CN102710350B - 一种马尔科夫链的高铁平原无线信道模型构建方法和装置 - Google Patents

Abstract

本申请提供了一种马尔科夫链的高铁平原无线信道模型构建方法和装置，涉及无线通信领域。本申请的方法包括将高速铁路平原无线信道分为远端子信道，接近子信道，靠近子信道、甚靠近子信道和到达子信道；确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。本申请能够准确的描述列车运行在不同的位置时候，其对应的特定可分辨多径“生存或消亡”的过程，更加真实的逼近实际信道的变化特征，提高测试和仿真时的准确性。

Description

一种马尔科夫链的高铁平原无线信道模型构建方法和装置

技术领域

本申请涉及无线通信领域，特别涉及一种马尔科夫链的高铁平原无线信道模型构建方法和装置。

背景技术

铁路作为国家重要基础设施，国民经济大动脉和大众化的交通工具，是国家综合交通运输体系的骨干。在铁路信息化体系的建设中，列车是铁路运营的中心载体，是一个巨大的信息源，铁路信息化如果没有列车信息源，则很难全面发展。目前，铁路已有的信息系统在提高铁路的运输能力、提高列车安全性能等方面发挥着重要作用。但是，现有的通信系统，如GSM-R(Global System of Mobile communication-Railway)只能解决中低速条件下(＜250km/h)列车和地面节点之间的列控窄带通信需求，对于超高速(350km/h～580km/h)移动条件下，以乘客数据业务为主体的宽带无线数据通信将是未来高速铁路无线接入需要解决的关键问题。

信道是通信系统设计的基础，准确认知无线信道是设计通信系统的前提条件，它为通信系统原型机设计和系统、链路级仿真提供真实参考，因此高速铁路无线信道随之成为研究的首要问题。高铁无线信道具有其特殊性，主要是高铁通常建在开阔地带，基站相对较高，导致无线传播中直视径(Lineof Sight-LOS)较强，其余反射分量相对较弱，并且相关小尺度衰落特征随列车和基站距离的变化而不同，表现在：(1)直射径和其他反射径的强度比变化；(2)信道多径时延色散特征不同；(3)高速移动带来的Doppler频偏在穿越基站时呈现由“最大”向“最小”快速变化。

然而，现有标准化模型中，无论是单天线系统(Single-Input and Single-Output-SISO)或者多天线系统(Multiple-Input and Multiple-Output)，通常，经典信道模型是基于广义平稳非相关散射(Wide-Sense StationaryUncorrelated Scatterering-WSSUS)理想假设，即时变信道的一阶和二阶统计量是常数，自相关函数仅和观测时间间隔有关；时变信道的不同延时的衰减和相位偏移不相关。但是真实高铁信道具有非平稳特性，造成非平稳的原因多种多样，从原理上说，如果从时域、频域或空域改变收发信机之间传播特征到达到一定门限，就可导致信道的非平稳性。而现有技术无法正确反映高铁信道的非平稳特性。

发明内容

本申请所要解决的技术问题是提供一种马尔科夫链的高铁平原无线信道模型构建方法和装置，得到能够准确刻画的高速铁路平原无线信道的非平稳变化特征的无线信道模型。

为了解决上述问题，本申请公开了一种马尔科夫链的高铁平原无线信道模型构建方法，其特征在于，包括：

步骤101、将高速铁路平原无线信道分为远端子信道，接近子信道，靠近子信道、甚靠近子信道和到达子信道；

步骤102、确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤103、根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；

步骤104、根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。

优选的，所述每条路径的状态包括存在状态和/或“消亡”状态。

优选的，确定马尔科夫链的非平稳模型的阶数包括一阶、和/或二阶。

优选的，所述远端子信道的可分辨多径数K为2；接近子信道的可分辨多径数K为4，靠近子信道的可分辨多径数K为8，甚靠近子信道的可分辨多径数K为3，到达子信道的可分辨多径数K为1。

优选的，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为一阶时，所述步骤104包括：

A1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“0”状态转至“0”状态的概率分别是0和0.7657；远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是1和0.6087；

A2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“0”状态转至“0”状态的概率分别是0、0.4764、0.5909和0.8747，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是1、0.5957、0.4187和0.1970；

A3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“0”状态转至“0”状态的概率分别是0、0.6014、0.7167、0.8016、0.8313、0.7188、0.8407和0.8571，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是1、0.4466、0.8397、0.3782、0.2360、0.4767、0.4404和0.3140；

A4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“0”状态转至“0”状态的概率P_00，k分别是0、0.6574和0.6250，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率P_11，k分别是1、0.5075和0.4271；

A5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“0”状态转至“0”状态的概率是0，“1”状态转至“1”状态的概率是1；

其中，所述的“0”状态表示第k条路径为“消亡”状态，所述“1”状态表示第k条路径为“生存”状态。

优选的，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为二阶时，所述步骤104包括：

B1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是0和0.8182；确定远端子信道第k＝1条路径和第k＝2条路径的“2”状态转至“3”状态的概率P_23，k分别是0和0.4648；确定远端子信道第k＝1条路径和第k＝2条路径的“3”状态转至“1”状态的概率分别是0和0.5972；确定远端子信道第k＝1条路径和第k＝2条路径的“4”状态转至“3”状态的概率分别是0和0.3482；

B2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是0、0.4800、0.6369和0.8811；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“2”状态转至“3”状态的概率分别是0、0.3694、0.5897和0.8113，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“3”状态转至“1”状态的概率P_31，k分别是0、0.4732、0.5254和0.8269；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“4”状态转至“3”状态的概率分别是0，0.4242、0.5765和0.7692；

B3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是0、0.6047、0.7519、0.8087、0.8683、0.7424、0.8567和0.8678；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“2”状态转至“3”状态的概率分别是0、0.5398、0.3529、0.5946、0.7794、0.4667，0.6066和0.6379；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“3”状态转至“1”状态的概率分别是0、0.5965、0.6200、0.7703、0.6618、0.6667、0.7705和0.7931，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“4”状态转至“3”状态的概率分别是0、0.5652、0.1226、0.6667、0.7143、0.5854、0.5000和0.8148；

B4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率分别是0、0.6895和0.6649；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“2”状态转至“3”状态的概率分别是0、0.5758和0.6216，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“3”状态转至“1”状态的概率分别是0、0.5918和0.5636；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“4”状态转至“3”状态的概率分别是0、0.4100和0.5062；

B5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“1”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“2”状态转至“3”状态的概率是0，确定到达子信道第k＝1条路径的“3”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“4”状态转至“3”状态的分别是0；

其中，所述“1”状态表示第k条路径连续两个独立的状态为“消亡”、“消亡”状态，所述“2”状态表示第k条路径连续两个状态为“消亡”、“生存”状态；所述“3”状态表示第k条路径连续两个状态为“生存”、“消亡”状态；所述“4”状态表示第k条路径连续两个状态为“生存”、“生存”状态。

优选的，根据测试和仿真需求，调整平原无线信道带宽，和在远端子信道、接近子信道、靠近子信道、甚靠近子信道，到达子信道的参数。

优选的，所述的子信道包括抽头延迟线模型。

优选的，所述的抽头延迟线模型包括时间延迟域信息、Doppler域信息、空间域信息。

相应的，本申请还公开了一种马尔科夫链的高铁平原无线信道模型构建装置，包括：

子信道分配模块、用于将高速铁路平原无线信道分为远端子信道，接近子信道，靠近子信道、甚靠近子信道和到达子信道；

子信道确认模块、用于确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；

马尔科夫链阶数确认模块、用于根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；

概率计算模块、用于根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。

与现有技术相比，本申请包括以下优点：

本申请通过将高速铁路平原模型分为远端子信道，接近子信道，靠近子信道，甚靠近子信道和到达子信道，基于马尔科夫链的高速铁路平原场景下非平稳无线信道模型，能够准确的描述列车运行在不同的位置时候，其对应的特定可分辨多径“剧烈时变”——“生存或消亡”的过程，更加真实的逼近实际信道的变化特征，构建了一种马尔科夫链的高铁平原无线信道模型构建方法和装置，提高测试和仿真时的准确性。

附图说明

图1是本申请一种马尔科夫链的高铁平原无线信道模型构建的方法流程图；

图2是常规的TDL信道模型原理框图；

图3是非平稳TDL信道模型原理框图；

图4是一阶和二阶马尔科夫状态转移图；

图5是可分辨多径数量随距离变化的变化示意图；

图6是本申请种马尔科夫链的高铁平原无线信道模型构建装置的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，示出了本申请一种马尔科夫链的高铁平原无线信道模型构建方法的流程示意图，包括：

步骤101、将高速铁路平原无线信道分为远端子信道，接近子信道，靠近子信道、甚靠近子信道和到达子信道。

常规信道模型从测量到建模，一般都认为满足WSSUS条件，即时变信道的一阶和二阶统计量是常数，自相关函数仅和观测时间间隔有关；时变信道的不同延时的衰减和相位偏移不相关。因此，无线信道可建模为离散多径信道模型，在高速移动条件下具有时变多径性。如果多径信道包含若干可分辨多径，那么这样的信道建模称为离散多径信道，通常这种信道建模方法需要确定的参数包括可分辨多径抽头增益，可分辨多径抽头延时，可分辨多径的径数。那么，可利用抽头延迟线(Tapped Delay Line-TDL)将信道建模成为有限冲激响应(Finite Impulse Response-FIR)滤波器(如图2所示)，形如

$h(\mathrm{\τ},t)=\underset{k=0}{\overset{L\left(t\right)-1}{\mathrm{\Σ}}}{\mathrm{\α}}_k\left(t\right)e^{j[{\mathrm{\φ}}_k\left(t\right)+{2\mathrm{\πf}}_{D,k}t]}\mathrm{\δ}[\mathrm{\τ}-{\mathrm{\τ}}_k\left(t\right)]$

其中，α_k(t)，φ_k(t)，τ_k(t)，f_D，k分别是相应可分辨径的幅度，相位，延时和对应的Doppler频偏，δ(t)是冲击响应函数。L(t)是t时刻对应的径数。

但是，在高速铁路场景下，无线信道表征为非平稳特性。上面的TDL信道模型可修改为描述可分辨多径的非平稳信道模型(如图3所示)：

$h(\mathrm{\τ},t)=\underset{k=0}{\overset{L\left(t\right)-1}{\mathrm{\Σ}}}{z}_k\left(t\right){\mathrm{\α}}_k\left(t\right)e^{j[{\mathrm{\φ}}_k\left(t\right)+{2\mathrm{\πf}}_{D,k}t]}\mathrm{\δ}[\mathrm{\τ}-{\mathrm{\τ}}_k\left(t\right)]$

相对标准的TDL模型，非平稳信道模型中多了一项z_k(t)，该项z_k(t)的取值“0”和“1”。当z_k(t)＝0时，表示该径在此时刻不存在；当z_k(t)＝1时，表示该径在此时刻存在。加入z_k(t)项，改进的非平稳TDL模型，可以表征第k条可分辨径的非平稳生灭特征。

本申请可通过以下方式将高速平原场景分为远端子信道，接近子信道，靠近子信道，甚靠近子信道和到达子信道五部分：

按照现场测试数据，将平原分为5个部分，分别是远端(remote area-RA)，接近(toward area-TA)，靠近(close area-CA)，甚靠近(closer area-CEA)，到达(arrival area-AA)五个阶段。IP表示列车到测量接收天线和铁路垂点的距离。根据图5中，不同区域可分辨多径数的不同，将高速平原场景分为远端子信道，接近子信道，靠近子信道，甚靠近子信道和到达子信道五部分。

步骤102、确定各子信道的可分辨多径数K，多径时延特征和Doppler特征。

在将平原分为远端子信道，接近子信道，靠近子信道和到达子信道后，将各个子信道的可分辨多径数K因子，多径时延特征和Doppler特征进行确认。其中，多径时延特征包括时间域信息，和/或空间域信息；Doppler特征包括多普勒频谱。

其中本步骤具体可以包括：

步骤A1、确定远端子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤A2、确定接近子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤A3、确定靠近子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤A4、确定甚靠近子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤A5、确定到达子信道的可分辨多径数K，多径时延特征和Doppler特征。

其中，可分辨多径数K可用如下方法确定，但不局限于此。其中μs为微秒，为分贝。

Rice的概率密度函数为：

$P\left(r\right)=\frac{r}{{\mathrm{\σ}}^2}\·\exp (-\frac{r^2+s^2}{{2\mathrm{\σ}}^2})\·I_0(-\frac{r\·s}{{\mathrm{\σ}}^2})$

根据莱斯分布的任意阶矩的表达式：

${\mathrm{\μ}}_n=E\left[r^n\right]={\left({2\mathrm{\σ}}^2\right)}^{\frac{n}{2}}\exp (-K)\mathrm{\Γ}(1+\frac{n}{2})F_1(1+\frac{n}{2};1;K)$

其中，Γ(·)是伽马函数，F₁(·)为合流超几何函数，该矩偶次矩有闭式表达为：

μ₂＝E[r²]＝s²+2σ²＝2σ²(K+1)

λ₄＝E[r⁴]＝8σ⁴+8σ²s²+s⁴

$\frac{{\mathrm{\μ}}_2^2}{{\mathrm{\μ}}_4^2}=\frac{{(1+K)}^2}{K^2+4K+2}$

方程左边可通过测量得到，右边含K表达式可以通过如下计算得到：

$K=\frac{{-2\mathrm{\μ}}_2^2+{\mathrm{\μ}}_4-{\mathrm{\μ}}_2\sqrt{{\mathrm{\μ}}_2^2-{\mathrm{\μ}}_4}}{{\mathrm{\μ}}_2^2-{\mathrm{\μ}}_4}$

多径延时域特征可以由如下方法确定：

首先，接收机接收高铁场景下的信号，在本地进行信道估计获取信道冲击响应信息；然后对信道冲击响应信息进行统计，统计方法可采用基于时间间隔的簇分离法或者基于功率衰落的功率分离法。

Doppler特征可以由如下方法确定：

首先设定CIR(Impulse response of channel，信道冲激响应)的噪底和阈值，而后选择第一径信号的冲击响应h(t)，然后开窗统计若干样本冲击响应的相关函数，最后对相关函数进行傅里叶变化得到第一径的Doppler功率谱。

RA、TA、CA、AA四段的延时域和Doppler特征如下表所示。其中Purefrequency(纯频率)的值由如下(1)-(4)确定。

$\cos \mathrm{\θ}\left(t\right)=\frac{D_s/2-\mathrm{vt}}{\sqrt{{D_{\min }}^2+{(D_s/2-\mathrm{vt})}^2}},0\≤t\≤D_s/v---\left(1\right)$

$\cos \mathrm{\&theta;}\left(t\right)=\frac{-{1.5D}_s+\mathrm{vt}}{\sqrt{{D_{\min }}^2+{(-{1.5D}_s+\mathrm{vt})}^2}},D_s/v<t\&le;{2D}_s/v---\left(2\right)$

cosθ(t)＝cosθ(t mod(2D_s/v))(3)

因此，Doppler频偏为：

$\mathrm{purefrequency}=\frac{v}{\mathrm{\&lambda;}}\cos \mathrm{\&theta;}\left(t\right)---\left(4\right)$

当然，具体各子信道的可分辨多径数K，多径时延特征和Doppler特征的获取方法本申请不对其加以限制。

步骤103、根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数。

本专利利用马尔科夫链建模表征z_k(t)的统计特性。这里，马尔科夫链{X_n|n≥0}是一个随机过程。X_n＝i第n时刻随机变量X的值为i，则马尔科夫链统计特性表现为

P{X_n+1＝j|X_n＝i，X_n-1＝i_n-1，...，X₀＝i₀}

＝P{X_n+1＝j|X_n＝i}＝P_ij

基于马尔科夫链的高速铁路平原场景下非平稳无线信道模型，能够准确的描述列车运行在不同的位置时候，其对应的特定可分辨多径“剧烈时变”——“生存或消亡”的过程，更加真实的逼近实际信道的变化特征。

本申请根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数。

在实际中，马尔科夫链的非平稳模型的阶数阶数越高，仿真复杂度和运算延时越大。因此，可设定一个仿真复杂度和预算延时的阈值，当仿真复杂度和运算延时小于阈值时，采用一阶；当仿真复杂度和/或运算延时大等于阈值时，采用二阶。具体情况可根据实际测量需求进行设定。

步骤104、根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。

本申请利用马尔科夫链，来表征确定多径的“不存在”或“存在”的状态概率。优选的，本申请利用一阶和二阶非平稳马尔科夫链来表征确定多径的“不存在”或“存在”状态转移概率，其可以如图4表示。

利用一阶马尔科夫链，其状态转移矩阵T可以写成：

$T=\left[\begin{array}{cc}{P}_{00}& P_{01}\\ P_{10}& P_{11}\end{array}\right]$

其中，矩阵T中的元素P_ij表示从状态i转移到状态j的概率，因此P_i，0+P_i，1＝1(i＝0，1)。一阶马尔科夫链“不存在”(“0”)和“存在”(“1”)的状态概率P₀、P₁满足S＝[P₀ P₁]。

利用二阶马尔科夫链，其状态转移矩阵T可以写成

$T=\left[\begin{array}{cccc}{P}_{11}& P_{12}& P_{13}& P_{14}\\ P_{21}& P_{22}& P_{23}& P_{24}\\ P_{31}& P_{32}& P_{33}& P_{34}\\ P_{41}& P_{42}& P_{43}& P_{44}\end{array}\right]=\left[\begin{array}{cccc}{P}_{11}& P_{12}& 0& 0\\ 0& 0& P_{23}& P_{24}\\ P_{31}& P_{32}& 0& 0\\ 0& 0& P_{43}& P_{44}\end{array}\right]$

其中，由于“0”和“1”连续出现状态的规律，状态转移矩阵T中部分元素为0，且满足P₁₁+P₁₂＝1，P₂₃+P₂₄＝1，P₃₁+P₃₂＝1，P₄₃+P₄₄＝1。

按照现场测试数据，将平原分为5个部分，分别是远端(remote area-RA)，接近(toward area-TA)，靠近(close area-CA)，甚靠近(closer area-CEA)，到达(arrival area-AA)五个阶段。IP表示列车到测量接收天线和铁路垂点的距离。可分辨多径数量随距离变化的变化如图5所示。

优选的，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为一阶时，所述步骤104包括：

A1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“0”状态转至“0”状态的概率分别是0和0.7657；远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是1和0.6087；

即如表一，确定远端子信道第k条路径(k＝1，2)的“0”状态→“0”状态的概率P_00，k分别是0，0.7657，“1”状态→“1”状态的概率P_11，k分别是1，0.6087。

其中，利用一阶马尔科夫链，其状态转移矩阵T可以写成前述形式：

$T=\left[\begin{array}{cc}{P}_{00}& P_{01}\\ P_{10}& P_{11}\end{array}\right]$

其中，矩阵T中的元素P_ij表示从状态i转移到状态j的概率，因此P_i，0+P_i，1＝1(i＝0，1)。一阶马尔科夫链“不存在”(“0”)和“存在”(“1”)的状态概率P₀、P₁满足S＝[P₀ P₁]。

A2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“0”状态转至“0”状态的概率分别是0、0.4764、0.5909和0.8747，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是1、0.5957、0.4187和0.1970；

即如表一，确定接近子信道第k条路径(k＝1，2，3，4)的“0”状态→“0”状态的概率P_00，k分别是0，0.4764，0.5909，0.8747，“1”状态→“1”状态的概率P_11，k分别是1，0.5957，0.4187，0.1970。

A3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“0”状态转至“0”状态的概率分别是0、0.6014、0.7167、0.8016、0.8313、0.7188、0.8407和0.8571，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是1、0.4466、0.8397、0.3782、0.2360、0.4767、0.4404和0.3140；

即如表一，确定靠近子信道第k条路径(k＝1，2，3，4，5，6，7，8)的“0”状态→“0”状态的概率P_00，k分别是0，0.6014，0.7167，0.8016，0.8313，0.7188，0.8407，0.8571，“1”状态→“1”状态的概率P_11，k分别是1，0.4466，0.8397，0.3782，0.2360，0.4767，0.4404，0.3140。

A4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“0”状态转至“0”状态的概率P_00，k分别是0、0.6574和0.6250，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率P_11，k分别是1、0.5075和0.4271；

即如表一，确定甚靠近子信道第k条路径(k＝1，2，3)的“0”状态→“0”状态的概率P_00，k分别是0，0.6574，0.6250，“1”状态→“1”状态的概率P_11，k分别是1，0.5075，0.4271。

A5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“0”状态转至“0”状态的概率是0，“1”状态转至“1”状态的概率是1；

即如表一，确定甚到达子信道第k条路径(k＝1)的“0”状态→“0”状态的概率P_00，k分别是0，“1”状态→“1”状态的概率P_11，k分别是1。

其中，所述的“0”状态表示第k条路径为“消亡”状态，所述“1”状态表示第k条路径为“生存”状态。

经过对测试数据的一阶马尔科夫链的统计分析，获得基于一阶马尔科夫链的高铁平原非平稳无线信道模型的“0”状态和“1”状态的概率矩阵，如下表一：

表一

其中，P_00，k和P_11，k表示第k条可分辨径对应的“0”状态→“0”状态和“1”状态→“0”状态的概率，而对于第k条可分辨径对应的“0”状态→“1”状态的概率P_01，k和“1”状态→“0”状态的概率P_10，k，满足P_i，0+P_i，1＝1。

然后基于上述结果即可构建高速铁路平原小尺度无线信道模型。

优选的，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为二阶时，所述步骤104包括：

B1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是0和0.8182；确定远端子信道第k＝1条路径和第k＝2条路径的“2”状态转至“3”状态的概率P_23，k分别是0和0.4648；确定远端子信道第k＝1条路径和第k＝2条路径的“3”状态转至“1”状态的概率分别是0和0.5972；确定远端子信道第k＝1条路径和第k＝2条路径的“4”状态转至“3”状态的概率分别是0和0.3482；

即如表二，确定远端子信道第k条路径(k＝1，2)的“1”状态→“1”状态的概率P_11，k分别是0，0.8182，“2”状态→“3”状态的概率P_23，k分别是0，0.4648，“3”状态→“1”状态的概率P_31，k分别是0，0.5972，“4”状态→“3”状态的概率P_43，k分别是0，0.3482。

其中，利用二阶马尔科夫链，其状态转移矩阵T可以写成前述形式：

$T=\left[\begin{array}{cccc}{P}_{11}& P_{12}& P_{13}& P_{14}\\ P_{21}& P_{22}& P_{23}& P_{24}\\ P_{31}& P_{32}& P_{33}& P_{34}\\ P_{41}& P_{42}& P_{43}& P_{44}\end{array}\right]=\left[\begin{array}{cccc}{P}_{11}& P_{12}& 0& 0\\ 0& 0& P_{23}& P_{24}\\ P_{31}& P_{32}& 0& 0\\ 0& 0& P_{43}& P_{44}\end{array}\right]$

其中，由于“0”和“1”连续出现状态的规律，状态转移矩阵T中部分元素为0，且满足P₁₁+P₁₂＝1，P₂₃+P₂₄＝1，P₃₁+P₃₂＝1，P₄₃+P₄₄＝1。

B2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是0、0.4800、0.6369和0.8811；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“2”状态转至“3”状态的概率分别是0、0.3694、0.5897和0.8113，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“3”状态转至“1”状态的概率P_31，k分别是0、0.4732、0.5254和0.8269；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“4”状态转至“3”状态的概率分别是0，0.4242、0.5765和0.7692；

即如表二，确定接近子信道第k条路径(k＝1，2，3，4)的“1”状态→“1，状态的概率P_11，k分别是0，0.4800，0.6369，0.8811，“2”状态→“3”状态的概率P_23，k分别是0，0.3694，0.5897，0.8113，“3”状态→“1”状态的概率P_31，k分别是0，0.4732，0.5254，0.8269，“4”状态→“3”状态的概率P_43，k分别是0，0.4242，0.5765，0.7692。

B3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是0、0.6047、0.7519、0.8087、0.8683、0.7424、0.8567和0.8678；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“2”状态转至“3”状态的概率分别是0、0.5398、0.3529、0.5946、0.7794、0.4667，0.6066和0.6379；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“3”状态转至“1”状态的概率分别是0、0.5965、0.6200、0.7703、0.6618、0.6667、0.7705和0.7931，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6、条路径、第k＝7条路径、第k＝8条路径的“4”状态转至“3”状态的概率分别是0、0.5652、0.1226、0.6667、0.7143、0.5854、0.5000和0.8148；

即如表二，确定靠近子信道第k条路径(k＝1，2，3，4，5，6，7，8)的“1”状态→“1”状态的概率P_11，k分别是0，0.6047，0.7519，0.8087，0.8683，0.7424，0.8567，0.8678，“2”状态→“3”状态的概率P_23，k分别是0，0.5398，0.3529，0.5946，0.7794，0.4667，0.6066，0.6379，“3”状态→“1”状态的概率P_31，k分别是0，0.5965，0.6200，0.7703，0.6618，0.6667，0.7705，0.7931，“4”状态→“3”状态的概率P_43，k分别是0，0.5652，0.1226，0.6667，0.7143，0.5854，0.5000，0.8148。

B4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率分别是0、0.6895和0.6649；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“2”状态转至“3”状态的概率分别是0、0.5758和0.6216，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“3”状态转至“1”状态的概率分别是0、0.5918和0.5636；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“4”状态转至“3”状态的概率分别是0、0.4100和0.5062；

即如表二，确定甚靠近子信道第k条路径(k＝1，2，3)的“1”状态→“1”状态的概率P_11，k分别是0，0.6895，0.6649，“2”状态→“3”状态的概率P_23，k分别是0，0.5758，0.6216，“3”状态→“1”状态的概率P_31，k分别是0，0.5918，0.5636，“4”状态→“3”状态的概率P_43，k分别是0，0.4100，0.5062。

B5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“1”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“2”状态转至“3”状态的概率是0，确定到达子信道第k＝1条路径的“3”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“4”状态转至“3”状态的分别是0；

即如表二，确定甚到达子信道第k条路径(k＝1)的“1”状态→“1”状态的概率P_11，k分别是0，“2”状态→“3”状态的概率P_23，k分别是0，“3”状态→“1”状态的概率P_31，k分别是0，“4”状态→“3”状态的概率P_43，k分别是0。

其中，所述“1”状态表示第k条路径连续两个独立的状态为“消亡”、“消亡”状态，所述“2”状态表示第k条路径连续两个状态为“消亡”、“生存”状态；所述“3”状态表示第k条路径连续两个状态为“生存”、“消亡”状态；所述“4”状态表示第k条路径连续两个状态为“生存”、“生存”状态。

连续两径的状态，可如图5表示，这里举例说明：

得到的序列z_k(t)：101101101

2阶马尔科夫链状态：10-＞状态3；01-＞状态2；11-＞状态4；01-＞状态2；11-＞状态4；10-＞状态3；01-＞状态2。

经过统计分析，获得基于二阶马尔科夫链的高铁平原非平稳无线信道模型的“0”状态和“1”状态的概率矩阵，如下表二。

表二

然后基于上述结果即可构建高速铁路平原小尺度无线信道模型。

参照图6，其示出了本申请一种马尔科夫链的高铁平原无线信道模型构建装置的结构示意图，包括：

子信道分配模块210、用于将高速铁路平原无线信道分为远端子信道，接近子信道，靠近子信道、甚靠近子信道和到达子信道；

子信道确认模块220、用于确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；

马尔科夫链阶数确认模块230、用于根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；

概率计算模块240、用于根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

以上对本申请所提供的一种马尔科夫链的高铁平原无线信道模型构建方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种马尔科夫链的高铁平原无线信道模型构建方法，其特征在于，包括：

步骤101、将高速铁路平原无线信道分为远端子信道、接近子信道、靠近子信道、甚靠近子信道和到达子信道；

步骤102、确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；

步骤103、根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；

步骤104、根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。

2.根据权利要求1所述的方法，其特征在于：

所述每条路径存在状态包括“生存”状态和/或“消亡”状态。

3.根据权利要求1所述的方法，其特征在于：

确定马尔科夫链的非平稳模型的阶数包括一阶和/或二阶。

4.根据权利要求1所述的方法，其特征在于：

所述远端子信道的可分辨多径数K为2，接近子信道的可分辨多径数K为4，靠近子信道的可分辨多径数K为8，甚靠近子信道的可分辨多径数K为3，到达子信道的可分辨多径数K为1。

5.根据权利要求4所述的方法，其特征在于，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为一阶时，所述步骤104包括：

A1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“0”状态转至“0”状态的概率分别是0和0.7657；远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是1和0.6087；

A2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“0”状态转至“0”状态的概率分别是0、0.4764、0.5909和0.8747，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是1、0.5957、0.4187和0.1970；

A3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“0”状态转至“0”状态的概率分别是0、0.6014、0.7167、0.8016、0.8313、0.7188、0.8407和0.8571，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是1、0.4466、0.8397、0.3782、0.2360、0.4767、0.4404和0.3140；

A4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“0”状态转至“0”状态的概率P00,k分别是0、0.6574和0.6250，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率P11,k分别是1、0.5075和0.4271；

A5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“0”状态转至“0”状态的概率是0，“1”状态转至“1”状态的概率是1；

其中，所述的“0”状态表示第k条路径为“消亡”状态，所述“1”状态表示第k条路径为“生存”状态。

6.根据权利要求4所述的方法，其特征在于，当根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数为二阶时，所述步骤104包括：

B1、当远端子信道可分辨多径数K为2时，确定远端子信道第k＝1条路径和第k＝2条路径的“1”状态转至“1”状态的概率分别是0和0.8182；确定远端子信道第k＝1条路径和第k＝2条路径的“2”状态转至“3”状态的概率P23,k分别是0和0.4648；确定远端子信道第k＝1条路径和第k＝2条路径的“3”状态转至“1”状态的概率分别是0和0.5972；确定远端子信道第k＝1条路径和第k＝2条路径的“4”状态转至“3”状态的概率分别是0和0.3482；

B2、当接近子信道可分辨多径数K为4时，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“1”状态转至“1”状态的概率分别是0、0.4800、0.6369和0.8811；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“2”状态转至“3”状态的概率分别是0、0.3694、0.5897和0.8113，确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“3”状态转至“1”状态的概率P31,k分别是0、0.4732、0.5254和0.8269；确定接近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径和第k＝4条路径的“4”状态转至“3”状态的概率分别是0，0.4242、0.5765和0.7692；

B3、当靠近子信道可分辨多径数K为8时，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“1”状态转至“1”状态的概率分别是0、0.6047、0.7519、0.8087、0.8683、0.7424、0.8567和0.8678；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“2”状态转至“3”状态的概率分别是0、0.5398、0.3529、0.5946、0.7794、0.4667，0.6066和0.6379；确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“3”状态转至“1”状态的概率分别是0、0.5965、0.6200、0.7703、0.6618、0.6667、0.7705和0.7931，确定靠近子信道第k＝1条路径、第k＝2条路径、第k＝3条路径、第k＝4条路径、第k＝5条路径、第k＝6条路径、第k＝7条路径、第k＝8条路径的“4”状态转至“3”状态的概率分别是0、0.5652、0.1226、0.6667、0.7143、0.5854、0.5000和0.8148；

B4、当甚靠近子信道可分辨多径数K为3时，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“1”状态转至“1”状态的概率分别是0、0.6895和0.6649；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“2”状态转至“3”状态的概率分别是0、0.5758和0.6216，确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“3”状态转至“1”状态的概率分别是0、0.5918和0.5636；确定甚靠近子信道第k＝1条路径、第k＝2条路径和第k＝3条路径的“4”状态转至“3”状态的概率分别是0、0.4100和0.5062；

B5、当到达子信道可分辨多径数K为1时，确定到达子信道第k＝1条路径的“1”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“2”状态转至“3”状态的概率是0，确定到达子信道第k＝1条路径的“3”状态转至“1”状态的概率是0，确定到达子信道第k＝1条路径的“4”状态转至“3”状态的概率是0；

其中，所述“1”状态表示第k条路径连续两个独立的状态为“消亡”、“消亡”状态，所述“2”状态表示第k条路径连续两个状态为“消亡”、“生存”状态；所述“3”状态表示第k条路径连续两个状态为“生存”、“消亡”状态；所述“4”状态表示第k条路径连续两个状态为“生存”、“生存”状态。

7.根据权利要求1所述的方法，其特征在于：

根据测试和仿真需求，调整平原无线信道带宽，和在远端子信道、接近子信道、靠近子信道、甚靠近子信道、到达子信道的参数。

8.根据权利要求1所述的方法，其特征在于：

所述的各子信道包括抽头延迟线模型。

9.根据权利要求8所述的方法，其特征在于：

所述的抽头延迟线模型包括时间延迟域信息、Doppler域信息、空间域信息。

10.一种马尔科夫链的高铁平原无线信道模型构建装置，其特征在于，包括：

子信道分配模块，用于将高速铁路平原无线信道分为远端子信道、接近子信道、靠近子信道、甚靠近子信道和到达子信道；

子信道确认模块，用于确定各子信道的可分辨多径数K，多径时延特征和Doppler特征；

马尔科夫链阶数确认模块，用于根据仿真复杂度和运算延时，确定马尔科夫链的非平稳模型的阶数；

概率计算模块，用于根据对每条路径存在状态的马尔科夫链测量统计结果，确定各子信道每条路径的不同状态之间的转移概率。