CN113411276A - 用于异步认知物联网的时间结构干扰消除方法 - Google Patents

用于异步认知物联网的时间结构干扰消除方法 Download PDF

Info

Publication number
CN113411276A
CN113411276A CN202110687009.4A CN202110687009A CN113411276A CN 113411276 A CN113411276 A CN 113411276A CN 202110687009 A CN202110687009 A CN 202110687009A CN 113411276 A CN113411276 A CN 113411276A
Authority
CN
China
Prior art keywords
signal
module
estimate
soft
output
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
Application number
CN202110687009.4A
Other languages
English (en)
Other versions
CN113411276B (zh
Inventor
袁晓军
刘益
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110687009.4A priority Critical patent/CN113411276B/zh
Publication of CN113411276A publication Critical patent/CN113411276A/zh
Application granted granted Critical
Publication of CN113411276B publication Critical patent/CN113411276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L25/03828—Arrangements for spectral shaping; Arrangements for providing signals with specified spectral properties
    • H04L25/03834—Arrangements for spectral shaping; Arrangements for providing signals with specified spectral properties using pulse shaping
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0071—Use of interleaving
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明属于物联网技术领域，具体涉及一种用于异步认知物联网的时间结构干扰消除方法。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，其中线性估计器模块根据接收信号y以及每一次迭代的输入
Figure DDA0003124949370000011
和
Figure DDA0003124949370000012
分别估计出输出
Figure DDA0003124949370000013
和
Figure DDA0003124949370000014
解调与译码模块基于输入的
Figure DDA0003124949370000015
对x进行估计，得到输出
Figure DDA0003124949370000016
聚类模块根据输入
Figure DDA0003124949370000017
得到输出
Figure DDA0003124949370000018
作为z的估计。本发明能够在非合作系统带来强干扰的情况下，依旧能够高效恢复所需用户信号。

Description

用于异步认知物联网的时间结构干扰消除方法
技术领域
本发明属于物联网技术领域，具体涉及一种用于异步认知物联网的时间结构干扰消除方法。
背景技术
随着物联网(IoT)技术逐渐渗透到现代社会，数万亿个IoT设备被广泛部署到社会的各个角落，这些海量的物联网在传输信号的过程中，产生了对于无线通信服务爆炸性增长的需求，这加剧了目前稀缺和昂贵的无线频谱资源紧缺的局面。如何满足如此众多物联网设备的通信需求，成为了物联网技术发展面临的巨大挑战(“R.Tandra,M.Mishra,andA.Sahai,“What is a spectrum hole and what does it take to recognize one？”Proc.IEEE,vol.97,no.5,pp.824-848,May.2009”)。
认知物联网(C-IoT)技术通过动态频谱访问为解决频谱分配问题提供了一种思路(“Y.Liang,K.Chen,G.Li,and P.M,“Cognitive Radio Networking and Communications:An Overview,”IEEE Trans.Veh.Tech.,vol.60,no.7,pp.3386-3407,Sep.2011.”)。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(“S.Haykin,“Cognitive radio:Brain-empowered wireless communications,”IEEE J.Sel.Areas Commun.,vol.23,no.2,pp.201-220,Feb.2005”)。考虑一个C-IoT系统，系统中的IoT设备是二级用户(SU)，并且该C-IoT设备使用并发频谱访问(CSA)模型与主用户(PU)共享使用无线频谱资源。
为了恢复SU系统传输的信号，“H.Mu and J.K.Tugnait,“MSE-based source andrelay precoder design for cognitive multiuser multi-way relay systems,”IEEETransactions on Signal Processing,vol.61,no.7,pp.1770–1785,2013”设计了一种中继预编码器，以通过利用中继站来支持次要用户与主系统的同时传输。“K.J.Lee,H.Sung,and I.Lee,“Linear precoder designs for cognitive radio multiuser MIMOdownlink systems,”in Proc.IEEE Int.Conf.Commun.,pp.1-5,Jun.2011”通过利用主系统已知训练信号的周期性来消除干扰。“Y.Liu,X.Kuai,X.Yuan,Y.-C.Liang,and L.Zhou,“Learning based iterative interference cancellation for cognitive internet ofthings,”IEEE Internet of Things Journal,vol.6,no.4,pp.7213–7224,Aug.2019”提出了一种基于聚类的迭代接收器，以消除干扰。但是，所有先前的工作都是基于SU系统和PU系统已同步的假设。由于两个系统通常是不合作的，因此将C-IoT系统与PU系统进行同步可能会很昂贵。因此，有必要在CSA模型中研究异步C-IoT系统的干扰消除问题。
由于物联网设备需要考虑成本控制以及功耗控制，这使得C-IoT设备和PU系统在C-IoT系统中没有过多的资源进行系统同步，因此也就很难保证C-IoT设备和PU系统在符号级别同步。
发明内容
本发明针对在上述非同步系统场景下，物联网设备在主系统传输信号的强干扰下，如何高效恢复自身传输信号的问题给出了解决方法。
本发明主要采用迭代接收机，利用干扰信号时序结构相关性，非同步认知物联网中SU从异步的PU系统干扰下恢复所需信号的问题。针对上述问题，本发明设计了一种融合了机器学习算法的迭代接收机，能够在非合作系统带来强干扰的情况下，依旧能够高效恢复所需用户信号。系统流程框图如图2所示，迭代接收机包含了三个模块，即：线性估计器模块，解调与译码模块，聚类模块。线性估计器模块根据接收信号y以及每一次迭代的输入
Figure BDA0003124949350000021
和
Figure BDA0003124949350000022
分别估计出输出
Figure BDA0003124949350000023
和
Figure BDA0003124949350000024
解调与译码模块基于输入的
Figure BDA0003124949350000025
对x进行估计，得到输出
Figure BDA0003124949350000026
聚类模块根据输入
Figure BDA0003124949350000027
得到输出
Figure BDA0003124949350000028
作为z的估计。
本发明采用的技术方案是：
用于异步认知物联网的时间结构干扰消除方法，如图1所示，异步认知物联网包括主用户(PU)系统和次级用户(SU)系统，PU系统包括PU基站和PU接收端，SU系统包括SU发射机和SU接收端，假设SU系统与PU系统使用相同的无线频段，但是两个通信系统之间没有符号同步；令SU发射机在时间t的连续基带信号x(t)为：
Figure BDA0003124949350000029
其中，N是符号数，px(·)是SU发射机使用的脉冲整形函数，T是时间间隔；
PU基站发送的基带连续信号s(t)为：
Figure BDA0003124949350000031
其中，s0＝0，sn∈C是由主系统的发送机按照星座图
Figure BDA0003124949350000032
映射产生的第n个符号，C表示复数集合，n＝1,2,…,N，Q表示正整数，ps(·)是PU基站使用的脉冲整形函数，τ表示由系统非同步引起的SU发射机与PU基站到达SU接收端时的延迟；
假设信道在N个符号的一个数据传输帧内保持不变，SU接收端在t时刻接收到的连续信号y(t)为：
y(t)＝h(t)*x(t)+g(t)*s(t)+w(t)
其中，其中h(t)＝a1δ(t)，g(t)＝a2δ(t)分别是SU系统和PU系统对于SU接收端的信道冲击响应，a1和a2是对应的信道系数，δ(t)表示冲击响应函数，w(t)是单边功率谱密度为N0的高斯加性白噪声；
SU接收端在接收到包含了干扰以及噪声的混合信号后，使用匹配滤波器对信号进行处理，随后在一个采样间隔内对于连续信号进行积分，获得第n个时间间隔上的离散信号yn为：
Figure BDA0003124949350000033
其特征在于，干扰消除方法包括以下步骤：
S1、对离散信号采样后得到：
yn＝hxn+g1sn-1+g2sn+wn
其中，
Figure BDA0003124949350000034
定义zn＝g1sn-1+g2sn，同时令z＝[z1,z2,…,zn]T为SU接收端接收到的干扰信号，则可得离散信号：
y＝hx+z+w
其中，y＝[y1,y2,…,yn]T，x＝[x1,x2,…,xn]T，w＝[w1,w2,…,wn]T是满足复高斯分布CN(0，σ2)的独立同分布的一组向量且
Figure BDA0003124949350000041
S2、通过迭代接收机从接收到的离散信号y中恢复x，所述迭代接收机包括线性估计模块、解调与解码模块和聚类模块，线性估计器模块根据接收信号y以及每一次迭代的输入
Figure BDA0003124949350000042
和
Figure BDA0003124949350000043
分别估计出输出
Figure BDA0003124949350000044
和
Figure BDA0003124949350000045
解调与解码模块基于输入的
Figure BDA0003124949350000046
对x进行估计，
Figure BDA0003124949350000047
得到输出
Figure BDA0003124949350000048
Figure BDA0003124949350000049
聚类模块根据输入
Figure BDA00031249493500000410
得到输出
Figure BDA00031249493500000411
作为z的估计，
Figure BDA00031249493500000412
具体为：
线性估计模块根据接收机接收到的y和模块输入信号
Figure BDA00031249493500000413
结合x的先验均值
Figure BDA00031249493500000414
与方差
Figure BDA00031249493500000415
获得x的最小线性均方差估计为：
Figure BDA00031249493500000416
Figure BDA00031249493500000417
同时，线性估计器模块根据接收机接收到的y和模块输入信号
Figure BDA00031249493500000418
结合z的先验均值
Figure BDA00031249493500000419
与方差
Figure BDA00031249493500000420
获得z的最小线性均方差估计：
Figure BDA00031249493500000421
Figure BDA00031249493500000422
由于对x的估计已经去除了外信息，所以线性估计模块对于x的估计最后输出为：
Figure BDA00031249493500000423
而线性估计模块对于z的估计最后输出在去除外信息后表示为：
Figure BDA00031249493500000424
Figure BDA0003124949350000051
解调与解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，解调与解码模块输入
Figure BDA0003124949350000052
进入软解调器后输出对数似然比(LLRs)
Figure BDA0003124949350000053
Figure BDA0003124949350000054
Figure BDA0003124949350000055
其中(f-1(Sk))j表示f-1(Sk)的第j比特，i，j均为正整数，其中P表示正整数。然后从
Figure BDA0003124949350000056
减去
Figure BDA0003124949350000057
以得到外信息对数似然比，再将该对数似然比经过解交织器后输入软入软出译码器，得到的软入软出译码器输出
Figure BDA0003124949350000058
经过交织器并减去先验信息得到
Figure BDA0003124949350000059
软调制映射对数似然比为符号信息：
Figure BDA00031249493500000510
其中xi＝f(bi)且
Figure BDA00031249493500000511
最终，解调与解码模块的输出为
Figure BDA00031249493500000512
聚类模块用于对接收信号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；具体为：使用AP算法对干扰信号
Figure BDA0003124949350000061
进行初步聚类，AP算法输出星座点{mj}的估计以及所有样本点分别划分到各个星座点的概率p(zi＝mj)；
根据p(zi＝mj)计算转移概率：
Figure BDA0003124949350000062
其中，lk,k'表示在状态转移的过程中星座点mk转移到星座点mk‘的概率，将矩阵LK×K＝{lk,k'}写做一组向量的形式
Figure BDA0003124949350000063
其中lk＝[lk,1,lk,2,…,lk,K]，K＝22Q，其中Q表示正整数。使用K-mean算法将{l1,l2,…,lK}聚类为2Q组，随后定义向量
Figure BDA0003124949350000064
其中
Figure BDA0003124949350000065
随后选取ri中最大的2Q个元素置为1，其余置零，以更新ri：
Figure BDA0003124949350000066
其中λi是
Figure BDA0003124949350000067
第2Q大的元素，令
tk＝ri,for mk∈Gi
Gi代表K-mean算法聚类后得到的第i个组。
最后根据
Figure BDA0003124949350000068
来更新转移概率矩阵
L＝L⊙T
使用估计的状态转移矩阵和维特比算法来进一步更新干扰信号的分类结果，获得
Figure BDA0003124949350000069
作为z的估计。
本发明的有益效果为，本发明能够高效地恢复在强干扰影响下的目标信号，同时对算法进行了改进，使得系统性能进一步提升。
附图说明
图1为本发明系统模型示意图；
图2为SU系统的收发器结构图；
图3为N＝512的QPSK调制干扰的BER与迭代次数关系图；
图4为N＝512时的QPSK调制干扰的BER性能图。
具体实施方式
下面结合附图对本发明进行详细的描述：
本发明针对非同步的认知物联网系统，即SU与SU的基站在异步的PU发射机产生的强干扰下进行通信。同时，假设SU系统与PU系统使用相同的无线频段，同时由于SU系统与PU系统缺少合作，因此两个通信系统之间没有符号同步。
SU发射机的所发送的信号是根据比特交织编码调制(BICM)方法获得的：首先一组SU发射机想要传输的数据序列采用了纠错码编码进行处理，获得的比特流再被随机交织器重新排序，令b＝[b1,b2,…,bN]为经过了编码和交织处理的二进制序列，其中每一个bi＝[bi，1,bi，2,…,bi，P]∈{0,1}p是由b经过分组获得。随后将分组后的b通过函数f:{0,1}→X映射到符号序列xi＝f(bi)上,其中f是调制函数且xi∈X，最后得到符号序列x＝[x1,x2,…,xN]T且
Figure BDA0003124949350000071
此时SU-Tx在时间t的连续基带信号由下式给出
Figure BDA0003124949350000072
其中px(·)是SU-Tx使用的脉冲整形函数，而T是时间间隔。
相应的，PU-Tx发送的基带连续信号可以写为
Figure BDA0003124949350000073
其中s0＝0，sn∈C,n＝1,2,…,N是由主系统的发送机按照星座图
Figure BDA0003124949350000081
映射产生的第n个符号，ps(·)是PU-Tx使用的脉冲整形函数，τ表示由系统非同步引起的SU-Tx与PU-Tx到达SU-Rx时的延迟，τ对于SU-Rx是未知的。
假设信道在N个符号的一个数据传输帧内保持不变。SU-Rx在t时刻接收到的连续信号由下式给出：
y(t)＝h(t)*x(t)+g(t)*s(t)+w(t)
其中h(t)＝a1δ(t)，g(t)＝a2δ(t)分别是SU系统和PU系统对于SU-Rx的信道冲击响应，a1和a2是对应的信道系数，w(t)单边功率谱密度为N0高斯加性白噪声。
SU-Rx在接收到包含了干扰以及噪声的混合信号后，使用匹配滤波器对信号进行处理，随后在一个采样间隔内对于连续信号进行积分，以便获得第n个时间间隔上的离散信号：
Figure BDA0003124949350000082
如图2所示，经过采样后获得离散信号可以表示为：
yn＝hxn+g1sn-1+g2sn+wn
其中
Figure BDA0003124949350000083
我们定义zn＝g1sn-1+g2sn，同时令z＝[z1,z2,…,zn]T为SU-Tx端接收到的干扰信号，那么
y＝hx+z+w
其中y＝[y1,y2,…,yn]T，x＝[x1,x2,…,xn]T，而w＝[w1,w2,…,wn]T则是满足复高斯分布CN(0，σ2)的独立同分布的一组向量且
Figure BDA0003124949350000084
本发明设计了一个迭代接收机，用于从接收到的离散信号y中恢复x，该接收机包含了三个模块，即：线性估计器模块，解调与解码模块，聚类模块。线性估计器模块根据接收信号y以及每一次迭代的输入
Figure BDA0003124949350000085
和
Figure BDA0003124949350000086
分别估计出输出
Figure BDA0003124949350000087
和
Figure BDA0003124949350000088
解调与解码模块基于输入的
Figure BDA0003124949350000089
对x进行估计，得到输出
Figure BDA0003124949350000091
聚类模块根据输入
Figure BDA0003124949350000092
得到输出
Figure BDA0003124949350000093
作为z的估计。
首先来看线性估计模块，根据y＝hx+gs+w，线性估计器模块结合x的先验均值
Figure BDA0003124949350000094
与方差
Figure BDA0003124949350000095
获得x的最小线性均方差估计：
Figure BDA0003124949350000096
Figure BDA0003124949350000097
另一方面，线性估计器模块结合z的先验均值
Figure BDA0003124949350000098
与方差
Figure BDA0003124949350000099
获得z的最小线性均方差估计：
Figure BDA00031249493500000910
Figure BDA00031249493500000911
由于采用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，所以线性估计模块对于x的估计最后输出为
Figure BDA00031249493500000912
然而对于z，仍需要计算外信息作为线性估计模块最终的输出：
Figure BDA00031249493500000913
Figure BDA00031249493500000914
随后考虑解调与解码模块，该模块包含软解调器，交织器，解交织器，软入软出译码器，软调制器，如图2所示。该模块输入
Figure BDA00031249493500000915
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)
Figure BDA00031249493500000916
Figure BDA0003124949350000101
Figure BDA0003124949350000102
其中(f-1(Sk))j表示f-1(Sk)的第j比特，i，j均为正整数，其中P表示正整数。然后从
Figure BDA0003124949350000103
减去
Figure BDA0003124949350000104
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
Figure BDA0003124949350000105
经过交织模块并减去先验信息得到
Figure BDA0003124949350000106
随后软调制映射对数似然比为符号信息：
Figure BDA0003124949350000107
其中xi＝f(bi)且
Figure BDA0003124949350000108
最终，解调与译码模块的输出为
Figure BDA0003124949350000109
最后介绍聚类模块。聚类模块的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。
首先使用标准的AP算法”B.J.Frey and D.Dueck,“Clustering by passingmessages between data points,”Science,vol.315,no.5814,pp.972–976,Feb.2007对干扰信号
Figure BDA00031249493500001010
进行初步聚类，AP算法输出星座点{mj}的估计以及所有样本点分别划分到各个星座点的概率p(zi＝mj)。
随后根据p(zi＝mj)计算转移概率：
Figure BDA0003124949350000111
其中lk,k'表示在状态转移的过程中星座点mk转移到星座点mk‘的概率，并且将矩阵LK×K＝{lk,k'}写做一组向量的形式
Figure BDA0003124949350000112
其中lk＝[lk,1,lk,2,…,lk,K]，K＝22Q，其中Q表示正整数。使用K-mean算法“T.Hastie,R.Tibshirani and J.Friedman,The Elementsof Statistical Learning.Springer,Second Edition,Stanford,California,Aug.2008.”将{l1,l2,…,lK}聚类为2Q组，随后定义向量
Figure BDA0003124949350000113
其中：
Figure BDA0003124949350000114
随后选取ri中最大的2Q个元素置为1，其余置零，以更新ri：
Figure BDA0003124949350000115
其中λi是
Figure BDA0003124949350000116
第2Q大的元素，令
tk＝ri,for mk∈Gi.
Gi代表K-mean算法聚类后得到的第i个组。
最后根据
Figure BDA0003124949350000117
来更新转移概率矩阵
L＝L⊙T.
随后，使用估计的状态转移矩阵和维特比算法“A.Viterbi,“A personal historyof the Viterbi algorithm,”IEEE Signal Processing Magazine,vol.23,no.4,pp.120–142,2006”来进一步更新干扰信号的分类结果，以便获得
Figure BDA0003124949350000118
作为z的估计。
下面通过仿真对本发明的方法进行验证。
在仿真中，选取了码长512，码率为
Figure BDA0003124949350000121
列重为3的LDPC码作为信道编码，使用“I.Kozintsev,Matlab Programs for Encoding and Decoding of LDPCCodes Over GF(2m),[Online].Available:http://www.kozintsev.net/soft.html”中公开可得的代码。调制方式上选取格雷映射的QPSK调制。定义信噪比
Figure BDA0003124949350000122
信干比
Figure BDA0003124949350000123
设置h＝1，
Figure BDA0003124949350000124
Figure BDA0003124949350000125
其中θ1，θ2独立且随机选择自[0,2π)，a1，a2是为了匹配SIR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3展示了当N＝512，SNR＝3dB，SIR＝-17dB时，系统BER性能随迭代次数的变化情况。由于K-means和GMM-EM算法的聚类能力较差，因此无法很好地工作，随着迭代次数增多，误码率并未降低。基于AP的聚类算法性能较好，随着迭代增多误码率逐步降低，而HMM-AP算法具有比AP更快的收敛速度，并且性能比AP更好。
随后考虑当SIR∈[-18，-14]和SNR∈[0，4]且N＝512时，系统性能BER关于SIR和SNR的函数。图4显示，此时K均值算法和EM-GMM算法不能很好地工作，基于AP的算法仍然可以工作但效果并不理想，而本发明提出的利用了干扰信号的时序结构信息的HMM-AP算法在性能上则显著优于原始的AP算法。

Claims (1)

1.用于异步认知物联网的时间结构干扰消除方法，异步认知物联网包括主用户(PU)系统和次级用户(SU)系统，PU系统包括PU基站和PU接收端，SU系统包括SU发射机和SU接收端，假设SU系统与PU系统使用相同的无线频段，但是两个通信系统之间没有符号同步；令SU发射机在时间t的连续基带信号x(t)为：
Figure FDA0003124949340000011
其中，N表示传输的符号数，px(·)是SU发射机使用的脉冲整形函数，T是时间间隔；
PU基站发送的基带连续信号s(t)为：
Figure FDA0003124949340000012
其中，s0＝0，sn∈C是由主系统的发送机按照星座图S＝{S1,S2,…,S2Q}映射产生的第n个符号，C表示复数集合，n＝1,2,…,N，Q表示正整数，ps(·)是PU基站使用的脉冲整形函数，τ表示由系统非同步引起的SU发射机与PU基站到达SU接收端时的延迟；
假设信道在N个符号的一个数据传输帧内保持不变，SU接收端在t时刻接收到的连续信号y(t)为：
y(t)＝h(t)*x(t)+g(t)*s(t)+w(t)
其中，其中h(t)＝a1δ(t)，g(t)＝a2δ(t)分别是SU系统和PU系统对于SU接收端的信道冲击响应，a1和a2是对应的信道系数，δ(t)表示冲击响应函数，w(t)是单边功率谱密度为N0的高斯加性白噪声；
SU接收端在接收到包含了干扰以及噪声的混合信号后，使用匹配滤波器对信号进行处理，随后在一个采样间隔内对于连续信号进行积分，获得第n个时间间隔上的离散信号yn为：
Figure FDA0003124949340000021
其特征在于，干扰消除方法包括以下步骤：
S1、对离散信号采样后得到：
yn＝hxn+g1sn-1+g2sn+wn
其中，
Figure FDA0003124949340000022
定义zn＝g1sn-1+g2sn，同时令z＝[z1,z2,…,zn]T为SU接收端接收到的干扰信号，则可得离散信号：
y＝hx+z+w
其中，y＝[y1,y2,…,yn]T，x＝[x1,x2,…,xn]T，w＝[w1,w2,…,wn]T是满足复高斯分布CN(0，σ2)的独立同分布的一组向量且
Figure FDA0003124949340000023
S2、通过迭代接收机从接收到的离散信号y中恢复x，所述迭代接收机包括线性估计模块、解调与解码模块和聚类模块，线性估计器模块根据接收信号y以及每一次迭代的输入
Figure FDA0003124949340000024
和
Figure FDA0003124949340000025
分别估计出输出
Figure FDA0003124949340000026
和
Figure FDA0003124949340000027
解调与解码模块基于输入的
Figure FDA0003124949340000028
对x进行估计，
Figure FDA0003124949340000029
得到输出
Figure FDA00031249493400000210
Figure FDA00031249493400000211
聚类模块根据输入
Figure FDA00031249493400000212
得到输出
Figure FDA00031249493400000213
作为z的估计，
Figure FDA00031249493400000214
具体为：
线性估计模块根据接收机接收到的y和模块输入信号
Figure FDA00031249493400000215
结合x的先验均值
Figure FDA00031249493400000216
与方差
Figure FDA00031249493400000217
获得x的最小线性均方差估计为：
Figure FDA00031249493400000218
Figure FDA00031249493400000219
同时，线性估计器模块根据接收机接收到的y和模块输入信号
Figure FDA0003124949340000031
结合z的先验均值
Figure FDA0003124949340000032
与方差
Figure FDA0003124949340000033
获得z的最小线性均方差估计：
Figure FDA0003124949340000034
Figure FDA0003124949340000035
由于对x的估计已经去除了外信息，所以线性估计模块对于x的估计最后输出为：
Figure FDA0003124949340000036
而线性估计模块对于z的估计最后输出在去除外信息后表示为：
Figure FDA0003124949340000037
Figure FDA0003124949340000038
解调与解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，解调与解码模块输入
Figure FDA0003124949340000039
进入软解调器后输出对数似然比
Figure FDA00031249493400000310
Figure FDA00031249493400000311
Figure FDA00031249493400000312
其中(f-1(Sk))j表示f-1(Sk)的第j比特，i，j均为正整数，其中P表示正整数，然后从
Figure FDA00031249493400000313
减去
Figure FDA0003124949340000041
以得到外信息对数似然比，再将该对数似然比经过解交织器后输入软入软出译码器，得到的软入软出译码器输出
Figure FDA0003124949340000042
经过交织器并减去先验信息得到
Figure FDA0003124949340000043
软调制映射对数似然比为符号信息：
Figure FDA0003124949340000044
其中xi＝f(bi)且
Figure FDA0003124949340000045
最终，解调与解码模块的输出为
Figure FDA0003124949340000046
聚类模块用于对接收信号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；具体为：使用AP算法对干扰信号
Figure FDA0003124949340000047
进行初步聚类，AP算法输出星座点{mj}的估计以及所有样本点分别划分到各个星座点的概率p(zi＝mj)；
根据p(zi＝mj)计算转移概率：
Figure FDA0003124949340000048
其中，lk,k'表示在状态转移的过程中星座点mk转移到星座点mk‘的概率，将矩阵LK×K＝{lk,k'}写做一组向量的形式
Figure FDA0003124949340000049
其中lk＝[lk,1,lk,2,…,lk,K]，K＝22Q，其中Q表示正整数，使用K-mean算法将{l1,l2,…,lK}聚类为2Q组，随后定义向量
Figure FDA00031249493400000410
其中
Figure FDA0003124949340000051
随后选取ri中最大的2Q个元素置为1，其余置零，以更新ri：
Figure FDA0003124949340000052
其中λi是
Figure FDA0003124949340000053
第2Q大的元素，令
tk＝ri,for mk∈Gi
Gi代表K-mean算法聚类后得到的第i个组；
最后根据
Figure FDA0003124949340000054
来更新转移概率矩阵
L＝L⊙T
使用估计的状态转移矩阵和维特比算法来进一步更新干扰信号的分类结果，获得
Figure FDA0003124949340000055
作为z的估计。
CN202110687009.4A 2021-06-21 2021-06-21 用于异步认知物联网的时间结构干扰消除方法 Active CN113411276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687009.4A CN113411276B (zh) 2021-06-21 2021-06-21 用于异步认知物联网的时间结构干扰消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687009.4A CN113411276B (zh) 2021-06-21 2021-06-21 用于异步认知物联网的时间结构干扰消除方法

Publications (2)

Publication Number Publication Date
CN113411276A true CN113411276A (zh) 2021-09-17
CN113411276B CN113411276B (zh) 2022-04-08

Family

ID=77682004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687009.4A Active CN113411276B (zh) 2021-06-21 2021-06-21 用于异步认知物联网的时间结构干扰消除方法

Country Status (1)

Country Link
CN (1) CN113411276B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092794A1 (zh) * 2011-01-06 2012-07-12 西安电子科技大学 物联网运营系统及向用户提供服务的方法
CN104765003A (zh) * 2015-02-11 2015-07-08 湘潭大学 用于工程机械物联网的异步电动机转子断条故障诊断方法
CN105897627A (zh) * 2016-04-12 2016-08-24 东南大学 大规模mimo全向预编码传输下的迭代软干扰消除接收方法
US20190035381A1 (en) * 2017-12-27 2019-01-31 Intel Corporation Context-based cancellation and amplification of acoustical signals in acoustical environments
CN109952707A (zh) * 2016-06-23 2019-06-28 索邦大学 Σδ调制器
CN111404582A (zh) * 2020-03-25 2020-07-10 佳源科技有限公司 即插即用的物联网电力宽带载波hplc系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092794A1 (zh) * 2011-01-06 2012-07-12 西安电子科技大学 物联网运营系统及向用户提供服务的方法
CN104765003A (zh) * 2015-02-11 2015-07-08 湘潭大学 用于工程机械物联网的异步电动机转子断条故障诊断方法
CN105897627A (zh) * 2016-04-12 2016-08-24 东南大学 大规模mimo全向预编码传输下的迭代软干扰消除接收方法
CN109952707A (zh) * 2016-06-23 2019-06-28 索邦大学 Σδ调制器
US20190035381A1 (en) * 2017-12-27 2019-01-31 Intel Corporation Context-based cancellation and amplification of acoustical signals in acoustical environments
CN111404582A (zh) * 2020-03-25 2020-07-10 佳源科技有限公司 即插即用的物联网电力宽带载波hplc系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU YI ET AL: "Learning­based iterative interference cancellation for cognitive", 《IEEE INTERNET OF THINGS JOURNAL》 *
宋敬群: "认知无线电系统中的频谱感知技术研究", 《中国优秀硕士学位论文全文库》 *
李继蕊等: "物联网环境下数据转发模型研究", 《软件学报》 *

Also Published As

Publication number Publication date
CN113411276B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN105814855B (zh) 超Nyquist发送系统中的预编码
CN108156101B (zh) 一种mimo-scfde系统联合迭代信道估计与迭代均衡方法
CN110519191B (zh) 一种时频二维压缩的高谱效单载波通信方法
CN106452652B (zh) 一种基于混沌无线通信系统的多径干扰抑制方法
CN102739576B (zh) 基于复数空间的星座图的软比特数字解调方法及装置
CN112822130B (zh) 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法
Wang et al. Implementation of DNN-based physical-layer network coding
CN113411276B (zh) 用于异步认知物联网的时间结构干扰消除方法
CN108880758A (zh) 差分混沌比特交织编码调制系统的迭代接收机设计算法
CN109561438B (zh) Ftn系统中基于帧间信息交织的频谱优化方法
CN109639301B (zh) 一种基于置信度估计的ftn均衡方法
US9503305B1 (en) Method for low complexity decision metric compression of higher-order square-QAM constellation
CN111082842A (zh) 基于码本复用的上行链路scma发射方法与接收方法
US8855184B2 (en) System and method for non-interleaved signal field
CN102801662B (zh) 一种多带超宽带系统隐藏导频的信道估计方法及装置
Muck et al. Iterative interference suppression for pseudo random postfix OFDM based channel estimation
CN102334379B (zh) 中继站中进行联合处理及基站进行相应处理的方法和装置
CN114337876A (zh) 一种基于nsga2算法训练的amp检测算法和实施该算法的系统
Roth et al. 5G contender waveforms for low power wide area networks in a 4G OFDM framework
CN102281224B (zh) Ofdm接收机及其实现方法
Archana et al. Integrated approach for efficient power consumption and resource allocation in MIMO-OFDMA
Bhardwaj et al. Mitigating the Interference Caused by Pilot Contamination in Multi-cell Massive Multiple Input Multiple Output Systems Using Low Density Parity Check Codes in Uplink Scenario.
Guo et al. Multi-user detection techniques for potential 3GPP long term evolution (LTE) schemes
CN108964686B (zh) 一种针对并发频谱访问模型的非合作式二级用户接收机
Novak et al. Factor graph based design of an OFDM-IDMA receiver performing joint data detection, channel estimation, and channel length selection

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