法律状态公告日
法律状态信息
法律状态
2022-09-20
未缴年费专利权终止 IPC(主分类):H04L 1/06 专利号:ZL2013104699519 申请日:20131007 授权公告日:20160817
专利权的终止
2016-08-17
授权
授权
2014-02-05
实质审查的生效 IPC(主分类):H04L1/06 申请日:20131007
实质审查的生效
2014-01-01
公开
公开
技术领域
本发明属于通信技术领域,更进一步涉及空时信号检测技术领域的空时分组码编 码模式盲识别方法,可用于多输入多输出MIMO系统中,对空时分组码进行盲识别。
背景技术
MIMO系统是下一代无线通信的关键技术,空时码是MIMO系统的重要组成部 分。空时码的盲识别是通信对抗领域迫切需要研究的领域,它能够为MIMO系统对 抗技术提供基础和技术支撑,具有重要的理论意义和应用价值,已引起学术界的关注。
空时码的盲识别是一个新兴的课题,已有的算法分为最大似然检测算法和时滞相 关算法。最大似然检测算法函数构造简单,计算复杂度低,但它对于分组长度和分组 符号数相同的码型无法识别;时滞相关算法可识别的码型较多,但其计算复杂度随着 采样点数成指数增加,在实际中难以应用于实时检测。
文献[1V.Choqueuse,M.Marazin et al.,Blind recognition of linear space time block codes:A likelihoodbased approach.IEEE Trans.Signal Processing,58(3),2010, 1290-1299]中提出的码参数检测算法属于最大似然检测算法。根据最大似然准则对所 有候选集码型,构造仅与编码参数有关的似然函数,通过比较不同编码模式的似然函 数,对编码参数做出判决,进而判断出码型。该方法判决函数构造简单,计算复杂度 低,在MIMO盲识别系统中得到了广泛的应用。但是该方法在工程实践中进行MIMO 检测时,存在的不足是:对多种具有相同分组长度和每分组内符号数的编码模式无法 识别。
文献[2V.Choqueuse,K.Yao et al.,Blind recognition of linear space time block codes. IEEE Int.Conf.Acoust.Speech Signal Process,2008,2833-2836]中提出的决策分类检 测算法属于时滞相关算法。它根据不同空时分组码的相关矩阵在不同时延下的 Frobenius范数的差异性,采用逐级对比,实现对空时分组码的盲识别。由于该方法 可识别的码型较广,而且对正交空时分组码的检测性能非常优越,因此在MIMO检 测中也得到了一定的应用。但该方法在MIMO盲识别系统中还存在很多的不足:主 要表现在对多种具有相同F范数解的码型无法区分,计算复杂度随着采样时间长度成 几何倍数增加。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于部分序列参数检测的 空时码模式盲识别方法,以提高空时码码型识别范围,降低计算的复杂度。
实现本发明目的地技术思路是:通过采用特征量预估计技术,对多路接收信号进 行分组特征量预估计,利用估计出的分组特征量,缩小空时码集合;接着利用部分序 列码参数检测技术,进行部分序列码参数检测,利用检测出的部分序列码参数在缩小 的空时码集合中找到判决码型。具体方案包括如下步骤:
1)接收端通过r根接收天线接收发射端发送的长度为N的信号序列,得到 r×N的接收信号矩阵R',其中N≥64,r≥2;
2)利用所有需要识别的空时码,组成码型集合Ω,取Ω中每种码型的分组符号 数s和分组长度k的组合(s,k)构成特征量集合(U,V),记第i个组合为(si,ki),
i=1,2...Ζ,Ζ为特征量集合(U,V)中组合个数;
3)将接收信号矩阵R'的实部和虚部并联,获得并联矩阵R,即
其中Re(·)表示取实部运算,Im(·)表示取虚部运算;
4)计算特征量函数值:
4a)对于特征量集合(U,V)中的第i个特征量组合(si,ki),构造分组相关矩阵Ri:
其中R(τ)表示并联矩阵R的第τ列,τ=1,2...N;
4b)计算分组相关矩阵Ri的分组协方差矩阵:Ci=E[RiRiT],其中E[·]表示求期 望运算,(·)T表示转置运算;
4c)对分组协方差矩阵Ci做特征值分解,将得到的特征值按降序排列,构成特征 值向量其中,ρη为分组协方差矩阵Ci的特征值,η=1,2,...2rki, 取特征值向量的前2si个特征值构成有效特征值向量用剩余的特征值构成噪声 特征值向量即
4d)根据步骤4c),求出特征量组合(si,ki)对应的特征量函数值M(si,ki):
5)预估计特征量,得到新空时码集合Ω':
5a)对特征量集合(U,V)中的每种组合重复步骤4,得到每种组合对应的特征量 函数值,组成特征量函数值向量:Φ=[M(s1,k1),M(s2,k2)...M(sm,km...)],其中, m=1,2,...Ζ;
5b)找出特征量函数值向量Φ中数值最小的元素对应的特征量组合得到 新空时码集合Ω';
6)写出新空时码集合Ω'中第j种码型的编码矩阵每一列的符号数,组成符号 数向量Pj,其中j=1,2...T,T为新空时码集合Ω'的码型数;
7)估计部分符号数:
7a)利用步骤(3)中的R和步骤(5b)中的分组长度k,构造部分相关矩阵V:
其中,β为新空时码集合Ω'中码型的编码矩阵的列标,β=1,2,...k;
7b)计算部分相关矩阵V的部分协方差矩阵:D=E[VVT],对部分协方差矩阵D 做特征值分解,将得到的特征值按降序排列,构成部分特征值向量 其中εγ为部分协方差矩阵D的特征值,γ=1,2,...2rk;
7c)分别将
进而得到似然函数值向量
7d)取似然函数值向量L中数值最大元素对应的n为部分符号数;
8)计算距离判决值向量:
8a)重复步骤(7),估计出编码矩阵每一列的部分符号数,得到参数估计向量
Ψ=[n(1),n(2),...n(β)...],其中n(β)为编码矩阵第β列的部分符号数;
8b)利用步骤(6)中的符号数向量Pj,计算符号数向量Pj与参数估计向量Ψ的距离 判决值θj=(Pj-Ψ)2;
8c)重复步骤(8b),得到新空时码集合Ω'中每种码型与参数估计向量Ψ的距离判 决值,构成距离判决值向量Π=[θ1,θ2...θT];
9)取距离判决值向量Π中数值最小的元素对应的码型为判决码型,完成空时码模 式盲识别。
本发明与现有技术相比具有以下优点:
第一,本发明由于采用了部分序列参数检测技术,可以估计出空时码编码矩阵每 一列的编码符号数,并通过每一列的符号数识别出发送码型,克服了现有技术中时滞 相关算法不能识别具有相同时滞相关范数的码型,最大似然函数算法不能识别具有相 同分组长度和分组符号数码型的不足,使得本发明增大了空时码的识别范围。
第二,本发明由于采用了部分序列参数检测技术,故可以利用估计的部分序列参 数直接判决码型,因而不需要计算接收信号的时滞相关范数,克服了时滞相关算法中 对空时码的时滞相关范数计算量大,导致的系统实现复杂度高的缺点,使本发明实现 的复杂度明显降低。
附图说明
图1是本发明使用的系统框图;
图2是本发明的实现流程图;
图3是用本发明在不同参数下的识别正确率图;
图4是本发明与现有两种盲识别方法的识别正确率对比图。
具体实施方式
参照图1,本发明使用的系统包括:t根发射天线,r根接收天线,调制方式为 4QAM。在发射端,串行发送序列经空时编码后转换为并行发送序列,再将并行序列 调制后发送出去。在接收端,接收信号矩阵为R':R'=HX+B,其中,t≥2,r>t, H为元素独立的服从复高斯分布的信道矩阵,X为发射的信息序列,B为高斯白噪 声矩阵,本实例中t=3。
本发明就是根据接收信号矩阵R',盲识别出发送端使用的空时编码模式。
参照图2,本发明的具体实现步骤如下:
步骤1,接收端通过r根接收天线接收发射端发送的长度为N的信号序列,得 到r×N的接收信号矩阵R',N≥64,本实例中N=1024或N=512,r=8或6。
步骤2,获取特征量集合(U,V):
2a)利用所有需要识别的空时码,组成码型集合Ω,Ω包括正交空时分组码, 准正交空时分组码和非正交空时分组码。本实例中码型集合Ω为:Ω ={BALST(3,1),
Tarokh-OSTBC(4,8),Ganesan1-OSTBC(3,4),Ganesan2-OSTBC(3,4),Tarokh-OSTBC( 3,4),Tarokh-OSTBC(4,4)},
其中,BLAST为分层空时码,OSTBC为正交空时分组码,空时码后的括号 内容代表码型的分组符号数s和分组长度k的组合;
2b)取Ω中所有的特征量组合(s,k)构成特征量集合(U,V),本实例中集合 (U,V)为:(U,V)={(3,1),(4,8),(3,4),(4,4)},记集合中第i个组合为(si,ki),i=1,2...Ζ, Ζ为特征量集合(U,V)中组合个数,本实例中Z=4,每一种组合(si,ki)对应空时 码集合Ω中的一种码型或多种码型。
步骤3,将接收信号矩阵R'的实部和虚部并联,获得并联矩阵R:
其中Re(·)表示取实部运算,Im(·)表示取虚部运算。
步骤4,计算特征量函数值:
4a)对于特征量集合(U,V)中的第i个特征量组合(si,ki),构造分组相关矩阵Ri:
其中R(τ)表示并联矩阵R的第τ列,τ=1,2...N;
4b)计算分组相关矩阵Ri的分组协方差矩阵:Ci=E[RiRiT],其中E[·]表示求期 望运算,(·)T表示转置运算;
4c)采用正交对角分解法对分组协方差矩阵Ci做特征值分解,即先在分组协方差 矩阵Ci两边分别乘以正交矩阵Q及其转置矩阵,得到特征值对角矩阵Δ=QTCiQ;再 从特征值对角矩阵Δ中提取分组协方差矩阵Ci的特征值;
4d)将得到的特征值按降序排列,构成特征值向量其中,ρη为分组协方差矩阵Ci的特征值,η=1,2,...2rki,取特征值向量的前2si个特征值构 成有效特征值向量用剩余的特征值构成噪声特征值向量即:
4e)根据步骤4d),求出特征量组合(si,ki)对应的特征量函数值M(si,ki):
其中∏(·)表示向量元素连乘运算。
步骤5,预估计特征量,得到新空时码集合Ω'。
5a)对特征量集合(U,V)中的每种组合重复步骤4,得到每种组合对应的特征量 函数值,组成特征量函数值向量:Φ=[M(s1,k1),M(s2,k2)...M(sm,km)...],其中, m=1,2,...;
5b)找出特征量函数值向量Φ中数值最小的元素对应的特征量组合得到新空时码集合Ω',它由空时码集合Ω中所有分组符号数为且分组长度 为k的码型组成的集合,该集合包括一种或多种码型,其中
步骤6,写出新空时码集合Ω'中第j种码型的编码矩阵每一列的符号数,组成 符号数向量Pj,该第j种码型的编码矩阵与新空时码集合Ω'中其他码型的编码矩阵 具有相同的列数,但每一列含有的编码符号数不尽相同,其中j=1,2...T,T为新空时 码集合Ω'的码型数。
步骤7,估计部分符号数。
7a)利用步骤(3)中的并联矩阵R和步骤(5b)中的分组长度k,构造部分相关矩阵 V:
其中,β为新空时码集合Ω'中码型的编码矩阵的列标,β=1,2,...k;
7b)计算部分相关矩阵V的部分协方差矩阵:D=E[VVT],采用正交对角分解 法对部分协方差矩阵D做特征值分解,将得到的特征值按降序排列,构成部分特征值 向量其中εγ为部分协方差矩阵D的特征值,γ=1,2,...2rk;
7c)分别将
进而得到似然函数值向量
7d)取似然函数值向量L中数值最大元素对应的n,作为部分符号数。
步骤8,计算距离判决值向量。
8a)重复步骤(7),估计出编码矩阵每一列的部分符号数,得到参数估计向量:
Ψ=[n(1),n(2),...n(β)...],其中n(β)为编码矩阵第β列的部分符号数;
8b)利用步骤(6)中的符号数向量Pj,计算符号数向量Pj与参数估计向量Ψ的距离 判决值θj=(Pj-Ψ)2;
8c)重复步骤(8b),得到新空时码集合Ω'中每种码型与参数估计向量Ψ的距离判 决值,构成距离判决值向量Π=[θ1,θ2...θT]。
步骤9,取距离判决值向量Π中数值最小的元素对应的码型作为判决码型,完成 空时码模式盲识别。
本发明的效果可通过以下仿真进一步详细说明。
仿真1:在三组不同的参数下,仿真本发明对空时码集合Ω中空时码的识别正 确率,仿真结果如图3。其中:图3中的实线代表发射天线为3,接收天线为8,发 送序列长度N=1024的系统识别正确率,图3中的带圈实线代表发射天线为3,接收 天线为6,发送序列长度N=1024的系统识别正确率,图3中的虚线代表发射天线为 3,接收天线为8,发送序列长度N=512的系统识别正确率,
从图3可以看出:实线在带圈实线之上,说明通过提高接收天线的数量可以提 高本发明对空时码集合Ω的识别正确率;实线在虚线之上,说明增加发送序列长度可 以提高本发明对空时码集合Ω的识别正确率。
仿真2:用本发明与现有两种盲识别方法对空时码集合Ω进行识别。
现有两种盲识别方法为:
文献[1V.Choqueuse,M.Marazin et al.,Blind recognition of linear space time block codes:A likelihoodbased approach.IEEE Trans.Signal Processing,58(3),2010, 1290-1299]中提出的码参数检测算法,它根据最大似然准则对所有候选集码型,构造 仅与编码参数有关的似然函数,通过比较不同编码模式的似然函数,对编码参数做出 判断,进而得出判决码型,在本仿真中简记为码参数检测方法。
文献[2V.Choqueuse,K.Yao et al.,Blind recognition of linear space time block codes.IEEE Int.Conf.Acoust.Speech Signal Process,2008,2833-2836]中提出的决策 分类检测算法,它根据不同空时分组码的相关矩阵在不同时延下的Frobenius范数的 差异性,采用逐级对比,实现对空时分组码的盲识别,在本仿真中简记为决策分类检 测方法。
设仿真信噪比范围为-5dB~10dB,每隔1dB仿真1000次蒙特卡洛实验,每次蒙 特卡洛实验将空时码集合Ω中的空时码依次发送识别,记录下每个信噪比下的正确识 别次数,进而得到每个信噪比下的识别正确率,即可识别码型占空时码集合Ω的比例, 仿真结果如图4。其中实线代表本发明的识别正确率,带圈实线代表码参数检测方法 的识别正确率,虚线代表决策分类检测方法的识别正确率。
从图4可以看出:实线远远在带圈实线和虚线之上,说明在同信噪比下,本发 明对空时码集合Ω的识别正确率远高于现有的两种盲识别方法。
从图4还可以看出:带圈实线最终趋近于4/6,虚线最终趋近于5/6,而实线最 终趋近于1,说明码参数检测方法可以识别的码型占空时码集合Ω的4/6,决策分类 检测方法可以识别的码型占空时码集合Ω的5/6,而本发明可以将空时码集合Ω中的 码型全部识别,即本发明可以比码参数检测方法和决策分类检测方法识别更多的码型。
机译: 用于操作家用电器(例如,干衣机)以维护衣物的方法,该方法包括基于对硬件变型的检测来定义过程序列的参数集,并通过参数集测试过程序列
机译: 基于模式的数据点时间序列预测的方法金融市场,涉及确定时间序列的当前部分和其他部分之间的相似性
机译: 调整车辆接收器接收参数的方法,包括将接收到的数据包的部分符号序列与期望的部分符号序列进行比较,以调整车辆接收器的接收参数