CN103582027A - 一种无线通信信道参数的估计方法及装置 - Google Patents

Abstract

本发明公开了一种无线通信信道参数的估计方法及装置，所述无线通信信道参数的估计方法没有将所有的干扰信号看作为常数，而是将每一个干扰信号都看作符合瑞利分布的随机变量，进而将一个或多个为随机变量的干扰项引入通信信道参数的计算中，得到高精确的通信信道参数的结果。这种处理方式适用于存在任意数量的干扰项的无线通信系统中，应用在干扰项数量比较少的无线通信系统中能够得到更加精确的通信信道参数，从而有效保障控制中心分析电力数据得到的结果的准确性。

Description

一种无线通信信道参数的估计方法及装置

技术领域

本发明涉及通信技术领域，更具体的说，是涉及一种无线通信信道参数的估计方法及装置。

背景技术

在电网系统的运行管理中，需要通过对输电网上的一些实时数据的分析来了解电网系统的各项参数及性能，从而更好的服务于电网系统的运行管理工作。而输电网上的实时数据的采集，目前应用比较广泛的一种方式是：在输电线路上安装无线传感器来实时采集各种电力数据，然后将采集得到的电力数据通过中继节点发往控制中心，以便于后续分析处理使用。

由于无线传感器和中继节点之间是通过无线传输的方式传输电力数据，且一个中继节点负责收集转发的电力数据可能对应多个无线传感器，因此，一个中继节点与W个无线传感器之间的W个通信链路就会形成对应的W个无线通信信道。而相对于每一个单独的通信信道而言，其他的通信信道就为干扰信道；相对于一个通信信道上传输的信号而言，其他的通信信道上传输的信号就为干扰信号。因此，控制中心就需要了解无线传感器与中继节点之间的通信信道的参数信息，从而对噪声和干扰信号做相应处理，以便于对接收到的电力数据进行准确的解析工作。

控制中心对噪声的处理往往是将噪声看成高斯随机变量。现有技术中，对干扰信号的处理是将所有干扰信号看作功率为常数（值的大小由发射功率和路径损耗决定）的高斯白噪声，这里的高斯白噪声为一常数。对干扰信号的处理主要是采用中心极限定理的方法，该方法依据概率论与数理统计原理，指出大量随机变量近似服从正态分布的条件。即设均值为μ，方差为σ²的任意一个总体中抽取样本量为W的样本，当W充分大时，样本均值的抽样分布近似服从均值为μ、方差为σ²/n的正态分布。但是，在控制中心处理干扰项的过程中，中心极限定理的采用有一个前提条件，该条件为：干扰项的数量充分大。而在实际应用中，单个电网铁塔上安装的无线传感器的个数是有限的，在这种情况下，干扰项比较少，采用中心极限定理来处理干扰项就存在比较大的误差，从而影响无线通信信道参数的分析，进而影响控制中心分析得到的结果的准确性，甚至可能影响控制中心最终的管理运行策略。

发明内容

有鉴于此，本发明提供了一种无线通信信道参数的估计方法及装置，以在无线通信信道中干扰项比较少的情况下，对干扰项进行处理并得到误差允许范围内的处理结果，从而有效保障控制中心分析电力数据得到的结果的准确性。

为实现上述目的，本发明提供如下技术方案：

一种无线通信信道参数的估计方法，包括：

获取W个电力数据信号；所述W为正整数；

根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

可选的，所述根据所述W个电力数据信号确定W条瑞利分布函数曲线，包括：

针对每一个电力数据信号，根据最大似然估计法估计出传输所述电力数据信号的无线通信信道的现有信道参数；根据所述现有信道参数对所述电力数据信号进行解调，并根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线；得到W条瑞利分布函数曲线。

可选的，所述根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，包括：

根据所述电力数据信号对应的瑞利分布函数曲线确定有用信号，并根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线确定所述电力数据信号的干扰信号；

确定所述电力数据信号中的噪声信号；

根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

可选的，在所述得到分别与所述W个电力数据信号一一对应的W个信干噪比值后，还包括：

针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

可选的，所述针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数，包括：

针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

一种无线通信信道参数的估计装置，包括：

信号获取模块，用于获取W个电力数据信号；所述W为正整数；

函数曲线确定模块，用于根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

信干噪比确定模块，用于针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

可选的，所述函数曲线确定模块包括：

现有信道参数确定模块，用于根据最大似然估计法估计出传输电力数据信号的无线通信信道的现有信道参数；

信号解调模块，用于根据所述现有信道参数对所述电力数据信号进行解调；

曲线确定模块，用于根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线。

可选的，信干噪比确定模块包括：

有用信号确定模块，用于根据所述电力数据信号对应的瑞利分布函数曲线，确定所述电力数据信号的有用信号；

干扰信号确定模块，用于根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线，确定所述电力数据信号的干扰信号；

噪声信号确定模块，用于确定所述电力数据信号中的噪声信号；

信干噪比确定子模块，用于根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

可选的，还包括：

质量参数确定模块，用于针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

可选的，所述质量参数确定模块具体用于：针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种无线通信信道参数的估计方法及装置，所述无线通信信道参数的估计方法没有将所有的干扰信号看作为常数，而是将每一个干扰信号都看作符合瑞利分布的随机变量，进而将一个或多个为随机变量的干扰项引入通信信道参数的计算中，得到高精确的通信信道参数的结果。这种处理方式适用于存在任意数量的干扰项的无线通信系统中，应用在干扰项数量比较少的无线通信系统中能够得到更加精确的通信信道参数，从而有效保障控制中心分析电力数据得到的结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为电力数据的采集及传送系统的布局示意图；

图2为本发明实施例公开的无线通信信道参数的估计方法的流程图；

图3为本发明实施例公开的确定传输电力数据信号的无线通信信道的信干燥比值的流程图；

图4为本发明实施例公开的另一个无线通信信道参数的估计方法的流程图；

图5为本发明实施例公开的无线通信信道参数的估计装置的结构示意图；

图6为本发明实施例公开的信干噪比确定模块的结构示意图；

图7为本发明实施例公开的另一个无线通信信道参数的估计装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本发明实施例，下面给出电力数据从采集到传送至控制中心的场景介绍。

图1为电力数据的采集及传送系统的布局示意图，参见图1所示，在输电网中，单个铁塔中包括多个无线传感器，所述多个无线传感器可以设置在相同或不同的电线上，在每个铁塔的塔顶都设置有一个中继节点，用于收集本铁塔上的无线传感器采集到的电力数据，然后中继节点可以将收集到的数据信息传送给相邻铁塔上的中继节点，以此类推，最后输电线路两端的铁塔上的中继节点将接收到的所有电力数据发送给控制中心。其中，中继节点向相邻铁塔上的中继节点传送信息，可以是双向传送，即同时将信息传送给前后铁塔上的中继节点上。

图2为本发明实施例公开的无线通信信道参数的估计方法的流程图，本方法的执行主体可以为输电系统的控制中心，也可以为单独的处理器。参见图2所示，所述无线通信信道参数的估计方法可以包括：

步骤201：获取W个电力数据信号；

其中，所述W为正整数。所述W个电力数据信号中的每一个电力数据信号都是通过不同的信道传送的，也就是说，如果接受到的电力数据信号有W个，那么就必然存在W个无线通信信道。同一个电力数据信号在不同的时刻，其性质也不同，例如，当需要获取第一个信道的信道参数时，第一个信道上传送的第一电力数据信号就为有用信号，而其他信道上传送的电力数据信号就为干扰信号；当需要获取第二个信道的信道参数时，第二个信道上上传送的第二电力数据信号就为有用信号，而包括第一个信道上传送的第一电力数据信号的其他信道上传送的电力数据信号就为干扰信号。这样，就能够得到每一个信道的信道参数，以方便通信系统中任意一个信道上的电力数据信号的接收处理。

步骤202：根据所述W个电力数据信号确定W条瑞利分布函数曲线；

其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应。

本发明实施例中，每一个电力数据信号都有与自身对应的瑞利分布函数曲线，因此，每一个电力数据信号都可以看做随机变量，这样，在确定一个电力数据信号的传输信道的信道参数时，其他信道上的干扰信号都为随机变量。由于信道的状态是时刻发生变化的，因此，将干扰信号看做随机变量来处理更符合实际情况中的场景，从而最终根据干扰项计算得到的信道参数也更加精确。

步骤203：针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

步骤203可以概括为：根据所述W个瑞利分布函数曲线得到分别与W个电力数据信号一一对应的W个信干噪比值。这里所述的与电力数据信号对应的信干噪比值，是指传输所述电力数据信号的无线通信信道的信干噪比值。

其中，每一个信干噪比值与一个电力数据信号对应，而每一个电力数据信号又有一个单独的传输信道，因此，每一个信干噪比值都与一个传输信道对应。所述信干噪比值可以为与其对应的信道的一项信道参数。

由于各个电力数据信号对应的信道都符合瑞利分布，因此，电力数据信号在经过衰落后，在接收端接收到的电力数据信号中的有用信号为a|h|²，其服从自由度为2的卡方分布。其中，a为无线传感器发射电力数据信号的发射功率。

如果在一个铁塔上设置有N个用于测量同一个电力数据的无线传感器，将所述电力数据定义为第一电力数据，那么在控制中心接收到的W个电力数据信号中也包括N个第一电力数据信号，如果现在需要计算传输所述第一电力数据信号的信道的信道参数，那么此时控制中心接收到的W个电力数据信号中也包括N个有用信号，此时的有用信号为

其概率密度函数可表示为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\π}}_i}{a_i}\exp (-\frac{x}{a_i})---\left(1\right)$

其中， ${\mathrm{\π}}_i={\mathrm{\Π}}_{{\mathrm{}}_{n\≠i}^{n=1}}^N(a_i/(a_i-a_n))$

公式（1）中，a_i为第i个传感器的发射功率；h_i为第i个无线传感器到相应中继节点的衰落信道；

公式（1）的推导过程可以是：

由于信道服从瑞利分布，根据概率论的知识可知a_i|h_i|²是服从均值为a_i的指数分布。因此，

的矩生成函数为：

${\mathrm{\Φ}}_x\left(s\right)=\underset{i=1}{\overset{7}{\mathrm{\Π}}}\frac{1/a_i}{1/a_i+s}$

对上式进行拉普拉斯反变换，可以得到：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\mathrm{\π}}_i}{a_i}\exp (-\frac{x}{a_i})$

其中：

干扰信号可以表示为：

$y=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{b}_j{\left|h_j\right|}^2---\left(2\right)$

y表示干扰信号的和；b_j表示第j个传感器的发射功率；M表示干扰信号的个数。

控制中心接收到的电力数据信号（包括有用信号、干扰信号和噪声信号）的信干噪比为：

$\mathrm{SINR}=\frac{x}{y+\mathrm{\τ}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{\left|h_i\right|}^2}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{b}_j{\left|h_j\right|}^2+{\mathrm{\δ}}_n^2}---\left(3\right)$

其中，噪声信号是服从均值为0，方差为

的高斯白噪声。

本实施例中，所述无线通信信道参数的估计方法没有将所有的干扰信号看作为常数，而是将每一个干扰信号都看作符合瑞利分布的随机变量，进而将一个或多个为随机变量的干扰项引入通信信道参数的计算中，得到高精确的通信信道参数的结果。这种处理方式适用于存在任意数量的干扰项的无线通信系统中，应用在干扰项数量比较少的无线通信系统中能够得到更加精确的通信信道参数，从而有效保障控制中心分析电力数据得到的结果的准确性。

在上述实施例中，步骤202所述的根据所述W个电力数据信号确定W条瑞利分布函数曲线的具体过程可以是：针对每一个电力数据信号，根据最大似然估计法估计出传输所述电力数据信号的无线通信信道的现有信道参数；根据所述现有信道参数对所述电力数据信号进行解调，并根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线；得到W条瑞利分布函数曲线。

其中，具体解调的方法可以是：以估计出的现有信道参数的共轭转置乘以所述电力数据信号，然后将上述相乘的结果在一个信号周期内进行积分处理。

需要说明的是，根据解调结果确定的与所述电力数据信号对应的瑞利分布函数曲线对应的是电力数据信号中的有用信号的函数曲线，也即去除干扰部分的电力数据信号。这样，将每一个电力数据信号中的有用信号提取出来，并用瑞利分布函数曲线表示，能够方便后续对无线通信信道参数的估计。

在上述实施例中，步骤203的具体过程可以参见图3，图3为本发明实施例公开的确定传输电力数据信号的无线通信信道的信干燥比值的流程图，如图3所示，可以包括：

步骤301：根据所述电力数据信号对应的瑞利分布函数曲线确定有用信号，并根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线，确定所述电力数据信号的干扰信号；

其中，根据与所述电力数据信号对应的瑞利分布函数曲线可以确定有用信号，根据除所述与所述电力数据信号对应的瑞利分布函数曲线之外的其他的瑞利分布函数曲线可以确定一个或多个干扰信号。

步骤302：确定所述电力数据信号中的噪声信号；

步骤302中，确定电力数据信号中的噪声信号可采用现有技术中的方式，即直接将噪声信号看成是高斯白噪声。

步骤303：根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

在确定了有用信号、干扰信号和噪声信号后，步骤303中，可采用现有技术中计算信干燥比值的方法来计算与所述电力数据信号对应的信干噪比值，即有用信号除以干扰信号与噪声信号的和的值。

本实施例中，根据各个瑞利分布函数曲线来确定有用信号和干扰信号，因此，将为随机变量的干扰信号引入电力数据信号的信干噪比值的计算中，提升了电力数据信号的信干噪比值结果的准确度。

图4为本发明实施例公开的另一个无线通信信道参数的估计方法的流程图，参见图4所示，所述方法可以包括：

步骤401：获取W个电力数据信号；

其中，所述W为正整数。

步骤402：根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

步骤403：针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值；

步骤404：针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

所述无线通信信道的质量参数可以包括中断概率、误码率和信道容量，因此，步骤404具体可以为：针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

中断概率：当接收端（控制中心）信干噪比低于预先设置的门限值γ_th时，系统发生中断。通过一系列的数学推导，得到中断概率的闭式表达式。

P_out=Pr(γ<γ_th)=1-Pr(γ>γ_th)    （4）

其中， $\mathrm{Pr}(\mathrm{\&gamma;}>{\mathrm{\&gamma;}}_{\mathrm{th}})=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i\exp (-\frac{{\mathrm{\&delta;}}_n^2{\mathrm{\&gamma;}}_{\mathrm{th}}}{a_i})\underset{j=1}{\overset{M}{\mathrm{\&Pi;}}}\frac{1}{1+\frac{{\mathrm{\&gamma;}}_{\mathrm{th}}{b}_j}{a_i}}---\left(5\right)$

公式（5）的推导过程：

$\begin{array}{c}\mathrm{Pr}(\mathrm{\&gamma;}>{\mathrm{\&gamma;}}_{\mathrm{th}})=\mathrm{Pr}(\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{\left|h_i\right|}^2}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_j{\left|h_j\right|}^2+{\mathrm{\&delta;}}_n^2}>{\mathrm{\&gamma;}}_{\mathrm{th}})\\ ={\&Integral;}_{t_1=0}^{\&infin;}\&CenterDot;\&CenterDot;\&CenterDot;{\&Integral;}_{t_N=0}^{\&infin;}\mathrm{Pr}(\frac{x}{{\mathrm{\&gamma;}}_{\mathrm{th}}}-{\mathrm{\&delta;}}_n^2>\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{t}_j)\underset{j=1}{\overset{M}{\mathrm{\&Pi;}}}\frac{1}{b_j}\exp (-\frac{t_j}{b_j}){\mathrm{dt}}_1\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{dt}}_M\\ =\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i{\&Integral;}_{t_1=0}^{\&infin;}\&CenterDot;\&CenterDot;\&CenterDot;{\&Integral;}_{t_N=0}^{\&infin;}\exp (-\frac{(\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{t}_j+{\mathrm{\&delta;}}_n^2){\mathrm{\&gamma;}}_{\mathrm{th}}}{a_i})\underset{j=1}{\overset{M}{\mathrm{\&Pi;}}}\frac{1}{b_j}\exp (-\frac{t_j}{b_j}){\mathrm{dt}}_1\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{dt}}_M\\ =\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i\exp (-\frac{{\mathrm{\&delta;}}_n^2{\mathrm{\&gamma;}}_{\mathrm{th}}}{a_i})\underset{j=1}{\overset{M}{\mathrm{\&Pi;}}}\frac{1}{b_j}{\&Integral;}_{t_j=0}^{\&infin;}\exp (-(\frac{1}{b_j}+\frac{{\mathrm{\&gamma;}}_{\mathrm{th}}}{a_i})t_j){\mathrm{dt}}_j\\ =\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i\exp (-\frac{{\mathrm{\&delta;}}_n^2{\mathrm{\&gamma;}}_{\mathrm{th}}}{a_i})\underset{j=1}{\overset{M}{\mathrm{\&Pi;}}}\frac{1}{1+\frac{{\mathrm{\&gamma;}}_{\mathrm{th}}{b}_j}{a_i}}\end{array}$

误码率：

$\mathrm{\&alpha;E}\left[g\left(\frac{\mathrm{\&beta;x}}{y+\mathrm{\&tau;}}\right)\right|y]=\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&pi;}}_i}{a_i}\underset{0}{\overset{\&infin;}{\&Integral;}}g\left(\frac{\mathrm{\&beta;x}}{y+\mathrm{\&tau;}}\right)\exp (-\frac{x}{a_i})\mathrm{dx}---\left(6\right)$

其中

α,β表示不同的调制方式。E[·]表示期望。

对公式(6)进行分部积分，可得下式：

$\begin{array}{c}\mathrm{\&alpha;E}\left[g\left(\frac{\mathrm{\&beta;x}}{y+\mathrm{\&tau;}}\right)\right|y]=\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i\underset{0}{\overset{\&infin;}{\&Integral;}}g\left(\frac{\mathrm{\&beta;x}}{y+\mathrm{\&tau;}}\right)\exp (-\frac{x}{a_i})\mathrm{dx}\\ =\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i[g\left(0\right)+{\&Integral;}_0^{\&infin;}{g}^{\&prime;}\left(t\right)\exp (-\frac{\mathrm{ty}}{\mathrm{\&beta;}{a}_i})\exp (-\frac{\mathrm{\&tau;t}}{\mathrm{\&beta;}{a}_i})\mathrm{dt}]\end{array}---\left(7\right)$

其中 $g^{\&prime;}\left(t\right)=-\frac{1}{\sqrt{\mathrm{\&pi;}}}\frac{\exp (-t)}{\sqrt{t}}F_1^1(0;\frac{3}{2};t).$

其中M_y(x)＝E[e^-xy]。

$\begin{array}{c}\mathrm{\&Delta;}={\&Integral;}_0^{\&infin;}{g}^{\&prime;}\left(t\right)M_y(-\frac{t}{\mathrm{\&beta;}{a}_i})\exp (-\frac{\mathrm{\&tau;t}}{\mathrm{\&beta;}{a}_i})\mathrm{dt}\\ =-\frac{1}{\sqrt{\mathrm{\&pi;}}}{\&Integral;}_0^{\&infin;}\frac{\exp (-t)}{\sqrt{t}}F_1^1(0;\frac{3}{2};t)[\frac{1}{1+\frac{b_{1}t}{\mathrm{\&beta;}{a}_i}}\frac{1}{1+\frac{b_{2}t}{\mathrm{\&beta;}{a}_i}}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}]\exp (-\frac{\mathrm{\&tau;t}}{{\mathrm{\&beta;a}}_i})\mathrm{dt}\\ =-\frac{1}{\sqrt{\mathrm{\&pi;}}}{\&Integral;}_0^{\&infin;}\frac{1}{\sqrt{t}}F_1^1(0;\frac{3}{2};t)[\frac{1}{1+\frac{b_{1}t}{{\mathrm{\&beta;a}}_i}}\frac{1}{1+\frac{b_{2}t}{\mathrm{\&beta;}{a}_i}}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}]\exp (-(\frac{\mathrm{\&tau;}}{{\mathrm{\&beta;a}}_i}+1)t)\mathrm{dt}\\ =-\frac{1}{\sqrt{\mathrm{\&pi;}}}{\&Integral;}_0^{\&infin;}\frac{1}{\sqrt{t}}F_1^1(0;\frac{3}{2};t)[\frac{d_1}{1+\frac{b_{1}t}{{\mathrm{\&beta;a}}_i}}+\frac{d_2}{1+\frac{b_{2}t}{{\mathrm{\&beta;a}}_i}}+\&CenterDot;\&CenterDot;\&CenterDot;+\frac{d_M}{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}]\exp (-(\frac{\mathrm{\&tau;}}{{\mathrm{\&beta;a}}_i}+1)t)\mathrm{dt}\end{array}---\left(9\right)$

其中：

$\begin{array}{c}{d}_1={[\frac{1+\frac{b_{1}t}{{\mathrm{\&beta;a}}_i}}{1+\frac{b_{2}t}{{\mathrm{\&beta;a}}_i}}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}]}_{t=-\frac{{\mathrm{\&beta;a}}_i}{b_1}}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ d_M={[\frac{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}{1+\frac{b_{1}t}{{\mathrm{\&beta;a}}_i}}\frac{1}{1+\frac{b_{2}t}{{\mathrm{\&beta;a}}_i}}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{1+\frac{b_{M-1}t}{{\mathrm{\&beta;a}}_i}}]}_{t=-\frac{{\mathrm{\&beta;a}}_i}{b_M}}\end{array}---\left(10\right)$

所以等式（9）可以解为：

$\begin{array}{c}{\mathrm{\&Delta;}}_1={\&Integral;}_0^{\&infin;}\frac{1}{\sqrt{t}}F_1^1(0;\frac{3}{2};t)\frac{d_1}{1+\frac{b_{1}t}{{\mathrm{\&beta;a}}_i}}\exp (-(\frac{\mathrm{\&tau;}}{{\mathrm{\&beta;a}}_i}+1)t)\mathrm{dt}\\ =\frac{d_1\sqrt{{\mathrm{\&beta;a}}_i}}{\sqrt{b_1}}\left[\exp \left(\frac{\mathrm{\&tau;}+{\mathrm{\&beta;a}}_i}{b_1}\right)\mathrm{\&Gamma;}(\frac{1}{2},\frac{\mathrm{\&tau;}+\mathrm{\&beta;}{a}_i}{b_1})\right]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {\mathrm{\&Delta;}}_M={\&Integral;}_0^{\&infin;}\frac{1}{\sqrt{t}}F_1^1(0;\frac{3}{2};t)\frac{d_M}{1+\frac{b_{M}t}{{\mathrm{\&beta;a}}_i}}\exp (-(\frac{\mathrm{\&tau;}}{\mathrm{\&beta;}{a}_i}+1)t)\mathrm{dt}\\ =\frac{d_M\sqrt{\mathrm{\&beta;}{a}_i}}{\sqrt{b_M}}\left[\exp \left(\frac{\mathrm{\&tau;}+{\mathrm{\&beta;a}}_i}{b_M}\right)\mathrm{\&Gamma;}(\frac{1}{2},\frac{\mathrm{\&tau;}+\mathrm{\&beta;}{a}_i}{b_M})\right]\end{array}---\left(11\right)$

$P_{\mathrm{BER}}=\mathrm{\&alpha;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_i[1-\frac{1}{\sqrt{\mathrm{\&pi;}}}({\mathrm{\&Delta;}}_1+\&CenterDot;\&CenterDot;\&CenterDot;+{\mathrm{\&Delta;}}_M)]---\left(12\right)$

信道容量：类似于误码率的推导，其中g(x)=ln(1+x)。

在采用非中心极限定理的情况下，以指数函数为例，N个随机变量X₁,…,X_N相互独立且具有相同的概率密度函数， $f_i\left(x\right)=\left\{\begin{array}{cc}{e}^{-x}& x>0\\ 0& x\&le;0\end{array}\right.,$ 则X₁+…+X_N的概率密度函数为： $f_N\left(x\right)=\left\{\begin{array}{cc}\frac{1}{(N-1)!}{x}^{N-1}{e}^{-x}& x>0\\ 0& x\&le;0\end{array}\right.$

如果采用中心极限定理则得到X₁+…+X_N的概率密度函数为：

$f\left(x\right)=\frac{1}{\sqrt{\mathrm{\&pi;}}}\exp (-{(x-1)}^2)$

综上可以看出，对于精度要求比较高的场合，采用非中心极限定理的方法能够得到精确的性能评价结果。

本实施例中，在根据各个瑞利分布函数曲线得到各个电力数据信号的信干燥比值后，还可以进一步根据信干燥比值进行无线通信信道的质量参数的计算，由于根据各个瑞利分布函数曲线得到各个电力数据信号的信干燥比值的准确度高，因此，根据信干燥比值进一步计算得到的无线通信信道的质量参数的准确度也比较高。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

图5为本发明实施例公开的无线通信信道参数的估计装置的结构示意图，参见图5所示，所述无线通信信道参数的估计装置50可以包括：

信号获取模块501，用于获取W个电力数据信号；

其中，所述W为正整数；所述W个电力数据信号中的每一个电力数据信号都是通过不同的信道传送的，也就是说，如果接受到的电力数据信号有W个，那么就必然存在W个无线通信信道。同一个电力数据信号在不同的时刻，其性质也不同，例如，当需要获取第一个信道的信道参数时，第一个信道上传送的第一电力数据信号就为有用信号，而其他信道上传送的电力数据信号就为干扰信号；当需要获取第二个信道的信道参数时，第二个信道上上传送的第二电力数据信号就为有用信号，而包括第一个信道上传送的第一电力数据信号的其他信道上传送的电力数据信号就为干扰信号。这样，就能够得到每一个信道的信道参数，以方便通信系统中任意一个信道上的电力数据信号的接收处理。

函数曲线确定模块502，用于根据所述W个电力数据信号确定W条瑞利分布函数曲线；

其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应。

本发明实施例中，每一个电力数据信号都有与自身对应的瑞利分布函数曲线，因此，每一个电力数据信号都可以看做随机变量，这样，在确定一个电力数据信号的传输信道的信道参数时，其他信道上的干扰信号都为随机变量。由于信道的状态是时刻发生变化的，因此，将干扰信号看做随机变量来处理更符合实际情况中的场景，从而最终根据干扰项计算得到的信道参数也更加精确。

信干噪比确定模块503，用于针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

其中，每一个信干噪比值与一个电力数据信号对应，而每一个电力数据信号又有一个单独的传输信道，因此，每一个信干噪比值都与一个传输信道对应。所述信干噪比值可以为与其对应的信道的一项信道参数。

由于各个电力数据信号对应的信道都符合瑞利分布，因此，电力数据信号在经过衰落后，在接收端接收到的电力数据信号中的有用信号为a|h|²，其服从自由度为2的卡方分布。其中，a为无线传感器发射电力数据信号的发射功率。

如果在一个铁塔上设置有N个用于测量同一个电力数据的无线传感器，将所述电力数据定义为第一电力数据，那么在控制中心接收到的W个电力数据信号中也包括N个第一电力数据信号，如果现在需要计算传输所述第一电力数据信号的信道的信道参数，那么此时控制中心接收到的W个电力数据中也包括N个有用信号，此时的有用信号为

其概率密度函数可表示为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&pi;}}_i}{a_i}\exp (-\frac{x}{a_i})$

其中， ${\mathrm{\&pi;}}_i={\mathrm{\&Pi;}}_{{\mathrm{}}_{n\&NotEqual;i}^{n=1}}^N(a_i/(a_i-a_n))$

干扰信号可以表示为：

$y=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_j{\left|h_j\right|}^2$

控制中心接收到的电力数据信号（包括有用信号、干扰信号和噪声信号）的信干噪比为：

$\mathrm{SINR}=\frac{x}{y+\mathrm{\&tau;}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{\left|h_i\right|}^2}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_j{\left|h_j\right|}^2+{\mathrm{\&delta;}}_n^2}$

本实施例中，所述无线通信信道参数的估计装置没有将所有的干扰信号看作为常数，而是将每一个干扰信号都看作符合瑞利分布的随机变量，进而将一个或多个为随机变量的干扰项引入通信信道参数的计算中，得到高精确的通信信道参数的结果。这种处理方式适用于存在任意数量的干扰项的无线通信系统中，应用在干扰项数量比较少的无线通信系统中能够得到更加精确的通信信道参数，从而有效保障控制中心分析电力数据得到的结果的准确性。

上述实施例中，所述函数曲线确定模块502具体可以包括：

现有信道参数确定模块，用于根据最大似然估计法估计出传输电力数据信号的无线通信信道的现有信道参数；

信号解调模块，用于根据所述现有信道参数对所述电力数据信号进行解调；

曲线确定模块，用于根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线。

其中，具体解调的方法可以是：以估计出的现有信道参数的共轭转置乘以所述电力数据信号，然后将上述相乘的结果在一个信号周期内进行积分处理。

需要说明的是，根据解调结果确定的与所述电力数据信号对应的瑞利分布函数曲线对应的是电力数据信号中的有用信号的函数曲线，也即去除干扰部分的电力数据信号。

通过上述现有信道参数确定模块、信号解调模块和曲线确定模块，能够依次将每一个电力数据信号中的有用信号提取出来，并用瑞利分布函数曲线表示，能够方便后续对无线通信信道参数的估计。

在上述实施例中，信干噪比确定模块503的具体结构可以参见图6，图6为本发明实施例公开的信干噪比确定模块的结构示意图，如图6所示，所述信干噪比确定模块503可以包括：

有用信号确定模块601，用于根据所述电力数据信号对应的瑞利分布函数曲线，确定所述电力数据信号的有用信号；

干扰信号确定模块602，用于根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线，确定所述电力数据信号的干扰信号；

噪声信号确定模块603，用于确定所述电力数据信号中的噪声信号；

所述噪声信号为高斯白噪声。

信干噪比确定子模块604，用于根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

在确定了有用信号、干扰信号和噪声信号后，可采用现有技术中计算信干燥比值的方法来计算与所述电力数据信号对应的信干噪比值，即有用信号除以干扰信号与噪声信号的和的值。

本实施例中，根据各个瑞利分布函数曲线来确定有用信号和干扰信号，因此，将为随机变量的干扰信号引入电力数据信号的信干噪比值的计算中，提升了电力数据信号的信干噪比值结果的准确度。

图7为本发明实施例公开的另一个无线通信信道参数的估计装置的结构示意图，如图7所示，所述无线通信信道参数的估计装置可以包括：

信号获取模块501，用于获取W个电力数据信号；

其中，所述W为正整数；

函数曲线确定模块502，用于根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

信干噪比确定模块503，用于针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值；

质量参数确定模块701，用于针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

所述质量参数确定模块701具体可以用于：针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

本实施例中，在根据各个瑞利分布函数曲线得到各个电力数据信号的信干燥比值后，还可以进一步根据信干燥比值进行无线通信信道的质量参数的计算，由于根据各个瑞利分布函数曲线得到各个电力数据信号的信干燥比值的准确度高，因此，根据信干燥比值进一步计算得到的无线通信信道的质量参数的准确度也比较高。

本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种无线通信信道参数的估计方法，其特征在于，包括：

获取W个电力数据信号；所述W为正整数；

根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

2.根据权利要求1所述的无线通信信道参数的估计方法，其特征在于，所述根据所述W个电力数据信号确定W条瑞利分布函数曲线，包括：

针对每一个电力数据信号，根据最大似然估计法估计出传输所述电力数据信号的无线通信信道的现有信道参数；根据所述现有信道参数对所述电力数据信号进行解调，并根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线；得到W条瑞利分布函数曲线。

3.根据权利要求1所述的无线通信信道参数的估计方法，其特征在于，所述根据与所述电力数据信号对应的瑞利分布函数曲线，以及其他的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，包括：

根据所述电力数据信号对应的瑞利分布函数曲线确定有用信号，并根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线确定所述电力数据信号的干扰信号；

确定所述电力数据信号中的噪声信号；

根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

4.根据权利要求1所述的无线通信信道参数的估计方法，其特征在于，在所述得到分别与所述W个电力数据信号一一对应的W个信干噪比值后，还包括：

针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

5.根据权利要求4所述的无线通信信道参数的估计方法，其特征在于，所述针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数，包括：

针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

6.一种无线通信信道参数的估计装置，其特征在于，包括：

信号获取模块，用于获取W个电力数据信号；所述W为正整数；

函数曲线确定模块，用于根据所述W个电力数据信号确定W条瑞利分布函数曲线；其中，每一条瑞利分布函数曲线仅与一个电力数据信号唯一对应；

信干噪比确定模块，用于针对每一个电力数据信号，根据与所述电力数据信号对应的瑞利分布函数曲线，确定传输所述电力数据信号的无线通信信道的信干噪比值，得到分别与所述W个电力数据信号一一对应的W个信干噪比值。

7.根据权利要求6所述的无线通信信道参数的估计装置，其特征在于，所述函数曲线确定模块包括：

现有信道参数确定模块，用于根据最大似然估计法估计出传输电力数据信号的无线通信信道的现有信道参数；

信号解调模块，用于根据所述现有信道参数对所述电力数据信号进行解调；

曲线确定模块，用于根据解调结果确定与所述电力数据信号对应的瑞利分布函数曲线。

8.根据权利要求6所述的无线通信信道参数的估计装置，其特征在于，信干噪比确定模块包括：

有用信号确定模块，用于根据所述电力数据信号对应的瑞利分布函数曲线，确定所述电力数据信号的有用信号；

干扰信号确定模块，用于根据除所述电力数据信号对应的瑞利分布函数曲线外的其他瑞利分布函数曲线，确定所述电力数据信号的干扰信号；

噪声信号确定模块，用于确定所述电力数据信号中的噪声信号；

信干噪比确定子模块，用于根据所述有用信号、干扰信号和噪声信号确定传输所述电力数据信号的无线通信信道的信干噪比值。

9.根据权利要求6所述的无线通信信道参数的估计装置，其特征在于，还包括：

质量参数确定模块，用于针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的质量参数。

10.根据权利要求9所述的无线通信信道参数的估计装置，其特征在于，所述质量参数确定模块具体用于：针对每一个信干噪比值，确定与所述信干噪比值对应的无线通信信道的中断概率、误码率和信道容量。

Images