А у меня вроде бы ошибка не растет при этих условиях

это же очевидно, что мю у слепых методов, основанных на статистиках высоких порядков должен быть меньше. это же по сути почти градинтные методы, шагнул в сторону, посмотрел, шагнул еще и т.д. а при адаптации по жесткому решению мю можно сделать больше, это увеличит скорость сходимости, но увеличит и остаточную ошибку. А можно оставить тем же, но тогда уменьшиться скорость сходимости, остаточная ошибка.

Правда это все так, при работе в плавучке, при реализации в ограниченной разрядности не всегда уменьшение мю дает уменьшение ошибки. Тут лучше NLMS использовать, но у него свои особенности реализации.

ИМХО CMA и ему подобные, нужны для режима, который я называю "режим поиска". Т.е. нужно довести сигнал (если он вообще есть) до состояния когда может зацепиться DD детектор. Если вам нужна быстрая сходимость, то как уже сказал делайте по обучающей последовательности, выделяйте ее корреляционно и адаптируйте NLMS эквалайзер с большими значениями мю.

Вашу модель более не смотрел, времени небыло. А пороги все таки нужно считать правильно, т.к. это не просто чиселка, они же выводятся из уравнений задающих работу эквалайзера и минимизацию ошибки %)

Это то понятно, просто в некоторых источниках не знаю по каким причинам иногда "мой" вариант применяется.

Нуи по модели еще вопрос созрел. Если смотретьтретий график ошибки, то на первом этапе ошибка ходит ходуном, а потом "вдруг" достаточно резко сваливается. А по "учебникам" ошибка относительно плавно спадает. Это глюк реализации модели?

тут все зависит от модели искажений, порядка эквалайзера, метода адаптации и расчета ошибки, коэффициента сходимости. Когда эквалайзер находит куда ему точно двигаться, он достаточно быстро туда уходит, особенно если потом DD включается.

Если в приведенной ранее модели поставить
М=64
N=20000
u_cma=1.5*10^-4
u_lms=0.01
пороги при DD 0.75 и 0.5
то отрабатывает нормально.
Если я нормирую QAMmod = QAMmod./sqrt(mean(abs(QAMmod).^2)), то качество схождения аналогичного ненормированному варианту добиться не удается (0.75/6.5, 0.5/6.5 ) ни при каких комбинациях u_cma, u_lms (хотя так как мощность уменшилась, они вроде бы должны соответственно возрасти).
Непонятно.

1. нормируете ИМХО не правильно. Нормированное созвездие КАМ строиться как QAMmod = QAMmod/(M/2). т.е. если говорить про КАМ16 нормированные точки будут 0.25/0.75
2. не забывайте что мю ставиться не от балды, а имеет строгие пределы и даже единицы измерения.

Под нормированипем я понимаю приравнивание мощности к 1. После моего варианта у меня получается std(QAMmod)=1.

По мю что должно быть не от балды понятно. Вопрос как? Выше уже писал по расчету мю много непоняток. В тех источниках, которые успел перелопатить, при eigenvalue spread около 1, при нормировании входного сигнала мю примерно 2/(10*L). Применение такого подхода к положительному результату не приводит. В моей модели работающие мю (полученные методом подбора) оказываются в 10-100 раз меньше. Видимо еще надо как то учитывать и eigenvalue spread и вид модуляции, но как это реально делается пока не пойму.

mu в классическом LMS имеет разрядность 1/ватт. Чем больше подводимая к эквалайзеру мощность тем меньше должен быть mu. Если мне не изменяет память нормальное, внятное, инженерное объяснение критериев выбора mu я нашел только в одной книге, но вот в какой забыл (вроде у Diniz а но это не точно). Критерии относительно собственных векторов и чисел матрицы, ИМХО это математические критерии сходимости, они не учитывают факторов, реально возникающих при работе эквалайзера (чисто мое ИМХО, основанное на моем опыте). У себя я обычно ставлю mu в пределах 1/2^6 ... 1/2^12. Ну и естественно АРУ перед эквалайзером.

Лучший способ иметь мю независящий от сигнала это NLMS, реализуется просто (особенно на проце), но может возникнуть проблема с ростом разрядности при адаптации из-за операции деления.