无线信道图像传输系统

无线信道图像传输系统（精选7篇）

无线信道图像传输系统 篇1

0引言

在某红外图像传输系统中, 存在多信道通信状况, 需将红外图像及其他信息通过空中信道传回指控平台, 以进行战场状态评估、目标选择和控制指令的发送。在战时的无线信道中总是存在着噪声、干扰、多径衰落等各种影响, 这就要求传输系统设计时既要采用有效的数据压缩方法来降低传输码率, 尽量节省传输信道带宽, 同时又要引入差错控制方式来抵制信道噪声的干扰[1,2,3]。

本文考虑了系统的综合要求:系统容量、作用距离、收发时延及算法实现复杂度, 采用了8倍图像压缩、RS编码加交织的方式进行了无线链路的设计, 采用大规模FPGA完成发送端及接收端的算法实现, 并通过试验验证设计指标满足系统要求。

1无线信道图像传输系统设计

1.1 系统特点

系统容量有限 实际使用环境中图像发送端和接收端都处于空中平台中, 考虑系统中有多个数据流通信, 图像实际使用带宽过大, 一方面影响整个系统容量, 另外会带来接收端诸多问题, 为满足实际工程应用, 必须控制每组信道的使用带宽, 故而需将图像压缩后传输。

实时性 由于图像发送和接收的实时性要求高, 使用体积有限, 故而选择的图像压缩和解压缩算法必须高效、易于实现, 同时时延小。

高保真图像显示 由于接收端需要对图像进行分辨从而做出正确的选择, 因而图像压缩算法必须选用高保真的压缩算法。

干扰信道环境 使用环境为战时复杂的电磁环境, 信道中存在着各种噪声、突发干扰和随机干扰。

1.2 系统方案

由于系统容量要求, 采用频分体制完成多个信道的同时工作, 同时将红外图像压缩后传输以减小每个信道使用带宽。

考虑到使用环境的体积有限, 实时性及高保真要求, 选择多分辨率重采样图像压缩算法解决方案, 压缩采用硬件实现, 解压缩使用软件在计算机内处理后显示。

由于实际信道存在突发干扰和随机干扰, 而压缩后的图像数据非常敏感, 一个误码就能导致一帧数据的重放失败, 影响接收端使用, 故必须使用纠错编码来抵制信道中的干扰。选择纠错编码不仅需考虑面临的干扰形式还必须考虑编解码实现的难易度、效率、时延。通过对比和仿真, 采用战术数据链中通用的RS编码并进行交织以提高系统抗干扰能力。同时选择合适的发送天线, 合理分配各组件增益, 根据系统使用需求, 使用控制电路完成对发射信号的发送控制[4,5,6]。

无线信道图像传输系统原理框图见图1。

1.2.1 发送端设计

发送端包括三部分:综合基带、发射机和天线。

综合基带是其中的关键部件, 完成对图像数据的采集、压缩、编码和交织, 完成对状态数据的采集、编码, 完成对传送数据的组帧输出及对发射信号的发送控制。考虑功耗、体积和实际耗费资源, 选择一片大规模FPGA完成所有信号处理。

发射机完成数据调制、放大输出。

天线完成微波信号的辐射。

1.2.2 接收端设计

接收端包括四部分:接收天线、信号处理机、接收处理组件。

接收天线完成微波信号的接收。

信号处理机完成图像数据的解交织、解码和状态数据的解码, 同时完成解码数据的组帧和USB数据同步、缓存及数据输出。考虑功耗、耗费资源和处理时延, 采用一片大规模FPGA加FIFO及接口芯片完成相应处理。

接收处理组件完成数据的接收、存盘、图像数据提取、解压缩和显示及状态数据的提取和显示。解压缩采用软件实现, 解压缩软件嵌入到指控平台接收端的接收软件中, 在接收信号的同时完成压缩图像的解码和实时显示。

1.3 关键技术

1.3.1 天线设计

由于发送端设备位于导弹上, 接收端设备位于飞机上, 故而存在收发天线失配问题, 设计时接收端天线采用圆极化形式, 发送端天线采用一对垂直分布的线极化天线, 这样将极化损耗降到最低, 有利于接收端的接收。同时考虑通信时抗干扰问题, 发送端天线采用后向天线图形式, 为增加抗干扰性, 还要求发送端天线具有一定的增益。图2为发送天线仿真图。

1.3.2 信源信道联合编解码技术

由于红外导引头的图像格式不是标准的视频图像格式, 普通的视频图像压缩标准并不适用;红外导引头的图像具有目标形状变化比较快的特点, 也不适用帧间压缩方式;同时考虑到弹上应用环境的特殊性, 压缩算法必须具有硬件实现简单、体积和功耗小, 考虑实际使用环境, 其压缩和解压缩算法实现还必须具备实时性强的特点, 因此, 选用多分辨率重采样图像压缩算法对图像数据进行压缩[7,8,9]。

根据压缩后的图像比特数, 将全帧数据分为若干个子帧, 对每个子帧进行RS编码, 然后将所有子帧进行交织以打乱信道突发干扰对传输信息的影响。

接收端若使用软件对RS码解码, 会造成较大的时延, 故使用硬件完成图像数据的解交织、译码和状态数据的译码, 使用软件完成图像数据的解压缩和图像显示。

1.3.3 信号处理平台的选择与设计

设计初期必须进行发送端和接收端的信号处理平台的选择。目前信号处理平台有三种模式:纯DSP, 纯FPGA和DSP加FPGA模式。纯DSP模式下最大限制是其只能进行流水线操作, 对于控制和其他操作并行的设计并不适合, DSP加FPGA模式灵活性最好, 但是调试较为麻烦, 同时考虑实际使用体积和功耗, 最终选择采用FPGA (Field Programmable Gate Array, 现场可编程阵列) 作为信号处理平台。目前ALTERA 公司的高端产品接口丰富, 内部具有大量的宏单元, 且有内嵌RAM块、DSP块、锁相环 (PLL) , 可作为一个可编程的片上系统 (System on a Programmable Chip) 使用, 具有很好的可重复性和可靠性, 同时调试上可以采用内部逻辑分析仪signapⅡ, 人机界面非常友好[10,11]。

2验证

为验证系统设计可靠性, 在实验室内测试了实时时延, 通过室外验证试验验证了作用距离。实验室内原理框图见图3。室外验证试验框图见图4。

因为实际最大的空间传输时延是可以计算出来的, 使用衰减器将发送端和接收端直接连接在一起, 直接测试发送端和接收端的图像数据起始端的信号差异即可测出系统时延。为进行此测试, 综合基带和信号处理机都特地产生一个状态信号, 分别表示发送端接收到图像数据时的状态和接收端接收图像数据时的状态, 此两种状态信号直接进入示波器中, 示波器对两路输入采用触发状态采集, 两路信号的时间差加最大空间传输时延即是系统的时延, 反映出系统的实时性。

通过测试, 时延满足系统要求。

室外验证试验中, 接收天线采用双天线接收, 增益为17 dB, 选择分集合成接收机, 在发射系统天线前端使用衰减器。收发两地实际距离为9.1 km, 衰减器在54 dB时接收端图像及同步信号皆正常, 在55 dB时图像出现马赛克现象, 同步显示正常。由于测试缘故, 系统损耗比实际使用时的损耗多5 dB。系统作用距离要求为20 km, 由以上测试可知, 作用距离完全满足要求。

3结语

针对系统要求, 通过多频点传输完成多信道并存问题, 通过科学分配系统参数, 合理选择收发天线类型, 并采用多分辨率重采样图像压缩加RS编码加交织的信源信道联合编码, 成功解决图像在干扰信道下的传输问题, 目前作用距离和时延测试满足系统要求, 验证了设计的合理性, 并为其他图像传输系统的设计提供有益的参考。

摘要：针对某红外图像在干扰信道中的可靠传输问题, 通过分析系统使用特点:处于干扰信道环境, 要求图像传输实时性好、高保真显示及容量大, 采用了多频点传输, 带限信道, 合适的天线形式和信源信道联合编解码解决的方案, 解决了干扰信道下的图像数据可靠传输问题, 应用大规模FGPA完成信号处理的工程实现, 通过试验验证了系统满足传输距离及时延要求。

关键词：图像传输,图像压缩,RS编码,交织,试验

参考文献

[1]John G Proakias, Masoud Salehi.通信系统工程[M].2版.叶芝慧, 译.北京:电子工业出版社, 2002.

[2]Leon W Couch.数字与模拟通信系统[M].罗新民, 译.北京:电子工业出版社, 2002.

[3]王新梅, 肖国镇.纠错码——原理与方法[M].西安:西安电子科技大学出版社, 1999.

[4]Lu J, Nostratinia A, Aazhang B.Progressive Source ChannelCoding for I mages over Bursty Error Channels[A].Proc.ofICIP98[C].Chcag.Los Alamitos, Clifornia:IEEE ComputerSociety, 1998:127-131.

[5]Sherwood P G, Zeger K.Progressive I mage Coding for NoisyChnannel[J].IEEE Signal Processing Letter, 1997, 4 (7) :189-191.

[6]肖嵩, 张方, 吴成柯.无线信道图像的联合信源信道编码速率分配[J].西安电子科技大学学报, 2002 (12) :716-720.

[7]周孝感.遥感图像多模式自适应量化压缩法[J].中国图像图形学报, 1997, 2 (3) :7-9.

[8]程子敬, 周孝宽.星载高速图像数据压缩原理样机的研制[J].北京航空航天大学学报, 1999 (12) :743-746.

[9]周孝宽, 姜宏旭, 程子敬.基于空间重采样的遥感图像压缩[J].北京航空航天大学学报, 2001 (10) :611-614.

[10]杨小牛, 楼才义, 徐建良.软件无线电原理与应用[M].北京:电子工业出版社, 2001.

[11]StratixⅡDivice Handbook[EB/OL].http://www.altera.com.2007.

无线MIMO系统信道容量分析 篇2

在信息技术日益进步的今天, 信息传输已经不再局限于文字, 而是向多媒体传输方式转变。以往, 无线通讯系统的发射/接收天线的选择非常有限, 这就是所谓的SISO天线系统。SISO天线系统在信道容量上具有一个通信上不可突破的瓶颈--Shannon容量限制[1]。但是, 无论实际的编码策略如何、调制技术如何, 无线通道始终会给实际通讯带来一定的限制。现阶段, 随着科技的发展, 人们对数据传输速度的要求越来越高, 因此, 无线通信系统的容量亟待增加。而实现无线通信系统扩容的方式有很多种, 比较典型的有:1加大系统发射功率;2拓展带宽;3架设更多的基站;4提高频谱利用率[2]。但是这些方法各有利弊, 例如:加大系统发射功率会大大危害人们的健康, 并且这对系统硬件的要求非常高, 设计的复杂度也非常高。此外, 发射功率在提高的同时, 功率的能耗会大大增加, 这是移动终端用户非常关注的问题之一。而增加基站需要密集地设置新的基站, 这种方式需要投入的成本非常巨大, 在万不得已时不会使用此法。在当前, 无线应用市场使用最为广泛的是:UMTS (2GHz) 、WLAN (2~5GHz) , 这两者都属于典型的微波频带[3]。而如果使用加大宽带的方式会带来严重的系统兼容冲突, 这使得运营商的成本开支会大幅提升, 所以, 引入高频段的方式在近期内是不太可行的。

目前在众多的信号处理技术中, 最受人们青睐的是多输入多输出技术 (英文简称:MIMO) , 相关研究结果显示, 在多径传播下无需提升带宽和发射功率, 仅仅引入MIMO系统便可以大幅增加频谱效率, 最终达到提升容量的目的。正是由于MIMO技术提高信道容量的这种特性, 使得信息传输质量大幅提升, 也博得了学术界的关注。其在3G与4G当中的应用前景都非常广泛[4]。如果平坦瑞利衰落信道呈现出独立同分布的特性, 那么信道容量与天线数量会逐渐呈现出正向相关的关系。但在实际情况中, 由于天线间距不够大、空间散射体不够丰富等原因, MIMO系统子信道间具有相关性, 导致信道容量会有所下降。为了确定MIMO技术的实际性能, 本文通过仿真的方式来研究天线数量和信道等变量与系统容量之间的关系。

2 理论基础

2.1 多输入多输出系统信道相关模型

按照发射端和接收端信道系数的相关性, 我们把MIMO信道划分为不相关、半相关和全相关衰落信道[5]。

(1) 不相关衰落信道:在这种信道当中, 接收端和发射端都存在很多散射体, 例如:城市微小区信道。但是两端的角度扩展度非常高, 使得信道系数的联系非常微弱。在没有直射分量的情况下:

则信道可以表示可以为:

式中HW指代在理想的情况下, 瑞利分布MIMO信道矩阵;

hmn∈CN (0, 1) 指代符合独立同分布高斯随机变量的信道系数;

(2) 半相关衰落信道:在这种信道当中, 散射体仅仅存在于发射或者接收的一端, 这种情况使得二者之间的角度扩展大大降低。此种类型的信道大多在基站空间或数量充足的情况下出现, 天线之间没有相关性, 且移动台周边存在很多建筑。此时, 有:

RTX=I;RRX≠I或者RTX≠I;RRX=I (2-4) 则信道矩阵为:

则信道矩阵为:

(3) 全相关衰落信道:在这种信道当中, 在发射与接收端的远区场存在很多散射体, 比较典型的例子就是:MIMO信道。此时:

则信道矩阵为:

图1向我们展示的是MIMO衰落信道。在瑞利分布中, 我们引入一个等距线性矩阵 (ULA) , 这个矩阵由nr根全相接收天线构成, 天线之间的间隔是d, 散射体存在于天线周围[6]。

图2向我们展示了天线阵列模型。其中包含的天线数量为nt个, 由天线发出的信号会被反射体反射。为了更清楚地分析该模型, 把接收端天线阵列模型单独表示[7]。

现假定信号到达角的均值是θ, 相关的概率分布密度函数是ρ (θi) , 而角度扩展的取值是2Δ。

则对于θi方向的来波, 间隔为dm, n= (m-n) d的天线元素m、n之间的波程差为 (m-n) d sinθi, 由此带来的接收信号相位差为exp[-j2π (m-n) d sinθi], 因此其相关系数可以表示为:

不难看出, 空域相关性与ρ (θi) 函数之间的关系非常密切, 但学者Lee认为ρ (θi) 应当符合余弦分布的特点, 学者Aszetly指出ρ (θi) 应当符合高斯分布的各类特征, 学者Salz则认为ρ (θi) 应当满足均匀分布, 而Pedersen却认为就DCS1800系统而言, 拉普拉斯分布显得更为合理[8]。

在本文中, 我们以ρ (θi) 服从均匀分布为例, 其概率密度函数为:ρ (θi) =1/2Δ, 定性地研究d, θ, Δ与r的关系。

2.2 多输入多输出系统信道容量

现假设发射端天线并不了解信道的实际情况。那么这个时候可以通过均值来计算天线的功率, 即Es/nt, 此时, 发射功率和接收功率的总取值相一致。在AWGN的影响下, 天线会接收到一定程度的噪声, 相应的信噪比是:ξ=Es/σ2。再假设信号带宽非常窄, 那么便可以将信道频率响应视作平坦的[9]。

倘若编码长度非常长, 并且可以足够多地处理信道衰落状态。也就是说, 信道衰落的各种状态都会在编码长度范围内出现, 那么这个时候的香农容量便可以视作不同信道下的平均信息概率取值, 通常也被叫做各态历经容量。所以, 这一容量是长时统计下的衰落信道容量的平均值。

换句话说, 时变信道的信道情况实际上是典型的随机变量, 但是该变量的各类取值均能视为确定信道, 所以每个取值就会对应相应的容量值, 那么时变信道的瞬时容量也能够视为随机变量[10]。将这里的瞬时容量求和, 然后除以总数量便可得到各态历经容量, 其具体情况见下图:

信道各态历经容量为:

RRX——接收端相关系数矩阵;

RTX——发射端相关系数矩阵。

3 仿真与分析

3.1 典型MIMO系统的信道容量分析

在前文分析的基础上, 我们对SISO、MISO、SIMO、MI-MO的容量进行仿真和分析。以瑞利衰落信道为例, 假设发射天线和接收天线均不相关, 采用Monte-Carol方法和Matlab环境分别经过1000次迭代[11], SISO与SIMO, MISO的比较仿真结果如图4和5所示。

通过仿真我们可以得出以下结论:

(1) 假设信噪比相同, 那么SIMO (1×2) 的容量明显优于SISO的容量, 且前者容量比后者高出接近60%。而SIMO (1×4) 的容量相比SISO高出接近140%, 这一仿真结果与理论结果是相同的。信道容量之所以会增加, 原因在于空间分集降低了衰落作用的效果, 而天线的合并使得信噪比大幅上升, SIMO能够收集到nr个信号的副本, 因此, 在天线增加的过程中, 信道容量会相应地增加。

(2) 假设信噪比相同, 那么MISO的容量和SISO相比相差无几, 出现这一现象的原因在于:n个天线虽然能够产生n个峰值增益, 但发射天线对信道情况并不了解, 那么使得自适应分配发射功率与波束形成技术很难在多元天线当中发挥作用, 发射总功率会被n均分, 这就意味着天线的发射功率均值会略微降低, 如果存在|h1, nr|=1 i=1, 2, …, nt, 那么这个时候, MISO与SISO二者的容量取值会大致相同。

(3) 假设nt=nr=4或nt=nr=2, 那么MIMO的容量与SISO相比, 前者几乎是后者的4倍或2倍, 原因在于MIMO借助空间复用形成了n条可同时发挥作用的子信道, 这些子信道的容量和就是信道的总体容量, 因而其取值会大幅上升。

3.2 相关性对信道容量的影响

为了直观地研究角度扩展对相关系数r和信道容量的影响, 图6和图7给出了θ=0ο, Δ分别为10ο, 30ο, 60ο, 90ο时, 相邻天线的相关系数、各态历经容量等和天线之间的距离d的关联度。

同样地, 为了研究平均到达角对相关系数r和信道容量的影响, 图8和图9给出了θ=0ο, Δ分别为10ο, 30ο, 60ο, 90ο时, 2×2MIMO信道各态历经容量、等距天线等于角度扩展之间的关联度。

可以得出: (1) 不断增加天线间距d, 信道间相关系数r不断变小, 直至趋于稳定, 信道各态历经容量越大; (2) 对于相同的天线间距d, 不断增加角度Δ, 信道相关性r减小, 信道各态历经容量越大。

由此得出:当天线间距d一定时, 平均到达角越趋向于与阵列平行方向, 信道相关性越大, 信道各态历经容量越小。假定Rr[i, j]=α|j-i|, i, j=1, 2, 3, 4, |α|≤1, α定义为相关系数[9]。则:图10表示的是, 发射端子信道相互独立情况下, α变动时, 信噪比和各态历经容量之间的相关性曲线。

不难看到: (1) 空域相关系数取值很小时, 各态历经容量的取值会相应增加; (2) 当相关系数取值很小时, 信道容量变化非常微弱, 反之, 信道容量会大幅减小。

图11给出了对于莱斯衰落信道, 随着衰落因子的变化, 各态历经容量的曲线。数据表明:信道容量的取值会随着衰落因子数量的上涨而不断下降。由于衰落因子表示直射分量与散射分量的比值, 即散射分量越小, 信道容量越小。

4 结论

本文主要对MIMO系统信道容量进行了相应的分析, 并得到如下结论:如果瑞利衰落信道独立且平坦, 那么天线数量在增多的同时, 信道的容量也会相应增加, 但是在实际应用的时候会发现, 信道容量并不会随着天线的增多而一直增加, 而是在达到一定值之后趋于恒定。此外, 本文分析了相关性与MIMO信道容量之间的关系, 在进行仿真分析之后得出如下结论: (1) 各天线之间的间隔变大, 来波角增加的时候, 到达角均值和阵列的垂直度就越高;系统的相关系数越小, 信道容量越大。 (2) 倘若相关系数不足0.3, 那么其对信道容量的影响非常微弱, 而如果相关系数超过0.7, 那么其对信道容量的影响就非常大。 (3) 在莱斯衰落当中, 如果衰落因素量上升, 那么信道容量就会相应下降。这也很好地说明了MIMO系统正是由于利用了多径散射来达到增大容量的目的。

参考文献

[1]张雯.多输入多输出系统的关键技术研究[D].西北工业大学, 2006.

[2]王小斌.MIMO (多输入多输出) 系统的信道容量分析[D].郑州大学, 2013.

[3]梁毓锋.MIMO无线通信系统的信道容量分析[D].大连海事大学, 2008.

[4]沈国良.多天线系统信道容量问题的研究[D].华中师范大学, 2008.

[5]沈华.MIMO无线通信系统信道容量分析[J].信息通信, 2014, 02:184-185.

[6]侯大志, 燕国云.MIMO系统无线信道容量的实验仿真[J].科技创新与应用, 2014, 18:54-55.

[7]张耀旭, 许珺, 范斌.LTE室内改造方案及MIMO信道容量分析[J].现代电信科技, 2013, 07:50-53+59.

[8]H.Weingarten, Y.Steinberg, S.S.Shamai.The capacity region of the Gaussian Multiple-Input Multiple-Output broadcast channel.IEEE Transactions on Information Theory.2006.

[9]邓双成, 王新梅.MIMO系统的信道容量研究[J].电子科技, 2013, 07:99-102.

[10]李喆.MIMO-OFDM系统信道估计及容量分析技术研究[D].北京邮电大学, 2014.

无线信道图像传输系统 篇3

随着无线通信技术的快速发展,通信的业务量变得越来越大,并且对通信技术也提出了更高的要求。室外信道受终端移动速度的影响,其典型特点是信道增益随时间的变化而变化。信道增益的时变特性依赖于移动台的速度,并且受多普勒谱的影响。无线信道具有随机性和时变性,而且还收多种因素的总和影响具有很大的复杂性。除了必要的实测外,建立室外信道模型,才能够正确正确分析信道参数,合理利用频率资源,提高信号强度的预测精度,并把模型运用到实际当中去 , 进而减少系统设计的盲目性。

2 主要信道模型种类

在无线通信信道模型发展初期,对信道模型的研究比较侧重于电磁波在传播过程中的损耗。这个时期的模型主要有 :统计信道模型 :(1)双斜率经验模型 ;(2)杂乱因子模型 ;(3)Okumura-Hata模型。确定性信道模型 :(1)Ikegami模型 ;(2)COST 231/Walfisch-Ikegami模型。

3 FWGN 信道模型

3.1 Clarke/Gans 模型

Clarke/Gans模型是最 基本的一 种FWGN信道模型,它是在假设条件下推导得到的 :移动台周围的散射分量是均匀分布的,且每一份量的功率相等。Clarke/Gans模型的框图(下图1),其中有两个分支,一个是实部,一个实虚部。在每一个的分支中,首先在频域产生一个复高频噪声 ;然手通过一个多普勒滤波器,这样频域分量就符合多普勒频移 ;最后将这个经过多普勒频移后的高斯噪声通过IFFT模块变换为时域信号。由于IFFT模块的输出必须的实信号,所以IFFT模块的输入必须的共轭对称的。将输出的虚部和实部加起来,可以构造一个复信道增益,从而产生一个幅度服从瑞利分布的信道。

3.2 改进的频域 FWGN 模型

此外,由具有任 意相位的 多普勒频谱,可以计算 信道响应 的幅度。每一 径的时域 信道响应 可以表示 为

4 结论

无线信道图像传输系统 篇4

一、MIMO系统的概念及原理

MIMO通信技术又被称为“多输入多输出”通信技术, 是在天线分集技术基础上利用空间信道来降低信道容量衰减的一种新型通信技术, 是智能天线向多天线演化过程中的产物, 对于无线通信来说, 如果在传输过程中采用多径传输, 往往会引起信道容量的衰落, 成为制约通信发展的有害因素之一。与之相对的是, MIMO系统的使用则充分利用多天线的优点达到趋利避害的目标, 为无线通信创造了多个并行通信空间, 大大降低了通信信号的失真率, 成为促进新一代无线通信发展的重点研究领域。由于MIMO系统两端均装有多天线, 其系统主要工作原理为:信源信号将信息流传输到空时信号处理系统, 经过编码形成过个子信息流经发射天线发出, 然后被多径信息通道传输给接受天线, 再一次经过解码处理还原信号, MIMO系统得接受和发散天线之间主要是通过多径信道进行连接。对于信道容量来说, 在建筑密集的地域中的MIMO无线信道假设其发射天线为n, 接受天线为m, 按照瑞利衰落模型分析, 此MIMO系统的信道容量主要取决于三个参数:一个是系统的信号带宽, 主要指的是信号的最高和最低频率之差, 另外一个参数为接受端平均信燥比ρ, 这是个重要的随机变量, 在一定成都上决定了信道容量的高低;最后则是系统的接受和发射天线数量m, n, 取两者的最小值。

二、MIMO系统与无线信道容量的相关性分析

2.1影响无线信道容量的主要因素

理想状态下, MIMO系统的无线信道之间的矩阵是相互独立的, 如果排除时、频、空三域的中各子信道的交互影响, 无线通信的信道容量可以达到最佳状态。但是在无线通信的实际情况中, 相关性成为影响通信信道容量的不可忽视的因素, 以频率选择为主的衰落信道, 其传递函数主要表现为频域方面的相干性, 此时, 传递函数如果在一定时间内的传递无显著地变化, 则被称为慢衰落信道, 相反为快衰落信道。时域相干性也是同样的道理。相比于时域或频率来说, 空域相关性对MIMO系统中的多径信道容量造成的损害最为严重, 这主要与MIMO系统的天线阵列、路径角度、波长等多个方面有联系, 因此, 通过减少空域对MIMO系统的相关影响, 可以为建立可靠的通信信道奠定理论基础。

2.2MIMO系统中空域相关性与信道容量分析

MIMO系统的天线常见的有均匀环形、均匀线性排列两种, 笔者将以六根完全相同的天线构成的环形阵列为例进行分析, 六根天线均匀的分布于360°圆周上, 每根天线具有全方向性, 无线通信的空间分布可以有两种情况:第一种情况为在空间分布上认为是均匀分布, 则角能量分布2△的倒数, 其中2△为以θ为中心的达到角的范围, 如果△较小, 通过普拉斯变化可得到第m个和n个天线之间的空间相关矩阵模型, 在此基础上通过对均匀分布的仿真实验得知, 均匀分布天线之间的相关性系数随天线半径的减小而增加, 同时也随△增大而幅值变小。这从另外一个角度说明MIMO系统空域相关性与天线半径有着密切关系, 当相关系数接近于0时, MIMO的信道容量达到最大值。第二种情况为在空间分布上认为是非均匀分布, 可以得到拉普拉斯和高斯分布条件下的空间矩阵相关模型, 拉普拉斯条件分布与均匀分布相关性类似, 高斯分布则相关系数的变化并不明显。由此可见, 不管是服从哪种分布, 如果系统天线如果彼此之间的间距越大、来波角域越宽、达角垂直于阵列方向时, 空域相关性越差。通过采用相关系数较小的天线能够提高通信质量, 但一定空间范围内, 随着MIMO系统天线数量的增加, 将导致天线排列距离靠近, 使得系统的空间相关系数变大, 通信信道容量重新变小。

三、结束语

综上所述, 频谱资源有限、无线通信环境复杂是现代通信不得不面对的事实, 对于MIMO系统的信道容量研究还存在较大空间, 无线通讯信道容量决定了MIMO天线的选择与设计, 因此, 这就加大对空域相关性的研究力度, 成为提高无线通信的信道容量、降低失真率的重要途径。

摘要：MIMO系统为无线通信带来了革命性的变化。本文以影响MIMO信道容量的空域相关性为研究对象, 首先阐述了MIMO系统的概念及其技术原理, 在此基础上, 选取六线均匀环形天线排列建立了空间模型, 从均匀分布和非均匀分布两个方面, 探讨了相关性系数与信道容量的关联, 为MIMO系统建立可靠的通信信道起到了积极作用。

关键词：MIMO系统,信道容量,空域相关性

参考文献

[1]傅海阳, 陈技江, 曹士坷, 贾向东.MIMO系统和无线信道容量研究[J].电子学报.2011 (10)

[2]余来妹.MIMO系统和无线信道容量研究[J].中国新通信.2014 (04)

[3]赵莹.MIMO通信系统中若干关键问题的研究[D].北京交通大学2010

无线信道图像传输系统 篇5

无线信道多径传输特性是影响无线通信系统性能的重要因素之一。静态多径环境通常会带来接收干涉现象,即临近位置之间接收信号强度呈现有规律波动,而移动多径环境通常会带来衰落现象,即接收信号强度在小尺度上的剧烈起伏变化,这些都会对无线通信系统的站址选择、信号带宽、移动速度等带来限制和影响[1],故一般在通信系统设计、覆盖性能分析之前,都需要对无线信道的多径参数进行测量和估算。

传统的多径信道参数计算方法都是基于大量的测量数据来建立无线信道的多径模型,进而对无线信道的观测统计特性进行分析; 而近些年提出的基于射线追踪的衰落信道分析方法[2]尚存在计算复杂、计算量大的缺点,在大尺度区域内很难保证实时性。在文献[3]中,A. Barrios提出了基于标准抛物方程算法的宽带波形传输信道的冲击响应函数解算方法,该方法通过对抛物方程计算结果进行简单处理即可得到传输信道的冲击响应函数,具有计算简单、精度较高的优点。

本文将文献[3]中标准抛 物方程 ( Parabolic Equation,PE) 算法改进为宽角抛物方程算法,并利用分步傅里 叶变换 ( Split-Step Fourier Transform,SSFT) 实现了基于宽角抛物方程算法的无线多径信道参数计算方法。该计算方法可用于外场试验场区多径传播特性的理论估计和通信对抗内场仿真试验系统信道模拟器信道冲击响应函数的计算。

1 算法原理

1. 1 抛物方程算法

抛物方程算法[4,5]是近年来兴起的一种新型的电磁计算方法,它是从波动方程中推导出来的一种全波分析方法,一般被用来预测给定几何关系后的单音信号源辐射场的幅度和相位。

抛物方程算法不需要极远处的边界条件,故可引进“行进解”,使抛物方程算法先在零距离处求解,然后用前一距离处的解作为初场,以小距离间隔向远处求解。这样只要确定了上部边界条件和地面边界条件,就可求出任意远处的解,这种解比需要知道一闭域上大量未知边界条件的求解容易计算。这样,对流层中的传播问题可以作为开域的边界值问题求解。这一方法可以很好地解决折射率的水平不均匀问题,所以在解决对流层波导传播问题和其他方法相比具有优越性。同时,由于抛物方程算法的下边界条件是由大气与地表分界面的形状和电磁特性决定,大气变化的影响在数值求解过程中体现,故其不仅能够处理精确描述的复杂大气结构,而且能够处理复杂的地表起伏特性和电磁特性,故被认为是目前预测对流层大尺度电波传播特性最准确的模型。

抛物方程算法由距离x和高度z的2D标量波动方程推导得到。假设空间电磁波波源具有频率为ω的简谐振荡特性,则有

将其代入根据由麦克斯韦方程组推导出的电磁波齐次矢量波动方程,可得

此即自由空间中的亥姆霍兹( Helmholtz) 矢量方程。

如果考虑到传播媒介的折射效应,则在直角坐标系下,任意标量场分量ψ( x,z) 满足以下2D亥姆霍兹标量方程:

式中,假定了ψ( x,z) 与y无关,对于水平极化波,只有Ey为非零的电场分量,此时ψ( x,z) = Ey( x,z) ;对于垂直极化波,只有Hy为非零的磁场分量,此时ψ( x,z) = Hy( x,z) ; k = ω/c为波数,n ( x,z) 为随距离( x) 和高度( z) 缓慢变化的传播媒质折射指数。

在直角坐标系中,由于求解波动方程所用的时谐函数通常为e- ikx形式,因此,可定义沿x正向传播的波函数u( x,z) 为:

将其代入式( 4) 可得:

由于对于大气为传播媒介的情况,n( x,z) 为随距离( x) 的变化更为缓慢,故可假设( n2) /x≈0,那么可将上式分解为:

这里,Q为伪微分算子,且

令式( 7) 的左边第1项为0,可得前向传播方程为:

令式( 7) 的左边第2项为0,可得后向传播方程为:

而我们所说的抛物方程即是式( 9) 表示的前向传播方程,它是x的一阶微分方程,是z的二阶微分方程,故称为抛物方程。如果对该抛物方程进行求解,则理论解为:

式( 11) 表明PE的求解是一个步进计算的过程,通过某一步进上的场分布就可以求出下一步进上的场。

但由于存在伪微分算子Q,因此上式在复杂的边界条件下无法得到解析解,必须对Q做近似处理,通过数值解法来求解。对Q做不同形式的近似就得到了不同形式的抛物方程。令

则设平面波以小仰角α在空气中传播,空气的折射指数n( x,z) ≈1( n > 1) ,则单位幅度的场分量可以表示为ψ( x,z) ≈eik( xcosα + zsinα),由式( 5) 可得:

此时有|B( u)| ≈sin2α,| A + B( u) |< 1。

利用不同的方法对伪微分算子Q进行近似,可以得到不同抛物方程算法:

1 Taylor级数近似法。将Q按Taylor级数展开,取级数的 前两项,可得到所 谓的标准PE,即SPE,

2 Feit-Fleck近似法。由Feit和Fleck提出,即

将其代入式( 9) 即可得到Feit-Fleck型PE:

由Taylor级数近似导出的SPE是一个窄角抛物方程( NAPE) ,它在传播仰角小于15°时具有很好的计算精度。SPE适合求解远距离电波传播问题,如著名的TPEM模型就是典型的基于SPE的电波传播模型; 由于Feit-Fleck所导出的PE模型在理论上可以计算仰角超过30°的传播问题,因此称为宽角抛物方程( WAPE) 。Feit-Fleck型PE是目前最常用的宽角抛物方程( WAPE) 算法,本文即采用的是该算法。

求解抛物方程目前常用的数值算法是分步傅里叶变换( SSFT) 算法[5]。该算法的基本思想就是在PE的每一步进计算过程中,分离出伪微分算子Q,然后结合边界条件,对其进行傅里叶变换运算,最后再与折射指数项相乘而求得最终解。SSFT算法对步长Δx的限制非常宽松,相对于有限差分( Finite Difference,FD) 算法,Δx可以取很大,从而可以很快完成步进计算,而且SSFT采用FFT技术,不需要进行矩阵运算,因此SSFT求解速度很快,通常是FD算法的几十倍。

文献[5]给出了WAPE的SSFT解为:

式( 16) 可通过FFT技术实现快速求解。文献[6]指出: 式( 16) 中的傅里叶逆变换项等效为半空间中无限大导电屏对电波传播的绕射效应。由此可以看出抛物方程SSFT解的意义[6]: 在每一个步进上,指数项eik( n - 2) Δx反映了传播媒质对电波的折射效应,而指数项则反映了路径上障碍物对电波的绕射效应,而所谓的分步傅里叶变换就是将折射指数项和绕射项分离,对每一步进处的绕射项进行傅里叶变换运算。

1. 2 基于抛物方程算法的多径信道参数计算方法

抛物方程模型能够对电波传播损耗进行准确预测,可满足雷达性能评估、常规通信性能评估和布站规划等方面的需求,可是它却不能直接对多径信道参数进行计算,这是因为抛物方程模型的每一次计算都是在单一频率的条件下进行的,这对于易受多径信道影响的采用跳频和宽带波形的通信现代通信系统而言,显然仅考虑某一频点( 即使是中心频点)上的传播损耗来对通信系统性能进行评估是不充分的。文献[1]给出了利用抛物方程算法进行多径信道脉冲响应函数计算的方法。

根据式( 16) 可得到角频率为ω的单频信号源在高度z和距离x处的场u( ω,x,z) 。那么从辐射源到接收机之间的通信信道的传输函数可表示为:

如果选定一定宽度的频率带宽和频率间隔,那么通过式 ( 17 ) 可以得到 一系列信 道传输函 数H( ωn,x,z) ,n为正整数。那么,对这些传输函数进行ω域上的傅里叶反变换即可得到信道的基带脉冲响应函数:

式中,N为带宽内选择的频率点的个数; Δf为频率间隔; tm= x / c + mΔt,x为传播距离,Δt为时域步进,即时域分辨率,m = 0,1,…,N - 1,mΔt为脉冲响应函数窗口宽度。

2 参数选择

在抛物方程计算中,为了提高计算有效性,利用FFT来将垂直空间Z域转换到垂直空间频率p域,其中,高度步进Δz由Nyquist准则来决定:

式中,θmax为每次算法运行时所选择的PE仰角; c为光速; f为频率。每次运行时,Δz可保持恒定以确保接收机在同一高度上。但是,固定了Δz,当f增加时θmax就需要减少。选择合适的θmax需要考虑2个因素: 1 θmax需要足够大来保证接收到的信号能够尽可能地包括每一路多径信号; 2 θmax也不能太大,以致PE算法的假设( 在x方向上变化缓慢) 得不到满足。θmax的计算需要射线描迹法[2]进行计算,另外,由于θmax和频率有关,因此,计算θmax实际上对感兴趣带宽的截至频率进行了限定,从某种意义上说,这限制了能够用这种抛物方程模型进行信道建模的带宽。

除了θmax外,在进行脉冲响应函数计算前,还需要确定所欲预测信道的带宽和频率间隔,根据傅里叶变换的特性可知,傅里叶变换两端的频域参数和时域参数是密切相关。其中,信道脉冲响应函数的时域分辨率Δt等于带宽的倒数,而信道脉冲响应函数的时间窗口mΔt则等于频率步进的倒数,即

通常,时域分辨率Δt需要选择尽量小以分辨尽可能小的多径信号到达时间差,而时间窗口mΔt则需要尽量选择长以确保每条多径信号能够在时间窗口内到达接收机,以免造成测量模糊。

例如,假设发射机高度为50 m,通信距离3 km,接收机高度分别为125 m、250 m、375 m和500 m,地面平坦且仅存在地面发射波。根据几何位置关系,可算得到达4个接收机的直射波、反射波的到达时间以及两者的到达时间如表1所示。

根据表1中的计算结果,可选择带宽128 MHz,此时时间分辨率为7. 8 ns,保证了对最小多径时间差的分辨; 频率步进可选1 MHz,此时时间窗口为1μs,可满足164 ns的最大时差范围。

3 仿真算例

3. 1平坦地面条件下的多径信道脉冲响应函数计算

假设在平坦地面上,发射机高度为50 m,发射机波束宽度为10°,接收机位于距离发射机远3 km远的某一高度上,此时利用2D WAPE模型得到的传播特性预测如图1所示。

根据表1中计算结果和参数选择,假设通信信道频带中心是200 MHz,带宽为128 MHz,即频率范围为136 ~ 264 MHz,此时时间分辨率为7. 8 ns,频率步进可选1 MHz,此时时间窗口为1μs,通过式( 21)计算可得到该信道的脉冲响应函数如2所示。

图2给出了接收机高度分别为125 m、250 m、375 m和500 m时的信道脉冲响应函数,图中横坐标的点位间距为时间分辨率( 7. 8 ns) 。从图2中可以看出,仿真结果清晰地展示了平坦地面条件下直射波和反射波的波达延时特性。通过仿真计算的波达延时特性和表1中理论结果的误差如表2所示。从表2可以看出,利用基于抛物方程的多径信道建模方法能够准确地计算平坦地面条件下的通信信道脉冲响应函数,且精度较高,其误差能够保持在时间分辨率以内。

3. 2 不规则地形条件下的多径信道脉冲响应函数计算

在上面的算例中,通过对平坦地面条件下的多径信道脉冲响应函数解算,证明了利用基于抛物方程的多径信道建模的可行性,本节将抛物方程的多径信道脉冲响应函数解算方法应用到不规则地形条件下,以验证其在复杂地形条件下的适应性。

仿真中仍然采用上面的假设条件,即发射机高度为50 m,通信距离3 km,接收机高度分 别为125 m、250 m、375 m和500 m,但地形剖面采用的是3座连绵山峰,山峰高度按照正弦函数变化,山峰高度分别为20 m、30 m和50 m。在该条件下,由于直射波和反射波的时延范围和表1计算结果相近,故仍采用频率为136 ~ 264 MHz,频率步进可选1 MHz,即时时间分辨率为7. 8 ns,时间窗口为1μs的计算设置。

图3给出了该条件下的电波传播特性预测图,从图中可以看出,由于山峰的存在,在3 km距离上的不同高度的接收机所接收到的电磁波除了直射波以外,还将有不同斜率的山体的反射波,由于山峰的高度、距离和斜率不同,显然将会有多个反射波出现。

图4给出了接收机高度分别为125 m、250 m、375 m和500 m时的信道脉冲响应函数,同样图中横坐标的点位间距为时间分辨率( 7. 8 ns) ,从图4中可以看出,当接收机高度为125 m,由于地形的抬升,使得地面直射波、反射波之间的时延减小,故此时用7. 8 ns的时间分辨率并不能将多径信号区分开来; 当接收机高度为250 m时,多径时差渐渐拉大,通过图示已经能够看出共存在4路入射波,它们之间的时差约为2×7. 8 ns = 15. 6 ns; 当接收机高度为375 m时,4路入射波的时差和幅值关系已经能够得到清晰的展现,它们之间的时差分别为4×7. 8 = 31. 8 ns、5×7. 8 = 39 ns和7×7. 8 = 54. 6 ns;当接收机高度为500 m时,由于地形的不规则反射,此时共有3路主要的入射电波到达接收机,它们之间的时延分别为6×7. 8 = 46. 8 ns和10×7. 8 = 78ns,而相对时延为14×7. 8 = 109. 2 ns的第4路入射波的强度已经非常微弱,该现象通过图4也能够看出来,而第4路入射波应该是第3座山峰的反射波。

4 结束语

针对电波传播领域中常见的多径信道脉冲响应函数预测问题进行研究,重点研究了基于抛物方程的多径信道脉冲响应函数预测算法及其实现,并利用2D抛物方程模型对不同场景下的多径信道脉冲响应函数进行了预测仿真,仿真结果表明了基于抛物方程模型的多径信道脉冲响应函数预测模型的适用性。

无线信道图像传输系统 篇6

一、前向信道的组成

CDMA前向信道 (也可称下行信道或下行链路) 是由基站发往移动台的信道。它包括了用于控制的广播信道和用于携带用户信息的业务信道。广播信道由导频信道、同步信道和寻呼信道组成的。所有这些信道都在同一个1.23MHz的CDMA载波上。移动台能够根据分配给每个信道唯一的码分来区分逻辑信道。这个码分是经过正交扩频的Walsh码。每个码分信道都要经一个Walsh函数进行正交扩频, 然后又由1.228Mchip/s速率的伪噪声系列扩频。在基站可按频分多路方式使用多个CDMA前向信道 (1.23MHz) 。CDMA前向信道可使用的码分信道最多为64个。一种典型的配置是:1个导频信道、1个同步信道、7个寻呼信道 (允许的最多值) 和55个业务信道。但前向信道的码分信道配置并不是固定的, 其中导频信道一定要有, 其余的码分信道可根据具体情况配置。

1. 信号组成。基站发送的信号宽带约为1.23MHz, 包含相互正交的64个逻辑信道。其中导频信道使用沃尔什函数0, 记作W0, 同步信道采用W32, 寻呼信道可用W1～W7, 其他沃尔什函数都用于业务信道。

2. 前向CDMA的控制信道。前向CDMA的控制信道是为了建立业务链路而服务的, 有时也可称作建立信道。它只传输信令, 不传输业务, 除非当业务信道占满后, 临时性地将控制信道改作业务信道使用。控制信道包括导频信道、同步信道和寻呼信道, 它们不仅用途不同, 而且要求不同, 信号特征也不同。

3. 前向CDMA业务信道。前向业务信道能传输我们所需要的具体信息, 例如:车流量数据、车辆检测数据、道路监控数据等。它同时支持速率1 (9.6kb/s) 和速率2 (14.4kb/s) 的声码器业务。主要内容包括:语音编码、卷积编码、符号重复、符号抽取、块交织、数据扰码、功率控制子信道、正交信道扩频和四相扩频调制。

4. 正交信道扩频。CDMA前向信道上传送的每个码分信道要用1.228 8Mc/s (Mchip/s) 固定码片率的Walsh函数进行扩频, CDMA前向信道的各码分信道分别使用相互正交的Walsh函数。用Walsh函数n进行扩频的码分信道定义为第n个码分信道 (n=0～63) 。Walsh函数每52.083s (即64/1.228 8Mc/s) 进行重复, 因为一个调制符用64个Walsh比特片进行调制, 所以它等于一个前向业务信道调制符号的时间间隔。

5. 四相扩频调制。一旦完成Walsh扩频, 数据会与基站特定的PN序列 (被称为短码) 进行四相扩频。这会给基站一个特定识别码, 并且产生QPSK输出。实际上, 所有移动台使用同样的PN序列, 但每个基站从512个可能的偏置中选择一个作为它的身份扩频码, 然后发送到移动台。

二、实验研究

使用MATLAB软件进行语音编码仿真实验。

4.仿真结果见图1。

技术在我国已普及使用, 并且该技术已比较成熟。交通系统利用无线网络传输, 实现了实时路况的监测, 事故的紧急处理等多种业务, 也对传输系统的下行信道即前向传输信道提出了更高的要求。

无线信道图像传输系统 篇7

认知无线电系统能检测到主用户的空闲频段并利用该空闲频段进行通信, 从而能提高频谱资源的利用率[1]。由于主用户拥有对该频谱资源的优先使用权, 因此, 认知无线电系统的目标是在满足对主用户保护的前提下, 尽可能的提高认知用户的吞吐量, 从而尽可能的提高频谱资源的利用率。

频谱检测是认知无线电系统的关键技术。频谱检测越准确, 认知用户就能更好的检测到出空闲频段, 从而提高频谱利用率。提高频谱检测准确性可以通过增加频谱检测时间实现, 但增加频谱检测时间会减少认知用户用于数据传输的时间。因此, 在周期性的频谱检测中, 检测时长和传输时长的折中越来越受到关注。

文献[2-4]研究了单信道下的检测时长和传输时长的折中问题。文献[2]首先研究了认知无线电系统中检测时长和传输时长折中的问题, 研究结果表明可以求得一个最佳的检测时间使得认知用户的吞吐量最大。文献[3]研究了时变信道下的频谱检测与数据传输方案设计, 认知用户根据信道状态的变化制定相应的检测策略, 在满足对主用户保护的条件下最大化用户的吞吐量。文献[4]研究了协作式频谱检测时长与传输时长折中的问题, 在满足一定的检测概率的条件下求解最优的检测时长。

文献[5-7]研究了在多信道下的检测-传输方案的优化问题。文献[5]研究了在多个可用信道情况下怎样选择最合适的信道并得到最优检测时长, 从而最大化认知用户吞吐量。文献[6]利用了信道的信道状态信息 (Channel State Information, CSI) 来选择检测信道以及最优检测时长。文献[7]中, 认知用户能在一个时隙内检测多个信道, 直到获得空闲信道, 然后停止检测, 开始数据传输。

以上的研究并没有考虑到认知用户可以利用多个空闲的信道同时通信, 以提高认知用户的吞吐量。认知用户可以采用信道聚合的方式同时在多个空闲信道上通信[8,9]。为此, 本文研究了在多个可用信道存在的条件下, 怎样设计最优的检测-传输方案, 以最大化认知用户的吞吐量。本文分别设计了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计。在CSI不可获取时, 认知用户需要在每一时隙开始时, 就决定检测信道以及相应的检测时长。而在CSI可获取情况下, 在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI来调整接下来的检测-传输策略。

1 系统模型

考虑一个认知用户有M个可用信道[1, ⋯, i, ⋯, M], 认知用户的时隙结构如图1所示。

认知用户时隙长为Tf, 在每时隙开始时, 认知用户可以从M个信道中, 选择N个信道进行频谱检测, 检测时长分别为[T1, ⋯, Ti, ⋯, TN], 且各信道带宽均为W。同时由于用户环境以及硬件条件的限制, 设定认知用户在每一时隙的检测信道数N≤Nmax, Nmax为一常数。在每一时隙, 信道i (1≤i≤M) 空闲 (即没被主用户占用) 的概率为θi, 且各时隙之间以及各信道之间也是相互独立的, 为不失一般性, M个可用信道的空闲概率满足θ1≥θ2≥⋯≥θM。与文献[7]类似, 设定信道的信噪比 (Signal-to-Noise Ratio, SNR) γ在各信道以及各时隙独立同分布, 且概率密度函数 (Probability Density Function, PDF) 为h (γ) 。在每一时隙, 各信道的γ是固定的, 然后在下一时隙的开始会根据h (γ) 变化。本文中, 信道建模为瑞利衰落信道, 则:

式中Γ为常数。

在频谱检测完成后, 认知用户会对多个可用的空闲信道进行信道聚合 (Channel Aggregation, CA) , 从而在多个可用信道上进行数据传输。认知用户的吞吐量为多个空闲信道的吞吐量之和。值得注意的是, 由于对多个空闲信道进行了信道聚合, 因此在任何一个信道上的频谱检测中发生漏检, 都会造成数据传输的冲突, 从而认知用户在该时隙的吞吐量为0。

认知用户的优化目标为怎样选择检测信道以及设定各信道的检测时长, 从而最大化认知用户的吞吐量。

2 检测-传输方案设计

基于上一节的系统模型和优化目标, 本节对最优的检测-传输方案进行建模和求解。在认知无线电的频谱检测算法中, 能量检测算法不需要主用户信号的先验信息, 且该算法复杂度低, 简单易行, 在认知无线电的频谱检测中被广泛使用。因此本文的检测-传输方案研究也同样基于能量检测。能量检测算法的虚警概率Pf可以表示为:

式中:Q (⋅) 是高斯Q函数;fs是能量检测算法的采样频率;γp是认知用户所接收到的主用户信号的SNR, Pd是检测概率;Ts是检测时长。为了保护主用户系统, 能量检测算法的检测概率必须满足, 其中为系统设定的检测概率门限。因此, 本文中检测概率设定为

本节首先研究在CSI不能获取的情况下, 怎样设计最优的检测-传输策略。然后, 在CSI可获取的情况下, 设计自适应的检测-传输方案, 以提高认知用户的吞吐量。

2.1 固定检测时长方案

在第一种检测-传输方案设计中, 假定各信道的检测时间相同, 即T1=T2=⋯=TN=Ts。在每一时隙开始时, 认知用户需要决定选择哪些主用户信道进行检测。对于认知用户而言, γ在各信道以及各时隙独立同分布, 因此如果检测信道个数为N, 则最优的检测信道集合为选择空闲概率最大的N个信道:[1, ⋯, i, ⋯, N], 1≤N≤Nmax。在频谱检测完成之后, 认知用户会同时使用多个空闲的信道进行通信。认知用户的吞吐量为多个空闲信道的吞吐量之和。此外, 由于在任一信道的频谱检测中发生漏检错误都会造成数据传输的冲突, 因此, 可以得到认知用户在信道i上获得的吞吐量期望值为:

式中是在其余检测信道上不会出现漏检的概率。

在检测信道数为N的情况下, 最大化吞吐量的检测-传输方案可建模为:

求解上式, 可以得到在检测信道数为N的情况下的最优检测时长T (N) s, 以及相应的最大吞吐量R (N) max。由于N可以在1到Nmax中选择, 则可以求出不同检测信道数对应的最大吞吐量, 以及相应的最优检测时长。最后可以求得最优的检测信道数为:

相应的最优检测时长和检测概率。这样就求得了固定检测时长下的最优检测-传输方案, 其可获得的最优吞吐量记为

2.2 可变检测时长方案

上一小节考虑了各信道检测时长相同情况下的最优方案设计, 在该条件下, 各信道上的虚警概率Pf是相同的。而实际上, 由于在每一时隙中, 各信道的空闲概率是不同的, 因此, 相同的虚警概率会对造成不同的吞吐量损失, 空闲概率θi越大, 则损失的传输机会就越多, 因此, 适当的调整检测时长的分配, 增大在空闲概率高的信道i上的检测时长Ti, 可以减小该信道上的虚警概率Pf (i) , 从而提高认知用户的吞吐量。

与上一小节类似, 在检测信道数为N时, 最优的检测信道集合为选择空闲概率最大的N个信道[1, ⋯, i, ⋯, N], 其中1≤N≤Nmax。定义各信道的检测时长向量为Ts (N) =[T1, ⋯, Ti, ⋯, TN], 与式 (3) 相似, 可得到认知用户在信道i上获得的吞吐量期望值为:

从而在检测信道数为N的情况下, 可变检测时长下的检测-传输方案可建模为:

通过求解上式, 可以得到最优的Ts (N) *=[T1*, ⋯, Ti*, ⋯, TN*], 最优检测概率Pd (N) *, 以及相应的最大吞吐量Rmax (N) 。可变检测时长下的最优检测-传输方案其吞吐量会优于固定检测时长条件下所获得的吞吐量, 只有当θ1=⋯=θi=⋯=θN时, 即各信道空闲概率相同时, 可变检测时长下的最优检测-传输方案中, 会得到T1*=⋯=Ti*=⋯=TN*, 从而等同于固定检测时长下的最优检测-传输方案。

与求解固定时长最优检测方案类似, 通过式 (5) , 可求得最优的检测信道数, 并求得相应的最优检测时长向量和最优检测概率。这样便获得了可变检测时长下的最优检测-传输方案, 并可计算出对应的最优吞吐量

2.3 自适应检测-传输方案

之前的两种检测-传输方案都是在每一时隙开始前就已经确定了所要检测的信道以及相应的检测时长。而实际上, 由于检测结果以及信道状态的不确定, 这种方式并不能达到最优。如果在每一个信道检测完成之后, 可以获取该信道的CSI, 也就获取了当前时隙该信道的SNR, 则可以在多信道频谱检测的过程中, 根据已有的检测结果以及空闲信道的CSI来调整接下来的检测-传输策略, 这便是自适应检测-传输方案。在自适应检测-传输方案下, 在每次频谱检测之后, 如果该信道空闲, 认知用户会在检测完成之后立即通过信道反馈获得CSI。

自适应检测-传输方案主要步骤如下:

下面将详细推导和讲述整个方案的执行过程。在每一时隙开始时, 认知用户首先选择空闲概率最大的信道进行检测, 与可变检测时长的检测-传输方案类似, 认知用户先获得在检测信道数为N时的最优检测-传输方案:

然后可以求得最优检测信道数为:

从而得到相应的最优检测时长, T1*即是第一次频谱检测的检测时长。认知用户随即在信道1上用T1*时长进行频谱检测, 若检测结果为空闲, 则可通过反馈获得第一个信道的γ1。与之前的检测-传输方案不同, 在每一次检测之后, 认知用户需要根据已有的检测信息和信道信息, 去调整检测-传输方案。假定在第i次检测之后 (1≤i≤Nmax) , 认知用户在各信道所耗费的检测时长为, 获得检测结果。sj=1表示信道i空闲, 否则sj=0。同时, 如果sj=1, 则认知用户也会获得相应的信道状态γj。认知用户需要在第i次检测之后判断是否需要继续在第i+1个信道上进行检测, 以及相应的最优检测时长。当然, 如果i=Nmax, 则检测终止, 开始数据传输。

首先计算在检测信道数N=i时的吞吐量, 也就是用户不再继续检测而直接开始数据传输所得获得的吞吐量。在N=i时, 在检测结果为空闲的信道上成功进行数据传输的概率为:

其中Pf, k是在信道k上频谱检测的虚警概率, 可由式 (2) 得到。这里可以计算出吞吐量为:

如果认知用户继续选择信道进行检测, 则, 这种情况下成功进行数据传输的概率为:

定义, 则相应的最优检测-传输方案可建模为:

很显然, 在自适应检测-传输方案的设计中, 不断利用获取的检测信息以及CSI来调整检测-传输方案, 从而能获得更好的性能。

3 仿真结果与分析

对提出的三种认知用户检测-传输方案进行仿真, 并进行性能分析。仿真参数如下:Tf=0.005s, 信道数M=9且空闲概率为[0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1], 各信道带宽为W=50k Hz。瑞利衰落信道模型h (γ) 中参数Γ=10, 检测概率门限Pˉd=0.9, 能量检测的采样频率fs=500k Hz。

图2比较了在不同的最大信道检测数Nmax下, 三种检测-传输方案的性能, 主用户信道强度设定为γp=-20d B。可以看到, 可变检测时长方案要优于固定检测时长方案, 这和之前的理论分析是吻合的, 这是因为在可变检测时长方案中, 空闲概率高的信道能够获得比空闲概率低的信道更长的检测时间, 从而减小了传输机会的损失, 提高了认知用户的吞吐量。另一方面, 自适应检测-传输方案的性能始终是最好的, 此外, 随着Nmax的增大, 自适应检测-传输方案的性能提升更为明显, 这是因为随着已检测信道的增加, 认知用户获得的检测结果和信道状态等先验信息增多, 从而认知用户能更好的调整检测-传输策略, 从而更好的提升认知用户性能。

图3比较了在不同的主用户信号SNRγp下, 三种检测-传输方案的性能, 最大检测信道数设为Nmax=4。相比于主用户SNR较高的时候, 在主用户SNR较低的时候, 可变检测时长方案相比于固定检测时长方案有更为明显的性能提升。这是因为在主用户SNR较低时, 虚警概率Pf所带来的性能损失会更多, 而可变检测时长方案能在降低空闲概率高的信道上的虚警概率和增大空闲概率低的信道上的虚警概率上做到很好的折中, 从而提高认知用户的吞吐量。而不管主用户信号的γp怎样变化, 自适应检测-传输方案均能明显的提升认知用户的吞吐量。

4 结语

在多个空闲信道上, 认知用户可以采用信道聚合的方式同时进行通信。从最大化认知用户吞吐量的角度出发, 本文分别研究了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计, 并综合分析了各信道频谱检测的虚警, 漏检以及检测时长对认知用户吞吐量的影响。在CSI不可获取时, 本文分别在固定检测时长和可变检测时长两种情况下设计了相应的检测-传输方案。而在CSI可获取情况下, 提出了自适应检测-传输方案, 该方案在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI信息来不断调整检测-传输策略。仿真结果显示, 该自适应检测-传输方案能有效的提高认知用户的吞吐量。

参考文献

[1]MITOLA J.Cognitive radios:making software radios more per-sonal[J].IEEE Personal Communications, 1999, 6(4) :13-18.

[2]LIANG Y C, ZENG Y, PEH E C Y, et al.Sensing-throughput tradeoff for cognitive radio networks[J].IEEE Transaction on Wireless Communications, 2008, 7(4) :1326-1337.

[3]HE H, LI G Y, LI S.Adaptive spectrum sensing for time-vary-ing channel in cognitive radios[J].IEEE Wireless Communica-tions Letters, 2013, 2(1) :1-4.

[4]PEH E C Y, LIANG Y C, GUAN Y L.Optimization of cooper-ative sensing in cognitive radio networks:a sensing-throughput tradeoff view[J].IEEE Transactions on Vehicular Technology, 2009, 58(9) :5294-5299.

[5]ZHOU X, LI Y, KWON Y H, et al.Detection timing and channel selection for periodic spectrum sensing in cognitive radio[C]//Proceedings of IEEE Global Telecommunications Conference.New Orleans, LO, USA:IEEE, 2008:302-306.

[6]HOANG A T, LIANG Y C, ZENG Y H.Adaptive joint sched-uling of spectrum sensing and data transmission in cognitive ra-dio networks[J].IEEE Transactions on Communications, 2010, 58(1) :235-246.

[7]JIANG H, LAI L F, FAN R F, et al.Optimal selection of channel sensing order in Cognitive Radio[J].IEEE Transac-tions on Wireless Communications, 2009, 8(1) :297-307.

[8]SU H, ZHANG X.The cognitive radio based multi-channel MAC protocols for wireless ad hoc networks[C]//Proceedings of IEEE Global Telecommunications Conference.Washington, DC, USA:IEEE, 2007:4857-4861.