CN101216547A - 基于迭代消息传递算法的多用户检测器 - Google Patents

Abstract

基于迭代消息传递算法的多用户检测器，涉及到海洋无线电导航系统中的伪码快速捕获方法及多用户检测器。它解决了海洋无线电导航系统中天波干扰严重以及传统方法无法消除天波干扰的问题。它采用了分组串、并结合的干扰抵消结构，将信号根据功率分成多组，组内采用并联干扰抵消结构，组间采用串联干扰抵消结构。本发明中对伪码的捕获过程是采用基于IMPA算法实现，将伪码序列的约束关系用因子图表示，并在因子图上进行软信息的迭代计算，最后得出最大后验估计，然后，根据最大后验估计和判决条件得到一个生成的本地序列。本发明缩短了长伪码的捕获时间，有效提高了捕获概率。它可以应用到卫星导航、第四代移动通信系统和超宽带系统等的信号检测中。

Description

基于迭代消息传递算法的多用户检测器

技术领域

本发明涉及在海洋无线电导航系统中的伪码快速捕获方法及多用户检测器。

背景技术

中短波段具有在海上传播距离远，地波传播稳定的特点，而被广泛应用于导航领域。海洋无线电导航系统利用直达地波信号进行海上导航定位。接收机通过捕获N(N≥3)个导航台的地波信号，测量出接收机载体与导航台之间的伪距，通过定位解算从而确定出载体的位置。在中短波段上，由导航台发射的信号经过两种路径到达接收机：一种是沿地表面传播的地波；一种是经过电离层一次或多次反射到达接收机的天波。白天，到达电离层的天波大部分被电子密度较低的D层吸收；夜间，D层消失，电磁波到达电子密度较大的E层，大部分能量被反射，对地波信号造成较强的干扰，而且由于地波信号强度随着传播距离的增加而逐渐衰减，所以在一定距离以后，天波信号强度会超过地波信号强度，使接收机错误地锁定在天波上，造成定位解偏离实际载体位置。在一些工作区域，天波可以大于地波30dB，这时地波完全淹没在天波信号的旁瓣里，因此如果不消除天波的影响，则在远距离，接收机将不能正常工作，使得系统的工作区域变小。

天波干扰的影响之所以非常严重，主要原因在于天波幅度和相位变化比较快，常规的编码序列捕获进行多径时延估计无法跟踪上天波信号的变化，即无法对天波信号进行快速、准确的捕获。

编码序列的捕获(以相干捕获为例)是指接收机在搜索发送的扩频信号时，调整接收机本地生成编码序列的相位，使本地生成编码序列的相位与发送编码序列的相位一致。现有编码序列的捕获方法有匹配滤波法、滑动相关法等，其中匹配滤波法是用部分伪随机码的码元与接收信号进行匹配(相关)，因此匹配滤波法会降低系统的处理增益，不适合在低信噪比条件下使用；滑动相关法不损失系统的处理增益，而且容易实现，是目前较常用的编码序列捕获方法。在滑动捕获中，全并行捕获的捕获时间最短，但是实现的复杂度最高；全串行捕获的捕获时间最长，实现的复杂度最低；混合捕获是两者的折中。

目前常用的多用户检测器包括串行和并行干扰抵消器。串行干扰抵消器在多径衰落信道中具有较好的鲁棒性，但是由于其采用串行的方式工作，需要对各多径信号功率进行排序，因此在用户较多时具有比较大的解码延迟；并行干扰抵消器采用并行的方式工作，在多阶段处理过程中具有较小的解码延迟，而且不需要对用户功率进行排序，在实现时可以通过多处理器并行处理等优点，因而更具实用价值，但是不适合信号功率相差比较大的场合。在无线电导航系统中天地波功率相差比较大，到达接收机的信号路径比较多，单独采用上述串行或者并行的抵消器均不能满足现有无线导航系统中对天波准确捕获、分离。

现有技术中的IMPA(Iterative Message Passing Algorithms)算法是由信道编码理论发展而来，利用因子图模型，可以将该方法扩展到许多领域，包括信号处理、自动控制、人工智能、神经网络、图论规划等领域，但尚未应用于伪码捕获领域。

IMPA算法介绍：

(一)、单节点情形，参见图3。

一个度为K+1的节点N，如图3所示。K+1条边上的边变量分别为X_i(i＝0，1，…，K)，它们分别在字母表A_i(i＝0，1，…，K)上取值。在单节点情形，消息传递的最终目的在于计算每个变量关于该节点的后验概率。假设已知这K+1个边变量关于节点N的内在概率值P_N ^int(x_i)(i＝0，1，…，K)和约束集S_NA₀×A₁×…×A_n。边变量x₀关于节点N的后验概率为：

外概率P_N ^ext(x₀＝ζ₀)与条件概率P(N|x₀＝ζ₀)的关系如下：

$P_N^{\mathrm{ext}}(x_0={\mathrm{\ζ}}_0)=c_0^{\′}P\left(N\right|x_0={\mathrm{\ζ}}_0)---\left(2\right)$

其中c₀′是归一化常数。

内在概率和后验概率分别为

$P_N^{\mathrm{int}}(x_0={\mathrm{\ζ}}_0)=P(x_0={\mathrm{\ζ}}_0)---\left(4\right)$

$P_N^{\mathrm{post}}(x_0={\mathrm{\ζ}}_0)=P(x_0={\mathrm{\ζ}}_0|N)---\left(5\right)$

节点N所对应的事件N成立，当且仅当节点N相连的K+1个边变量x_i(i＝0，1，…，K)满足局部约束关系。这里，局部约束关系由一个集合S_N来表示，称之为局部约束集(local constraint set)，它是字母表A_i(i＝0，1，…，K)的直积的子集。字母表的直积A₁×A₂×…A_K给出了边变量x_i(i＝1，2，…，K)的所有可能取值的组合，因此按全概率公式 $P\left(E\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P(E,F_k)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(E\right|F_k)P\left(F_k\right)$ 有

$\underset{{\left\{{\mathrm{\ζ}}_i\right\}}_{i=1}^K\∈{\mathrm{\Π}}_{i=1}^K{A}_i}{\mathrm{\Σ}}P(N,{\{x_i={\mathrm{\ζ}}_i\}}_{i=1}^K)=1$

对上式右边求和符号中的每一项，有

$P(N,{x_i={\mathrm{\ζ}}_i\}}_{i=1}^K|x_0={\mathrm{\ζ}}_0)=P\left(N\right|{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K)P\left({{\{x}_i={\mathrm{\ζ}}_i\}}_{i=1}^K\right|x_0={\mathrm{\ζ}}_0)---\left(6\right)$

由于所有边变量{x_i}_i＝0 ^K相互独立，因而上式右边第二项可以写为

$P\left({\{x_i={\mathrm{\ζ}}_i\}}_{i=1}^K\right|x_0={\mathrm{\ζ}}_0)={\mathrm{\Π}}_{i=1}^K{P}_N^{\mathrm{int}}(x_i={\mathrm{\ζ}}_i)---\left(7\right)$

对于式(6)右边的第一项而言，只有当 ${\{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K\∈S_N$ 时条件概率 $P\left(N\right|{\{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K)=1;$ 否则 $P\left({N\left|\right\{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K\right)=0.$ 因此 $P\left(N\right|{\{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K)$ 可以用指示函数(indicator function)表示如下：

$P\left(N\right|{\{x_i={\mathrm{\ζ}}_i\}}_{i=0}^K)=[({\mathrm{\ζ}}_0,{\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)\∈S_N]---\left(8\right)$

综合式(6)，(7)和(8)，式(5)可以写成

$P\left(N\right|x_0={\mathrm{\ζ}}_0)=\underset{{\left\{{\mathrm{\ζ}}_i\right\}}_{i=1}^K\∈{\mathrm{\Π}}_{i=1}^K{A}_i}{\mathrm{\Σ}}[({\mathrm{\ζ}}_0,{\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)\∈S_N]{\mathrm{\Π}}_{i=1}^K{P}_N^{\mathrm{int}}(x_i={\mathrm{\ζ}}_i)---\left(9\right)$

在上式中，求和符号仅对[(ζ₀，ζ₁，…，ζ_K)∈S_N]＝1的项求和，因此可以把指示函数合并到求和范围中去，这样就有

$P\left(N\right|x_0={\mathrm{\ζ}}_0)=\underset{({\mathrm{\ζ}}_0,{\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)\∈S_N}{\underset{({\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)}{\mathrm{\Σ}}}{\mathrm{\Π}}_{i=1}^K{P}_N^{\mathrm{int}}(x_i={\mathrm{\ζ}}_i)---\left(10\right)$

由外概率的定义(见式(2))，x₀关于节点N的外概率为：

$P_N^{\mathrm{ext}}\left(x_0\right)=c_0^{\′}P\left(N\right|x_0={\mathrm{\ζ}}_0)=c_0^{\′}\underset{({\mathrm{\ζ}}_0,{\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)\∈S_N}{\underset{({\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)}{\mathrm{\Σ}}}{\mathrm{\Π}}_{i=1}^K{p}_N^{\mathrm{int}}(x_i={\mathrm{\ζ}}_i)---\left(11\right)$

这样就推导出了x₀关于节点N的外概率的计算式。又由式(11)，x₀关于节点N的后验概率可以按下式计算，

$P_N^{\mathrm{post}}\left(x_0\right)=c_0{P}_N^{\mathrm{ext}}\left(x_0\right)P_N^{\mathrm{int}}\left(x_0\right)=c_0{c}_0^{\′}\underset{({\mathrm{\ζ}}_0,{\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)\∈S_N}{\underset{({\mathrm{\ζ}}_1,\·\·\·,{\mathrm{\ζ}}_K)}{\mathrm{\Σ}}}{\mathrm{\Π}}_{i=0}^K{p}_N^{\mathrm{int}}(x_i={\mathrm{\ζ}}_i)---\left(12\right)$

到此为止，有关单节点情形中的消息传递已经很清楚了。如果选择约束集S_N为奇偶校验集，那么单节点中的消息传递可以对应于单检码((single paritycheck code)的最大后验概率译码。

(二)双节点情形，参见图4。

图4所示的由节点L和节点R构成的双节点图。节点L和节点R由公共边(或称为内边)x₀连接在一起。在图4中，除了x₀之外，节点L还与其它K个边变量相连，而节点R还与另外K′个边变量相连。记图4所示的双节点图为G，它包含两个节点、K+K′个外边变量和一个内边变量。假设已知所有外边变量的内在概率，同时令内边变量关于图G的内在概率是等概率分布，即

$P_G^{\mathrm{int}}\left(x_i^L\right)=P\left(x_i^L\right),i=\mathrm{1,2},\·\·\·,K;$

$P_G^{\mathrm{int}}\left(x_i^R\right)=P\left(x_i^R\right),i=\mathrm{1,2},\·\·\·,K^{\′};$

$P_G^{\mathrm{int}}\left(x_0\right)=1/\left|A_0\right|$

记节点L(R)的约束集为S_L(S_R)，图G的约束集为S_G，则S_G由所有同时满足S_L和S_R的K+K′+1个边变量的取值组合(x₀，x₁ ^L，x₂ ^L，…，x_K ^L，x₁ ^R，x₂ ^R，…，x_K′ ^R)构成。判断K+K′+1个边变量的是否属于S_G可以用指示函数表示，

$[(x_0,x_1^L,x_2^L,\·\·\·,x_K^L,x_1^R,x_2^R,\·\·\·,x_{K^{\′}}^R)\∈S_G]$

$=[(x_0,x_1^L,x_2^L,\·\·\·,x_K^L)\∈S_L][(x_0,x_1^R,x_2^R,\·\·\·,x_{K^{\′}}^R)\∈S_R]---\left(13\right)$

为了描述方便，将所有边变量重新编号有，

$(x_0,x_1,x_2,\·\·\·,x_{K+K^{\′}})=(x_0,x_1^L,x_2^L,\·\·\·,x_K^L,x_1^R,x_2^R,\·\·\·,x_{K^{\′}}^R)$

这样，类似式(11)的推导可以得到任何边变量关于图G的外概率为

$P_G^{\mathrm{ext}}\left(x_i\right)=c_i^{\′}\underset{~\left\{x_i\right\}}{\underset{(x_0,x_1,\·\·\·,x_{K+K^{\′}})\∈S_G}{\mathrm{\Σ}}}\underset{j\≠i}{\overset{K+K^{\′}}{\underset{j=0}{\mathrm{\Π}}}}{P}_G^{\mathrm{int}}\left(x_j\right)---\left(14\right)$

其中～{x_i}表示除了变量x_i之外的其它所有变量，上式中的求和符号表示当变量x_i取某个固定值时对所有满足S_G的取值组合求和。由于上式中求和符号涉及到K+K′个变量，如果每个变量都是二元的，那么总共有2^K+K′个求和项。而由式(11)可知单节点时只有2^K个求和项，因此如果能将双节点时的外概率计算转换成单节点的外概率计算将会大大降低复杂度。

容易证明事件L、{x₀＝ζ₀}和事件R构成一条马尔科夫链，即

P(L，R|x₀)＝P(L|x₀)P(R|x₀)                 (15)

事实上，由全概率公式有

$P(L,R|x_0)=\underset{{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}}{\mathrm{\Σ}}P(L,R,{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}|x_0)$

$=\underset{{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}}{\mathrm{\Σ}}P(L,R,{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}|x_0)P({\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}|x_0)---\left(16\right)$

对于上式右边第一项，当 $({\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}},x_0)\∈S_G$ 时取值为1，否则取值为0。因此可以用指示函数(式(13))表示如下，

$P(L,R|{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}},x_0)=[(x_0,{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})\∈S_G]---\left(17\right)$

$=[(x_0,{\left\{x_i^L\right\}}_{i=1}^K)\∈S_L][\left(x_0{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}\right)\∈S_R]=P\left(L\right|x_0,{\left\{x_i^L\right\}}_{i=1}^K)P\left(R\right|x_0,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})$

又由{x_i ^L}_i＝1 ^K，{x_i ^R}_i＝1 ^K′，x₀相互独立，因此式(16)可以分解为

$P({\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}|x_0)=P\left({\left\{x_i^L\right\}}_{i=1}^K\right)P\left({\left\{x_i^R\right\}}_{i=1}^{K^{\′}}\right)---\left(18\right)$

将式(17)和(18)代入式(16)，得

$P(L,R|x_0)=\underset{{\left\{x_i^L\right\}}_{i=1}^K,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}}{\mathrm{\Σ}}P\left(L\right|{\left\{x_i^L\right\}}_{i=1}^K,x_0)P\left(R\right|{\left\{x_i^R\right\}}_{i=1}^{K^{\′}},x_0)P\left({\left\{x_i^L\right\}}_{i=1}^K\right|x_0)P\left({\left\{x_i^R\right\}}_{i=1}^{K^{\′}}\right|x_0)$

$=\left(\underset{{\left\{x_i^L\right\}}_{i=1}^K}{\mathrm{\Σ}}P\left(L\right|{\left\{x_i^L\right\}}_{i=1}^K,x_0)P\left({\left\{x_i^L\right\}}_{i=1}^K\right|x_0)\right)\left(\underset{{\left\{x_i^R\right\}}_{i=1}^{K^{\′}}}{\mathrm{\Σ}}P\left(R\right|{\left\{x_i^R\right\}}_{i=1}^{K^{\′}},x_0)P\left({\left\{x_i^R\right\}}_{i=1}^{K^{\′}}\right|x_0)\right)$

$=P\left(L\right|x_0)P\left(R\right|x_0)$

这样就得到了式(15)，从而证明了事件L，{x₀＝ζ₀}和事件R构成一条马尔科夫链。

现在考虑边变量x₁ ^R关于图G的外概率，有

$P_G^{\mathrm{ext}}\left(x_1^R\right)=c_{1R}^{\′}P(L,R|x_1^R)$

其中c_1R′为归一化常数。又由全概率公式，上式中的条件概率可以写成

$P(L,R|x_1^R)=\underset{x_0,{\left\{x_i^R\right\}}_{i=2}^R}{\mathrm{\Σ}}P(L,R,x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}|x_1^R)$

$=\underset{x_0,{\left\{x_i^R\right\}}_{i=2}^{k^{\′}}}{\mathrm{\Σ}}P\left(R\right|L,x_0{\left\{x_i^R\right\}}_{i=2}^{K^{\′}},x_1^R)P(L,x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}|x_1^R)---\left(19\right)$

$=\underset{x_0,{\left\{x_i^R\right\}}_{i=2}^{k^{\′}}}{\mathrm{\Σ}}P\left(R\right|L,x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}},x_1^R)P\left(L\right|x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}},x_1^R)P(x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}|x_1^R)$

由事件L、{x₀＝ζ₀}和事件R构成马尔科夫链，上式右边第一项和第二项分别可以化简成

$P\left(R\right|L,x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}},x_1^R)=P\left(R\right|x_0,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})---\left(20\right)$

$P(L,x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}},x_1^R)=P\left(L\right|x_0)---\left(21\right)$

同时，由边变量相互独立，式(19)右边的第三项可以分解为

$P(x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}|x_1^R)=P_G^{\mathrm{int}}\left(x_0\right){\mathrm{\Π}}_{i=2}^{K^{\′}}{P}_G^{\mathrm{int}}\left(x_i^R\right)---\left(22\right)$

将式(20)-(22)代入式(19)得

$P(L,R|x_1^R)=\underset{x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}}{\mathrm{\Σ}}P\left(R\right|x_0,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})P\left(L\right|x_0)P_G^{\mathrm{int}}\left(x_0\right){\mathrm{\Π}}_{i=2}^{K^{\′}}{P}_G^{\mathrm{int}}\left(x_i^R\right)---\left(23\right)$

因此，边变量R关于图G的外概率为

$P_G^{\mathrm{ext}}\left(x_1^R\right)=c_{1R}^{\′\′}P(L,R|x_1^R)=c_{1R}^{\′\′}\underset{x_0,{\left\{x_i^R\right\}}_{i=2}^{K^{\′}}}{\mathrm{\Σ}}P\left(R\right|x_0,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})P\left(L\right|x_0)P_G^{\mathrm{int}}\left(x_0\right){\mathrm{\Π}}_{i=2}^{K^{\′}}{P}_G^{\mathrm{int}}\left(x_i^R\right)---\left(24\right)$

此外，由于 $P_G^{\mathrm{int}}\left(x_0\right)(=1/|A_0\left|\right)$ 是个常数，因此可以将它归并到归一化常数中去，同时将条件概率P(R|x₀，{x_i ^R}_i＝1 ^K′)归并到求和范围中，于是有

$P_G^{\mathrm{ext}}\left(x_1^R\right)=c_{1R}^{\′\′}P(L,R|x_i^R)=c_{1R}^{\′\′}\underset{~\left\{x_1^R\right\}}{\underset{(x_0,{\left\{x_i^R\right\}}_{i=1}^{K^{\′}})\∈S_R}{\mathrm{\Σ}}}P\left(L\right|x_0){\mathrm{\Π}}_{i=2}^{K^{\′}}{P}_G^{\mathrm{int}}\left(x_i^R\right)---\left(25\right)$

对比式(11)和(25)不难发现：如果令

$P_R^{\mathrm{int}}\left(x_0\right)=c_0^{\′}P\left(L\right|x_0)=P_L^{\mathrm{ext}}\left(x_0\right)---\left(26\right)$

$P_R^{\mathrm{int}}\left(x_i^R\right)=P_G^{\mathrm{int}}\left(x_i^R\right)$

那么由式(11)计算所得的边变量x₁ ^R关于节点R的外概率P_R ^int(x₁ ^R)等于边变量x₁ ^R关于G的外概率P_R ^ext(x₁ ^R)。因此，如果对整个图采用式(27)所示的赋值关系，那么边变量关于图G的外概率计算就可以通过边变量关于节点的外概率计算得到，从而大大降低了计算复杂度。

$P_R^{\mathrm{int}}\left(x_i^R\right)=P_G^{\mathrm{int}}\left(x_i^R\right),P_L^{\mathrm{int}}\left(x_i^L\right)=P_G^{\mathrm{int}}\left(x_i^L\right)$

$P_R^{\mathrm{int}}\left(x_0\right)=c_0^{\′}P\left(L\right|x_0)=P_L^{\mathrm{ext}}\left(x_0\right),P_L^{\mathrm{int}}\left(x_0\right)=c_0^{\′\′}P\left(R\right|x_0)=P_R^{\mathrm{ext}}\left(x_0\right)---\left(27\right)$

当开始计算时，首先将外边变量关于图的内在概率赋值给它关于所连节点的内在概率。外边变量只与一个节点相连，因此只需将它关于图的内在概率赋给它关于所连节点的内在概率即可。有了这些内在概率之后，内边变量x₀关于它所连的两个节点的外概率就可以通过式(11)计算得到。然后将内边变量x₀关于所连节点R的外概率P_R ^ext(x₀)赋值给P_L ^int(x₀)，同样将内边变量x₀关于所连节点L的外概率P_L ^ext(x₀)赋值给P_R ^int(x₀)。这样两个节点所连边变量的内在概率都已知，仍然采用式(11)计算得到各个外边变量的外概率，进而得到它们关于整个图的后验概率。

通过以上论述，可以得出如下结论：内边变量关于所连一个节点的外概率即为它关于所连另一个节点的内在概率。将上述结果推广到一般图中，不难发现，如果是无环图的话，按照上述方法可以准确计算出各个外边变量关于整个图的后验概率。如果存在环时，在理论上已经证明消息传递算法收敛于贝斯(Bethe)自由能量的平衡点；在实际中，大量仿真结果都表明消息传递算法可以非常好的逼近最大后验概率译码，而计算复杂度却大大小于真正的最大后验概率译码。

发明内容

为了解决海洋无线电导航系统中天波对地波干扰大，传统方法无法消除天波干扰的问题，本发明提出一种基于基于迭代消息传递算法的多用户检测器。

基于迭代消息传递算法的多用户检测器包括：用于将接收到的信号进行解调进而获得解调信号的解调装置20，A个用于对多路信号进行捕获跟踪以及信号重构的并联信号捕获及重构装置10，所述A个并联信号捕获及重构装置10按照功率从大到小分别为一级、二级……直到末级，其中一级至A-1级的并联信号捕获及重构装置10的结构相同，均是由b个信号捕获及重构模块11和一个干扰消除模块组成，所述干扰消除模块将b个信号捕获及重构模块11输出信号的叠加和，从并联信号捕获及重构装置10的输入信号中减去后，输出给下一级并联信号捕获及重构装置10，解调装置20输出解调信号给一级并联信号捕获及重构装置10，末级并联信号捕获及重构装置10由b个信号捕获及重构模块11和并行干扰消除模块13组成，并行干扰消除模块13由延时模块15、累加模块14和b个减法模块16组成，所述累加模块14将b个信号捕获及重构模块11的输出信号u₁、u₂、……u_b累加后再分别减去b个信号捕获及重构模块11的输出信号u₁、u₂、……u_b获得b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_2,\·\·\·\·\·\·\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_b,$ b个减法模块16分别用末级并联信号捕获及重构装置10输入信号经过延时模块15延时后的信号减去所述b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_2,\·\·\·\·\·\·\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_b,$ 最终获得b个输出信号。

所述b等于多用户检测器能够接收的信号路数。

所述的干扰消除模块包括延迟模块和减法模块，减法模块用于将b个信号捕获及重构模块11输出的信号和从延迟模块延时后的并联信号捕获及重构装置10的输入信号中减去后输出给下一级并联信号捕获及重构装置10。

本实施方式所述的信号捕获及重构模块11对伪码的捕获过程为：

步骤一、截取一段解调后的信号片段，获取码元级信息；

步骤二、将获取的码元级信息应用于IMPA算法，进而获取生成的本地伪码序列；

步骤三、将获取的本地伪码序列与接收序列进行相关，判断是否实现了对伪码的捕获，如果序列的相关值超过了阈值，则捕获成功，执行步骤四；否则，捕获失败，截取另一段信号片段，并获取新的码元级信息，返回步骤二重新获取生成的本地伪码序列；

步骤四、将成功捕获的信号进行信道估计和信号重构，捕获完成。

本发明采用了分组串、并结合的干扰抵消方法，它消除了现有单独串行干扰抵消方法和并行干扰抵消方法的缺点，并同时拥有了现有单独串行干扰抵消方法和并行干扰抵消方法的优点，它能够保持较小的数据延迟，减小了中间数据的存储量。

本发明中所述的信号捕获及重构模块11对伪码的捕获过程是采用基于背景技术中介绍的IMPA算法的思想来实现的，将伪码序列的约束关系用因子图表示，并在因子图上进行软信息的迭代计算，最后得出最大后验估计，然后，根据最大后验估计和判决条件得到一个生成的本地序列，本发明所述的基于IMPA算法的伪码快速捕获方法能够有效解决长伪码捕获的捕获时间问题，同时还有效的提高了捕获的捕获概率。如图8所示为信噪比在-15db条件下，采用本发明的快速捕获方法进行伪码捕获的捕获概率随IMPA算法的迭代次数变化的曲线，由图可见通过增加迭代次数能够有效提高对信号的捕获概率，但受到信噪比的限制。如图9所示为全串行捕获的捕获概率随信噪比变化的曲线、全并行捕获的捕获概率随信噪比变化的曲线和迭代次数为20次时本发明的快速捕获方法的捕获概率随信噪比变化的曲线，由图9可以看出基于IMPA算法的伪码快速捕获在较低的信噪比条件下，捕获概率始终大于等于全并行方式，当信噪比大于-13.5db之后，基于IMPA算法的伪码快速捕获的捕获概率始终大于等于串行捕获的捕获概率。当信噪比大于-11db之后，基于IMPA算法的伪码快速捕获的捕获概率始终保持在100％，捕获性能很稳定。

图10为无线情况下，同时存在强信号和弱信号，强信号抵消后的效果图。其中(a)为干扰抵消相关峰值图，(b)为(a)的局部放大图。从图(b)可以看出，强信号抵消以后，强信号的自相关旁瓣减小，弱信号的信噪比性能得到明显改善。

本发明所述的基于迭代消息传递算法的多用户检测器能够满足海上无线电导航系统远距离导航定位需求，可以应用到现有海上无线电导航系统中，还可以推广到其它相关领域，如卫星导航、第四代移动通信系统和超宽带系统中，解决长伪随机码的快速捕获和多址干扰消除问题。

附图说明

图1是导航定位系统的工作原理图，其中50是用于信号捕获和干扰抵消的多用户检测器，图2是本发明的基于迭代消息传递算法的多用户检测器的结构示意图，图3是现有IMPA算法中的单节点信息传递图，图4是现有IMPA算法中的双节点信息传递图，图5是具体实施方式二中所述的15阶伪码的因子图，图6是图4中因子图上校验节点2与变量节点1的局部放大图，图7是实现具体实施方式二所述的基于迭代消息传递算法的多用户检测器的结构图，图8捕获概率与迭代次数之间的关系图，图9捕获概率与信噪比之间的关系图，图10为天波干扰抵消效果图。

具体实施方式

具体实施方式一：本实施方式的基于迭代消息传递算法的多用户检测器包括：用于将接收到的信号进行解调进而获得解调信号的解调装置20，A个用于对多路信号进行捕获跟踪以及信号重构的并联信号捕获及重构装置10，所述A个并联信号捕获及重构装置10按照功率从大到小分别为一级、二级……直到末级，其中一级至A-1级的并联信号捕获及重构装置10的结构相同，均是由b个信号捕获及重构模块11和一个干扰消除模块组成，所述干扰消除模块将b个信号捕获及重构模块11输出信号的叠加和、从并联信号捕获及重构装置10的输入信号中减去后，输出给下一级并联信号捕获及重构装置10，解调装置20输出解调信号给一级并联信号捕获及重构装置10，末级并联信号捕获及重构装置10由b个信号捕获及重构模块11和并行干扰消除模块13组成，并行干扰消除模块13由延时模块15、累加模块14和b个减法模块16组成，所述累加模块14将b个信号捕获及重构模块11的输出信号u₁、u₂、……u_b累加后再分别减去b个信号捕获及重构模块11的输出信号u₁、u₂、……u_b获得b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_2,\·\·\·\·\·\·\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_b,$ b个减法模块16分别用末级并联信号捕获及重构装置10输入信号经过延时模块15延时后的信号减去所述b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_2,\·\·\·\·\·\·\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{u}_i-u_b,$ 最终获得b个输出信号。

本实施方式所述的干扰消除模块包括延迟模块和减法模块，减法模块用于将b个信号捕获及重构模块11输出的信号和从延迟模块延时后的并联信号捕获及重构装置10的输入信号中减去后输出给下一级并联信号捕获及重构装置10。

本实施方式所述的信号捕获及重构模块11对伪码的捕获过程为：

步骤一、截取一段解调后的信号片段，获取码元级信息；

步骤二、将获取的码元级信息应用于IMPA算法，进而获取生成的本地伪码序列；

步骤三、将获取的本地伪码序列与接收序列进行相关，判断是否实现了对伪码的捕获，如果序列的相关值超过了阈值，则捕获成功，执行步骤四；否则，捕获失败，截取另一段信号片段，并获取新的码元级信息，返回步骤二重新获取生成的本地伪码序列；

步骤四、将成功捕获的信号进行信道估计和信号重构，捕获完成。

在步骤一中所述的信号片段含有多个码元；

在步骤二中获取生成的本地伪码序列的过程为：将所述码元级信息作为码元级软信道初始信息应用于IMPA算法中，通过算法的反复迭代运算后，根据判断准则每次可以得到由0、1组成的N组状态估计值(N的值可由用户自行确定和修改)，从出现次数最多的一组状态估计值开始，把选定的状态估计值作为生成本地伪码序列的移位寄存器的初始状态，根据选择的状态估计值、状态估计值在序列中出现的位置和m序列的生成多项式及其逆反多项式便可以得到生成的本地伪码序列；

具体实施方式二：参见图7说明本实施方式。本实施方式所述的基于迭代消息传递算法的多用户检测器包括两级并联信号捕获及重构装置10，每级并联信号捕获及重构装置有三路信号，一级并联信号捕获及重构装置用于捕获和重构功率比较大的地波信号，末级并联信号捕获及重构装置用于捕获和重构功率比较小的地波信号。

将无线电信号根据功率大小分为两组，功率较大的天波分为一组，功率较低的地波分为一组，每组有N路信号，每组内的N路信号采用并行干扰抵消方式，组间采用串行干扰抵消方式；在第一组中分别对每路信号中的天波信号进行捕获，然后对捕获到的天波信号进行信道估计和信号重构后，将N路天波信号叠加在一起输出给干扰消除模块，将所述天波信号从输入信号中扣除，扣除天波信号的输入信号输入到下一组进行地波信号捕获。

本实施方式中捕获多项式为g(D)＝1+D+D¹⁵([100003]₈)的15级m序列伪码的快速捕获方法的具体过程为：

生成多项式为g(D)＝1+D+D¹⁵([100003]₈)的15级m序列的生成方式可以用如图4所示的因子图来表示，由m序列生成多项式g(D)＝1+D+D¹⁵可知对于每一个校验节点2存在约束关系x_kx_k-1x_k-15＝0，所以，对应于每一个校验节点2的取值存在四种组合方式(x_k，x_k-1，x_k-15)∈{(0，0，0)，(0，1，1)，(1，0，1)，(1，1，0)}。

在信息传递过程中，所有信息在连接节点的边上双向反复传递，在与校验节点2相连接的变量节点1上IMPA算法将根据多项式的约束关系对信息进行迭代计算。

为了清晰的解释信息在因子图上传递的过程，将图4所示的因子图中的一个校验节点2进行放大，校验节点2的局部结构放大如图5所示。

假设第k时刻的PN码片信号为x_k＝0，1，BPSK调制后的信号波形为 $y_k={(-1)}^{x_k},$ 则经过加性高斯白噪声信道的接收信号为：

$z_k=\sqrt{E_c}{y}_k{e}^{j{\mathrm{\θ}}_c}+n_k=\sqrt{E_c}{(-1)}^{x_k}{e}^{j{\mathrm{\θ}}_c}+n_k,0\≤k\≤M-1---\left(28\right)$

其中，n_k是均值为0，方差为σ的白噪声样值，其单边带功率谱密度为N₀。M是接收序列的长度，θ_c是载波相位偏移，E_c是码片能量，为了描述方便，假设θ_c＝0。由图可知，经过白噪声(服从正态分布)信道，第k个码片的接收似然概率如公式(29)所示：

$P\left(z_k\right|x_k)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}^2}}{e}^{-\frac{{[z_k-{(-1)}^{x^k}\sqrt{E_c}]}^2}{2{\mathrm{\σ}}^2}}---\left(29\right)$

为了计算方便，一般常采用对数似然概率，即：

$\ln P\left(z_k\right|x_k)=C+\frac{\sqrt{E_c}{z}_k{(-1)}^{x^k}}{{\mathrm{\σ}}^2}---\left(30\right)$

其中C为与x_k无关的常量，称上式中与x_k有关的量为码片级软信道信息M_ch[x_k]为：

$M_{\mathrm{ch}}\left[x_k\right]=\frac{2\sqrt{E_c}{z}_k{(-1)}^{x_k}}{N_0},x_k=\mathrm{0,1}---\left(31\right)$

其中z_k是(28)式中相应的实部。

校验节点2的度量M[τ_k]为：

M[τ_k]＝LI_k[x_k-15]+LI_k′[x_k-1]+RI[x_k]                             (32)

由公式(32)可以得到各个节点的消息更新公式如下：

${\mathrm{LO}}_k\left[x_{k-15}\right]=\underset{{\mathrm{\τ}}_k:x_{k-15}}{\min }M\left[{\mathrm{\τ}}_k\right]-{\mathrm{LI}}_k\left[x_{k-15}\right],x_{k-15}=\mathrm{0,1}---\left(33\right)$

${\mathrm{LO}}_k^{\′}\left[x_{k-1}\right]=\underset{{\mathrm{\τ}}_k:x_{k-1}}{\min }M\left[{\mathrm{\τ}}_k\right]-{\mathrm{LI}}_k^{\′}\left[x_{k-1}\right],x_{k-1}=\mathrm{0,1}---\left(34\right)$

${\mathrm{RO}}_k\left[x_k\right]=\underset{{\mathrm{\τ}}_k:x_k}{\min }M\left[{\mathrm{\τ}}_k\right]-{\mathrm{RI}}_k\left[x_k\right],x_k=\mathrm{0,1}---\left(35\right)$

MO[x_k]＝LO_k+1′[x_k]+LO_k+15[x_k]+RO_k[x_k]，x_k＝0，1                  (36)

LI_k′[x_k-1]＝RO_k-1[x_k-1]+LO_k+14[x_k-1]+M_ch[x_k-1]，x_k-1＝0，1       (37)

LI_k[x_k-15]＝RO_k-15[x_k-15]+M_ch[x_k-15]+LO_k-14′[x_k-15]，x_k-15＝0，1 (38)

RI_k[x_k]＝LO_k+1′[x_k]+LO_k+15[x_k]+M_ch[x_k]，x_k＝0，1                 (39)

其中，LO_k[x_k-i]是第k个检验节点向左侧第k-i个变量节点输出的信息；RO_k[x_k]是第k个检验节点向右侧第k个变量节点输出的信息；LI_k[x_k-i]是从左侧第k-i个变量节点向第k个检验节点输入的信息；RI_k[x_k]是从左侧第k个变量节点向第k个检验节点输入的信息。

IMPA算法的处理流程如下：

(1)初始化：

(2)更新消息：

利用公式(33)、(34)对LI_k[x_k-15]和LI_k′[x_k-1]进行更新，利用公式(35)更新RO_k[x_k]，利用公式(37)、(38)、(39)更新LI_k′[x_k-1]、LI_k[x_k-15]和RI_k[x_k]，其中15≤k≤M-15，然后i＝i+1。更新过程如下：LI₁₅[x₀]→…→LI_k[x_k-15]→…→LI_M-15[x_M-30]和LI₁₅′[x₁₄]→…→LI_k′[x_k-1]→…→LI_M-15′[x_M-16]。当0≤k≤14和M-15≤k≤M-1时，由于因子图的特殊结构，校验节点2和变量节点1都存在缺少相应的边的情况，解决的方法是将对应缺少的边上的信息量看作是0即可，不失一般性，以15≤k≤M-15的中间部分为例进行讨论。

(3)移位寄存器状态选择：

将接收到的信号序列划分为每15个码片为一组的互不重合的状态估计向量，即：

M_k[x_k]＝M_ch[x_k]+MO[x_k]                                 (41)

其中15i≤k≤15i+14，i＝0，1…[M/15]

码片估计值的判决准则是：

$\left\{\begin{array}{cc}{\hat{x}}_k=0& M_k[x_k=0]<M_k[x_k=1]\\ {\hat{x}}_k=1& M_k[x_k=0]>M_k[x_k=1]\end{array}\right.---\left(42\right)$

(4)如果i＜I，则返回步骤(2)，否则迭代结束。统计步骤(4)中出现次数最多的N组状态估计值及其在序列中出现的位置。假设使用变量k(k＝1，2，…，N)来表示状态序号，这N组状态将作为生成本地序列的移位寄存器的初始状态。以上过程即为迭代信息传递算法的全部过程，由上述过程可知，通过IMPA算法的判断准则每次可以得到由0、1组成的N组状态估计值，从出现次数最多的一组状态估计值(k＝1)开始，把选定的状态估计值作为生成本地序列的移位寄存器的初始状态，根据选择的状态估计值、状态估计值在序列中出现的位置和m序列的生成多项式g(D)＝1+D+D¹⁵便可以得到生成的本地序列，将生成的本地序列与接收到的序列做相关运算，用来判断是否实现了对伪随机码的捕获。如果序列的相关值超过了阈值则认为捕获到的是正确相位，捕获成功；否则，认为捕获失败，再选另一段信号重新运用上述捕获过程。

Claims (2)

1.基于迭代消息传递算法的多用户检测器，它包括用于将接收到的信号进行解调进而获得解调信号的解调装置(20)，A个用于对多路信号进行捕获跟踪以及信号重构的并联信号捕获及重构装置(10)，其特征在于所述A个并联信号捕获及重构装置(10)按照功率从大到小分别为一级、二级……直到末级，其中一级至A-1级的并联信号捕获及重构装置(10)的结构相同，均是由b个信号捕获及重构模块(11)和一个干扰消除模块组成，所述干扰消除模块将b个信号捕获及重构模块(11)输出信号的叠加和，从并联信号捕获及重构装置(10)的输入信号中减去后，输出给下一级并联信号捕获及重构装置(10)，解调装置(20)输出解调信号给一级并联信号捕获及重构装置(10)，末级并联信号捕获及重构装置(10)由b个信号捕获及重构模块(11)和并行干扰消除模块(13)组成，并行干扰消除模块(13)由延时模块(15)、累加模块(14)和b个减法模块(16)组成，所述累加模块(14)将b个信号捕获及重构模块(11)的输出信号u₁、u₂、……u_b累加后再分别减去b个信号捕获及重构模块(11)的输出信号u₁、u₂、……u_b获得b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_2,\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_b,$ b个减法模块(16)分别用末级并联信号捕获及重构装置(10)输入信号经过延时模块(15)延时后的信号减去所述b个累加和信号 $\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_1,\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_2,\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{u}_i-u_b$ 最终获得b个输出信号。

2.根据权利要求1所述的基于迭代消息传递算法的多用户检测器，其特征在于所述信号捕获及重构模块(11)对伪码的捕获过程为：

步骤一、截取一段解调后的信号片段，获取码元级信息；

步骤二、将获取的码元级信息应用于IMPA算法，进而获取生成的本地伪码序列；

步骤三、将获取的本地伪码序列与接收序列进行相关，判断是否实现了对伪码的捕获，如果序列的相关值超过了阈值，则捕获成功，执行步骤四；否则，截取另一段信号片段，并获取新的码元级信息，返回步骤二重新获取生成的本地伪码序列；

步骤四、将成功捕获的信号进行信道估计和信号重构，捕获完成；

在步骤一中所述的信号片段含有多个码元；

在步骤二中获取生成的本地伪码序列的过程为：将所述码元级信息作为码元级软信道初始信息应用于IMPA算法中，通过算法的反复迭代运算后，根据判断准则每次可以得到由0、1组成的N组状态估计值，从出现次数最多的一组状态估计值开始，把选定的状态估计值作为生成本地伪码序列的移位寄存器的初始状态，根据选择的状态估计值、状态估计值在序列中出现的位置和m序列的特征多项式生成本地伪码序列。

Images