用于异步认知物联网的时间结构干扰消除方法转让专利
申请号 : CN202110687009.4
文献号 : CN113411276B
文献日 : 2022-04-08
发明人 : 袁晓军 , 刘益
申请人 : 电子科技大学
摘要 :
权利要求 :
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: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: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:
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,
T
定义zn=g1sn‑1+g2sn,同时令z=[z1,z2,…,zn]为SU接收端接收到的干扰信号,则可得离散信号:
y=hx+z+w
T T T
其中,y=[y1,y2,…,yn] ,x=[x1,x2,…,xn] ,w=[w1,w2,…,wn] 是满足复高斯分布CN2
(0,σ)的独立同分布的一组向量且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和 分别估计出输出 和 解调与解码模块基于输入的 对x进行估计, 得到输出 聚类模块根据输入 得到输出 作为z的估计,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 结合x的先验均值 与方差获得x的最小线性均方差估计为: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 结合z的先验均值与方差 获得z的最小线性均方差估计: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: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: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 进入软解调器后输出对数似然比‑1 ‑1
其中(f (Sk))j表示f (Sk)的第j比特,i,j均为正整数,其中P表示正整数,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器后输入软入软出译码器,得到的软入软出译码器输出 经过交织器并减去先验信息得到软调制映射对数似然比为符号信息:其中xi=f(bi)且
最终,解调与解码模块的输出为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 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:K×K
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L =
2Q
{lk,k'}写做一组向量的形式 其中lk=[lk,1,lk,2,…,lk,K],K=2 ,其中Q表示Q
正整数,使用K‑mean算法将{l1,l2,…,lK}聚类为2组,随后定义向量 其中Q
随后选取ri中最大的2个元素置为1,其余置零,以更新ri:Q
其中λi是 第2大的元素,令tk=ri,for mk∈GiGi代表K‑mean算法聚类后得到的第i个组;
最后根据 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 作为z的估计。
说明书 :
用于异步认知物联网的时间结构干扰消除方法
技术领域
背景技术
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,and
A.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”)。
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。
Transactions 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 MIMO
downlink 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 of
things,”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。
级别同步。
发明内容
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
和 分别估计出输出 和 解调与译码模块基于输入的 对x进行估计,得到输出
聚类模块根据输入 得到输出 作为z的估计。
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:
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;
N0的高斯加性白噪声;
yn为:
布CN(0,σ)的独立同分布的一组向量且
入 和 分别估计出输出 和 解调与解码模块基于输入的 对x进行估计,
得到输出 聚类模块根据输入 得到输出 作为z的估计,
具体为:
码器,得到的软入软出译码器输出 经过交织器并减去先验信息得到
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);
={lk,k'}写做一组向量的形式 其中lk=[lk,1,lk,2,…,lk,K],K=2 ,其中Q表
Q
示正整数。使用K‑mean算法将{l1,l2,…,lK}聚类为2组,随后定义向量 其
中
附图说明
具体实施方式
系统缺少合作,因此两个通信系统之间没有符号同步。
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=
p
[bi,1,bi,2,…,bi,P]∈{0,1}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 此时SU‑Tx在时间t的连续基带信号由下式给出
SU‑Tx与PU‑Tx到达SU‑Rx时的延迟,τ对于SU‑Rx是未知的。
号:
分布CN(0,σ)的独立同分布的一组向量且
信号y以及每一次迭代的输入 和 分别估计出输出 和 解调与解码模块基于输
入的 对x进行估计,得到输出 聚类模块根据输入 得到输出 作为z的估计。
输出对数似然比(LLRs)
译码器,得到的译码器输出 经过交织模块并减去先验信息得到
扰信号 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)。
L ={lk,k'}写做一组向量的形式 其中lk=[lk,1,lk,2,…,lk,K],K=2 ,其中
Q表示正整数。使用K‑mean算法“T.Hastie,R.Tibshirani and J.Friedman,The Elements
of Statistical Learning.Springer,Second Edition,Stanford,California,
Q
Aug.2008.”将{l1,l2,…,lK}聚类为2组,随后定义向量 其中:
142,2006”来进一步更新干扰信号的分类结果,以便获得 作为z的估计。
(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 信干比 设置
h=1, 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。
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。
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。