1问题的提出
为了克服多径信道对传输信号的不利影响，可采用OFDM或SC-FDE体制。对于OFDM认知系统，由于各子信道的带宽远小于信道的相干带宽，因此每个子信道可认为是平坦性衰落。即各子信道工作在带有随机信道衰减因子的加性高斯白噪声(AdditiveWhiteGaussianNoise,AWGN)信道下。由于AWGN信道下不同调制方式的误码率(BER)解析表达式已知，因此认知决策引擎设计的问题可通过多目标优化理论解决。为解决该类问题，通常将多个目标()(1)ifx￡i￡k聚集为单个目标：1()()iiifwfk=x=x(1)式中()ifx为优化子目标，在认知系统中可认为是传输功率、误码率和系统吞吐量等；k为优化目标数；iw是权重因子，针对不同的应用场景，其取值应体现不同目标的偏好需求；12[x,x,,x]mx=为m维输入可控变量矢量，在认知系统中输入可控变量可以是调制方式，调制阶数，编码方式等。在一定的无线监管约束和认知无线电系统硬件条件的限定下，使式(1)中f(x)达到最大，即达到了多目标优化的目的，从而完成对认知决策引擎的设计。由于SC-FDE系统能够克服OFDM系统峰均功率比大，放大器线性范围要求高，对相位噪声和载波频偏敏感等缺点，且两者的抗多径性能相当，因此SC-FDE体制被引入到认知无线电中。但对于SC-FDE认知系统，由于其采用频域均衡而非多载波的方式克服码间干扰(Inter-SymbolInterference,ISI)的影响，所以该系统工作在多径信道条件下，而多径信道下不同调制、不同编码的BER解析式很难获得。如在Turbo码迭代译码情况下，求解其精确的BER表达式极其复杂，一般获得的是其性能的上、下限。因此通过上述多目标优化理论解决SC-FDE认知系统的认知决策引擎的设计问题会使问题进一步复杂化。现有如下几种方式解决此类问题：(1)基于范例推理(CaseBasedReasoning,CBR)的认知决策引擎。因其采用类似枚举的方式对不同信道状态进行匹配，而存在着计算量巨大的先天不足。(2)基于SNR高阶统计量的认知决策引擎。如前所述，目前还没有相关文献针对这方面进行具体研究。(3)基于自适应门限调整(ThresholdAdjustment,TA)的认知决策引擎。由于该决策引擎采用的TA理论尚待完备，其收敛性问题也未得到理论分析，所以该类决策引擎技术也不成熟。综上所述，SC-FDE认知系统急需一种有效的决策引擎，以实现提高频谱效率的目的。
2认知决策引擎
图1是本文设计的SC-FDE认知无线电基带仿真系统。如图1所示，本文设计的认知决策引擎由3部分组成：信道分类，AMC策略选取和计算MCSD。首先，认知引擎进行信道分类；信道分类的结果作为AMC的输入参量，AMC据此进行最优策略的选取；最优传输策略一旦被AMC选出，则计算其相应的MCSD。认知引擎通过检查当前策略的使用时间是否超过相应的MCSD，以判决最优策略是否需要更新。
2.1信道分类
接收信号的采样序列可以表示为[14]10Ziinninyxhn--==+(2)式中nx,nh,Z和in分别表示发射信号、多径信道衰减因子、多径数和加性高斯白噪声。本文采用文献[15]提出的方法对信道进行分类。该方法首先需要根据信道估计获得最大强度的多径分量，并将该分量相应序号记为j。其次，定义如式(3)所示的Z-1个决策变量[15]：2121(),0,1,,1;()kninkihinZnhijGj====-1(3)式中k表示被用于进行信道分类的数据块数。第n个多径分量是否存在的判决准则为：如果n=j或nG>l，则存在第n个多径分量；反之，当nG￡l时，该多径分量不存在。其中l为判决门限：式中2im和2sx分别是多径衰减因子nh和噪声估计矢量x的方差。门限具体的选取方法可参见文献[15]。根据式(3)和式(4)即可进行信道分类，认知决策引擎据此识别出系统当前所处的信道状态，并将该结果作为输入参量传递给AMC部分以指导其进行最优传输策略的选择。对算法性能和实现复杂度进行综合考虑，本文采用最小二乘(LeastSquares,LS)信道估计算法和频域最小均方误差(MinimumMeanSquareError,MMSE)SNR估计算法。信道估计和SNR估计的好坏对整个认知系统的性能具有较大影响。信道估计一旦不准确，势必影响SNR估计的准确性。两者的累积误差可能会导致认知引擎对当前信道状态误判，从而错误地决策出一个不匹配当前信道状态的传输策略。而这样的传输策略可能降低系统的频谱效率，也可能使得BER性能达不到系统要求。因此，准确的信道估计和SNR估计是认知引擎能够正确进行决策的重要前提和保障。
2.2AMC最优策略选取方案
尽管评估信道状态的指标很多，大多数实际通信系统常采用SNR作为信道状态信息(ChannelStateInformation,CSI)的重要指标。因此本文也以平均接收信噪比g作为信道的度量。调制编码策略(ModulationandCodingScheme,MCS)切换门限的选取依据是保证所选策略实施后，其BER必须低于目标BEReP。在给定的几种信道状态下，进行离线系统仿真获得可选MCS的BER-SNR性能曲线和吞吐量曲线。通过eP的约束，可把接收信噪比g的取值范围分成N+1个衰落区域1[,),0,iiiLggi+==1,,N。各衰落区域iL的N个下界作为MCS的切换门限(1)ig￡i￡N。当1g￡g时，系统不进行信号传输，即自适应系统的中断门限为1g；当g落在第i个衰落区域iL内时，在该区域选取保证目标BER的前提下吞吐量最大的MCS作为本衰落区域的最优MCS。基于以上处理，建立MCS切换表。需要注意的是，所建立的MCS切换表与信道类型和信道的具体参数相关。但由于本文提出的认知决策引擎具有信道分类的功能。因此，当系统运行时，该引擎可以首先识别出相应的信道类型，并仅在该信道类型下的MCS切换表中搜索最优传输策略。3.3MCSD当某个MCS被认知决策引擎选为当前的最优MCS实施时，其对应的平均MCSDit也可由该引擎给出。假定所提出的认知决策引擎其适用场景为慢衰落时变信道，则平均接收信噪比g可认为在数十个甚至在数百个符号内变化不大，此时可采用一个有限状态的马尔可夫模型给出it较好的近似值[16]。该模型将衰落近似为一个离散时间的马尔可夫过程，并且该过程只能由一个状态转移到与其毗邻的状态或者保持原状态不变。在这种假设下，其转移概率为,11/iiisipNTp++=(5),1/iiisipNTp-=(6),,1,11iiiiiippp+-=--(7)式(6)中iN为在信噪比ig下的电平交叉率，sT为符号周期，ip为处于第i个衰落区域1[,)iiiLgg+=的概率：1()iiippggg+=￡<。瑞利衰落信道下，ip的表达式为根据3.2节确定的MCS切换门限(1ig￡i￡N)，通过式(8)和式(9)分别估计出衰落概率ip和电平通过率iN。将上述得到的ip和iN代入到式(10)中即可求得相应策略的平均MCSDit。如果当前MCS的使用时间未超过it,MCS将不会被更新，此期间内系统也可不进行SNR估计。这种处理减少了系统开销，进一步提高了系统的频谱效率。本文提出的认知决策引擎具体实现过程如下：步骤1在给定信道状态下进行离线系统仿真，得到可选MCS的BER-SNR性能曲线和吞吐量曲线；步骤2根据目标误码率eP的限制划分衰落区域iL，并确定MCS的切换门限ig；选取各衰落区域iL内满足eP要求的最大吞吐量的MCS作为最优MCS，并据此建立MCS切换表；步骤3在线状态下认知决策引擎进行信道分类，从而确定当前的信道状态；步骤4根据SNR的估计值，认知决策引擎在当前信道对应的MCS切换表中选取最优的MCSi；步骤5通过反馈信道将所选MCSi传递给接收机和发射机以实施；步骤6认知决策引擎根据式(10)计算所选MCS的平均MCSDit，判断当前MCSi是否超时：若在it内，则保持所选MCSi不变；若超过it，则返回步骤3对传输策略进行更新。需要说明的是，信道变化率对本文认知系统的性能影响较大。当信道变化率极大，即信道状态变化极其剧烈时，如信道的相干时间与认知决策引擎处理延迟(信道分类处理时间、认知决策处理时间和反馈延迟的总和)相当时，本文的认知系统无法跟踪信道的变化，因此其适应外部环境的自适应能力丧失。本文提出的认知决策引擎更适用于慢时变信道和能够保证认知决策引擎处理时间的快时变信道。在实际应用中，大部分的山区多径信道条件均是本文认知决策引擎适用的信道场景。
3仿真结果与分析
本文的仿真结果均是基于本文设计的如图1所示的SC-FDE基带仿真系统得到的。具体的仿真参数和信道参数分别如表1和表2所示。本系统中最大多普勒频率5Hz对应的移动终端最大速率为27km/h。仿真中采用的两种调制方式分别为BPSK和QPSK；编码方式为低密度奇偶校验(LowDensityParityCheck,LDPC)码，编码后长度为3176,4种可选码率分别为1/2,2/3,3/4和5/6。将上述参数组合共得到8种MCS，记为S1~S8，如表3所示。在如表2所示的信道模型下，进行离线系统仿真，得到所有可选策略的BER-SNR性能曲线和吞吐量曲线，分别如图2和图3所示。图3中各MCS的吞吐量由式(11)给出：式中H和L分别是一帧中帧头的长度和数据长度；R是数据速率；iM为策略MCSi的调制星座数。如图2所示，不同可选策略的BER-SNR性能曲线存在交叉点，如在7.2dB处策略S2和策略S5存在交叉点。出现此类情况的原因是本文以SNR作为x轴的标度。虽然S5的调制阶数低于S2，其BER性能应该较后者更优。但是S5码率比S2大，调制阶数和码率的综合作用导致了不同可选策略出现交叉点的情况。图3中也存在同种调制方案吞吐量曲线交叉的情况，如当SNR为7.5dB时，策略S1和策略S3吞吐量曲线存在交叉点。这是由于本文计算的吞吐量是以目标BER为约束条件的。当SNR低于7.5dB时，由于策略S3的BER性能远达不到目标BEReP510-=的要求，此时策略S1的吞吐量高于策略S3。但当SNR为7.5dB时，策略S1已达到目标BEReP510-=的要求。因此其吞吐量不再随SNR的提高而提高。而策略S3的BER性能逐渐满足误码要求。当SNR高于7.5dB时，策略S3的BER性能进一步改善，其码率高的优势逐渐显现，从而出现7.5dB处的交叉点。在目标误码率510eP-=，切换门限间隔不小于4dB的要求下，根据图2将SNR划分为4个衰落区域：小于6dB,[6,11]dB,(11,16]dB，大于16dB。相应的MCS切换门限分别为6dB,11dB,16dB。根据图2和图3，选出各衰落区域中满足目标误码率eP的吞吐量最大的最优MCS，并制定最优策略切换表，如表4所示。根据表4筛选后的MCS的BER-SNR性能曲线及相应的吞吐量曲线分别如图4和图5所示。在平均接收信噪比g分别为10dB,15dB,20dB的情况下，由式(9)计算得到各MCS的平均MCSDit，结果如表5所示。由表5可见，随着平均接收信噪比g的提高，更可靠的MCS的持续时间变短；相反，更为有效的MCS的持续时间变长。以下将文献[13]提出的CR-ASC-FDE与本文提出的认知决策引擎在频谱效率和吞吐量两方面进行性能比较。采用本文提出的认知决策引擎的认知系统，其频谱效率为21log()NiiiiRMCBp==(12)式中B是接收信号带宽，iC为第i个衰落区域iL对应的MCS的码率。表6给出了在平均接收信噪比g分别为10dB,15dB,20dB的情况下，分别采用本文提出的认知决策引擎和CR-ASC-FDE的自适应系统的频谱效率。前者的频谱效率可由式(12)计算得到。后者的频谱效率与传统非自适应SC-FDE系统的频谱效率一致[13]。由于非自适应系统是根据信道的最差状态设计的，故该系统只能采用最可靠的传输方案MCS1。两系统的吞吐量曲线性能比较如图6所示。由表6可见，在每种SNR情况下，采用本文所提认知决策引擎的通信系统均比CR-ASC-FDE的频谱效率要高。随着g的提高，两种系统的频谱效率均提高。但本文所提认知决策引擎的频谱效率提高得更快。在g较高的情况下，其性能优势更为明显。如g=20dB时，本文所提认知决策引擎的频谱效率是CR-ASC-FDE频谱效率的2.9倍。如图6所示，采用认知决策引擎的系统其平均吞吐量也要明显高于CR-ASC-FDE。综上分析，认知决策引擎在频谱效率和吞吐量性能上均优于CR-ASC-FDE。上述仿真结果表明本文所提认知决策引擎能够使认知无线电系统更好地适应无线信道的复杂电磁环境。
4结论
针对SC-FDE认知无线电系统，本文提出了一种基于信道分类和AMC的认知无线电决策引擎。该决策引擎通过信道分类，最优策略选取和计算策略持续时间，自适应地调整发射机参数，使认知系统能够较好地匹配当前的信道状态。仿真结果表明，该认知决策引擎使认知系统在频谱效率和吞吐量性能方面具备较大优势，实现了最优传输的目的。
作者：于洋 谭学治 单位：哈尔滨工业大学通信技术研究所
相关专题：swot分析ppt模板 云南民族大学学报
