CN108964686B - 一种针对并发频谱访问模型的非合作式二级用户接收机 - Google Patents

Abstract

本发明属于无线通信技术领域，具体的说是一种针对并发频谱访问模型的非合作式二级用户接收机。本发明设计了一种全新的接收机框架，包含线性估计模块，解调与译码模块，聚类模块这三个模块，模块间迭代传输信息，高效地恢复在强干扰影响下的目标信号。

Description

一种针对并发频谱访问模型的非合作式二级用户接收机

技术领域

本发明属于无线通信技术领域，具体的说是涉及5G无线通信中认知无线电(Cognitive Radio)领域在并发频谱访问(concurrent spectrum access,CSA)场景下，针对并发频谱访问模型的非合作式二级用户接收机。

背景技术

用于无线通信系统的无线频谱是非常宝贵的资源，固定频谱访问(fixedspectrum access,FSA)法令规定了只有授权用户有权使用分配给它的频谱资源，即便该用户并未使用分配给它的频谱，其他未授权用户也不能使用该频谱。然而联邦通信委员会的一份报告显示，使用固定频谱分配策略的频谱利用率在15％-85％之间。为了改善频谱低效利用的状况，保持无线通信产业的可持续发展，动态频谱接入(DSC)应运而生。

在动态频谱接入中，一些频谱被分配给主用户，这些频谱优先供主用户使用；当主用户暂时不使用该频谱时，二级用户可以使用该频段或者二级用户可以在不影响主用户通信的情况下共用频谱资源。

为了实现动态频谱接入，二级用户需要感知无线环境，拥有这一能力的二级用户被称为认知无线电或者认知无线电用户。二级用户的感知有多种，例如感知主用户处于开或者关的状态；又或者预测主用户通信带来的干扰的功率大小。然而，获取无线环境的过程复杂而又代价高昂，因为这一过程涉及频谱感知，自动学习，用户协同，建模，推断。

不同的感知能力的认知无线电系统可以有不同的方式接入无线频谱，主要有两种模型被广泛研究。一种是机会主义接入(opportunistic access,OSA)模型，这种模型中，二级用户感知主用户开关状态，并且接入主用户未使用的闲置频段。另一种是并发频谱访问(concurrent spectrum access,CSA)模型，这种模型下二级用户感知到主用户通信能量强弱，控制二级用户之间通信的信号功率以保证不影响主用户通信。二级用户的接收机的目标是在干扰信号s存在的情况下，从接收到的信号y中，恢复出矩阵x。实现这一目标面临两大困难：其一是为了保证主用户通信不受影响，二级用户为功率受限系统，换言之主用户带来的干扰信号s的功率将会远远大于二级用户接收到的信号x。因此如果只是简单将干扰视为噪声，二级用户接收机在极低信噪比下的工作性能将会很糟糕；此外由于二级用户与主用户系统间缺乏合作，二级用户接收机对于主用户信号的信道编码方式，信道系数并不知晓，这使得传统的相干检测译码方法不能被用于恢复s以便从y中消除干扰的影响。

发明内容

本发明的目的，就是针对上述问题，提供一种针对并发频谱访(CSA)模型的非合作式二级用户接收机，该接收机仅需极其有限有关干扰信号的先验信息，即主用户通信信号所使用的调制方式，就能有效工作。

本发明所采用的技术方案为：

考虑一个典型的认知无线电系统，二级用户与二级用户基站在主用户系统的干扰下进行通信，如图1所示，假设在每一个字块传输的过程中，信道保持不变，每一个传输字块包含N个符号，主用户系统与二级用户系统在符号水平上保持同步，则二级用户接收机收到的离散信号为：

y＝hx+gs+w∈C^N×1

式中，w∈C^N×1表示信道加性噪声，x∈C^N×1是来自二级用户发送机的信号，s∈C^N×1是来自主用户的干扰信号，h∈C是二级用户发送机到二级用户接收机之间的信道系数，g∈C是主用户发送机到二级用户接收机之间的信道系数；

同时设定x和s均为调试好的信号，x由星座点

中的元素组成，s∈C^{N ×1}由星座点

中的元素构成，星座点的信号功率均被归一化为单1；h通过导频估计为已知参数，在非合作式前提下，g是未知的；信号矩阵x结构为：数据序列首先通过信道编码和交织得到二进制序列b＝[b₁,b₂,...,b_N]，其中b_i＝[b_i,1,b_i,2,...,b_i,P]，每一个b_i通过调制函数f:{0,1}^P→X映射为x_i；

其特征在于，所述二级用户接收机包括：线性估计器、解调与译码模块和聚类模块，其中，二级用户接收机收到的离散信号输入线性估计器，线性估计器分别与解调与译码模块和聚类模块数据交换，由解调与译码模块输出最终判决数据，具体的是：

所述线性估计器用于根据接收信号y以及由解调与译码模块和聚类模块每一次迭代的输入

和

分别估计出输出

和

到解调与译码模块和聚类模块，所述z为引入的参数，定义z＝gs；具体为：

根据y＝hx+gs+w，线性估计器结合x的先验均值

与方差

获得x的最小线性均方差估计：

σ²为高斯分布的标准方差；

同时，线性估计器结合z的先验均值

与方差

获得z的最小线性均方差估计：

使用message passing算法时还需要计算外信息，在这里，由于来自解调与解码模块的信息已经是外信息，线性估计模块对于x的估计输出为：

对于z，仍需要计算外信息作为线性估计模块最终的输出，即对于z的估计输出为：

所述解调与译码模块基于输入的

对x进行估计，得到输出

具体为：

如图3所述，解调与译码模块包括软解调器、交织器、解交织器、软入软出译码器和软调制器，输入

为线性估计模块的输出，进入软解调器后输出对数似然比(LLRs)

其中(f^-1(S_k))_j表示f^-1(S_k)的第j比特，然后从

减去

以得到外信息对数似然比，再将该对数似然比经过解交织模块后输入软入软出译码器，得到的译码器输出

经过交织器并减去先验信息得到

随后软调制器映射对数似然比为符号信息：

其中x_i＝f(b_i)且

解调与译码模块的输出为：

所述聚类模块用于估计出接收机接收信号y中的干扰信号，即根据输入

得到输出

作为z的估计，

为线性估计模块的输出

具体为：

聚类模块目的是估计出接收机接收信号y中的干扰信号z＝gs进行估计，以便在其他模块中消除干扰信号，从而恢复目标信号x。由于已知干扰信号将会是离散分布在一些星座点附近，故而可以使用机器学习算法将其估计出来；采用K-means算法以及基于混合高斯模型的EM算法来估计出z，即得到输出

在标准化EM算法的基础之上，本发明提出出具有更优性能的Ext-EM算法用于聚类，体现在还可以获得外信息输出

令

且

可得：

其中c和α是待确定的参数；

令：

其中的div{·}表示散度，采用统计学的方式近似计算散度

z^post＝D(z^pri)

其中δ是一个极小量，n表示高斯0均值协方差矩阵为I的噪声；

最后聚类模块的输出为：

本发明总的技术方案，设计了一种全新的接收机框架，包含线性估计模块，解调与译码模块，聚类模块这三个模块，模块间迭代传输信息，高效地恢复在强干扰影响下的目标信号。随后，比较了不同机器学习算法(K-mean算法和EM算法)用于聚类模块的性能。进一步对EM算法进行改进，提出了Ext-EM算法使得系统性能进一步提升。

本发明的有益效果为，在所知信息有限的强干扰下，可以高效地恢复原信号。

附图说明

图1为本发明的系统模型示意图；

图2为第二用户通信系统接收机结构示意图；

图3为解调解码模块结构图示意图；

图4为算法性能对比示意图。

具体实施方式

下面结合仿真，说明本发明的实际效果。

在仿真中，选取码长8192，码率为

平均列重为3的LDPC码作为信道编码，调制方式上选取格雷映射的QPSK调制，定义信噪比

信干比

设置h＝1，g＝ae^{j θ}，其中θ独立且随机选择自[0,2π)，a是为了匹配信干比所选择正数。每一条曲线都是经过1000次随机试验获得，用比特错误率来衡量系统性能。

图4给出了仿真得到的性能曲线，可以观察到本发明提出的系统可以有效恢复目标信号。进一步比较可得K-means算法由于其聚类能力所限，作为聚类模块的聚类算法被使用后的性能最差，标准的EM算法Post-EM拥有更好的性能，可以达到比K-means算法更低的误比特率。而进一步改进的Ext-EM算法在BER＝10^-4处比Post-EM算法有1.3dB的性能增益，同时距离假定已知参数g采用软解调估计z的算法只有1.4dB的差距。

Claims (1)

1.一种针对并发频谱访问模型的非合作式二级用户接收机，设定二级用户与二级用户基站在主用户系统的干扰下进行通信，且在每一个字块传输的过程中，信道保持不变，每一个传输字块包含N个符号，主用户系统与二级用户系统在符号水平上保持同步，则二级用户接收机收到的离散信号为：

y＝hx+gs+w∈C^N×1

式中，w∈C^N×1表示信道加性噪声，x∈C^N×1是来自二级用户发送机的信号，s∈C^N×1是来自主用户的干扰信号，h∈C是二级用户发送机到二级用户接收机之间的信道系数，g∈C是主用户发送机到二级用户接收机之间的信道系数；

同时设定x和s均为调试好的信号，x由星座点

中的元素组成，s∈C^N×1由星座点

中的元素构成，星座点的信号功率均被归一化为单1；h通过导频估计为已知参数，在非合作式前提下，g是未知的；信号矩阵x结构为：数据序列首先通过信道编码和交织得到二进制序列b＝[b₁,b₂,...,b_N]，其中b_i＝[b_i,1,b_i,2,...,b_i,P]，每一个b_i通过调制函数f:{0,1}^P→X映射为x_i；

其特征在于，所述二级用户接收机包括：线性估计器、解调与译码模块和聚类模块，其中，二级用户接收机收到的离散信号输入线性估计器，线性估计器分别与解调与译码模块和聚类模块数据交换，由解调与译码模块输出最终判决数据，具体的是：

所述线性估计器用于根据接收信号y以及由解调与译码模块和聚类模块每一次迭代的输入

和

分别估计出输出

和

到解调与译码模块和聚类模块，所述z为引入的参数，定义z＝gs；具体为：

根据y＝hx+gs+w，线性估计器结合x的先验均值

与方差

获得x的最小线性均方差估计：

σ²为高斯分布的标准方差；

同时，线性估计器结合z的先验均值

与方差

获得z的最小线性均方差估计：

线性估计模块对于x的估计输出为：

线性估计模块对于z的估计输出为：

所述解调与译码模块基于输入的

对x进行估计，得到输出

具体为：

解调与译码模块包括软解调器、交织器、解交织器、软入软出译码器和软调制器，输入

为线性估计模块的输出，进入软解调器后输出对数似然比

其中(f^-1(S_k))_j表示f^-1(S_k)的第j比特，然后从

减去

以得到外信息对数似然比，再将该对数似然比经过解交织模块后输入软入软出译码器，得到的译码器输出

经过交织器并减去先验信息得到

随后软调制器映射对数似然比为符号信息：

其中x_i＝f(b_i)且

解调与译码模块的输出为：

所述聚类模块用于估计出接收机接收信号y中的干扰信号，即根据输入

得到输出

作为z的估计，

为线性估计模块的输出

具体为：

采用K-means算法以及基于混合高斯模型的EM算法来估计出z，即得到输出

对于外信息输出

令

且

可得：

其中c和α是待确定的参数；

令：

其中的div{·}表示散度，采用统计学的方式近似计算散度

z^post＝D(z^pri)

其中δ是一个极小量，n表示高斯0均值协方差矩阵为I的噪声；

最后聚类模块的输出为：

Images