CN108390838A - 基于信噪能量比最小的非高斯噪声系统盲均衡方法 - Google Patents
基于信噪能量比最小的非高斯噪声系统盲均衡方法 Download PDFInfo
- Publication number
- CN108390838A CN108390838A CN201810030927.8A CN201810030927A CN108390838A CN 108390838 A CN108390838 A CN 108390838A CN 201810030927 A CN201810030927 A CN 201810030927A CN 108390838 A CN108390838 A CN 108390838A
- Authority
- CN
- China
- Prior art keywords
- balanced device
- gaussian noise
- signal
- balance method
- noise
- 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.)
- Withdrawn
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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
- H04L25/03082—Theoretical aspects of adaptive time domain methods
- H04L25/03089—Theory of blind algorithms, recursive or not
-
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开基于信噪能量比最小的非高斯噪声系统盲均衡方法。本发明的意义在于为无线通信网、特别是无线传感器网络节点间提供对抗非高斯噪声的盲均衡方法,保证无线传感器节点间的数据正确传输。利用均衡器输出信号的信号噪声能量比最大为出发点,构造一个全新的代价函数。通过转化约束条件形式的方法,找到一种替代的约束条件,将该约束优化问题转化为一个无约束优化问题,采用二次ε‑不敏感损失函数并构造符合迭代重加权最小二乘法的求解方法求解该代价函数的全局最优解。该方法可节约无线传感器网络节点的电池损耗,在算法设计上考虑了需求小数据量要求且快速收敛。该算法适用于低阶和高阶正交幅度调制QAM和PSK信号的盲均衡问题。附图是本发明的无线传感器网络节点间信号传输模型。
Description
技术领域
本发明属于无线通信的信号处理技术领域,具体是指基于信噪能量比最小的非高斯噪声系统盲均衡方法,适用于无线通信网络,特别是无线传感器网络的节点之间的信道具有多径衰落特性情况下的一种对抗非高斯噪声的盲均衡方法。
背景技术
无线传感器网络作为一种比较特殊的无线网络,特别强调设备间的通信。无线传感器网络以数据为中心,即无线传感器网络节点既是路由器又是主机。无线传感器节点将本地处理过的数据传输到中间处理节点,中间处理节点作为数据融合节点,可以对接收到的多个信息进行相应的融合及智能处理,最后将信息发送到数据接收端(Sink端)。节点间的信道由于直射、绕射及散射等传播途径的影响而具有典型的多径衰落特性,盲均衡是种能有效对抗无线信道衰落特性的方法。
一方面,考虑到无线传感器网络的特殊用途,其环境噪声往往非常恶劣,而传统的盲均衡方法均假设噪声为高斯白噪声前提进行建模,使得算法的鲁棒性和性能由于非高斯噪声的干扰而严重下降甚至失败。另一方面,无线传感网络节点由于使用一个很小的电池作为电源,常无法被充电和替换,因此对信号处理算法有非常严格的能耗限制,而且在一般情况下,节点所需要传递的有用信息通常很少,此时通过信息数据量无法得到准确的统计信息,那么以大数据量为基础的高阶统计量的传统盲均衡方法则无法适用。盲均衡算法的运算负担不能过重,最为直接的方法就是降低算法对数据量本身的要求并提高算法的收敛速度。
因此有必要针对无线传感器网络的传输特性,而设计一种对抗非高斯噪声的盲均衡新方法,此为本发明的题旨所在。
发明内容
本发明的目的是克服现有技术存在的基于高阶统计量的盲均衡方法依赖高斯噪声假设、需要大数据量以及收敛速度慢等缺点,而提供一种基于信噪能量比最小的非高斯噪声系统盲均衡方法。该方法依赖小数据量且具有对抗非高斯噪声能力的快速收敛能力。
为实现上述目的,本发明的技术方案是包括步骤:
S1、目标节点通过射频前端接收单元对接收到的射频信号进行前期预处理,得到基带接收信号,输入到均衡器中处理并由均衡器输出;
S2、设置迭代次数,基于均衡器输出中有用信号与噪声能量比最大作为出发点构造代价函数;
S3、对均衡器输出的均衡器向量求一阶导并令其值等于零并假设均衡器输出信号值固定,获得无约束条件的代价函数;
S4、构造符合迭代重加权最小二乘法的求解方法求解该无约束条件的代价函数的全局最优解。
进一步设置是所述的步骤S1具体包括:
基带接收信号xk,则均衡器输出为:
式中:
yk为经过均衡器的输出信号
w=[w0,...,wL-1]T为均衡器向量,T为矩阵转置
wi表示均衡器的抽头系数,i=0,…,L-1
x=[xk,xk-1…,xk-M+1]T,
sk为基带发送信号
vk为加性高斯或非高斯噪声
M为信道阶数
L为均衡器阶数
fj为信道和均衡器的联合冲激响应系数。
进一步设置是所述的步骤S2具体包括:
设置第t次迭代,ε>0,构造如下优化问题的代价函数:
式中:其中ε为不小于零的常数
N为接收到的观察数据长度
λ为大于零的惩罚因子
E(·)为求数学期望运算。
进一步设置是所述的步骤S3具体包括:
对w求一阶导并令其值等于零并假设均衡器输出yk值固定,获得:
式中:(·)H为矩阵共轭转置运算
y=[y1,…,yk,…yN]
Da为由主对角元素为aj构成的对角矩阵,j=1,…,N
Dy为由主对角元素为|yj|2构成的对角矩阵,j=1,…,N
X为接收数据所组成的矩阵
I为单位阵。
进一步设置是所述的步骤S4具体包括:
为保证可逆,加入一个其元素值足够小的机器扰动矩阵δ,得到如下形式的等式:
设置梯度下降方向wt+1=wt+ηt(ws-wt),这里η为步长,采用迭代重加权最小二乘算法求解该优化问题。
本发明的的技术方案有别于传统基于高阶统计量的盲均衡算法利用了高斯噪声的高阶累量值为零而隐性忽略了噪声对实际性能的真实影响,本发明方法通过使有用信号与噪声能量比最大作为出发点建立代价函数,并推演约束条件的等价形式进行信号的盲均衡的算法模型构建,进而将该优化问题转化为求解无约束优化问题;采用二次ε-不敏感损失函数,并构造符合迭代重加权最小二乘法求解该代价函数的全局最优解。
有益效果:本发明适用于无线传感器网络的节点间的信道盲均衡方法,本发明的意义在于为无线通信网、特别是无线传感器网络提供了一种仅依赖小数据量的、可对抗非高斯噪声的、收敛快速的盲均衡方法,保证无线传感器网络节点间的数据正确传输。该算法不仅具有对抗非高斯噪声的能力,而且无论从算法运算代价、对数据量的要求和收敛速度等方面均优越于基于高阶统计量的经典盲均衡算法,可节约网络节点的电池损耗。该算法适用于正交幅度调制(QAM,Quadrature Amplitude Modulation)信号和相位键控(PSK,Phase Shift Keying)调制信号的盲均衡问题。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1本发明基于信噪能量比最小的非高斯噪声系统盲均衡方法的流程图;
图2本发明的系统和均衡器模型;
图3是本发明试验时采用的高斯和非高斯噪声样本分布;
图4是本发明试验时对抗高斯和非高斯噪声的均衡器输出结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,本发明方法包括步骤:
步骤S1、目标节点通过射频前端接收单元对接收到的射频信号进行前期预处理,得到基带接收信号,输入到均衡器中处理并由均衡器输出;
步骤S2、设置迭代次数,基于均衡器输出中有用信号与噪声能量比最大作为出发点构造代价函数;
步骤S3、对均衡器输出的均衡器向量求一阶导并令其值等于零并假设均衡器输出信号值固定,获得无约束条件的代价函数;
步骤S4、构造符合迭代重加权最小二乘法的求解方法求解该无约束条件的代价函数的全局最优解。
作为具体实施例,图2是本发明的系统和均衡器模型。无线传感器目标节点的均衡器输入和输出信号存在如下关系:其中M为信道阶数,L为均衡器阶数,sk为发送信号,vk为信道的加性高斯或非高斯噪声,发送信号与噪声相互独立且均满足独立同分布的统计特性;xk表示均衡器的接收信号,wi表示均衡器的抽头系数,yk为经过均衡器的输出信号。记信道冲激响应h=[h0,…,hM-1],则联合信道为:
这里z-1表示一个时间延迟。
再记f为由元素fj,j=0,…,L+M-2组成的向量,则均衡器输出为:
式中w=[w0,...,wL-1],x=[xk,xk-1…,xk-M+1]T,T为矩阵转置。
(1)构造新的代价函数
考虑发送信号sk和噪声vk相互独立,且发送信号与噪声相互独立且均满足独立同分布的统计特性,可得:
式中E(·)为求期望,|·|为取模值运算,||·||为2范数运算。
构造如下优化问题:
若则可实现盲均衡。对于一组具体的样本数据,发送信号与噪声序列都是确定的、不可改变的,则如上优化问题转化为如下带约束优化问题:
考虑到若fj满足如下形式f=[0,...,0,fj,0,...,0]T,则上式取得最大值,即对f进行归一化,即重写为f=[0,...,0,1,0,...,0]T,则有:可得f∈E的充要条件为:
(2)约束条件演变
设计一个新的优化问题使得它与原优化问题同解。记由于当且仅当时J1=J2。下面研究J2的函数结构,为了讨论简洁,记则u>0,且在u=1时,取得极大值。
令α>0。于是有其中K1是常数。又因为所以有K1=2α可得:进而有:选取K2=0。所以当时,可保证在时获得极大值。考虑到在f∈E时等式成立,所以当f∈E时,取得最大值。
仅考虑有用信号,因为且C(|yk|4)=E(|yk|4)-2·[E(|yk|2)]2,进而得到(7)式:
由于α为任意大于0的数即可,为简化J1,不妨取α使之满足:
将(8)式代入J1,并考虑到在发送信号调制方式不变的情况下,C(|sk|4),E|sk|4,E|sk|2均是常数,则有:
因此当令是默认了C(|sk|4)<0,即发送信号满足亚高斯形态就可以保证该条件。
最大化J1,即最小化如下代价函数:
(3)代价函数的近似表达式
设(10)式的最小值为δ,这里δ为不小于零的常数,则优化问题(5)转换为无约束优化问题:
式中:N为所取数据个数,c为任意大于零的常数。
令并引入二次ε-不敏感损失函数,其中ε≥0:
并令|ei|=ξi,则有:
假设第t次迭代,定义这里讨论情况,将(11)式惩罚项在邻域泰勒展开,得到近似表达式:
(4)迭代重加权最小二乘算法演变
定义pt=wl-wt作为J(w)的下降方向,这里l和t分别代表第l次和第t次迭代。构造一个线性搜索方法wt+1=wt+ηtpt;ηt初始值设置为1,如果J(wt+1)≥J(wt),ηt的值随着迭代的进行严格下降。为获得式(7)的解,对w求一阶导并令其值等于零并假设均衡器输出yk值固定,则有:
式中(·)*为共轭运算。(15)式改写成矩阵形式:
式中:y=[y1,…,yk,…yN],(·)H为矩阵共轭转置运算,Da和Dy分别是由主对角元素为aj和|yj|2的对角矩阵,j=1,…,N。j=1,…,N,I为单位阵。
为保证可逆,加入一个其元素值足够小的机器扰动矩阵δ,得到如下形式的等式:
(5)试验设置和结果
试验采用多径复信道:源节点发射信号采用64-QAM调制方式,噪声环境分别设置为:高斯噪声、超高斯噪声、亚高斯噪声和有色高斯噪声,目标节点接收数据为N=2000(仅为传统基于高阶统计量的盲均衡算法所需要的接收数据量的十分之一),信噪比(Signal-to-noise ratio,SNR)SNR=15dB。采用的高斯和非高斯噪声样本分布见图2,目标节点完成均衡后,均衡器输出信号匹配于各自的星座,可以达到满意的盲均衡效果(见图3),图3输出样本星座图分布存在π/4的旋转,该旋转的角度仅与复数信道的选择有关。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种基于信噪能量比最小的非高斯噪声系统盲均衡方法,其特征在于,包括步骤:
S1、目标节点通过射频前端接收单元对接收到的射频信号进行前期预处理,得到基带接收信号,输入到均衡器中处理并由均衡器输出;
S2、设置迭代次数,基于均衡器输出中有用信号与噪声能量比最大作为出发点构造代价函数;
S3、对均衡器输出的均衡器向量求一阶导并令其值等于零并假设均衡器输出信号值固定,获得无约束条件的代价函数;
S4、构造符合迭代重加权最小二乘法的求解方法求解该无约束条件的代价函数的全局最优解。
2.根据权利要求1所述的非高斯噪声系统盲均衡方法,其特征在于:所述的步骤S1具体包括:
基带接收信号xk,则均衡器输出为:
式中:
yk为经过均衡器的输出信号
w=[w0,...,wL-1]T为均衡器向量,T为矩阵转置
wi表示均衡器的抽头系数,i=0,…,L-1
x=[xk,xk-1…,xk-M+1]T,
sk为基带发送信号
vk为加性高斯或非高斯噪声
M为信道阶数
L为均衡器阶数
fj为信道和均衡器的联合冲激响应系数。
3.根据权利要求2所述的非高斯噪声系统盲均衡方法,其特征在于:所述的步骤S2具体包括:
设置第t次迭代,ε>0,构造如下优化问题的代价函数:
式中:其中ε为不小于零的常数
N为接收到的观察数据长度
λ为大于零的惩罚因子
E(·)为求数学期望运算。
4.根据权利要求3所述的非高斯噪声系统盲均衡方法,其特征在于:所述的步骤S3具体包括:
对w求一阶导并令其值等于零并假设均衡器输出yk值固定,获得:
式中:(·)H为矩阵共轭转置运算
y=[y1,…,yk,…yN]
Da为由主对角元素为aj构成的对角矩阵,j=1,…,N
Dy为由主对角元素为|yj|2构成的对角矩阵,j=1,…,N
X为接收数据所组成的矩阵
I为单位阵。
5.根据权利要求4所述的非高斯噪声系统盲均衡方法,其特征在于:所述的步骤S4具体包括:
为保证可逆,加入一个其元素值足够小的机器扰动矩阵δ,得到如下形式的等式:
设置梯度下降方向wt+1=wt+ηt(ws-wt),这里η为步长,采用迭代重加权最小二乘算法求解该优化问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030927.8A CN108390838A (zh) | 2018-01-12 | 2018-01-12 | 基于信噪能量比最小的非高斯噪声系统盲均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030927.8A CN108390838A (zh) | 2018-01-12 | 2018-01-12 | 基于信噪能量比最小的非高斯噪声系统盲均衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108390838A true CN108390838A (zh) | 2018-08-10 |
Family
ID=63076765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030927.8A Withdrawn CN108390838A (zh) | 2018-01-12 | 2018-01-12 | 基于信噪能量比最小的非高斯噪声系统盲均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108390838A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771637A (zh) * | 2010-01-08 | 2010-07-07 | 南京邮电大学 | 一种对抗非高斯噪声的盲均衡方法 |
CN102035769A (zh) * | 2010-11-24 | 2011-04-27 | 南京邮电大学 | 基于复数离散全反馈神经网络的相移键控信号盲检测方法 |
CN105007246A (zh) * | 2015-07-29 | 2015-10-28 | 南京信息工程大学 | 一种模因方法优化的多模盲均衡方法 |
-
2018
- 2018-01-12 CN CN201810030927.8A patent/CN108390838A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771637A (zh) * | 2010-01-08 | 2010-07-07 | 南京邮电大学 | 一种对抗非高斯噪声的盲均衡方法 |
CN102035769A (zh) * | 2010-11-24 | 2011-04-27 | 南京邮电大学 | 基于复数离散全反馈神经网络的相移键控信号盲检测方法 |
CN105007246A (zh) * | 2015-07-29 | 2015-10-28 | 南京信息工程大学 | 一种模因方法优化的多模盲均衡方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Order statistics in wireless communications: diversity, adaptation, and scheduling in MIMO and OFDM systems | |
Guan et al. | Efficiency evaluations based on artificial intelligence for 5G massive MIMO communication systems on high-altitude platform stations | |
CN106130697B (zh) | 基于Bayes估计和数据流间功率分配的联合干扰相位对齐方法 | |
CN101771637A (zh) | 一种对抗非高斯噪声的盲均衡方法 | |
CN109379118A (zh) | 一种新型的多输入多输出共生无线通信系统架构 | |
Luo et al. | Link quality estimation method for wireless sensor networks based on stacked autoencoder | |
Sun et al. | Cooperative spectrum sensing with diversity reception in cognitive radios | |
CN108777855A (zh) | 应用于das的功率分配方法、装置及计算机可读存储介质 | |
CN106102073A (zh) | 一种异构认知无线网络下行链路干扰对齐方法 | |
CN101754404A (zh) | 认知无线电网络中基于共识性的合作式频谱感知方法 | |
CN115173923A (zh) | 一种低轨卫星网络能效感知路由优化方法和系统 | |
Kumar et al. | Threshold selection analysis of spectrum sensing for cognitive radio network with censoring based imperfect reporting channels | |
CN108390838A (zh) | 基于信噪能量比最小的非高斯噪声系统盲均衡方法 | |
CN112738849B (zh) | 应用于多跳环境反向散射无线网络的负载均衡调控方法 | |
CN102035769B (zh) | 基于复数离散全反馈神经网络的相移键控信号盲检测方法 | |
Wang et al. | A new transmission strategy to achieve energy balance and efficiency in wireless sensor networks | |
Chauhan et al. | An Asymptotic Framework for Fox's H-Fading Channel With Application to Diversity-Combining Receivers | |
CN100349447C (zh) | 用于流星余迹通信的数据均衡方法 | |
CN105052187A (zh) | 导频信号的传输方法、基站及用户设备 | |
Chauhan et al. | Average channel capacity over mixture gamma distribution | |
Imanian et al. | Information-Based Node Selection for Joint PCA and Compressive Sensing-Based Data Aggregation | |
Reynolds et al. | Adaptive transmitter optimization for blind and group-blind multiuser detection | |
ZHU et al. | Dual-mode navigation satellite selection algorithm based on differential evolution and geometry | |
Ramisetty et al. | Performance analysis of multi user MIMO system with successive hybrid information and energy transfer beamformer | |
CN108494510A (zh) | 基于最优加权系数的非理想汇报信道下的决策融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180810 |
|
WW01 | Invention patent application withdrawn after publication |