CN108494442B - 一种异步协作通信系统的自适应均衡算法 - Google Patents

一种异步协作通信系统的自适应均衡算法 Download PDF

Info

Publication number
CN108494442B
CN108494442B CN201810228830.8A CN201810228830A CN108494442B CN 108494442 B CN108494442 B CN 108494442B CN 201810228830 A CN201810228830 A CN 201810228830A CN 108494442 B CN108494442 B CN 108494442B
Authority
CN
China
Prior art keywords
algorithm
node
communication system
cooperative communication
training
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.)
Active
Application number
CN201810228830.8A
Other languages
English (en)
Other versions
CN108494442A (zh
Inventor
王杰令
智开宇
张睿
赵瑞琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xidian University
Priority to CN201810228830.8A priority Critical patent/CN108494442B/zh
Publication of CN108494442A publication Critical patent/CN108494442A/zh
Application granted granted Critical
Publication of CN108494442B publication Critical patent/CN108494442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B7/022—Site diversity; Macro-diversity
    • H04B7/026—Co-operative diversity, e.g. using fixed or mobile stations as relays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B15/00—Suppression or limitation of noise or interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种异步协作通信系统的自适应均衡算法，该算法结合了粒子群优化算法，对传统LMS算法进行了改进，实现步骤为：建立异步协作通信系统模型；获取接收信号；利用粒子群算法和LMS算法对均衡器抽头系数进行训练；重复第二步和第三步直到达到规定的训练次数。本发明和传统LMS算法相比，在训练阶段有着更好的收敛性能；在检测阶段信噪比足够高时有着更好的误比特率性能。用于无线通信领域。

Description

一种异步协作通信系统的自适应均衡算法
技术领域
本发明属于无线通信技术领域，涉及一种异步协作通信系统的自适应均衡算法，具体涉及一种改进的LMS自适应均衡算法。
背景技术
多输入多输出(MIMO)系统的收发两端都配备了多根天线，具有空间分集增益，但同时也增加了设备的体积、重量和功耗，这使得MIMO技术的应用受到了限制。协作通信技术利用中继节点的天线形成虚拟的MIMO系统，同样可以获得空间分集增益。
在实际情况下，协作通信系统中的中继节点的分布具有随机性，各中继节点转发的信号往往异步地到达目的节点，产生符号间干扰。接收端可以采用均衡技术来消除符号间干扰。在实际情况下也往往无法事先得到信道信息，这时可以采用自适应均衡技术，通过发送已知的训练序列不断地训练均衡器的抽头系数。
常用的自适应均衡算法有LMS算法和RLS算法。LMS算法具有简单，稳定性好的优点，缺点是收敛速度慢；RLS算法有着较快的收敛速度，但其运算量很大。
发明内容
本发明的目的是针对异步协作通信系统自适应均衡技术中的LMS算法收敛速度慢的问题，提供一种异步协作通信系统的自适应均衡算法，是改进的LMS算法，该算法结合了粒子群优化算法，在迭代过程中利用粒子群算法寻找最优解，同时利用LMS算法来避免粒子群算法可能导致的局部收敛问题。
为实现上述目的，本发明采取的技术方案是，一种异步协作通信系统的自适应均衡算法，包括如下步骤：
步骤1：建立异步协作通信系统模型，该模型包括1个源节点，1个目的节点，2个中继节点，每个节点装配一根天线，系统采用循环前缀来消除块间干扰；
步骤2：获取接收信号r＝Hs+υ，其中s为发送信号，是长度为k的列向量，H为信道矩阵，其维度为k×k，υ为加性高斯白噪声；
其中信道矩阵H为循环矩阵，其第1行的表达式为：
Figure BDA0001602113060000021
其中，
Figure BDA0001602113060000022
τ是两个中继之间的相对时延，Ts为符号周期，且相对时延是符号周期的整数倍。其中S是源节点，R是中继节点，D是目的节点。
步骤3：利用粒子群算法和LMS算法对均衡器抽头系数w进行训练，其中w是长度为k的行向量：
步骤3.1：对于粒子群算法，初始化x＝0,v＝0,gbest＝d，其中x是粒子的位置，v是粒子的速度，gbest是全局最优，d是参考信号；
步骤3.2：接收信号r进入均衡器进行处理，均衡后的信号req＝Wr，其中W为k×k循环矩阵，其第一行为w，令个体最优pbest＝req；
步骤3.3：按以下公式更新粒子的速度和位置：
v＝ωv+c1ξ(pbest-x)+c2η(gbest-x)
x＝x+v
其中ω是惯性权重，c1,c2是加速度常数，ξ,η是(0,1)区间上的随机数；
步骤3.4：计算误差e＝d-x；
步骤3.5：按以下LMS公式更新均衡器抽头系数：
w＝w+μe1r*
其中μ为步长，e1是e的第一个元素，(·)*表示共轭；
步骤3.6：重复步骤3.2-3.5，直到达到规定的迭代次数；
步骤4：重复步骤2和步骤3，直到达到规定的训练次数。
与现有技术相比，本发明具有的优点：
1、本发明和传统LMS算法相比，在训练阶段有着更快的收敛速度和更小的稳态误差。
2、本发明和传统LMS算法相比，在检测阶段信噪比足够高时有着更好的误比特率性能。
附图说明
图1是本发明自适应均衡算法的流程框图。
图2是本发明异步协作通信系统结构示意图。
图3是本发明在训练阶段的收敛性能仿真图。
图4是本发明在检测阶段的误比特率性能仿真图。
具体实施方式
以下结合附图和具体实施例，对本发明内容作进一步详细描述。
参照图1，一种异步协作通信系统的自适应均衡算法，包括如下步骤：
步骤1)建立异步协作通信系统模型，其结构如图2所示，包括1个源节点，1个目的节点，2个中继节点，每个节点装配一根天线，系统采用循环前缀来消除块间干扰，两个中继之间的相对延迟为3倍的符号周期，源节点到第l个中继节点的衰落系数为
Figure BDA0001602113060000041
第l个中继节点到目的节点的衰落系数为
Figure BDA0001602113060000042
且
Figure BDA0001602113060000043
和
Figure BDA0001602113060000044
是独立的复高斯变量；
步骤2)获取接收信号r＝Hs+υ，其中s为发送信号，是长度为k＝16的列向量，υ为加性高斯白噪声，H为信道矩阵且为循环矩阵，其维度为16×16，其第1行的表达式为：
Figure BDA0001602113060000045
其中
Figure BDA0001602113060000046
步骤3)利用粒子群算法和LMS算法对均衡器抽头系数w进行训练：
步骤3.1)对于粒子群算法，初始化x＝0,v＝0,gbest＝d，其中x是粒子的位置，v是粒子的速度，gbest是全局最优，d是参考信号；
步骤3.2)接收信号r进入均衡器进行处理，均衡后的信号req＝Wr，其中W为16×16循环矩阵，其第一行为w。令个体最优pbest＝req；
步骤3.3)按以下公式更新粒子的速度和位置：
v＝ωv+c1ξ(pbest-x)+c2η(gbest-x)
x＝x+v
其中ω＝0.2是惯性权重，c1＝0.3,c2＝0.5是加速度常数，ξ,η是(0,1)区间上的随机数；
步骤3.4)计算误差e＝d-x；
步骤3.5)按以下LMS公式更新均衡器抽头系数：
w＝w+μe1r*
其中μ＝0.0015为步长，e1是e的第一个元素，(·)*表示共轭；
步骤3.6)重复步骤3.2-3.5，直到达到规定的迭代次数。
步骤4)重复步骤2和步骤3，直到达到规定的训练次数。
以下结合仿真实验，对本发明的技术效果作以说明。
1、仿真条件：
本发明的仿真使用Matlab7.10.0仿真软件，系统参数的设置与实施例中所用到的参数一致。
2、仿真内容与结果：
对本发明在训练阶段的收敛性能和在检测阶段的误比特率性能进行仿真，并分别与传统LMS算法做了对比，其结果如图3和图4所示。图3对应的信噪比为15dB。
由图3的仿真结果可见，本发明在训练阶段比传统LMS算法有着更快的收敛速度，并且有着更低的稳态误差。
由图4的仿真结果可见，在检测阶段，当信噪比大于约9dB时，本发明比传统LMS算法有着更好的误比特率性能，在误比特率为10-3时可获得约2.5dB的增益。
以上所述，仅是本发明的较佳实例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所做的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种异步协作通信系统的自适应均衡算法，其特征在于，包括以下步骤：
步骤1：建立异步协作通信系统模型，该模型包括1个源节点，1个目的节点，2个中继节点，每个节点装配一根天线，系统采用循环前缀来消除块间干扰；其中源节点到第l个中继节点的衰落系数为
Figure FDA0002727158200000011
第l个中继节点到目的节点的衰落系数为
Figure FDA0002727158200000012
且
Figure FDA0002727158200000013
和
Figure FDA0002727158200000014
是独立的复高斯变量，其中S是源节点，R是中继节点，D是目的节点；
步骤2：获取接收信号r＝Hs+υ，其中s为发送信号，是长度为k的列向量，H为信道矩阵，其维度为k×k，υ为加性高斯白噪声；
其中信道矩阵H为循环矩阵，其第1行的表达式为：
Figure FDA0002727158200000015
其中，
Figure FDA0002727158200000016
τ是两个中继之间的相对时延，Ts为符号周期，且相对时延是符号周期的整数倍；
步骤3：利用粒子群算法和LMS算法对均衡器抽头系数w进行训练，其中w是长度为k的行向量；
训练包括以下步骤：
步骤3.1：对于粒子群算法，初始化x＝0,v＝0,gbest＝d，其中x是粒子的位置，v是粒子的速度，gbest是全局最优，d是参考信号；
步骤3.2：接收信号r进入均衡器进行处理，均衡后的信号req＝Wr，其中W为k×k循环矩阵，其第一行为w，令个体最优pbest＝req；
步骤3.3：按以下公式更新粒子的速度和位置：
v＝ωv+c1ξ(pbest-x)+c2η(gbest-x)
x＝x+v
其中ω是惯性权重，c1,c2是加速度常数，ξ,η是(0,1)区间上的随机数；
步骤3.4：计算误差e＝d-x；
步骤3.5：按以下LMS公式更新均衡器抽头系数：
w＝w+μe1r*
其中μ为步长，e1是e的第一个元素，(·)*表示共轭；
步骤3.6：重复步骤3.2-3.5，直到达到规定的迭代次数；
步骤4：重复步骤2和步骤3，直到达到规定的训练次数。
CN201810228830.8A 2018-03-20 2018-03-20 一种异步协作通信系统的自适应均衡算法 Active CN108494442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810228830.8A CN108494442B (zh) 2018-03-20 2018-03-20 一种异步协作通信系统的自适应均衡算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810228830.8A CN108494442B (zh) 2018-03-20 2018-03-20 一种异步协作通信系统的自适应均衡算法

Publications (2)

Publication Number Publication Date
CN108494442A CN108494442A (zh) 2018-09-04
CN108494442B true CN108494442B (zh) 2020-12-01

Family

ID=63318548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810228830.8A Active CN108494442B (zh) 2018-03-20 2018-03-20 一种异步协作通信系统的自适应均衡算法

Country Status (1)

Country Link
CN (1) CN108494442B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8553795B2 (en) * 2006-10-31 2013-10-08 Qualcomm Incorporated Unified design and centralized scheduling for dynamic SIMO, SU-MIMO and MU-MIMO operation for RL transmissions
CN103780351A (zh) * 2014-01-25 2014-05-07 西安交通大学 解码转发协作通信系统中对抗时间异步的发射和接收方法
CN104052690A (zh) * 2014-05-09 2014-09-17 中国电子科技集团公司第七研究所 用于协作通信系统中频率同步方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8553795B2 (en) * 2006-10-31 2013-10-08 Qualcomm Incorporated Unified design and centralized scheduling for dynamic SIMO, SU-MIMO and MU-MIMO operation for RL transmissions
CN103780351A (zh) * 2014-01-25 2014-05-07 西安交通大学 解码转发协作通信系统中对抗时间异步的发射和接收方法
CN104052690A (zh) * 2014-05-09 2014-09-17 中国电子科技集团公司第七研究所 用于协作通信系统中频率同步方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"A Particle Swarm Optimization–Least Mean Squares Algorithm for Adaptive Filtering";D.J. Krusienski等;《Conference Record of the Thirty-Eighth Asilomar Conference on Signals》;20050321;Conference Record of the Thirty-Eighth Asilomar Conference on Signals *

Also Published As

Publication number Publication date
CN108494442A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
De Lamare et al. Adaptive reduced-rank equalization algorithms based on alternating optimization design techniques for MIMO systems
Iqbal et al. Adaptive Frequency-Domain RLS DFE for Uplink MIMO SC-FDMA
CN101651643B (zh) 基于空间分集的小波神经网络盲均衡方法
CN108494442B (zh) 一种异步协作通信系统的自适应均衡算法
CN101494625A (zh) 一种线性均衡方法及线性均衡器
CN110213184A (zh) 一种基于修正代价函数的自适应信道盲均衡方法
CN107171990A (zh) 基于分数间隔与迭代算法的单载波信号时域均衡方法
CN111917522B (zh) 一种抗干扰宽带单载波空时编码传输方法
Zhao et al. An improved frequency domain turbo equalizer for single-carrier spatial modulation systems
Myburgh et al. Low complexity MLSE equalization in highly dispersive Rayleigh fading channels
CN114006797A (zh) 一种用于高速视频通信的多天线均衡接收方法
Khan et al. Data aided channel estimation for MIMO-OFDM wireless systems using reliable carriers
Xi et al. Bidirectional blind equalization based on the constant modulus and subspace-based algorithms
Ge et al. Classification Weighted Deep Neural Network Based Channel Equalization for Massive MIMO-OFDM Systems
Xie et al. Decision feedback equalizer with frequency domain bidirectional noise prediction for MIMO-SCFDE system
Wang et al. Iterative computation of FIR MIMO MMSE-DFE with flexible complexity-performance tradeoff
Guo et al. Fractionally spaced combining with spatial diversity blind equalization algorithm based on orthogonal wavelet transformation
Myburgh et al. Low complexity iterative MLSE equalization of M-QAM signals in extremely long Rayleigh fading channels
Benjebbour et al. A semi-adaptive MMSE weights generation approach for ordered successive detection in MIMO systems
Yen Stochastic unbiased minimum mean error rate algorithm for decision feedback equalizers
Gao et al. Frequency Domain Iterative Combining-Equalization for HF High Data Rate Transmission Systems
Kongara et al. Space-frequency decision feedback equalizer
Shim et al. Joint relay beamforming design for multilevel nondistributed and distributed amplify-and-forward relay networks
Abdalla et al. A channel update algorithm for VBLAST architecture in VANET
Sun et al. A novel frequency domain equalization algorithm for SC-FDE system

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
GR01 Patent grant
GR01 Patent grant