CN110460364B - 基于聚类算法的mimo系统的盲多径识别方法及系统 - Google Patents

基于聚类算法的mimo系统的盲多径识别方法及系统 Download PDF

Info

Publication number
CN110460364B
CN110460364B CN201910497855.2A CN201910497855A CN110460364B CN 110460364 B CN110460364 B CN 110460364B CN 201910497855 A CN201910497855 A CN 201910497855A CN 110460364 B CN110460364 B CN 110460364B
Authority
CN
China
Prior art keywords
user
signal
clustering algorithm
base station
kth
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
CN201910497855.2A
Other languages
English (en)
Other versions
CN110460364A (zh
Inventor
谢宁
谭杰
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201910497855.2A priority Critical patent/CN110460364B/zh
Publication of CN110460364A publication Critical patent/CN110460364A/zh
Application granted granted Critical
Publication of CN110460364B publication Critical patent/CN110460364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • H04B7/0452—Multi-user MIMO systems
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. Transmission Power Control [TPC] or power classes
    • H04W52/04—Transmission power control [TPC]
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR or Eb/lo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. Transmission Power Control [TPC] or power classes
    • H04W52/04—Transmission power control [TPC]
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/247—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters where the output power of a terminal is based on a path parameter sent by another terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. Transmission Power Control [TPC] or power classes
    • H04W52/04—Transmission power control [TPC]
    • H04W52/38—TPC being performed in particular situations
    • H04W52/42—TPC being performed in particular situations in systems with time, space, frequency or polarisation diversity

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

一种基于聚类算法的MIMO系统的盲多径识别方法，其特征在于，包括：基站基于用户端发送的通信请求信号计算任意两个用户端的接收信噪比的差值；基于差值与设定阈值，基站向用户端发送应答信号来调整用户端发射功率，以使每个用户端的通信请求通过；基站通过空间滤波器分离多个用户端发送的信息信号，基站基于分离的信息信号生成任一用户端的任一路径的聚类算法的输入信号，基于输入信号和聚类算法识别每个用户端对应的信息信号的路径；基站基于识别的路径获得每个用户端的最大比合并，解码所有信息信号。根据本公开，能够基于聚类算法改善无线通信领域多径识别的问题，提高通信质量。

Description

基于聚类算法的MIMO系统的盲多径识别方法及系统
技术领域
本公开涉及无线通信技术领域，具体涉及一种基于聚类算法的MIMO系统的盲多径识别方法及系统。
背景技术
随着用户对无线通信数据传输的需求越来越高，愈加需要高质量的无线通信技术的应用，为了达到高速度高容量的数据传输需求，多入多出MIMO技术(Multiple-InputMultiple-Output)受到市场的广泛关注，特别是多用户MIMO系统。多用户MIMO提供了用于无线通信的空分多址(Space Division Multiple Access，SDMA)架构，且多用户MIMO系统能够提供超越传统点对点MIMO系统的巨大优势。在SDMA中，多个用户使用相同的频率信道同时传输，从而增加可实现的容量，而无需额外的RF频谱。SDMA接收器的主要任务之一是区分源发送的信号。
为了实现高速可靠的通信，需要进行信道识别。在现有技术中，通常通过三种方法实现信道识别。这三种方法分别是发送训练序列、复杂的预编码器技术和利用发送信号的某些特殊属性。在第一种方法中，过多的训练序列引起导频污染问题，即可能由相邻小区中导频序列的重用引起残留干扰。在第二种方法中，当发射机预先知道信道中的干扰时，可以设计代码进行补偿，使得信道的容量与没有干扰的情况相同。然而，第二种方法不适用于实际的无线通信环境，这是因为可以先验地假设信道状态信息(CSI)的信息很少。
第三种方法利用与通过接收信号的时间和空间过采样产生的虚拟信道相关联的循环平稳特性。例如，引入具有投影的迭代最小二乘和具有枚举算法的迭代最小二乘，或者利用二进制移位键控(BSK)的有限字母属性，相移键控(PSK)和正交幅度调制(QAM)数字调制格式。还有单输入多输出(SIMO)系统识别策略扩展到MIMO情况。然而第三种方法存在两个主要问题：其一，传输信号是特殊类型而不是一般类型，其二，需要足够大的接收数据样本，并不适用于超可靠和低延迟通信(URLLC)。具体而言，URLLC是5G新无线电(NR)支持的新服务类别，其针对的是新兴应用，其中数据消息是时间敏感的，必须在高可靠性和低延迟要求的情况下端到端地安全地交付。低延迟要求意味着在截止日期之前无法在接收器处解码的数据传输无用且可从系统中丢弃，从而导致可靠性的损失。对于低延迟通信，即大约1ms的端到端延迟，建议使用短数据包。因此，第三种方法不适合这种情况。
在大规模MIMO系统中，信道识别越来越受到挑战。原因是因为除了基站(BS)配备大型天线以及之外，每个用户(也称用户端)还配备了许多天线，这为每个用户产生了大量的多径。在大规模MIMO系统中，能够通过有效的组合技术提高消息的接收质量。如果每条路径可以准确地分类到相应的用户，则可以应用物理层认证，通过将当前时隙中每个用户的CSI与先前时隙进行比较来提高整个系统的安全性。然而，由于小规模多径衰落和接收机噪声能够引起随机性，且每个用户都具有发射功率的限制，不能被基站任意调整，因此，有的路径可能难以分类。
发明内容
本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够改善无线通信领域多径识别问题的基于聚类算法的MIMO系统的盲多径识别方法及系统。
为此，本公开的第一方面提供了一种基于聚类算法的MIMO系统的盲多径识别方法，是包含用户端和基站的无线通信系统的基于聚类算法的MIMO系统的盲多径识别方法，其特征在于，包括：多个所述用户端向所述基站发送通信请求信号；所述基站基于所述通信请求信号计算每个所述用户端的接收信噪比，并计算任意两个所述用户端的接收信噪比的差值；基于所述差值与设定阈值，所述基站向所述用户端反馈应答信号，所述用户端基于所述应答信号，确定是否调整发射功率，以使所述基站允许每个所述用户端的通信请求；当所述基站允许每个所述用户端的通信请求时，多个所述用户端向所述基站发送信息信号；所述基站通过空间滤波器分离所述信息信号，所述基站基于分离的所述信息信号生成任一所述用户端的任一路径的所述聚类算法的输入信号，基于所述输入信号和所述聚类算法识别每个所述用户端对应的信息信号的路径；并且所述基站基于每个所述用户端的所有所述路径获得每个所述用户端的最大比合并，并解码每个所述用户端的信息信号。
在本公开中，基站基于多个用户端发送的通信请求信号计算多个用户端的接收信噪比，基站计算多个用户端中任意两个用户端的接收信噪比之间的差值，将设定阈值与差值进行比较，向用户端反馈应答信号，以确定是否调节用户端的发射功率，从而使得基站允许所有用户端的通信请求，当基站允许每个用户端的通信请求时，多个用户端向基站发送信息信号；基站通过空间滤波器分离信息信号，基于分离的信息信号生成任一用户端的任一路径的聚类算法的输入信号，基于输入信号和聚类算法识别每个用户端对应的信息信号的路径，获得每个用户端的最大比合并，并解码用户端的信息信号。在这种情况下，能够基于聚类算法改善无线通信领域多径识别的问题，提高通信质量。
在本公开第一方面所涉及的盲多径识别方法中，可选地，所述接收信噪比基于所述基站的空间滤波器的输出信号获得，所述空间滤波器的第K个所述用户端的第l条路径的输出信号rk,l(t)满足式(Ⅰ)：
Figure BDA0002089234360000031
其中，αk表示第k个所述用户端的大规模路径损耗，hk,l表示第k个所述用户端的第l条路径的小规模复衰落系数，Pk表示第k个所述用户端的发射功率，sk(t)表示第k个所述用户端的发射信号，nk,l(t)是第k个所述用户端的第l条路径经过空间滤波器的残余噪声。由此，能够基于用户端的发射信号获得基站的空间滤波器的输出信号。
在本公开第一方面所涉及的盲多径识别方法中，可选地，第k个所述用户端的所述接收信噪比γk满足式(Ⅱ)：γk＝Pk|αk|2(Ⅱ)，其中，αk表示第k个所述用户端的大规模路径损耗。Pk表示第k个所述用户端的发射功率。由此，基站能够通过接收信噪比计算方法得到每个用户端的接收信噪比。
在本公开第一方面所涉及的盲多径识别方法中，可选地，所述基站通过信道估计获得第κ个所述用户端的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(Ⅲ)：
Figure BDA0002089234360000032
其中，第K个所述用户端的第l条路径的信道估计值
Figure BDA0002089234360000033
满足式(Ⅳ)：
Figure BDA0002089234360000034
其中，
Figure BDA0002089234360000035
表示第K个用户端的第l条路径的估计误差且被建模为CN(0,1)，ρ表示估计误差的比例因子。由此，能够获得各个用户端的各条路径的输入信号，便于后续进行多径识别。
在本公开第一方面所涉及的盲多径识别方法中，可选地，所述聚类算法将每个所述用户端的信息信号的路径分成集群，每个所述集群包含每个所述用户端的信息信号的全部路径。在这种情况下，基站可以通过聚类算法将所有用户端的信息信号的路径分成每个用户端的信息信号的路径的集群。
本公开的第二方面提供了一种基于聚类算法的MIMO系统的盲多径识别系统，是包含用户装置和接收装置的基于聚类算法的MIMO系统的盲多径识别系统，其特征在于，包括：多个所述用户装置，其用于向所述接收装置发送通信请求信号；以及所述接收装置，其用于基于所述通信请求信号计算每个所述用户装置的接收信噪比，计算任意两个所述用户装置的接收信噪比的差值，基于所述差值与设定阈值，所述接收装置向所述用户装置反馈应答信号，其中，所述用户装置基于所述应答信号，确定是否调整发射功率，以满足设定阈值的要求，使所述接收装置允许所述用户装置的通信请求，当所述接收装置允许所述用户装置的通信请求时，多个所述用户装置向所述接收装置发送信息信号，所述接收装置通过空间滤波器分离所述信息信号，并基于分离的所述信息信号生成任一所述用户装置的任一路径的所述聚类算法的输入信号，基于所述输入信号和所述聚类算法识别每个所述用户装置对应的信息信号的路径，所述接收装置基于每个所述用户装置的所有所述路径获得每个所述用户装置的最大比合并，并解码每个所述用户装置的信息信号。
在本公开中，接收装置基于多个用户装置发送的通信请求信号计算多个用户装置的接收信噪比，接收装置计算多个用户装置中任意两个用户装置的接收信噪比之间的差值，将设定阈值与差值进行比较，向用户装置反馈应答信号，以确定是否调节用户装置的发射功率，从而使得接收装置允许所有用户装置的通信请求，当接收装置允许每个用户装置的通信请求时，多个用户装置向接收装置发送信息信号；接收装置通过空间滤波器分离信息信号，基于分离的信息信号生成任一用户装置的任一路径的聚类算法的输入信号，基于输入信号和聚类算法识别每个用户装置对应的信息信号的路径，获得每个用户装置的最大比合并，并解码用户装置的信息信号。在这种情况下，能够基于聚类算法改善无线通信领域多径识别的问题，提高通信质量。
在本公开第二方面所涉及的盲多径识别系统中，可选地，在所述接收装置中，所述接收信噪比基于所述接收装置的空间滤波器的输出信号获得，所述空间滤波器的第K个所述用户装置的第l条路径的输出信号rk,l(t)满足式(Ⅰ)：
Figure BDA0002089234360000051
其中，αk表示第k个所述用户装置的大规模路径损耗，hk,l表示第k个所述用户装置的第l条路径的小规模复衰落系数，Pk表示第k个所述用户装置的发射功率，sk(t)表示第k个所述用户装置的发射信号，nk,l(t)是第k个所述用户装置的第l条路径经过空间滤波器的残余噪声。由此，能够基于用户装置的发射信号获得接收装置的空间滤波器的输出信号。
在本公开第二方面所涉及的盲多径识别系统中，可选地，第k个所述用户装置的所述接收信噪比γk满足式(Ⅱ)：γk＝Pk|αk|2(Ⅱ)，其中，αk表示第k个所述用户装置的大规模路径损耗。Pk表示第k个所述用户装置的发射功率。由此，接收装置能够通过接收信噪比计算方法得到每个用户装置的接收信噪比。
在本公开第二方面所涉及的盲多径识别系统中，可选地，所述接收装置通过信道估计获得第κ个所述用户装置的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(Ⅲ)：
Figure BDA0002089234360000052
其中，第K个所述用户装置的第l条路径的信道估计值
Figure BDA0002089234360000053
满足式(Ⅳ)：
Figure BDA0002089234360000054
其中，
Figure BDA0002089234360000055
表示第K个所述用户装置的第l条路径的估计误差且被建模为CN(0,1)，ρ表示估计误差的比例因子。由此，能够获得各个用户装置的各条路径的输入信号，便于后续进行多径识别。
在本公开第二方面所涉及的盲多径识别系统中，可选地，所述聚类算法将每个所述用户装置的信息信号的路径分成集群，每个所述集群包含每个所述用户装置的信息信号的全部路径。由此，接收装置可以通过聚类算法将所有用户装置的信息信号的路径分成每个用户装置的信息信号的路径的集群。
与现有技术相比，本公开的示例具备以下有益效果：
本公开涉及的基于聚类算法的MIMO系统的盲多径识别方法及系统，引入常用的聚类算法来解决多径识别问题。不同的聚类算法基于不同的优化标准和上行链路(UL)系统的内部结构的不同假设。利用经典聚类算法的优越性，将盲多径识别问题转化为无监督学习问题。实际上，可以直接应用大量的聚类算法来解决多径识别。基于无线信号的属性，从三个类别中选择经典的聚类算法，即基于分区，基于模型和基于分层的聚类。具体来说，使用K-means，K-medoids和谱聚类(SC)用于基于分区的方法，使用高斯混合模型(GMM)用于基于模型的方法并使用凝聚层次聚类(AHC)用于基于层次的方法。本公开在没有不同用户端的不同导频，没有每个用户端的先前CSI，并且在每条路径中没有消息检测的情况下实现多径识别，且通过实验结果比较了上述的聚类算法在不同系统和信道条件下的性能。
附图说明
图1是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的用户端与基站信号传输示意图。。
图2是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的流程示意图。
图3是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的使用聚类算法进行盲多径识别的示意图。
图4是示出了本公开的示例所涉及的盲多径识别方法中在加性高斯白噪声信道条件下杰卡德度量值与接收信噪比的波形示意图。
图5是示出了本公开的示例所涉及的盲多径识别方法中在瑞利信道条件下杰卡德度量值与接收信噪比的波形示意图。
图6是示出了本公开的示例所涉及的盲多径识别方法中在Nakagami信道条件下杰卡德度量值与接收信噪比的波形示意图。
图7是示出了本公开的示例所涉及的盲多径识别方法中在瑞利信道条件下杰卡德度量值与每个用户端的路径数量的波形示意图。
图8是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别系统的结构示意图。
具体实施方式
以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
本公开涉及的基于聚类算法的MIMO系统的盲多径识别方法及系统，可以是具有用户端和基站的无线通信系统的MIMO系统的盲多径识别方法及系统。本公开涉及的基于聚类算法的MIMO系统的盲多径识别方法及系统可以简称为盲多径识别方法及系统。在本公开中，能够减少相邻基站无线的导频污染，可以改善无线通信领域多径识别的问题，提高通信质量。以下结合附图进行详细描述本公开。
图1是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的用户端与基站信号传输示意图。在一些示例中，如图1所示，基于MIMO系统的上行链路的数据传输方法可以适用于一个包括多个用户端和一个基站的信号传输模型中。其中，多个用户端可以位于基站所覆盖的小区内。多个用户端可以通过无线通信的方式与基站进行信号传输。在一些示例中，图1所示的多用户MIMO系统的上行链路中，多个用户端可以是K个，K是自然数。每个用户端都配备多个天线。假设图1所示的基站具有足够的大规模的天线以提供强大的空间分辨能力。第k个用户端与基站之间存在Lk个独立的路径。例如，第1个用户端与基站之间存在L1个独立的路径。也即第k个用户端在基站处具有Lk个可解析的路径。可解析路径总数NL表示为
Figure BDA0002089234360000071
在一些示例中，上述如图1所示的用户端可以包括但不限于用户设备。在一些示例中，用户设备可以包括但不限于智能手机、笔记本电脑、个人计算机(Personal Computer，PC)、个人数字助理(Personal Digital Assistant，PDA)、移动互联网设备(MobileInternet Device，MID)、穿戴设备(如智能手表、智能手环、智能眼镜)等各类电子设备，其中，该用户设备的操作系统可包括但不限于Android操作系统、IOS操作系统、Symbian(塞班)操作系统、Black Berry(黑莓)操作系统、Windows Phone8操作系统等。
在一些示例中，上述如图1所示的基站可以包括但不限于指接入网中在空中接口上通过一个或多个扇区与无线终端通信的设备。基站可用于将收到的空中帧与IP分组进行相互转换，作为无线终端与接入网的其余部分之间的路由器，其中，接入网的其余部分可包括网际协议(IP)网络。基站还可以协调对空中接口的属性管理。例如，基站可以是GSM或CDMA中的基站(BTS，Base Transceiver Station)，也可以是WCDMA中的基站(NodeB)，还可以是LTE中的演进型基站(NodeB或eNB或e-NodeB，evolutional Node B)。
在一些示例中，如图1所示的信号传输模型中，用户端与基站之间可以通过短帧结构进行信号传输。短帧结构可以通过无线信道的方式进行传输。无线信道可以是无记忆块衰落信道。由于短帧的传输持续时间较短，因此，信道衰落在一个数据帧期间可以保持恒定，但对于不同的数据帧和不同的路径信道衰落可以不同。其中，信道衰落可以包括大规模路径损耗和小规模复衰落系数。
在一些示例中，如图1所示的信号传输模型中，基站处可以具有空间滤波器。基站接收来自于不同用户端的发射信号，基站的空间滤波器的第K个所述用户端的第l条路径的输出信号满足式(1)：
Figure BDA0002089234360000081
其中，αk表示第k个用户端的大规模路径损耗，hk,l表示第k个用户端的第l条路径的小规模复衰落系数，Pk表示第k个用户端的发射功率，sk(t)表示第k个用户端的发射信号，nk,l(t)是第k个用户端的第l条路径经过空间滤波器的残余噪声，其满足nk,l(t):CN(0,1)。在一些示例中，对于基站的空间滤波器的输出信号中的大规模路径损耗，第k个用户端的大规模路径损耗αk可以满足
Figure BDA0002089234360000084
其中，路径损耗指数αd满足αd≥2。dk可以表示用户端与基站之间的距离。发射信号的波长λ满足λ＝c/fc，其中，c＝3？108m/s，fc表示发射信号的载波频率。第k个用户端的大规模路径损耗αk可以由距离dk确定，其与特定的路径无关。在本公开中，假设各个用户的位置都保持不变。
在一些示例中，对于基站的空间滤波器的输出信号中的小规模复衰落系数，在加性高斯白噪声(AWGN)信道中，信道衰落中的第k个用户端的第l条路径的小规模复衰落系数hk,l满足hk,l＝1。在一些示例中，在Rayleigh和Nakagami-m信道中，小规模复衰落系数|h|的概率密度函数(PDF)满足fRay(|h|)＝2|h|exp(-|h|2)和
Figure BDA0002089234360000082
其中，m违[1/2,)和G(？)是Gamma功能。另外，Nakagami-m衰落信道在建模无线通信信道时被广泛使用。例如，在陆地移动和室内移动多径传播以及闪烁的电离层无线电链路中常常利用Nakagam-m分布，其中，可以调整参数m以表示不同的场景。
在一些示例中，较小的m值对应的信道具有严重的衰落。在极限m
Figure BDA0002089234360000085
情况下，Nakagami-m衰落信道接近于非衰落加性高斯白噪声(AWGN)信道。另外，Nakagami-m分布包括m＝1/2的单侧高斯分布和m＝1的瑞利分布。对于Rayleigh和Nakagami-m信道，两个信道可以被建模为[0,2π]之间的均匀分布。
在一些示例中，基站可以从每条路径提取出信道衰落作为主要特征。本公开不限于此，传播延迟也可以是每条路径的一个重要特征。
在一些示例中，为了在不使用不同用户端的不同导频的情况下实现多径识别，在每个用户端没有先前的CSI，并且没有在每条路径中检测到消息的情况下，本公开提出一种基于聚类算法的MIMO系统的盲多径识别方法及系统。
图2是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的流程示意图。在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法包括多个用户端向基站发送通信请求信号(步骤S10)。
在步骤S10中，基于上述图1所示的信号传输模型，各个用户端可以向基站发送通信请求信号。通信请求信号可以是短帧结构。另外，各个用户端发射的通信请求信号可以经过无记忆块衰落信道到达基站。
在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法可以包括基站基于通信请求信号计算每个用户端的接收信噪比，计算任意两个用户端的接收信噪比的差值(步骤S20)。在步骤S20中，基于上述图1所示的信号传输模型，基站可以接收通信请求信号。基站可以包括用户注册数据库。基站通过用户注册数据库检查各个用户端的通信请求信号是否合法。
在一些示例中，当基站接收的各个用户端的通信请求信号不合法时，基站可以中断与各个用户端的通信。若基站接收的各个用户端的通信请求信号合法，则基站对通信请求信号进行估计并计算每个用户端的接收信噪比γk。也即基站基于通信请求信号估计每个用户端的缩放的大规模路径损耗Pk|αk|2。
具体而言，各个用户端发射的通信请求信号到达基站后，经过基站的空间滤波器可以获得通信请求输出信号。通信请求输出信号可以通过式(1)获得，其中，第k个用户端的发射信号sk(t)可以是通信请求信号。假设E{|hk,l|2}＝1，基于通信请求输出信号可以获得每个用户端的缩放的大规模路径损耗进而获得各个用户端的接收信噪比(SNR)。第k个用户端的接收信噪比γk满足式(2)：γk＝Pk|αk|2(2)，其中，αk表示第k个用户端的大规模路径损耗，Pk表示第k个用户端的发射功率。第k个用户端的大规模路径损耗αk可以参见上述图1中的相关具体描述。
在步骤S20中，基站可以计算任意两个用户端的接收信噪比的差值。例如，基站可以计算第k个用户端的接收信噪比γk与第j个用户端的接收信噪比γj的差值，其中，第k个用户端与第j个用户端是不同的用户端，也即k≠j。第k个用户端的接收信噪比γk与第j个用户端的接收信噪比γj的差值△k,j满足式(3)：△k,j＝|γk-γj| (3)。差值△k,j的数量可以是多个。
在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法可以包括基于差值与设定阈值，基站向用户端反馈应答信号，用户端基于应答信号，确定是否调整发射功率，以满足设定阈值的要求，使基站允许每个用户端的通信请求(步骤S30)。在步骤S30中，基站可以比较任一个差值与设定阈值ε△，并基于比较结果向用户端反馈应答信号。应答信号可以包括第一应答信号和第二应答信号。用户端基于不同的应答信号确定是否调整发射功率。即基站基于比较结果向用户端反馈不同的应答信号以调整用户端的发射功率。
具体而言，若基站计算的每个差值都大于设定阈值ε△，基站向用户端反馈第一应答信号，并允许用户端的通信请求，各个用户端接收第一应答信号，保持发射功率。若基站计算的差值小于或等于设定阈值ε△，基站向用户端反馈第二应答信号，用户端接收第二应答信号，调整发射功率，以满足差值大于设定阈值ε△，使基站允许用户端的通信请求。也即，用户端接收第二应答信号，并调整发射功率后，向基站重新发送通信请求信号，基站重新计算每个差值并与设定阈值ε△进行比较，直至每个差值都大于设定阈值ε△，基站允许用户端的通信请求。在这种情况下，通过比较差值和设定阈值ε△且满足要求时，能够确保后续正确识别每个用户端的每条路径。
在一些示例中，基站可以通过自动功率控制实现对每个用户端的功率的控制。例如，将基站的收发台接收的射频信号依次输入具有滤波功能的滤波器和变频器，进而获得中频信号，再将此中频信号输入到基站的自动功率控制模块中对功率进行控制。其中，自动功率控制模块包括A/D转换器、去直流单元、功率估计单元和功率反馈调整单元。
在一些示例中，自动功率控制模块的自动功率控制过程包括：将中频信号经过A/D转换器获得数字信号，该数字信号经过可变点数的去直流单元得到零均值的数字中频信号，该数字中频信号再经过点数可变的功率估计单元得到信号的功率估计，该功率估计值经过功率反馈调整单元得到新的增益系数值，新增益系数应用于下一时间段内的限幅调整过程，最终使数字中频信号的输出维持在稳定功率附近。基站可以把接收到的信号加以稳定再发送出去，这样可有效地减少或避免通信信号在无线传输中的损失，保证用户的通信质量。
在一些示例中，基站可以使用频分复用方式实现对信道使用数量的分配。在物理信道的可用带宽超过单个信息信号所需带宽情况下，可以将该物理信道的总带宽分割成若干个与传输单个信息信号带宽相同的子信道。在每个子信道上传输相应的信息信号，以实现在同一信道中同时传输多个信息信号(多路信号)。在多路信号进行频分复用前，需要通过频谱搬移技术将各路信号的频谱搬移到物理信道频谱的不同段上，以使各个信息信号的带宽不相互重叠。进行频谱搬移后，需要用不同的载波频率调制每一个信号。每个信号以其相应的载波频率为中心，在一定带宽的子信道上进行传输。另外，为了防止互相干扰，需要使用抗干扰保护措施带来隔离每一个子信道。步骤S10至步骤S30可以看做是基于MIMO系统的上行链路的数据传输方法中的注册阶段。
在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法可以包括当基站允许每个用户端的通信请求时，多个用户端向基站发送信息信号(步骤S40)。在步骤S40中，当基站允许每个用户端的通信请求时，所有用户端通过相同的频率信道同时向基站发送消息信号。基于图1所示的信号传输模型，每个用户端与基站之间存在多个独立的路径，且基站不知道用户端的路径的数量。每个用户端通过相应的多个独立的路径向基站发送消息信号。
在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法可以包括基站通过空间滤波器分离信息信号，基站基于分离的信息信号生成任一用户端的任一路径的聚类算法的输入信号，基于输入信号和聚类算法识别每个用户端对应的信息信号的路径(步骤S50)。在步骤S50中，基于图1所示的信号传输模型，基站可以通过空间滤波器分离各条路径，由上述可知，基站具有足够的大规模的天线以提供强大的空间分辨能力，故大多数的路径是空间可分辨的。在这种情况下，基站能够分离信息信号，获得各条路径中的信息信号。基站的空间滤波器可以捕获所有空间可分辨路径后的多径。
在一些示例中，导频信号可以用于辅助信道估计。估计误差可以由接收信噪比(SNR)确定。第K个所述用户装置的第l条路径的信道估计值
Figure BDA0002089234360000111
满足式(4)：
Figure BDA0002089234360000112
其中，
Figure BDA0002089234360000113
表示第K个所述用户装置的第l条路径的估计误差且被建模为CN(0,1)。ρ表示估计误差的比例因子。基站利用信道估计值
Figure BDA0002089234360000114
和空间滤波器的输出信号生成各条路径的聚类算法的输入信号。也即基站可以通过信道估计获得第κ个用户端的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(5)：
Figure BDA0002089234360000115
其中，rk,l(t)表示空间滤波器分离的第K个用户端的第l条路径的输出信号，输出信号可以基于发射信号通过式(1)获得。发射信号可以是各个用户端的各条路径的信息信号。
在一些示例中，在没有估计误差的情况下，也即当估计误差的比例因子ρ为零时，则输入信号可以满足式(6)：
Figure BDA0002089234360000121
在一些示例中，基于式(6)可以绘制在每个用户端具有相同数量的多径的条件下的星座图(未图示)。各个用户端有自己的分布区域，各个用户端之间存在重叠区域。然后可以将多径识别的问题转化为无监督学习的问题。由于经典聚类算法不能直接应用于具有所有星座点的正常星座图，可以选择星座图中的一个星座点作为聚类算法的输入信号。
在步骤S50中，基站可以基于输入信号和聚类算法识别每个用户端对应的信息信号的路径。图3是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别方法的使用聚类算法进行盲多径识别的示意图。在一些示例中，如图3所示，用户端可以是K个。每个用户端可以具有Lk条路径。基站通过上述步骤获得各条路径的聚类算法的输入信号后，将各个输入信号输入至聚类算法中，基于输入信号，聚类算法将每个用户端的信息信号的路径分成集群。每个集群包含每个用户端的信息信号的全部路径。然后对集群进行盲多径识别以实现对各个用户端的各条路径的盲多径识别。
在一些示例中，如图3所示，聚类算法可以将所有用户端的信息信号的路径分成集群。聚类数量M可以根据所有聚类算法确定。在一些示例中，可以设置M＝K，其中，K为注册阶段中可用的用户端的数量。每个集群的路径的数量是未知的。在这种情况下，可以选择一个合适的性能测量来准确地评估和公平地比较各种聚类算法性能。在一些示例中，每个对应每个用户端的信息信号的路径的集群最少包含一条路径，并且每个用户端最终只有一个集群。
在一些示例中，可以在基站中引入了一个分类框架，将各种聚类算法分为不同的类别。分类框架可以是从算法设计者的角度开发的，侧重于聚类过程的一般过程的技术细节。聚类算法的选择通常考虑三个类别。具体来说，基站可以将各种聚类算法分为三种：基于分区、基于模型和基于分层。在基于分区的方法中，所有聚类算法都是迅速确定的。例如K均值聚类算法(K-means)，K中心点聚类算法(K-medoids)和谱聚类(SC)。这些集群可以满足两个要求：其一每个组必须包含至少一个对象；其二，每个对象必须属于一个组。
在基于模型的方法中，数据可以通过基础概率分布的混合来形成，例如高斯混合模型(GMM)；在基于分层的方法中，数据可以根据接近媒介以分层方式组织，例如凝聚层次聚类(AHC)。中间节点可以获得接近度。基于分层的方法可以是凝聚的(自下而上)或分裂的(自上而下)。凝聚聚类从每个聚类的一个对象开始，并递归地合并两个或多个最合适的聚类。分裂聚类从数据集开始作为一个聚类，并递归地拆分最合适的聚类。
在一些示例中，选择的聚类算法可以是谱聚类(SC)、K均值聚类算法(例如K-means和K-means(Cityblock))、K中心点聚类算法(例如K-medoids和K-medoids(Cityblock))、高斯混合模型(GMM)、凝聚层次聚类算法(AHC(Complete)、AHC(Single)、AHC(Average)和AHC(Weighted))。上述10个聚类算法对应的主要特征分别是相似矩阵的特征值、平方欧几里德距离、绝对差异的总和、平方欧几里德距离、绝对差异的总和、正则化值102、最远距离、最短距离、未加权的平均距离和加权平均距离。在本公开的示例中选择的聚类算法不限于上述列举的聚类算法。
在一些示例中，基站可以基于上述的输入信号和列举的聚类算法识别每个用户端对应的信息信号的路径。在本公开中可以通过判断预测多径与已知多径的对应程度来评估盲多径识别方法的性能。其中，利用杰卡德(Jaccard)度量可以评估一组预测多径与一组参考多径之间的相似性。Jaccard度量可以测量预测的多径对应于用户-路径对级别的参考多径的程度，且考虑每个用户的路径的数量。Jaccard度量的值在0和1之间变化，值越高表示性能越好。在理想信道下，Jaccard度量的值等于1，由此能够表明基站正确识别所有路径。在实际信道中，特别是在不良信道条件下，Jaccard度量的值会减小。在一些示例中，基站可以设置接收到用户端的接收信噪比达到一定标准时，基站能够识别用户端的路径。具体而言，基站可以通过设置Jaccard度量的值的阈值，其中，阈值εJ可以设定为基站能够正确识别的路径的下限。如果Jaccard≥εJ，那么盲多径识别的性能满足要求。
在一些示例中，如图2所示，基于聚类算法的MIMO系统的盲多径识别方法可以包括基站基于每个用户端的所有路径获得每个用户端的最大比合并，并解码每个用户端的信息信号(步骤S60)。在步骤S60中，基站能够收集每个用户端的所有路径并为每个用户端进行最大比率组合(MRC)以改善接收信噪比。在一些示例中，例如，设置εJ＝0.95，并且当Jaccard≥εJ时，基站可以正确地为每个用户端收集超过95％的路径以通过最大比合并(MRC)改善最终性能(即最终接收信噪比)，而剩余路径(小于路径的5％)可以被视为附加路径噪声。另外，基站可以接收用户端的信息信号并解码信息信号，完成多用户MIMO系统的上行链路的传输。在一些示例中，步骤S40至步骤S60可以看做是基于MIMO系统的上行链路的数据传输方法中的消息传输阶段。
图4是示出了本公开的示例所涉及的盲多径识别方法中在加性高斯白噪声信道条件下杰卡德度量值与接收信噪比的波形示意图。图5是示出了本公开的示例所涉及的盲多径识别方法中在瑞利信道条件下杰卡德度量值与接收信噪比的波形示意图。图6是示出了本公开的示例所涉及的盲多径识别方法中在Nakagami信道条件下杰卡德度量值与接收信噪比的波形示意图。图7是示出了本公开的示例所涉及的盲多径识别方法中在瑞利信道条件下杰卡德度量值与每个用户端的路径数量的波形示意图。
在一些示例中，如图4至图7，可以使用十个聚类算法对用户端的信息信号的路径进行识别。图4至图7是在加性高斯白噪声信道下获得的波形图。图4至图7还满足用户端的数量设置为三个，每个用户端具有相同数量的路径且满足L＝L1＝L2＝L3，设定路径损耗指数αd＝2和发射信号的载波频率fc＝2GHz，每个用户端的路径数量为50个。在图4所示的波形图中，波形A代表谱聚类(SC)、波形B代表K-means聚类算法、波形C代表K-means(Cityblock)聚类算法、波形D代表K-medoids聚类算法、波形E代表K-medoids(Cityblock)聚类算法、波形F代表高斯混合模型(GMM)、波形G代表AHC(Complete)聚类算法、波形R代表AHC(Single)聚类算法、波形S代表AHC(Average)聚类算法、波形T代表AHC(Weighted)聚类算法。图5至图7中的各个波形及其对应的算法可以参照图4。
在一些示例中，如图4所示，路径L满足L＝50，且接收信噪比的差值满足△＝1dB。如图4所示，获知K-medoids聚类算法和K-medoids(Cityblock)聚类算法的性能较好。更具体而言，在低接收信噪比区域下的性能顺序为K-means聚类算法、K-means(Cityblock)聚类算法、AHC(Average)聚类算法、AHC(Complete)聚类算法、AHC(Weighted)聚类算法、GMM聚类算法、谱聚类(SC)和AHC(Single)聚类算法；在高接收信噪比区域下的性能顺序变为AHC(Average)聚类算法、谱聚类(SC)、AHC(Complete)聚类算法、AHC(Weighted)聚类算法、AHC(Single)聚类算法、K-means聚类算法、K-means(Cityblock)聚类算法和GMM聚类算法。
在一些示例中，图5所示的波形图是在瑞利信道下获得的，其余参数与图4相同。根据图5可以看出K-medoids(Cityblock)聚类算法的性能表现最好。更具体而言，低接收信噪比区域下的性能顺序是K-means(Cityblock)聚类算法、K-medoids聚类算法、K-means聚类算法、AHC(Complete)聚类算法、AHC(Weighted)聚类算法、GMM聚类算法、谱聚类(SC)、AHC(Average)聚类算法和AHC(Single)聚类算法；而高接收信噪比区域下的性能顺序为K-medoids聚类算法、K-means聚类算法、K-means(Cityblock)聚类算法、谱聚类(SC)、AHC(Complete)聚类算法、AHC(Average)聚类算法、AHC(Weighted)聚类算法、AHC(Single)聚类算法和GMM聚类算法。
在一些示例中，图6所示的波形图是在Nakagami信道下获得的，其余参数与图4相同。根据图6可以看出低接收信噪比区域下的性能顺序是K-medoids(Cityblock)聚类算法、K-means(Cityblock)聚类算法、K-means聚类算法、K-medoids聚类算法、AHC(Complete)聚类算法、AHC(Weighted)聚类算法、谱聚类(SC)、AHC(Average)聚类算法、AHC(Single)聚类算法和GMM聚类算法；高接收信噪比区域下的表现顺序变为K-medoids(Cityblock)聚类算法、K-means(Cityblock)聚类算法、K-medoids聚类算法、K-means聚类算法、谱聚类(SC)、AHC(Complete)聚类算法、AHC(Weighted)聚类算法、AHC(Average)聚类算法、GMM聚类算法和AHC(Single)聚类算法。
在一些示例中，图7所示的波形图是在瑞利信道下获得的，第一个用户端的接收信噪比为15dB，第二个用户端的接收信噪比为14dB，第三个用户端的接收信噪比13dB，每个用户端的路径L不固定。根据图7可以看出，K-medoids(Cityblock)聚类算法的性能最好，路径L几乎不会对其性能产生影响。另外，其余算法中的值随着路径L增加而减少。路径L较小时，各种聚类算法的性能顺序是K-medoids聚类算法、K-means聚类算法、K-means(Cityblock)聚类算法、SC聚类算法、AHC(Complete)聚类算法、AHC(Average)聚类算法、AHC(Weighted)聚类算法、AHC(Single)聚类算法和GMM聚类算法；当路径L较大时，各种聚类算法的性能顺序是K-medoids聚类算法、K-means(Cityblock)聚类算法、K-means聚类算法、AHC(Complete)聚类算法、SC聚类算法、AHC(Weighted)聚类算法、GMM聚类算法、AHC(Average)聚类算法和AHC(Single)聚类算法。
图8是示出了本公开的示例所涉及的基于聚类算法的MIMO系统的盲多径识别系统的结构示意图。在一些示例中，如图8所示，基于聚类算法的MIMO系统的盲多径识别系统(简称盲多径识别系统)1可以是具有用户装置10和接收装置20的无线通信系统的基于聚类算法的MIMO系统的盲多径识别系统1。其中，用户装置10与上述的用户端可以是相同的概念，接收装置20与上述的基站可以是相同的概念。其中用户装置10与接收装置20可以通过无线通信的方式进行信号传输。在一些示例中，用户装置10的数量可以是多个。多个用户装置10可以向接收装置20发送通信请求信号。可以参见步骤S10。
在一些示例中，接收装置20可以基于通信请求信号计算每个用户装置10的接收信噪比γk。接收信噪比基于接收装置20的空间滤波器的输出信号获得。空间滤波器的输出信号满足式(1)，其中，αk表示第k个用户装置10的大规模路径损耗，hk,l表示第k个用户装置10的第l条路径的小规模的复衰落系数，Pk表示第k个用户装置10的发射功率，sk(t)表示第k个用户装置10的发射信号，nk,l(t)是第k个用户装置10的第l条路径经过空间滤波器的残余噪声。由此，能够基于用户装置10的发射信号20获得接收装置的空间滤波器的输出信号。
在一些示例中，在接收装置20中，第k个用户装置10的接收信噪比γk满足式(2)，其中，αk表示第k个用户装置10的大规模路径损耗，Pk表示第k个用户装置10的发射功率。由此，接收装置20能够通过接收信噪比计算方法得到每个用户装置10的接收信噪比。计算任意两个用户装置10的接收信噪比γk的差值△k,j，差值△k,j满足式(3)，其中，γk表示第k个用户装置10的接收信噪比，γj表示第j个用户装置10的接收信噪比。基于差值△k,j与设定阈值ε△，接收装置20向用户装置10反馈应答信号。可以参见步骤S20和步骤S30。
在一些示例中，用户装置10可以基于应答信号，确定是否调整发射功率，以满足设定阈值的要求，使接收装置20允许用户装置10的通信请求。在接收装置20中，应答信号包括第一应答信号和第二应答信号。设定阈值的要求即差值大于设定阈值。当设定阈值的要求满足时接收装置20向用户装置10反馈第一应答信号，用户装置10保持发射功率；当设定阈值的要求不满足时接收装置20向用户装置10反馈第二应答信号，用户装置10调整发射功率，以满足差值大于设定阈值。可以参见步骤S30。
在一些示例中，当接收装置20允许用户装置10的通信请求时，多个用户装置10可以向接收装置20发送信息信号。接收装置20可以包括滤波器(例如空间滤波器)。接收装置20可以通过空间滤波器分离信息信号，并基于分离的信息信号生成任一用户装置10的任一路径的聚类算法的输入信号，基于输入信号和聚类算法识别每个用户装置10对应的信息信号的路径。接收装置20可以通过信道估计获得第κ个用户装置10的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(5)。其中，第K个所述用户装置的第l条路径的信道估计值
Figure BDA0002089234360000171
满足式(4)。由此，能够获得各个用户装置10的各条路径的输入信号，便于后续进行多径识别。可以参见步骤S40和步骤S50。接收装置20可以基于每个用户装置10的所有路径获得每个用户装置10的最大比合并，并解码每个用户装置10的信息信号。可以参见步骤S60。
在一些示例中，聚类算法可以将每个用户装置10的信息信号的路径分成集群，每个集群包含每个用户装置10的信息信号的全部路径。由此，接收装置20可以通过聚类算法将所有用户装置10的信息信号的路径分成每个用户装置10的信息信号的路径的集群。
本公开涉及的基于聚类算法的MIMO系统的盲多径识别方法及系统，引入常用的聚类算法来解决多径识别问题。不同的聚类算法基于不同的优化标准和上行链路(UL)系统的内部结构的不同假设。利用经典聚类算法的优越性，将盲多径识别问题转化为无监督学习问题。实际上，可以直接应用大量的聚类算法来解决多径识别。基于无线信号的属性，从三个类别中选择经典的聚类算法，即基于分区，基于模型和基于分层的聚类。具体来说，使用K-means，K-medoids和谱聚类(SC)用于基于分区的方法，使用高斯混合模型(GMM)用于基于模型的方法并使用凝聚层次聚类(AHC)用于基于层次的方法。本公开在没有不同用户端的不同导频，没有每个用户端的先前CSI，并且在每条路径中没有消息检测的情况下实现多径识别，且通过实验结果比较了上述的聚类算法在不同系统和信道条件下的性能。

Claims (10)

1.一种基于聚类算法的MIMO系统的盲多径识别方法，是包含用户端和基站的无线通信系统的基于聚类算法的MIMO系统的盲多径识别方法，其特征在于，
包括：
多个所述用户端向所述基站发送通信请求信号；
所述基站基于所述通信请求信号计算每个所述用户端的接收信噪比，并计算任意两个所述用户端的接收信噪比的差值；
基于所述差值与设定阈值，所述基站向所述用户端反馈应答信号，所述用户端基于所述应答信号，确定是否调整发射功率，以满足设定阈值的要求，使所述基站允许每个所述用户端的通信请求；
当所述基站允许每个所述用户端的通信请求时，多个所述用户端向所述基站发送信息信号；
所述基站通过空间滤波器分离所述信息信号，所述基站基于分离的所述信息信号生成任一所述用户端的任一路径的所述聚类算法的输入信号，基于所述输入信号和所述聚类算法识别每个所述用户端对应的信息信号的路径；并且
所述基站基于每个所述用户端的所有所述路径获得每个所述用户端的最大比合并，并解码每个所述用户端的信息信号。
2.根据权利要求1所述的盲多径识别方法，其特征在于：
所述接收信噪比基于所述基站的空间滤波器的输出信号获得，所述空间滤波器的第K个所述用户端的第l条路径的输出信号rk,l(t)满足式(Ⅰ)：
Figure FDA0002130306330000011
其中，αk表示第k个所述用户端的大规模路径损耗，hk,l表示第k个所述用户端的第l条路径的小规模复衰落系数，Pk表示第k个所述用户端的发射功率，sk(t)表示第k个所述用户端的发射信号，nk,l(t)是第k个所述用户端的第l条路径经过空间滤波器的残余噪声。
3.根据权利要求1所述的盲多径识别方法，其特征在于：
第k个所述用户端的所述接收信噪比γk满足式(Ⅱ)：
γk＝Pk|αk|2 (Ⅱ)，
其中，αk表示第k个所述用户端的大规模路径损耗，Pk表示第k个所述用户端的发射功率。
4.根据权利要求2所述的盲多径识别方法，其特征在于：
所述基站通过信道估计获得第κ个所述用户端的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(Ⅲ)：
Figure FDA0002130306330000021
其中，第K个所述用户端的第l条路径的信道估计值
Figure FDA0002130306330000022
满足式(Ⅳ)：
Figure FDA0002130306330000023
其中，
Figure FDA0002130306330000024
表示第K个用户端的第l条路径的估计误差且被建模为
Figure FDA0002130306330000025
ρ表示估计误差的比例因子。
5.根据权利要求1所述的盲多径识别方法，其特征在于：
所述聚类算法将每个所述用户端的信息信号的路径分成集群，每个所述集群包含每个所述用户端的信息信号的全部路径。
6.一种基于聚类算法的MIMO系统的盲多径识别系统，是包含用户装置和接收装置的基于聚类算法的MIMO系统的盲多径识别系统，其特征在于，
包括：
多个所述用户装置，其用于向所述接收装置发送通信请求信号；以及
所述接收装置，其用于基于所述通信请求信号计算每个所述用户装置的接收信噪比，计算任意两个所述用户装置的接收信噪比的差值，基于所述差值与设定阈值，所述接收装置向所述用户装置反馈应答信号，
其中，所述用户装置基于所述应答信号，确定是否调整发射功率，以满足设定阈值的要求，使所述接收装置允许所述用户装置的通信请求，当所述接收装置允许所述用户装置的通信请求时，多个所述用户装置向所述接收装置发送信息信号，所述接收装置通过空间滤波器分离所述信息信号，并基于分离的所述信息信号生成任一所述用户装置的任一路径的所述聚类算法的输入信号，块基于所述输入信号和所述聚类算法识别每个所述用户装置对应的信息信号的路径，所述接收装置基于每个所述用户装置的所有所述路径获得每个所述用户装置的最大比合并，并解码每个所述用户装置的信息信号。
7.根据权利要求6所述的盲多径识别系统，其特征在于：
在所述接收装置中，所述接收信噪比基于所述接收装置的空间滤波器的输出信号获得，所述空间滤波器的第K个所述用户装置的第l条路径的输出信号rk,l(t)满足式(Ⅰ)：
Figure FDA0002130306330000031
其中，αk表示第k个所述用户装置的大规模路径损耗，hk,l表示第k个所述用户装置的第l条路径的小规模复衰落系数，Pk表示第k个所述用户装置的发射功率，sk(t)表示第k个所述用户装置的发射信号，nk,l(t)是第k个所述用户装置的第l条路径经过空间滤波器的残余噪声。
8.根据权利要求6所述的盲多径识别系统，其特征在于：
第k个所述用户装置的所述接收信噪比γk满足式(Ⅱ)：
γk＝Pk|αk|2 (Ⅱ)，
其中，αk表示第k个所述用户装置的大规模路径损耗，Pk表示第k个所述用户装置的发射功率。
9.根据权利要求7所述的盲多径识别系统，其特征在于：
所述接收装置通过信道估计获得第κ个所述用户装置的第l条路径的聚类算法的输入信号xk,l(t)，输入信号xk,l(t)满足式(Ⅲ)：
Figure FDA0002130306330000032
其中，第K个所述用户装置的第l条路径的信道估计值
Figure FDA0002130306330000033
满足式(Ⅳ)：
Figure FDA0002130306330000034
其中，
Figure FDA0002130306330000035
表示第K个所述用户装置的第l条路径的估计误差且被建模为
Figure FDA0002130306330000036
ρ表示估计误差的比例因子。
10.根据权利要求6所述的盲多径识别系统，其特征在于：
所述聚类算法将每个所述用户装置的信息信号的路径分成集群，每个所述集群包含每个所述用户装置的信息信号的全部路径。
CN201910497855.2A 2019-06-10 2019-06-10 基于聚类算法的mimo系统的盲多径识别方法及系统 Active CN110460364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910497855.2A CN110460364B (zh) 2019-06-10 2019-06-10 基于聚类算法的mimo系统的盲多径识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910497855.2A CN110460364B (zh) 2019-06-10 2019-06-10 基于聚类算法的mimo系统的盲多径识别方法及系统

Publications (2)

Publication Number Publication Date
CN110460364A CN110460364A (zh) 2019-11-15
CN110460364B true CN110460364B (zh) 2020-06-26

Family

ID=68480645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910497855.2A Active CN110460364B (zh) 2019-06-10 2019-06-10 基于聚类算法的mimo系统的盲多径识别方法及系统

Country Status (1)

Country Link
CN (1) CN110460364B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111818453B (zh) * 2020-07-13 2021-10-15 深圳大学 基于聚类算法的毫米波移动基站频谱共享方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107079800A (zh) * 2017-06-23 2017-08-22 重庆市农业科学院 一种屋顶绿化装置
CN108199987A (zh) * 2017-12-21 2018-06-22 中国人民解放军空军预警学院 一种fdd大规模mimo系统中的下行链路信道估计方法
CN109462886A (zh) * 2018-09-19 2019-03-12 中央民族大学 基于CSI的Wi-Fi单接入点测距定位方法、系统及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100930799B1 (ko) * 2007-09-17 2009-12-09 한국전자통신연구원 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치
US9397864B2 (en) * 2012-10-05 2016-07-19 Apple Inc. Adaptive channel estimation for coordinated multipoint cellular communication

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107079800A (zh) * 2017-06-23 2017-08-22 重庆市农业科学院 一种屋顶绿化装置
CN108199987A (zh) * 2017-12-21 2018-06-22 中国人民解放军空军预警学院 一种fdd大规模mimo系统中的下行链路信道估计方法
CN109462886A (zh) * 2018-09-19 2019-03-12 中央民族大学 基于CSI的Wi-Fi单接入点测距定位方法、系统及电子设备

Also Published As

Publication number Publication date
CN110460364A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110233653B (zh) 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统
US11177863B2 (en) Massive MIMO robust precoding transmission method
US20100208676A1 (en) Signal Transmission Method and Apparatus for OFDMA Wireless Communication System
JP5113137B2 (ja) 通信リンクの割当てに関する情報を信号により伝達する装置および通信リンクの割当てを決定する装置
US8165235B2 (en) Interfering stream identification in wireless communication systems
CN110381510B (zh) 基于叠加物理层认证标签的非正交多址认证系统
CN108260215B (zh) 一种低密度码的noma中信道状况优化的资源分配方法
Baeza et al. Analysis of the performance of a non-coherent large scale SIMO system based on M-DPSK under Rician fading
CN110166104B (zh) 基于聚类的分布式波束成形上行链路信号识别方法及系统
CN110381511B (zh) 基于共享物理层认证标签的非正交多址认证系统
CN113541752A (zh) 基于信号虚拟分解空域和功率域联合多址接入方法及系统
CN110324830B (zh) 基于时分复用物理层认证标签的非正交多址认证系统
Davaslioglu et al. End‐to‐End Autoencoder Communications with Optimized Interference Suppression
CN102833038A (zh) 多小区多播mimo移动通信系统下行多业务协作预编码方法
US8396151B2 (en) Timing tracking in a multiple receive antenna system
CN110460364B (zh) 基于聚类算法的mimo系统的盲多径识别方法及系统
CN110380798B (zh) 基于共享认证标签的非正交多址认证系统及参数优化方法
CN110312255B (zh) 基于叠加认证标签的非正交多址认证系统的参数优化方法
CN110392371B (zh) 基于时分复用认证标签的非正交多址认证系统的优化方法
WO2002082711A1 (en) Radiocommunication employing selected synchronization technique
CN110049542B (zh) 基于mimo系统的上行链路的数据传输方法及系统
CN109769258A (zh) 基于安全urllc通信协议的资源优化方法
EP3993288A1 (en) Device and method for detecting interference between base stations in wireless communication system
CN110212964B (zh) 分布式波束成形上行链路的数据传输方法及系统
WO2020248092A1 (zh) 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统

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