自适应调制编码论文

2024-09-22

自适应调制编码论文（精选7篇）

自适应调制编码论文篇1

0 引言

LTE(长期演进)系统在物理层引入了OFDM(正交频分复用)、MIMO(多输入多输出)等接入技术,其目标是提供更高的传输速率、改善小区边缘系统性能和降低系统延时等。LTE系统不仅要支持语音、图像和数据等基本业务,还要求支持多媒体和更高比特率分组数据业务。为了提高数据传输的可靠性和系统的频谱利用率,LTE系统采用了AMC(自适应调制编码)和HARQ(混合自动请求重传)这两项关键技术[1,2,3]。

然而,现有的LTE系统中,数据链路层的ARQ(自动请求重传)协议和物理层的AMC技术都是只考虑各自本层因素设计的,虽然能使各层性能达到最优,但系统整体性能却没有最优化。文献[4]提出了联合物理层的AMC技术和链路层的ARQ协议,可进一步提高物理层的频谱效率,但是其只是讨论了简单ARQ的情况,并未考虑业务延时的要求。文献[5]阐述了SDU(服务数据单元)延时是衡量系统性能的一项重要指标。本文在现有LTE网络架构基础上,提出一种结合物理层的AMC技术和MAC(介质访问控制)层的HARQ协议的跨层设计方案,分析讨论了跨层耦合参数对系统性能的影响,给出了跨层优化算法并且介绍了仿真验证结果。

1 系统框图

考虑基站与用户之间上行的单天线收发系统模型,该模型支持延时敏感、差错容忍并具有QoS(服务质量)保障的业务。LTE系统中UM(非确认模式)下的跨层设计如图1所示。在PHY(物理)层,AMC模块主要提供多种MCS(调制编码模式)可供选择;首先,接收端eNode B(基站)估计出CSI(信道状态信息),并通过理想的反馈信道将CSI反馈给用户,用户根据接收到的CSI,一方面在跨层设计模块中选择下次传输的MCS和MAC的最大重传次数Nm,另一方面RLC(无线链路控制)层根据CSI对来自上层的数据包进行适当的分割或重组。在MAC层采用同步并行停等HARQ协议进行重传,在一个HARQ进程中,两次数据传输(包括重传)之间的时延间隔为8个TTI(传输时间间隔);当接收端检测到错误的SDU块时,立即通过反馈信道发送重传请求。

LTE信道可借助块衰落信道模型,即在一个TTI内,信道状态不发生变化,只对应一种MCS。可采用通用的Nakagami-m信道模型,该信道模型的信道质量可用接收的SNR(信噪比)γ来描述,其概率密度函数为[4]

undefined

式中,undefined表示接收的SNR的平均值;Γ(m)=∫∞0tm-1e-tdt是伽马函数;m(m≥1/2)为Nakagami信道的衰落参数。

2 性能分析

2.1 AMC设计

考虑LTE系统UM,结合HARQ协议的AMC设计的关键是在满足RLC误包率P0的需求条件下,寻求最佳的MCS的阈值门限集{γn}undefined,使得系统总的平均吞吐量最大化,或者系统的平均频谱利用率最大化,其中,n=0,1,2,…N,N表示物理层采用的MCS总数。

假设RLC层的一个SDU包经过分包机制分割成为K个SDU块,则该SDU包被正确接收的条件是其分割成的K个SDU块均被成功接收。所以,每个SDU块能容忍的最大误块率Ploss必须满足

undefined

则在物理层上需要满足的关系为

undefined

式中,Nm表示系统允许的最大重传次数;BERn,i表示MCS为n时,HARQ协议第i次重传时的误块率(i=0表示初次传输)。BERn,i的表达式如下[6] :

undefined

式中,an,i和gn,i均为拟合参数,其具体值参见文献[6]中的表5.3。于是可得MCS的阈值为

undefined

式中,undefined。

2.2 平均误包率和平均频谱效率分析

结合式(1)和式(5),易求出选择MCS为n的概率pr(n)以及选择模式n条件下系统的平均误块率undefined。所以,系统的平均误块率undefined可定义为平均接收到的错误的总块数与平均接收到的总块数的比值[4]:

undefined

式中,Rn表示MCS为n时每个符号携带的比特数。

由于一个SDU包传输成功的条件是其所有SDU块均被成功接收,则SDU的平均误包率为

undefined

式中,K表示SDU的分块数。

假设系统允许的最大重传次数为Nm,令undefined,则每个块的平均重传次数为

undefined

从式(8)可看出,当Nm=0时,undefined,此时对应物理层只采用AMC的情况。采用HARQ时,每个块相当于传输了undefinedm次,所以,系统的平均频谱效率为

undefined

式中,Rn=RclogM,表示每个符号携带的比特数,Rc表示码率,M为MCS的调制级数。

2.3 RLC层SDU包延时分析

SDU包的延时定义为SDU包到达发送端的RLC层至其K个SDU块在接收端成功提交时持续的时间。对于同步并行多通道HARQ,在一个HARQ进程中,一次传输发出后,需要等待长度为RTT(往返时间)的时间才能决定下一次是传输新数据还是进行旧数据的重传。理想情况下,FDD(频分双工)模式中RTT为8 ms,主要由HARQ通道数和PDU(协议数据单元)的TTI决定。假设一个SDU包在RLC层分块时依次连续编号为i,i = 0, 1,…,K-1;其中i=0表示SDU的第1个块;这K个分块连续映射到MAC层PDUs,分块编号小的PDU优先发送,且所有PDUs均能在一个RTT内传输。考虑RLC层的按序递交过程,一个优先发送的块可能经历更多的重传次数才能正确到达接收端,那么,后发送却先到达的块必须有一个等待过程,直到SDU的所有分块均正确接收才提交;如果属于某个SDU的SDU块经历了最大重传次数后仍然没有被正确接收,则该SDU将直接被丢弃。所以,SDU的延时取决于其K个SDU块在传输过程中经历最多传输次数(包括初次传输和重传)的块所引起的延时。每个SDU块在传输过程中所经历的传输次数可能不同,ti表示SDU被成功接收时,其第i个SDU块所经历的传输次数,ti∈[1,Nm+1];Nmax为ti中的最大值,可表示为

undefined

式(6)已经给出了系统的平均误块率undefined,令undefined,可求出一个SDU块传输m次成功的概率为

undefined

因此,

undefined

其中,M可能的取值为1, 2,…,Nm+1。

易得,K个SDU块中重传次数的最大值为M的概率为

undefined

所以,SDU被成功接收时,其所有SDU块的传输次数的最大值的平均为

undefined

式中,E(·)表示期望。TRTT表示RTT的大小,得到SDU成功传输时的延时为

undefined

式(15)求出的只是在SDU传输成功时的延时,要获得系统SDU传输总的延时,还必须考虑SDU传输失败时所消耗的时间。式(7)已经给出了SDU包的误包率,由于SDU传输失败时其所有SDU块中至少有一个块经历最大重传次数,所以其所有块中传输次数的最大值为系统允许的最大重传次数Nm。结合式(7)可得,SDU传输失败时的平均延时为

undefined

所以,只考虑重传机制导致的延时情况,系统SDU包的平均包延时为

undefined

2.4 优化算法

在2.1节AMC的设计中我们发现,物理层的AMC的阈值门限γn主要取决于物理层的目标误码率ptar和系统允许的最大重传次数Nm。在2.2和2.3节系统性能分析中我们知道,平均误包率、平均频谱效率和平均SDU包延时这三者均是阈值门限γn和最大重传次数Nm的函数。所以,在给定系统的误包率P0和包延时D的需求下,本文优化算法要解决的问题是在系统平均延时和平均误包率受限的情况下通过最优化设计MCS阈值门限γn和最大重传次数Nm来最大化系统的平均频谱效率undefinedphy。具体优化问题可建模如下:

undefined

式(19)和式(20)分别表示误包率和延时的约束条件。由于实际中最大重传次数Nm为有限的整数,故上述优化问题可通过搜索查找的算法来求解。

3 仿真及分析

取FDD模式下TRTT=8 ms;采用文献[6]给出的AMC参数表5.3;假设一个SDU的分包数K=3,在m=1为瑞利信道时,仿真结果如图2和图3所示。

图2给出了不同最大重传次数Nm下,系统的平均频谱效率和信道SNR的关系曲线。可以看出,只采用AMC技术(对应Nm=0的曲线)时,系统的平均频谱效率最低;当最大重传次数在整个信噪比区间预先固定时,系统的平均频谱效率均不能达到整体最优,只有当系统的最大重传次数随着信道环境变化而动态调整时,系统的平均频谱效率才可达最优化。原因在于信道环境比较差时,我们可以设置较大的Nm值,以降低误包率;在信道环境比较好时,我们只需设定相对较小的Nm值,就能满足上层的QoS需求,此时,若设定更大的Nm值,反而会使系统的性能下降。图3给出了不同最大重传次数Nm下,系统的平均包延时和SNR的关系曲线。当MAC层无重传,即Nm=0时,表示每个数据块无论传输成功与否,在物理层只传输一次,所以延时为一个理想的往返时间间隔TRTT=8 ms;随着Nm的增加,系统的延时也增大,这是因为平均重传次数会随着Nm的增加而增大,从而导致延时增大。结合图2与图3可以看出,在满足系统平均误包率和平均包延时需求的条件下,可以选择最佳的Nm值和AMC MCS来使得系统的平均频谱效率最大。

4 结束语

本文在LTE框架基础上提出了结合物理层的AMC方式和MAC层的HARQ协议的跨层优化设计方案。重点分析推导了综合考虑AMC方式和HARQ协议时,系统的平均误包率、平均包延时和平均频谱效率三者与跨层耦合参数之间的关系。仿真结果表明,结合物理层的AMC技术和MAC层的HARQ协议的跨层设计可进一步提高系统的平均频谱效率;而且系统的最大重传次数随着信道环境而动态调整时,系统总的平均频谱效率优于最大重传次数预先固定的系统。

摘要：通常链路自适应技术均是基于分层的思想来设计的,往往使得局部性能最优化,但系统的整体性能却未达到最优。文章在LTE(长期演进)网络架构基础上,针对物理层的AMC(自适应调制编码)和MAC(介质访问控制)层的HARQ(混合自动请求重传)两种自适应技术提出一种跨层设计方案。分析了跨层耦合参数与系统性能之间的关系,并给出了详细的推导过程和具体的表达式。然后给出了平均时延和平均误包率约束条件下的跨层优化问题。仿真结果表明,该跨层设计能进一步提高系统的平均频谱效率;在给定业务QoS(服务质量)需求下,可以根据信道质量来选择最佳的最大重传次数和AMC方式,使得系统的平均频谱效率最大化。

关键词：跨层设计,自适应调制编码,混合自动请求重传,频谱效率

参考文献

[1]3GPP TS 36.321V10.3.0-2010,Medium Access Con-trol(MAC)protocol specification[S].

[2]3GPP TS 36.322V10.0.0-2010,Radio Link Control(RLC)protocol specification[S].

[3]3GPP TS 36.211V8.8.0-2009,Physical channels andmodulation[S].

[4]Liu Q,Zhou S,Giannakis G B.Cross-layer combiningof adaptive modulation and coding with truncated ARQover wireless links[J].IEEE Transactions on Wire-less Communications,2004,3(5):1746-1755.

[5]Luo Wei,Balachandran K,Nanda S,et al.Delay a-nalysis of selective-repeat ARQ with applications tolink adaptive in wireless packet data system[J].IEEETransactions on Wireless Communications,2005,4(3):1017-1029.

[6]张海霞,袁东风,马艳波.无线通信跨层设计—从原理到应用[M].北京:人民邮电出版社,2010.126-139.

自适应调制编码论文篇2

通信信号调制方式的识别是软件无线电一个重要的方面, 已经广泛应用于电子对抗、情报截获等军事通信以及通信监视、频谱管理等民用通信方面。调制识别的基本方法, 文献将其分为两类:统计模式识别方法和似然比检验方法。统计模式识别方法是通过提取能反映信号调制类型的统计特征来进行模式识别, 常用的分类特征包括:信号的瞬时幅度、频率及相位信息, 高阶矩及高阶累积量, 功率谱及高阶谱特征等。在实际工程中, 要选择一个分类意义上的好的特征很困难。在大多情况下, 特征的选择依赖于系统设计者的直觉。同时, 要严格证明这些算法在统计意义上的最优也很困难。

最大似然理论是解决调制识别问题的另一个经典方法, 它在加性高斯白噪声环境下, 将调制识别问题转化为复合假设检验问题。由检测理论可知, 给定观测数据和备择的调制类型集合, 在贝叶斯最小误判概率准则下, 最优的调制识别分类器是通过最大化后验概率来实现的。当备择的各个调制类型先验等概率时, 最优分类器简化为最大似然分类器, 通过对信号的似然函数进行处理, 从备择假设中选择具有最大似然概率者为真。在电子战等非协作通信环境中, 由于数字通信的信息内容未知, 以及存在信号参数的估计误差, 构造的信号似然函数中一般含有未知参数, 此时, 最大似然统计假设检验通常采用平均似然比检测 (ALRT) 方法, 但是在计算过程中无法避免的多重积分问题使得该类算法的应用受限。

为保持ALRT算法的优越性, 同时解决上述多重积分计算复杂甚至大多情况下不存在解析解的问题, 文献采用Metropolis-Hastings (MH) 算法对ALRT中的多重积分进行数值估计。MH算法是一种基于数值计算的马尔可夫链蒙特卡罗 (MCMC) 方法, 在统计估计计算中越来越受到关注, 但是该方法中的建议分布函数的选取具有任意性, 如何选择最优的建议分布函数至今仍是难题。本文引入一种自适应的MCMC方法——Adaptive Metropolis (AM) 方法, 其建议分布函数在迭代过程中自适应的更新, 由此避免了建议分布函数的选取问题, 并且可以得到比MH算法更优的估计效果。

1 似然比方法

假设接收信号的复基带形式如下

其中备择调制类型有K种, {an (k) }为选自第k个调制星座A (k) ={a (k, 1) , (42) , }, k (28) 1, (42) , K的码元序列, Mk为该星座中的星座点个数, 并且不是一般性设。假设未知的频偏和相偏参数在码元观测时间内保持不变, 分别记为和f0。N为观测码元序列长度, {Vn}是方差为σ2的高斯白噪声序列。

基于似然函数的调制识别问题旨在通过对长度为N的被噪声污染的接收码元序列进行观测, 从K种可能的调制样式中选择出正确的调制类型, 它可被视为一个多元假设检验问题:

其中r (28) [r1, (42) , rN]T, 在噪声建模为高斯分布的假设下, 第k种假设的条件似然函数可表示为:

其中为由未知频偏和相偏组成的未知参数向量。平均似然比检测 (ALRT) 将未知参数看成概率密度函数 (PDF) 已知或者可以假设的随机变量, 似然函数是在对未知参数取平均意义上的结果, 可表示为:

其中为Hk假设下未知参数向量u的先验概率密度函数。当所有调制样式先验等概时, ALRT理论可通过选取具有最大似然概率的备择假设提供最佳识别效果。然而上式中的多重积分往往不存在闭式解, 另外, 多重积分的计算量随着向量u维数的增多而呈指数增长, 这些因素使得ALRT算法的应用受到极大限制。式 (3) 的求解问题是似然分类的关键问题, 本文采用基于数值计算的马尔科夫链蒙特卡罗 (MCMC) 方法使之得以有效实现。

2 基于AM算法的调制识别原理

近年来, 起源于统计物理学的MCMC方法引起了信号处理领域的极大关注, 其核心思想是产生一个以目标概率密度函数为稳定分布的各态历经的马尔科夫链, 并以该链达到稳态时的样本作为目标分布的样本。

根据贝叶斯理论, 很容易得到:

由重要采样理论, 式 (3) 的估计可以由下式得到:

其中ui是对目标分布函数 (uHk, r) 取样得到, Ns为用于式 (3) 的近似估计的取样点的个数。由于未知参数向量u的先验概率不依赖于假设Hk, 因此概率函数可简化为: (uiHk) (28)  (u i) 。取样点的遍历性保证了在取样个数Ns的情况下, 式 (5) 的数值无限接近于p (rHk) 。因此产生服从目标分布 (uHk, r) 的取样点是MCMC分类器的关键。

Metropolis-Hastings (M-H) 算法可产生服从目标分布的马尔科夫序列u0, u1, u2, (42) 。假设当前状态ui (28) u, 下一状态通过从建议分布函数q (|u) 中抽取待选采样点w产生。然而建议分布函数的选取以及调整方向很难确定, 为避免这一难题, 本文采用自适应Metropolis (AM) 算法。

AM算法是Haario在2001年提出的一种改进MCMC抽样算法。与传统M-H算法相比, AM算法不需要预先确定参数的建议分布函数, 而是根据目前已得到的所有取样点信息对建议分布函数进行自适应更新。

假设已抽取采样点u0, u 1, (42) ui, 下一个待选采样点w由建议分布函数qi (|u0, u 1, (42) ui) 中抽取产生, 并且w的接受概率为:

也就是说, 下一个取样点以概率a (u i, w) 被设置为ui (10) 1 (28) w, 以概率1-a (u i, w) 保持前一取样点的值不变, 即ui (10) 1 (28) ui。AM算法中的建议分布函数就是均值为为前i个取样点的均值向量) , 协方差矩阵为Ci (28) Ci (u 0, u 1, (42) ui) 的高斯分布函数。根据大数定义理论, 多个概率密度分布未知的参数的联合概率密度定义为高斯分布是较为合理的。选择合适的过渡迭代次数N0 (29) 0, 则协方差矩阵定义为:

其中参数sd仅取决于未知参数向量ui的维数d,  (29) 0是一个非常小的数, 它的存在是为了保证iC在迭代过程中的非奇异性。Id为d维单位阵。为减少计算协方差矩阵过程中的计算开销, 可以方便的计算iC的值, 有下面的递归表达式:

其中。文献证明了经过很短的过渡迭代后, 由AM算法得到的马尔科夫序列能很好的收敛于目标分布, 并且AM算法中的自适应动态更新的高斯建议分布函数比传统M-H算法中预先指定的固定不变的建议分布函数更能得到满意的效果。

AM算法的计算流程如下:

Step 0. (初始化) 任意选取初始状态u0及初始协方差矩阵C0, 设置i=0。

Step 1.采用下列步骤生成ui+1。

(1) 根据式 (8) 计算Ci。

(2) 产生服从正态分布的待选取样点

(3) 产生服从均匀分布的随机数, 根据式 (6) 计算待选取样点w的接受概率。若v≤ (u i, w) , 则接受ui (10) 1=w, 否则ui+1=ui。

Step 2.重复Step 1直到产生足够多的取样值可以满足计算式 (5) 的要求。

Step 3.对于每一种可能的调制样式假设Hk, k=1, (42) , K重复step 0~2。比较每一种假设下的似然函数值, 判定使似然函数达到最大者为真。

3 仿真结果

为验证AM分类器的性能, 这里做了如下仿真试验。仿真中假设备择调制样式包括8PSK, 16QAM, 4PAM和BPSK, 且各种调制样式先验等概。信号经过匹配滤波、载波恢复及码元同步等处理后, 其基带复包络采样序列形式如式 (1) 所示, 并且信号功率经过归一化处理, 即Es (28) 1。假设频偏和相偏统计独立且各自服从定义域内的均匀分布

于是式 (5) 中的先验概率分布函数p (u|Hk) 可表示为:

AM采样器中参数设置如下:

(1) 参数

(2) 过渡迭代次数:Nb=400;

(3) 稳态后用于计算式 (5) 中遍历均值的取样长度:

(4) 马尔可夫链的初始状态:

3.1 仿真1算法的收敛性仿真

取样点收敛于平稳分布的速度以及收敛程度是MCMC算法的重要考虑因素。该仿真对AM算法的收敛性进行了验证, 假设接收序列为BPSK信号, 信噪比为5d B。码元观测长度为N=100, 频偏和相偏参数分别设置为f0=0.2 N, θ0=p12。利用AM算法迭代产生的θ0和f0的马尔可夫采样序列如图1所示。由于初始状态的任意性, 马尔可夫链需要经过一定次数的迭代后才能达到稳定, 因此初始阶段取样值与参数真实值相差较大。随着迭代过程的演进, 采样点逐渐逼近参数真实值, 大约400次迭代后, 采样值几乎与真实值相同。相比于文献中的M-H算法, 本文算法收敛速度稍慢, 这是由于文献算法将未知参数进行分块处理, 每次迭代过程分别针对θ0和f0进行更新, 而本文算法将未知参数作为整体向量更新, 在迭代过程中θ0和f0的收敛相互受到制约, 因此影响了该算法的收敛速度, 然而相比于M-H算法, 该算法对参数估计的准确程度较高。

(θ0和f0的真实值分别为θ0 (28) 0.2617, f0=2×10-3)

3.2 仿真2算法分类性能比较

这里将本文算法与另外两种算法进行比较:文献中的M-H算法和最常见的基于4阶累积量的HOS算法。

图2给出了在SNR=5d B, N=100条件下, 载波频偏分别对三种算法分类性能的影响, 其中f0的变化范围为0~0.5 N。可以看出存在载波偏移的情况下, 本文所提出的AM分类器性能明显优于M-H分类器和HOS分类器。这是由于在经过短暂的过渡迭代后, 频偏和相偏都非常接近于其真实值, 如图1所示, 因此算法对频偏和相偏具有鲁棒性。HOS分类器的正确识别概率随载波频偏的增大急剧下降, 其性能受频偏的影响最大, 而AM算法对频偏的鲁棒性最强。

由于HOS算法在提出时并未考虑频偏和相偏问题, 它仅仅适用于零频偏和零相偏的较理想情况, 于是这里假设在进行HOS计算之前的预处理阶段已经通过某些算法实现了频率和相位的精确估计。为验证本文所提出的AM算法的优越性, 这里将频偏和相偏分别为θ0=p12, f0=0.2 N的AM算法和M-H算法与零频偏、零相偏的HOS算法进行比较。图3为各算法分别对8PSK/16QAM/4PAM/BPSK四种信号进行1000次调制识别试验的平均正确识别概率 (PCC) 随信噪比 (SNR) 变化曲线。试验中信噪比的变化范围是0d B到10d B, 变化步长为1d B, 码元个数N=100。仿真结果表明即使在不存在频偏与相偏的情况下, HOS分类器的识别效果在三种分类器中表现最差, 相比M-H算法, AM算法的正确识别概率有所提高, 在SNR为5d B时, 正确识别概率大于95%, 验证了算法的有效性。

3.3 仿真3运算量比较

本文提出的AM算法与传统M-H算法的运算量分析如下。由于两种算法在每一次迭代中均需生成正态分布及均匀分布的随机数, 此过程可由多种实现方法, 例如可以采用逼近法、反函数法、舍选法等生成正态分布随机数。不同随机数生成算法将导致不同的运算量, 因此这里只能对AM与M-H算法的运算量做定性分析。由于M-H算法将未知参数分块化处理, 在本例中0和f0两个参数在每次迭代中单独更新, 即每一次迭代需分别完成两次提取服从正态分布的取样点与计算接收概率的过程, 而AM算法将未知参数进行整体更新, 在每一次迭代中仅需完成一次该运算, 同时, 虽然建议分布函数在每一次迭代中需实时更新, 由于式 (8) 递归形式的引入, 使这一运算量相对很小。综上所述, AM算法的总体运算量小于M-H算法。

4 结论

本文提出了一种基于似然函数的调制识别算法, 利用自适应Metropolis (AM) 算法, 产生满足目标分布的未知参数和发送符号的各态历经样本从而实现似然函数的近似计算。相比于传统Metropolis-Hastings算法, 该算法避免了建议分布函数选取这一难题。仿真结果表明本文算法识别效果优于Metropolis-Hastings算法以及高阶累量算法, 证明了该算法的有效性。

参考文献

[1]O.A.Dobre, A.Abdi, Y.Bar-Ness and W.Su.Survey of automatic modulation classification techniques:classical approaches and new trends[J].IET Commun.2007.

[2]Anna, K and David, K.Algorithms of digital modulation classification and their verification[J].WSEAS Transactions on Communications.2010.

[3]A.Swami and B.Sadler.Hierarchical digital modulation classification using cumulants[J].IEEE Trans.Comm.48 (3) .2000.

[4]Zhang L.P and Wang J.X.Blind modulation recognition algorithm for MQAM signals.Journal of Electronics&Information Technology.2011.

[5]D.C.Popescu, O.A.Dobre and F.Hameed.On the likelihood-based approach to modulation classification[J].IEEE Trans.Wireless Communications.2009.

[6]S.Lesage, J.Y.Tourneret and P.M.Djuric.Classification of digital modulations by MCMC sampling[J].IEEE ICASSP.2001.

[7]柳征, 王明阳, 姜文利等.一种新的贝叶斯调制分类算法[J].电子与信息学报.2006.

[8]S.Chib and E.Greengerg.Understanding the Metropolis-Hastings algorithm.American Statistician.1995.

叠加调制下资源分配的自适应算法篇3

在无线通信网络中,为了对抗信道衰落的影响,出现了多种分集技术(时间分集、频率分集、空间分集)。目前的MIMO(Multiple-Input Multiple-Output)就是空间分集技术的一种。在MIMO系统中,为了对抗无线信道的衰落特性[1],提高信道容量,天线之间需要保持一定的距离,但是一个小体积的节点上无法安装多个天线。于是,又提出了协同分集技术,通过各节点相互之间作为协同伙伴的策略,实现虚拟的多天线系统(虚拟MIMO系统)[2]来对抗信道衰落,提高系统的容量,改善系统性能。协同分集的概念源于中继信道容量的研究[3],此后又出现了通过节点之间的协同来增加系统容量的AF(Amplify and Forward)和DF(Decoded and Forward)两种最基本的协同通信的方式[4],以及叠加调制(Superposition Modulation)方式下的协同分集技术[5]。其中,叠加调制协同分集技术的传输效率比前两种的传输效率高,可以获得更高的系统容量。这种协同方式的效果和资源如功率、带宽等分配算法有关。如果采用固定功率分配算法[6],不考虑带宽因素,系统的瞬时信道容量会有一定的增加。本文根据单中继协作的模型,针对叠加调制的协同方式,提出了功率/带宽二维联合优化的自适应资源分配算法,不仅考虑了节点的功率因素,同时还考虑了节点在发送信号时的带宽因素,并且在信道增益随时间变化的条件下,动态分配节点的信号发送功率[7]以及带宽,进一步提升了系统的瞬时容量。

2 协同分集技术

无线通信中的协同分集实际上就是分布式多节点的资源共享,利用分散的多终端节点的单天线形成虚拟多天线。每个节点既作为信源发送自身的信息,同时也作为中继转发其他节点的信息。通过节点之间相互作为中继,使得节点之间能够相互转发信息,实现用户终端的分集接收,获得分集增益。无线通信网络中单个协同节点的协同分集模型如图 1所示。

3 协同分集技术实现方式

目前协同分集的实现方式主要有三种:放大前传方式(Amplify-and-Forword,AF),译码前传方式(Decode-and-Forword,DF)和叠加调制方式(Superposition Modulation,SM)。

3.1 放大前传方式

放大前传是协同分集技术中最基本、最简单的一种方式,协同伙伴在接收到信源发送的一个含有噪声的信号样本后,将该信号样本进行放大后再发送给目的节点。目的节点接收到从信源节点直接发送过来的信号和从协同节点发送过来的信号,对接收到的信号进行判决,得到最终的信号。

在瑞利衰落信道下,单中继AF协作模型的信道容量为:

$\begin{array}{l} Ι_{A F} = \frac{1}{2} \lg [1 + \frac{Ρ_{s}}{Ν_{0}} | h_{s d} |^{2} + f (\frac{Ρ_{s}}{Ν_{0}} | h_{s r} |^{2}, \frac{Ρ_{s}}{Ν_{0}} | h_{r d} |^{2})] \\ = \frac{1}{2} \lg [1 + S Ν R | h_{s d} |^{2} + f (S Ν R | h_{s r} |^{2}, α S Ν R | h_{r d} |^{2})] \end{array}$

其中SNR=Ps/N0,α=Pr/Ps,Ps为信号功率,N0为噪声功率,hij为节点i到节点j的信道增益,f(x,y)=xy/(x+y+1)。

3.2 译码前传方式

这是为了克服放大前传的不足提出的另一种协同模式。该模式在协同伙伴接收到信源发送的信号后,对信号进行解调和译码,根据译码的结果重新编码和调制,再将调制后的信号发送出去。这种方式可以消除信号中的加性高斯白噪声,克服放大前传方式中对噪声的放大这一缺点。

在瑞利衰落信道下,单中继DF协作模型的信道容量为:

$\begin{array}{l} Ι_{D F} = \frac{1}{2} \min {\lg (1 + \frac{Ρ_{s}}{Ν_{0}} | h_{s r} |^{2}), \lg (1 + \frac{Ρ_{s}}{Ν_{0}} | h_{s d} |^{2} + \frac{Ρ_{s}}{Ν_{0}} | h_{r d} |^{2})} \\ = \frac{1}{2} \min {\lg (1 + S Ν R | h_{s r} |^{2}), \lg (1 + S Ν R | h_{s d} |^{2} + α S Ν R | h_{r d} |^{2})} \end{array}$

3.3 叠加调制方式

传统的协同方式,在第一个时隙内信源对信号进行直传(发送至目的节点)和广播(发送给其它节点),在第二个时隙内,协同节点进行中继。叠加调制下的时隙设计是:当节点S1作为节点S2的协同伙伴时,节点S1除了要中继节点S2的数据,还需要使用叠加调制的方式同时向目的节点发送自己的数据,如图 2所示。

在图 3中的时隙1,节点B需要发送一个叠加调制的信号,该信号包含了节点B在此时隙要发送的信号B1,以及在上个时隙它接收到的节点A发送来的信号A1'(A1'是节点B在上个时隙接收到A的信号进行解码后再重新编码产生的信号,该编码方式可与节点A采用不同的编码方式)。

设节点发送信号的总功率均为P。在时隙1内,节点B用P1的功率发送自己的数据,使P2的功率发送协同伙伴的数据。其中,P= P1+ P2。节点A和节点D接受到信号的表达式为

${\begin{cases} y_{A 1} = h_{B A 1} (\sqrt{Ρ_{1}} S_{B 1} + \sqrt{Ρ_{2}} S_{A 1^{'}}) + n_{B A 1} \\ y_{D 1} = h_{B D 1} (\sqrt{Ρ_{1}} S_{B 1} + \sqrt{Ρ_{2}} S_{A 1^{'}}) + n_{B D 1} \end{cases} (1)$

式中h表示信道增益,S表示传输的信号,n表示噪声,下标A表示节点A,下标B表示节点B,下标1表示第一个时隙,依此类推。

在时隙2内,节点A用P1的功率发送自己的信号A2,用P2的功率发送节点B在上个时隙发送来的信号B1',节点D接收到的信号表达式为:

$y_{D 2} = h_{A D 2} (\sqrt{Ρ_{1}} S_{A 2} + \sqrt{Ρ_{2}} S_{B 1^{'}}) + n_{A D 2} (2)$

节点D在接收到时隙1的信号yD1和时隙2的信号yD2后,通过译码器可以译码得到信号B1,如图 4所示。

同理,在时隙2和时隙3可以译码得到信号A2,在时隙3和时隙4可以译码得到信号B2,依此类推。

4 叠加调制方式下功率/ 带宽联合优化

假设每个节点发送信号的总功率都为P,总带宽为B,节点之间保持严格的同步。在叠加调制方式下,利用P1的功率发送节点自身的信息,相应的带宽为B1,利用P2的功率发送协同伙伴的信息,相应的带宽为B2。其中,P= P1+ P2,B= B1+ B2,P1,P2,B1,B2都为变量。在总功率和总带宽都受限的情况下,需要联合优化P1、P2、B1、B2四个变量,使得瞬时系统容量达到最大。

根据香农公式,带宽有限、平均功率有限的连续信道容量为

$C_{t} = B l o g_{2} (1 + S / Ν) (b / s) (3)$

式中S为信号平均功率(W);N为噪声功率(W);B为信号带宽(Hz)。由此可得到单中继的协同模型,在叠加调制方式下系统的瞬时信道容量

$C = B l o g_{2} [1 + \frac{Ρ_{1}}{n_{0} B_{1}} | h_{A D} (n) |^{2} + \frac{Ρ_{2}}{n_{0} B_{2}} | h_{B D} (n + 1) |^{2}] (b / s) (4)$

其中n0为噪声的单边功率谱密度(W/Hz)。

为使目标函数-瞬时系统容量C最大化,根据拉格朗日定理,以P1、P2、B1、B2、λ1、λ2为变量构造函数如下

$\begin{array}{l} f (Ρ_{1}, Ρ_{2}, B_{1}, B_{2}, λ_{1}, λ_{2}) = B l o g_{2} [1 + \frac{Ρ_{1}}{n_{0} B_{1}} | h_{A D} (n) |^{2} + \\ \frac{Ρ_{2}}{n_{0} B_{2}} | h_{B D} (n + 1) |^{2}] - λ_{1} (Ρ_{1} + Ρ_{2}) - λ_{2} (B_{1} + B_{2}) \end{array}$

信噪比控制在(0～10)dB范围内,有 $\log_{2} (1 + x) \approx \sqrt{x}$ 。将上式分别对P1、P2、B1、B2求偏导数得到:

${\begin{cases} \frac{\partial f}{\partial Ρ_{1}} = \frac{B | h_{A D} (n) |^{2}}{2 \sqrt{Ρ_{1} n_{0} B_{1} | h_{A D} (n) |^{2} + Ρ_{2} n_{0} (B_{1}^{2} / B_{2}) | h_{B D} (n + 1) |^{2}}}, - λ_{1} = 0 \\ \frac{\partial f}{\partial Ρ_{2}} = \frac{B | h_{B D} (n + 1) |^{2}}{2 \sqrt{Ρ_{1} n_{0} (B_{2}^{2} / B_{1}) | h_{A D} (n) |^{2} + Ρ_{2} n_{0} B_{2} | h_{B D} (n + 1) |^{2}}}, - λ_{1} = 0 \\ \frac{\partial f}{\partial B_{1}} = \frac{B Ρ_{1} | h_{A D} (n) |^{2}}{2 \sqrt{Ρ_{1} n_{0} B_{1}^{3} | h_{A D} (n) |^{2} + Ρ_{2} n_{0} (B_{1}^{4} / B_{2}) | h_{B D} (n + 1) |^{2}}}, - λ_{2} = 0 \\ \frac{\partial f}{\partial B_{2}} = \frac{B Ρ_{2} | h_{B D} (n + 1) |^{2}}{2 \sqrt{Ρ_{1} n_{0} (B_{2}^{4} / B_{1}) | h_{A D} (n) |^{2} + Ρ_{2} n_{0} B_{2}^{3} | h_{B D} (n + 1) |^{2}}}, - λ_{2} = 0 \end{cases}$

由上式可推导出:

$\begin{array}{l} | h_{A D} (n) |^{2} \sqrt{Ρ_{1} n_{0} (B_{2}^{2} / B_{1}) | h_{A D} (n) |^{2} + Ρ_{2} n_{0} B_{2} | h_{B D} (n + 1) |^{2}} \\ = | h_{B D} (n + 1) |^{2} \sqrt{Ρ_{1} n_{0} B_{1} | h_{A D} (n) |^{2} + Ρ_{2} n_{0} (B_{1}^{2} / B_{2}) | h_{B D} (n + 1) |^{2}} (5) \\ Ρ_{1} | h_{A D} (n) |^{2} \sqrt{Ρ_{1} n_{0} (B_{2}^{4} / B_{1}) | h_{A D} (n) |^{2} + Ρ_{2} n_{0} B_{2}^{3} | h_{B D} (n + 1) |^{2}} \\ = Ρ_{2} | h_{B D} (n + 1) |^{2} \sqrt{Ρ_{1} n_{0} B_{1}^{3} | h_{A D} (n) |^{2} + Ρ_{2} n_{0} (B_{1}^{4} / B_{2}) | h_{B D} (n + 1) |^{2}} (6) \end{array}$

由(5)式可得

$\begin{array}{l} \frac{Ρ_{1} | h_{A D} (n) |^{2}}{B_{1}} (B_{2}^{2} | h_{A D} (n) |^{4} - B_{1}^{2} | h_{B D} (n + 1) |^{4}) \\ = \frac{Ρ_{2} | h_{B D} (n + 1) |^{2}}{B_{2}} (B_{1}^{2} | h_{B D} (n + 1) |^{4} - B_{2}^{2} | h_{A D} (n) |^{4}) \end{array}$

得到两组解

$\begin{array}{l} B_{1}^{2} | h_{B D} (n + 1) |^{4} - B_{2}^{2} | h_{A D} (n) |^{4} = 0 \\ \frac{Ρ_{1} | h_{A D} (n) |^{2}}{B_{1}} = \frac{Ρ_{2} | h_{B D} (n + 1) |^{2}}{B_{2}} = 0 \end{array}$

显然,第二个解不存在,由第一个解可以得到

$\frac{B_{1}}{B_{2}} = \frac{| h_{A D} (n) |^{2}}{| h_{B D} (n + 1) |^{2}} (7)$

类似地,由(6)式可得:

$\frac{Ρ_{1}}{Ρ_{2}} = \frac{B_{1}^{2} | h_{B D} (n + 1) |^{2}}{B_{2}^{2} | h_{A D} (n) |^{2}} (8)$

由(7)式和(8)式可以得出

$\frac{Ρ_{1}}{Ρ_{2}} = \frac{B_{1}}{B_{2}} = \frac{| h_{A D} (n) |^{2}}{| h_{B D} (n + 1) |^{2}}$

将上述结果带入(4)式可以得到:

${\begin{cases} B_{1} = \frac{| h_{A D} (n) |^{2}}{| h_{A D} (n) |^{2} + | h_{B D} (n + 1) |^{2}} B \\ B_{2} = \frac{| h_{B D} (n + 1) |^{2}}{| h_{A D} (n) |^{2} + | h_{B D} (n + 1) |^{2}} B \\ Ρ_{1} = \frac{| h_{A D} (n) |^{2}}{| h_{A D} (n) |^{2} + | h_{B D} (n + 1) |^{2}} Ρ \\ Ρ_{2} = \frac{| h_{B D} (n + 1) |^{2}}{| h_{A D} (n) |^{2} + | h_{B D} (n + 1) |^{2}} Ρ \end{cases}$

由以上结果可以得出,最大瞬时信道容量为:

$\begin{array}{l} C_{\max} = B l o g_{2} (1 + \frac{Ρ}{n_{0} B} | h_{A D} (n) |^{2} + \\ \frac{Ρ}{n_{0} B} | h_{B D} (n + 1) |^{2}) (b / s) \end{array}$

5 仿真结果及分析

图中,由正方形绘制的线条表示的是A、D节点在没有协同的情况下,进行直接传输时信道容量随信道增益变化的曲线;由正方形绘制的线条代表的是在固定功率分配算法的叠加调制协同方式下,信道容量随信道增益变化的曲线;由三角形绘制的线条代表的是采用功率/带宽二维联合优化的叠加调制协同方式下,信道容量随信道增益变化的曲线。可以看出,节点之间在没有协同的情况下,信道容量最低;固定功率分配的叠加调制方式下的信道容量比没有协同的信道容量大;经过功率/带宽二维联合优化后,信道容量达到最大。

6 结束语

在单中继协作模型的叠加调制协同传输中,信道增益随时间变化的条件下,通过功率/带宽的二维联合优化的自适应算法,比固定功率分配算法的系统的平均瞬时容量增加了0.2b/s。该算法也为其他模型的资源分配算法提供了研究方法。今后,在叠加调制的协同方式下,还可以针对多个协同节点的模型做进行进一步的研究。

参考文献

[1]Tse D,Viswanath P.Fundamentals of Wireless Commu-nication[M].London:Cambridge University Press,2005.

[2]Laneman J N,Tse D N C,Womell G W.Cooperative di-versity in wireless networks:efficient protocols and outagebehavior[J].IEEE Trans Inf Theory,2004,50(12):3062-3080.

[3]Cover T,Gamal AEI.Capacity Theorems for the RelayChannel[J].IEEE TRANSACTIONS ON INFORMA-TION THEORY,1979,25(5):572-584.

[4]叶永川,钱学荣.无线通信中的协同分集技术[J].信息化研究,2010,36(3):46-48.

[5]Larsoon E G,Vojcic B R.Cooperative transmit diversitybased on superposition modulation[J].IEEE CommunLett,2005,9(9):778-780.

[6]Koji Ishii.Cooperative Transmit Diversity Utilizing Super-position Modulation[C].Radio and Wireless Symposium,2007:337-340.

速率自适应的软网络编码方案篇4

但是,由于无线网络拓扑结构的动态变化以及链路的时变性,使得无线网络中难以提供可靠的恒定速率的信息传输服务。对此,有人提出了速率适配的网络编码方案[6],通过降低节点瞬时发送速率来增加数据包被串听(overheard)的范围,以此增加网络编码机会并进一步提高网络吞吐量。先前网络编码[3,5,7]在TWRC(双向无线中继信道)中的设计需要在中继节点对接收到的来自两个端节点的数据包进行正确的信道译码,但是由于信道衰落的时变性,不可能总是假设接收到的数据包被正确译码,而且信道译码处理会消耗过多的功率。

针对以上问题,本文提出一种速率自适应的软网络编码传输方案,该方案的关键特征包括两个方面:相比于传统的网络编码方案,中继节点不需要信道译码和重新编码,大大减少了中继节点的计算复杂度和功率消耗;根据节点之间的信道信噪比估值,源节点自适应调整物理层发送速率响应信道变化,进一步提升系统吞吐性能。

1 软网络编码的基本思想

传统的直接网络编码SNC(Straightforward Network Coding)在TWRC的设计如图1所示,来自两个端节点的数据包在中继节点被正确译码之后才进行网络编码合并,这就限制了其吞吐量;由于信道衰落的时变性,不能确保接收到的数据包总是被正确译码;信道译码处理(尤其是Turbo、LDPC这样高级的编码方式)会消耗过多功率,增加计算复杂度。

软网络编码方案中,中继节点不需要进行信道译码和重新编码操作,如图2所示。信道编解码是在端对端的基础上,也就是说只在端节点进行信道编码和相应解码。

由于Turbo码、LDPC等信道编码的线性性质,即相同长度的两个码字可以进行线性合并,而网络编码实际上也是线性映射,因此,对于码字也能够进行网络编码合并。

为分析简单起见,假设两个端节点使用同样的编码方式和BPSK调制,以及相同的数据包长度和码字长度。本文中,Γ定义包括信道编码和调制过程,信息数据包Ui和要发送的BPSK信号Xi之间的关系为:

由于对两个码字Di的二进制比特的逻辑异或操作等同于对两个BPSK符号Xi进行乘法操作,所以,Γ的线性性质可以表示成:

其中,⊗表示BPSK信号诸元素相乘(其他调制方式可以推导)。

中继节点接收到两路数据包后合并其软判决信息v13,m和v23,m,软网络编码的输出数据包x3,m实际上是目标信息数据包U1⊕U2的码字。忽略噪声和衰落影响,软网络编码可表示成:

可见,SNC需要两个信道译码器和一个信道编码器;软网络编码机制中,中继节点对接收到的两路信号的软判决信息进行网络编码,而不需要任何信道译码,节省了基带信号处理的功耗,提高了无线网络中继节点的功率效率。

上述对软网络编码的讨论是建立在假设两个终端节点使用相同的信道编码结构的基础上,但是可以看出,当两个终端节点采用不同的信道编码结构时,软网络编码设计依然适用。这就为下一步的自适应编码调制提供了必要的条件。

2 速率自适应策略

不同的编码调制方式抗噪能力不同,所以,在满足一定误码率的前提下,可根据实际信道择优选择编码调制方案当用户处于有利通信地点时(如靠近基站或存在视距链路),对用户的传输数据可以采用较高阶的调制方式和较高码率的信道编码方式(即高信息率传输模式),提高系统总吞吐量;而当用户处于不利的通信地点时(如位于小区边缘或者信道处于深衰落),则选取较低阶的调制方式和较低码率的信道编码方式(即低信息率传输模式),保证系统BER需求。

首先将不同码率的Turbo编码和不同阶数的调制方式形成N=6种不同数据率的组合Zi,具体为:信道停用不传数据;1/2 Turbo码+BPSK;1/2Turbo码+QPSK;3/4Turbo码+QPSK;1/2 Turbo码+16QAM;1/2Turbo码+32QAM;3/4Turbo码+16QAM。其对应吞吐量bi分别为0,0.5,1,1.5,2,2.5和3(b·s-1·Hz-1)。将信道信噪比范围划分为分别对应于N种编码调制组合方式的N个子集Di,根据系统所要求的BER大小来确定信噪比的阈值集合,使得系统吞吐性能达到最大;发送端根据反馈回来的信噪比信息确定所处的阈值区间,选择相应的调制方式进行数据传输,并将编码调制参数通过一定的方式通知接收端。

在TWRC中,使用速率自适应的传输策略可以根据信道状态动态调整发送速率,适应信道变化,在保证通信质量的前提下,得以最大限度地传输信息,提高小区的平均吞吐量。

参考文献[4]研究表明,即使很简单的网络拓扑,联合速率适配和网络编码的最优策略是一个NP-hard问题作者提供了一个启发式算法找到一个次优的速率适配和编码方案,而且证明了发送速率不能随意降低,否则会导致网络性能的恶化。

3 方案设计描述

TWRC中速率自适应的软网络编码传输方案如图3所示,两个端节点N1和N2在中继节点N3的协作下相互交换信息。假设3个节点都工作在半双工方式。由于无线网络自身的广播特性,任一节点发送的数据包能够被其他两个节点接收。时隙1,N1发送数据包给N2和N3;时隙2,N2发送数据包给N1和N3;时隙3,N3进行网络编码操作,合并前两时隙接收到的两个数据包并且将处理过的数据包转发给两个端节点。

Γi、Ki、Mi(i=1,2)分别表示节点处的信道编码调制映射函数、信息数据包长度和发送数据包长度。假设不同节点Γi和Ki都不同,Mi相同(当两个端节点的码字长度不同,就在较短码包的末尾添0补齐)。端节点AMC模块根据信道估计结果,采用AMC算法进行编码调制方式的选取,并将编码调制参数通知给另一个端节点。

假设节点与节点之间是复高斯广播信道,则有:

hij是节点Ni和Nj之间的信道衰落系数,假设|h13|2≥|h23|2,即信道N1→N3优于N2→N3,N1以速率R1bit/s发送U1给N3,N2以R2bit/s的速率发送U2给N3(R1>R2)。

N3分别对接收到的数据包进行调制信号识别,根据调制方式信息进行相应的软解调:

然后进行网络编码,即合并两路数据包的软判决信息v13,m和v23,m,软网络编码的输出数据包实际上是目标信息数据包U1⊕U2的码字,即网络编码后的比特d1,m⊕d2,m(等同于(x1,m×x2,m))的LLR,表示为:

其中×表示对码字D的二进制比特的逻辑异或操作等同于对发送数据包Xi的两个调制符号进行的操作,如BPSK调制,其他调制方式可以推导。

根据N3的功率约束对网络编码比特(x1,m×x2,m)的估计值归一化:

最后,N3广播x3,m给两个端节点。

通过上面的分析,可以看出N3的软网络编码操作实际上是利用y13,m和y23,m估计出(x1,m×x2,m),转发信号就是对接收的两个码字进行XOR操作得到的比特的软信息。

以N2为例简述端节点的数据处理。N2在第一个时隙通过N1和N2之间的直接链路接收到信号y12,m,在第三个时隙接收到的信号为:

其中,x3,m由式(7)给出。因为v3,m是(x1,m×x2,m)的LLR估计值,便可以看做是(x1,m×x2,m)加上虚拟噪声nv,即:

为了去掉包含在v3,m中的自信息,N2对己有信息x2,m和接收到的来自N3的y32,m进行异或操作,以BPSK调制为例:

由于和y12,m实际上就是接收到的码字x1,m的两个独立的副本,因此,N2对去掉自信息的和y12,m可以进行最大比合并(MRC)。最后,经过相应的信道译码Γ-1,N1发出的原始信息包U1就可以恢复。节点N1处的处理过程与N2相同。

4 性能分析与仿真

本小节将软网络编码与传统的SNC进行对比分析并且仿真了软网络编码方案在多种速率下的误比特性能。

由式(9)可以看出,转发信号x3,m可以近似为:

其中是为了满足功率束缚E{|x′3,m|2}的归一因子。

这样,可以形成一个输入为(x1,m×x2,m),输出为x3,m的等效虚拟信道。则式(11)可以用图4这样一个高斯信道表示,其中hv是实的信道系数,nv为加性高斯噪声。

4.1 性能比较

等效信道的吞吐量即为计算输入信号(x1,m×x2,m)和输出信号v3,m之间的互信息,即:

其近似结果为:

基于MATLAB环境仿真比较SNC和软网络编码两种方案的信道容量和误比特性能如图5所示。仿真条件为:信道编码为Turbo编码,2个分量编码器结构相同,采用由3个移位寄存器构成的递归系统卷积码,生成多项式为(15,17),码率为1/2,5次译码迭代;调制方式为BP-SK;SNC方案中译码输入为两路软判决信息的合并信息。所有的链路都是噪声方差相同的AWGN信道。

从仿真曲线可以看出,与SNC方案相比,软网络编码方案信道容量稍低,误比特性能稍差,这是因为中继节点的软合并操作使得噪声增强、错误概率相应增加,这可以通过虚拟信道看出。对应于硬信息的XOR操作,对两个软比特的网络编码操作可以表示为:

从上式可以看出,虚拟信道输出的LLR值近似于两个输入LLR值中较小的一个,也即对应着较大的噪声方差。但是由图5可以看出,随着SNR的增加,软网络编码的性能损失将会减少。在中上水平的SNR范围内,软网络编码方案有着和SNC几乎同样的信道容量。另外,提高编码速率会减小两种方案误比特性能之间的差距。

4.2 速率自适应策略的误比特性能

按照6种编码调制模式,对软网络编码方案进行仿真。

图6显示了不同发送速率下系统的误比特性能。可以看出,相同信道条件下,不同发送速率的误比特性能有所差异,即不同的信道信噪比情况对应不同的最优发送速率。则可以得出:(1)源节点与中继节点之间距离越远,平均信噪比越低,源节点采用低吞吐量的编码调制参数有效利用信道容量并且可以获得很好的误比特性能;(2)两者越接近,平均信噪比越高,为了充分利用信道容量必须采用多电平调制参数,选择最合适的发送速率,在保证通信质量的前提下,得以最大限度地传输信息。

网络编码被证明能够显著提高无线网络的性能,而无线信道具有时变和衰落特性,要想取得更大的无线信道容量,必须考虑使发送速率与随机信道特性相适应。本文针对TWRC提出了联合速率自适应和软网络编码的方案,结果显示在中上的信噪比范围内能达到与传统网络编码几乎相同的信道容量,误码性能稍有损失却可以降低中继节点的计算复杂度和功耗,而且每个移动源节点可以根据当前信道确定合适的编码调制方式,能够适合不同的传输质量需求,在保持较低的误比特性能的同时,尽可能提高信道容量,从而使性能得到优化。

参考文献

[1]AHLSWEDE R,CAI N,LI S Y R,et al.Network infor-mation flow[J].IEEE Transactions on information Theory,2000(46):1024-1016.

[2]LI S Y R,YEUNG R W,CAI N.Linear network coding[J].IEEE Transactions on Information Theory,February,2003,49(2):371-381.

[3]WU Yun Nan,CHOU P A,KUNG S Y.Informationexchange in wireless networks with network coding andphysical-layer broadcast[C]//2005 Conference on Informa-tion Sciences and Systems,The Johns Hopkins University,March 16-18,2005.

[4]PARK M,KIM S L.A minimum mean-squared errorrelay for the two-way relay channel with network coding[J].IEEE Communication Letters,2009,13(3):196-198.

[5]KIM Y,VECIANA D G.Is rate adaptation beneficial forinter-session network coding[J].IEEE Journal on SelectedAreas in Communications,2009,27(5):635-646.

[6]THOBABEN R.Joint network/channel coding for bandwidth-efficient multiuser ARQ[J].in Proc.IEEE Signal Process-ing Workshop on Signal Processing Advances in WirelessCommunications(SPAWC),Perugia,Italy,June 2009.

自适应调制编码论文篇5

近来,中继协作通信被认为是一种有效对抗无线信道衰落的方法。它的基本思想是利用无线信道的广播特性,每个节点在自己传输信息的同时也给别的协作伙伴转发信息。由于中继比源节点离目的节点更近,因此这种转发机制可以降低路径损耗对接收信号的影响。文献[1]采用时分双工,将整个通信过程分为两个时隙,分别用于中继的接收和转发,然而在特定的调制方式下,中继的双工将降低系统的比特速率,如果要保持同样的比特速率,必须采用高阶调制。

分级调制是高阶调制的一种推广,它有两个特点:(1)它对所调制的各个比特的保护是不一样的。对数据不均匀地保护使它被广泛应用在无线数字多媒体领域,用来在多分辨率要求下对不同BER要求的比特进行分级调制,如DVB[2],但是,这种不均匀保护在普通的数据通信中是不必要的。在中继协作中,这种不均匀的保护可以被平衡掉。因为中继可以离源比较近,它的路径损耗也比目的节点的路径损耗小。因此对于分级调制中那些保护程度比较差的比特,虽然目的节点难以解调成功,但是中继节点很可能容易正确解调。因此,如果中继对这些比特进行中继,可以提高目的节点正确接收的概率;(2)与传统等距离星座点不一样,分级调制的星座点之间的距离是可调的[3]。基于(1),C. Hausl等人在文献[4]中提出在中继通信中引入分级调制,但是[4]使用了固定的调制星座图,而这样的星座图在大多数中继情况下并不是最优的。同时,[4]平均地分配了源节点与中继节点的发射功率,并没有根据节点位置最优地调整功率分配。

因此,基于文献[4]的分级调制协作方案,本文提出了一种自适应分级调制和功率分配的中继协作方法。这种方法根据中继的相对位置,选择最优的星座图和功率分配,以使目的节点接收的数据误码率最小。仿真结果表明这种协作方式相对于非协作的参考系统,在消耗相同的资源(能量、带宽)的条件下,有3-4dB的性能增益。

2 系统模型

2.1 分级调制与归一化星座图

与传统的均匀星座图相比,分级调制用两个参数来确定星座点之间的相对距离[3]。以本文采用的16QAM调制为例,每四个比特映射为一个符号。我们称决定星座点所在象限的两个比特为初级比特,而称决定在这个象限里的具体哪一个星座点的两个比特为次级比特。采用[3]里的定义,如图 1,2d1表示相邻象限虚拟的星座点(空心点)之间的最小距离,2d2表示一个象限里两个星座点(实心点)之间的最小距离。显然,次级比特的错误概率比初级比特要高得多。

为了方便优化,我们归一化星座图里每个符号的能量,即设平均每个符号的能量为1,则在16QAM中,d1,d2满足

$d_{1}^{2} + d_{2}^{2} = 0.5 (1)$

传统的均匀星座图中,d1=0.6325。在QPSK中,相邻星座点之间的距离

$d_{Q Ρ S Κ} = \frac{1}{\sqrt{2}} (2)$

2.2 模型与参数

考虑单个固定中继节点的模型,如图 2。设源发送符号为sS,中继接收信号为rSR,中继发送的符号为sR,目的接收的来自源的信号为rSD,来自中继的信号为rRD,源到中继的距离为dSR,信道系数为hSR,源到目的的距离为dSD,信道系数为hSD,中继到目的的距离为dRD,信道系数为hRD。为了简便,我们把三个距离参数做一个归一化,并假设中继位于源与目的的连线上,即:dSR+dRD=dSD=1。假设hSR、hSD和hRD互相独立同分布,都服从慢瑞利衰落,即信道系数在一帧内不变化,而不同帧之间的信道系数互相独立,服从瑞利分布。假设路径损耗因子为v,则接收信号可以表示为

$r_{i, j} = \frac{h_{i, j}}{d_{i, j}^{v}} s_{i} + n_{i, j} (3)$

其中(i,j)∈Φ,Φ={(S,R),(S,D),(R,D)}为收发节点对的集合,ni,j为复高斯噪声,每一维都服从均值为0,方差为σ $_{i, j}^{2}$ /2的正态分布。

3 中继协作与自适应分级调制和功率分配

3.1 源和中继的协作方式

为了便于优化星座图和功率分配,本文源和中继节点的协作方式在文献[4]基础上稍作修改,系统框图如图 3所示。源在中继的协助下发送大小为N比特的突发数据包给目的节点,这通过两个时隙完成:第一个时隙,源的数据经过16QAM分级调制后发送出去,共有N/4个符号,中继和目的同时接收;第二个时隙,中继将接收到的16QAM符号进行解调,然后取出偶数个比特(即次级比特)进行QPSK调制并发送给目的节点(共N/4个符号)。目的节点接收到源的符号后,解调并只保留初级比特,和在第二个时隙中接收到的来自中继的次级比特进行组合,还原信息。

因为分级调制的次级比特比初级比特更容易受到噪声影响,按照这种协作方式,中继节点对受到噪声干扰较严重的比特部分进行转发,可以增强这些比特的可靠度。

3.2 自适应星座图与功率分配

由于高阶调制对比特的保护不均匀,传统的均匀星座图在中继协作中并不是最优的。因为中继的位置不同,次级比特的误码率也不同,所以一种自然的想法就是根据中继的位置调整星座点的相对位置;另一方面,在上面的协作系统中,源和中继的地位是不对等的。首先,中继比源离目的节点更近;其次,源采用16QAM而中继采用QPSK。因此,在两者之间平均分配功率是不合理的,最优的功率分配方案可以使最终的错误概率最小。

在系统中,中继和目的节点在接收到信号后,先做如下处理:

$\tilde{r}_{i, j} = s_{i} + \tilde{n}_{i, j} = s_{i} + \frac{d_{i, j}^{v} n_{i, j}}{h_{i, j}} (4)$

其中 $n_{i, j} \in Ν (0, \frac{d_{i, j}^{2 v} σ_{i, j}^{2}}{∥ h_{i, j} ∥^{2}})$ 。然后按文献[5]中的方法计算每个比特的对数似然比,再对每个比特做硬判决。

为了便于比较,先给出一个非协作的参考系统,其数据用QPSK调制从源直接传给目的。对非协作系统,一个大小为N比特的突发数据包共有N/2个QPSK符号,因此发送N比特所需的符号数和前面的时分双工系统在两个时隙内的符号数是一样的,即两个系统有相同的比特速率和符号速率,可以认为它们需要相同的带宽。设参考系统的信噪比为Eb/N0,总功率为P,协作系统的功率分配方案为:源功率为αP,中继的功率为(1-α)P,α为功率分配系数。假设协作系统和参考系统发送一比特消耗相同的能量,即有相同的Eb。在归一化符号能量的前提下,源到目的、源到中继,以及中继到目的归一化噪声方差与QPSK参考系统的信噪比有如下关系(证明略):

${\begin{cases} σ_{S D}^{2} = σ_{S R}^{2} = \frac{1}{8 α * E_{b} / Ν_{0}} \\ σ_{R D}^{2} = \frac{1}{8 (1 - α) * E_{b} / Ν_{0}} \end{cases} (5)$

下面推导误码率与星座点位置的关系。目的节点从源获取初级比特,从中继获取次级比特,解调后的总误码率为

$Ρ_{b} = \frac{1}{2} (Ρ_{S D, 1} + Ρ_{S R D, 2}) (6)$

PSD,1为从源到目的的初级比特的误码率,PSRD,2为从源到中继,再经过中继转发到目的的次级比特的误码率。对一个次级比特来说,如果目的端接收错误,表明源到中继链路和中继到目的链路两者之中有且仅有一个错误,因此,PSRD,2可以表示为

$Ρ_{S R D, 2} = Ρ_{S R, 2} (1 - Ρ_{R D}) + (1 - Ρ_{S R, 2}) Ρ_{R D} (7)$

其中PSR,2表示源到中继的次级比特的错误概率,PRD表示中继到目的比特错误概率。当信噪比较高时,PSR,2和PRD很小,式(7)可以近似为

$Ρ_{S R D, 2} \approx Ρ_{S R, 2} + Ρ_{R D} (8)$

所以根据式(6)总的误码率为

$Ρ_{b} = \frac{1}{2} (Ρ_{S D, 1} + Ρ_{S R, 2} + Ρ_{R D}) (9)$

为了确定最优的星座图和最优能量分配,需要调整d1,d2,α使Pb最小。根据式(4),采用[3]中的方法得到每比特的误码性能。在瑞利衰落信道下,源到目的初级比特和源到中继的次级比特的误码率分别为

$\begin{array}{l} Ρ_{S D, 1} = \frac{1}{2} [1 - \frac{1}{2} \sqrt{\frac{(d_{1} - d_{2})^{2}}{(d_{1} - d_{2})^{2} + 2 d_{S D}^{2 v} σ_{S D}^{2}}} - \frac{1}{2} \sqrt{\frac{(d_{1} + d_{2})^{2}}{(d_{1} + d_{2})^{2} + 2 d_{S D}^{2 v} σ_{S D}^{2}}}] (10) \\ Ρ_{S R, 2} = \frac{1}{2} [1 - \sqrt{\frac{d_{2}^{2}}{d_{2}^{2} + 2 d_{S R}^{2 v} σ_{S R}^{2}}} + \frac{1}{2} \sqrt{\frac{(2 d_{1} + d_{2})^{2}}{(2 d_{1} + d_{2})^{2} + 2 d_{S R}^{2 v} σ_{S R}^{2}}} - \frac{1}{2} \sqrt{\frac{(2 d_{1} - d_{2})^{2}}{(2 d_{1} - d_{2})^{2} + 2 d_{S R}^{2 v} σ_{S R}^{2}}}] (11) \end{array}$

中继到目的误码率为

$Ρ_{R D} = \frac{1}{2} (1 - \sqrt{\frac{d_{Q Ρ S Κ}^{2}}{d_{Q Ρ S Κ}^{2} + 2 d_{R D}^{2 v} σ_{R D}^{2}}}) (12)$

其中σ $_{S D}^{2}$ ,σ $_{S R}^{2}$ ,σ $_{R D}^{2}$ 由式(5)决定。根据式(1)、(9),可得如下结论:最优的星座图和功率分配方案可由以下优化函数得到

${\begin{cases} (d_{1}^{*}, d_{2}^{*}, α^{*}) = \arg \min_{d_{1}, d_{2}, α} {\frac{1}{2} (Ρ_{S D, 1} + Ρ_{S R, 2} + Ρ_{R D})} \\ s u b j e c t t o d_{1}^{2} + d_{2}^{2} = 0.5, 0 ＜ d_{2} ＜ d_{1}, 0 ＜ α ＜ 1 \end{cases} (13)$

其中PSD,1,PSR,2PRD分别由式(10)～(12)决定。根据(5)和(13),可见最优d1,d2,α和三节点的相对距离di,j以及参考系统信噪比Eb/N0有关。

由于本文只研究d1、di,j及α三者之间的关系,在优化目标函数时,(5)式中取Eb/N0=10dB。由于式(13)难以得到闭式解,用数值方法求上述最优化问题。图 4、图 5给出在dSR=1/3和dSR=2/3时,目标函数Pb与di、α的关系图。可见对不同的dSR,最优的(d1,α)是不一样的:在dSR=1/3时,d1=0.7,α=0.8使Pb最小,而在dSR=2/3时,d1=0.673,α=0.95使Pb最小。

表 1列出了在dSR∈{1/4,1/3,1/2,2/3,3/4}的几种典型情况下的最优(d1,α)。考虑到接收机灵敏度问题,为了使d2和(1-α)P不会太小,限制d1≤0.7,α≤0.95。

4 链路仿真分析与实现考虑

4.1 d1和α对误码率的影响

下面对图 3所示的协作系统做Matlab仿真。一次突发N=400比特,对每个Eb/N0点做5×104次信道实现,路径损耗因子v=3.5。

在固定功率分配因子α=0.8时,图 6、图 7分别显示了在dSR=1/3和2/3的情况下,星座图参数d1对Pb的影响。结果表明,在固定功率分配系数下,dSR=1/3时,最优星座图(d1=0.70)比传统的均匀星座图有大于3dB的增益。dSR=2/3时,最优星座图(d1=0.673)比均匀星座图只有不到2dB的增益,这说明当中继靠近目的节点时,均匀星座图接近最优。因为此时SR链路比较糟糕,需要将星座点之间的距离拉大,以降低中继节点接收到的次级比特的错误概率。

在固定星座图d1=0.673时,图 8、图 9分别给出了dSR=1/3和3/4的情况下,功率分配因子α对Pb的影响。在所选的四种功率分配情况下,最优的比最差的有大于2dB的增益。而最优的功率分配是随dSR而变化的,dSR=1/3时,分配75%的功率给源节点是最优的,而在dSR=3/4时,需要分配95%的功率给源节点。因为中继离源越远,源需要越大的功率才能成功地发送次级比特给中继,而同时,中继只需要很少的能量就可以把次级比特再转发给目的节点。另外值得注意的是,虽然本文对星座图和功率分配的优化结果是在固定Eb/N0=10dB的条件下得到的,但是仿真结果表明在不同的信噪比下,优化都能得到一定的增益。

4.2 最优d1和α的协作系统与QPSK非协作参考系统性能比较

图 10给出了在最优星座图和功率分配下(参数如表 1),dSR∈{1/4,1/3,1/2,2/3,3/4}时,协作系统和非协作参考系统的性能比较。结果表明,在最优的星座图和能量分配策略下,当中继位置离源不是太远时(dSR≤2/3),经过星座图和功率分配优化的协作系统相对于QPSK参考系统有3-4dB的增益。不过当中继离源比较远时,由于中继接收到的次级比特本身的错误概率很高,协作系统相对于QPSK参考系统的增益降低。同时,从图 10可看出,当中继位于源与目的节点连线的中点附近时(dSR=1/2)具有最优的性能,中继节点向源或目的节点移动都会造成性能损失,因此,在选择中继节点时,应该尽量选择位于源-目的节点中间位置的节点。另外注意到,在协作系统中,中继节点只需很少的能量就可以成功转发次级比特(如在dSR=1/2时,PR=7.5%P)。

4.3 实现考虑

由于本文的优化结果只和三节点的相对位置有关,而与时变的信道状态无关,所以只需事先针对系统建立一个关于中继位置的优化参数查找表(如表 1),不同的中继节点通过测距方法得知自己的相对位置,就可以通过查找表得到接近最优的星座图和功率分配,并通知源节点和目的节点。

5 结论

本文提出了一种自适应分级调制和功率分配的中继协作方法。这种方法根据中继的相对位置,选择最优的星座图和能量分配,以使目的节点接收的数据误码率最小。仿真结果表明,在协作系统中,只需要中继付出很小的能量代价就可以实现基于分级调制的中继协作,而这种协作方式相对于非协作的参考系统,在消耗相同的资源(能量、带宽)的条件下,有3-4dB的性能增益。同时,这种优化方法只和三节点相对位置有关,可以通过预先设置优化参数表来实现。

参考文献

[1]J.N.Laneman,David N.C.Tse,G.W.Wornell.Co-operative diversity in wireless networks:efficient proto-cols and outage behavior[J].IEEE Trans.Inform.The-ory,Vol.50,No.12,Dec.2004,pp.3062-3080.

[2]ETSI EN 300 744 V1.5.1,2004.Digital Video Broad-casting(DVB):Framing structure,channel coding andmodulation for digital terrestrial television[S].Jun.2004.

[3]P.K.Vitthaladevuni,M.S.Alouini.A recursive algo-rithm for the exact BER computation of generalized hier-archical QAM constellation[J].IEEE Trans.Infrom.Theory,Vol.49,No.1,Jan.2003,pp.297-307.

[4]C.Hausl,J.Hagenauer,Relay communication with hi-erarchical modulation[J].IEEE Commun.Letters,Vol.11,No.1,Jan.2007,pp.64-66.

自适应调制编码论文篇6

编码感知路由是指在路由协议中引入的编码感知技术。就是检测路径上的类COPE编码结构, 引导数据流之间形成有效的编码双向流, 并试图主动去构造编码机会。该方法在一定的场景中能有效的提高吞吐量, 但是网络中的其他流量因素还值得进一步考虑:网络流的长度对网络吞吐量的影响有至关重要的作用, 盲目地选择具有编码结构的路径有时反而造成吞吐量的下降;动态管理编码侦听缓存报告, 进一步减少信令开销。

2 编码感知的机会路由

机会路由的特性是通信节点对当前数据包不明确指明下一跳中继节点, 而是在下一跳节点集中选取一个最佳的接收节点作为下一跳节点。编码感知的机会主义路由是在下一跳节点集中选取具有较高编码机会的节点作为下一跳转发节点, 能够提高编码机会, 从而带来吞吐量的提升。

推送节点集是机会主义路由当中的重要概念。在推送节点集中所有节点都会收到当前节点发送的数据, 但只有该集合中的一个节点会对数据处理, 继续推送转发。在推送节点集中各节点之间的协调十分关键。对于推送节点集中的节点选取规则如下:与目的节点比较接近的或者通信质量较好的节点, 可以用路由判据ETX的值来衡量;距离发送节点一跳范围内的节点;在推送节点集中的节点必须要能相互侦听。节点发送数据时, 在数据包头部加入推送节点集合列表, 节点的顺序会根据其到目的节点的距离来排列。

3 速率自适应的协作网络编码

如果出现链路不对称情况, 将会导致网络编码的性能下降, 相比于没有使用网络编码的普通网络传输机制, 性能的提升十分有限。因此在编码感知的同时, 加入对不同链路速率的感知, 可以有效的调整编码策略, 避免链路不对称数据流编码。

在图1 (a) 所示的单速率网络当中, 若节点1发送数据给节点4, 则经过路径为1-2-3-4。如果在网络中加入新数据流, 则从节点5发送数据到节点2, 并通过编码感知的技术, 可以选择路径5-4-3-2, 而在节点3上产生编码机会, 从而改善网络的吞吐量。但在实际网络中, 例如802.11无线网络就允许不同链路有不同的传输速率。在图1 (b) 所示当中, 每条边中的数字表示该链路最大传输速率和此时可用的传输带宽, 单位为Mbps。假如当没有网络编码的时候, 节点5此时则会选择路径5-4-6-2来传输数据。若考虑流内干扰竞争, 此时两条流总共的最大的吞吐量为1.5Mbps。当采用一般的编码感知技术的时候, 通过路径5-4-3-2传输数据, 节点3只能使用2Mbit/s的速度进行编码广播, 且这两条流的吞吐量仍为1.5Mbps, 与没有编码的方法吞吐量相同。当源节点和目的节点之间的信道质量变差时, 使用另一个与目的节点之间具有较好信道质量的节点来协助源节点向目的节点发送数据。协作链路的加入, 充分利用了空间分集和用户分集, 增加了系统容量。在图1 (b) 中, 若在节点6中进行编码中继, 仍然使用路径5-4-3-2进行传送数据, 此时两条流的吞吐量为2Mbps, 吞吐量提升了33.3%。可见, 在实际的多速率网络中权衡非平衡传输特性, 使用这种合作编码技术能有效提升网络吞吐量。

参考文献

[1]岩延, 张宝贤, 马建.基于网络编码的无线网络路由协议[J].中兴通讯技术, 2009, 15 (6) :1-4.

[2]樊凯, 李令雄, 龙冬阳.无线mesh网中网络编码感知的按需无线路由协议的研究[J].通信学报, 2009, 30 (1) .

自适应调制编码论文篇7

关键词：超声马达,脉宽调制,自适应模糊控制

0 引言

超声马达是依靠摩擦力来驱动的一种新型驱动器,在许多领域有潜在的优势和应用前景。但由于摩擦驱动的能量转换机理复杂,也难以建立准确的数学模型[1],因而,需要合理选择控制方法和算法,用智能化控制方法弥补马达不稳定性的缺陷。经典控制理论对于非线性的时变系统难以奏效,而模糊控制器是构建在直观和对被控对象操作经验的基础上的,并有一定程度的鲁棒控制能力[2]。理论和实践证明,将模糊控制技术应用到超声马达运动控制中,可以有效地改善马达的动态特性。

基于量化、比例因子自调整模糊控制方法的研究与应用较多,大多数方法是采用专家经验并通过反复实验总结出一定的模糊调整规则或调整公式,根据系统误差、误差变化的相互关系或一定的性能指标(如超调量、稳态误差等)来在控制过程中不断对因子进行修改或优化,从而到达更好的控制效果。考虑到各因子的相互影响与制约作用,以及设计的复杂程度,很多方法选取Ke、Kec和Ku三个因子(二维模糊控制器)中的两个或一个进行调整,也有部分方法同时调整三个因子。以上这些方法都取得了一定效果,但由于目前模糊控制理论本身还不完善,同时针对量化、比例因子对控制系统性能的影响,而设计出来的自适应模糊控制器较为复杂,从而影响控制系统的实时性。为了满足超声马达系统对控制的实时性要求,应该考虑控制算法是否简单、有效及其实用化程度。因此本文在对各种基于量化、比例因子自调整方法进行了广泛对比的基础上,设计了一种自调整比例因子模糊控制器。

1 控制器基本结构

在基于量化、比例因子自调整模糊控制系统中,比例因子对系统控制性能和稳定性影响更为明显,尤其是在系统初始运行阶段[3]。从手动控制经验看也是如此,操作者主要是根据误差和误差变化,以及系统的控制性能指标来调整控制器的输出增益,即比例因子的大小,以达到理想的控制效果。基于以上分析,设计了一种在线自调整比例因子模糊控制器(SAOFC)如图1所示。

在控制系统中采用误差和误差变化作为辅助模糊器输入,实际上是使控制器输出的控制函数的局部形状发生变化,其实质是一种时变的增益控制算法。该方法在控制系统的每个采样周期对比例因子进行调整,因此实时性较好。

2 SAOFC设计

模糊控制器一般由模糊化、模糊推理和模糊逆运算三部分构成,下面从这三部分说明超声马达自适应模糊控制器的设计[3]。

1)确定各模糊变量、论域与自适应参数

由于二维模糊控制器能够较严格地反映受控过程中输出变量的动态特性,并且模糊控制规则简单,控制算法也较容易实现[4,5],所以本文在主模糊控制器和辅助模糊控制器均采用二维模糊控制器结构。选取马达速度误差EV和速度误差变化RV作为输入变量,占空比系数偏差UK作为输出变量[6]。同时定义ΔKU为输出量比例因子调整量,μ为比例因子调整系数。则比例因子与调整量ΔKU、调整系数μ以及误差EV和误差变化RV的关系可定义为:

式中f为EV和RV的非线性函数,由比例因子调整量的控制表来描述,其取值完全取决于系统的瞬时状态,而与被控对象模型无关。因此引入μ便使系统增加了一个基于瞬时状态的参数,以实现模糊控制器的自我改进。

在超声马达模糊逻辑中描述输入输出模糊变量时,用“大(Big)”、“中(Medium)”、“小(Small)”、“零(Zero)”等词汇来表示采集速度数值和期望数值误差、误差变化以及占空比输出偏差大小,用“正(Positive)”、“负(Negative)”来描述误差的正负。用“零”、“很小(Very Small)”、“小”、“中”、“中大(Medium Big)”、“大”、“很大(Very Big)”等词汇来形容比例因子调整系数μ的大小。这样就可以把模糊速度变量对称划分为有限个等级,每种等级用一个语言词来表示,对应一个模糊子集。

基于既能反映相应的精确量及其特性,又不使推理计算量过大的原则,在超声马达速度控制主模糊控制器中选取了EV、RV和UK的语言词集为:

{负大,负中,负小,零,正小,正中,正大}

用英文字头缩写为:

{NB,NM,NS,ZE,PS,PM,PB}

同样,我们取马达速度误差EV和速度误差变化RV作为输入变量,占空比系数偏差UK作为输出变量。为了确保各模糊集能较好的覆盖论域,避免出现失控现象,又不致使计算量过大,取输入变量EV和RV、输出占空比系数偏差UK的论域均为:

{-6,-5,…,0,…5,6}

在辅助模糊控制器中同样选取了速度误差EV、误差变化RV作为输入变量,输出变量为比例因子调整系数μ。μ的语言词集为:

{ZE,VS,S,M,MB,B,VB}

μ的论域为

{0,1,…,8}

超声马达的实际转速V的变化区间为-380rpm~380rpm,占空比系数K的变化范围为2≤K≤253。针对各控制量的语言词集,表1给出了输入输出量变化范围和模糊语言的对应关系。

2)确定模糊子集隶属函数与控制规则

选择EV、RV和UK的隶属函数为对称三角型非均匀分布;μ的隶属函数采用对称三角形均匀分布(图略)。

根据超声马达的特点,选用经验归纳法作为模糊控制规则。在主模糊控制器控制规则设计时,基于这样的准则:当速度误差较大时控制的目的应该是使误差迅速减小;误差较小时,控制除了要使速度跟随期望值外,还要考虑系统的稳定性,防止超调。由此,速度偏差为负时,如果误差为负大,并且误差变化为负,此时误差继续向负方向增大,为尽快消除已有的负大误差,并抑制误差变大,控制量应该使输出迅速变大;如果误差为负而误差变化为正,此时系统的误差在减小,为了尽快消除误差且防止超调,控制量应该使输出以较慢的速度变大。误差为正时亦然。即,如果速度远小于或较小于期望值且有明显或一定的继续减小的趋势,则应增大占空比系数使速度接近期望值;如果速度稍小于期望值且有较大的增大趋势则需要一定程度的减小增大趋势以避免超调。

表2给出了以速度误差EV和速度误差变化RV为输入,以占空比系数偏差UK为控制量输出的主模糊控制器控制规则表。

辅助模糊控制器的设计主要从以下两方面考虑:

1)为保证模糊控制器的输出响应具有较小的超调和较短的上升时间,当误差较大,且与误差变化符号相反时,应适当减小控制器比例因子的大小。当误差较大,且与误差变化符号相同时,系统响应正加速偏离设定值,为减小这种不利趋势,应增大比例因子。

2)当系统响应在设定值附近时(此时误差较小),为防止产生较大的超调或欠调,比例因子应该具有较宽的变化范围。比如当系统响应刚达到设定值,但又具有迅速向上偏离的趋势时,应适当加大比例因子以减小超调。

表3给出了以速度误差EV和速度误差变化RV为输入,以比例因子调整系数μ为控制量输出的辅助模糊控制器控制规则表。

3)模糊逆运算

非模糊化的方法有多种,常用的包括重心法,加权模糊推理法函数推理法,最大隶属度法以及取中位数法等。其中最大隶属度法突出了隶属度最大元素的控制作用,忽略了隶属度较小元素的控制作用,使得模糊逆运算过程简单易行,实时性强,但同时使得信息的利用量较小。因为目前对超声马达速度控制的研究尚处于改善运动稳定性和可靠性阶段,因此模糊控制器设计应着重考虑控制系统灵敏性,其次是控制系统精度。因此在实验中采用最大隶属度法作为模糊逆运算方法。最大隶属度法的规则为:对于控制量的模糊子集,所选择的隶属度最大元素u*应满足:

若u*为单一值,则选改值作为控制量;若存在多个隶属度均为最大的u*,且各元素间存在u1*≤u2*≤…≤up*,则取它们的平均值,或取[u1*,up*]的中点(u1*+up*)/2作为控制量。

3 SAOFC性能仿真

因为超声马达没有精确的数学模型,无法通过传递函数进行仿真研究。因此,在模糊变量、论域、模糊参数、隶属函数以及控制规则选取等均与实验中设计的SAOFC相同的情况下,对一个二阶滞后环节:e-0.25/(s2+s+0.5)进行了仿真,并同常规PI型控制器(PIFC)进行了性能对比。仿真结果如图2所示。

由图2可知,该自调整比例因子模糊控制器与常规模糊控制器相比,系统超调较小,上升时间较短,对被控对象参数变化适应能力强,具有更好的系统控制性能。

4 闭环控制实验

按前文所述,在建立模糊控制规则表以后,通过合理的选用采样时间,应用编程语言循环机构构成了模糊闭环系统,并通过实验进行了测试。在空载条件下,测得闭环速度-时间曲线如图3所示,放大后的马达转速误差分布如图4所示。

实验中,马达期望速度输出为320r/min,工作频率为35.4KHz,运行平均速度为319.4r/min,响应时间约为150ms,超调为13.75%。实验结果表明,应用脉宽调制方法进行速度调节效果明显,线性较好;应用自适应模糊控制很大程度上弥补了超声马达温敏性的缺陷,同时降低了马达的转速误差,较好地改善了超声马达的速度平稳性,使得实际速度输出较好地跟随了期望速度。

参考文献

[1]李营.基于Digital_PWM方法的超声马达驱动控制电路设计[J].机电产品开发与创新.2008,3(2):136-137.

[2]魏守水,张玉林,赵淳生.模溯控制原理在超声马达定位控制系统中的应用[J].电机与控制学报.2002,6(3):217-220.

[3]M.Kinouchia,I.Hayashib,N.Iwatsukib,K.Morikawab,J.Shibatac,K.Suzukid.Application of Fuzzy PI control to improve the positioning accuracy of a rotary-linear motor driven by two-dimensional ultrasonic actuators.Microprocessors and Microsystems.2002,24:105~112

[4]李士勇.模糊控制.神经控制和智能控制论.(第二版)[M].哈尔滨工业大学出版社.1998:254~403.

[5]张松兰.自适应模糊控制器设计[J].工业控制与应用.2009,2:12-14.

【自适应调制编码论文】推荐阅读：

自适应提升07-14

自适应框架07-18