信道自适应范文（精选8篇）
信道自适应 第1篇
信息通信技术是实现未来智能电网的关键技术。当前最为先进的、应用最为广泛的调制解调技术是编码正交频分复用 (Coded Orthogonal Frequency Division Multiplexing, COFDM) 。COFDM已经被多个宽带接入标准采用, 包括适用于个人通信的4G、无线局域网、DVB–T2[1,2]等。其中, DVB–T2是目前最先进的无线数字地面视频广播标准, 可以为电力通信提供无线接入解决方案。因此, 本文将DVB–T2应用于电力通信系统, 形成电力多载波通信系统, 以解决电网无线信息传输问题。
相比有线传输良好的信道环境, 无线通信系统的信道环境要复杂、恶劣得多。信号在空气中传播时会受到建筑物或地形的遮挡而发生反射、折射、衍射等, 造成多径衰落, 即频率选择性衰落[3]。因此, 精确的信道估计是DVB–T2系统获得理想接收性能的必要条件。本文提出的最小均方误差 (Least Mean Square, LMS) 自适应插值信道估计算法可以在不需预知信道的最大多径时延情况下, 完成DVB–T2系统的信道估计。该算法可以自适应匹配信道的最大多径时延, 相比传统的信道估计算法, 在短时延与长时延信道环境中均有更优的信道估计精度。
1 DVB-T2系统介绍
DVB–T2系统的导频结构如图1所示。DVB–T2的导频主要由离散导频 (Scattered Pilot, SP) 、连续导频 (Continual Pilot, CP) 、边缘导频 (Edge Pilot, EP) 、P2导频或者FEL导频组成。其中离散导频二维均匀分布于普通正交频分复用 (Orthogonal Frequency Division Multiplexing, OFDM) 符号中, 因此DVB–T2系统可以采用导频内插的方式来完成信道估计。
DVB–T2系统分别提供了P1瑞利信道、F1莱斯信道、单频网 (Single Frequency Network, SFN) 信道等信道模型来描述不同无线传输环境。其中, P1瑞利信道为具有20条路径的多径信道, F1莱斯信道在其基础上增加了1条直射路径, 2种信道的最大相对时延均为5.35μs。单频网具有频带利用率高、覆盖范围广、适于移动、便携接收等优点, 但是其长时延的多径延时会造成严重的多径衰落。DVB–T2系统提供的SFN信道模型的相对时延高达0.9TGI, TGI为系统循环前缀长度。以DVB–T2系统在8 M传输带宽、8 k的快速傅氏变换 (Fast Fourier Transformation, FFT) 长度、1/4的循环前缀长度模式为例, SFN信道的相对时延高达202μs。因此, 针对DVB–T2系统需要设计一种可以对抗严重多径衰落的信道估计方法。
2 复系数FIR滤波内插法
基于离散导频的信道估计通常分为导频位置的信道估计和数据子载波位置的信道估计。根据信道的时频二维的相关性, 数据子载波位置的信道频率响应 (Channel Frequency Response, CFR) 可由导频位置的CFR估计值通过二维内插获得[4]。由于信道的可分离特性, 二维内插可以分为时间方向内插 (TDI) 和频率方向内插 (FDI) 2个一维内插的级联方式[4], 相比二维实现的方法[5,6,7], 在计算量与复杂度大大降低的同时, 仅损失很小的性能。根据DVB–T2系统离散导频二维均匀分布的特点, 本文先估计导频位置CFR, 然后利用TDI获得虚拟导频位置CFR的估计值, 最后通过FDI获得全部子载波位置的CFR估计值。
一维TDI和FDI内插方法通常包括多项式插值方法[8]和有限冲激响应 (Finite Impulse Response, FIR) 滤波器实系数滤波插值方法。其中, 多项式插值通常包括线性内插、高斯内插、拉格朗日内插[9]等。本质上, 多项式插值也是一种FIR实系数滤波插值。因此, 均可采用FIR的多相子滤波结构降低实现的复杂度。
其中TDI和FDI的FIR滤波内插实现过程可分别由式 (1) 和式 (2) 得到
在式 (1) 和式 (2) 中, H (l, k) 为导频位置的CFR估计值, 时间方向和频率方向FIR滤波器的系数分别为α (i) 、β (j) , Q表示内插滤波器的阶数, Kmax与Kmin分别为最大子载波编号和最小子载波编号, q为常数。本文主要研究静态的信道环境, 因此重点研究频率方向FIR滤波器对抗频率选择性衰落的性能。由TDI可得到扩展导频位置的信道估计值, 即可看作虚拟导频, 使得导频模式变为梳状导频。
在DVB–T2系统中, SFN信道模型的最大相对时延高达0.9TGI, 在大部分的可选导频模式下, 实系数可对抗的最大多径时延均小于0.9TGI。以第一节的参数模式为例, 实系数理想低通滤波器可对抗的最大时延为150μs, 小于0.9TGI (202μs) , 即不能对抗SFN恶劣的信道环境。
由以上分析可知, 信道的频率响应序列的转换域与信道时域冲激响应存在反转关系, 因此在实际信道环境中, 信道的频率响应仅分布于零点的一侧。理想实复系数滤波器时域窗口比较如图2所示, 实系数低通滤波器响应关于零点对称, 造成通带的一半浪费, 因此对其进行平移半个窗的宽度即可获得复系数低通滤波器[10]。由傅里叶变换的性质可知, 转换域窗的移位等效为对频域系数b (n) 进行相位旋转。对于复系数理想低通滤波器, 其可以对抗的最大多径时延为Tu/Dx, 同样以上模式为例, 其可对抗的最大时延为300μs, 大于202μs。因此, 复系数低通滤波内插器可以对抗SFN信道的长时延多径延时。
3 LMS自适应信道估计方法
复系数低通滤波内插算法有效解决了传统算法对抗长时延信道的不足, 然而复系数低通滤波内插器的设计需要预知信道的最大多径时延。在实际应用中, τmax对于接收端来说通常是未知的, 需要利用其他估计器获得, 增加了实现复杂度的同时, 其性能也受到估计的参数精度的制约。本节根据DVB–T2的导频结构, 提出基于LMS原理的利用连续导频符号获得滤波器系数的自适应信道估计方法。
进一步对误差信号的平方求数学期望, 可得均方误差:
其中, RHu H=E{H (l, km) uH (n) }, Ruu为信号u (n) 的自相关函数。由公式 (4) 可得, 均方误差为滤波器系数向量的二次函数, 且具有唯一的最小值。修正系数向量的值使得均方误差最小, 即相当于求函数取得最小值时系数向量的值, 因此均方误差对系数向量求导, 可得函数的梯度为:
其中, ρ为步长因子, 可以控制收敛速度与稳定性。因此, 选择合适的步长ρ以及梯度的计算是LMS算法实现的重点。由于梯度的计算同样存在输入信号的相关统计信息, 因此常采用一种十分有效的近似方法来求得, 即用误差信号ε2 (n) 近似代替均方误差, 由此可得:
将近似梯度代入公式 (6) , 可得LMS算法的滤波器系数向量更新公式:
通过以上分析可知, LMS自适应算法可以分为滤波插值过程和自适应过程。其中, 滤波过程包括计算输入信号经过滤波器的输出量以及根据训练序列的值求得估计误差ε;自适应过程则根据得到的估计误差更新滤波器系数向量。
在广义平稳非相关散射 (Wide-Sense Stationary Uncorrelated Scattering, WSSUS) 信道中, 当OFDM系统中采用统一的导频模式时, 对于不同子载波位置的插值, 滤波器的系数保持不变, 因此利用连续导频作为期望值训练获得的滤波器系数可以匹配信道的统计特性, 完成数据子载波的信道估计。
对于第l个OFDM符号的第m个连续导频, 有n=l Nl+m, 频率方向LMS自适应滤波器的输入向量由式 (9) 可得, 其系数向量可以表示为:
考虑到导频模式的一般性, 连续导频在虚拟导频的中间位置不存在分布, 因此此位置的多相子滤波器系数得不到训练, 在稳定收敛得到其他位置的估计值作为已知信息, 结合连续导频信道估计值, 利用插值获得未训练位置估计值, 利用估计值进行中间位置LMS多相子滤波器系数训练。其中, 对于莱斯、瑞利信道采用间隔为2的线性插值, 对SFN信道采用间隔为2的45阶的复系数SLKW内插算法, 其中最大多径时延选择当前保护间隔的大小。其中, 频域LMS自适应滤波插值器同样可以采用多相子滤波结构实现, 以降低实现的复杂度。
LMS自适应信道估计算法可表述如下:
4 仿真分析
对以上信道估计算法在DVB–T2系统仿真平台中进行仿真验证, 仿真参数:FFT为8 k模式, 传输带宽为8 MHz, 有效带宽7.61 MHz, 采样周期T=7/64μs, 时间保护间隔为1/8, 离散导频模式选用PP3, 调制模式选用64QAM, LDPC选用64 800的编码长度, 码率为3/4。该模式下, 一个OFDM符号中有6 817个有用子载波, OFDM符号长度为Tu=8 192×T=896μs, 因此保护间隔的长度为TGI=1/8×Tu=112μs。
在载噪比CNR=20 d B时, SFN信道下LMS-FDI信道估计收敛如图3所示。随着步长的增大, 算法收敛的速度会变快, 同时也会造成算法的不稳定。因此步长的选择要兼顾算法的收敛速度与稳定性, 仿真中选择步长为ρ=0.005。
DVB–T2系统SFN信道误码性能如图4所示。可以看出, 传统的实系数内插算法的BER曲线随CNR的增大几乎不下降, 即不能对抗SFN信道的长时延扩展。其中, 复系数SLKW算法和LMS自适应算法则可以对抗SFN信道的长时延扩展, 达到系统的无差错解码。相比理想信道估计, 复系数SLKW算法大约有0.8 d B的性能损失, LMS自适应算法由于可以有效地抑制带内噪声, 且有更好的阻带表现, 因此仅有大约0.25 d B的性能损失。
当CNR=30 d B时, 各算法对抗最大时延对比如图5所示, 从中可以得到各算法能够对抗的最大时延。由此可知, 传统的多项式内插算法仅能对抗较小的时延扩展, 且其对抗的最大时延随阶数的提高而增大。复系数SLKW算法与LMS自适应算法则可以对抗较长的时延扩展, LMS自适应算法几乎可以对抗循环前缀长度的时延扩展。
5 结语
本文对用于电力多载波系统的DVB–T2接收机信道估计方法进行了研究。仿真结果表明, LMS自适应算法在不需预知信道的统计特性情况下, 可以准确地匹配信道的多径时延扩展, 可以对抗的最大多径时延可达系统的循环前缀长度, 解决了复系数SLKW算法需预知信道统计特性以及传统内插算法不能对抗长时延扩展的缺点, 同时有更好的性能表现, 可以为电力无线信息传输提供有效的解决方案。
参考文献
[1]ETSI EN 300 744 v1.5.1.Digital Video Broadcasting (DVB) :Framing structure, channel coding and modulation for digital terrestrial television[S].2004.
[2]ETSI EN 302 755 v1.3.1.Digital Video Broadcasting (DVB) :Framing structure, Channel coding and Modulation for a second generation digital terrestrial television broadcasting system (DVB–T2) [S].2012.
[3]杨大成.移动传播环境:理论基础分析方法和建模技术[M].北京:机械工业出版社, 2003.
[4]HOEHER P, KAISER S, ROBERTSON P.Two-dimensional pilot-symbol-aided channel estimation by Wiener filtering[C]//IEEE International Conference on Acoustics, Speech, and Signal Processing, 1997:1845–1848.
[5]LI Y, CIMINI L J, SOLLENBERGER N R.Robust channel estimation for OFDM systems with rapid dispersive fading channels[J].IEEE Transactions on Communications, 1998, 46 (7) :902–915.
[6]LI Y.Pilot-symbol-aided channel estimation for OFDM in wireless systems[J].IEEE Transactions on Vehicular Technology, 2000, 49 (4) :1207–1215.
[7]SALVO P R, MüLLER R R, EDFORS O.Linear MMSE estimation of time–frequency variant channels for MIMO-OFDM systems[J].Signal Processing, 2011, 91 (5) :1157–1167.
[8]STERBA J, KOCUR D.Pilot symbol aided channel estimation for OFDM system in frequency selective Rayleigh fading channel[C]//International Conference Radioelektronika, 2009:77–80.
[9]COLIERI S, ERGEN M, PURI A, et al.A study of channel estimation in OFDM systems[C]//Vehicular Technology Conference, 2002:894–898.
自适应控制学习心得 第2篇
在八周的自适应控制学习中，我了解了自适应控制的基本概念和定义，自适应控制的原理和数学模型以及发展状况。其中，老师重点给我们讲了李亚普诺夫稳定理论设计MRAC系统和MIT方案，波波夫超稳定理论设计MRAC系统和MIT方案和自校正控制系统。虽然这些理论知识掌握的不是很牢固，理解的也不够透彻，但是这为我以后的学习和实践奠定了一定的基础。
自适应控制的定义：(1)不论外界发生巨大变化或系统产生不确定性，控制系统能自行调整参数或产生控制作用，使系统仍能按某一性能指标运行在最佳状态的一种控制方法。(2)采用自动方法改变或影响控制参数，以改善控制系统性能的控制。
自适应控制的基本思想是：在控制系统的运行过程中，系统本身不断的测量被控系统的状态、性能和参数，从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较，进而做出决策，来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。
按这种思想建立起来的控制系统就称为自适应控制系统。自适应控制是主动去适应这些系统或环境的变化，而其他控制方法是被动地、以不变应万变地靠系统本身设计时所考虑的稳定裕度或鲁棒性克服或降低这些变化所带来的对系统稳定性和性能指标的影响。好的自适应控制方法能在一定程度上适应被控系统的参数大范围的变化，使控制系统不仅能稳定运行，而且保持某种意义下的最优或接近最优。
自适应控制也是一种基于模型的方法，与基于完全模型的控制方法相比，它关于模型和扰动的先验知识比较少，自适应控制策略可以在运行过程中不断提取有关模型的信息，自动地使模型逐渐完善。
李亚普诺夫稳定理论设计MRAC系统和MIT方案的学习中，如果要设计一个关于李雅普诺夫函数的MRAC系统。首先构造出系统的李亚普诺夫函数，然后用李雅普诺夫稳定性理论的设计方法，能够成功地设计稳定的模型参考自适应系统。在这一章的学习中，理解李亚普诺夫稳定性理论和构造系统的李亚普诺夫函数是重点。
超稳定性概念是波波夫于六十年代初研究非线性系统绝对稳定性时发展起来的。当时，波波夫对某种类型的非线性系统的渐近稳定性问题，提出了一个具有充分条件的频率判据，对研究的这类非线性系统的稳定性提供了比较实用的方法。波波夫所研究的这类非线性系统，是由线性时不变部分与非线性无记忆元件相串联而构成的反馈系统。波波夫超稳定性理论来设计模型参考自适应系统，它可以给出一族自适应规律，并且有一整套设计理论。因此，有利于学习掌握这种自适应控制的设计方法和结合实际系统灵活选择适当的自适应控制规律。
自校正控制系统又称为参数自适应系统,它源于随机调节问题，该系统有两个环路,一个环路由参数可调的调节器和被控系统所组成,称为内环,它类似于通常的反馈控制系统；另一个环路由递推参数估计器与调节器参数计算环节所组成,称为外环。自校正控制系统与其它自适应控制系统的区别为其有一显性进行系统辨识和控制器参数计算(或设计)的环节这一显著特征。自校正控制的思想是将在线参数估计与调节器的设计有机的结合在一起。自适应控制常常兼有随机性、非线性和时变等特征,内部机理也相当复杂,所以分析这类系统十分困难。目前,已被广泛研究的理论课题有稳定性、收敛性和鲁棒性等,但取得的成果与人们所期望的还相差甚远。
在传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论是采用频域方法还是状态空间方法对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确的描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。因此，在控制工程中，要成功设计一个良好的控制系统，不论是通常的反馈控制系统或是最优控制系统，都需要掌握好被控系统的数学模型。
然而，有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的，或者它们的数学模型的某些参数或结构是处于变化之中的。对于这些事先难以确定数学模型的系统，通过事先鉴定好控制器参数的常规控制难以应付。
面对这些系统特性未知或经常处于变化之中而无法完全事先确定的情况，如何设计一个满意的控制系统，使得能主动适应这些特性未知或变化的情况，这就是自适应控制所要解决的问题。
自适应控制技术在20世纪80年代即开始向产品过渡，在我国得到了较好的推广应用，取得了很大的经济效益。且理论研究也有一些开创性的成果。但总的来说推广应用还很有限，主要是由于其通用性和开放性严重不足。
虽然现已能设计出安全、有效、稳定、快速且现场操作比较简单的自适应控制系统，但今后较长一段时期内，相对简单实用的反馈、反馈加前馈或其他一些成熟的控制技术仍将继续占据实际应用的主流。
自适应控制理论必须有新的突破，才能在工程应用中对PID控制等传统方法取得显著的优势，结合人工智能技术，尤其是神经网络技术与模糊理论，或许是最终实现这一远景的可能途径。
瑞利信道下的自适应MLSE算法 第3篇
关键词：瑞利衰落,最大似然序列检测 (MLSE) ,信道估计,逐幸存处理
随着数字通信技术的发展, 在多径时变信道传输会产生接收端的数据检测和信道估计的问题。在ISI和AWGN条件下, 最大似然检测算法 (MLSE) 是一种有效的检测方式[1], 而MLSE算法是由维特比算法实现的, 通过网格图来寻找最优路径。当信道是多径时变衰落时就必须要进行自适应的信道估计来跟踪信道变化, 而估计出的信道冲击响应要满足均方误差最小化的要求。实际上在快衰落条件下, 理想的信道估计很难实现, 并且维特比算法固有的判决延迟也会引起信道估计的延迟从而导致最终判决错误。因此, 自适应MLSE接收机的性能主要取决于信道的衰落速率以及信道估计器的性能[2]。
文中建立了瑞利多径时变衰落信道模型, 在此基础上实现MLSE检测算法, 并通过信道估计算法实时更新信道参数。系统首先输入足够长的训练序列[2], 此时信道估计器认为已经接近收敛, 完成训练过程之后再传输实际数据序列, 并通过信道估计算法实时跟踪信道的变化。估计出的信道系数值又作用于维特比算法中从而完成最大似然均衡处理。本文对传统算法和逐幸存算法[1]分别进行了研究与仿真, 结果表明, 与理想的MLSE算法相比, 两种算法在性能上均有一定的损失, 同时在相同信道条件下, RLS信道估计算法的稳态误差更小[3], 收敛快, 适用于快衰落信道。
1 系统模型和算法描述
图1所示为系统的等效传输模型。在瑞利多径时变衰落条件下, 信号经过QPSK调制通过信道传输, 在传输过程中受到ISI和AWGN的干扰。则相应的接收信号为
在时变信道环境下使用MLSE算法, 基本原理和思想是在Viterbi算法中插入信道估计算法, 这样能有效地跟踪信道变化。自适应均衡一般包括训练和跟踪两个过程。数据通常以帧为单位发送, 而训练序列作为帧的前缀常用于估计信道冲击响应, 训练过程结束后在传输数据而且均衡器对信道特性的变化进行连续跟踪, 信道参数不断更新[4]。对于传统MLSE算法, 假设K时刻的状态sk=[xk-1, xk-2, …, xk-L], sk→xk+1表示sk到sk+1的状态转移, 那么sk→sk+1所对应的每一个转移路径为λk (sk→sk+1) =f[sk→sk+1, hk, rk], 同时对应着一个信道估计值h (k) =[h0 (k) , h1 (k) , …, hl (k) ], 它与r, t和估计码元有关。
则每条幸存路径的误差计算公式为
ek-d (sk→sk+1) =r (k-d) -h (k) x (k-d) (1)
而状态Sk+1的分支度量Γ (sk+1) 则由到达它的最小幸存路径状态所决定
从式 (1) ～式 (2) 计算出分支度量函数Γ (sk+1) , 根据幸存路径进行信道估计值h (sk+1) 的更新, 从而完成最大似然均衡处理。
信道估计器采用LMS算法进行更新
h (sk+1) =h (sk) +uek-d (sk→sk+1) xk-d* (sk→sk+1) (3)
其中, d是判决延时。
传统的MLSE算法需要考虑维特比算法固有的判决延迟, 而较大的延时会引起信道估计的延时并降低信道跟踪的性能。与传统MLSE算法不同的是, 逐幸存处理算法不会带来判决的延时[5]。它的每条幸存路径的误差计算
e (sk→sk+1) =r (k) -h (k) x (k) (4)
其中, x (k) 为相对状态sk的发送信号的临时判决矢量, 包括状态sk直接映射的信息码元和通过分支路径回溯得到其余的信息判决码元。然后计算出状态sk+1的分支度量
再根据幸存路径进行k+1时刻信道估计值h (sk+1) 的更新, 完成最大似然均衡处理。此时信道估计器也用LMS算法进行更新
h (sk+1) =h (sk) +ue (sk→sk+1) x* (sk→sk+1) (6)
可以看出, 为了降低判决延时的影响必须以增加复杂度为代价, 而逐幸存算法要对每一条幸存路径都做相应的信道估计[6,7,8], 因此每个估计值都是不同的, 所以每个幸存路径的参数更新都需要很多的计算量。
2 仿真结果与分析
为了分析和比较算法性能, 采用QPSK信号在两种不同的瑞利信道中进行仿真实验。信道1为[0.005, 0.009, 0.024, 0.854, 0.218, 0.019], 导频长度为150, 1次传输1 000个数据, 信号采用QPSK调制, 调制后经过信道传输, 多普勒频移分别为5 Hz和15 Hz。在每SNR情况下取20个信道种子进行信道测试, 信道估计采用LMS, RLS和NLMS 3种估计算法, LMS算法的步长为0.04, RLS算法的遗忘因子为0.99, 仿真这几种信道估计算法在自适应MLSE系统中的性能, 结果如图2和图3所示。信道2为[0.406, 0.815, 0.406], 多普勒频移为240 Hz, 信号采用QPSK调制后经信道传输, 信道估计采用LMS估计算法, 步长为0.123, 译码延时d=4。假设初始信道估计是正确的, 在系统中仿真逐幸存MLSE和传统MLSE算法, 仿真结果如图4所示。
从图2和图3中看出, 在15 Hz多普勒频移情况下的性能稍差于5 Hz频移的性能, 而LMS的收敛特性取决于步长, 步长的选择考虑了收敛时间的稳态。与LMS算法相比, RLS算法有着较快的收敛速度和较好的跟踪能力, 更适用于快衰落信道。但是LMS和RLS相比又易于实现, 而NLMS和LMS的效果相当, 但是收敛速度不同。RLS的性能曲线由于其他两条, 说明RLS的稳态误差是最小的。
仿真结果表明, 与理想MLSE相比, 由于LMS算法的稳态误差较大, 逐幸存算法和传统MLSE算法在性能上都有一定的损失, 并且当多普勒频移较小时, 这两种算法在性能上并没有明显差别。随着多普勒频移的增大, 逐幸存算法的优越性就会得到体现。但是因为逐幸存算法要对每一条幸存路径都作相应的信道估计, 也就是说每个估计值都是不同的, 而每一个幸存路径的参数更新需要很多的计算量。与传统MLSE相比, 复杂度主要体现在信道更新方面。
3 结束语
本文在瑞利信道模型下, 分别研究了传统MLSE和逐幸存MLSE算法, 比较了两种算法的性能以及信道跟踪算法的性能。仿真结果表明, 两种MLSE算法与理想MLSE相比性能都有一定的损失, 而与LMS算法相比, RLS算法有着更快的收敛速度和更好的跟踪能力, 同时有更小的稳态误差。但是在多普勒频移较小的时候两种算法有着相近的性能, 而逐幸存算法的复杂度大, 因此在保证性能的前提下, 降低复杂度需要进一步的研究与探讨。
参考文献
[1]Zhu Zhenyu, Sadjadpour H.An Adaptive Per-survivorProcessing Algorithm[J].IEEE Transactions on Commu-nications, 2002, 11 (50) :1716-1718.
[2]Dubey V, Taylor D.Maximum Likelihood Sequence Detec-tion for QPSK on Nonlinear, Band-limited Channels[J].IEEE Transactions on Communications, 1986, 12 (34) :1225-1235.
[3]张贤达, 保铮.通信信号处理[M].北京:国防工业出版社, 2000.
[4]Galdino J F, Pinto E L, Alencar M S.MLSE-PSP Re-ceiver with Optimized LMS Step-Size Parameter[C].IEEE International Conference on Communications, 2003 (5) :3599-3603.
[5]Li Zhenhong, Piirainen O, Mammela A.An AdaptiveRSSE-PSP Receiver with a Pre-filter for EDGE Systems[C].IEEE International Conference on Communications, 2003 (5) :3594-3598.
[6]Zhang Yong, Guo Ru, Yang Hao.A Novel RSSE-PSP E-qualizer with an Adaptive Pre-filter[J].Wuhan UniversityJournal of Natural Sciences, 2005, 3 (10) :545-549.
[7]Mesiya M, McLane P, Campbell L.Maximum LikelihoodSequence Estimation of Binary Sequences Transmitted OverBandlimited Nonlinear Channels[J].IEEE Transactionson Communications, 1977, 7 (25) :633-643.
基于电力线信道的自适应均衡设计 第4篇
电力线通信(Power Line Communication,PLC)是指利用现有电力线,通过载波方式将模拟或数字信号进行高速传输的技术。PLC技术具有无需布线、使用方便、成本低廉的优点[1]。然而电力线不是专用通信信道,信道特性并不理想,码间干扰严重。在分析电力线信道主要传输特性的基础上,给出了一个简化的电力线信道模型,能够反映出电力线信道的基本特征。
自适应信道均衡可以解决电力线通信过程中的码间干扰问题,目前应用最广泛的是最小均方(LMS)自适应均衡算法,具有简单易实现的特点[2]。但LMS算法的性能与其迭代步长的选取有关,收敛速度和收敛精度之间存在矛盾。在现有算法的基础上,本文提出了一种新的变步长LMS算法,理论分析和仿真结果表明,本算法计算复杂度小,具有较好的收敛速度和收敛精度。
1 低压电力线信道建模
电力传输网作为通信信道使用时,具有噪声干扰强、时变性、信号衰减大、负载情况复杂等特点。大量的实测结果表明,低压配电网是富含各种噪声的网络,对传输的信号具有较高的频率衰减特性[3]。并且,由于传输阻抗的不匹配,在信号的传输过程中,由于信号在网络的节点上的反射和折射,还会产生多径效应[4]。
尽管无法建立一个通用的精确模型来模拟所有的低压配电网信道情况,但是建立一个能反映信道基本特征的近似模型却是可能的,如图1所示。
信道滤波采用Zimmermann M和Dostert K提出的多径信道模型[5],频率响应为:
式中,i为路径号,也表示信号经过不同路径到来的先后次序,1即为最短路径。第一项gi为路径的加权系数,第二项为衰减部分,a0、a1、k为衰减参数,在典型的低压电网中,a0=0、a1=7.8×10-10s/m、k=1。第三项为时延部分,vp为波在电力线上的传播速度,τi=di/vp表示路径i的时延。
在电力线信道中,噪声可分为有色背景噪声、窄带噪声和脉冲干扰[6]。其中,有色背景噪声可以看作是白噪声经整形滤波而形成。噪声整形滤波器的传递函数可以利用自回归AR模型确定。窄带噪声可以通过叠加多个独立的正弦波来描述。
脉冲噪声的形式为衰减的正弦波或是衰减正弦波的叠加,单个脉冲可以用下面的式子表示。
2 均衡设计
电力线信道是非理想的,信道均衡器可以补偿信道特性,并随着信道特性的变化而自适应地变化。
2.1 LMS均衡算法
横向滤波器是时域均衡的主要实现方式,由抽头延迟线、加权系数乘法器和加法器组成[7]。其结构如图2所示。
LMS算法是基于横向滤波器结构基础上的,包含两个基本过程:
(1)滤波过程
计算线性滤波器的输出信号对输入信号的响应。
比较输出信号和期望响应产生估计误差e(n)。
(2)自适应过程
将e(n)作为反馈控制量,自动调节滤波器的抽头系数。
固定步长的LMS算法可以表示为:
式中,x(n)为输入信号,d(n)为期望信号,w(n)是n时刻滤波器的抽头系数,e(n)表示输出结果和期望响应之间的误差,μ为步长因子。
2.2 变步长LMS算法
步长因子μ的选取对LMS算法至关重要。大的步长μ能使算法快速收敛,但会产生较大的稳态误差;小的步长μ能够有效地减小稳态误差,算法稳定,但收敛速度较慢[8]。变步长算法就是解决固定步长下LMS算法收敛精度和收敛速度之间矛盾的有效方法。一种好的变步长LMS算法应该具有如下几个特点[9]:在初始阶段,步长因子μ较大,从而拥有较快的收敛速度和对时变系统的跟踪速度;在算法收敛之后,应具有较小的步长因子,从而使得稳态误差较小;计算复杂度小。
多年来,很多学者在变步长LMS算法方面做出了很多贡献,各种各样的变步长因子算法被提出来。文献[10]在sigmoid函数的基础上进行了改进,其迭代公式如下:
与sigmoid函数相比,该方法计算量较小,克服了sigmoid算法在e(n)接近零时步长变化大的缺点。在此基础上,文献[11]用|e(n)e(n-1)|取代e(n)的平方与步长μ建立映射,大大提高了抗噪声性能。
本文在此基础上提出了一种新的基于抛物线函数的变步长因子算法,步长μ可表示为:
参数α可以控制步长与误差关系曲线的形状,参数β可以取一个比较小的值,保证了在误差趋近于零的时候,仍具有一定的调制步长,可以提高算法的收敛速度。为了保证算法的收敛性,可以通过增加收敛条件的方式来控制步长μ的上界[12]。
3 算法仿真及分析
计算机模拟环境采用电力线信道模型,信道的路径数N=3,表达式如下:
式中,S(t)是从发送端输出的信号,A用来模拟对信号的衰减,其大小与传输距离和信号频率有关,τ为多径信道中的时延,c为不同路径中的衰减参数,反映了不同路径下信道阻抗的不同。N(t)代表信道中的总的噪声。
为确定式(7)中控制参数α、β取值,在本文所建立的电力线信道模型下,针对不同的α、β取值,分别做1000次独立仿真,取其统计平均结果,其迭代曲线如图3-4所示。
图3为β=0.01固定不变,α取不同值时本文算法的迭代曲线。图中,α分别取0.01、0.03、0.06。算法的收敛速度随着α的增大而逐渐提高,在本文的电力线信道条件下,α最佳取值为0.06。图4为α=0.06固定不变,β取不同值时本文算法的迭代曲线。图中,β分别取0、0.005、0.01。算法的收敛速度随着β的增大而逐渐提高,β最佳取值为0.01。
在Matlab软件中,用本文提出的新的变步长算法与固定步长算法及文献[10-11]中的变步长算法进行模拟对比与分析。自适应均衡器的抽头数L=11。取500次独立实验的统计平均结果,得出各种步长下LMS算法的迭代曲线。
图5为本文算法与固定步长LMS算法的对比,图6是与文献[10]和文献[11]算法的对比。其中,本文算法的控制参数α=0.06,β=0.01;文献[10-11]中算法的控制参数α=5,β=0.01[10,11]。
由图5可以看出,本文所提出的基于抛物线函数的变步长算法与固定步长LMS算法相比,收敛速度与固定步长为0.05时基本相同,而稳态误差优于步长为0.01时的固定步长算法。由图6可以看出,在收敛速度方面,本文算法与文献[10-11]基本相同;在收敛精度方面,本文算法与文献[11]算法基本相同,优于文献[10]。而由变步长因子μ的迭代公式可知,本文算法的计算复杂度要远小于文献[10-11]。因此,新算法与固定步长LMS算法和文献[10-11]的变步长算法相比,具有显著优势。
4 结束语
信道自适应 第5篇
LTE系统通常采用的信道估计方法有最小二乘( LS ) 估计、 最小均方误差( MMSE ) 估计及其改进算法。文献[1,2] 分别提出了一种梳状导频MMSE准则的信道估计方法和基于低阶近似以及SVD分解的OLR-MMSE信道估计算法, 针对不同的应用场景, 对计算复杂度和估计性能折中。 文献[3] 研究了门限选择算法和即时能量算法, 由于这类方法不需要任何的信道统计信息,所以实现简单,但对于时变信道或者终端移动速度较快的环境信道估计性能较差。 在工程中,无线信道具有非常复杂的传播路径,会导致多径时延的变化很大。 若采用固定的多径时延扩展,则由此引起的相关函数失配会对信道估计性能造成一定的损失[4]。 若能在通信中根据信道条件的变化得到实时的多径时延扩展的估计,并因此调整MMSE信道估计参数,则可获得准最佳的MMSE信道估计性能。 基于此, 本文提出了一种自适应参数MMSE信道估计系数调整算法, 该算法通过对信道均方根时延扩展和信噪比的估计,自适应地调整信道估计参数并生成准最佳的MMSE信道估计系数对LS估计的信道响应进行滤波,较固定系数的MMSE信道估计算法拥有更好的信道估计性能。
1 自适应参数MMSE信道估计系数调整算法
1 . 1 MMSE信道估计算法
MMSE信道估计算法原理是求得一个合适的信道冲激响应,使得通过该信道冲激响应计算出来的接收信号与实际信号误差的均方和最小[5]。
一般信道估计的模型可以表示为:
其中,y为接收信号矢量,X为发送信号的对角阵,h为频域信道矢量,n为零均值, 方差为 σn2的复高斯噪声矢量。
当发送符号X为导频信号时, 则LS信道估计[6]表示为:
MMSE估计是LS估计的基础上进行的[6，7]:
其中Rhh为信道冲激响应的自相关矩阵,σn2为加性噪声的方差,W为MMSE滤波器系数。 由其改进算法LMMSE[4], 可得:
由式(5)可以发现,W与Rhh和SNR有关,而Rhh又由τRMS决定,所以经典的MMSE信道估计受到SNR和τRMS的制约,当两个参数和实际信道失配时,性能会急剧恶化。
1 . 2 自适应参数MMSE信道估计系数调整算法
从上面MMSE信道估计算法可以看出W由 τRMS和SNR求出,故 τRMS和SNR共同决定了MMSE系数。 基于此,本文提出的自适应参数MMSE信道估计系数调整算法原理如下:
由RMS估计模块计算出均方根时延扩展 τRMS,再由SNR估计模块计算出信噪比估计值SNR, 根据SNR和 τRMS查MMSE系数库得到最匹配参数的MMSE系数, 再由式(3)对LS信道估计进行MMSE滤波,得到MMSE信道估计hmmse。
自适应参数的信道估计工作过程如图1 所示。
1 . 2 . 1 RMS估计模块
首先利用导频,根据式(2)计算LS信道估计,然后计算频域LS信道估计的自相关函数,确定自相关函数3 d B带宽即相关带宽Bc, 知道相关带宽Bc后,可以近似认为均方根时延扩展 τRMS≈1/(5Bc)[8]。
1 . 2 . 2 SNR估计模块
计算得到信噪比估计值。
假设在第m个OFDM符号上的第k个子载波上收到信号表示为:
其中hm ， khk为第m个OFDM符号上的第k个子载波上的信道频率响应, xm ， k为第m个OFDM符号上的第k个子载波上发射的符号, wm ， k为第m个OFDM符号上的第k个子载波上的加性高斯平稳噪声, 均值为0, 方差为。 Nc表示信号占用的子载波个数。
由于以下步骤针对每一个子载波k都做处理, 所以以下式子省略了下标k。 且导频符号位置记为3 和10( 上行LTE导频符号位置) 。
(1)利用导频计算信道频域响应h3和h10;
(2)计算信道频域响应差△h=h10-h3;
( 3 ) 计算状态补偿量 Λ : Λ = △hx3;
( 8 ) 在第m个OFDM符号上的第k个子载波上估计的信噪比为:
该方法可以变换成对于每一个符号中的子载波之间做差值的二阶矩处理,从而仅利用一个参考符号就可以估计出噪声方差。
1 . 2 . 3 MMSE系数库的建立和系数选取模块
因为实时在线计算系数需要进行矩阵求逆计算, 这样会消耗很长的时间且计算复杂。 工程中,为了避免实时矩阵求逆, 需要寻求速度和性能的折中, 故本算法采用事先建立系数库,然后进行系数选取的方法。
( 1 ) MMSE系数库的建立
通过对3GPP信道模型的计算, 发现典型的均方根时延扩展值如下:
1城市区域:τtype的值:5e-7、1e-6
2农村区域:τtype的值:1.2e-7
3山区区域:τtype的值:4e-6
综上所述 τtype的集合为:τtype= [ 1 . 2e - 7 5e - 7 1e - 64e - 6 ] 这4 个值。 通过这4 个典型值结合信噪比集合 ρtype=[ - 10 20 ] 生成8 个典型MMSE滤波器系数作为MMSE系数库。
( 2 ) MMSE系数选取
1通过RMS估计模块得到 τRMS, 通过SNR估计模块得到SNR。
2求系数库中自适应参数的位置参数:
3由(i,j)opt选取对应的MMSE系数。
2 性能仿真
2 . 1 采用的3GPP典型信道系数
典型城市区域信道模型, 这里叫做Channel Model0 ; 典型农村区域信道模型, 这里叫做Channel Model 1 ;典型山区区域信道模型,这里叫做Channel Model 2。
采用MATLAB库函数stdchan() 产生上述三种类型的信道衰落系数。
2 . 2 仿真性能度量准则
采用归一化最小均方误差(NMSE) 作为估计精度的度量准则:
其中,hmmse表示MMSE信道估计值,h表示真实的信道频率响应。
在图2 中遍历不同 τRMS的情况下, 得到NMSE曲线在 τRMS≈2e-7 时达到最小, 性能达到最佳, 此时的 τRMS可以认为是真实值 τactual。 而采用自适应参数的信道估计方法计算NMSE, 此时 τRMS≈3e-7, 得到的NMSE非常接近真实值 τactual, 之间的差距约为2 d B 。 若选择的 τRMS< <τactual, NMSE将急剧恶化, NMSE的最大差距可为16 d B ;若选择的 τRMS> > τactual, 则NMSE也将恶化, NMSE的最大差距可为10 d B。
在图3 中遍历不同 τRMS的情况下, 得到NMSE曲线在 τRMS≈3.8e-7 达到最小,性能达到最佳,此时的 τRMS可以认为是真实值 τactual。 采用自适应参数的信道估计方法计算NMSE, 此时 τRMS≈2.8e-7, 得到的NMSE非常接近真实值 τactual, 之间的差距约为0 . 3 d B 。
图4 和图5 中自适应参数估计的NMSE和真实NMSE差值均仅为0 . 3 d B 。
3 结束语
信道自适应 第6篇
水声信道是迄今为止最为复杂的信道环境。水声信道是时变的时延-多普勒频移双扩散信道[1], 它的多径效应和多普勒效应以及信道的随机时变, 严重降低了水声通信系统的传输性能。从适应信道的角度而言, 对能够根据信道环境信息来自适应调整通信状态的水声通信策略自适应调制技术可以提高通信的鲁棒性和传输速率, 因此该研究具有重大意义。在无线通信领域, 基于信道适配的自适应调制技术已经得到了广泛的研究与应用[2,3]。但在水声环境中, 由于海洋环境的特性、信道信息的即时获取问题等难题, 现在对水声自适应通信系统的研究仍未达到成熟水平。早期的水声自适应方案主要基于实验和人们的经验, 针对不同的通信环境, 在通信中根据通信质量的优劣, 手动调整通信方案, 从而对信道进行适配。如今, 在水声通信这个领域对OFDM研究较多。对OFDM的通信适配方案也较多, 可以通过宽带测量信号对信道扩展特性以及信噪比进行估计来调整调制方式以及保护间隔从而达到适配结果[4], 可以根据水声信道的传播损失特性来调整子载波的功率、调制方式以及带宽对水声信道特性进行适配[5], 可以针对水声信道参数来实现多误比特率的水声自适应通信[6]。但是对于现在水声通信系统, 通常广泛使用相干通信技术。近几年基于相干通信的自适应调整技术, 主要是使用以信噪比SNR为衡量指标的方法, 自适应选择不同的调制方式[7,8]。对于本文基于的通信系统, 信噪比的变化并不是最主要的衡量因素, 信道的影响对于分析通信策略自适应调整技术是至关重要的, 若要自适应区分BPSK、QPSK、8PSK、16PSK, 则需要分析通过信道探测而得到的信道情况。本文采用在一定的信噪比范围中, 根据相关系数自适应区分多种相干通信调制方式, 能够保证在满足一定鲁棒性的前提下提高传输比特速率。
2 模型建立
在无线信道中, 信噪比是自适应调制技术的主要衡量指标。在水声通信中, 因为多途效应的影响, 需要考虑反映多途情况的参数, 所以并不单单根据信噪比的大小而直接区分使用哪种调制方式。并且由于水声信道混响的影响, 对于相干通信各调制方式的区分, 当混响严重时, 即使信噪比较高, 也不能说明信道条件好。将SNR控制在8d B以上, 这样可以减少因信噪比过低而造成的影响, 从而更好的分析信道情况对该自适应调制技术的影响。
接收Chirp信号与本地Chirp信号的相关系数是反映信道情况的重要指标, 它衡量了两个信号的相关程度, 相关系数越大, 越接近1, 说明信道情况越好, 而该值越小说明信道多途、环境噪声等情况越严重, 信道情况不好。相关系数可以较为全面的反映信道多途的情况, 涵盖了多途宽度及冲激响应阶数的信息。相对于信噪比而言, 相关系数也可以包含信道混响信息, 而信噪比则将混响信息排除在外。根据实际数据情况分析相关系数和误比特率的关系是很重要的。相关系数与误比特率有较明显的关联性, 对于某种调制方式而言, 当相关系数较大时, 误比特率较低, 当相关系数较小时, 误比特率较高。
根据上述分析, 以信噪比在8d B以上的情况下采用相关系数作为基于水声信道探测的相干通信自适应调整技术的衡量参数。该自适应调整的基本思路是当信道条件较好时, 选择更高一级的调制方式, 提高传输比特速率, 当信道条件不能满足高一级的调制方式来通信时, 选择低一级的调制方式, 提高通信鲁棒性, 降低介绍信号比特错误率。按照这个思路建立研究模型, 调制模式共有J+1种, 其中某种调制模式为j=0, …, J.j的值由小到大依次代表BPSK、QPSK、8PSK、16PSK, 即J=3, 随着j值的增大, 鲁棒性变差, 传输比特速率变高。具体实现方法是, 在信噪比大于8d B的条件下, 当相关系数α在[αj, αj+1) 区间时, 选择使用调试方式j。对于相干通信而言, 当均衡器输出的误比特率在1×10-1左右时Turbo-TCM译码器通过若干次迭代可以使误比特率达到零。因此, 在这里认为当输出的误比特率高于1×10-1时, 该帧通信发生错误, 该帧通信失败, 需要选用其他的调制方式。其中[αj, αj+1) 的选择方法是在该区间使用调试方式j, 能够满足错误概率 (通信失败的帧数占通信总帧数的比例) 小于Pb, 但对于更高一级的调制方式j+1而言, 这一段区间的错误概率不能满足小于Pb这个条件。实际通信时, 往往要重传一次。假设第一次发送时接收信号错误概率是pe1, 重传一次的接收信号错误概率是pe2, 若这两次发送是独立事件, 则这次通信成功的概率是ps=1-pe1*pe2。本文要求重传通信成功概率达到Ps=99.5%, 则错误概率Pb=7.1%。根据这样的方法, 选择适于使用各种调制方式的相关系数分布区间。
为了进一步优化相干通信自适应调整技术的性能, 在该方法中加入相关系数控制参数k, 通过控制k的大小, 来调整相关系数控制范围, 具体实现如图1。当相关系数处于在相关系数控制区域内时, 可以通过将原本较高一级的调制方式降低一级来获得更低的误比特率, 可以通过将原本较低一级的调制方式提高一级来获得更大的传输比特速率。当想降低调制方式转换速率的时候, 如果相关系数处于相关系数控制区域内, 可以不改变当前的调制方式, 以达到降低调制方式转换速率的目的。总而言之, 通过加入相关系数控制参数k来调整相关系数控制区域, 达到在降低误比特率、提高传输比特速率和降低调制模式转换频率三方面提高相干通信策略自适应调整技术的性能。
3 确定相关系数区间
本文的研究模型已经建立, 现在需要确定相关系数α0, α1, α2, α3, α4, 从而确定各相关系数区间, 在适当的条件下, 选择合适的相干通信调制方式, 以提高通信鲁棒性和传输比特速率。
为了较为准确的确定相关系数区间, 根据试验数据进行具体分析。数据选择2005年1月千岛湖湖试数据和2008年10月青岛海试数据进行分析, 共使用数据1050个通信包, BPSK通信包59个, QPSK通信包862个, 8PSK通信包69个, 16PSK通信包60个。由湖试和和海试数据得出图2, 该图表示在信噪比大于8d B的条件下, 16PSK、8PSK、QPSK、BPSK调制方式相关系数和错误概率的关系, 图中将相关系数从1至0平均分成20份, 计算每份中的错误概率。通过分别分析各图中的关系, 找到当使用某一调试方式j时, 能够满足错误概率小于Pb=7.1%时所对应的相关系数区间[αj, αj+1) , 同时满足对于更高一级的调制方式j+1而言, 这一段区间的错误概率不能满足小于Pb这个条件。下面分别讨论每种调制方式所对应的相关系数区间。
相干通信16PSK的传输比特速率是20kbps, 传输信息速率较快, 但是鲁棒性相对较差, 需要在较好的信道条件下使用。由图2 (a) 可以看出当相关系数不小于0.9时, 错误概率小于Pb。即在信噪比大于8d B的条件下, 当相关系数α在[0.9, 1) 区间时, 选择使用调试方式16PSK (j=3) , 能够满足错误概率小于Pb, 可见α3=0.9, α4=1。
相干通信8PSK的传输比特速率是15kbit/s, 对信道条件要求较高, 需要在合适的信道条件下使用。由图2 (b) 可以看出当相关系数不小于0.75时, 错误概率小于Pb。即在信噪比大于8d B的条件下, 当相关系数α在[0.75, 0.9) 区间时, 选择使用调试方式8PSK (j=2) , 能够满足错误概率小于Pb, 可见α2=0.75。
相干通信QPSK的传输比特速率是10kbit/s, 是相干通信经常选用的调制方式。由图2 (c) 可看出当相关系数不小于0.55时, 错误概率小于Pb, 重传通信成功概率大于99.5%。即在信噪比大于8d B的条件下, 当相关系数α在[0.55, 0.75) 区间时, 选择使用调试方式QPSK (j=1) , 能够满足错误概率小于Pb, 可见α1=0.55。
相干通信BPSK的传输比特速率是5kbit/s, 鲁棒性相对较好, 但是传输信息速率较慢, 需要在较好的信道条件下使用。由图2 (d) 可以看出图中数据显示的错误概率均小于Pb。但由于实验数据缺少相关系数在0.4以下的情况, 因此由图中仅可以看出在信噪比大于8d B的条件下, 当相关系数α在[0.4, 0.55) 区间时, 选择使用调试方式BPSK (j=0) , 能够满足错误概率小于Pb, 可见α0=0.4。
综合四种调制方式相关系数分布区间的分析, 在信噪比大于8d B的条件下, 当相关系数α在[0.9, 1) 区间时, 选择使用16PSK调制方式;当相关系数α在[0.75, 0.9) 区间时, 选择使用8PSK调制方式;当相关系数α在[0.55, 0.75) 区间时, 选择使用QPSK调制方式;当相关系数α在[0.4, 0.55) 区间时, 选择使用BPSK调制方式。这种选择能保证在传输错误率小于Pb=7.1%的情况下, 使用传输比特速率最快的调制方式。例如, 当相关系数较高、信道条件较好时, 如果判决条件允许可以选择更高一级别的调制方式, 这样可以提高传输比特速率;当相关系数较低、信道条件较差时, 可以选择更低一级别的调制方式, 这样可以降低误比特率, 减少通信错误, 提高通信鲁棒性。
4 相关系数控制参数k的影响
上文已给出相关系数控制区间, 在这里对相干通信自适应调整技术进行优化, 具体实现如图1, 在相干通信自适应调整方案中加入相关系数控制参数k, 通过控制k的大小, 来调整相关系数控制范围。下面针对降低误比特率、提高传输比特速率和降低调制模式转换频率三方面依次展开分析, 说明随着相关系数控制参数k的改变, 其性能提高的情况。
4.1 以降低误比特率为目的研究相关系数控制参数k的影响
在这一部分, 调节相关系数控制参数k的目的是降低平均误比特率。该方案实现的具体方法是当相关系数在相关系数控制区域范围内, 见图1, 可以将较高一级的调制方式转换为较低一级的调制方式, 从而降低平均误比特率。当前应使用调制方式的选择是基于相关系数的范围而定, 当相关系数处于相关系数控制区域外, 根据αi (i=0, 1, 2, 3) 的范围规定而选择对应的调制方式。而当相关系数处于相关系数控制区域内时, 选择较低一级的调制方式, 这样可以降低平均误比特率。
其中相关系数控制区域的宽度取决于相关系数控制参数k。当k值增大, 相关系数控制区域的范围变大。见表1, 这里选择k=0.01, 0.03, 0.05这三种情况进行分析, 从该表的结果可以看出, 对比于未优化调整策略, 该优化调整策略的平均误比特率降低, 但平均传输比特速率有所下降。从表中可以看出, 随着k值的增大, 平均误比特率呈下降趋势, 同时平均传输比特速率呈下降趋势。因此, 以降低误比特率为目的相干通信自适应调整优化方案, 起到了降低误比特率的目的, 但使得传输比特速率有所下降, 并且随着k的增大, 这种效果更加明显。
4.2 以提高传输比特速率为目的研究相关系数控制参数k的影响
在这一部分, 相干通信自适应优化方案提出的目的是提高传输比特速率。该方案实现的具体方法是当相关系数在相关系数控制区域范围内, 见图1, 可以将较低一级的调制方式转换为较高一级的调制方式, 从而提高传输比特速率。当前应使用调制方式的选择是基于相关系数的范围而定, 当相关系数处于相关系数控制区域外, 根据αi (i=0, 1, 2, 3) 的范围规定而选择对应的调制方式。而当相关系数处于相关系数控制区域内时, 选择较高一级的调制方式, 这样可以提高传输比特速率。
其中相关系数控制区域的宽度取决于相关系数控制参数k。当k值增大, 相关系数控制区域的范围变大。见表2, 这里选择k=0.01, 0.03, 0.05这三种情况进行分析, 从该表的结果可以看出, 对比于未优化调整策略, 该优化调整策略的平均传输比特速率提高, 但平均误比特率有所增大。从表中可以看出, 随着k值的增大, 平均传输比特速率呈上升趋势, 同时平均误比特率呈上升趋势。因此, 以提高传输比特速率为目的相干通信自适应调整优化方案, 起到了提高传输比特速率的目的, 但使得误比特率有明显的上升, 并且随着k的增大, 这种效果更加明显。
4.3 以降低调制模式转换速率为目的研究相关系数控制参数k的影响
在这一部分, 相干通信自适应优化方案提出的目的是降低调制模式转换速率。该方案实现的具体方法是当相关系数在相关系数控制区域范围内, 见图1, 如果已经使用较低一级的调制方式就无需改变仍然使用较低一级的调制方式, 同理, 如果已经使用较高一级的调制方式就无需改变仍然使用较高一级的调制方式, 从而降低调制模式转换速率。当前应使用调制方式的选择是基于相关系数的范围而定, 当相关系数处于相关系数控制区域外, 根据αi (i=0, 1, 2, 3) 的范围规定而选择对应的调制方式。而当相关系数处于相关系数控制区域内时, 如果上一个调制方式不是该区域邻近调制方式, 则改为使用根据αi (i=0, 1, 2, 3) 的范围规定而选择对应的调制方式, 如果上一个调制方式是该区域邻近调制方式, 则仍使用上一个调制方式作为当前调制方式, 这样可以降低调制模式转换速率。
其中相关系数控制区域的宽度取决于相关系数控制参数k。当k值增大, 相关系数控制区域的范围变大。见表3, 这里选择k=0.01, 0.03, 0.05这三种情况进行分析, 从该表的结果可以看出, 对比与未优化调整策略, 该优化调整策略的平均误比特率增大, 平均传输比特速率有略微变化。从表中可以看出, 随着k值的增大, 平均误比特率和平均传输比特速率没有明显的变化趋势。因此, 以降低调制模式转换速率为目的相干通信自适应调整优化方案, 起到了降低调制模式转换速率的目的, 但使得传输比特速率有略微的增大, 传输比特速率有略微的变化。
5 结束语
本文根据水声信道的特点, 研究了相干通信自适应调整技术, 并做了优化处理。分别分析了信噪比和接收信号与本地信号相关系数对相干通信自适应调制的影响, 提出了在一定信噪比的条件下以相关系数为判决准则。根据海试和湖试数据的分析, 得出相关系数区间, 自适应调整多种相干通信调制方式, 从而达到在满足较低的误比特率前提下提高传输比特速率的目的。为了进一步优化该自适应调整技术, 本文给出了相关系数控制参数k, 通过k来调节相关系数控制区域, 并分别研究了控制参数k在降低误比特率、提高传输速率、降低调制模式转换速率三方面对提高自适应相干通信系统性能的影响。
参考文献
[1]D.B.Kilfoyle, A.B.Baggeroer.The state of the art in underwater acoustic telemetry.IEEE Journal of Oceanic Engineering, 2000, 25, 4-27
[2]Byung-Chul Kim, I-Tai Lu.Parameter study of OFDM underwater communications system.OCEANS 2000 MTS/IEEE Conference and Exhibition, 2000, 2, 1251-1255
[3]PROAKIS J G, Digital communications 1989
[4]惠俊英, 生雪莉.水下声信道2007
[5]申晓红, 黄建国.张群飞.自适应多制式正交多载波高速水声通信技术研究[期刊论文].西北工业大学学报, 2007 (01)
[6]Chin-Feng Lin, Zhen-Xiang Shi, Shung-Hyung Chang.A power assignment mechanism for OFDM-based underwater acoustic communication system.Advanced Communication Technology, 2009.ICACT 2009.11thInternational Conference on, 2009, 03, 1545-1548, 15-18
[7]Tomasi B., Toni L., Casari P., Rossi L., Zorzi M..Performance study of variable-rate modulation for underwater communications based on experimental data.OCEANS 2010, 2010, 1-8, 20-23
信道自适应 第7篇
通过卫星扩展TCP/IP网络无论在商业还是军事上都有重要的实际意义。但同陆地链路相比, 卫星链路具有3个明显的特征:① 高误码率, 在卫星链路上, 误码率变得特别高, 从10-2到10-6;② 高时延性, 一个地球静止卫星的单跳时延达到260 ms, 往返的时延就是520 ms;③ 信道衰落严重。这就使得卫星链路产生频繁的丢包。当将TCP用于卫星链路时, 若采用传统的TCP将丢包简单地认为是网络拥塞造成的丢包而采取控制策略的处理方式, 就会大大降低网络的性能。因此, 卫星链路中若引入TCP 的应用, 不但要采取原有的拥塞控制, 而且要增加错误控制。
对于错误控制, 目前可以采用2种策略:一、链路层策略。利用前向纠错、选择重发、错误通告等措施, 提高卫星链路的质量并向高层屏蔽低层错误, 这需要节点具有探测并报告网络状态的能力, 还需要各层参与, 增加了协议实现的复杂度;二、端到端策略。它的重点是如何进行丢包识别, 主要有基于往返时延的NCPLD[1]、基于往返时延的TCP-Bayes[2]、基于包到达间隔的DCLWL[3]和基于头部校验和的TCP-HACK等。但由于丢包并没有直接发生在端点上, 这些使用端到端测度的丢包区分方法, 其准确性变得越来越难以保证。
基于以上分析, 本文在文献[4]的根据路由器上的特定队列管理来进行丢包识别的基础上, 提出了一种自适应丢包区分的方法。
1 自适应丢包区分的卫星信道TCP
1.1特定队列管理机制及其存在问题
特定队列管理机制仿照区分服务中的标记算法, 在发送端将数据包等间隔标记为in 和out, 当路由器缓存溢出时, 标记为out的包由于优先级低会以概率1被丢弃。特定队列管理在接收端对队列中丢包模式的分析是使用了一个函数:F (x, k, r) =1-[xk/ r], 其中x是标记为out的丢包数目, r是失序的数据包中丢包的总和, k是一个可调的匹配因子, 与该段TCP序列中标记的模式相关。如果该函数的计算结果大于0, 说明该丢包不是拥塞引起的, 那么在该接收端给丢包反馈的ACK加上错误通告标记, 从而使得TCP源端不会错误地降低窗口大小。要使特定队列管理方法区分准确率接近1, 标记out的间隔必须小于1/PC (PC为拥塞丢包率) 。一般来说, 随着标记间隔的加大, 正确判断拥塞丢包的概率将下降, 正确判断卫星链路丢包的概率将升高, 因此存在一个最优的标记间隔。此外, out包的数目随着拥塞丢包的增加而增加, 使得最佳标记间隔也将发生变化。因此, 提高特定队列管理方法的准确性的途径应是动态调节标记间隔以适应网络状态的变化。
1.2自适应丢包区分的卫星信道TCP方法
若要实现标记间隔的自适应变化, 需解决以下几个问题:
一是匹配模式的调节方式。严格的方法应该是基于丢包率来进行调节, 即在时间轴上对丢包率等间隔采样, 根据历史数据和当前采样调节标记间隔, 但这种方法需要额外的测量和统计, 工作量较大。为此设计了基于事件驱动的方法, 将发送方收到的ACK事件作为调节的依据:由于卫星链路的往返时延大, 可考虑在连续收到2个ACK时, 表明网络状态正常, 应当加大标记间隔;当连续收到2个带out标记的重复ACK时, 表明拥塞丢包严重, 应当减小标记间隔。采用加性增加/乘性减少的方式对标记间隔进行调整, 可以使该方法较为平滑和有效地适应网络状态的变化。另外, 为了保证方法的正确性, 在调节时应当对标记间隔的变化范围进行限制。因为过小的标记间隔, 有可能使得队列中几乎全为out包, 过大的标记间隔, 有可能使得队列中几乎全为in包, 这将使得算法失效。如果将变化范围定义在[min, max]之间, 那么min是一个合理的小数, max与发送方缓存数据包的大小有关。
二是调节参数在收发双方的通告方式。当发送方根据ACK到达的情况调节标记间隔时, 接收端需要得到这种变更以重新确定匹配因子k, 这里可以发送控制包来通知接收端, 但是这种做法需要额外的开销, 更重要的是会带来附加的时延。在此使用简单的概率统计代替接收端的模式匹配, 即发送方收到某个数据包的重复ACK时, 分析它是否带有out标记, 如果有就把该数据包归为拥塞丢包, 否则归为错误丢包。对于连续丢包的情况, 则从最小序号开始搜索序列中缺失的包, 一旦搜到带有out标记的包, 就将该次丢包归为拥塞丢包, 否则为卫星链路丢包。
三是卫星链路错误的处理。TCP除了拥塞控制外, 还需要完成错误控制的任务, 因此错误通告不能一味地向发送方屏蔽信道错误, 当比特错误严重时不采取任何措施将影响TCP的性能。当收到连续2个带错误通告标志的ACK时, 应当降低TCP发送速率以避免不必要的信道浪费。
基于以上分析, 自适应丢包区分的特定队列管理对卫星信道TCP需要做如下改进:发送方要根据ACK事件设置标记间隔并以此间隔对正常发送的数据包进行等间隔标记;路由器要在尾丢弃的队列管理中对带out标记的数据包进行优先丢弃;接收方是收到连续失序的数据包时, 要在已收到的序列中搜索丢失的数据包, 其中如果有带out标记的数据包, 就将该丢包归为拥塞引起的, 否则传回一个带错误通告标志的ACK给发送方。
1.3自适应丢包区分的卫星信道TCP方法分析
自适应丢包区分的特定队列管理将对丢包的判断简化为在连续丢包序列中对out的搜索, 下面证明一下这种判断的合理性。
假设数据包数目为s, 标记间隔为b, 若现在有r个包丢失, 且这次丢包是卫星链路引起的, 那么丢失的包将成为s个元素中的r次随机采样, 设其中包含x个out包, 令X为x分布的随机变量, 则
自适应丢包区分的特定队列管理认为若x≥1, 则p (X=x) =ε (极小值) 。将x=1代入式 (1) , 可得
假设自适应丢包区分的特定队列管理能够准确设置标记间隔, 即每次丢包行为中使得r=y, 那么
理想状态下自适应丢包区分的特定队列管理标记的out包正好全部丢掉, 即y=s*p, p为丢包率, 代入式 (2) , 得:
可见, p (X=1) =0.5ε1ε2。因此理想的自适应丢包区分的特定队列管理中, 若x≥1, 则p (X=x) =ε (极小值) 成立。
2 结束语
本文针对卫星链路的特点, 提出了应用于卫星链路的基于自适应丢包区分的特定队列管理的TCP改进, 不仅能够动态调节与队列的丢包特征相匹配的模式, 而且能够在拥塞和卫星链路错误增加的情况下, 保证丢包区分的准确率, 提高网络的吞吐量。
摘要：通过卫星扩展TCP/IP网络无论在商业还是军事上具有十分重要的意义。但由于链路的高时延、高误码率和严重的信道衰落, 使得TCP/IP应用于卫星链路时, 相对于有线链路性能较差, 因此将TCP/IP应用于卫星链路时, 必须对TCP/IP进行改进。提出了自适应特定队列管理的方法, 其基本思想是根据网络事件动态调整模式匹配参数, 使得在拥塞和卫星链路误码率增加的情况下, 都具有较高的丢包区分准确率。
关键词：卫星链路,特定队列管理,错误通告
参考文献
[1] SAMARAWEERA N K G.Non-congestion packet loss detection for TCP error recovery using wireless link[C]//IEEE Proceedings Communication, 1999:222-230.
[2] FONSECA N, CROVELLA M.Bayesian packet loss detection for TCP [C]//Inforcom2005, 2005:1-12.
[3] BIAZ S, VAIDYA N H.Discriminating congestion losses from wireless losses using interrival times at the receiver[C]//Proc IEEE Symp Application-Specific System and software Engineering and Technology .Richardson, TX, 1999:10-17.
信道自适应 第8篇
移动通信要求能可靠地传输高速数据,实现语音、数据、图像的通信。无线移动信道具有频率和时间选择性特性,造成信息传输中的符号间干扰,误码特性变差。采用OFDM调制,将宽频带的衰落信道变为相互正交的窄带信道,在每个窄带信道上,信道呈现平稳慢衰落特性。要实现接收端相干解调,必须进行信道估计。在OFDM系统中,传统的信道估计方法都是基于移动通信信道的统计特性求出信道中传输特性的相关函数,这里假定在多个符号时间内,信道特性恒定的情况下估计信道的;但是,实际信道特性是随机变化的,对于快衰落信道,即使在每个符号内也很难保证信道特性恒定,若仍采用传统的信道估计方法,误差很大,易引起接收机误码特性变差。本文研究了基于导频信号的信道特性跟踪算法比较,在参考文献[1,2,3]讨论的基于导频信号的信道估计算法的基础上,文献[4]提出的低秩自适应滤波算法,用于信道特性的跟踪估计中,基于实际移动信道的延时冲激响应特性大部分能量主要集中在少数抽头上的事实,采用低秩自适应滤波算法,可以实现降维处理,降低运算量;该算法采用了QR分解运算,每个OFDM符号间隔内信道估计运算量还是较大,跟踪速度慢。本文采用文献[5,6,7]提出的投影逼近子空间跟踪(PAST)算法运用到OFDM系统的信道跟踪,该算法避免了QR分解步骤,使每个子载波的信道估计算法运算量降低,可实现快速跟踪,减少了存储量;对两种算法的跟踪特性进行了计算机模拟比较。采用Akaike信息准则(AIC)估计每个符号跟踪算法的维数。文献[8,9,10]讨论了基于接收信号的盲信道估计算法。由文献[1]可知,无线信道中,信道的时延特性在符号间变化缓慢,而幅度特性变化快,采用自适应LMS算法跟踪信道特性的幅度变化。
1 系统模型
基带信号分组后映射为QAM信号,均匀插入导引信号得到调制信号{X(k)},经IFFT得到信号{x(n)}:
式中:N为子载波总数。插入保护间隔Ng,防止OFDM系统的符号间干扰(ISI):
发射信号经频率选择性多径信道,接收信号:
式中:h(n)为信道冲激响应;w(n)为高斯白噪声。对于时变多径信道冲激响应可表示为:
式中:L为多径信道数目;hn,l为第n个字符的第l条路径的复冲激响应;τn,l为第l条路径时延。接收端信号yg(n)去除保护间隔得y(n),对y(n)进行FFT变换得:
若保护间隔Ng大于信道冲激响应长度L,不存在符号间干扰(ISI),则:
其中:
Nn(k)为w(n)的傅氏变换,可以用矩阵的形式来描述:
式中:n为符号数。
由式(7)可得:
式中:W(τn)为N×L矩阵,第l列为:
2 信道的跟踪估计
2.1 基本原理
由于信道的时延特性相对稳定,对延时矩阵W(τn)可进行奇异值分解:
将发送导引信号Xn(m)(m=0,1,2,…,Np-1),均匀插入信号X(k)中,总子载波数N分成Np组,每组D=N/Np个子载波,在k=(N/D)×m,m=0,1,2,…,Np-1位置处插入导频信号,若保证收发两端载波同步,在导引信号处的信道矩阵为:
导引信号处的信道矩阵的最小二乘估计HLS,n=diag(Xn)-1 Yn,若符号数n=1,2,…,M,对数似然函数为:
最大似然条件下的幅度估计:
式中:U为相关矩阵中r个较大特征值对应的特征矢量组成的子空间,即导引信号处的信道矩阵Hn是由HLS,n投影到延时矩阵的子空间而得到的。信道的子空间跟踪与估计的原理框图如图1所示。
由子空间跟踪估计和秩估计求出HLS,n中的较大奇异值和这些奇异值对应的特征矢量,得到rn,Un,将HLS,n投影到由Un组成的子空间,得到导引信号处的信道最大似然估计Hn,然后据最小均方误差准则(MMSE)内插,得到全部子载波处的信道估计Hn。采用子空间自适应跟踪,rn,Un可以随实际信道参数的变化而变化;实际无线移动信道,主要能量集中在少数信道抽头上,秩估计得到的rn远小于导引信号数Np,从而,降低了维数,使运算量减少,提高了信道估计速度,实现了较好的信道跟踪。
2.2 信道的跟踪估计算法
把文献[2]提出的低秩自适应滤波算法用于对HLS,n的秩和子空间作分解,得到rn,Un。
算法1:初始化
0≤γ≤1;rmax,对每一个输入符号n,输入HLS,n矩阵,作子空间分解和矩阵秩的估计。
(1)子空间分解跟踪算法
(2)矩阵的自适应秩估计算法
(3)信道幅度的自适应跟踪算法初始化:b0=0;
则信道估计矩阵Hn=Un dn,每个符号时间跟踪算法的运算量为N r2max量级,其中,β和σ2为门限值;λi为大于该门限值的个数,即为秩的估计值。该算法采用了QR分解算法,运算量较大。
算法2:投影逼近子空间跟踪算法(PAST)用于HLS,n的子空间跟踪。
初始化:λi(0)=1;u1(0)～u rmax(0)设置为Np×Np矩阵,它的最前面的矩阵设为rmax×rmax的单位矩阵。设置rmax,β值。
(1)子空间跟踪算法
(2)矩阵的秩自适应估计算法
每个信号符号时间内的跟踪算法运算量为4N rmax+O(rmax),显然比算法1中每个符号的运算量小很多且算法的运算更快,跟踪性能更好。
2.3 信道内插
采用上述算法,只计算出导引信号处的信道最大似然估计实现自适应跟踪估计对于所有子载波处的信道估计,采用最小均方误差(MMSE)准则内插,内插矩阵T∈N×Np,则Hn=T Hn。
式中:RH H=E(Hn HnH),R H H=E(Hn HnH)。
若信道抽头按(0,TCP)均匀功率延迟谱,子载波间的信道响应的相关函数为:
运用式(10)求出内插矩阵T。
3 计算机仿真实验
采用OFDM系统,工作频率fc=800 MHz,信号带宽B=800 kHz,每个符号的子载波数为N=128,前后4个子载波作为保护间隔,传输数据的子载波数为120个,插入导引信号Np=16个,均匀插入。信道采用Jake模型,最大多谱勒频移fm=100 Hz,信道抽头数为L=4,有4个相同分布,延时指数分布,延时子空间维数r=4,子空间跟踪参数γ=0.999,rmax=8,β=0.97,在幅度LMS算法中,μ=0.6,均方误差MSE为:
采用Monte Carlo模拟方法,数据采用4PSK调制,SNR=5 dB,M=8;在两种算法中,对误码率和均方误差随字符数的变化进行了描述。图2,图3给出了在fm=100 Hz两算法的误码率和均方误差随信噪比和字符数的变化曲线。从图中可以看出,算法1比算法2跟踪均方误差小,但运算量大;算法1比算法2跟踪快。综上所述,两算法的误码特性相当好,具有较好的跟踪信道能力。
4 结论
讨论了两种OFDM系统信道跟踪与估计算法,对跟踪特性进行了计算机仿真实验,从中可看出,两种算法都有较好的信道估计性能,误码特性优良,均方误差小算法比算法综合性能稍好
摘要：传统的QR分解和投影逼近子空间(PAST)分解算法,可用于矩阵的奇异值分解和秩数的估计。讨论了在正交频分复用(OFDM)通信系统中基于这两种分解方法对导引信号的子空间进行分解,实现信道矩阵的自适应跟踪估计。采用这种算法,降低了矩阵运算的维数,使每个符号期间信道估计的运算量减少,信道估计的均方误差减小,接收机的误码性能得到改善,同时利用计算机模拟,对两种算法运用到信道估计中的跟踪性能进行了比较。
关键词：OFDM,信道跟踪与估计,投影近似子空间,均方误差
参考文献
[1]DSVALDO Si meone,YEHESKEL Bar-Ness,UUBERTOSpagnolini.Pilot-based channels esti mation for OFDMsys-tem by tracking the delay-subspace[J].IEEE Trans.onWireless Commun.,2004,3(1):315-325.
[2]HSIEH Meng Han,CHE Howei.Channel esti mation forOFDMsystembased on comb-type pilot arrangement infre-quency selective fading channels[J].IEEE Transactions onConsumer Electronics,1998,44(1):217-225.
[3]MORELLI Michele,MENGALI Vmberto.Acomparison ofpilot-aided channel esti mation methods for OFDM system[J].IEEE Transactions on Signal Processing,2001,49(12):3065-3073.
[4]STROBACH Peter.Low-rank adaptive filter[J].IEEETrans.on Signal Processing,1996,44(12):2933-2947.
[5]张贤达.信号处理中的线性代数[M].北京:科学出版社,1997.
[6]WANG Xiao-dong,POOR H Vincent.无线通信系统:信号检测与处理技术[M].北京:电子工业出版社,2004.
[7]YANG Bin.Projection approxi mation subspace tracking[J].IEEE Trans.on Signal Processing,1995,43(1):95-107.
[8]DOUKOPOULOS Xenofon G,MOUSTAKIDES Gerge V.Adaptive algorithms for blind channel esti mation in OFDMsystem[J].IEEE Communications Society,2004:2377-2381.
[9]EDFORDS Ove,SANDELL Magnus,WILSON SarahKate,et al.OFDM channel esti mation by singular valuedecomposition[J].IEEE Transactions on Communica-tions,1998,46(7):931-938.