我在 GNU Radio 中实现了 QPSK Costa 的循环并运行了一些 BER 基准测试。一切顺利。出于好奇，我正在尝试实现如下所示的最大似然阶段恢复。
对于科斯塔环路，为环路滤波器 (F(z)) 和积分器指定增益常数的环路带宽为符号率的百分之几就足够了。我的问题是，首先，由于 ML 相位恢复似乎没有任何传统的环路滤波器（例如比例加积分器），环路带宽的概念是否适用？如果环路带宽的概念适用，您如何设置它以及合适的值是什么（与符号率、最大频率偏移等有关）？
更新
Harris 的机器学习结构
仍然有一个带有可调节环路 bw 的环路： 所示的求和块表示创建二阶环路的附加积分，但也应包括比例路径以保持稳定性（PI 环路滤波器，此处为什么暗示你只有“我”的累加器）。我怀疑框图只是简化了，显示的总和旨在成为更详细的比例积分环路滤波器结构，如后续图中所示。
即使没有求和块，这仍然是一个具有可调环路带宽的环路，只是不是最佳选择：在这种情况下，它将是一个一阶环路，在给定恒定频率偏移的情况下将锁定到恒定误差（如果不是，则无条件稳定对于寄生延迟元件，实施将始终具有）。如果环路增益很大（通过缩放 DDS 输入处的值来设置），则可以最小化误差，但仍然存在。在 DDS 输入之前添加额外的比例积分环路滤波器将在此频率偏移条件下保持稳定性并锁定为零误差。
（DDS，类似于 VCO，与频率成正比——因此以相位为单位，它在环路中形成一个积分器——加上 PI 环路滤波器，我们得到第二个积分器，并且两者都处于 DC 以形成二阶类型 2 循环）。
正如我在评论中提到的，如果您确实按照给定的方式实现了这一点，请将结果与固定比例（而不是 SNR）和信号的符号（而不是 tanh）进行比较，并让我们知道您的结果与最佳实现的对比显示。