CN102348265A - 一种基于隐马氏模型的cdma无线网络功率控制方法 - Google Patents

Abstract

一种基于隐马氏模型的CDMA无线网络功率控制方法，主要是在CDMA无线网络上行链路内环发射功率的控制新算法。该方法通过假定路径损耗的动态过程满足广泛性的随机过程马氏条件，不假定需要符合任何无线传输的经验模型。控制现场利用快速稳定的隐马氏参数的实时辨识和状态估计算法产生系统模型根本性的参数，具有广泛的适应性和较高的精确度。

Description

一种基于隐马氏模型的CDMA无线网络功率控制方法

技术领域

本发明涉及CDMA无线网络功率控制方法，尤其涉及一种针对CDMA（code-division-multiple-access）无线网络的物理层的发射功率控制方法。 

  

背景技术

功率控制是CDMA系统的一项关键技术。CDMA技术构件的蜂窝移动通信系统，终端用户都采用相同的频谱进行上下链路的数据传输，每个频谱信道都不是完全正交而是近似正交，因而用户与与用户之间存在干扰。每个用户都是本小区内及相邻小区内同时进行通信的用户的干扰源。以宽带CDMA即WCDMA技术标准为例，基站覆盖的小区存在“远近效应”，即离基站远的用户到达基站的信号弱，离基站近的用户到达基站的信号强，信号弱的用户的信号完全有可能被信号强的用户信号淹没，从而造成较远距离的用户完不成通信过程，严重时可能造成整个系统的崩溃。其他信号衰落也会造成同样的不良现象。功率控制的目的就是要保证每个用户所发射的功率到达基站的信号强弱一致，并保持最小，既能符合最低的通信要求，同时又节约用户发射能量和减少系统中的相互干扰，使系统容量最大化。 

CDMA功率控制分为前向功率控制和反向功率控制，反向功率控制又分为开环功率控制和闭环功率控制，闭环功率控制再细分为外环功率控制和内环功率控制。 

前向功率控制指基站周期性调低其发射到用户终端的功率值，用户端测量误帧率，当误帧率超过预定值时，用户端要求基站对它的发射功率增加1%，每个一定时间进行一次调整，用户端的报告分为定期报告和门限报告。反向功率控制在没有基站参与的时候为开环功率控制。用户端根据他接收到的基站发射功率，用其内置的DSP数据信号处理器估算下行链路的衰落以调整自己的发射功率。开环功率控制的主要特点是不需要反馈信息，因此在无线信道突然变化时，它可以快速响应变化，此外，它可以对功率进行较大范围的调整。但是开环功率控制不够精确，这是因为开环功空的衰落估计准确度是建立在上行链路和下行链路具有一致的衰落情况下的，但是由于频率双工FDD模式中，上下行链路的频段相差190MHz,远远大于信号的相关带宽，所以上行和下行链路的信道衰落情况是完全不相关的，这导致开环功率控制的准确度不会很高，只能起到粗略控制的作用。 

反向功率控制在有基站参与的时候为闭环功率控制。其过程是基站对接收到的用户终端发射功率有下行链路反馈回用户终端，以便使用户终端保持最理想的发射功率。闭环功率控制由内环功率控制和外环功率控制两部分组成。在外闭环功率控制中，基站每隔20ms为接收器的每一个帧规定一个目标Eb/lo,当出现帧误差时，该Eb/lo值自动按0.2-0.3为单位逐步减少，或增加3-5db.这里只有基站参与。在内环闭环功率控制中，基站每隔1.25ms比较一次反向信道的Eb/lo和目标Eb/lo,然后指示用户终端降低或增加发射功率，这样就可达到目标Eb/lo。内闭环功率控制是快速闭环功率控制，在基站与用户终端之间的物理层进行。 

闭环功率控制的调整永远落后于测量时的状态值，所以下行功率控制命令中的给用户终端发射功率的指令应该是基于对未来一个时刻的通信环境的预测。无线信号衰落，特别是快衰落的存在导致很难精确预测这种信号衰落。如果在这段时间内通信环境发生大的变化，有可能导致闭坏的崩溃。通常这种预测要借助于某种随机信道模型比如Okumura模型，Hata模型等一些经验模型。此类模型都是基于某些特定环境下的大量实验数据总结出来的。适用的广泛性和结果的精确性都有一定的局限性。 

在无线通信中，由于气候，环境，距离等各种因素的影响，接收到的信号幅度和相位是随机起伏变化的，这种现象被称之为信号衰落（fading）。信号衰落可以分为慢衰落和快衰落。慢衰落主要是由无线电波在长距离传输过程当中能量的损耗和阴影效应引起。阴影效应是指由于由于大型建筑物和其他物体对电波的传输路径的阻挡而在传播接收区域上形成半盲区，从而降低接受信号的强度。快衰落是指移动台附近的散射体（地形，地物和移动体等）引起的多径传播信号在接收点相叠加，造成接收信号快速起伏的现象。还有由于接收的移动台高速运动而引起的传播频率的扩散也是造成块衰落的一个原因。衰落对传输信号的质量和传输可靠度都有很大的影响，严重的衰落甚至会使传播中断。而发射功率控制是克服信号衰落导致的无线通信困难的一个主要技术手段。 

  

发明内容

本发明的目的是为CDMA无线网络提供一种新的内环闭环功率控制方法，通过控制用户终端的发射功率，使得基站的实际信噪比(SIR)接近目标信噪比(TSIR)。此方法建立一种新的随机模型，即隐马氏模型来描述无线信号的衰落，然后利用一定的算法来实时建立该模型的参数以及做出信号衰落的估计和预测，在实时的控制过程中建立具体的信道模型参数，在一定程度上避免了许多常用经验统计模型中由于参数预先固定而不能适应具体通信环境变化而导致的误差。 

为达到上述目的，本发明提供了一种基于隐马氏模型的CDMA无线网络功率控制方法，其基站由功率测量单元PMU (Power Measurement Unit)，目标功率产生器 TPG (Target Power Generator)，信号衰落预测器SFP (Singal Fading Predictor)，控制功率产生器CPG (Controlled Power Generator)4个部分构成，其特征在于，该方法包括： 

（a） 根据通信要求设定一个目标信噪比TSIR向量，并把TSIR向量输入到目标功率产生器TPG，产生目标控制功率向量；

（b）根据某一个用户终端的接收信号强度进行功率测量单元PMU测量，产生真实信道损耗的干扰测量，该干扰测量为真实的接收信号强度和该信号的用户终端真实发射功率比较而产生的差值；

（c） 将真实信道损耗干扰测量输入信号衰落预测器SFP ，并计算出隐马氏模型状态预测值；

（d）将预测值输入控制功率产生器CPG；

（e） 与目标功率产生器TPG所产生的目标信号强度比较，产生控制功率值，并由下行链路传给用户终端；

（f）  在用户终端，根据所得到的发射功率命令相应调整发射功率。

作为本发明的一种改进，所述的CDMA无线网络功率控制方法，基站中的信号衰落预测器SFP包括参数辨识单元PIU (Parameter Identification Unit) 和状态预测单元SPU (State Prediction Unit)。 

进一步的，所述步骤（a）中的TSIR向量是由其他模块根据宏观通信环境的状态和要求生成的。 

更近一步的，所述步骤（c）中的隐马氏模型状态预测值是由PIU算法更新隐马氏模型的信道系统参数后，由SPU算法计算出的，该预测值为时滞之后信道的损耗值。 

本发明的核心在于发展一种基于隐马氏模型 (Hidden Markov Model) 的随机无线信号衰减的估计新方法，此功率控制方法能有效降低干扰，提高服务质量，减少能耗，广泛适用于以CDMA为介质访问方式的无线网络，例如，无线蜂窝系统，无线传感器网络，无线局域网等。 

第一，本发明具有广泛的适用性。由于对无线信号衰落的动态属性只要求满足马氏 (Markovian) 过程，而并不预先给定该动态模型的具体参数，这些参数都是根据实时的通信数据辨识而得到，这种自适应的算法本质决定该方案本发明能够广泛适用于各种不同环境下的通信需要，既可以用于大规模的例如无线蜂窝系统，也可以用于某些低能耗的、复杂通信环境下的无线传感器网络。 

第二，控制精度高。功率控制的精度主要由对新信道的信号衰落的预测精度决定。而本发明中的信道随机模型参数由通信环境实时决定，这样可以避免由于参数不能及时适应通信环境的变化而引起的预测不准确，从而提高整个功率控制的精确度。 

  

附图说明

图1为一种基于隐马氏模型的CDMA无线网络功率控制方法流程原理图； 

图2为检验路经损耗估计准确性实验装置流程图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述，即基于隐马氏模型CDMA无线网络功率控制方法的算法结构；目标功率产生器TPG和控制功率产生单元的算法；隐马氏模型的构建过程及其参数辨识和状态预测算法。 

根据一种基于隐马氏模型的CDMA无线网络功率控制方法流程原理，如图1，具体步骤如下： 

首先，假定在某一时段内，一个通信小区内有N个用户终端和基站之间有活跃通信，其发射功率分别是 

和 

则路径损耗为 

在基站的信噪比为 

要求该信噪比大于最低能接收的目标信噪比(TSIR) 

同时，要求最小化用户终端的电池使用，即要求 

其中Г和Г^tar代表信噪比和目标信噪比的向量。可以证明，将这两个目标合起来，即等于要求控制发射功率P^t使得Г＝Г^tar。 

其次，目标功率产生器(TPG)的作用是将控制目标从目标信噪比转化成目标接收功率。这样功率控制的目标就变成了控制功率使得接收信号和目标信号能够匹配。TPG同时也起到一个控制解耦的作用，因为各个用户终端的信噪比都是相互耦合的，所以调整某个用户终端的的发射功率，使得该用户终端的信噪比和该用户的目标信噪比匹配，会导致别的用户不匹配。但是TPG解耦之后，只要控制某一个用户终端的发射功率使得在基站得接收功率和对应该用户终端的目标接收功率匹配，不会影响别的基站和用户终端之间的功率控制环路。这 就实现了分布式功率控制的目的。 

再次，进行隐马氏模型(HMM)的构建。马氏链(Markov chain)模型是一类广泛的随机动态系统模型，其特点是某时刻的系统状态由前一时刻的状态完全决定，而与之前的所有状态值无关。隐马氏模型是指一类马氏链模型，其状态不能直接被观察到，而是隐藏在有干扰的观测量中。在本发明的隐马氏模型中，状态值是离散化的所有可能的信道路径损耗(pathloss)。这个离散化的分辨率，决定该模型状态空间的大小，分辨率越高，状态空间越大，计算量也越大，所以是一个可以被灵活设计变量。可以根据不同系统的设计要求来合理设置。该隐马氏模型的输出为某时刻对信道路径损耗的测量，这个测量值等于用户终端的发射功率减掉该信号在基站被功率测量单元所测量到的值之差。由于该接收信号的测量存在干扰，所以此路径损耗的测量是有干扰的测量。这样就形成了一个隐马氏模型。具体的数学表达如下： 

将路径损耗的范围 

离散化成为n个区间 把每个区间作为一个状态 

这样这个马氏链的状态空间就是S_i∈S＝{S₁，S₂，ΛS_n}。这些状态之间的转移由转移概率矩阵A＝(A_ij)决定A_ij＝P(S_k+1＝S_i|S_k＝S_j) 

如果用状态空间的表达，这个马氏链可以写成 

X_k+1＝AX_k+M_k+1       (1) 

其中，M_k+1满足E[M_k+1|F_k]＝0，这里F_k＝σ(X₁，X₂，ΛX_k)是由时间k之前的随机变量张成的σ代数。所以M_k+1是一个(A，F_k)鞅增量。 

指定 作为路径损失状态为 

的一个代表值，让 Q＝[q₁，q₂，Λ，q_n]′，这样路径损失的测量 

可以写成m_k＝Q′X_k-n_k        (2) 

其中， 

假定为测量过程中引入的白噪声，方差为 

公式(1)和(2)构成了一个路径损耗的隐马氏模型，目的是为了计算 

τ是时滞量，这样τ时间之后的路径损耗预测即为  ${\hat{g}}_{k+\mathrm{\τ}|k}=Q^{\′}{\hat{X}}_{k+\mathrm{\τ}|k}.$

然后，在所构建的信号路径损耗(Pathloss)隐马氏模型中，关键的系统参数即概率转移矩阵A是未知的，需要在功率控制的过程中辨识得到。这种辨识是在不断接收实际路径损耗测量值m_k，再通过一定的参数辨识算法渐进实现的。所以要求这种辨识算法是收敛的。当在控制过程当中获得一个参数A的辨识结果，就可以利用状态预测算法来估计该马氏链的状态。这个就是对一定时滞之后的路径损耗的估计值。具体的对于隐马氏模型的参数辨识和状态预测算法如下： 

矩阵A变成向量的形式θ＝[a₁，a₂Λa_N]′，其中a_i＝[A_i1，A_i2，Λ，A_iN]，由此可得出，未知参数θ_i＝A_mn，其中 

n＝i-(m-1)N，这里 

表示不大于实数r的最大整数。参数辨识的算法即从前一时刻的参数估计值 

和当前的路径损耗测量m_k。 

在时刻k， 

(1)计算 

$b_k\left(i\right)=P\left(m_k\right|X_k=e_i)=\frac{1}{\sqrt{2\mathrm{\π}({\mathrm{\σ}}_u^2+{\mathrm{\σ}}_y^2)}}\exp \left[\frac{-{(m_k-Q^{\′}{e}_i)}^2}{2({\mathrm{\σ}}_u^2+{\mathrm{\σ}}_y^2)}\right];$

(2)设置对角矩阵 

B(m_k)＝diag([b_k(1)，b_k(2)，Λb_k(N)])； 

$N_k\left(m_k\right)={\left({\left(B\left(m_k\right){\hat{A}}_{k-1}{\hat{X}}_{k-1|k-1}\right)}^{\′}\underset{\‾}{1}\right)}^{-1};$

${\hat{X}}_{k|k}=N_k\left(m_k\right)B\left(m_k\right){\hat{A}}_{k-1}{\hat{X}}_{k-1|k-1};$

(3) 

的递归算法 

${\widehat{\mathrm{\θ}}}_k={\widehat{\mathrm{\θ}}}_{k-1}+{\hat{P}}_k{\mathrm{\κ}}_{k|{\widehat{\mathrm{\θ}}}_{k-1}};$

${\hat{P}}_k^{-1}={\hat{P}}_{k-1}^{-1}+\mathrm{diag}(\underset{\‾}{1}\⊗{\hat{X}}_{k-1|k-1})$

${\hat{P}}_0^{-1}=\mathrm{\ΔI};$

其中， 

${\mathrm{\κ}}_{k|{\widehat{\mathrm{\θ}}}_{k-1}}=\left({\mathrm{\κ}}_{k|{\widehat{\mathrm{\θ}}}_{k-1}}^i\right);$

${\mathrm{\κ}}_{k|{\widehat{\mathrm{\θ}}}_{k-1}}^i=\frac{d}{d{\mathrm{\θ}}^{\left(i\right)}}{V}_k\left(\mathrm{\θ}\right){|}_{\mathrm{\θ}={\widehat{\mathrm{\θ}}}_{k-1}},1\≤i\≤N^2;$

1：所有元素都是1的列向量； 

Kronecker积； 

${\hat{A}}_k=({\hat{A}}_0,{\hat{A}}_1,\mathrm{\Λ}{\hat{A}}_k);$

Δ：一个充分大的数； 

diag(X)：一个以向量X作为对角元素的对角矩阵； 

(4)即可得到如下结果， 

$K_{k|{\widehat{\mathrm{\θ}}}_{k-1}}^{\left(i\right)}=\frac{{\mathrm{dV}}_k\left(\mathrm{\θ}\right)}{{\mathrm{dA}}^{\mathrm{mn}}}{|}_{\mathrm{\θ}={\widehat{\mathrm{\θ}}}_{k-1}}$

$=-[{\hat{X}}_{k|k,{\hat{A}}_{k-1}}^m-a_m\left({\hat{A}}_{k-1}\right){\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}]{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-1}}^{\left(n\right)}$

$+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left\{\right[{\hat{X}}_{k|k,{\hat{A}}_{k-1}}^{\left(j\right)}-a_j\left({\hat{A}}_{k-1}\right){\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}]\×[\frac{d{\hat{X}}_{k|k,{\hat{A}}_{k-1}}^{\left(j\right)}}{{\mathrm{dA}}^{\mathrm{mn}}}-a_j\left({\hat{A}}_{k-1}\right)\frac{d{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}}{{\mathrm{dA}}^{\mathrm{mn}}}\left]\right\},$

$\frac{d{\hat{X}}_{k|k,{\hat{A}}_{k-1}}^{\left(j\right)}}{{\mathrm{dA}}^{\mathrm{mn}}}=N_k^2(m_k,{\hat{A}}_{k-1})\mathrm{diag}\left(B\right)[{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}^n{e}_m+A\left({\hat{A}}_{k-1}\right)]\frac{d{\hat{X}}_{k-1|k-1,{\hat{A}}_{K-2}}}{{\mathrm{dA}}^{\mathrm{mn}}}$

$\×B(j,j)a_j\left({\hat{A}}_{k-1}\right){\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}$

$+N_k(m_k,{\hat{A}}_{k-1})B(i,j)a_j\left({\hat{A}}_{k-1}\right)\frac{d{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}}{{\mathrm{dA}}^{\mathrm{mn}}},\mathrm{ifj}\≠m$

$\frac{d{\hat{X}}_{k|k,{\hat{A}}_{k-1}}^{\left(j\right)}}{{\mathrm{dA}}^{\mathrm{mn}}}=N_k^2(m_k,{\hat{A}}_{k-1})\mathrm{diag}\left(B\right)[{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}^n{e}_m+A\left({\hat{A}}_{k-1}\right)\frac{d{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}}{{\mathrm{dA}}^{\mathrm{mn}}}]$

$\×B(j,j)a_j\left({\hat{A}}_{k-1}\right){\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}+N_k(m_k,{\hat{A}}_{k-1})B(j,j)$

$[{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}^{\left(n\right)}+a_j\left({\hat{A}}_{k-1}\right)\frac{d{\hat{X}}_{k-1|k-1,{\hat{A}}_{k-2}}}{{\mathrm{dA}}^{\mathrm{mn}}}],\mathrm{ifj}\≠m$

最后，根据隐马氏模型的状态预测量 

得到的路径损耗估计值 

连同目标功率 

作为输入量输入控制功率产生器CPG，就可以得到控制功率 $p_{k+1}^t=Q^{\′}{\hat{X}}_{k+1\mathrm{\τ}|k}+p_{k+\mathrm{\τ}|k}^{\mathrm{tar}}.$

实验结果表明，本发明能很好估计无线信号路径损耗，所得的估计信号路径损耗和实际信号路径损耗的误差范围在1％之内。 

需要说明的是以上是本发明的较佳实施例，而并非用来限定本发明要求保护的范围，凡是在上述基础上所做的等同替换或变换，均属于本发明保护的范围。 

Claims (4)

1.一种基于隐马氏模型的CDMA无线网络功率控制方法，其基站由功率测量单元PMU (Power Measurement Unit)，目标功率产生器 TPG (Target Power Generator)，信号衰落预测器SFP (Singal Fading Predictor)，控制功率产生器CPG (Controlled Power Generator)4个部分构成，其特征在于，该方法包括：

(a)根据通信要求设定一个目标信噪比TSIR向量，并把TSIR向量输入到目标功率产生器TPG，产生目标控制功率向量；

(b)根据某一个用户终端的接收信号强度进行功率测量单元PMU测量，产生真实信道损耗的干扰测量，该干扰测量为真实的接收信号强度和该信号的用户终端真实发射功率比较而产生的差值；

(c)将真实信道损耗干扰测量输入信号衰落预测器SFP ，并计算出隐马氏模型状态预测值；

(d)将预测值输入控制功率产生器CPG；

(e)与目标功率产生器TPG所产生的目标信号强度比较，产生控制功率值，并由下行链路传给用户终端；

(f)在用户终端，根据所得到的发射功率命令相应调整发射功率。

2.根据权利要求1所述的CDMA无线网络功率控制方法，其特征在于：基站中的信号衰落预测器SFP包括参数辨识单元PIU (Parameter Identification Unit) 和状态预测单元SPU (State Prediction Unit)。

3.根据权利要求1所述的CDMA无线网络功率控制方法，其特征在于：所述步骤（a）中的TSIR向量是由其他模块根据宏观通信环境的状态和要求生成的。

4.根据权利要求1所述的CDMA无线网络功率控制方法，其特征在于：所述步骤（c）中的隐马氏模型状态预测值是由PIU算法更新隐马氏模型的信道系统参数后，由SPU算法计算出的，该预测值为时滞之后信道的损耗值。

Images