在数字无线通信系统中，由于多径效应和信道带宽限制导致传输过程中不可避免地产生码间干扰，使传输质量明显下降。目前最常用的方法是采用自适应均衡技术降低码间干扰和声的影响来减少误码，并跟踪时变信道，解决时变波形的严重失真问题。在时域中，由于传统实现方法存在收敛速度慢且收敛性能取决于输入信号等问题⑴，人们提出采用变换域的自适应均衡算法，即通过域的变换（如离散余弦变换、离散傅立叶变换、离散正交小波变换）来改变输入信号的自相关矩阵的最大特征值与最小特征值之比，用于提高收敛速度。为了减少计算的复杂度，基于小波域的滤波器又引入部分系数迭代更新的算法，相应的多小波及小波神经网络的方法也先后出现。引入变换域后虽然收敛速度提高了，但在这些算法中计算量过于庞大造成实时性能明显下降。
本文针对传统设计方法的不足，在BP网络设计方法的基础上，提出了种改进的BP神经网络设计均衡器的硬件实现方法。通过借助于神经网络的训练序列就能自适应调整均衡器的抽头系数，达到自适应均衡的目的。从优化硬件结构的角度考虑，对神经网络的硬件实现方式进行了研究，利用流水线技术，找出合理的设计方案。最后采用自顶向下的设计方法，通过硬件FPGA优化，利用Altera公司低成本的Cyclone系列EP2C35芯片实现自适应均衡器技术。这种均衡器性能良好，特别适用于实时性能要求严格的信号处理系统，在未来的无线通信系统中有着广阔的应用前景。
BP网络改进算法传统的反向传播算法（BP算法）利用网络误差的平方和，对网络误差函数的导数进行权值和阈值调整，从而降低误差平方和。从网络误差函数推导出输出层的误差导数或占矢量，隐层的5矢量可由下―层的5矢量导出。这种占矢量的反向传播正是BP的由来，即吵）=-，其中丑d为系统期望，丑为系统的实际输出，其计算性能指标为/=乞e2（t）。
根据梯度下降法得到神经网络权值的修正，即w（灸+1）=w（灸）+2，义，其中为步长因子，但是这种BP算法的步长因子难以确定，导致收敛的稳定性下降，收敛速度变慢。针对这问题，本文提出种改进的BP网络设计自适应均衡器，有效地消除码间干扰，具体的7个步骤如下：对输入向量采用归一化预处理。
确定神经网络结构，本文选择隐层有10个神经元，输出层有单个神经元。
对网络输入到最末隐层之间的所有权值进行初始化：首先在样本集中任意取2个不同的样本点xA2，计算网络隐层节点的梯度Pw=W/W =（尤於-XM）/x2-XM，然后计网络隐层节点敏感区的宽度化=w=GxM-xM，其中般取0.9左右，“为之间的随机数。根据匕和化可以计算出第z隐层节点的权值对网络输出层权值进行赋值。由于网络输出层权值的变化对网络输出的影响最大，可根据网络抗干扰性能对网络输出层权值进行设计。对选择样本集中的特殊点求平均值xa，其中q为特殊样点的个数。计算各样点的差值，用这些差值组成将这些特殊样本集中加入到网络中得到输出/，再根据特殊样本集找到相对应期望平均值的误差'，即其中分别为网络输出的个数和隐层节点的个数，则网络输出层的权值为w.：斗'.7-1，其中前向传播计算网络输出。计算隐层节点的输出为其中z.为隐层节点的输出，wz为隐层节点的权值，x，为输入向量，力为隐层节点阈值。
其中M为输出结点的输出，为隐层节点的输出，vfi为输出结点的权值，0为输出结点的阈值。
（6）进行网络训练更新权值。计算网络误差为其中Ae为误差变化率，y为泄漏因子，n为记忆因子，2为协调器补偿因子以补偿权值增量。
当网络的误差变化率较大时，网络输出层权值及隐层权值在协调器的控制下较大，使网络迅速变化；当误差在范围内时，网络输出层权值在协调器的控制下减小，同时停止隐层权值的修正，以避免网络产生过冲反向误差；当误差小于10%时，隐层权值在协调器的控制下进行修正，而停止网络输出层权值的修正，使网络的综合误差达到允许值。
（7）判断误差，结束网络。判断误差AE是否小于期望五，如满足要求则结束；否则，返回网络继续调整权值，直到满足实际需求为止。
2算法的仿真分析通过Matlab对传统BP网络算法与本文中的改进算法进行仿真比较。为BP网络的训练结果与理想输出的比较结果图，其中BP网络的隐层神经元数目=10，传统BP网络学习率为=0.05，最大迭代次数epocfe=100，目标误差指标goai=1xe5.（a）为传统BP网络算法的输入、输出关系图，在相同的迭代条件下，实际的输出与训练后的网络输出相比有明显的误差。（b）为改进BP网络算法的输入、输出关系图，从图可以看出，在相同的条件下，实际的输出与训练后的网络输出基本重合，可以达到较好的效果。显然，本文改进算法的稳态误差是优于传统BP神经网络的。
为BP网络误差与迭代次数关系曲线。（a）为传统BP网络算法的误差曲线，在100次迭代后的误差仍大于10-2.（b）为本文提出的改进BP网络算法的误差曲线，显然本文中提出的算法
