CN113556157A - 非高斯干扰下mimo系统发射天线数估计方法及系统 - Google Patents

Abstract

本发明属于认知无线通信中MIMO系统参数估计技术领域，公开了一种非高斯干扰下MIMO系统发射天线数估计方法及系统，所述非高斯干扰下MIMO系统发射天线数估计方法包括：利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。本发明可以有效实现alpha稳定分布干扰条件下MIMO系统的发射天线数估计。仿真实验表明，当信噪比高于5dB时，本发明正确检测概率达到90％以上，且对于不同干噪比的非高斯干扰本发明所述方法同样具有较好的性能。

Description

非高斯干扰下MIMO系统发射天线数估计方法及系统

技术领域

本发明属于认知无线通信中MIMO系统参数估计技术领域，尤其涉及一种非高斯干扰下MIMO系统发射天线数估计方法及系统。

背景技术

目前，认知无线电技术在保障不占用过多的独享频谱资源的前提下，通过合理适时地利用空闲频谱，满足无线通信日益增长的用频需求，且带来尽量少的、主用户可以接受的干扰。认知无线网络可以通过使用从先前与网络的交互中学到的知识来感知无线电环境，从而对传输机会做出智能决策。在认知无线通信中，为了实现智能传输，信号参数的识别是一个关键的要求，如发射天线数的检测和空时码的分类。尤其是天线计数在认知无线电中有着重要的应用，它改善了配置多个天线的次用户和主用户的共存性。换句话说，次用户关于主用户发射天线的数量的知识允许它们调整其发射功率和波束形成以避免对主用户造成干扰。因此，在认知无线电中，为了实现认知设备与附近的主用户设备的共存，需要研究高效准确的发射天线数的估计方法。

关于MIMO系统发射天线数目估计问题，已经提出了多种方法，现有的方法大致分为两类：信息论方法和基于特征的方法。Somekh O等人提出了基于最小描述长度(MDL)和Akaike信息准则(AIC)的发射天线估计方法。MDL/AIC算法可以实现低信噪比条件下发射天线的数目估计方法，但这两种方法对定时偏移和频率偏移鲁棒性较差。Shi M等人提出了基于Schur补码检验的自适发射天线数目估计，该方法不需要计算协方差矩阵的特征值，且对MIMO系统接收天线没有特定要求。Hassan K等人针对空间相关MIMO发射天线数目的识别问题，提出了两种基于客观信息理论准则的识别方法。所提的两种方法对MIMO信道的空间相关性具有很强的鲁棒性，但其性能易受定时偏差和频率偏差的影响。

Oularbi M R等人提出了一种利用导频信号的正交性来识别基站天线数目的新算法。该算法表现出良好的性能，但它需要对导频模式的先验知识。Mohammadkarimi等人提出了一种新的基于特征的发射天线数估计方法，该方法使用二阶矩和四阶统计量作为特征来实现发射天线估计。Li T等人提出了两种基于假设检验的发射天线数目识别算法，即基于Wishart矩阵最大特征值(WME)的算法和基于二阶矩的一步预测特征值上限(SM-PET)算法。Li T等人提出了一种基于特征值高阶矩的假设检验算法，用于检测MIMO系统的发射天线数。

上述的MIMO系统发射天线数估计方法假设环境噪声为加性高斯白噪声。然而，在许多实际应用中存在着各种各样的非高斯干扰，如人为脉冲噪声、同频干扰和低频大气噪声，这些非高斯干扰通常用alpha稳定分布来模拟。由于alpha稳定分布干扰不存在有限的二阶矩，使得现有的高斯背景下的MIMO系统发射天线数估计方法的性能严重退化。因此，亟需一种新的alpha稳定分布干扰下MIMO系统发射天线数估计方法及系统。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有MIMO系统发射天线数的估计方法中，由于alpha稳定分布干扰不存在有限的二阶矩，使得现有的高斯背景下的MIMO系统发射天线数估计方法的性能严重退化。

(2)现有MIMO系统发射天线数目估计方法对定时偏移和频率偏移鲁棒性较差，且其性能易受定时偏差和频率偏差的影响。

(3)鲜有文献提及alpha稳定分布干扰下MIMO系统发射天线数估计方法。

解决以上问题及缺陷的难度为：非高斯干扰具有厚重的拖尾，通常情况下不存在有限方差，因此，构建适应alpha稳定分布干扰的统计特征，并构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目的技术难点。

解决以上问题及缺陷的意义为：实现alpha稳定分布干扰下MIMO系统发射天线数估计可以为智能无线系统提供技术支撑，不仅可以扩展智能无线系统应为场景范围，而且可以有效提升智能无线系统的抗干扰能力。

发明内容

针对现有技术存在的问题，本发明提供了一种非高斯干扰下MIMO系统发射天线数估计方法及系统。

本发明是这样实现的，一种非高斯干扰下MIMO系统发射天线数估计方法，所述非高斯干扰下MIMO系统发射天线数估计方法包括：

利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

进一步，所述非高斯干扰下MIMO系统发射天线数估计方法包括以下步骤：

步骤一，利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x，从而适应非高斯干扰环境；

步骤二，对广义相关矩阵R_x进行特征值分解，构建基于特征的特征统计量Ψ，增强噪声子空间和信号子空间的可分性；

步骤三，将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目，提升发射天线数目估性能。

进一步，步骤一中，基于认知MIMO系统，设主用户和认知用户配置的天线数分别为N_t和N_r，第k根天线接收的信号表示为：

其中，N表示观测信号采样点数，I_k(n)表示非高斯干扰，v_k(n)表示加性高斯噪声，h_k,m表示认知用户第k根天线与主用户第m天线之间的衰落信道，观测信号如下矩阵形式所示：

x(n)＝Hs(n)+I(n)+v(n)；

其中，H表示N_r×N_t的衰落信道矩阵，

表示N_t×1发送信号矩阵，I(n)＝[I₁(n)，...，I_K(n)]^T表示N_t×1的非高斯干扰矩阵，v(n)＝[v₁(n)，...，v_K(n)]^T表示N_t×1加性高斯噪声矩阵；

非高斯采用alpha稳定分布来刻画，其特征函数表达式为：

式中，

其中，α称为特征指数，用来度量分布函数拖尾的厚度；γ称为分散系数；β称为对称参数，a称为位置参数，β＝0表示分布为对称α稳定分布SαS；若a＝0，γ＝1，则称此稳定分布为标准α稳定分布；

定义信干比为：

其中，

进一步，步骤一中，所述利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x，包括：

其中，x_i(n)是观测矩阵x(n)的第i行第n列的元素，Δ为压缩因子。

进一步，步骤二中，所述对广义相关矩阵R_x进行特征值分解，构建基于特征的特征统计量Ψ_r，包括：

广义相关矩阵R_x特征值的特征为λ_k，且：

基于特征值的特征向量Ψ为：

Ψ＝[Ψ₁，Ψ₂]；

其中，

且

和

表示为：

其中，

(x)⁺＝max(x，σ)，

可以表示为

进一步，步骤三中，所述将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目，包括：

基于特征分析，将检测发射天线个数的问题转化为基于高阶特征值R_x的特征向量的聚类问题；鉴于自适应集成聚类强大的聚类性能，采用自适应模糊集成聚类来决定发射天线的数目，包括：

利用无监督特征选择方法对特征向量Ψ进行判别，去除噪声特征和冗余特征；采用基于多重模糊C-均值聚类的集成聚类方法得到向量标签，并加入动态估计策略以获得最佳的模糊指数；重复前面的过程，利用基于模糊集成聚类的伪聚类结果生成共聚类矩阵，并对其进行求和以及正则化；利用谱聚类算法计算正则化共聚类矩阵，得到最终的向量标签；

设置自适应集成模糊聚类算法的初始参数，并对特征向量Ψ进行聚类，获得噪声特征值和信号特征值的聚类簇，并根据最小特征值所在的簇的元素个数L_n确定发射天线的数量

本发明的另一目的在于提供一种应用所述的非高斯干扰下MIMO系统发射天线数估计方法的非高斯干扰下MIMO系统发射天线数估计系统，所述非高斯干扰下MIMO系统发射天线数估计系统包括：

矩阵构建模块，用于利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x；

检测统计量构建模块，用于对广义相关矩阵R_x进行特征值分解，构建基于特征值的特征向量Ψ；

发射天线数目估计模块，用于将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的非高斯干扰下MIMO系统发射天线数估计系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的非高斯干扰下MIMO系统发射天线数估计方法，可以有效实现alpha稳定分布干扰条件下MIMO系统的发射天线数估计。

仿真实验表明，本发明的MIMO系统发射天线数估计方法效果较好，可以有效实现高斯噪声和非高斯干扰条件下MIMO系统的发射天线数估计。当信噪比高于5dB时，本发明正确检测概率达到90％以上，且对于不同干噪比的非高斯干扰本发明所述方法同样具有较好的性能。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的非高斯干扰下MIMO系统发射天线数估计方法流程图。

图2是本发明实施例提供的非高斯干扰下MIMO系统发射天线数估计系统结构框图；

图中：1、矩阵构建模块；2、检测统计量构建模块；3、发射天线数目估计模块。

图3是本发明实施例提供的非高干扰下MIMO系统发射天线数估计性能示意图。

图4是本发明实施例提供的非高斯干扰下不同干扰特征指数对天线数估计性能的影响示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种非高斯干扰下MIMO系统发射天线数估计方法及系统，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的非高斯干扰下MIMO系统发射天线数估计方法包括以下步骤：

S101，利用非线性变换对观测信号进行处理，构建广义相关矩阵；

S102，对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；

S103，将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

如图2所示，本发明实施例提供的非高斯干扰下MIMO系统发射天线数估计系统包括：

矩阵构建模块1，用于利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x；

检测统计量构建模块2，用于对广义相关矩阵R_x进行特征值分解，构建基于特征值的特征向量Ψ；

发射天线数目估计模块3，用于将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

下面结合实施例对本发明的技术方案作进一步描述。

本发明实施例提供的非高干扰下MIMO系统发射天线数估计方法包括以下步骤：

第一步，利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x；

基于认知MIMO系统，设主用户和认知用户配置的天线数分别为N_t和N_r，第k根天线接收的信号表示为：

其中，N表示观测信号采样点数，I_k(n)表示非高斯干扰，v_k(n)表示加性高斯噪声，h_k,m表示认知用户第k根天线与主用户第m天线之间的衰落信道，观测信号如下矩阵形式所示：

x(n)＝Hs(n)+Ι(n)+v(n)；

其中，H表示N_r×N_t的衰落信道矩阵，

表示N_t×1发送信号矩阵，I(n)＝[I₁(n),...,I_K(n)]^T表示N_t×1的非高斯干扰矩阵，v(n)＝[v₁(n),...,v_K(n)]^T表示N_t×1加性高斯噪声矩阵；

非高斯采用alpha稳定分布来刻画，其特征函数表达式为：

式中，

其中，α称为特征指数，用来度量分布函数拖尾的厚度；γ称为分散系数；β称为对称参数，a称为位置参数，β＝0表示分布为对称α稳定分布SαS；若a＝0，γ＝1，则称此稳定分布为标准α稳定分布；

定义信干比为：

其中，

γ为分散系数。

利用非线性对观测信号x(n)进行处理，构建广义相关矩阵R_x，包括：

其中，x_i(n)是观测矩阵x(n)的第i行第n列的元素，Δ为压缩因子。

第二步，对广义相关矩阵R_x进行特征值分解，构建基于特征的特征统计量Ψ_r；

广义相关矩阵R_x特征值的特征为λ_k，且：

基于特征值的特征向量Ψ为

Ψ＝[Ψ₁,Ψ₂]；

其中，

且

和

可以表示为：

其中，

(x)⁺＝max(x,σ)，

可以表示为

第三步，将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

基于特征分析，将检测发射天线个数的问题转化为基于高阶特征值R_x的特征向量的聚类问题。鉴于自适应集成聚类强大的聚类性能，我们采用自适应模糊集成聚类来决定发射天线的数目。首先利用无监督特征选择方法对特征向量Ψ进行判别，去除噪声特征和冗余特征。然后，采用基于多重模糊C-均值聚类的集成聚类方法得到向量标签。在该方案中，加入了动态估计策略以获得最佳的模糊指数。重复前面的过程。然后，利用基于模糊集成聚类的伪聚类结果生成共聚类矩阵，并对其进行求和以及正则化。最后，利用谱聚类算法计算正则化共聚类矩阵，得到最终的向量标签。

设置自适应集成模糊聚类算法的初始参数，并对特征向量Ψ进行聚类，获得噪声特征值和信号特征值的聚类簇，并根据最小特征值所在的簇的元素个数L_n确定发射天线的数量

下面结合仿真实验对本发明的技术效果作详细的描述。

为了评估本发明的性能，进行仿真验证。接收信号样本为800，感知用户天线为N_r＝10，主用户天线数N_t＝3，alpha稳定分布干扰特征指数为1.9。本发明采用正确估计概率

作为评价指标。仿真实验采取2000次迭代的统计仿真，验证性能。本发明所提方法(GCM-ACF)与现有的基于高阶矩统计量假设检验方法(HOM-HT)，基于进行对分析，其仿真结果如图3所示。由图3可以看出，本发明方法对于alpha稳定分布干扰具有较强的适应能力，与现有算法比较，本发明方法具有明显的性能优势。图4给出了alpha稳定分布干扰特征指数对本发明所提方法的影响，由图4可以看出，在不同特征指数下，本发明所提方法依然具有良好的估计性能。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种非高斯干扰下MIMO系统发射天线数估计方法及系统，其特征在于，所述非高斯干扰下MIMO系统发射天线数估计方法包括：利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

2.如权利要求1所述的非高斯干扰下MIMO系统发射天线数估计方法，其特征在于，所述非高斯干扰下MIMO系统发射天线数估计方法包括以下步骤：

步骤一，利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x；

步骤二，对广义相关矩阵R_x进行特征值分解，构建基于特征的特征统计量Ψ；

步骤三，将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

3.如权利要求2所述的非高斯干扰下MIMO系统发射天线数估计方法，其特征在于，步骤一中，基于认知MIMO系统，设主用户和认知用户配置的天线数分别为N_t和N_r，第k根天线接收的信号表示为：

其中，N表示观测信号采样点数，I_k(n)表示非高斯干扰，v_k(n)表示加性高斯噪声，h_k,m表示认知用户第k根天线与主用户第m天线之间的衰落信道，观测信号如下矩阵形式所示：

x(n)＝Hs(n)+Ι(n)+v(n)；

其中，H表示N_r×N_t的衰落信道矩阵，

表示N_t×1发送信号矩阵，I(n)＝[I₁(n),...,I_K(n)]^T表示N_t×1的非高斯干扰矩阵，v(n)＝[v₁(n),...,v_K(n)]^T表示N_t×1加性高斯噪声矩阵；

非高斯采用alpha稳定分布来刻画，其特征函数表达式为：

式中，

其中，α称为特征指数，用来度量分布函数拖尾的厚度；γ称为分散系数；β称为对称参数，a称为位置参数，β＝0表示分布为对称α稳定分布SαS；若a＝0，γ＝1，则称此稳定分布为标准α稳定分布；

定义信干比为：

其中，

4.如权利要求2所述的非高斯干扰下MIMO系统发射天线数估计方法，其特征在于，步骤一中，所述利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x，包括：

其中，x_i(n)是观测矩阵x(n)的第i行第n列的元素，Δ为压缩因子。

5.如权利要求2所述的非高斯干扰下MIMO系统发射天线数估计方法，其特征在于，步骤二中，所述对广义相关矩阵R_x进行特征值分解，构建基于特征的特征统计量Ψ_r，包括：

广义相关矩阵R_x特征值的特征为λ_k，且：

基于特征值的特征向量Ψ为：

Ψ＝[Ψ₁,Ψ₂]；

其中，

且

和

表示为：

其中，

(x)⁺＝max(x,σ)，

可以表示为

6.如权利要求2所述的非高斯干扰下MIMO系统发射天线数估计方法，其特征在于，步骤三中，所述将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目，包括：

基于特征分析，将检测发射天线个数的问题转化为基于高阶特征值R_x的特征向量的聚类问题；鉴于自适应集成聚类强大的聚类性能，采用自适应模糊集成聚类来决定发射天线的数目，包括：

利用无监督特征选择方法对特征向量Ψ进行判别，去除噪声特征和冗余特征；采用基于多重模糊C-均值聚类的集成聚类方法得到向量标签，并加入动态估计策略以获得最佳的模糊指数；重复前面的过程，利用基于模糊集成聚类的伪聚类结果生成共聚类矩阵，并对其进行求和以及正则化；利用谱聚类算法计算正则化共聚类矩阵，得到最终的向量标签；

设置自适应集成模糊聚类算法的初始参数，并对特征向量Ψ进行聚类，获得噪声特征值和信号特征值的聚类簇，并根据最小特征值所在的簇的元素个数L_n确定发射天线的数量

7.一种实施权利要求1～6任意一项所述的非高斯干扰下MIMO系统发射天线数估计方法的非高斯干扰下MIMO系统发射天线数估计系统，其特征在于，所述非高斯干扰下MIMO系统发射天线数估计系统包括：

矩阵构建模块，用于利用非线性变换对观测信号x(n)进行处理，构建广义相关矩阵R_x；

检测统计量构建模块，用于对广义相关矩阵R_x进行特征值分解，构建基于特征值的特征向量Ψ；

发射天线数目估计模块，用于将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

利用非线性变换对观测信号进行处理，构建广义相关矩阵；对所构造的广义相关矩阵进行特征值分解，构建基于特征值的特征向量；将发射天线数估计问题转化为聚类问题，利用自适应集成模糊聚类算法估计MIMO系统发射天线数目。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的非高斯干扰下MIMO系统发射天线数估计系统。

Images