CN103401621A - 高铁高架桥场景下基于簇延迟线的分区混合信道建模方法 - Google Patents

Abstract

本发明涉及高铁高架桥场景下基于簇延迟线的分区混合信道建模方法。本发明的方法包括：对测量得到的信道脉冲响应进行多径分量提取，分簇；按簇数量变化进行数据分区；计算以簇的形式出现的周期性移动反射径相对于以簇的形式出现的直射径的相对延迟时间，分离理论模型数据和统计模型数据;统计模型数据分析；理论模型数据分析；建立高铁高架桥场景下基于簇延迟线的分区混合信道模型。采用本发明，既能通过簇间特性反映宽带信道变化的整体特性，也能通过簇内特性反映宽带信道变化的细节；既能反映轨道两侧规律性建筑对信道多径特性的规律性影响，也能反映列车周围快速变化的场景对信道多径特性的非规律性影响。

Description

高铁高架桥场景下基于簇延迟线的分区混合信道建模方法

技术领域：

本发明涉及无线移动通信技术领域，具体涉及在高铁高架桥场景下，高铁高架桥场景下基于簇延迟线的分区混合信道建模方法。

背景技术：

高速铁路的发展要求与之配套的车地宽带无线通信系统得到相适应发展。一方面为乘客提供通信服务，除基本语音服务外，宽带数据业务的需求呈上升趋势；另一方面为保障列车安全运行，列车关键部件的大量实时状态信息需要及时传输到地面监控中心。因此，构建适应高铁环境的宽带无线接入系统势在必行。高铁无线信道模型是通信系统设计的基础，高铁场景下信道特性的测量与建模是高铁无线通信系统研究的基础工作之一。目前，WINNERⅡ模型给出了专门的高铁模型——D2a模型，描述了中心频率为5.2GHz，带宽为120MHz的信道模型，并引入了簇模型的概念；芬兰Elektrobit公司与台湾工业技术研究院于2007年利用Propsound在台湾开展了高铁环境下的信道测量，得到时延扩展，最大时延等参数；3GPP Release10也有针对高铁的信道模型。但这些信道模型，从频点、带宽到测量场景，都并不能真实反映我国高铁场景下的信道特性。针对我国高铁沿线的典型场景，如平原、山区、U型槽等，迫切需要通过现场测量，建立较为准确的高铁模型，为后续LTE和LTE—A高铁环境下的样机开发测试和系统仿真评估工作提供基础条件。

高速条件下的信道，受速度以及周围特殊场景的影响，会呈现出不同的特性。在如附图1所示的高铁高架桥场景的信道测量中，测量发射端设在地面，发射功率为30.8dB，而接收机置于列车内部。发射天线采用双偶极子天线，与高架桥垂直距离为92m，距地面的高度为12.8m。接收机与专用车顶HUBER+SUHNER天线相连。测试列车速度为200km/h，即55.6m/s。高架桥距地面8m，车厢高度约为3m，高架桥中轨道两侧以约50m的间隔均匀分布着高铁接触网电杆。另外，GPS与接收机相连，用于同步和定位。测试系统的中心频率为2.35GHz，系统带宽为50MHz，信道采样率为1968，码长为127。测量得到约42040个有效样本，测试的有效距离为1.2km。受测试环境在移动过程中不断变化的影响，每个信道冲击响应（Channel impulse response—CIR）中所包含的多径数目，多径延迟以及每一径的径功率也不尽相同。为了获得短时间内的平均功率延迟分布（Powerdelay profile—PDP），对每40个CIR快照进行平均。

列车穿越发射“基站”过程中，PDP也发生变化，直射径作为主径，随着列车靠近发射机，其传播时延逐渐减小，而功率则明显增大，在10.75s处达到最大值。此后，随着列车远离发射机，主径传播时延增大，而接收功率又逐渐减弱。在主径变化过程中，有一条较明显的反射径，周期性地靠近和远离主径，变化周期约为0.89s，对应距离为50m。这些周期性靠近和远离主径的反射径在整个信道多径变化过程中形成了规律的小“毛刺”。这些小“毛刺”是由高架桥两侧均匀分布的接触网电杆形成的反射区域造成的。在WINNERⅡ模型中，同样提到在规律位置的规律建筑会对信号传播造成影响，但在实际建模中并没有考虑这个因素。我们将这些周期性变化的反射径称为“理论模型数据”，由这些数据建立“理论模型”，将除规律性变化的反射径之外的其他多径称为“统计模型数据”，由统计模型数据建立“统计模型”。

对于宽带信道测量，尤其在MIMO信道测量中，信号经过某一组散射体到达接收机时，其延迟、到达角和离开角等参数具有相似特性，这些具有相似特性的一组多径分量构成一簇。簇间特性能够体现信道变化的整体特性，而簇内特性体现每一簇内的信道细微变化。传统的，从真实测量数据中提取出多径信道模型，一般建模为统计模型，例如WINNERⅡ模型和IMT-A模型等，这种建模方法的缺点去忽略了信道传播中的规律性变化。另一方面，在现有的参考文献中，关于高铁场景下的理论信道模型，缺乏实际测量数据的验证。

以上提到的各种现实因素促使我们需要研究一种新的混合分簇建模方法，该方法可以高铁高架桥场景下信道中的周期性变化反射径进行理论建模，而对其他无周期性变化特性的多径进行统计建模。

发明内容

为解决以上现有技术的不足，在高铁高架桥场景下，针对列车移动过程中的地面基站与列车通信时信道，基于实际信道测量数据，本发明提出一种高铁高架桥场景下基于簇延迟线的分区混合信道建模方法。

本发明的技术方案为：

高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，所述方法包括以下步骤：

步骤101：对测量得到的信道脉冲响应CIR进行多径分量（Multipathcomponent—MPC）提取，分簇；

步骤102：按簇数量变化进行数据分区；

步骤103：计算以簇的形式出现的周期性移动反射径相对于以簇的形式出现的直射径的相对延迟时间，分离理论模型数据和统计模型数据；

步骤104：统计模型数据分析，得到簇的数量，簇的平均到达时间间隔，簇的平均增益，簇内平均MPC数量，簇内MPC的时间间隔，簇内MPC的衰落特性；

步骤105：理论模型数据分析，得到周期性移动簇增益，簇内平均MPC数量，簇内MCP的时间间隔以及簇内MPC衰落特性；

步骤106：建立高铁高架桥场景下基于簇延迟线的分区混合信道模型。

所述步骤101中从信道脉冲响应中提取MPC时，认为噪底以上的采样点均为MPC分量。

所述步骤101中对MPC进行分簇时，设置簇数量K的取值范围最小值K_min等于连续MPC的组数，最大值K_max等于MPC数量的二分之一，簇的位置在MPC的延迟范围内均匀选取。

所述簇数量K∈[K_min,K_min]内，每个K的取值，采用迭代搜索方法确定每一簇的中心位置，设置迭代搜索次数的最大值J_max，满足下列条件之一，迭代搜索停止：（1）每一簇的中心位置收敛于某一个值停止迭代搜索；（2）搜索次数达到J_max，则输出第J_max次搜索的值，并停止迭代搜索。

所述步骤102中，根据簇的变化趋势以及列车位置，将数据分为RA，TA，CA和AA四个区域。

所述步骤103中，计算周期性移动反射径相对于直射径的相对传播时延，并根据该相对传播时延，提取每一个CIR中对应的周期性移动反射径作为理论模型参考数据，剩余部分作为统计模型参考数据。

所述步骤104中，统计模型数据分析包括簇间参数分析和簇内参数分析，其中，簇间参数分析包括：簇数量统计；将第一簇的增益作为参考，设为0dB，计算其他簇的平均簇增益（dB）；将第一簇的到达时间归一化为0，对簇数量在时间轴上进行统计，对簇的到达时间进行泊松拟合；

簇内参数分析包括每一簇所包含的MPC数量、MPC时间间隔以及MPC功率衰落，其中，MPC时间间隔为系统的采样间隔，对每一簇中的MPC衰落进行指数衰落拟合，得到统计模型中每一簇内MPC衰落率。

所述步骤105中，理论模型数据分析包括簇间参数分析和簇内参数分析，其中，簇间参数分析包括：簇的移动时间，由步骤103得到；簇的平均增益，以统计模型中第一簇功率作为参考设为0dB，计算理论模型中的平均簇增益；

簇内参数分析包括：簇内平均MPC数量，MPC时间间隔以及簇内MPC衰落，其中MPC时间间隔为系统采样间隔，对簇内MPC衰落进行指数衰落拟合，到理论模型中簇内MPC衰落率。

所述步骤106中，建立高铁高架桥场景下基于簇延迟线的分区混合信道模型，将列车穿越基站过程中信道变化划分为RA、TA、CA和AA四个区域，每个区域包括统计簇模型和理论簇模型两部分，统计簇模型中的参数包括：簇数量、相对簇延迟、平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内MPC衰落率；理论簇模型中的参数包括：周期性移动簇的移动时间，平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内平均MPC衰落率。

所述步骤106中，所述统计模型中簇的到达时间服从迫松过程但并不仅仅限于迫松分布，所述统计模型和理论模型中簇内MPC衰落服从指数衰落。

本发明产生的有益效果：列车穿越发射基站过程中，多径随着列车的位置变化而变化。同时，地面基站与列车之间的宽带无线通信信道受两个方面的影响：1）轨道两侧的规律建筑（如接触电杆）产生的规律性反射；2）列车周围其他不规律的快速变化的环境产生的不规律反射。利用基于簇延迟线的分区混合信道建模方法，联合实际测量数据，对高速铁路场景下的宽带无线信道进行建模，簇延迟线模型精确描述信道的宽带特性，避免了上述两方面的影响，分区描述列车运动过程中信道动态变化的过程，混合建模中的理论模型和统计模型分别描述了规律的信道变化和不规律的信道变化，对改进和优化高铁场景下的无线系统特性具有重要意义。

下面的具体说明将以本次郑西线高架桥场景的实际测量环境和数据为例。

附图说明

图1是示出郑西线高架桥测量场景；

图2是示出高铁高架桥场景下基于簇延迟线的分区混合信道建模方法流程图；

图3（a）是示出对测量数据进行MPC提取，得到的测试过程中MPC的变化，并根据MPC数量变化进行分区；

图3（b）是示出对测量数据进行分簇算法后，得到簇数量的变化；

图4是示出统计模型中不同区域簇的平均到达率及其泊松拟合；

图5是示出统计模型中不同区域簇内功率衰落以及指数衰落拟合。

具体实施方式

下面结合附图和具体实施例对本发明做更详细的描述。

为使本发明的上述目的、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。

参照附图2，示出了本发明高铁高架桥场景下基于簇延迟线的分区混合信道建模方法流程示意图，包括：

步骤101：对测量得到的信道脉冲响应（CIR）进行MPC提取，分簇。

测量得到约42040个有效样本，有效距离1.2km，有效时间为21.4s。为短时间内的平均功率延迟分布（PDP），本实施例中，每40个CIR进行平均。多径的搜索确定采用动态可变噪底，降低“误检”和“漏检”概率。对于宽带测量，采用门限判决法判决多径，即判决门限以上的采样点均作为多径分量（Multipathcomponent—MPC），假设MPC的数量为L。采用简化的自动分簇算法进行MPC分簇。对分簇的数量以及簇的中心位置进行迭代搜索运算，找到最优的分簇数量和对应的中心位置。假设得到的L个MPC的延迟为T=[τ₁…τ_L]^T，功率为P=[P₁…P_L]^T。设置簇数量K的搜索范围时，簇的最小值K_min等于连续MPC的组数，簇的最大值等于K_max=L/2，K在[τ₁…τ_L]的范围内均匀选取。每个K的取值，采用迭代搜索方法确定每一簇的中心位置。设置迭代搜索次数的最大值J_max，满足下列条件之一，迭代搜索停止：（1）每一簇的中心位置收敛于某一个值停止迭代搜索；（2）搜索次数达到J_max，则输出第J_max次搜索的值，并停止迭代搜索。忽略到达角和离开角，只考虑时间延迟。通过上述算法可以得到以下参数：簇的数量，簇的中心位置，簇的功率，簇内MPC的数量，位置及功率。由上述算法得到的分簇效果如附图3所示，图（a）为整个测试过程中MPC的变化过程，图（b）为采用优化的自动分簇算法得到的相应簇数量变化过程，图中显示MPC和簇数量的变化趋势一致。其中，t=10.75s时，列车距离发射机最近。

步骤102：按簇数量变化进行数据分区。

由附图3（a）（b）可得，列车由远端靠近基站的过程中，MPC（或者簇）数目先增大，在t=8.2s达到最大值，然后随着列车靠近基站，MPC（或者簇）数目迅速减少。列车远离基站的过程与上述过程相反。根据簇数量的变化，测试数据段分为RA（Remote Area），TA（Toward Area），CA（Close Area）和AA（ArrivalArea）四个区域，对应的簇数量分别为2，3，4和2，如附图3（b）所示。

步骤103：理论模型分析，计算周期性移动反射径相对于直射径的相对延迟时间，分离理论模型数据和统计模型数据。

针对列车在高架桥场景下行驶时，受高架桥两侧均匀分布的接触网电杆的影响，会形成相对于直射径周期性移动的反射径，由此建立高铁高架桥场景下的理论模型，计算得到移动簇相对于主径的延迟，通过延迟的计算将周期性移动的簇，即理论模型数据从步骤101中的数据中提取出，其余的多径即为统计模型数据。

步骤104：统计数据分析，得到簇的数量，簇的平均到达时间间隔，簇的平均增益，簇内平均MPC数量，簇内MPC的时间间隔，以及簇内MPC的衰落特性；

由步骤102得到每一簇的功率，以第一簇的增益作为参考（0dB），计算其他簇的平均簇增益（dB）。

由步骤102和步骤103得到的统计数据中每一簇的相对延迟，将第一簇的到达时间归一化为0，优选的，簇数量服从泊松分布，因此簇的到达时间被拟合为一个速率为Λ的泊松达到过程：

P(T_l|T_l-1)=Λexp[-Λ(T_l-T_l-1)],l>0    （1）

其中T_l和T_l-1分别为第l簇和第l-1簇的到达时间。设第一簇的到达时间设为0，即T₀=0。参数Λ是簇到达率。不同区域的簇到达率拟合如附图4所示，在RA，TA，CA和AA区域中，1/Λ的值分别为98.8ns,127.9ns,188.4ns和53.5ns。

由步骤102和步骤103提取的统计数据中，统计得到每一簇所包含的MPC的数量、MPC时间间隔以及功率。MPC时间间隔为系统的采样间隔；对每一簇中的MPC进行衰落拟合，优先的，采用指数衰落拟合，表达式为：

$P(k,l)=P(1,l)*\exp (-\frac{{\mathrm{\τ}}_k}{\mathrm{\γ}})---\left(2\right)$

其中，P(1，l)表示第l簇中第一个MPC的功率，τ_k表示第l簇中第k个MPC的延迟。每一个区域的MPC衰落以及用公式（2）进行拟合如附图5所示。参数γ表示簇内衰落率。在RA，TA，CA和AA区域中，γ的值分别为48.4ns,143.3ns,180.2ns和46.5ns。

步骤105：由步骤102和步骤103提取得到的理论数据中，以统计模型第一簇的增益作为参考（0dB），计算理论模型中的平均簇增益（dB）。

由步骤102和步骤103提取得到理论数据中，簇内的MPC衰落，与步骤104中相同，优先的，以指数衰落拟合，其衰落率为50.8ns。

步骤106：基于步骤101-105，建立高铁高架桥场景下基于簇延迟线的分区混合信道模型，如下表所示。根据簇数量的变化，将列车穿越基站过程中信道变化划分为RA、TA、CA和AA四个区域，每个区域包括统计簇模型和理论簇模型两部分，统计簇模型中的参数包括：簇数量、相对簇延迟、平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内平均MPC衰落率；理论簇模型中的参数包括：周期性移动簇的移动时间，平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内平均MPC衰落率；

统计簇模型描述列车周围快速变化的场景对信道多径特性的非规律性影响，理论簇模型描述轨道两侧规律性建筑对信道多径特性的规律性影响。由公式（3）计算得到理论簇模中周期性移动反射径相对于直射径的相对时延。假设c表示光速，H和h分别表示发射机和电杆到轨道的垂直距离，DS和m分别表示列车和第一个电杆到中线的初始距离，列车速度v，且两个相邻电杆之间的距离为ds，列车穿越一个散射区域的时间为t_interval，则其传播时延表示为：

Δτ=τ_direct1+τ_scatter+τ_direct2    （3）

$\mathrm{\τ}\_\mathrm{direct}1=\frac{1}{c}\·\sqrt{{(m^2-\mathrm{ds}*T\_\mathrm{floor})}^2+{(H-h)}^2}---\left(4\right)$

$\mathrm{\τ}\_\mathrm{scatter}=\frac{1}{c}\·\sqrt{{\left(\mathrm{abs}(\frac{\mathrm{ds}}{2}-v*t\_\mathrm{rem})\right)}^2+h^2}---\left(5\right)$

$\mathrm{\τ}\_\mathrm{direct}2=\frac{1}{c}\·\sqrt{{(\mathrm{DS}-\mathrm{ds}*T\_\mathrm{floor}-v*t\_\mathrm{rem})}^2+H^2}---\left(6\right)$

其中，t_rem=rem(t,t_interval)表示取余函数，T_floor=floor(t/t_interval)，其中floor(A)表示小于或等于A的最大函数。

表1：高铁高架桥场景下基于簇延迟线的分区混合信道模型

应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于，所述方法包括以下步骤：

步骤101：对测量得到的信道脉冲响应CIR进行多径分量（Multipathcomponent—MPC）提取，分簇；

步骤102：按簇数量变化进行数据分区；

步骤103：计算以簇的形式出现的周期性移动反射径相对于以簇的形式出现的直射径的相对延迟时间，分离理论模型数据和统计模型数据；

步骤104：统计模型数据分析，得到簇的数量，簇的平均到达时间间隔，簇的平均增益，簇内平均MPC数量，簇内MPC的时间间隔，簇内MPC的衰落特性；

步骤105：理论模型数据分析，得到周期性移动簇增益，簇内平均MPC数量，簇内MCP的时间间隔以及簇内MPC衰落特性；

步骤106：建立高铁高架桥场景下基于簇延迟线的分区混合信道模型。

2.根据权利要求1所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤101中从信道脉冲响应中提取MPC时，认为噪底以上的采样点均为MPC分量。

3.根据权利要求1所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤101中对MPC进行分簇时，设置簇数量K的取值范围最小值K_min等于连续MPC的组数，最大值K_max等于MPC数量的二分之一，簇的位置在MPC的延迟范围内均匀选取。

4.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述簇数量K∈[K_min,K_min]内，每个K的取值，采用迭代搜索方法确定每一簇的中心位置，设置迭代搜索次数的最大值J_max，满足下列条件之一，迭代搜索停止：（1）每一簇的中心位置收敛于某一个值停止迭代搜索；（2）搜索次数达到J_max，则输出第J_max次搜索的值，并停止迭代搜索。

5.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤102中，根据簇的变化趋势以及列车位置，将数据分为RA，TA，CA和AA四个区域。

6.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤103中，计算周期性移动反射径相对于直射径的相对传播时延，并根据该相对传播时延，提取每一个CIR中对应的周期性移动反射径作为理论模型参考数据，剩余部分作为统计模型参考数据。

7.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤104中，统计模型数据分析包括簇间参数分析和簇内参数分析，其中，簇间参数分析包括：簇数量统计；将第一簇的增益作为参考，设为0dB，计算其他簇的平均簇增益（dB）；将第一簇的到达时间归一化为0，对簇数量在时间轴上进行统计，对簇的到达时间进行泊松拟合；

簇内参数分析包括每一簇所包含的MPC数量、MPC时间间隔以及MPC功率衰落，其中，MPC时间间隔为系统的采样间隔，对每一簇中的MPC衰落进行指数衰落拟合，得到统计模型中每一簇内MPC衰落率。

8.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤105中，理论模型数据分析包括簇间参数分析和簇内参数分析，其中，簇间参数分析包括：簇的移动时间，由步骤103得到；簇的平均增益，以统计模型中第一簇功率作为参考设为0dB，计算理论模型中的平均簇增益；

簇内参数分析包括：簇内平均MPC数量，MPC时间间隔以及簇内MPC衰落，其中MPC时间间隔为系统采样间隔，对簇内MPC衰落进行指数衰落拟合，到理论模型中簇内MPC衰落率。

9.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤106中，建立高铁高架桥场景下基于簇延迟线的分区混合信道模型，将列车穿越基站过程中信道变化划分为RA、TA、CA和AA四个区域，每个区域包括统计簇模型和理论簇模型两部分，统计簇模型中的参数包括：簇数量、相对簇延迟、平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内MPC衰落率；理论簇模型中的参数包括：周期性移动簇的移动时间，平均簇增益、簇内平均MPC数量、簇内MPC时间间隔，以及簇内平均MPC衰落率。

10.根据权利要求2所述的高铁高架桥场景下基于簇延迟线的分区混合信道建模方法，其特征在于：所述步骤106中，所述统计模型中簇的到达时间服从迫松过程但并不仅仅限于迫松分布，所述统计模型和理论模型中簇内MPC衰落服从指数衰落。

Images