CN104539312B - 基于序贯蒙特卡罗的扩频码及信息序列联合估计方法 - Google Patents

Abstract

本发明公开了一种基于序贯蒙特卡罗的扩频码及信息序列联合估计方法，通过建立信号参数的联合后验分布模型，结合分段建模的思想，采用混合重要密度函数对联合后验分布模型进行抽样，同时为了减少算法的计算量，在算法的实现过程中，修正原有的迭代计算重要性权值步骤，以完成所需状态参量的估计，最终拼接得到每个用户完整的扩频码及信息序列。本发明较好地满足了多径信道环境下非同步长码DS‑CDMA信号扩频码及信息序列的快速提取要求，大大提高了扩频参数的估计精度，并且能够适应时变和非时变的多径衰落信道环境。本发明可直接应用于非协作扩频通信系统，也可用于相应的软件无线电等系统。

Description

基于序贯蒙特卡罗的扩频码及信息序列联合估计方法

技术领域

本发明属于信号处理领域中非协作通信信号处理技术，具体是指一种非同步长码DS-CDMA信号扩频码及信息序列盲估计方法。

背景技术

在非合作DS-CDMA通信系统中，由于上行链路是非同步的，如果接收方未知目标用户的扩频码，就无法对接收信号进行解调并获取传输的信息，因此对信号扩频码等参数进行盲估计具有十分重要的意义。

目前，对非同步DS-CDMA信号扩频码及信息序列盲估计的相关研究较少。在《Signal Processing》杂志2007年87期“Blind Despreading of Short-Code DS-CDMASignals in Asynchronous Multi-User Systems”一文中，Koivisto等人提出了一种特征结构分析方法的扩展方式，利用信号协方差矩阵的F范数估计各用户的失步时间，实现扩频信号的同步。其不足之处是：当两个用户功率相近时难以估计失步时间和提取扩频波形，且在用户数较多时性能明显下降；同时该方法不能适用于长码扩频信号，且对多径信道环境的适应性较差。为了适应同步和非同步系统，Fast-ICA方法将接收信号以间隔两倍扩频周期、重叠一倍扩频周期的长度来分割观测信号，给出了扩频序列与信息序列的盲估计，同样该方法只能应用于短码DS-CDMA信号。针对非同步长码信号，现有的方法只是将重叠分段的思想与复数ICA方法相结合，估计出每个用户的扩频波形，然后进行载波和码片同步得到每个用户的扩频码，但该方法不能适应于多径信道环境。目前，有文献在合作通信条件下提出了一种粒子滤波的方法对多用户信号进行检测，然而针对在非合作条件下的非同步长码DS-CDMA信号，还尚未有采用此方法进行处理的相关报道。

由此可以看出，已有的方法还不能满足非同步长码DS-CDMA系统的需要，同时考虑多径信道环境等非线性因素的影响，还需研究一种新的扩频码及信息序列盲估计方法。

发明内容

本发明所要解决的技术问题是，针对现有技术的不足，提出了一种基于序贯蒙特卡罗分析的非同步长码DS-CDMA信号扩频码及信息序列联合估计方法，同时考虑时变和非时变多径信道环境等非线性因素的影响，它可以较好地满足非协作扩频通信中扩频码及信息序列的快速提取要求，大大提高了扩频参数的估计精度。本发明可直接应用于非协作扩频通信系统，也可用于相应的软件无线电等系统。

为解决上述技术问题，本发明是通过以下技术方案实现的：通过建立信号参数的联合后验分布模型，并对各参量的状态空间模型进行分析，结合分段建模的思想，采用混合重要密度函数对联合后验分布模型进行抽样，同时为了减少算法的计算量，在算法的实现过程中，修正原有的迭代计算重要性权值步骤，以完成所需状态参量的估计。

所述的扩频码及信息序列联合估计方法主要用于非同步长码DS-CDMA信号的扩频码及信息序列联合估计，且信号模型的建立不仅考虑了不同用户在多径环境下的时间延迟不同，还考虑了实际应用中每个用户存在的载波频偏和相位偏差，其持续时间为N个扩频周期的接收信号为

式中：K为用户个数；{b_k(i)}为第k个用户发送的信息序列；T_s为符号周期；T为扩频码周期；T_c为码片周期；R＝T/T_c为扩频序列位数；P＝T_s/T_c为扩频增益；定义扩频比M＝R/P；N₀为N个扩频周期内所对应的信息符号数目；s_k(t)为第k个用户的扩频波形；L为传播的路径数，和分别为第k个用户第l条路径上的复衰落幅度、时延和相位偏差，△f_k为第k个用户的载波频偏。

所述的分段建模思想指的是将每个扩频周期内的信号分为R个窗，并将不同扩频周期内对应的窗排列成一组观测矩阵进行迭代处理，最终拼接R个窗对应的状态变量参数，得到每个用户完整的扩频码及信息序列。其观测矩阵为

r(n)＝A(h,B(n),D)s(c(n),τ,Δf)+w(n) (1≤n≤R) (2)

式中：观测向量r(n)＝[r₁(n),r₂(n),...,r_N(n)]^T，r_m(n)＝r[(m-1)R+n]，1≤m≤N。扩频向量 $s(c\left(n\right),\mathrm{\τ},\mathrm{\Δf})={[s_1(n-{\widetilde{\mathrm{\τ}}}_{\mathrm{1,1}})e^{j2\mathrm{\π}{\mathrm{\Δf}}_{1}n},...,s_1(n-{\widetilde{\mathrm{\τ}}}_{1,L})e^{j2\mathrm{\π}{\mathrm{\Δf}}_{1}n},...,s_K(n-{\widetilde{\mathrm{\τ}}}_{K,1})e^{j2\mathrm{\π}{\mathrm{\Δf}}_{K}n},...,s_K(n-{\widetilde{\mathrm{\τ}}}_{K,L})e^{j2\mathrm{\π}{\mathrm{\Δf}}_{K}n}]}^T,$ 其中各用户多径时延向量各用户载波频偏向量Δf＝[△f₁,△f₂,...,△f_K]，扩频码向量c(n)＝[c₁(n),...,c_K(n)]，混合矩阵为

式中：信道复衰落幅度 $h\stackrel{\mathrm{\Δ}}{=}[{\widetilde{\mathrm{\β}}}_{\mathrm{1,1}},...,{\widetilde{\mathrm{\β}}}_{1,L},...,{\widetilde{\mathrm{\β}}}_{K,1},...,{\widetilde{\mathrm{\β}}}_{K,L}];$ 信息矩阵 符号表示向下取整；相位偏移矩阵 为表述方便，作如下定义

b_m(n)＝[b₁(i_m(n)),b₂(i_m(n)),...,b_K(i_m(n))] (4)

B_m(n)＝[b₁(n),b₂(n)...,b_m(n)]^T (5)

${\mathrm{\θ}}_m=[{\mathrm{\θ}}_m^{\left(\mathrm{1,1}\right)},...,{\mathrm{\θ}}_m^{(1,L)},...,{\mathrm{\θ}}_m^{(K,1)},...,{\mathrm{\θ}}_m^{(K,L)}]---\left(6\right)$

θ_m＝[θ₁,θ₂,...,θ_m]^T (7)

r_m(n)＝[r₁(n),r₂(n),...,r_m(n)]^T (8)

z_m(n)＝(b_m(n),c_m(n),τ_m,Δf_m,θ_m) (9)

Z_m(n)＝(B_m(n),c_m(n),τ_m,Δf_m,θ_m) (10)

由上式可以看出，当1≤n≤R时，混合矩阵A(h,B(n),D)是时变的，于是采用分段建模的思想，当n取不同值时分别对建立的信号模型进行迭代处理，采用基于序贯蒙特卡罗的方法迭代估计出各用户的状态变量参数，最终拼接得到每个用户的完整扩频码及信息序列。

拼接的过程为：对于扩频向量c(n)，当1≤n≤R时，由于不存在序列的模糊问题，可以直接链接得到每个用户的扩频序列，同时受多径信道环境的影响，算法可以估计出各用户在每条路径上的延迟扩频序列，于是就可以对多条路径下的延迟扩频序列求平均得到各用户的准确扩频码。而对于信息序列矩阵B(n)，在n为不同值时，由于在一个完整的扩频周期内包含多个信息序列，致使每个矩阵对应的信息符号不是完整的信息序列。按扩频比M＝R/P为整数和非整数两种情况分别进行讨论，充分考虑序贯蒙特卡罗算法在多径信道环境下估计出的多个信息序列，并利用该信息序列中包含的相位偏移信息来解决信息序列的次序问题。同时利用算法估计出的时延信息就可构建各用户相互重叠的信息序列矩阵，并对该矩阵相互重叠的部分作相关处理，就可得出完整的信息序列。

所述的混合重要密度函数指的是根据序贯重要抽样的思想，针对系统模型中估计参量的连续和离散并存特点，将五个未知状态变量(B_m(n),c_m(n),τ_m,Δf_m,θ_m)分成两部分，B_m(n)和c_m(n)用后验分布函数来抽样，τ_m,Δf_m,θ_m用先验分布函数来抽样，将重要密度函数写成混合重要密度函数的形式为

$\begin{array}{c}q\left(z_m\left(n\right)\right|Z_{m-1}^{\left(j\right)}\left(n\right),r_m\left(n\right))=p(b_m\left(n\right),c_m\left(n\right)|Z_{m-1}^{\left(j\right)}\left(n\right),{\mathrm{\τ}}_m^{\left(j\right)},{\mathrm{\Δf}}_m^{\left(j\right)},{\mathrm{\θ}}_m^{\left(j\right)},r_m\left(n\right))\\ \×p\left({\mathrm{\θ}}_m\right|{\mathrm{\θ}}_{m-1}^{\left(j\right)},{\mathrm{\Δf}}_m^{\left(j\right)})p\left({\mathrm{\τ}}_m\right|{\mathrm{\τ}}_{m-1}^{\left(j\right)})p\left({\mathrm{\Δf}}_m\right|{\mathrm{\Δf}}_{m-1}^{\left(j\right)})\\ =p(b_m\left(n\right),c_m\left(n\right)|Z_{m-1}^{\left(j\right)}\left(n\right),{\mathrm{\τ}}_m^{\left(j\right)},{\mathrm{\Δf}}_m^{\left(j\right)},{\mathrm{\θ}}_m^{\left(j\right)},r_m\left(n\right))\\ \×\mathrm{\δ}({\mathrm{\θ}}_m-{\mathrm{\θ}}_{m-1}^{\left(j\right)}-2\mathrm{\π}{\mathrm{\Δf}}_{k}T)\mathrm{\δ}({\mathrm{\τ}}_m-{\mathrm{\τ}}_{m-1}^{\left(j\right)})\mathrm{\δ}({\mathrm{\Δf}}_m-{\mathrm{\Δf}}_{m-1}^{\left(j\right)})\end{array}---\left(11\right)$

所述的修正方法指的是首先对所有的进行迭代处理，估计出各用户的扩频码，再对观测数据进行cholesky分解处理，分别得到各用户的观测处理数据，最终抽样得到具有最大后验概率的状态参量值。

与现有技术相比，本发明的有益效果是：

(1)能够在较低的信噪比条件下适应非同步的短码和长码扩频信号，且在不同的调制样式、扩频比为整数和非整数、时变和非时变的多径信道环境下都具有较高的估计性能。

(2)能够同时对扩频码及信息序列进行估计，在非协作通信系统中可以省去解扩和解调的过程，极大地简化了系统。

(3)本发明可以完成对中频信号的处理，同时也可以完成对基带信号或解调码流的处理，适应数据类型广泛。

附图说明

图1是本发明所述方法的总体流程图；

图2是实施例中估计得到的载波频偏；

图3是实施例中不同周期数目条件下估计得到的扩频码性能比较；

图4是实施例中不同调制样式时估计得到的信息序列星座图与真实星座图的比较；

图5是实施例中不同扩频比条件下估计得到的扩频码性能比较；

图6是实施例中不同信道条件下估计得到的扩频码性能比较；

图7是实施例中不同信道条件下估计得到的信息序列性能比较；

图8是实施例中时变衰落信道幅度的跟踪抽样均值。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

图1是本发明的总体流程图，本实施例所述方法实现过程如下：

(1)接收中频采样数据或基带数据，估计扩频信号的扩频周期和码片速率，并将其传送到扩频码及信息序列估计模块。

(2)初始化数据。对j＝1,...,J，根据信道衰落幅度h服从的高斯先验分布N_c(0,1000I_KL)初始化载波频偏Δf服从N(0,1000I_K)的高斯先验分布初始化在[0,2T_s]内随机抽取KL个值初始化在[0,2π]内随机抽取KL个值初始化令m＝1，

(3)对于固定的首先采用序贯蒙特卡罗的方法对所有的进行迭代处理，得到c_m(n)的估计，并分别计算和然后采用cholesky分解方法对观测数据进行处理，分别得到各用户的观测处理数据；最后抽样得到具有最大后验概率的b_m(n)。

(4)计算重要性权值

(5)采用MCMC方法抽样h。

(6)重抽样。首先计算有效抽样尺度J_t，当J_t小于预先设定的门限值时，进行重抽样，得到新粒子 ${\{{\hat{B}}_m^{\left(j\right)}\left(n\right),{\hat{c}}_m^{\left(j\right)}\left(n\right),{\hat{h}}^{\left(j\right)},{\widehat{\mathrm{\τ}}}_m^{\left(j\right)},{\widehat{\mathrm{\Δ}}f}_m^{\left(j\right)},{\widehat{\mathrm{\θ}}}_{\text{m}}^{\left(j\right)}\}}_{j=1}^J,$ 其重要性权值均为 ${\{{\hat{w}}_m^{\left(j\right)}=1\}}_{j=1}^J;$

(7)重复步骤3～步骤6进行多次迭代，最终得到各状态参量估计结果，进而对扩频码和信息序列进行拼接和重构，同时若m＝200则退出，否则m＝m+1，进入下一时刻的计算。

实施例中：每个用户的扩频码为R＝127的随机序列，码片速率为10MHz，符号速率为10MHz/50＝200kHz，扩频增益P＝50，调制样式为BPSK，各用户的多径路数均为L＝3，每个用户信号的载频偏差△f_k分别为{0.1f_c,0.2f_c,0.3f_c,0.4f_c}，且每个用户的发射功率相等。输入数据长为N＝200个扩频周期，以码片速率进行采样，每个扩频周期采样点数为127。

图2是用户数K＝4，信噪比为-6dB，当迭代进行到m＝N＝200时，对J＝100个粒子作统计处理，得到的各用户载波频偏△f_k的后验分布估计，并以直方图的形式表示。

图3给出在不同周期数目条件下，扩频码的估计性能。从图中可以看出，随着周期数目N的增加，序列的粒子抽样值越来越接近真实值，估计性能越好，当周期数目增加一倍，其估计性能平均提高大约3dB。同样，随着N的增加，算法的计算量也成倍增加，因此在选择参数时，应折中考虑这两个因素，并且文中建立的信道模型是分组非时变的，随着N的增加，也应该适当的修正信道模型，以满足实际的应用需求。

图4给出了当信噪比SNR＝-6dB时，在QPSK和16QAM调制时估计信息序列星座图与真实序列星座图的对比结果。

图5给出了在不同扩频比条件下，当迭代进行到m＝N＝200时扩频码的估计性能。

在时变多径衰落信道环境下，假设各用户的多径路数均为L＝3，将信道衰落幅度h_m建模成一阶AR模型，即h_m＝Fh_m-1+w_m，取模型系数F＝0.999×ones(1,KL)，w_m为零均值，协方差矩阵为Σ_w＝0.01eye(KL)的复高斯分布。图6和图7分别给出了当迭代进行到m＝N＝200时，采用改进卡尔曼滤波方法对h_m进行迭代更新，从而得到粒子抽样扩频码和信息序列的估计性能。图8为SNR＝-6dB时，时变衰落信道幅度的跟踪抽样均值。

Claims (4)

1.一种基于序贯蒙特卡罗的扩频码及信息序列联合估计方法，其特征在于：所述方法主要用于非同步长码DS-CDMA信号，通过建立信号参数的离散化联合后验分布模型，所述离散化联合后验分布模型为：式中：K为用户个数；{b_k(i)}为第k个用户发送的信息序列；T_s为符号周期；T为扩频码周期；T_c为码片周期；R＝T/T_c为扩频序列位数；P＝T_s/T_c为扩频增益；定义扩频比M＝R/P；N₀为N个扩频周期内所对应的信息符号数目；s_k(n)为第k个用户的扩频波形；q(n)为持续时间为P的矩形脉冲；L为传播的路径数，和分别为第k个用户第l条路径上的复衰落幅度、时延和相位偏差，Δf_k为第k个用户的载波频偏；为零均值、方差为σ²的加性复高斯白噪声；所述离散化联合后验分布模型的建立不仅考虑了不同用户在多径环境下的时间延迟不同，还考虑了实际应用中每个用户存在的载波频偏和相位偏差，并对各参量的状态空间模型进行分析，结合分段建模的思想，采用混合重要密度函数对联合后验分布模型进行抽样，同时为了减少算法的计算量，在算法的实现过程中，修正原有的迭代计算重要性权值步骤，以完成所需状态参量的估计。

2.根据权利要求1所述的扩频码及信息序列联合估计方法，其特征是，所述的分段建模思想指的是：将每个扩频周期内的信号分为R个窗，并将不同扩频周期内对应的窗排列成一组观测矩阵进行迭代处理，最终拼接R个窗对应的状态变量参数，得到每个用户完整的扩频码及信息序列。

3.根据权利要求1所述的扩频码及信息序列联合估计方法，其特征是，所述的混合重要密度函数指的是：根据序贯重要抽样的思想，将状态变量分成两部分，分别采用后验分布函数和先验分布函数来抽样，同时在满足设定的条件下进行重抽样。

4.根据权利要求1所述的扩频码及信息序列联合估计方法，其特征是，所述的修正方法指的是：先估计出各用户的扩频码，再对观测数据进行cholesky分解处理，分别得到各用户的观测处理数据，最终抽样得到具有最大后验概率的状态参量值。