CN103297989A - 一种高速铁路高架桥场景下时变k因子模型构建方法 - Google Patents

Abstract

本发明涉及一种高速铁路高架桥场景下时变K因子模型构建方法，该方法包括将高速铁路高架桥场景分为完全遮挡、部分遮挡和无遮挡区域,并确定各区域相对基站的水平距离和宽度；根据实测信道冲激响应，消除其误差后估计时变K因子；采用串行高斯函数拟合实测K因子确定各区域K因子的峰值；根据各区域的水平距离、宽度和K因子峰值构建K因子模型，并计算与实测结果的标准差。本发明能够准确的描述列车运行过程中无线信道K因子的变化，可再现实际的传播环境，提高通信系统测试和仿真时的准确性和真实性。

Description

一种高速铁路高架桥场景下时变K因子模型构建方法

技术领域：

本申请涉及无线通信领域，特别涉及一种高速铁路高架桥场景下时变K因子模型构建方法。

背景技术：

近几年来，随着高速铁路的飞速发展，高速列车与地面的通信成为学术界和产业界越来越关注的问题。为了满足乘客对高带宽、高质量的通信业务需求，在保证列车运行安全的前提下，国际铁路联盟（UIC）已经提出现有的窄带铁路列控系统将向未来的宽带LTE-R平滑演进。准确地认知无线电波传播特性和信道衰落特征，是高速铁路宽带无线通信系统设计的基础。一方面，系统部署和网络规划需要电波传播模型进行覆盖预测和干扰分析，另一方面，系统评估和物理层优化需要信道衰落模型进行性能仿真与算法验证。无线信道测量是获取信道参数最直接、准确的方式，因此高速铁路典型场景的信道测量是研究高铁无线通信的前提。

列车一般运行于空旷地带，具有较明显的直射环境，高速铁路场景下的无线衰落信号通常服从莱斯分布。莱斯K因子是表征信道衰落程度的参数，它表示直射分量相对散射分量的功率之比。K因子对链路预算、发送分集功率分配和自适应传输等方面有重要影响，除此之外，在信道建模中，K因子也是非常重要的参数。因此，在高速铁路无线通信环境中，K因子需要进行准确地分析与建模。

高架桥是高速铁路的一种典型场景，目前研究该场景下的K因子模型较为理想化和简单化。高架桥场景一般采用两种K因子模型，线性模型和统计模型。线性模型是K因子随距离线性变化的模型，它是基于无线信号传播环境处于完全直射情况下的理想假设，即高架桥周围没有任何障碍物遮挡。统计模型是把K因子建模为服从对数正态分布，仅给出列车运行路线的K因子均值和方差，无法体现真实的无线信号传播环境。但是真实的高架桥场景周围存在非连续的障碍物如树木和建筑的遮挡，然而现有模型无法准确描述该场景下的K因子变化。

发明内容：

为了解决上述问题，本申请公开了一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于，包括：

步骤101、将高速铁路高架桥场景分为完全遮挡、部分遮挡和无遮挡区域,并确定各区域相对基站的水平距离和宽度；

步骤102、根据实测信道冲激响应，消除其误差后估计时变K因子；

步骤103、采用串行高斯函数拟合实变K因子确定各区域K因子的峰值；

步骤104、根据各区域的水平距离、宽度和K因子峰值构建K因子模型，并计算与实测结果的标准差。

优选的，所述高速铁路高架桥场景遮挡类型划分依据为，当遮挡物距离高架桥15m之内并高于列车车顶1m以上时，属于完全遮挡情况；当遮挡物高于高架桥并低于列车车顶时，属于部分遮挡情况；当遮挡物不存在或其高度低于高架桥时，属于无遮挡情况。

优选的，所述误差是指测量设备系统误差、信道冲激响应中的噪声分量和信道大尺度衰落。

优选的，所述估计K因子的方法包括1,2阶矩估计法和2,4阶矩估计法。

优选的，所述K因子不是一个固定的常数，而是随时间或相对基站距离变化的变量。

优选的，所述采用串行高斯函数拟合实测K因子，得到各区域K因子的峰值，其中完全遮挡区域为0dB，部分遮挡区域为8dB，无遮挡区域为12dB。

优选的，所述K因子模型与实测结果的标准差为4.5dB，该标准差作为模型的波动参数。

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高架桥场景分为完全遮挡、部分遮挡和无遮挡区域,基于交替遮挡的时变K因子模型，能够准确的描述列车运行过程中无线信道K因子的变化，可再现实际的传播环境，构建了一种高速铁路高架桥场景下时变K因子模型构建方法，提高了通信系统测试和仿真时的准确性和真实性。

附图说明：

图1为本申请一种高速铁路高架桥场景下时变K因子模型构建的方法流程图；

图2是K因子随距离变化的示意图；

图3是本申请K因子模型验证的计算机仿真图。

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，示出了本申请一种高速铁路高架桥场景下时变K因子模型构建方法的流程示意图，包括：

步骤101、将高速铁路高架桥场景分为完全遮挡、部分遮挡和无遮挡区域,并确定各区域相对基站的水平距离和宽度。

由于高架桥铁轨沿线存在不同类型的树木和建筑，这些散射体会影响无线电波的传播。例如，高大茂密的树木会完全遮挡基站与列车之间的直射路径，而矮小稀疏的树木会部分遮挡基站与列车之间的直射路径。因此，本申请把遮挡情况进分类：当遮挡物距离高架桥15m之内并高于列车车顶1m以上时，属于完全遮挡情况；当遮挡物高于高架桥并低于列车车顶时，属于部分遮挡情况；当遮挡物不存在或其高度低于高架桥时，属于无遮挡情况。因此，整个高架桥无线传播环境被划分成三种状态，直射状态（LOS）、有遮挡的直射状态（OLOS）和非直射状态（NLOS）。这样，把传播环境看的“更细”了。然后，根据实际地理测量，获得各区域相对基站的水平距离和宽度，作为后面建模的参数。

步骤102、根据实测信道冲激响应，消除其误差后估计时变K因子。

一般宽带信道测量系统测量得到的原始信道冲激响应（CIR）存在系统误差、噪声和大尺度衰落的影响，无法直接用于提取K因子。因此，首先要对原始CIR进行处理。理想的宽带信道测量系统在整个测量带宽内应该具有频率非选择性，然而这是很难实现的，因为发射和接收滤波器具有不理想的脉冲压缩特性，即

P_Tx(f)·P_Rx(f)≠1

其中，P_Tx(f)和P_Rx(f)分别为发射和接收滤波器的频率响应。为了消除脉冲压缩误差，需要对原始CIR进行校准，即

$H_c(t.f)=\frac{H_r(t,f)}{P_{\mathrm{Tx}}\left(f\right)\·P_{\mathrm{Rx}}\left(f\right)}$

其中，H_c(t,f)和H_r(t,f)分别为校准的和原始的时变信道频率响应（CTF）。校准后的CIR可以通过对H_c(t,f)进行IFFT变换得到。

通常实测CIR包含有效的多径分量和无效的噪声分量，为了提高K因子的估计精度，我们需要设定合适的门限阈值来区分多径分量和噪声分量，并去除噪声分量。然而，对于噪声门限，如果采用一个常数值，则在信噪比较低或噪声波动较大的情况下，会影响判决的准确性。因此，采用一种动态的噪声门限计算方法。对于低于噪声门限的多径抽头，对它进行迫零。

为了估计K因子，还需要去除信道大尺度衰落的影响包括路径损耗、阴影衰落和天线增益。这里对CIR进行RMS归一化，即

$h_{\mathrm{norm}}(t,\mathrm{\τ})=h_c(t,\mathrm{\τ})/\sqrt{P_a\left(t\right)}$

其中，P_a(t)表示平均功率，可通过长度为N的滑动窗对CIR进行平均得到：

$P_a\left(t\right)=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\∫{\left|h_c(t,\mathrm{\τ})\right|}^2\mathrm{d\τ}$

一般滑动窗的长度取10个波长。

消除系统误差、噪声和大尺度衰落的影响后，通过只存在小尺度衰落的信道冲激响应，可以估计窄带K因子。首先把宽带CIR转换为窄带CIR，即

$h_{\mathrm{narr}}\left(t\right)={\∫}_{\mathrm{\τ}}{h}_{\mathrm{norm}}(t,\mathrm{\τ})\mathrm{d\τ}$

假设窄带CIR服从莱斯分布，其概率密度函数（PDF）可以表示为

$p\left(r\right)=\frac{2(K+1)r}{\mathrm{\Ω}}\exp (-K-\frac{(K+1)r^2}{\mathrm{\Ω}})I_0\left(2\sqrt{\frac{K(K+1)}{\mathrm{\Ω}}r}\right)$

其中，I₀(·)为第一类零阶修正贝塞尔函数，K为莱斯K因子，r为窄带信道冲激响应包络，Ω=E(r²)。然后，采用经典的矩估计方法提取窄带K因子：

$K\left(t\right)=\frac{\sqrt{E^2\left(P_h\right)-\mathrm{Var}\left(P_h\right)}}{E\left(P_h\right)-\sqrt{E^2\left(P_h\right)-\mathrm{Var}\left(P_h\right)}}$

其中，E(·)和Var(·)分别表示求均值和方差，P_h为

P_h=|h_narr(t)|²

步骤103、采用串行高斯函数拟合实测K因子确定各区域K因子的峰值。

高斯函数的表达式为

f(n)≡f(n;c₁,c₂,a₁,…,a₅)=c₁+c₂g(n;a₁,…,a₅)

其中

$g=(n;a_1,...,a_5)=\left\{\begin{array}{cc}\exp [-{\left(\frac{n-a_1}{a_2}\right)}^{a_3}],& n>a_1\\ \exp [-{\left(\frac{a_1-t}{a_4}\right)}^{a_5}],& n<a_1\end{array}\right.$

其中，线性参数c₁和c₂决定了高斯函数的峰值，a₁表示高斯函数极值对应的位置，a₂和a₃决定了右半边函数的坡度，a₄和a₅决定了左半边函数的坡度。

根据串行级联的高斯函数，采用最小二乘法（LS）拟合K因子变化如图2所示，其中两个高斯函数拟合LOS区域，一个高斯函数拟合OLOS区域，高斯函数的拼接部分拟合NLOS区域。通过拟合结果，得到各区域K因子的峰值，其中NLOS区域为0dB，OLOS区域为8dB，LOS区域为12dB。

步骤104、根据各区域的水平距离、宽度和K因子峰值构建K因子模型，并计算与实测结果的标准差。

最后构建的K因子模型如下：

K_dB(d)=g(d;x_m,y_m,z_m)+K_σ,d∈[-600,600]

其中，

$g(d;x_m,y_m,z_m)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_m\exp [-{\left(\frac{d-y_m}{z_m/1.67}\right)}^2]$

$k_{\mathrm{\&sigma;}}~N(0,{\mathrm{\&sigma;}}_k^2)$

其中，d为基站与列车天线的相对距离，M为LOS和OLOS区域的个数，x_m表示LOS和OLOS的峰值K因子，y_m表示LOS和OLOS区域的中间位置与基站的相对距离，z_m表示LOS和OLOS区域的宽度，这里定义z_m等于高斯函数的波峰半高度的宽度。K_σ表示与实测结果的波动值，服从均值为0，标准差为σ_K的正态分布。表1给出了K因子模型参数：

为了验证上述K因子模型，首先仿真服从莱斯分布的窄带CIR，如下式

h_sim(d)=μ(d)+σ(d)[X_I(d)+jX_Q(d)]

其中，X_I(d)和X_Q(d)为独立的服从标准正态分布的变量，μ(d)和σ(d)分别为仿真的窄带CIR的均值和标准差，如下两式

$\mathrm{\&mu;}\left(d\right)=\sqrt{\frac{K\left(d\right)}{K\left(d\right)+1}}$

$\mathrm{\&sigma;}\left(d\right)=\sqrt{\frac{1}{2(K\left(d\right)+1)}}$

仿真数据与实测数据进行对比，如图3所示。这里采用PDF作为衡量标准。从图中可以看出，模型数据与实测数据的PDF基本一致，因此验证了本申请K因子模型的正确性。

以上对本申请所提供的一种高速铁路高架桥场景下时变K因子模型构建方法，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 (8)

1.一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于，包括：

步骤101、将高速铁路高架桥场景分为完全遮挡、部分遮挡和无遮挡区域,并确定各区域相对基站的水平距离和宽度；

步骤102、根据实测信道冲激响应，消除实测信道冲激响应的误差后估计时变K因子；

步骤103、采用串行高斯函数对时变K因子进行拟合，确定各区域K因子的峰值；

步骤104、根据各区域的水平距离、宽度和K因子峰值构建K因子模型，并计算与实测结果的标准差。

2.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述高速铁路高架桥场景遮挡类型划分依据为，当遮挡物距离高架桥15m之内并高于列车车顶1m以上时，属于完全遮挡情况；当遮挡物高于高架桥并低于列车车顶时，属于部分遮挡情况；当遮挡物不存在或其高度低于高架桥时，属于无遮挡情况。

3.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述误差是指测量设备系统误差、信道冲激响应中的噪声分量和信道大尺度衰落。

4.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述估计时变K因子的方法包括1,2阶矩估计法和2,4阶矩估计法。

5.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述K因子不是一个固定的常数，而是随时间或相对基站距离变化的变量。

6.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述采用串行高斯函数拟合实测K因子，得到各区域K因子的峰值，其中完全遮挡区域K因子的峰值为0dB，部分遮挡区域K因子的峰值为8dB，无遮挡区域K因子的峰值为12dB。

7.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：

所述K因子模型与实测结果的标准差为4.5dB，该标准差作为模型的波动参量。

8.根据权利要求1所述的一种高速铁路高架桥场景下时变K因子模型构建方法，其特征在于：所述构建K因子模型为：

K_dB(d)=g(d;x_m,y_m,z_m)+K_σ,d∈[-600,600]

其中，

$g(d;x_m,y_m,z_m)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_m\exp [-{\left(\frac{d-y_m}{z_m/1.67}\right)}^2]$

$K_{\mathrm{\&sigma;}}~N(0,{\mathrm{\&sigma;}}_K^2)$

其中，d为基站与列车天线的相对距离，M为LOS和OLOS区域的个数，x_m表示LOS和OLOS的峰值K因子，y_m表示LOS和OLOS区域的中间位置与基站的相对距离，z_m表示LOS和OLOS区域的宽度，这里定义z_m等于高斯函数的波峰半高度的宽度。K_σ表示与实测结果的波动值，服从均值为0，标准差为σ_K的正态分布。

Images