CN106713190A - 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 - Google Patents
基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 Download PDFInfo
- Publication number
- CN106713190A CN106713190A CN201710007185.2A CN201710007185A CN106713190A CN 106713190 A CN106713190 A CN 106713190A CN 201710007185 A CN201710007185 A CN 201710007185A CN 106713190 A CN106713190 A CN 106713190A
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- signal
- mimo
- transmitting antenna
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Abstract
本发明公开了一种适用于MIMO系统的发射天线数目盲估计方法,主要解决时变快衰落信道环境中和低信噪比条件下MIMO系统发射天线数目识别正确率低的问题。该方法包括:(1)利用非合作接收机的接收信号构造接收样本矩阵,实现非合作接收机的数据采集;(2)利用接收信号样本矩阵构造协方差矩阵;(3)对协方差矩阵进行特征值分解;(4)设置双边检测门限,初始化计数变量;(5)计算二阶矩;(6)计算特征值判决门限;(7)根据特征值和门限进行判决,得出MIMO系统发射天线数目。本发明能确保在快衰落信道中小样本接收数据条件下和低信噪比条件下的正确识别率,保证在军事通信对抗和时变快衰落信道中的适用性。
Description
技术领域
本发明属于无线通信技术领域,涉及一种适用于多输入多输出(Multiple InputMultiple Output,MIMO)系统的发射天线数目估计算法,主要用于通信信号盲识别和认知无线电。
背景技术
移动互联网和多媒体通信技术的快速发展,对未来移动通信系统提出了新的要求。在频谱资源日益紧张、传输速率与日俱增的背景下,MIMO技术为这些目标的实现提供了有力的技术支持。在非合作通信场景中,接收方需要对MIMO信号参数进行盲估计与识别,这些参数包括发射天线数目、空时编码类型、信道参数和调制方式等,而发射天线数目估计是其他参数估计的基本前提。
现有的适用于MIMO系统的发射天线数目估计方法可分为两类:基于模式选择的方法和基于假设检验的方法。2007年,Oren Somekh等人在“Detecting the Number ofTransmit Antennas with Unauthorized or Cognitive Receivers in MIMO Systems”一文中引入基于模式选择的方法,其设计思想是利用信息论准则的最小描述长度(MinimumDescription Length,MDL)和Akaike信息论准则(Akaike Information Criterion,AIC),首先对接收信号的协方差矩阵进行特征值分解,然后将得到的特征值和待识别参数代入到模式选择的代价函数中,计算与待识别参数可能取值相对应的代价函数值,找出使代价函数最小的参数值,最后通过该参数值进一步确定发射天线数目。2011年,K.Hassan等人在“Blind Detection of the Number of Transmitting Antennas for Spatially-Correlated MIMO Systems”一文中提出了基于假设检验的预测特征值门限(PredictEigenvalue Threshold,PET)的算法,该算法首先计算接收信号的协方差矩阵并对该矩阵进行特征值分解,对分解得到的多个特征值进行升序排列,然后利用一步预测法分别预测各个特征值所对应的特征值门限,最后利用预测得到的特征值门限对多个特征值进行判决,将首次出现的大于特征值门限的特征值判定为最小信号特征值,通过该特征值所在的升序排列中的具体位置可进一步确定出MIMO系统的发射天线数目。
以上算法的不足之处在于:一方面需要较多的接收数据样本进行发射天线数目估计,计算复杂度高,算法实时性差,难以适用于快衰落场景;另一方面,在低信噪比环境下识别正确率较低,难以满足恶劣信噪比环境中非合作通信MIMO信号盲识别的场景需求。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种适用于MIMO系统的发射天线数目估计方法,可利用较少的接收数据样本数,在较低的信噪比场景下,实现较高正确率的发射天线数目估计。
为实现上述目的,本发明的实现步骤如下:
(1)假设MIMO通信系统由一个天线数目为Nt的发射机和一个天线数目为Nr的非合作接收机构成,其中非合作接收机的天线数大于发射机的天线数,即Nr>Nt。定义非合作接收机的接收信号矩阵为Y,第n个采样时刻的接收信号为y(n),其中1≤n≤N,则Nr×N维矩阵N为接收数据样本数。
(2)利用接收信号矩阵Y来构造接收信号协方差矩阵当N≥Nr时,接收信号协方差矩阵为当N<Nr时,接收信号协方差矩阵为其中,[·]H表示共轭转置;
(3)对协方差矩阵进行特征值分解:
对进行特征值分解,并将分解得到的特征值按降序排列:其中lk表示按降序排列的第k个特征值(1≤k≤Nr);
(4)设置双边检测门限,初始化计数变量;
(5)计算二阶矩:
(6)计算特征值判决门限:
其中,为步骤(5)中计算得出的二阶矩,
N为接收样本数,双边检测门限t和计数变量m的值由步骤(4)设定。
(7)根据特征值和门限进行判决:利用上述判决门限值对特征值进行判决:如果特征值小于或等于判决门限则将对应的特征值判决为噪声特征值,令m=m+1,返回步骤(5);如果特征值大于判决门限则将对应的特征值判决为信号特征值,将Nr-m作为MIMO发射天线数目的估计值;
前述的发射天线数目盲估计方法,其特征在于:在步骤(6)中,通过设置自适应门限来构造判决表达式。
本发明有益效果在于:
第一、本发明利用随机矩阵理论构造得到特征值的上界,相比于之前基于假设检验和基于模式选择的方法,在小规模样本数据条件下具有较好的收敛效果,确保估计的可靠性,大幅提高了估计的实时性,适用于快衰落的通信场景;
第二、本发明判决门限值对信号功率的要求更低,相比于之前基于假设检验和基于模式选择的方法,在低信噪比环境下具有较高的正确识别率,更加适用于信噪比条件较差的非合作通信场景。
附图说明
图1为本发明使用的通信系统模型示意图;
图2为本发明的算法流程图;
图3为本发明在不同信噪比下正确识别率仿真效果图;
图4为本发明在不同接收信号样本数下正确识别率仿真效果图。
具体实施方式
下面结合附图对本发明实施方式做进一步详细描述。
参照图1,本发明使用的系统模型包括1个发射机和1个非合作接收机,其中,发射机的天线数目为Nt,非合作接收机的天线数目为Nr,其中Nr>Nt。
本实施方案中,设定非合作接收机的天线数目Nr=8,发射机的天线数目Nt=4。
本发明完成发射天线数目估计的过程如图2所示,其实现的步骤如下:
步骤1,非合作接收机时域数据采集:
将非合作接收机的接收信号构成一个Nr×N维的接收信号矩阵Y,实现数据采集,结果为:
其中,ya(n)表示非合作接收机第a根天线在第n个采样时刻的接收信号,1≤a≤Nr,1≤n≤N,N为接收样本数。
步骤2,构造接收信号协方差矩阵:
根据上述接收信号矩阵Y构造接收信号协方差矩阵:当N≥Nr时,接收信号协方差矩阵为当N<Nr时,接收信号协方差矩阵为其中,[·]H表示共轭转置;
步骤3,对协方差矩阵进行特征值分解:
对上述接收信号协方差矩阵进行特征值分解,并将得到的特征值按降序排列:其中lk表示按降序排列的第k个特征值(1≤k≤Nr);
步骤4,设置双边检测门限t=1.6,初始化计数变量m=1;
步骤5,计算二阶矩:
步骤6,计算特征值判决门限:
其中,为步骤(5)中计算得出的二阶矩,
其中N为接收样本数,双边检测门限t和计数变量m的值由步骤4定。
步骤7,根据特征值和门限进行判决:
利用上述判决门限值对特征值进行判决:如果特征值小于或等于判决门限则将对应的特征值判决为信号特征值,令m=m+1,返回步骤(5);如果特征值大于判决门限则将对应的特征值判决为信号特征值,将Nr-m作为MIMO发射天线数目的估计值;
下面结合本发明仿真效果图做进一步描述。
1.仿真条件
仿真系统包括1个具有2天线的发射机和1个具有8天线的非合作接收机。发射机与非合作接收机之间的信道为频率选择性信道,服从均值为0,方差为1的准静态瑞利平坦衰落。发射信号调制方式为4QAM,空时编码方式为SM。双边检测门限设置为1.6,蒙特卡洛仿真次数为20000次。
2.仿真内容及仿真结果
仿真1,当接收信号样本数为100时,分别采用本发明方法、基于模式选择的AIC方法与MDL方法和基于假设检验的PET方法,在不同信噪比条件下进行正确识别概率的仿真对比。如图3所示,在小信噪比情况下,本发明方法的识别正确率高于其他方法,可以确保满足在低信噪比条件下通信信号盲识别的场景要求。
仿真2,当信噪比为0dB时,分别采用本发明方法、基于模式选择的AIC方法与MDL方法和基于假设检验的PET方法,在不同接收信号样本数条件下进行正确识别概率的仿真对比。如图4所示,在接收信号样本数比较小的情况下,本发明方法识别性能也优于其它方法,可以确保在快衰落通信场景中的适用性。
本发明的方法可用于通信信号盲识别和认知无线电,也可以用于军事通信对抗的场景。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
应当认识到,上述实施例用于说明而非是限制本发明,并且本领域技术人员能够在不背离本发明权利要求范围的情况下设计许多备选实施例。在权利要求中,置于圆括号之间的任何参考标记不应当解释为对权利要求构成限制。“包括”一词以及其结合的使用并不排除权利要求中所述的那些元件或步骤之外元件或步骤。不定冠词“一”或“一个”并不排除多个此类元件的存在。本发明可以通过包括若干分立元件的硬件方式实施,以及通过适当编程的计算机的方式实施。在装置权利要求中列举了若干模块,这些模块中的一些可以通过硬件中的一个或相同内容实现。在相互不同的从属权利要求中所应用的特定措施并不指示不能有利的使用这些措施的组合。
Claims (2)
1.一种适用于MIMO系统的发射天线数目盲估计方法,包括步骤如下:
(1)假设MIMO通信系统由一个天线数目为Nt的发射机和一个天线数目为Nr的非合作接收机构成,其中非合作接收机的天线数大于发射机的天线数,即Nr>Nt。定义非合作接收机的接收信号矩阵为Y,第n个采样时刻的接收信号为y(n),其中1≤n≤N,则Nr×N维矩阵N为接收数据样本数;
(2)利用接收信号矩阵Y来构造接收信号协方差矩阵当N≥Nr时,接收信号协方差矩阵为当N<Nr时,接收信号协方差矩阵为其中,[·]H表示共轭转置;
(3)对协方差矩阵进行特征值分解:
对进行特征值分解,并将分解得到的特征值按降序排列:其中lk表示按降序排列的第k个特征值(1≤k≤Nr);
(4)设置双边检测门限,初始化计数变量;
(5)计算二阶矩:
(6)计算特征值判决门限:
其中,为步骤(5)中计算得出的二阶矩,
N为接收样本数,双边检测门限t和计数变量m的值由步骤(4)设定;
(7)根据特征值和门限进行判决:利用上述判决门限值对特征值进行判决:如果特征值小于或等于判决门限则将对应的特征值判决为噪声特征值,令m=m+1,返回步骤(5);如果特征值大于判决门限则将对应的特征值判决为信号特征值,将Nr-m作为MIMO发射天线数目的估计值。
2.根据权利要求1所述的适用于MIMO系统的发射天线数目盲估计方法,所述步骤(6)中使用的特征值判决门限,由下列公式确定:
其中,为步骤(5)中计算得出的二阶矩:
N为接收样本数,m为计数变量,t为双边检测门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710007185.2A CN106713190B (zh) | 2017-01-05 | 2017-01-05 | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710007185.2A CN106713190B (zh) | 2017-01-05 | 2017-01-05 | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106713190A true CN106713190A (zh) | 2017-05-24 |
CN106713190B CN106713190B (zh) | 2020-02-14 |
Family
ID=58907907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710007185.2A Active CN106713190B (zh) | 2017-01-05 | 2017-01-05 | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106713190B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234010A (zh) * | 2017-12-15 | 2018-06-29 | 同济大学 | 一种低复杂度的信号检测算法 |
CN111628833A (zh) * | 2020-06-10 | 2020-09-04 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN112910518A (zh) * | 2021-01-28 | 2021-06-04 | 西安电子科技大学 | 无人机通信中非高斯噪声下mimo系统发射天线数估计方法 |
CN113556157A (zh) * | 2021-06-08 | 2021-10-26 | 西安电子科技大学 | 非高斯干扰下mimo系统发射天线数估计方法及系统 |
CN110278565B (zh) * | 2018-12-31 | 2022-07-12 | 华为技术服务有限公司 | 一种基站设计方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118199A (zh) * | 2010-12-15 | 2011-07-06 | 西安交通大学 | 基于空时分集的多天线频谱感知方案的实现方法 |
CN104683050A (zh) * | 2015-01-29 | 2015-06-03 | 吉首大学 | 一种能有效对抗噪声不确定性的多天线全盲频谱感知方法 |
CN106059639A (zh) * | 2016-06-21 | 2016-10-26 | 西安电子科技大学 | 基于矩阵盖尔圆的发射天线数目盲估计方法 |
-
2017
- 2017-01-05 CN CN201710007185.2A patent/CN106713190B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118199A (zh) * | 2010-12-15 | 2011-07-06 | 西安交通大学 | 基于空时分集的多天线频谱感知方案的实现方法 |
CN104683050A (zh) * | 2015-01-29 | 2015-06-03 | 吉首大学 | 一种能有效对抗噪声不确定性的多天线全盲频谱感知方法 |
CN106059639A (zh) * | 2016-06-21 | 2016-10-26 | 西安电子科技大学 | 基于矩阵盖尔圆的发射天线数目盲估计方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234010A (zh) * | 2017-12-15 | 2018-06-29 | 同济大学 | 一种低复杂度的信号检测算法 |
CN108234010B (zh) * | 2017-12-15 | 2020-11-03 | 同济大学 | 一种低复杂度的信号检测算法 |
CN110278565B (zh) * | 2018-12-31 | 2022-07-12 | 华为技术服务有限公司 | 一种基站设计方法及装置 |
CN111628833A (zh) * | 2020-06-10 | 2020-09-04 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN111628833B (zh) * | 2020-06-10 | 2022-02-08 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN112910518A (zh) * | 2021-01-28 | 2021-06-04 | 西安电子科技大学 | 无人机通信中非高斯噪声下mimo系统发射天线数估计方法 |
CN112910518B (zh) * | 2021-01-28 | 2022-05-17 | 西安电子科技大学 | 无人机通信中非高斯噪声下mimo系统发射天线数估计方法 |
CN113556157A (zh) * | 2021-06-08 | 2021-10-26 | 西安电子科技大学 | 非高斯干扰下mimo系统发射天线数估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106713190B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106713190A (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
CN101557263B (zh) | 无线电信号处理方法与装置 | |
CN101986583B (zh) | 基于协方差匹配的多天线频谱感知方法 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN105024771B (zh) | 一种Alpha稳定分布噪声下频谱感知方法 | |
CN104333406B (zh) | 用于在多小区多用户多天线系统中的解码方法 | |
CN103763782A (zh) | 一种mu-mimo下行链路基于加权用户相关的公平调度方法 | |
CN104038296A (zh) | 一种认知无线电网络的协作频谱检测方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN106130615A (zh) | 广义空间调制系统的激活天线与调制符号联合估计方法 | |
CN104360334A (zh) | 相关噪声背景下基于特征值mimo雷达目标盲检测方法 | |
CN110932806A (zh) | 一种alpha稳定噪声衰落信道下多天线频谱感知方法 | |
CN103369655B (zh) | 一种提高lte pucch dtx检测性能的方法 | |
CN110932807A (zh) | 一种非高斯噪声下mimo系统的频谱感知方法 | |
CN106059639A (zh) | 基于矩阵盖尔圆的发射天线数目盲估计方法 | |
CN101227254B (zh) | 一种在多入多出系统中v-blast的检测方法 | |
CN104301281A (zh) | 频率选择性衰落信道下mimo-ofdm系统的发射天线数目估计方法 | |
CN109905152B (zh) | 相关信道下多脉冲位置调制时光mimo的误码率近似方法 | |
CN111525970A (zh) | 一种基于空间调制的大规模mimo系统性能分析方法 | |
CN103763086A (zh) | 一种基于滤波器组的多用户多信道协作频谱感知方法 | |
CN103825852A (zh) | 一种双模自适应判决反馈均衡模块及其实现方法 | |
Seyedsalehi et al. | Propagation channel modeling by deep learning techniques | |
CN104980202A (zh) | 一种大规模mimo系统中基于mcmc技术的上行链路检测方法 | |
CN103117821B (zh) | 一种基于瑞利商的加权协作频谱感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |