等化器(Equalizer)在通讯系统中是很重要的一部分，由于传送信号在传送路径到接收器接收的过程中会受到多路径干扰(multipath)、路径中遮蔽物阻挡造成遮蔽效应(shadow effect)，这些现象都会造成接收讯号错误率上升。因此为了降低通讯系统传输的错误率要作通道估测，经由估测的结果对通道响应做补偿进而降低传送错误率。
线性等化器(Linear equalizer)
zero forcing equalizer在频域(freq. domain)的观点，ZF等化器是个反向滤波器(E(z)=1/F(z)) 在时域，ZF等化器的脉冲响应(impulse response)是脉冲函数(delta function) ZF等化器可以完全消除ISI，但缺点是会造成杂讯放大
MMSE等化器ZF等化器可以消除完全消除ISI，但过程中会放大杂讯。MMSE等化器则是在则是使设计估测通道信号及实际信号的均方误差为最小，虽然不能完全消除ISI但不会造成杂讯的放大。d(n)为实际通道、y0(n)为通道估测结果、eo(n)为两者误差
e0(n) =d(n) −y0(n) =d(n) −h(n)
d(n) =h(n) +eopt(n)
由上面结果可知，我们想要得到的结果d(n)可以正交分解成 d(n)=h(n)+eopt(n) 其中h(n)垂直于eopt(n)
可适性演算法(for MSE)通讯传输等化器设计，很重要的就是要找出最佳的tap-delay-line filter系数，找出一组可以误差最小的系数。而在时变(time-invariant)通道中，通道状况随时在改变，所以在设计等化器时便要因应不同的通道状况，随时调整计算出使误差最小的系数，这种演算法变称为adaptive algorithms。 可适性(adaptive)演算法的好坏可由下列几项标准判定:
收敛速度:演算法在经过多少次重复运算后可以相当接近最后想要的结果
每次重复运算(iteration)的计算量
错误调整(misadjustment)的大小
LMS演算法
LMS演算法通常包含两部分(由以下两者相互运作行程一回授(feedback loop)
率波程序(filtering process): 1.计算线系滤波器输出对输入信号的反应
2.比较输出信号和想要的信号(desire signal)得到预测误差
可适性程序(adaptive process):对于估测误差，自动调整等化器参数 d(n):为想得到的信号 u(n):等化器输入信号 y(n):等化器输出信号 w(n):可时变的tap-delay line filter系数
由于LMS演算法不需要事先求得u(n)的自相关函数(ACF)及u(n)和d(n)的交相关函数(CCF)，因此在运算上简化许多，也由于w(n)是e(n)及u(n)的 函式(e(n)u(n)是随机程序)，所以LMS演算法是一统计滤波器(stochastic filter)。
在设计LMS-based可适性滤波器时，如何决定step-size u使LMS演算法收敛是一项相当重要的议题 当0<u<2/ŋ时，LMS演算法收敛(ŋ_max是u*u的最大特征值 RLS演算法对每个n值,我们根据W[N]来估计新的最小平方差解，我们在用w(n)来寻找,来表示新的w(n+1)估计值时,希望避免LS演算法全部从头重做的情况，用RLS演算法的好处是我们不用将矩阵反置(inverse),如此一来可以节省运算POWER
演算法:
1.初始条件:P(0)=δ^(-1)˙I ,w(0)=0,δ是一大于零很小的常数
2.for n=1,2,....计算k(n),z(n),w(n)LMS和RLS两者比较:1.LMS演算法的运算量少，为L 的等级（L为滤波器的长度），但收敛速度受到输入信号的统计特性所影响，需花较多时间达到要求的收敛性能
2.RLS 演算法虽然收敛速度快，但却需要巨大的运算量，为L平方的等级。
Decision feedback equalizerDFE有个简单根本的假定:当我们已经正确地侦测到一个bit，我们可以利用由bit获得的知识及对通道响应的了解，进而计算出这个bit所造成的ISI。换句话说 我们可以决定这个bit后来收到讯号序列所造成的影响，并扣除这个bit对后面接收序列所造成的ISI。
DFE由一个forward filter(转移函数E(z))及一个feedback filter(转移函数D(z)))所组成。一但接收端RX对接收信号做出决策，其对之后信号所造成的影响(postcursor ISI)可以立刻算出，并且扣除。 DFE使用回授系统，所以有Error propagation的现象
MMSE Decision feedback equalizerMMSE DFE的目标是借由在杂讯放大与残余ISI(residual ISI)间取得平衡，进而使均方误差最小化。由于DFE杂讯放大的情况和线性等化器不同，所以tap-delay-line等化器的系数也就不同。由于postcursor ISI不会造成杂讯放大，所以我们把目标放在使杂讯及precursorISI的相加最小
Zero Forcing DFE如上面提到ZF等化器消除所有ISI，以致于导致有效通道是纯因果性(purely casual)。postcursor ISI在回授端会被扣除，其输出杂讯功率如下
Maximum Likelihood Sequence Estimation最大概似函数估测(MLSE)利用判定哪个符号(symbol)最类似接收到的信号，来对接收到的符号做决策。这个方法很类似循环码(convolution code)解码的过程 事实上，在延迟分散(delay dispersive)通道中可视为循环编码法(code rate 1/1)，MLSE估计是是上述所有等化器中效能最好的。 MLSE接收到信号为
其中n为高斯白杂讯，对于N个接收值的序列，接收讯号u的结合条件机率密度为
pdf(u│c,f)=
MLSE只有在可加性杂讯是白杂讯(white)时有最佳化结果，所以取样值在进入MLSE检测器前要先经过noise-whitening滤波器
比较使位元错误率(BER)最小: MLSE等化器位元错误率比其他等化器都小 DFE错误率比线性等化器好 当通道转移函数(Transfer function)有零是否可以应付 ZF等化器运算过程中把通道转移函数做倒数运算，所以等化器转移函数会产上零点，MMSE及MLSE等化器都不会产生这个问题
计算量 线性等化器计算量和DFE计算量没有显著的差异 可适性演算法随者等化器长度线性、二次方甚至四次方的增加 当通道的脉冲响应长度增加时，MLSE等化器运算量成指数增加能量消耗可由计算量推断出 对通道估测误差的敏感度 DFE对估测误差敏感度大于线性等化器 ZF等化器的敏感度大于MMSE等化器
