CN104852874A - 一种时变衰落信道下的自适应调制识别方法与装置 - Google Patents

Abstract

本发明提出了一种时变衰落信道下的自适应调制识别方法装置，区别于现有的静态系统模型，设计出一种新的动态状态空间模型来描述信号调制方式与时变信道增益的时变特性，将信号调制方式和衰落信道增益看作两个隐藏系统状态，并引入一阶FSMC模型刻画时变慢衰落信道增益时变迁移特性，将特定时间窗内采样信号的似然函数作为系统观测值；在此基础上，针对时变衰落信道提出一种全新的自适应调制识别方法，充分发掘信道状态动态转移特性，对调制方式和时变信道增益实施联合估计，极大地提高了时变衰落信道下调制识别性能。该方案采用贝叶斯序贯推理法，新方法具有复杂度低及检测时间短的优势。

Description

一种时变衰落信道下的自适应调制识别方法与装置

技术领域

本发明针对时变衰落信道下自适应调制识别问题，设计提出了一种全新的动态调制方式识别方法与装置。首先，建立了一种可充分反映不同调制方式随时间迁移的动态系统空间模型；其中，将时变衰落信道建模为一种有限状态马尔科夫链(Finite-state Markov Chain,FSMC)模型，而将未知调制方式与时变信道状态同时作为两个隐藏状态(Hidden States)。其次，基于贝叶斯序贯统计推理理论，设计了一种联合估计时变信道增益与未知调制方式的动态调制识别方法；区别于现有静态调制识别方案，所提新方案能充分体现出时变信道与未知调制方式随时间迁移的动态特性，充分考虑了相邻间隔调制方式的先验特性也随时变信道而发生变化的动态特性，因而能充分利用相邻时刻之间信道所呈现的时间相关性，通过对时变衰落信道增益与调制方式进行联合估计，显著提升了未知时变衰落场景中的动态调制识别性能。属于通信领域。

背景技术

无线通信环境通常呈现出诸多复杂特性，譬如设备随机移动所引起的时变衰落特性。随着现代通信技术的不断发展，原本作为军事通信领域研究热点的调制识别技术，也逐渐成为商用通信一种关键技术而广受关注，譬如通信对抗、自适应通信、智能通信领域等。。对于下一代无线通信而言，调制识别是实现链路自适应传输的关键所在，需要在复杂时变衰落和背景噪声下，通过一种全盲方式识别当前接收信号所采用调制方式，以及一些细节调制特征参数。值得注意，除了保证链路自适应的高效实现，调制识别还对于动态频谱接入和非协作传输下的干扰消除也具有极其重要的意义。

在常见的盲检测和干扰抑制环境下，调制识别必须以一种全盲方式完成，这种全盲方式没有利用任何先验信息。目前盲估计要么用于同构通信中要么用于异构通信中，但由于考虑到传输效率和协作缺失而保持导频码不变。拿同构蜂窝通信来说，多输入多输出也由于不完整的信道状态信息而变得不是完全正交。目前传统的调制识别技术可以大致分为两类，一种是基于特征的，一种是基于最大似然的。而第一种基本可以归纳为两步，第一步是特征提取，例如高阶累积量、包络检波；第二步是分类器，诸如盲聚类、神经网络和支持向量机。相反，第二种利用接收信号的统计似然特征，在假设信号先验信息符合均匀分布的前提下，降低了信号错误分类概率。为了进一步降低计算复杂度，简化版或者接近最优的最大似然算法不断的被提出。

除了计算复杂度，另外最大似然的一个关键问题需要引起重视，它严重依赖完整的信道状态信息。而为了解决未知信道参数问题，O.A.Dobre,A.Abdi等人提出了一种平均似然检测(Average Likelihood Ratio Test,ALRT)算法以及一系列类似算法。而一种基于矩阵法(Method of Moments,MOM)的联合估计算法被提出，通过几个统计矩阵方程计算出信道增益。但为了更精确的计算高阶矩阵方程，算法的计算复杂度又将变得不可忽略。

考虑到移动通信环境，自适应调制编码需应用到时变衰落信道中，因此时变衰落信道下的自适应调制识别也将带来两个挑战。第一，调制方式是随着信道的变化而不断改变的，它并不是完全独立的，因此调制方式与信道增益是相关的，先验信息不再符合均匀分布而是随着时间变化。在实际当中，则最大似然算法不是最优的。第二，时变衰落信道也给接收信号带来很多不确定性，使得似然函数变得不精确。在实际运用中传统的MOM方法不能实时跟踪时变衰落信道也变得不是那么有吸引力。

在应对时变衰落信道的挑战方面，自适应调制识别能供查找的相关文献很少。本发明提出了一种基于贝叶斯推理的自适应调制识别方法与装置。主要的创新性在于，我们基于新提出的动态状态空间模型(Dynamic State-space Model，DSM)，充分利用时变信道的先验转移特性，提出的一种新的联合估计算法，通过对信道状态增益和调制方式联合估计来达到自适应调制识别的效果。

发明内容

本发明提出一种针对时变衰落信道新的动态状态空间模型(DSM)，将信号调制方式和衰落信道增益看作两个隐藏系统状态，并引入一阶FSMC模型来有效地刻画时变慢衰落信道增益随时间迁移的动态特性，同时将接收信号在特定时间窗内的似然累积和作为系统的观测值；基于这种新型的FSMC动态信道状态转移模型，进一步设计提出一种自适应调制识别方法，充分发掘利用衰落信道增益的状态迁移信息以及信号调制方式与信道增益的映射关系，基于贝叶斯序贯推理思想，对接收信号进行累积求似然值以及信道先验信息来联合估计时变信道增益的后验概率，进而实现了对信道增益的联合估计与实时跟踪，再依据信道增益与未知方式的映射关系实现最终的调制识别。新方案在保证感知算法低复杂度与实时性要求的前提下，极大地提高了时变衰落信道中的调制识别性能，从而为分布式认知无线网络的设计与实现提供一种极具应用潜力的方案。

本发明采用以下技术方案。

首先，本方法建立一个新的信道模型，采用一阶FSMC模型来表征时变慢衰落瑞利信道，将信道增益划分为若干离散状态并用马尔科夫链对信道增益以及调制方式进行描述，将信道状态与调制方式作为系统的两个隐藏状态。状态之间转移概率由状态转移矩阵(Probability Transition Matrix,PTM)确定，而具体地，该状态转移概率由一阶马尔科夫链特性所确定并给出；

其次，本方法建立一个新的状态空间系统模型，将特定时间窗内采样接收的信号求似然观测值；

最后，本方法装置基于观测值实现了针对信号调制方式和时变信道状态的联合估计，利用信道增益的马尔科夫状态转移特性，并联合信号观测值对信道增益进行实时估计；在此基础上，利用信道增益与调制方式的映射关系进行序贯更新与估计，从而最终实现信道增益与调制方式的联合估计。

本发明的优点是：

1)本发明技术方案适用于复杂时变无线传输环境下的调制识别问题，为认知无线电调制识别技术提供一种全新理论，并为其实际应用奠定坚实基础；

2)本发明提出一种针对时变衰落信道的自适应调制识别系统模型，可更为有效地反映自适应调制识别的内在机理；

3)区别于已有调制识别方法中针对衰落信道的静态信道增益边缘化，新方案能充分体现出信道时变特性，因而更符合认知无线电技术实际工作环境，所设计方法也能更为有效地应用于实际；

4)区别于现有方案只针对调制方式进行估计、而忽视时变信道增益的局限性，新方案首次针对信道增益和调制方式进行联合实时估计，因而极大地提升了时变衰落信道下的自适应调试识别性能；同时，新调制识别方案具备低复杂度、检测时间短以及实时性强的优势；

附图说明

图1为信道增益与调制方式映射关系图。

图2为S2S和M2S两种映射方式图。

图3为信道感知模型框图。

图4为接收端进行调制识别流程图。

图5为新方法调制识别正确率和传统ALRT算法在M2S映射关系下不同采样点数m下的调制识别性能仿真对比图。

图6为新方法针对S2S和M2S两种映射关系在不同采样点数m下的调制识别性能仿真对比图

具体实施方式

本发明建立起一套时变衰落信道下自适应调制识别的动态状态空间模型，同时采用贝叶斯序贯推理准则对时变信道增益和信号调制方式进行联合估计。下面针对动态状态空间模型及调制识别与信道增益的联合估计过程分别阐述。

1.本发明建立的时变衰落信道下自适应调制识别DSM模型如式(1-3)所示：

α_n＝H(α_n-1)

c_n＝T(α_n)  (1-3)

z_n＝Z(s_n,c_n,α_n,w_n,i)

式中，α_n表示第n个时刻的信道衰落幅度增益，也按照特定状态转移函数H(·)进行更新；c_n表示第n个时刻的信号调制方式，按照一定的映射函数T(·)进行确定。对以上三个动态方程作更进一步解释：

1)状态转移方程H(·):它基于一阶马尔科夫链建模，描述第n个时隙下的时变衰落信道增益的动态转移过程。

2)映射函数T(·):它给出了未知信号调制方式与信道衰落增益α_n之间的映射曲线关系。

3)观测方程Z(·):它描述了两个隐含状态α_n与c_n和观测向量之间的关系，而观测量由M个离散采样观测值z_n,m(m＝0,1,...,M-1)组成。

基于DSM模型，进行如下假设：

1)观测过程中的噪声是独立同分布的零均值加性高斯白噪声(Additive White Gaussian Noise,AWGN)，并且和两个隐含状态α_n与c_n相互独立。

2)时变衰落信道是慢衰落过程，它的信道增益与传输时隙L_a有关，而L_a与最大多普勒频移值f_D成反比，表示为L_a∝1/f_D。另外，它与采样点数m之间是相互独立的。

2.本发明对时变衰落信道进行信道建模，将其描述成一阶有限状态马克尔科夫链模型，它能有效的反应时变衰落信道的动态特性。

为了更好的描述信道，主要考虑一阶FSMC模型。首先假设状态概率向量π＝[π₀,π₁,...,π_K-1]^T，其中π_k＝Pr(α＝A_k)，稳定状态下需要满足P^Tπ＝π，P_K×K＝{P_k1→k2,i,j∈0,1,...,K-1}可以由离散信道状态转移矩阵PTM可得

矩阵中的各个元素P_k1→k2表示的是从状态k₁到状态k₂的转移概率

P_k1→k2＝Pr(α_n'＝A_k2|α_n'-1＝A_k1)  (5) 

在FSMC模型中，连续信道需要被划分成多个无重叠的离散区间k∈{0,1,...,K-1}，它由一组信噪比门限值决定，或者是一组信道增益值

信道状态增益α_n在第k个信道区间里的稳态概率由下式可得

${\mathrm{\π}}_k={\∫}_{g_k}^{g_{k+1}}f\left(\mathrm{\α}\right)\mathrm{d\α},A_k={\∫}_{g_k}^{g_{k+1}}\mathrm{\αf}\left(\mathrm{\α}\right)\mathrm{d\α}/{\mathrm{\π}}_k.---\left(7\right)$

利用π_k＝1/K对信道进行均匀划分，v_k ²＝-2σ²ln(1-k/K)可以得到区间边界值，最后转移概率P_k1→k2进一步转化为

$\begin{array}{c}{P}_{k_1\&RightArrow;k_2}\&ap;\mathrm{Pr}\{{\mathrm{\&alpha;}}_{n^{\&prime;}}\&Element;[g_{k_1},g_{k_1+1}\left)\right|{\mathrm{\&alpha;}}_{n^{\&prime;}-1}\&Element;[g_{k_2},g_{k_2+1})\}\\ =\frac{1}{{\mathrm{\&pi;}}_k}{\&Integral;}_{g_{k_2}}^{g_{k_2+1}}{\&Integral;}_{g_{k_1}}^{g_{k_1+1}}f({\mathrm{\&alpha;}}_{n^{\&prime;}-1},{\mathrm{\&alpha;}}_{n^{\&prime;}}){\mathrm{d\&alpha;}}_{n^{\&prime;}}{\mathrm{d\&alpha;}}_{n^{\&prime;}-1},0\&le;k_1,k_2<K\end{array}---\left(8\right)$

式中f(α_n’-1；α_n’)表示时变瑞利信道的联合分布概率。

由于采用一阶FSMC模型，信道状态转移的可能性局限于自身和它相邻的状态，因此对于|k₁-k₂|>1可以得到P_k1→k2＝0。进一步将PTM简化为

实际上，可以通过计算区间跨越率(Level Crossing Rate,LCR)，N_k，如下式

$N_k=\sqrt{2\mathrm{\&pi;}}\frac{g_k}{\mathrm{\&sigma;}}{f}_D\exp (-\frac{g_k^2}{{\mathrm{\&sigma;}}^2})---\left(10\right)$

那么P_k1→k2≈N_k2/R_k1，其中R_k1＝π_k2/T表示在状态k₁下每秒内所含的感知周期数，其中T为符号周期。

3.基于以上模型，对信道增益与调制方式进行自适应调制映射。

发射端根据信道增益(k＝1,2,…,K)动态的调整调制方式(l＝1,2,…,L)，所有调制方式的总数为而接收端对信道增益进行联合估计，然后依据特定的映射关系(2)来确定调制方式。

1)首先考虑一对一(Single-to-Single，S2S)映射，映射关系式T_S2S(·):它将信道增益与调制方式进行一一对应，即L＝K，具体关系式如下

T_S2S(α_n＝A_k)＝C_l,l＝k  (11)

2)再考虑多对一(Many-to-Single,M2S)映射，一种调制方式里存在多个信道增益(2≤K_l＜K)，即L<K，映射关系如下表示

式中,虽然多个信道下使用同一种调制方式，但不同信道下的编码速率不一样，这也符合信道状态更好的情况下，发送速率更高的要求。

基于以上方式，自适应调制方式的先验分布也变成时变的非均匀分布，更进一步，第n种信道增益下的第l种调制方式的先验概率p(c_n＝C_l)可以通过下式计算得到

$p\left(c_n\left(l\right)\right)=\left\{\begin{array}{cc}{p}_{n|n-1}(c_n=C_l|c_{n-1}=C_{l^{\&prime;}}),& |l-l^{\&prime;}|\&le;l_0,\\ 0,& |l-l^{\&prime;}|>l_0.\end{array}\right.---\left(13\right)$

式中p_n|n-1{c_n|c_n-1}表示从第l’种到第l种的先验转移概率，而对于一阶马氏链来说，l₀<2。

实际上，S2S映射下l≠l’时，那么其先验转移概率就可以简化为

p_n|n-1(c_n＝C_l|c_n-1＝C_l')＝p_n|n-1(α_n∈A_l|α_n-1∈A_l')  (14) 

而M2S映射下，其先验转移概率为

4.在接收端对接收到的自适应调制信号进行最大似然观测，它的原理就是在特定观测时间窗内，对接收信号进行采样，再计算似然观测值。

一般情况，基带信号可以表示为

$z_n\left(t\right)={\mathrm{\&alpha;}}_n\sqrt{E_s}\underset{m=1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{e}^{-j{\mathrm{\&phi;}}_{n,m}\left(l\right)}{s}_{n,m}\left(l\right)g(t-(m-1)T)+w\left(t\right),c_n=C_l---\left(16\right)$

式中，j为虚部单位，E_s为发射信号的平均符号能量，s_n,m(l)和φ_n,m(l)分别为信号的幅度和相位，g(·)为成型滤波器，T为符号周期。经过模数转换(Analogy to Digital Conversion,ADC)为

$z_{n,m}={\mathrm{\&alpha;}}_n\sqrt{E_s}{e}^{-j{\mathrm{\&phi;}}_{n,m}\left(l\right)}{s}_{n,m}\left(l\right)+w_{n,m}---\left(17\right)$

各信号的幅度和相位可以表示为

式中Q_l为第l种调制方式的星座图上总点数，表示信号的实部，表示信号的虚部。不失一般性，主要考虑常见的5种信号：BPSK，QPSK，8PSK，16QAM，64QAM。

经典的ML算法通常假设先验信息分布服从均匀分布，其似然函数如下所示

实际上将其转换成对数似然形式更常用

5.基于上述系统模型，本发明进一步对两个隐含系统状态(即信道增益和未知调制方式)进行联合估计。估计检测算法主要依赖于最大后验概率和序贯检测思想，主要包含以下三个步骤：(a)根据特定时间窗内的信号计算似然观测值；(b)联合先验信息依据最大后验概率判决出信道增益；(c)最后由映射函数T(·)确定未知调制方式，相应方案实现流程如图3所示。下面针对上述部分进行详细介绍：

1)似然观测

根据第4节中已经介绍的ML算法中式(20)观测方程得到观测值

2)联合先验信息对信道增益贝叶斯联合估计

为了更好地描述两个隐含状态，用向量来表示，定义p_n-1|n-1(X_n-1|z_1:n-1)表示n-1时刻的后验概率，那么p_n|n(X_n|z_1:n)表示当前时刻的后验概率。在n-1时刻，通过最大后验概率准则估计出n-1时刻的信道状态，进而得到当前n时刻的先验信息p_n|n-1(α_n|z_1:n-1)

再结合已计算得到的似然观测值，根据下式求出此时接收信号下各可能的后验概率值

式中似然函数映射函数T(·)可以表示S2S和M2S两种映射可能，换句话说，在两种映射关系下，都可以通过先估计信道增益确定未知调制方式。

在高信噪比区域内，实际信道增益的后验概率要远大于其他信道增益，表示为

由式(23)推出(a)，此时p_n-1|n-1(α_n|z_1:n-1)≈1并且满足结合式(22)推出(b)

$\begin{array}{c}{p}_{n|n-1}\left(X_n\right|z_{1:n-1})\underset{\left(b\right)}{\overset{\left(a\right)}{\&ap;}}{p}_{n|n-1}\left({\mathrm{\&alpha;}}_n\right|{\widehat{\mathrm{\&alpha;}}}_{n-1})\&times;p_{n-1|n-1}\left({\widehat{\mathrm{\&alpha;}}}_{n-1}\right|z_{1:n-1})\\ \&ap;p_{n|n-1}\left({\mathrm{\&alpha;}}_n\right|{\widehat{\mathrm{\&alpha;}}}_{n-1})\end{array}---\left(24\right)$

因此，在高信噪比区域内，针对S2S和M2S两种映射关系下的调制识别性能接近。

最大后验概率判决式如下

3)根据映射规则确定调制方式

在S2S映射中，信道状态与未知调制方式呈一一对应的关系，而在M2S中，多个信道对应一种调制方式，我们可以根据第3节所述的得到下式

${\hat{c}}_n=T\left({\widehat{\mathrm{\&alpha;}}}_n\right)---\left(26\right)$

对上述基于贝叶斯序贯推理对信道增益与信号调制方式联合估计的自适应调制识别算法进行仿真，在瑞利衰落信道下f_d＝0.05不同采样点数m的调制识别性能曲线如图5所示。在该图中，带圆圈、方形、菱形曲线分别表示采样点数m为200、100、60时调制识别正确率。虚线代表使用传统ALRT方法获得的调制识别性能，实线表示使用本方案所提出的联合估计法的调制识别性能。从仿真结果可以看出，本发明所设计的新方法较传统方法获得了显著的性能提升。当f_d＝0.05时，在高信噪比情况下，新方法较传统能量检测方法提高约6-8dB。同时注意到，ALRT算法在m值大于100时，增加m值算法调制识别性能并没有得到太好的改善，只是略微的提高一点，而且信噪比达到20dB时才能使得识别正确率达到100％，相比之下，新方案，在SNR＝14dB处即可获得100％的识别正确率，可显著提升了时变信道环境下的调制识别性能，并且增加m值可以提高识别性能，因而在实际应用中也将更具优势。

图6描述了新算法对于S2S和M2S在f_d＝0.05不同采样点数m的调制识别性能。在该图中，带圆圈、方形、菱形曲线分别表示采样点数m为200、100、60时调制识别正确率。虚线代表S2S的调制识别性能，实线表示M2S的调制识别性能。在高信噪比区域，两者性能很接近，但是随着信噪比的降低，M2S由于其调制方式种类要少于S2S，所以性能更优越。

Claims (10)

1.提出一种自适应调制识别实现方法，能够实现时变衰落信道下的高性能调制识别；其特征在于：充分考虑信道增益的时变特性，建立了动态状态空间模型，实现了对于未知调制方式和时变慢衰落信道增益的联合贝叶斯估计。

2.根据权利要求1所述的时变信道下调制识别的实现方法，其特征在于：一种深入反映时变信道下调制识别机制的系统模型，将时变信道增益和信号调制方式作为两个系统隐藏状态，并借助于一阶FSMC模型加以描述，而将特定时间窗内采样信号的似然函数作为系统观测值。

3.根据权利要求1所述的时变信道下自适应调制识别的实现方法，其特征在于：利用观测信号对时变信道增益和调试方式进行联合贝叶斯估计：首先利用最大后验概率估计时变慢衰落下的调制方式，在此基础上利用信道状态与调制识别方式的映射关系对信道增益进行估计。

4.根据权利要求3所述的基于贝叶斯准则的序贯联合估计方法，其特征在于：当前时刻估计过程充分利用了观测量的似然值，同时利用了前一时刻已获得的信道估计值、以及时变衰落信道的先验性转移特性。

5.根据权利要求3所述的对信道状态增益与调制方式进行联合估计实现方法，其特征在于：根据当前时刻接收信号计算出各个情况的似然值，联合前一时刻提供的先验信息计算后验概率值，根据最大后验概率准则判决得到当前时刻的衰落信道增益。

6.根据权利要求3所述的对信道状态增益与调制方式进行联合估计的实现方法，其特征在于：在已估计信道增益的基础上，依据信道增益与调制方式之间的特定映射关系，来确定出未知的调制方式。

7.根据权利要求6所述的对贝叶斯联合估计方法，其特征在于：利用时变慢衰落信道下信道相干时间远大于检测周期的伪稳态特性，将该传输时隙内判决结果最多的一种判决为该信道增益，进一步提升了调制识别的准确性。

8.提出一套自适应调制识别系统，实现了时变衰落信道下的各功能模块之间联合估计；其特征在于：针对时变信道增益，提出信道增益估计模块，利用信道增益与调制方式的映射关系，提出调制方式识别模块。

9.根据权利要求8所述的自适应调制识别系统中的信道增益估计模块，其特征在于：利用特定时间窗内的信号观测值，联合信道先验转移信息对当前信道增益进行估计。

10.根据权利要求8所述的自适应调制识别系统中的调制方式识别模块，其特征在于：利用信道增益与调制方式的映射规则，由已估计的信道增益确定对应的未知调制方式，并将一个传输时隙内最多数的识别结果作为下一时刻的先验信息。