We also compare the ISI performance

We also compare the ISI performance of the blind algorithms for different K. Using the same channel and parameter setup, we run the algorithm for different SNR with K = 1 and K = 100. The results are averaged over 100 Monte Carlo runs. Figure 5 shows the ISI performance of the algorithms versus SNR. We can see that, on average, the MMA has a little advantage over CMA as the MMA requires high order statistics and may still get local minima. In contrast, the MMMA outperforms the CMA and MMMA significantly. We see that for CMA and MMMA, the algorithms with K = 1 even give better results than that of K = 100 as the stochastic algorithm may give a change for algorithm to get out of local minima, especially when SNR is high. We are not able to simulate MMA for K = 1 because the algorithm is easy to diverge as the cost has statistics of order 12. Whereas, the MMMA performance when K = 1 or K = 100 is about the same as the algorithm requires only fourth order statistics. As shown in the figure, in high SNR regime, the MMMA performance is as good as the MMSE algorithm [22], [23] with pilot of 120 16-QAM symbols.

Kết quả (Việt) 1:

Chúng tôi cũng so sánh hiệu suất ISI trong các thuật toán mù cho K. khác nhau bằng cách sử dụng cùng một kênh và thiết lập tham số, chúng tôi chạy các thuật toán khác nhau SNR với K = 1 và K = 100. Kết quả trung bình trên 100 Monte Carlo chạy. Hình 5 cho thấy hiệu suất ISI của thuật toán so với SNR. Chúng ta có thể thấy rằng, tính trung bình, MMA có một chút lợi thế hơn CMA MMA đòi hỏi cao trật tự thống kê và vẫn có thể nhận được cực tiểu cục bộ. Ngược lại, MMMA nhanh hơn so với CMA và MMMA significantly. Chúng ta thấy rằng CMA và MMMA, các thuật toán với K = 1 thậm chí đưa ra kết quả tốt hơn so với rằng k = 100 như các thuật toán ngẫu nhiên có thể cung cấp cho một sự thay đổi cho các thuật toán để có được ra khỏi cực tiểu cục bộ, đặc biệt là khi SNR là cao. Chúng tôi sẽ không thể để mô phỏng các MMA cho K = 1 vì thuật toán là dễ dàng để phân ra là chi phí có số liệu thống kê của 12. Trong khi đó, việc thực hiện MMMA khi K = 1 hoặc K = 100 là về giống như thuật toán yêu cầu đặt hàng thứ 4 chỉ số liệu thống kê. Như được hiển thị trong figure, ở chế độ SNR cao, hiệu suất MMMA là tốt như các MMSE thuật toán [22], [23] với phi công 120 16-QAM biểu tượng.

Kết quả (Việt) 2:

Chúng tôi cũng so sánh hiệu suất ISI của các thuật toán mù cho K. khác nhau Sử dụng cùng một kênh và thiết lập thông số, chúng tôi chạy các thuật toán cho SNR khác nhau với K = 1 và K = 100. Kết quả được tính trung bình trên 100 Monte Carlo chạy. Hình 5 cho thấy hiệu suất ISI của các thuật toán so với SNR. Chúng ta có thể thấy rằng, trung bình, MMA có một lợi thế nhỏ hơn CMA như MMA đòi hỏi thống kê thứ tự cao và vẫn có thể có được cực tiểu địa phương. Ngược lại, các MMMA nhanh hơn so với CMA và MMMA trọng yếu đáng. Chúng tôi thấy rằng đối với CMA và MMMA, các thuật toán với K = 1, ngay cả cho kết quả tốt hơn so với K = 100 như các thuật toán ngẫu nhiên có thể cung cấp cho một sự thay đổi cho thuật toán để có được ra khỏi cực tiểu địa phương, đặc biệt là khi SNR cao. Chúng tôi không thể để mô phỏng MMA cho K = 1 vì các thuật toán rất dễ dàng để phân kỳ như chi phí có thống kê về trật tự 12. Trong khi đó, hiệu suất MMMA khi K = 1 hoặc K = 100 là về giống như thuật toán yêu cầu chỉ thứ tư thống kê theo thứ tự. Như thể hiện trong Hình vẽ fi, trong chế độ SNR cao, hiệu suất MMMA là tốt như các thuật toán MMSE [22], [23] với thí điểm 120 ký tự 16-QAM.