置パラメータ管理部８
３と同蓄積部８４が存在しない点が異なっている。

【００９５】特性検出装置１０２は、例えば前述のトレ
ーニングシーケンスを１ビットずつずらすことにより、
等化対象１００から時系列的に出力される出力信号を用
いて等化対象１００の伝達関数特性を検出し、その結果
を特性蓄積装置１０３に出力する。特性蓄積装置１０３
は例えばシフトレジスタであり、所定の回数だけ特性検
出装置１０２からの特性検出結果が出力されるまで、そ
の結果をシフトしながら蓄積する。特性蓄積装置１０３
に所定回数分だけの特性検出結果が蓄積された後に、後
処理部１０４はその蓄積検出結果に対する後処理、例え
ば統計処理を行い、検出結果の誤りを平均化することで
安定かつ高精度な特性検出が行われることになる。

【００９６】図４７は第４の発明における適応等化器の
実施例の構成ブロック図である。同図を第３の発明に対
する図４０と比較すると、特性検出ニューラルネットワ
ーク１１１と等化ニューラルネットワーク１１４の間に
特性蓄積装置１１２と後処理ニューラルネットワーク１
１３が設けられ、また特性検出ＮＮパラメータ管理部と
同蓄積部が存在しない点を除いてはその構成は図４０に
おけると同様である。そして等化ニューラルネットワー
ク１１４は、後処理ニューラルネットワーク１１３の出
力する伝達関数の実数部Ｘ（ω）および虚数部Ｙ（ω）
を用いて、復調系１０９の出力する復調信号に対する等
化を行う。

【００９７】第４の発明においても第３の発明における
と同様に特性検出ニューラルネットワーク１１１が信号
のビットパターンに対応する検出パラメータ、すなわち
重み値を用いて特性検出を行うことも可能である。図４
８は第４の発明においてビットパターンに対応する特性
検出パラメータを用いる適応等化器の実施例の構成ブロ
ック図である。第３の発明に対する図４０におけると同
様に、特性検出ニューラルネットワーク１１１に重み値
を出力する特性検出ニューラルネットワークパラメータ
管理部１１６と特性検出ニューラルネットワークパラメ
ータ蓄積部１１７とが設けられる。

【００９８】図４８においては、例えば図４２のトレー
ニングシーケンスの先頭から４ビットずつトレーニング
シーケンスが取り出され、それに応じた特性検出パラメ
ータが用いられる。まず最初にビット列０１００（Ｉが
００、Ｑが１０）次に１００１，００１１，・・・のよ
うに１ビットずつずれたビット列に対応する特性検出パ
ラメータが用いられる。

【００９９】以後、第４の発明の実施例について第３の
発明の実施例と異なる点を説明する。図４９は後処理ニ
ューラルネットワークの実施例である。後処理ニューラ
ルネットワークは伝達関数の実数部Ｘ（ω）、虚数部Ｙ
（ω）に対する現在の時刻ｔ、およびその前の７つの時
刻（ｔ−７まで）における値がそれぞれ入力される16個
の入力ユニットから成る入力層、10個のユニットから成
る中間層、伝達関数の実数部ＸおよびＹを出力する２つ
のユニットから成る出力層の３層構造である。後処理ニ
ューラルネットワークは、現在の時刻ｔと過去の時刻に
おける特性検出ネットワーク１１１の出力を用いて、例
えば伝達関数の実数部および虚数部の平均値を出力する
ことにより、時刻ｔにおける伝送路特性を決定する。

【０１００】なお、図４９においては時刻ｔとその前の
７つの時刻における実数部、虚数部の値が用いられるも
のとしたが、この時刻の数は記憶容量や計算時間に対応
して決定されるものであり、８個に限定されないことは
当然である。

【０１０１】図５０は後処理ニューラルネットワークの
学習データの例である。後処理ニューラルネットワーク
は、特性検出ニューラルネットワークが検出した伝送路
特性値の時系列パターンを入力とし、特性値の理論値を
出力値、すなわち教師信号として学習を実行する。図の
入力データ例に示すように、特性検出ニューラルネット
ワークは必ずしも正しい特性値を出力するわけではな
く、学習によって特性検出の精度が向上する。

【０１０２】後処理ニューラルネットワークの学習デー
タは、まず特性検出ニューラルネットワークを学習さ
せ、特性検出ニューラルネットワークにトレーニングシ
ーケンスに対応した受信信号を入力して特性値を出力さ
せ、その出力させた特性値の時系列パターンを学習デー
タの入力、これに対応する理想的な特性値を教師信号と
することによって生成される。

【０１０３】図５１は第４の発明における信号等化処理
実施例のフローチャートである。同図において、まずＳ
１２１で図２５におけるＳ４０と同様にトレーニングシ
ーケンスか否かが判定され、トレーニングシーケンスの
時にはＳ１２２で受信信号が検出ニューラルネットワー
クの入力ユニットにセットされ、Ｓ１２３で特性検出ニ
ューラルネットワークが伝達関数の実数部、虚数部を検
出し、その結果が特性蓄積装置に蓄積される。そしてＳ
１２４で所定の個数だけの結果が蓄積されたか否かが判
定され、まだ蓄積されていない時にはＳ１２２からの処
理が繰り返される。

【０１０４】Ｓ１２４で所定の個数だけ蓄積されたと判
定された場合には、Ｓ１２５で後処理ニューラルネット
ワークが蓄積された特性の後処理を行い、特性値を求
め、Ｓ１２６でその特性を等化ニューラルネットワーク
の入力ユニットにセットする。以下Ｓ１２７〜Ｓ１３０
で、図２５におけるＳ４４〜Ｓ４７におけると同様に受
信信号の等化が行われる。

【０１０５】図５２，図５３は、第４の発明においてト
レーニングシーケンスに対応する信号の受信終了後にも
特性検出を続行する帰還型適応等化器の実施例の構成ブ
ロック図であり、これらは図４７，図４８における入力
パターン作成部を特性検出制御装置で置き替えた構成と
なっており、特性検出制御装置の動作は前述と全く同様
である。

【０１０６】図５４は第４の発明（図４６）における特
性蓄積装置と後処理部を構成する統計処理装置の実施例
の構成ブロック図である。同図において、まずフレーム
同期信号によってラッチ回路１４０はリセットされ、そ
の後特性検出ニューラルネットワークの出力、すなわち
伝達関数の実数部と虚数部は特性蓄積装置１４１に蓄積
される。特性蓄積装置１４１は伝達関数の実数部と虚数
部のそれぞれ８個の検出結果を格納するためのシフトレ
ジスタから構成され、これらのシフトレジスタに特性検
出結果がそろうまでの時間がカウンタ１４２によってカ
ウントされ、その時間のカウント後にカウンタ１４２に
より統計処理装置１４３が起動され、統計処理の処理結
果はラッチ回路１４０に保持され、等化ニューラルネッ
トワークに出力される。

【０１０７】ここで統計処理装置は、特性蓄積装置から
出力された特性値Ｘ（ω，ｔ−ｉ）、Ｙ（ω，ｔ−ｉ）
を用いて以下の式で示される統計処理を行う。例えばλ
（ｔ）＝１／ｎとすると単純平均が求められる。

【０１０８】

【数２】

【０１０９】図５５は第５の発明における適応等化器の
基本構成ブロック図である。同図において、適応等化器
１４５は等化対象１４６の伝達特性、例えば伝達関数Ｈ
（ω）を検出するための特性検出装置１４７、検出され
た伝達関数特性を用いて等化対象１４６の出力信号を等
化する等化装置１４８、等化対象１４６への既知の入力
信号と等化装置１４８の出力信号とを比較して等化誤り
を安定する等化誤り判定装置１４９、等化誤り判定装置
１４９が判定のために用いる入力信号の既知のビット
列、例えばトレーニングシーケンスを記憶する認識信号
蓄積装置１５０、等化誤り判定装置１４９が等化誤りを
判定した時、等化対象１４６の出力、特性検出装置１４
７の検出結果、および等化装置１４８の正しい出力とし
ての等化対象１４６への既知の入力信号とを、学習パタ
ーンとして記憶する学習パターン蓄積装置１５１、およ
び等化対象としての伝送路が使用されていない時に、学
習パターン蓄積装置１５１に蓄積された学習パターンを
等化装置１４８に学習させる学習制御装置１５２から構
成されている。

【０１１０】図５６は第５の発明における適応等化器の
実施例構成ブロック図である。同図において入力パター
ン作成部からしきい値処理部までの部分の構成は第１の
発明に対する図６と同じである。以下、第１の発明との
相違点を第５の発明の実施例として説明する。

【０１１１】図５６に実施例を示した第５の発明の適応
等化器では、等化ニューラルネットワーク１６２の出力
の閾値処理部１６３による処理結果と、トレーニングシ
ーケンス、すなわち認識信号蓄積装置１５０に記憶され
ている認識信号とが比較され、等化誤りの判定が行われ
る。この判定においては任意の時刻におけるトレーニン
グシーケンスのＩ，Ｑ両チャンネルに対する値と、等化
されたビットパターンのＩ，Ｑ両チャンネルに対する値
が、Ｉチャンネル同志、Ｑチャンネル同志で共に等しい
か否かが判定され、いずれか一方、または両方が等しく
ない時に等化誤りとされる。

【０１１２】図５７は等化誤り判定の例である。同図に
おいて、任意の時刻において、トレーニングシーケンス
のＩ，Ｑ両チャンネルの値と、等化されたディジタル信
号のＩ，Ｑチャンネルに対する値とがそれぞれ比較さ
れ、Ｉ，Ｑの各チャンネルに対してそれぞれ等しい場合
に判定結果として正しいことを示す‘０’が出力され、
いずれか一方、または両方が等しくない場合には判定結
果として誤りを示す‘１’が出力される。

【０１１３】ある時刻において等化誤りが検出される
と、等化誤り判定装置１４９は等化ニューラルネットワ
ーク１６２の入力ユニットへの入力値、すなわち特性検
出ニューラルネットワーク１６１が出力する伝達関数の
実数部Ｘ（ω）、虚数部Ｙ（ω）と、Ｉ，Ｑ両チャンネ
ルそれぞれ８個の入力値を収集し、これと同時刻におけ
るトレーニングシーケンスのビットパターンＩ，Ｑの値
を組として、学習パターン蓄積装置１５１に学習パター
ンとして格納する。ここでトレーニングシーケンスのビ
ットパターンＩ，Ｑが等化ニューラルネットワークの出
力ユニットに与えられる教師信号となる。

【０１１４】図５８は等化誤り判定によって生成された
学習パターンの例である。この学習パターンは、あらか
じめ等化ニューラルネットワーク１６２の学習に用いら
れた学習データ、すなわち図２４の学習データに加え
て、等化ニューラルネットワーク１６２の学習データと
して追加されるものである。学習パターン蓄積装置１５
１には図２４の学習データがすでに格納されており、追
加された図５８のデータとの両方を用いて、学習制御装
置１５２の制御によって、例えばパケット受信後の次の
パケット到着迄の空き時間を利用して等化ニューラルネ
ットワーク１６２の学習が行われる。

【０１１５】図５９は図５６における学習制御装置の詳
細構成ブロック図である。同図において、学習パターン
制御装置１６５は学習パターン蓄積装置から学習パター
ンを読み出し、そのパターンを入力信号と教師信号とに
分割する。入力信号提示装置１６６は学習パターン制御
装置１６５から与えられる入力信号を等化ニューラルネ
ットワークの入力ユニットに出力し、等化ニューラルネ
ットワークはこの入力信号に基づいて前向き計算を実行
し、出力信号を出力誤差計算装置１６７に出力する。出
力誤差計算装置１６７は等化ニューラルネットワークの
出力と学習パターン制御装置１６５から与えられる教師
信号との誤差を計算し、その誤差を重み更新装置１６８
に与え、重み更新装置１６８は例えばバックプロパゲー
ション法を用いて、等化ニューラルネットワークの内部
係合の重みを更新する。これらの動作が、全ての学習パ
ターンに対して、教師信号と出力信号との誤差がある値
以下に収束するまで実行される。

【０１１６】図６０は第５の発明おいてトレーニングシ
ーケンスに対応する信号の受信後にも特性検出を続行す
る帰還型適応等化器の実施例の構成ブロック図である。
同図を図５６の実施例と比較すると、前述と同様に入力
パターン作成部の代わりに特性検出制御装置が設けられ
ている点のみが異なり、また特性検出制御装置の動作も
前述におけると全く同様である。なお図６０において学
習パターン蓄積装置に蓄積される学習パターンは、図５
６におけると同様にトレーニングシーケンスに対応する
ものだけである。これはトレーニングシーケンスの終了
後の受信信号に対しては等化結果の正否を判断すること
ができないためである。

【０１１７】図６１は適応等化器の調整装置を独立させ
た実施例の構成ブロック図である。同図の構成は図５６
の実施例と全く同一であるが、等化誤り判定装置１４
９、認識信号蓄積装置１５０、学習パターン蓄積装置１
５１、および学習制御装置１５２から構成される適応等
化器の調整装置が等化器と独立して設けられ、この調整
器が適応等化器と接続されて用いられる構成となってい
る。

【０１１８】以上詳細に説明した第１〜第５の発明の実
施例においては、特性検出装置、等化装置、等化制御装
置、および後処理装置としてニューラルネットワークを
用いる場合を説明したが、例えばトランスバーサル型等
化器などの装置を用いることも可能である。またニュー
ラルネットワークとして階層ネットワークを用いる場合
を説明したが、例えば階層ネットワークの中間層のユニ
ットから入力層のユニットへの回帰結合を持つネットワ
ークモデル、すなわちリカレントネットワークを用いる
ことも可能である。

【０１１９】さらに伝送路の特性として伝達関数の実数
部および虚数部の値を用いるものとしたが、例えば伝達
関数の振幅周波数特性、包絡線特性など他の特性値を用
いることもできる。２波モデルの場合の振幅周波数特性
Ａ（ω）および包絡線特性Ｄ（ω）は次のように与えら
れる。

【０１２０】

【数３】

【０１２１】なお、本実施例では反射波と直接波との位
相差がディジタル信号の１シンボル以内である場合を想
定し、少なくとも１シンボル前まで見るために、２シン
ボル分のデータを４倍オーバーサンプリングして８ビッ
ト分のデータとして等化ニューラルネットワーク等に入
力させているが、入力ビット数をさらに増大させること
によって、より大きな遅延に対応できることは当然であ
る。

【０１２２】

【発明の効果】以上詳細に説明したように、本発明によ
れば伝送系の伝送特性として例えば伝達関数を検出し、
その結果を用いて伝送特性の時間的変化に柔軟に追従し
て信号の等化を行うことができる。また検出された伝達
関数に応じて、複数の等化回路の出力に対する重み付け
信号としての制御信号を出力することによって適応的な
等化機能を持つ等化器を、トレーニングシーケンスのビ
ットパターンに対応する検出パラメータを用いることに
よって効率的に学習を行えるニューラルネットワークを
用いて伝送特性を検出する機能を持つ等化器を構成する
ことができる。さらに、等化誤りを検出した時、その誤
りを含む受信信号と、検出された伝送特性、および正し
い信号の対応関係を学習パターンとして、これを等化装
置に学習させることにより、システムの運用中に等化器
の性能改善を図ることができ、通信システムにおける伝
送特性の向上に寄与するところが大きい。

【図面の簡単な説明】

【図１】第１、第３の発明の原理ブロック図である。

【図２】第２の発明の原理ブロック図である。

【図３】第４の発明の原理ブロック図である。

【図４】第５の発明の原理ブロック図である。

【図５】第１の発明における適応等化器の基本構成を示
すブロック図である。

【図６】第１の発明における適応等化器の実施例の構成
を示すブロック図である。

【図７】本発明における伝搬路モデルを示す図である。

【図８】図６の適応等化器の実施例における変調系の構
成を示すブロック図である。

【図９】図６の適応等化器の実施例における復調系の構
成を示すブロック図である。

【図１０】本発明におけるパケットの実施例フォーマッ
トを示す図である。

【図１１】図６の適応等化器の実施例における特性検出
ニューラルネットワークを示す図である。

【図１２】特性検出ニューラルネットワークへの入力パ
ターン作成部の実施例の構成を示すブロック図である。

【図１３】トレーニングシーケンス検出部の詳細構成を
示すブロック図である。

【図１４】トレーニングシーケンスメモリの詳細構成を
示すブロック図である。

【図１５】図１１の特性検出ニューラルネットワークへ
の入力信号の例を示す図である。

【図１６】学習データ生成のシミュレーションにおける
伝送路パラメータを示す図である。

【図１７】Ｉ，Ｑ各３ビット全ての組み合わせを学習さ
せる必要の説明図である。

【図１８】特性検出ニューラルネットワークの学習デー
タの例を示す図である。

【図１９】特性検出ニューラルネットワークの学習デー
タにおける波形ずれへの対応を説明する図である。

【図２０】図６の適応等化器の実施例における等化ニュ
ーラルネットワークを示す図である。

【図２１】等化ＮＮへのデータ入力制御方式の説明図で
ある。

【図２２】等化ＮＮの動作実施例のタイミングチャート
である。

【図２３】特性検出ＮＮの動作遅れ補償方式の説明図で
ある。

【図２４】等化ニューラルネットワークの学習データの
例を示す図である。

【図２５】第１の発明における信号等化処理実施例のフ
ローチャートである。

【図２６】第１の発明における信号等化実験でのサンプ
リング点を示す図である。

【図２７】第１の発明における信号等化実験の結果を示
す図である。

【図２８】第１の発明における帰還型適応等化器の実施
例の構成を示すブロック図である。

【図２９】特性検出制御装置の構成を示すブロック図で
ある。

【図３０】受信信号ＦＩＦＯの構成を示すブロック図で
ある。

【図３１】図２８の実施例における信号等化処理実施例
のタイミングチャートである。

【図３２】第２の発明における適応等化器の基本構成を
示すブロック図である。

【図３３】第２の発明における適応等化器の実施例の構
成を示すブロック図である。

【図３４】図３３の適応等化器の実施例における制御ニ
ューラルネットワークを示す図である。

【図３５】制御ニューラルネットワーク用学習データの
例を示す図である。

【図３６】振幅比および位相差を変化させた場合の制御
ニューラルネットワークの学習データの例を示す図であ
る。

【図３７】図３３の適応等化器の実施例における等化ニ
ューラルネットワークを示す図である。

【図３８】第２の発明における帰還型適応等化器の実施
例の構成を示すブロック図である。

【図３９】第３の発明における適応等化器の基本構成を
示すブロック図である。

【図４０】第３の発明における適応等化器の実施例の構
成を示すブロック図である。

【図４１】図４０の適応等化器の実施例における特性検
出ニューラルネットワークを示す図である。

【図４２】特性検出ニューラルネットワークパラメータ
管理部の実施例の構成を示すブロック図である。

【図４３】重み制御部の詳細構成を示すブロック図であ
る。

【図４４】特性検出ニューラルネットワークの学習デー
タの例を示す図である。

【図４５】第３の発明における帰還型適応等化器の実施
例の構成を示すブロック図である。

【図４６】第４の発明における適応等化器の基本構成を
示すブロック図である。

【図４７】第４の発明における適応等化器の実施例の構
成を示すブロック図である。

【図４８】第４の発明おいてビットパターンに対応する
特性検出パラメータを用いる適応等化器の実施例の構成
ブロック図である。

【図４９】後処理ニューラルネットワークの実施例を示
す図である。

【図５０】後処理ニューラルネットワークの学習データ
の例を示す図である。

【図５１】第４の発明における信号等化処理実施例のフ
ローチャートである。

【図５２】第４の発明における帰還型適応等化器の実施
例の構成を示すブロック図（その１）である。

【図５３】第４の発明における帰還型適応等化器の実施
例の構成を示すブロック図（その２）である。

【図５４】第４の発明における特性蓄積装置と統計処理
装置の実施例の構成を示すブロック図である。

【図５５】第５の発明における適応等化器の基本構成を
示すブロック図である。

【図５６】第５の発明における適応等化器の実施例の構
成を示すブロック図である。

【図５７】等化誤り判定の例を示す図である。

【図５８】等化誤り判定によって生成された学習パター
ンの例を示す図である。

【図５９】図５６の実施例における学習制御装置の詳細
構成を示すブロック図である。

【図６０】第５の発明における帰還型適応等化器の実施
例の構成を示すブロック図である。

【図６１】適応等化器の調整装置を独立させた実施例の
構成を示すブロック図である。

【図６２】本発明が対象とする移動体通信方式における
二波干渉フェーシングを説明する図である。

【図６３】トランスバーサル型等化器の例を示す図であ
る。

【符号の説明】

１０，２１ 等化対象 １１ 特性検出手段 １２，１５，１７ 等化手段 １４ 等化制御手段 １６ 後処理手段 １８ 等化誤り検出および学習パターン
蓄積手段 １９ 学習制御手段 ２０，２５ 適応等化器 ２２ 特性検出装置 ２３ 等化装置 ２４ 入力パターン作成部 ２６ 変調系 ２７ 伝搬路 ２８ 復調系 ２９ 特性検出ニューラルネットワーク ３０ 等化ニューラルネットワーク ３１ しきい値処理部 ３６ トレーニングシーケンス検出部 ３７ トレーニングシーケンスメモリ ４８ 特性検出制御装置

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｌ 25/03 Ｃ 9199−5Ｋ (72)発明者 長田 茂美 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内 (56)参考文献 特開 昭61−196613（ＪＰ，Ａ) 特開 平２−201607（ＪＰ，Ａ) 特開 平２−299002（ＪＰ，Ａ) 特開 平２−218210（ＪＰ，Ａ)

Claims (28)

【特許請求の範囲】
1. 【請求項１】 通信システムにおける伝送路上での信
   号劣化を補償するための適応等化器において、 既知の入力信号に対する該伝送路の出力信号から該伝送
   路の特性としての伝達関数を検出する手段であって、ニ
   ューラルネットワーク、または提示された事例の学習に
   よって特性検出機能を獲得する学習装置によって構成さ
   れる特性検出手段（１１）と、該検出された伝達関数を用いて、 未知入力信号に対する
   該伝送路の出力信号の等化を行う手段であって、ニュー
   ラルネットワーク、または提示された事例の学習によっ
   て等化機能を獲得する学習装置によって構成される等化
   手段（１２）とを備えたことを特徴とする適応等化器。
2. 【請求項２】 前記特性検出手段（１１）の前段に、
   該特性検出手段（１１）に対して、前記既知入力信号が
   前記伝送路に入力されている期間においては該既知入力
   信号と該伝送路の出力信号とを供給し、該既知入力信号
   の入力終了後未知入力信号が該伝送路に入力される期間
   においては該既知入力信号に代わる信号としての前記等
   化手段（１２）の出力と該伝送路の出力信号とを供給
   し、該特性検出手段（１１）に連続的な特性検出を行わ
   せる特性検出制御装置を更に備えたことを特徴とする請
   求項１記載の適応等化器。
3. 【請求項３】 前記特性検出手段（１１）が、前記伝
   送路の伝達関数の実数部と虚数部の値を検出することを
   特徴とする請求項１または２記載の適応等化器。
4. 【請求項４】 前記特性検出手段（１１）が前記伝送
   路の伝達関数の振幅周波数特性と包絡線特性の値を検出
   することを特徴とする請求項１または２記載の適応等化
   器。
5. 【請求項５】 通信システムにおける伝送路上での信
   号劣化を補償するための適応等化器において、 既知の入力信号に対する該伝送路の出力信号から該伝送
   路の特性としての伝達関数を検出する手段であって、ニ
   ューラルネットワーク、または提示された事例の学習に
   よって特性検出機能を獲得する学習装置によって構成さ
   れる特性検出手段（１１）と、該検出された伝達関数を用いて、 未知入力信号に対する
   該伝送路の出力信号の等化を行うための制御信号を出力
   する手段であって、ニューラルネットワーク、または提
   示された事例の学習によって等化制御機能を獲得する学
   習装置によって構成される等化制御手段（１４）と、 該等化制御手段（１４）の出力に応じて未知入力信号に
   対する該伝送路の出力信号の等化を行う等化手段（１
   ５）とを備えたことを特徴とする適応等化器。
6. 【請求項６】 前記特性検出手段（１１）の前段に、
   該特性検出手段（１１）に対して、前記既知入力信号が
   前記伝送路に入力されている期間においては該既知入力
   信号と伝送路の出力信号とを供給し、該既知入力信号の
   入力終了後未知入力信号が該伝送路に入力される期間に
   おいては該既知入力信号に代わる信号としての前記等化
   手段（１５）の出力と該伝送路の出力信号とを供給し、
   該特性検出手段（１１）に連続的な特性検出を行わせる
   特性検出制御装置を更に備えたことを特徴とする請求項
   ５記載の適応等化器。
7. 【請求項７】 前記等化手段（１５）が複数の等化回
   路の出力を重み付け加算する手段であり、かつ前記等化
   制御手段（１４）が前記特性検出結果に応じて該複数の
   等化回路の出力に対する重み付け信号を出力することを
   特徴とする請求項５または６記載の適応等化器。
8. 【請求項８】 前記等化手段（１５）の一部としての
   複数の等化回路が、それぞれニューラルネットワーク、
   または提示された事例の学習によって該等化機能を獲得
   する学習装置であることを特徴とする請求項５，６また
   は７記載の適応等化器。
9. 【請求項９】 前記特性検出手段（１１）が、前記伝
   送路の伝達関数の実数部と虚数部の値を検出することを
   特徴とする請求項５，６，７または８記載の適応等化
   器。
10. 【請求項１０】 前記特性検出手段（１１）が、前記
    伝送路の伝達関数の振幅周波数特性と包絡線特性の値を
    検出することを特徴とする請求項５，６，７または８記
    載の適応等化器。
11. 【請求項１１】 通信システムにおける伝送路上での
    信号劣化を補償する ための適応等化器において、 既知の入力信号の信号パターンに対応する検出パラメー
    タを用いて、該入力信号に対する該伝送路の出力信号か
    ら該伝送路の特性としての伝達関数を検出する手段であ
    って、ニューラルネットワーク、または提示された事例
    の学習によって特性検出機能を獲得する学習装置によっ
    て構成される特性検出手段（１１）と、該検出された伝達関数を用いて、 未知入力信号に対する
    該伝送路の出力信号の等化を行う手段であって、ニュー
    ラルネットワーク、または提示された事例の学習によっ
    て等化機能を獲得する学習装置によって構成される等化
    手段（１２）とを備えたことを特徴とする適応等化器。
12. 【請求項１２】 前記特性検出手段（１１）の前段
    に、該特性検出手段（１１）に対して、前記既知入力信
    号が前記伝送路に入力されている期間においては該既知
    入力信号と伝送路の出力信号とを供給し、該既知入力信
    号の入力終了後未知入力信号が該伝送路に入力される期
    間においては該既知入力信号に代わる信号としての前記
    等化手段（１２）の出力と該伝送路の出力信号とを供給
    し、該特性検出手段（１１）に連続的な特性検出を行わ
    せる特性検出制御装置を更に備えたことを特徴とする請
    求項１１記載の適応等化器。
13. 【請求項１３】 前記特性検出手段（１１）が、前記
    伝送路の伝達関数の実数部と虚数部の値を検出すること
    を特徴とする請求項１１または１２記載の適応等化器。
14. 【請求項１４】 前記特性検出手段（１１）が、前記
    伝送路の伝達関数の振幅周波数特性と包絡線特性の値を
    検出することを特徴とする請求項１１または１２記載の
    適応等化器。
15. 【請求項１５】 通信システムにおける伝送路上での
    信号劣化を補償するための適応等化器において、 既知の入力信号に対する該伝送路の出力信号から該伝送
    路の特性としての伝達関数を検出する手段であって、ニ
    ューラルネットワーク、または提示された事例の学習に
    よって特性検出機能を獲得する学習装置によって構成さ
    れる特性検出手段（１１）と、 複数の時刻に対する該特性検出手段（１１）の特性検出
    結果を蓄積し、該蓄積された特性検出結果の後処理を行
    う後処理手段（１６）と、 該後処理手段（１６）によって後処理された結果を用い
    て、未知入力信号に対する該伝送路の出力信号の等化を
    行う手段であって、ニューラルネットワーク、または提
    示された事例の学習によって等化機能を獲得する学習装
    置によって構成される等化手段（１７）とを備えたこと
    を特徴とする適応等化器。
16. 【請求項１６】 前記特性検出手段（１１）の前段
    に、該特性検出手段（１１）に対して、前記既知入力信
    号が前記伝送路に入力されている期間においては該既知
    入力信号と伝送路の出力信号とを供給し、該既知入力信
    号の入力終了後未知入力信号が該伝送路に入力される期
    間においては該既知入力信号に代わる信号としての前記
    等化手段（１７）の出力と該伝送路の出力信号とを供給
    し、該特性検出手段（１１）に連続的な特性検出を行わ
    せる特性検出制御装置を更に備えたことを特徴とする請
    求項１５記載の適応等化器。
17. 【請求項１７】 前記特性検出手段（１１）が、前記
    既知入力信号の信号パターンに対応する検出パラメータ
    を用いて、前記伝送路の特性を検出することを特徴とす
    る請求項１５または１６記載の適応等化器。
18. 【請求項１８】 前記後処理手段（１６）が統計処理
    装置から成ることを特徴とする請求項１５，１６または
    １７記載の適応等化器。
19. 【請求項１９】 前記後処理手段（１６）が、ニュー
    ラルネットワーク、または提示された事例の学習によっ
    て該後処理機能を獲得する学習装置から成ることを特徴
    とする請求項１５，１６または１７記載の適応等化器。
20. 【請求項２０】 前記特性検出手段（１１）が、前記
    伝送路の伝達関数の実数部と虚数部の値を検出すること
    を特徴とする請求項１５，１６，１７，１８または１９
    記載の適応等化器。
21. 【請求項２１】 前記特性検出手段（１１）が、前記
    伝送路の伝達関数の振幅周波数特性と包絡線特性の値を
    検出することを特徴とする請求項１５，１６，１７，１
    ８または１９記載の適応等化器。
22. 【請求項２２】 出力信号の劣化補償としての等化が
    行われるべき等化対象（１０）への既知の入力信号に対
    する出力信号から、該等化対象（１０）の特性を検出す
    る特性検出手段（１１）と、 該特性検出手段（１１）によって検出された結果を用い
    て、未知入力信号に対する該等化対象（１０）の出力信
    号の等化を行う等化手段（１２）と、 前記既知の入力信号と該等化手段（１２）の出力信号と
    を比較し、等化誤りを検出した時、該出力信号、前記特
    性検出手段（１１）の検出結果、および前記等化対象
    （１０）の正しい出力信号としての前記既知入力信号と
    を学習パターンとして蓄積する等化誤り検出および学習
    パターン蓄積手段（１８）と、 前記等化対象（１０）が出力信号を出力していない期間
    において、該学習パターンを用いて前記等化手段（１
    ２）に学習を行わせる学習制御手段（１９）とを備えた
    ことを特徴とする適応等化器。
23. 【請求項２３】 前記特性検出手段（１１）を構成す
    る特性検出装置と、前記等化手段（１２）を構成する等
    化装置と、 前記等化誤り検出および学習パターン蓄積手段（１８）
    を構成する認識信号蓄積装置、等化誤り判定装置、およ
    び学習パターン蓄積装置と、前記学習制御手段（１９）
    を構成する学習制御装置とから成る適応等化器の調整装
    置を備えたことを特徴とする請求項２２記載の適応等化
    器。
24. 【請求項２４】 前記特性検出手段（１１）の前段
    に、該特性検出手段（１１）に対して、前記既知入力信
    号が前記等化対象（１０）に入力されている期間におい
    ては該既知入力信号と等化対象（１０）の出力信号とを
    供給し、該既知入力信号の入力終了後未知入力信号が該
    等化対象（１０）に入力される期間においては該既知入
    力信号に代わる信号としての前記等化手段（１２）の出
    力と該等化対象（１０）の出力信号とを供給し、該特性
    検出手段（１１）に連続的な特性検出を行わせる特性検
    出制御装置を更に備えたことを特徴とする請求項２２ま
    たは２３記載の適応等化器。
25. 【請求項２５】 前記特性検出手段（１１）が、ニュ
    ーラルネットワーク、または提示された事例の学習によ
    って該特性検出機能を獲得する学習装置であることを特
    徴とする請求項２２，２３または２４記載の適応等化
    器。
26. 【請求項２６】 前記等化手段（１２）が、ニューラ
    ルネットワーク、または提示された事例の学習によって
    該等化機能を獲得する学習装置であることを特徴とする
    請求項２２，２３または２４記載の適応等化器。
27. 【請求項２７】 前記特性検出手段（１１）が、前記
    等化対象（１０）の伝達関数、または該伝達関数の実数
    部と虚数部の値を検出することを特徴とする請求項２
    ２，２３，２４，２５または２６記載の適応等化器。
28. 【請求項２８】 前記特性検出手段（１１）が、前記
    等化対象（１０）の伝達関数の振幅周波数特性と包絡線
    特性の値を検出することを特徴とする請求項２２，２
    ３，２４，２５または２６記載の適応等化器。