信道处理

信道处理（精选十篇）

信道处理 篇1

关键词：散射信道,频谱累积,滑窗平均,微波信号

0 引言

在散射信道情况下,对微弱信号的精确提取尤为关键。而当前常规的信号搜索处理算法无法实现对散射信道情况下的微弱信号的精确提取。当信号的信噪比较低时,信号的检测性能就会受到一定程度的影响,解决途径之一就是通过某种信号处理来提高信号的信噪比。通过将采样数据分成多段,对较少点采样做FFT,积累其幅度谱,可以有效地提高信噪比,使算法的信噪比阈值显著提高。本文利用分段谱平均和滑动窗平均等预处理方法,有效提高了接收信号的信噪比; 对经过预处理后的频域数据,利用常规的信号检测方法实现对微弱信号的发现提取。

1 散射信道信号搜索处理算法原理

1. 1 分段谱平均处理技术

在利用FFT处理时,其运算量与估计精度是一对矛盾[1,2,3],较短的数据会使频率分辨率降低[4],而较长的数据又会使运算量显著增加[5,6]。因此,将数据分成多段,可以缩短FFT点数,减少运算时间,适合于实时处理[7]。对接收数据进行分段谱平均处理的具体实现过程如下:

首先对 { y( k) ,0≤k≤N - 1} 进行分段,每段的长度设为L ,共分成M段,各段之间互不重叠,则第m段信号可以表示为:

对ym( 0≤m≤M - 1) 进行L点的FFT,则相应的幅度谱为:

式中,Nm( l) 为第m段数据叠加的噪声序列在概率意义上的L点FFT变换[8]。因为白噪声为平稳随机过程,不满足Fourier变换时绝对可积条件,不能对其进行Fourier变换[9]。然而对于采样后的序列,可将DFT变换看作是若干个随机变量的线性组合,每项DFT系数仍为随机变量[10]。

把每段频谱中对应位置的幅度谱进行平均,可得

1. 2 滑动窗平均检测技术

滑窗平均检测主要由3个步骤完成: 可变窗长滑动平均、平均求背景和求门限信号检测。滑窗平均检测框图如图1所示。

1. 2. 1 可变窗长滑动平均

假设对FFT求模运算的处理结果为x( i) ,滑动窗平均的处理结果为y( i) ,则

式中,w为滑动窗长度参数,其取值范围为1、2、4、8、16和32。

当i < w或i > N - w时,根据频率重复的特点,将0 ~ N - 1首尾连接,求平均。例如:

1. 2. 2 平均求背景

平均求背景是将滑窗平均后的结果求和并除以N ( N为数据长度) ,得出平均背景,将平均背景作为判决门限。

1. 2. 3 求门限信号检测

1滑窗平均的结果与门限加权因子相乘得到新的信号序列。

2用信号判决门限对求模后的频谱序列进行判决处理: 信号幅度 > 判决门限,则表示有信号; 信号幅度 < 判决门限,则表示没有信号。

3对于检测结果是连续信号点的情况下,取信号模值最大的点作为信号检测的结果。

1. 3 参数估计方法

将采样接收数据分成M段,对每段数据分别进行FFT处理,然后把每段频谱中对应位置的幅度谱进行平均后的处理结果作为滑动窗平均处理算法的输入[11],按着滑动窗检测原理进行信号检测,接下来就是对检测出的信号估计其信号个数、信号频率和信号带宽等[12]。参数估计算法的具体实现过程如图2所示。

算法步骤如下:

第1步: 根据滑动窗平均处理后输出的门限threhold1及采样频 率fs求出大于 检测门限threhold1的谱线位置pos1并存储下来,若记录的超过门限threhold1的谱线数量len1≤1,则判断为无信号; 若len1 > 1,则求出相邻谱线间的距离,根据最小信号带 宽判决门 限threhold2将大于门 限threhold2的谱线位置pos2记录下来,如果记录的超过门限threhold2的谱线数量len2≥1,则判断为len2 + 1个信号,如果len2 < 1,则判断为1个信号。

第2步: 若判断出一个信号时,由pos1的第1个点和最后一个点组成此信号的谱端点; 若判断出len2 + 1个信号,则由pos1的第1个点、len2个谱端点和pos1的最后一个点组成len2 + 1个信号的谱端点。

第3步: 根据每个信号的谱端点求出其频率和带宽。信号频率fre = ( 起点+结束点) /2 /fs/ L; 信号带宽BW=( 结束点-起点) * fs/ L。

2 测试结果分析

测试条件: 采样频率51. 2 MHz,采样数据长度4 096, 5个信号频 率分别为:4. 8MHz、7. 8 MHz、9. 8 MHz、12. 8 MHz和17. 8 MHz,信号带宽分 别为: 300k Hz、560k Hz、280k Hz、1. 433 6 MHz和1. 433 6 MHz,调制样式 分别为: CPFSK、BPSK、QPSK、8PSK和QAM16,信噪比0d B。5个混合信号作为采样接收数据。经过本文的信号检测处理方法后得到的信号频谱图如图3所示,参数估计得到的结果为:

由检测结果可以看出,应用本文算法可以对多个低信噪比、不同调制样式和不同带宽的混合信号进行有效的检测和参数估计。由信号频谱可以看出,信号中混合了较强的噪声,经过分段谱平均、滑动窗平均后信号的信噪比有所提高,信号频谱与噪声频谱得到有效的分离。

3 结束语

采用分段谱平均和滑动窗平均相结合的信号检测算法,并通过将采样数据分成多段,对较少点采样作FFT,积累其幅度谱,有效地提高了信噪比; 利用FFT处理,将数据分成多段,缩短了FFT点数,减少了运算时间。这样,从信号频谱中可以看出,即使散射信道信号中混合有较强的噪声,然而经过分段谱平均和滑动窗平均预处理后,提高了散射信道信号的信噪比有所,使算法中的信噪比阈值显著提高,达到信号频谱与噪声频谱有效分离的目的。

对经过预处理后的频域数据利用常规的信号检测方法实现了对微弱信号的有效检测,从而实现了在散射信道环境下,低信噪比、宽带信号的发现提取。

无论从理论分析还是从测试结果中都可以看出,此算法可以有效地对多个微弱信号同时进行检测和参数估计,适用于对散射信道情况下的信号搜索处理。

参考文献

[1]杨小女,葛临东.基于分段谱平均的高精度频率估计方法[J].信息工程大学学报,2007,8(1):6-8.

[2]孟建.直扩信号检测的相关积累技术[J].电子对抗技术,2001,16(2):1-5.

[3]段凤增.信号检测理论[M].哈尔滨:哈尔滨工业大学出版社,2002.

[4]王志良.电磁散射理论[M].成都:四川科学技术出版社,1994.

[5]宋铮,张建华.电磁场、微波技术与天线[M].西安:西安电子科技大学出版社,2011.

[6]雷振亚,明正峰,李磊.微波工程导论[M].北京:科学出版社,2010.

[7]童创明.电磁场微波技术与天线[M].西安:西北工业大学出版社,2009.

[8]丁钟琦.微波传输技术[M].长沙:湖南大学出版社,2000.

[9]DAVID M P.微波工程[M].北京:电子工业出版社,2006.

[10]王新稳,李萍.微波技术与天线[M].北京:电子工业出版社,2003.

[11]牛传峰,吴旭,赵东贺.相控阵天线阵元失效的影响分析及补偿[J].无线电通信技术,2013,39(5):44-46,77.

信道是什么_信道的报警信道 篇2

信道是什么

一是指词语，表示知道的意思，二是指通信的通道，是信号传输的媒介。

信道的报警信息

信道是探测电信号传送的通道。信道的种类较多，通常分有线信道和无线信道。有线信道是指探测电信号通过双纹线、电话线、电缆或光缆向控制器或控制中心传输。无线信道则是对探测电信号先调制到专用的无线电频道由发送天线发出;控制器或控制中心的无线接收机将空中的无线电波接收下来后，解调还原出控制报警 信号。

信道是传输探测电信号的通道，也即媒介。信道的范围有狭义和广义之分。仅指传输信号的媒介称为狭义信道;把除包括传输媒介外，还包括从探测器输 出端到报警控制器输入端之间的所有转换器(如发送设备、编码发射机、接收设备等)在内的扩大范围的信道称为广义信道。

狭义信道

狭义信道，按照传输媒质来划分，可以分为有线信道、无线信道和存储信道三类。

有线信道

有线信道以导线为传输媒质，信号沿导线进行传输，信号的能量集中在导线附近，因此传输效率高，但是部署不够灵活。这一类信道使用的传输媒质包括用电线传输电信号的架空明线、电话线、双绞线、对称电缆和同轴电缆等等，还有传输经过调制的光脉冲信号的光导纤维。如图 3为常见的有线通信方式，通常每个家庭的固定电话就是通过有线信道进行通讯。

无线信道

无线信道主要有以辐射无线电波为传输方式的无线电信道和在水下传播声波的水声信道等。

无线电信号由发射机的天线辐射到整个自由空间上进行传播。不同频段的无线电波有不同的传播方式，主要有：

地波传输：地球和电离层构成波导，中长波、长波和甚长波可以在这天然波导内沿着地面传播并绕过地面的障碍物。长波可以应用于海事通信，中波调幅广播也利用了地波传输。

天波传输：短波、超短波可以通过电离层形成的反射信道和对流层形成的散射信道进行传播。短波电台就利用了天波传输方式。天波传输的距离最大可以达到400千米左右。电离层和对流层的反射与散射，形成了从发射机到接收机的多条随时间变化的传播路径，电波信号经过这些路径在接收端形成相长或相消的叠加，使得接收信号的幅度和相位呈随机变化，这就是多径信道的衰落，这种信道被称作衰落信道。

视距传输：对于超短波、微波等更高频率的电磁波，通常采用直接点对点的直线传输。由于波长很短，无法绕过障碍物，视距传输要求发射机与接收机之间没有物体阻碍。由于地球曲率的影响，视距传输的距离有限，最远传输距离 d 与发射天线距地面的高度 h 满足。如果要进行远距离传输，必须设立地面中继站或卫星中继站进行接力传输，这就是微波视距中继和卫星中继传输。光信号的视距传输也属于此类。

由于电磁波在水体中传输的损耗很大，在水下通常采用声波的水声信道进行传输。不同密度和盐度的水层形成的反射、折射作用和水下物体的散射作用，使得水声信道也是多径衰落信道。

无线信道在自由空间(对于无线电信道来说是大气层和太空，对于水声信道来说是水体)上传播信号，能量分散，传输效率较低，并且很容易被他人截获，安全性差。但是通过无线信道的通信摆脱了导线的束缚，因此无线通信具有有线通信所没有的高度灵活性。如图4所示为常见的无线通信方式，手机和手机之间通电话，电脑之间通过蓝牙互传信息，这些都是经过无线方式进行通讯。

存储信道

在某种意义上，磁带、光盘、磁盘等数据存储媒质也可以被看作是一种通信信道。将数据写入存储媒质的过程即等效于发射机将信号传输到信道的过程，将数据从存储媒质读出的过程即等效于接收机从信道接收信号的过程。

广义信道

广义信道，按照其功能进行划分，可以分为调制信道和编码信道两类。

调制信道是指信号从调制器的输出端传输到解调器的输入端经过的部分。对于调制和解调的研究者来说，信号在调制信道上经过的传输媒质和变换设备都对信号做出了某种形式的变换，研究者只关心这些变换的输入和输出的关系，并不关心实现这一系列变换的具体物理过程。这一系列变换的输入与输出之间的关系，通常用多端口时变网络作为调制信道的数学模型进行描述。

编码信道是指数字信号由编码器输出端传输到译码器输入端经过的部分。对于编译码的研究者来说，编码器输出的数字序列经过编码信道上的一系列变换之后，在译码器的输入端成为另一组数字序列，研究者只关系这两组数字序列之间的变换关系，而并不关心这一系列变换发生的具体物理过程，甚至并不关心信号在调制信道上的具体变化。编码器输出的数字序列与到译码器输入的数字序列之间的关系，通常用多端口网络的转移概率作为编码信道的数学模型进行描述。

有线信道

在报警器中常用的有线信道有如下两种。

① 专用线

专用于连接每个探测器和报警接收中心的线路，只作为传输该系统的探测信号用，不做它用。一般常用的有双绞线、电缆、通信电缆。专用线是我国目前大量采 用的信道。专用线有并行传输的多线制和串行传输的总线制两种。总线制线数最少有两根，既做电源传输用又做信号传输用。常用的是4根线，电源线和信号线分 开，也有6根线或更多一点的。串行总线制比并行传输的多线制对整个报警工程系统的设计、施工和节省导线上优越得多，尤其是对大、中型工程来说优越性就更加 显著。

② 借用线

一些建好的建筑物内，已有各种传输线网络，如220V的照明线路，电话及电视共用的天线线路等。若能借此传输报警系统的探测信号，这也是报警系统的设 计者和施工者们所盼望的。人们根据实际需要研制了能利用已有的线路传输报警探测信号的相关设备，像电话报警器，平时作为电话用，有情况时作为报警器用。

无线信道

无线信道将探测器输出的探测电信号经过调制，用一定频率的无线电波向空间发送，到报警控制器处接收。控制中心将接收信号分析处理后，发出报警和判定报警部位。

一般都是探测器在正常状态下不发射无线电波，而在报警状态下发射无线电波的模式。常用的有调幅与调频两种方式。a

信道处理 篇3

与会专家认为，该标准针对不同应用场景设计了不同的传输模式和参数，兼容我国现有模拟调频广播的频谱规划，能够满足我国调频频段声音广播从模拟到数字平滑过渡的需求，对于我国数字音频广播及相关产业的发展具有具体指导作用，同意该标准通过审查。

广东广电积极推进三网融合

上半年，广东广电系统积极推进三网融合，取得了一系列成效：一是南方广播影视传媒集团IPTV发展迅速。3月29日，央视CNTV、南方传媒集团和广东电信签署广东省三网融合IPTV业务合作协议，三方将在IPTV业务领域开展深度合作；5月，IPTV平台二期建设基本完成，具备3.4万小时点播内容，直播频道共106套。二是深圳三网融合试点工作取得里程碑式突破。在全国试点城市率先实现IPTV商业运营，5月底用户规模超过30.6万，并完成内容平台一期建设，可向用户提供超过50000小时点播节目，提供80路高标清直播频道、1路中国3D试验频道，形成了15大点播栏目，实现节目内容创新。深圳广电与北京大学深圳研究生院合作成立三网融合核心技术联合实验室，研发的核心课题包括“移动高清IPTV系统”、《三网融合分布式存储机构》等，部分已获得或正申请国家发明专利授權。三是省级三网融合监管平台加紧建设。目前该项目经广东省领导同意，得到广东省政府的大力支持，现正加紧报建立项，以确保三网融合下广东全省广播电视播出安全。

信道处理 篇4

在高速移动环境中, 无线信道的冲激响应会呈现时变特性, 在接收端解调信号中引入子载波间干扰 (ICI) , 使得系统性能严重恶化, 因此接收端的信道估计和ICI消除算法就显得十分重要[1,2,3]。信道估计可以分成盲估计和数据辅助型两大类。盲信道估计算法很难跟踪时变信道的变化情况, 因此OFDM系统中多采用基于导频的数据辅助型算法[4,5]。在时域和频域设计导频结构, 在导频点处插入已知序列, 在收端利用各种算法估计出传输信道响应。常用的导频辅助算法包括最小二乘 (LS) 算法[6]和最小均方误差 (MMSE) 算法[7]。LS算法复杂度低, 不依赖信道的统计特性;但由于没有考虑噪声对信道估计造成的影响, 并且不能对抗多普勒频移, 所以性能受限。MMSE算法理论上具有最好性能, 但由于需要求取逆矩阵, 复杂度高, 并且需要知道信道的统计特性, 实现困难。

本文提出一种OFDM系统的快速时变信道估计方法, 可以有效消除多普勒频偏引入的ICI, 在取得较好性能的同时能够避免MMSE算法过高的运算复杂度。

1 系统模型

假设OFDM系统包含N个子载波, 频域发送数据为X=[X0, X1, …, XN-1]T。通过逆快速傅里叶变换 (IFFT) 将频域数据转换为时域数据, 即x=FHX=[x0, x1, …, xN-1]。经过无线信道传输以后, 接收端数据y=[y0, y1, …, xN-1]为:

H表示N×N的时域信道冲击响应矩阵, 其中第n行第l列元素为表示求模运算, hn, l表示在时刻n (0≤n≤N-1) , 延时l (o≤l≤L-1) 处的信道冲击响应, v表示噪声向量。

假设理想时间同步, 接收端对式 (1) 做FFT变换, 得到

其中, 表示无线信道的频率响应矩阵, V表示噪声的频域形式。如果无线信道保持不变, 则H是一个循环矩阵, 那么G是对角阵。这种情况下子载波间没有干扰, 数据解调十分容易。如果无线信道由于多普勒效应而发生变化, 则H是不再是循环矩阵, G也不是对角阵。此时第k个子载波的输出[8]为:

式中, 第1项为希望解调的信号, 第2项为ICI。

2 ICI分析

将频率响应矩阵C中的元素Gk, n展开得到:

如果信道保持不变, 可以推导出[9]:

这种情况下矩阵G是对角阵, 不会引入ICI。

首先定义, 表示第m条多径分量冲击响应的平均值。然后用一个线性模型来模拟无线信道在时域的变化情况, 如图1所示。文献[7]证明在归一化多普勒频移不超过20%的条件下, 这个线性模型都很精确。假设αm表示第m条多径信道冲激响应的斜应, 那么第m条多径信道在时间r处的冲激响应可以写成:

将式 (4) 代入式 (6) , 可以推导出Gk, n的表达式为:

可以发现矩阵G的对角线由hmavg决定, 而非对角线元素由变化量Δhr, m决定。

3 频域均衡

根据式 (2) , 可以采用频域均衡的方法消除ICI, 这里采用MMSE准则。相应估计算法可以表示为:

式中, σ2是噪声能量, IN是N×N的单位矩阵。计算矩阵的逆, 需要数量级为 (N3) 的运算量, 复杂度很高。进一步分析可以发现对某个子载波而言, 绝大部分的ICI是由临近子载波引起的, 而与其距离较远的子载波影响可以忽略。因此可以将G近似为一个带状矩阵, 如图1所示。这个带状矩阵包含 (2D+1) 条主对角线和2个D×D的上三角和下三角矩阵, 表示ICI主要来自左右相邻的D个子载波。和传统频域均衡对整个ICI进行消除不同的是, 这种方法是对每一个子载波分别进行ICI消除, 所以只用考虑临近子载波的影响。为此构建一个G的子矩阵Gm, 大小为 (2D+1) × (4D+1) , 具体形式为:

利用子矩阵Gm进行频域均衡, 具体表示为:

其中, Q=2D+1, gm=Gm (:, 2D+1) 表示Gm的中间列。则经过均衡后的第m个子载波上的数据为:

4 信道估计

以上的频域均衡方法需要知道信道矩阵G, 这里采用导频辅助的方法对信道进行估计。假设一共有P=N/d个导频均匀分布在p (0) , …, p (P-1) 中, 彼此间隔为d。信道估计算法步骤如下:

(1) 暂时忽略掉ICI, 那么在有导频的子载波上可以进行信道估计, 具体为:

(2) 利用插值方法计算出整个G上的对角线元素, 然后再利用P点IFFT将频域信道相应转换成时域冲激响应向量, 其中t-1表示第t个OFDM符号。同理计算出

(3) 对t个OFDM符号, 假设无线信道变化的斜率有两个, 符号的前半部分为, 后半部分为, 分别的计算公式为:

(4) 有了斜率以后, 就可以计算出矩阵G中所有的非主对角线元素, 结合第一步中得到的主对角线元素, 对整个G的估计完成。然后就可以构造子矩阵Gm, 利用式 (9) 分别对每个子载波进行ICI补偿。

5 仿真结果与分析

为了验证本文所提算法的性能, 进行了算法仿真。仿真参照Wi MAX标准设计了OFDM的系统参数[10]。载波频率为2.4 GHz, 可用带宽为5 MHz。调制方式采用QPSK星座图映射。所有结果都是经过10 000次的蒙特卡洛仿真得到。本文采用服从瑞利衰落的5径信道模型[11], 信道冲击响应为:

信道的最大多普勒频移为1 000 Hz。

图2给出了本文信道估计算法的均方差仿真结果, 同时加入了LS、MMSE信道估计算法进行性能对比。本文算法中取D=1。从图中可以发现, 由于较大的多普勒频移会带来严重的ICI, 使得LS算法的性能恶化, 并且会出现平台现象, 即增大SNR, 算法MSE不会再降低。本文方法通过简化ICI矩阵, 可以达到与MMSE信道估计算法相近的性能, 同时算法复杂度大大降低。通过计算, 本文算法复杂度运算量级为N×O (53) , 而MMSE算法运算量级为O (N3) , 若取N=256, 则复杂度减少了99.81%。

图3对3种方法的误比特率进行了仿真对比。从图中可以看出, 本文提出的算法和MMSE信道估计误比特率性能十分接近, 并且与理想情况相比, 性能损失很小。对于LS算法而言, 由于其信道估计不准确, 导致误比特率性能相比于其他两种方法有明显恶化, 同时存在平台现象。

6 结束语

在快速时变信道下, 如何消除由多普勒频移引入的ICI是十分重要并且具有挑战性的。为了提高传统算法的性能, 通过分析ICI矩阵的特点, 提出了基于带状矩阵的简化MMSE信道估计算法。经过仿真分析, 在多普勒频移为1 000 Hz的时变信道中, 所提出的基于带状矩阵的信道估计算法相比于传统LS算法在估计精度上更为准确;同时在获得与MMSE算法相近性能的前提下, 计算复杂度大大降低, 表明算法在快速时变信道下是有效的, 并且能够在运算复杂度和估计精度之间很好地折中。

参考文献

[1]李敏, 黎锁平, 田秀丰.OFDM系统基于信道多径时延检测的自适应信道估计[J].无线电通信技术, 2009 (3) :1-5.

[2]王晗, 汪晋宽.OFDM系统LS信道估计中的最优导频设计[J].东北大学学报, 2008 (29) :673-676.

[3]席晓平, 张灿.移动OFDM系统中的ICI消除算法研究[J].电子与信息学报, 2009 (31) :653-656.

[4]张海滨.正交频分复用的基本原理与关键技术[M].北京:国防工业出版社, 2006:59-62.

[5]惠永涛, 李兵兵, 同钊, 等.时频双选信道OFDM系统的低复杂度MMSE-SD算法[J].电子与信息学报, 2013 (35) :261-266.

[6]李一杰, 周新力, 宋斌斌.OFDM系统中基于DFT的信道估计方法[J].无线电工程, 2014 (4) :73-76.

[7]YASAMINM, DONALD C C.ICI Mitigation for Pilot-Aided OFDM Mobile Systems[J].IEEE Transactions on Communications, 2005, 4 (2) :765-774.

[8]龚钢, 雷维嘉, 谢显中.基于梳状导频分布的OFDM信道估计改进算法[J].电讯技术, 2011 (4) :102-105.

[9]SI L U, Naofal A D.Coherent and Differential ICI Cancellation for Mobile OFDM with Application to DVB-H[J].IEEE Transactions on Wireless Communications, 2008, 7 (7) :1-7.

[10]ABICHAR Z, PENG Y, CHANG J M.Wi Max:The Emergence of Wireless Broadband[J].IEEE IT Prof., 2005, 8 (4) :44-48.

信道处理 篇5

一般默认的是信道6或者AUTO，你可以先用wirelessmon这类的软件查找出你周围AP的信号信道，然后得知一个理你最近的AP信号信道是什么。

1.6.11.这些信道之所以用的比较多，因为他们的信号频率是阶梯式的，覆盖率最低的，也就是影响范围最小的，所以建议在你最近的那个AP的信号信道加一层，它是6，你就选11，它是1，你就选6。

wirelessmon 下载:xiazai.zol.com.cn/detail/14/136314.shtml

WirelessMon是一款允许使用者监控无线适配器和聚集的状态，显示周边无线接入点或基站实时信息的工具，列出计算机与基站间的信号强度，实时的监测无线网络的传输速度，以便让我们了解网络的下载速度或其稳定性。

安装过程我就不废话了，很简答，完成后，打开wirelessmon主界面，可以通过select network card右边的下拉菜单选择对应的无线网卡，需要注意的是，既然叫做WirelessMon，就只能对无线网络进行Monitor，无法支持有线网络速度 测试。

在中间右边区域看到当前环境下周边的无线网络信号基本情况，这里主要显示的是无线信道相关信息，包括有几个2信道，有几个6信道等等，下面还有 个切换按钮可以在802.11a与802.11b/g模式之间更换，估计绝大多数人用的无线网络都是b/g的，不过不知道为什么没有未来的趋势 802.11n切换。

在下方大面积区域我们能够看到当前环境周边扫描到的无线网络基本信息，包括状态是否可用，SSID信息，使用的发射频段，是否加密传 输，RSSI信号强度，目的无线网络基本传输速度模式，无线路由器或AP的MAC地址，无线网络组成模式(点对点还是点对多点)，连接的时间基本信息等， 通过这个区域的信息我们可以清晰详细的了解四周无线网络的组成状况。

我的无线路由器可以设置信号强度，这是把路由器设置成最小28mW发射功率时候的监测数据，可以看到信号是-52dBm/47%。

在同一位置，设置成最大281mW时候的信号监测数据，可以明显看到信号边强，有-38dBm/65%了。不过建议各位不要超过100mW，要不然多少对人体有伤害，DD-WRT默认就是最小的28mW，就我这里来说，28mW也够用了。

除了上面提到的无线信号扫描功能外，wirelessmon还提供了信号强度检测、监测无线网络的传输速度与图标生成等功能，点主界面左侧的 graphs，横坐标是时间坐标，而纵坐标可以由我们来选择参数，包括signal strength percentage，signal strength(DBM)，received rate，sent rate，total data rate等等，以便让我们了解网络的下载速度或其稳定性，

随着无线技术的逐渐发展，无线产品价格的不断走低，越来越多的企业开始着眼于将企业内网建立成无线网络，然而你是否知道在无线网络中各个设备该如何摆放呢?你又是否明白无线网络最忌讳的是地理位置出现信号盲点问题呢?

今天给各位介绍的WirelessMon就是一款不错的无线信号扫描和监测工具，通过它我们可以更加合适更加高效的建立企业无线内网，也可以查看购买的无线产品信号到底好不好，是不是够稳定。

WirelessMon是一款允许使用者监控无线适配器和聚集的状态，显示周边无线接入点或基站实时信息的工具，列出计算机与基站间的信号强度，实时的监测无线网络的传输速度，以便让我们了解网络的下载速度或其稳定性。

安装过程我就不废话了，很简答，完成后，打开wirelessmon主界面，可以通过select network card右边的下拉菜单选择对应的无线网卡，需要注意的是，既然叫做WirelessMon，就只能对无线网络进行Monitor，无法支持有线网络速度 测试。

在中间右边区域看到当前环境下周边的无线网络信号基本情况，这里主要显示的是无线信道相关信息，包括有几个2信道，有几个6信道等等，下面还有 个切换按钮可以在802.11a与802.11b/g模式之间更换，估计绝大多数人用的无线网络都是b/g的，不过不知道为什么没有未来的趋势 802.11n切换。

在下方大面积区域我们能够看到当前环境周边扫描到的无线网络基本信息，包括状态是否可用，SSID信息，使用的发射频段，是否加密传 输，RSSI信号强度，目的无线网络基本传输速度模式，无线路由器或AP的MAC地址，无线网络组成模式(点对点还是点对多点)，连接的时间基本信息等， 通过这个区域的信息我们可以清晰详细的了解四周无线网络的组成状况。

在同一位置，设置成最大281mW时候的信号监测数据，可以明显看到信号边强，有-38dBm/65%了。不过建议各位不要超过100mW，要不然多少对人体有伤害，DD-WRT默认就是最小的28mW，就我这里来说，28mW也够用了。

信道处理 篇6

关键词：OFDM,信道估计,本地人工信道,奇异值分解

0 引言

正交频分复用 (OFDM) 技术由于具有较高的频谱利用率、对抗多径干扰效果好、较高的数据速率等优点, 广泛地应用到无线通信系统中。因为无线信道具有多径和时变特性, 为了降低多径和衰弱对系统性能的影响, 需要在接收端利用信道估计来补偿信道的变化。

OFDM信道估计是一个古老的话题, 但是对于它的研究一直没有停止, 有对估计算法的研究, 如文献[1]提出的基于本地人工信道的估计方法;还有设计合适导频序列来对抗频率偏移的信道估计[2];有针对MIMO系统的递归更新的信道估计方法[3];有对导频摆放方法的研究[4];有基于二维扩展的对时域快变信道的估计[5];当然也有对现有算法的改进的文章[6,7]。本文主要针对基于导频的信道估计算法的研究, 这类算法是利用在数据流中插入一定数量的已知数据 (导频) 进行信道估计, 传统估计方法包括最小二乘估计 (LS) 和线性最小均方误差估计 (LMMSE) , 两种方法在性能和复杂度上各有利弊。本文介绍了这两种基于导频的OFDM信道估计基本方法, 以降低LMMSE复杂度为目标, 引入一种基于本地人工信道的估计方法来减少LMMSE方法中的自相关矩阵问题, 并对此改进方法进行进一步的奇异值分解解决矩阵求逆的问题, 使本文的方法不但具有很少的计算量而且在性能上与传统LMMSE方法相差不到1 d B, 是一种具有实际应用价值的OFDM信道估计方法。

1 基于导频的传统信道估计基本方法

建立OFDM系统的基带模型, 如图1所示是一个简单的基带模型[8]。x0, x1, ⋯, xN-1为发射的频域值, y0, y1, ⋯, yN-1为接收到的频域值, CP为循环前缀, h (t) 为时域多径信道, 它的表达式为[9]:

式 (1) 表示有M条径;hk来自功率延迟分布, 表示第k条径上的衰减系数;τkTs表示第k条径上的延时;Ts为系统的采样间隔。

假定CP (循环前缀) 能够完全的保证OFDM系统中的各个子信道的正交性并能消除符号间干扰, 并假设信道是慢变信道, 即一个OFDM符号的时间当中基本保持信道的不变。那么可以把该系统简单地描述为由多个子信道组成的系统, 转化为数学模型为一个向量和矩阵的等式:

式中:y表示接收端收到的频域N×1向量;X是一个N×N的对角线矩阵, 对角线上的值为发送的对应子信道的导频信号;h为N×1的子信道的信道参数矩阵;n为高斯白噪声, n和h是不相关的。

最小二乘估计 (LS) 是观测值与估计值之间的误差平方和最小, 按上述矩阵等式可得最小二乘估计[8]:

线性最小均方误差估计 (LMMSE) 利用正交原理, 估计误差和观测样本是正交的, 得到:

其中, 显然β是跟调制方式有关, 如果是QPSK调制, 那么β=1;Rhh是信道的自相关矩阵;就是LS估计。

从公式来看LS算法相对简单, 一次估计只需要进行N次运算即可, 而LMMSE算法的复杂度非常高, 不但需要进行LS估计, 还需要求自相关矩阵, 并且要进行矩阵的求逆和矩阵相乘的运算, 计算复杂度太高, 所以实际系统中运用的基本都是LS算法, 然而在性能上, LMMSE算法要远好于LS算法, 所以如何让LMMSE算法能简单地应用到实际系统中是一个研究方向。要实现上述要求, 需要解决两个主要问题, 一个是自相关矩阵Rhh的计算, 另一个是矩阵求逆的计算。

2 基于本地人工信道的信道估计

首先, 解决自相关矩阵的计算问题, 采用本地建立人工信道g并只对导频进行滤波, 然后与经过实际信道的导频和起来进行估计, 基本流程如图2所示[1]。

通过增加本地人工信道g, 使得等效信道模型的表达式变为:

则混合信道k的LMMSE估计为:

而实际信道h的估计就变为:

当本地人工信道满足一定条件时, Rkk≈Rgg, 这样自相关矩阵只需要计算一次, 大大简化了计算量。当多径延时满足均匀分布, 功率延时谱满足负指数分布时, 自相关矩阵中的每个元素为[8]:

式中:τmax为最大多径延时相对于采样率Ts的归一化值;τrms为均方根时延相对于采样率Ts的归一化值;N为子载波个数。显然, 当子载波个数确定时, 这个自相关矩阵的元素只跟τmax, τrms这两个关键元素有关。而当这两个关键元素都由本地人工信道g决定时, 自相关矩阵就只需要计算一次。分析混合信道k, 它可以表示为[1]:

式中:B, L, D分别为混合信道k、实际信道h和本地人工信道g的多径数;kb, hl, gd为各自信道多径的衰减值。显然BL+D, 而且对于给定的τb, 如果g (τbTs) =0 (或者h (τbTs) =0) , 那么kb的值就等于hl (或者gd) ;如果g (τbTs) 和h (τbTs) 都不等于0时, kb=hl+gd, 此时说明两个信道都具有一条延时τbTs的径。当D≫L时, B≈D, 而实际设计OFDM系统时, CP的长度是要大于最大多径延时的, 这样才能保证系统不受符号间干扰。如果令本地人工信道的最大多径延时接近CP的长度, 那么这个混合信道k的最大多径延时就等于本地人工信道的最大多径延时。当满足以上条件时, 可以认为决定自相关矩阵中的每个元素值的τmax和τrms基本由本地人工信道决定, 也就是说Rkk≈Rgg。那么可以在接收端事先知道自相关矩阵而不需要每次都进行计算。

然后是矩阵求逆的问题, 因为Rkk已知, 而自相关矩阵是一个非常特殊的矩阵, 它是一个厄米特矩阵, 对于厄米特矩阵而言, 奇异值分解和特征值分解是一致的, 对其进行奇异值分解 (SVD) 就可以表示为:

其中, U是一个酉矩阵, 由奇异向量组成;Λ是由奇异值组成的对角线矩阵, 对角线上的值是按大小排列的奇异值, 。信道的自相关矩阵的奇异值在P个 (P为CP的长度) 之后迅速变小[8], 所以可以近似Λ为P维的矩阵, 也就是舍去P个之后的奇异值来达到减少计算量的目的。近似之后的结果为:

其中ΔP是一个对角线矩阵, 里面的元素为:

对上述两种近似进行组合之后, 信道估计系统框图如图3所示。

需要在接收端存储人工信道G (N×1) 、部分的奇异值 (P个) 和奇异向量组成的矩阵 (N×P) , 并在接收端增加一个估计SNR的模块。这样就把普通的LMMSE简化成为只需要进行简单的相乘相加的运算, 而舍去了自相关矩阵的计算和复杂的矩阵求逆运算, 而这仅仅需要增加一小部分的数据存储。

3 仿真

用Matlab进行仿真, 接收端只考虑信道估计的性能, 不计其他纠错编码的影响。子载波数N=1 024, CP长度为N 4256, 采样率为10 MHz, 采用块状导频结构。实际信道采用COST 207标准的典型城区Ⅰ多径信道[10], 多普勒频移为25 Hz, 本地人工信道多径延时满足均匀分布, 功率延时谱满足负指数分布, 应用与中低速的图传系统。

图4显示了几种AC (Artificial Channel) 方法的性能, 其中Delay Sufficient表示的是按照文中的要求构造本地人工信道, 即本地人工信道的τmax设为CP的长度 (远大于实际信道) ;而Delay Insufficient1和Delay Insufficient2都与文中的要求有一定的差距, 情况1的本地人工信道的τmax略小于实际信道的τmax, 而情况2的本地人工信道的τmax为实际信道的τmax的一半。可以看出, 当本地人工信道设置合理时, 它的性能基本跟实际的LMMSE算法接近, 相同BER信噪比差距小于1 d B;而当本地人工信道设置不合理时, 性能会有很大的差距, 如情况1在10 d B之后开始逐渐地变差, 16 d B之后甚至比LS算法还要差;而情况2由于人工信道设置得更不合理, 导致从8 d B开始就比LS算法差了。

图5显示AC和SVD结合后的性能, 其中AC SVD1表示的是按文中要求进行取舍奇异值, 即取了最大的前CP个奇异值;而AC SVD2只取了最大的前CP/2奇异值。从图中可以看出, SVD1与普通的AC基本重合, 可以认为基本没有性能上的损失, 而SVD2因为少取了一些奇异值, 丢弃了一些有用信息而导致性能下降, 尤其是在信噪比10 d B之后性能迅速下降, 16 d B之后甚至比LS算法的性能还要差。

4 结论

通过以上仿真可以看出, 本文提出的AC+SVD的方法不但减少了求自相关矩阵、矩阵求逆在内的大量计算, 只需要进行简单的乘法和加法, 而且在性能上跟传统的LMMSE算法差距在1 d B以内, 所以该方法是一种具有实际应用价值的、高性能的OFDM信道估计方法。

参考文献

[1]SAVAUX Vincent, SKRZYPCZAK Alexandre, LOUET Yves, et al.Near LMMSE channel estimation preformance with artificial channel at receiver for OFDM systems[C]//13thInternational Workshop on Signal Processing in Wireless Communications.[S.l.]:[s.n.], 2012:545-549.

[2]OLIVER J, ARAVIND R, PRABHU K M M.Improved least squares channel estimation for orthogonal frequency division multiplexing[J].IET Signal Processing, 2012, l.6:45-53.

[3]HESKETH Thomas, DE LAMARE Rodrigo C, WALES Stephen.Adaptive MMSE channel estimation algorithms for MIMO system[EB/OL].[2012-11-26].www.ymcn.org/d-9bs1.html.

[4]Qun Yu and Ronglin Li.”Research on Pilot Pattern Design of Channel Estimation”Journal of Automation and Control Engineering, Vol.1, No.2, March 2013.

[5]PENA-CAMPOS F, CARRASCO-ALVAREZ R, LONGORIAGANDARA O, et al.Estimation of fast time-varying channels in OFDM systems using two-dimensional prolate[J].IEEE Transaction on wireless communications, 2013, 12 (2) :898-907.

[6]ZHOU Wen, LAM Wong Hing.A fast LMMSE channel estimation method for OFDM systems[D].Hong Kong, China:Department of Electrical and Electronics Engineering, The University of Hong Kong, 2009.

[7]MINN H, BHARGAVA V K.An investigation into time-domain approach for OFDM channel estimation[J].IEEE Transactions on Broadcasting, 2009, 46 (4) :240-248.

[8]EDFORDS O, SANDELL M, VAN DE BEEK J J, et al.OFDM channel estimation by singular value decomposition[J].IEEE Transactions on Communications, 1998, 46 (7) :923-927.

[9]VAN DE BEEK J J, EDFORS O, SANDELL M, et al.On Channel Estimation in OFDM Systems[C]//Proceedings of IEEE conference on Vehicular Technology.Chicago, USA:IEEE, 1995, 2:815-819.

信道处理 篇7

MIMO信道的状态信息对于接收端和发射端来说, 都是未知的。因此为了获取信道的状态信息, 通常的方法是在数据传输之前发送一段发射端和接收端都已知的训练符号。Hassibi和Hochwald[1]在假定系统接收算法理想的情况下, 对此问题展开了研究, 并讨论了信道估计误差的特点。M.S.Baek[2]讨论了半盲信道估计算法及信道估计误差的性质。因此, 不管是采用基于导频的还是采用盲的信道估计, 通常都会存在一定的估计误差。信道估计误差的存在会引起MIMO系统的信道容量下降[3,4,5,6,7,8,9]。

Bhavani Shankar采用一阶扰动理论推导了存在信道估计误差情况下系统信道容量的上下限[7], 但其分析过程繁琐, 而且计算复杂度非常高。M.Medard详细推导了当接收端存在信道估计误差时, 单输入单输出 (SISO) 系统互信息的下限[10]。本文重点研究在相关Rayleigh衰落信道情况下, 接收端存在信道估计误差时MIMO系统信道容量的下限。

1 信道信号模型

考虑接收天线和发射天线数分别是M和N的MIMO系统, 接收信号模型为:

$\mathit{y}=\mathit{{\rm H}}\mathit{x}+\mathit{n}(1)$

式中:x为M×1维发射信号向量;y为N×1维接收信号向量;H为M×N维信道转移矩阵;n为N×1维加性白高斯噪声矢量。

发射端ULA天线阵上间距为d的两根天线空间相关系数约为:

$R(d)\approx \exp \left(\text{j}\frac{2\text{π}d}{\lambda }\sin \phi \right)\text{s}\text{i}\text{n}\text{c}\left(\frac{2\text{π}d\Delta }{\lambda }\cos \phi \right)(2)$

式中:λ为载波波长;φ为信号平均出发方向角;Δ为散射角。

MIMO系统信道矩阵分解为[7]:

$\mathit{{\rm H}}=\mathit{U}\mathit{R}{}^{\text{Η}/2}(3)$

式中:矩阵U的元素为独立同分布的均值为0, 方差为1的复高斯随机变量;R1/2RH/2=R。

设接收端能准确估计衰落空间相关矩阵R, 利用MMSE对矩阵U进行估计。

$\widehat{\mathit{U}}=\mathit{U}+\epsilon (4)$

式中:$\widehat{\mathit{U}}$为U的估计, 其元素为独立同分布的均值为0, 方差为1+σ${}_{\epsilon }^2$的复高斯随机变量;矩阵$\widehat{\mathit{U}}$和U为联合高斯分布;ε为信道估计误差, 其元素为独立同分布的均值为0, 方差为σ${}_{\epsilon }^2$的复高斯随机变量。$\widehat{\mathit{U}}$和U相应元素的相关系数为:

$\rho =1/\sqrt{1+\sigma {}_{\epsilon }^2}(5)$

利用二元正态分布性质, 可以得到:

$\begin{array}{l}E[\mathit{U}|\widehat{\mathit{U}}]=\mu =\widehat{\mathit{U}}/(1+\sigma {}_{\epsilon }^2)(6)\\ D[\mathit{U}|\widehat{\mathit{U}}]=\sigma {}_{\epsilon }^2/(1+\sigma {}_{\epsilon }^2)(7)\end{array}$

将矩阵U写成如下形式:

$\mathit{U}=\frac{1}{1+\sigma {}_{\epsilon }^2}\widehat{\mathit{U}}+\mathit{\eta }(8)$

式中:矩阵η的元素为独立同分布的复高斯随机变量, 均值为0, 方差为σ2η=σ${}_{\epsilon }^2$/ (1+σ${}_{\epsilon }^2$) 。

因此, 可以将存在信道估计误差时的MIMO信道模型构建为:

$\mathit{{\rm H}}=\left(\frac{1}{(1+\sigma {}_{\epsilon }^2)}\widehat{\mathit{U}}+\mathit{\eta }\right)\mathit{R}{}^{\frac{1}{2}}=\widehat{\mathit{{\rm H}}}+\mathit{\alpha }(9)$

式中:$\widehat{\mathit{{\rm H}}}=(\widehat{\mathit{U}}\mathit{R}{}^{1/2})/(1+\sigma {}_{\epsilon }^2)‚\mathit{\alpha }=\mathit{\eta }\mathit{R}{}^{1/2}$。

2 MIMO系统信道容量分析

接收信号向量可以写为:

当L=αx+n被视为高斯噪声时, 可得到MIMO系统信道容量下限为:

系统平均信道容量下限为:

将$\widehat{\mathit{{\rm H}}}$和σ2η的表达式代入式 (11) 中可得:

当发射端未知信道状态信息时, 发射端在各发射天线上采用等功率发射方案。假设发射的总功率为P, 则每根发射天线上分配的发射功率为P/N, 即Q=E (xxH) =P/NIN。这种情况下, 式 (12) 可简化为:

由于矩阵$\widehat{\mathit{U}}$的元素为独立同分布的均值为0, 方差为1+σ${}_{\epsilon }^2$的复高斯随机变量, 所以$\mathit{W}=\widehat{\mathit{U}}{}^{\text{Η}}\widehat{\mathit{U}}\sim W{}_{{\rm N}}({\rm M},(1+\sigma {}_{\epsilon }^2)\mathit{{\rm I}}{}_{{\rm N}})$。

由Wishart分布性质可得:

利用式 (14) 可得:

将式 (15) 代入式 (13) 中可得:

3 仿真结果与分析

仿真中, 假设散射物都位于天线阵的远场, 并且信道为准静态瑞利衰落信道;噪声为均值是0, 方差为1的加性高斯白噪声。

图1给出了存在信道估计误差时, 收发天线数对系统信道容量的影响, 其散射角Δ=π/6, 信道估计误差σ${}_{\epsilon }^2$=0.01, 发射天线采用ULA, 相邻天线间距d=λ/4。从图中可看出, 由于有了信道估计误差的影响, MIMO系统的平均信道容量随着信噪比的增大逐渐趋于恒定。当发射天线和接收天线数增加时, 系统的平均信道容量是增大的。

图2给出了MIMO信道矩阵满秩时, 信道估计误差大小对系统平均信道容量的影响, 其散射角Δ=π/6, 发射天线采用ULA, 相邻天线间距d=λ/4, M=N=4。从图中可看出, MIMO系统平均信道容量对信道估计误差很敏感。随着信道估计误差的增大, 平均信道容量逐渐减小。当信噪比较小时, 信道估计误差对系统平均信道容量的影响不明显。当信道估计误差一定时, 信噪比增大到一定程度后, 系统的信道容量达到饱和, 再增大信噪比, 信道容量基本保持不变。

4 结 论

接收端获取准确的信道状态信息是MIMO系统达到理论信道容量的前提。但是, 信道估计时通常会引入估计误差, 导致系统信道容量的下降。鉴于此, 研究了相关衰落环境中信道估计误差对系统信道容量的影响。在探讨了信道估计误差特点的基础上, 重新构建了MIMO信道的统计模型, 进而推导了当MIMO信道矩阵满秩时, 仅接收端已知信道CSI情况下系统信道容量的下限。

参考文献

[1] HASSIBI B, HOCHWALD B M. How much training is needed in multiple-antenna wireless links?[J]. IEEE Trans. Info. Theory, 2003, 49 (4) : 951-963.

[2]BARK MS, KI M MJ, YOU Y H.Semi-blind channel esti-mation and PAR reduction for MI MO-OFDMsystem withmultiple antennas[J].IEEE Trans.Broadcasting, 2004, 50 (4) :414-424.

[3] YOO T, YOON E, GIKDSMITH A. MIMO capacity with channel uncertainty: does feedback help? [C]//IEEE Proc. of Globecom′04. Dallas, USA: IEEE, 2004: 96-100.

[4]CHEN Y X, TELLAMBURA C.Performance analysis ofmaxi mumratio transmission withi mperfect channel esti ma-tion[J].IEEE Commun.Lett., 2005, 9 (4) :322-324.

[5]GU D, LEUNG C.Performance analysis of transmit diver-sity scheme with i mperfect channel esti mation[J].Electronics Letters, 2003, 39 (4) :402-403.

[6]BALTERSEE J, FOCK G, MEYR H.Achievable rate ofMI MOchannels with data-aided channel esti mation and per-fect interleaving[J].IEEE Select.Areas Commun., 2001, 19 (12) :2358-2368.

[7]SHANKAR M R B, HARI K VS.On the variations in ca-pacity of MI MO communication systems to channel pertur-bations[C]//Proc.2002 IEEE International Conference onPersonal Wireless Communications.New Delhi, India:IEEE, 2002:76-80.

[8]SAMARDZIJA D, .MANDAYAM N.Pilot-assisted esti ma-tion of MI MO fading channel response and achievable datarates[J].IEEE Trans.Signal Processing, 2003, 51 (11) :2882-2889.

[9]YAO Y W, GIANNAKIS G B.Rate-maxi mizing power al-locationin OFDM based on partial channel knowledge[J].IEEE Trans.Wireless Commun., 2005, 4 (3) :1073-1083.

信道处理 篇8

时延和多普勒频移是无线衰落信道中最重要的统计参数。对这两个参数具备量化的认识对我们研究无线信道有很大的帮助。时延是由多径产生, 取决于用户所处的地理环境, 例如, 在大部分大城市里面, 由于基站比较密集, 时延维持在P A (Pedestrian A[3]) 的量级, 大约几百纳秒。而在农村地区, 大部分都保持在5微秒以下。然而, 有些地方譬如山区或者偏远农村地区, 时延可以达到2 0微秒。多普勒频移由用户相对于基站的速度以及载波的频率决定。例如对于以2 G H2为载波的系统, 一般行人用户的多普勒频移都在5 0 H z以下, 而高速公路上以1 2 0公里/小时行驶的小轿车中的用户, 多普勒频移在2 2 0 H z左右。

1 通信系统中信道模型的演变

通过进行实地测量和分析, 我们可以将各种无线信道抽象为模型, 然后依据这些模型对无线通信系统进行设计和优化。理论上来说, 无线通信信道就是一个线性滤波器。发射的信号通过这个滤波器后被接收, 所以信号传输就是一个信号处理的过程。信道模型给出了信道的基本统计信息, 因此它是信道估计的基础。我们这里要讨论的信道模型有以下几类:Typical Urban (TU) 模型, I T U信道模型, L T E扩展信道模型。

在G S M网络投入运行之前, T U模型就已经被用来决定G S M中均衡器的需求和性能。后来3 G P P组织提出的一个新的T U模型, 其与旧T U模型的最大区别在于新模型的最大时延只有旧模型的一半。随着时间的推移, 在3 G系统进入标准化阶段的过程中, ITU (International Telecommunication U n i o n) 组织提出了一系列的信道模型。这一系列一共有6个模型[3]:4个具有经典J a k e s谱的模型和2个具有矩形谱的模型。4 G通信系统的标准在制定过程中首先需要确立自己的信道模型, 然而, 随着通信系统的演变和基站数量的增加, 以前人们确定好的模型已经不再适合被用来模拟当今通信系统中的信道, 因此, 制定L T E标准的3 G P P组织确立了3个从旧信道模型演变出来的扩展信道模型, 它们分别是[5]:E xtended Pedestrian A (EPA) , Extended Vehicular A (EVA) 和Extended Typical Urban (E T U) 模型。图1给出了这些常用信道模型的累积分布函数。

2 信道模型的仿真及信道估计

在介绍信道的仿真和信道估计之前, 我们先讨论信道估计的核心基础:二维采样定律。具体说来就是, 在给定信道的带宽τma x∆F和fDmaxTs后, 导频的在时间轴和频率轴上的间隔必须满足:

这样我们才能够在没有噪声的前提下, 完美地恢复出信道参数。通过二维采样定理, 我们可以大体计算出基于导频进行信道估计的通信系统在没有噪声情况下所能维持的最大的时延和多普勒频移。表1给出了D V B-H 4 K模式和L T E系统一些结构参数和理论能够维持的最大时延和频移。在这里, τmax和fDmax分别表示最大时延∆F和TS多普勒频移, 和分别表示载频的间隔和信号的码元长度, 而NT和NF则表示导频在时间轴上的码元间隔和频率轴上的载频间隔。

前面我们已经提到过, 无线信道可以模拟为有限冲激响应滤波器。这个滤波器的阶数是由信道的时延决定, 而滤波器的每一阶是一个锐利随机过程。我们可以首先产生独立同分布的零均值复高斯噪声, 然后将此噪声通过由信道频谱决定的多普勒滤波器来产生滤波器的每一阶, 这样我们就可以仿真出我们所需要的信道。

信道估计是一个通过利用导频获得的信道参数, 在压制噪声同时估计未知信道参数的过程, 它是一个信号的采样与恢复的过程。我们可以使用维纳滤波器来最大压制噪声, 获得最小均方误差的信道估计。维纳滤波器是在最小均方误差准则下最优化的信道估计方法。对于均匀分布的时延扩展和矩形多普勒频谱, 令τn和fn分别表示标准化的最大时延和多普勒频移, 我们可以获得最小均方误差如下:

该公式可以让我们对信道估计和信道的统计参数对信道估计的影响有一个量化的认识, 同时, 通过该公式, 我们还可以估计在非均匀分布的时延扩展和J a k e s谱情况下信道估计所可能产生的最小均方误差, 而且此估值和精确值的偏差并不大, 这一点可以通过仿真来获得验证。

3 结语

在这篇论文中, 以下一代通信系统为背景, 我们简要阐述了无线通信信道的一些基本理论和一些常用的信道模型, 同时讨论了信道模型的仿真及信道估计。

参考文献

[1]Qualcomm.3GPP Long-Term Evolu-tion (LTE) .2008.

[2]G.Faria, J.A.Henriksson, E.Stare, DVB-H:Digital Broadcast Services to Handheld Device.Proc.IEEE, 94 (1) :194～209.

[3]Recommendation ITU-R M.1225.Guidelines for Evalution of Radio Transmission Technologies for IMT-2000.1997.

信道处理 篇9

将压缩感知与信道估计相结合, 最主要有两个:一是导频与信道模型的设计问题, 二是信道冲激响应的重构算法。国内外已经有许多学者发表了关于压缩感知理论在单天线 (SISO) 、多天线 (MIMO) 、正交频分复用 (OFDM) 及UWB等通信系统信道估计中的研究文献, 从不同的角度去探索信道的稀疏性, 研究了各种不同重构算法的性能问题[3,4]。

智能天线在无线通信中的应用受到了越来越多的重视。随着数字信号处理技术的发展, 可以利用智能天线提高频谱利用率。与空间角度信息相关的波束赋形算法的研究中, 获得无线信道的衰落、时延等变量的统计特性的同时, 还可以获得有关角度的统计特性, 如波到达角和波离角等。目前, 基于子径叠加的SCM信道模型将多径的方向信息引入到信道冲击响应模型中, 通过利用空间信息改善信道环境[5]。

考虑到智能天线的波束赋形可以降低多径的影响, 本文的主要思想是把智能天线与压缩感知信道估计相结合, 从而达到改造信道稀疏度的目的。

1 系统模型

众多实验证据表明无线信道是稀疏的, 即它的冲激响应系数大部分为零或者接近零。传统的信道估计方法没有充分利用信道内在的稀疏特性, 使得信道估计的准确性不够高。为此需要一种在稀疏信道条件下信道估计性能好的估计方法。压缩感知的提出, 为稀疏信道提供了理论背景。

压缩传感理论针对可稀疏表示的信号, 能够将数据采集和数据压缩合二为一, 将高维信号映射到低维空间, 然后通过重构算法来恢复信号。

假定发射天线数为M, 接收天线数为N, L为主路径数。在考察的时间内, 认为MIMO信道为时不变信道, 频率选择性衰落情形下的MIMO系统的信号模型[6]的表达式为

式中:x (k) =[x1 (k) , x2 (k) , …, xM (k) ]T, 为k时刻的发送信号矢量;y (k) =[y1 (k) , y2 (k) , …, yN (k) ]T, 为响应的接收信号矢量;Hl为第l条路径的信道转移矩阵。

通常, MIMO系统结构可以分解为M个单输入多输出 (SIMO) 系统。则向量

表示从第m个发送天线到所有接收天线的信道冲激响应。所以, 接收信号可以表示为m个发送天线的信号

将接收的信号进行傅里叶变换可得

式中:R为导频选择矩阵, F为导频组成的向量, n为复加性高斯白噪声。

进一步定义, 式 (5) 可以表示为

信道估计的目的就是由Ym和A得到hm。

考虑hm中有K个非零元素, 其中K≤L, 那么可以通过求解如下最小l1范数问题恢复[7]

式中:‖hm‖0计算hm中的非零元素。这是一个NP难题。然而, 它可以用求解一个更加简单的最小l1范数优化问题替代。

式中:A是一个M×N矩阵。由于信号是K稀疏, 若式 (8) 中的A满足有限等距性质, 即

这样稀疏度为K的信号hm就可以从M维的测量投影值Ym中正确地恢复出来。

文献[8]讲述了重构精确度和RIP之间的关系:若A满足以δK, δ2K, δ3K为参数的RIP特性, 有δK+δ2K+δ3K<1, 此时l1能够准确地重构K个稀疏信号。δK是单调性的, 对于任意两个整数K≤K', 则有δK≤δK'。

OMP算法的重构失真满足‖hm-^hm‖2≤cδK, 由此说明稀疏度越小, 重构的效果越好。

2 问题描述

当信道多径散射严重时, 比如市区微蜂窝信道环境, 信道多径数量多, 不具最有利于稀疏信道估计的特征。

压缩感知信号正交匹配追踪算法先假定一个可能解来估计稀疏度K, 之后一步步地向前寻找最终解。

定理1:如果传感矩阵在稀疏度为K和K'时满足RIP, 那么δK≤δK', 这种属性称为等距常数的单调性[7,8,9]。

定理2 (高斯测量矩阵) :假设s是稀疏度为m的信号, N个测量向量x1, x2, …, xN, δ∈ (0, 0.36) , N≥Kmln (d/δ) , 那么OMP可以重构信号的概率超过1-2δ[10]。

如何得到最佳稀疏度并保证信号的恢复精度, 是本文关键。由文献[3]可知, 信道向量的稀疏珟H的稀疏性度量可以表示为

式中:L为信道的长度向量;的一阶范式;的二阶范式。由图1仿真可知, 波束赋形改造, 可以用压缩感知理论进行信道估计。

3 解决问题

由于智能天线的波束赋形性能可以减少多径的影响, 抗多径衰落, 所以利用此方法对信道进行改造, 并给出了波束赋形后的信道估计的均方误差仿真。

对于智能天线均匀线性阵列, 假设以第一个天线阵元为参考阵元, θ为入射角, 阵元间隔为d。天线阵列响应组成的向量为

式中:M为阵列天线数目;;d为相邻天线间距;c为光速;λ为波长。

为了研究方便采用了零陷波束赋形方法。此方法需要知道信号的来波方向。在期望用户信号方向上增益为1, 在干扰信号方向上响应为0, 即形成零陷, 以抑制干扰信号。

由于a (θ) 不是方阵, a (θ) 的逆矩阵不存在, 则阵列权矢量为

假设基站端每个天线阵有M个阵元, 基站端每个天线阵与接收端的天线形成相关信道, 每条信道有N条径。一个天线阵列的信道矩阵可以表示为

式中:hij表示从第i个智能天线阵列到接收端第n条径的信道衰落。智能天线波束赋形改变H稀疏度后的矩阵珟H包含了DOA信息, 即

智能天线引入到系统仿真平台所需信道的条件必须具备空间方向信息, 本文仿真信道模型采用的3GPP的SCM模型。图2为使用智能天线波束赋形改造信道后进行信道估计的整个流程图。

4 仿真及性能分析

信道主要参数:收天线阵天线个数为1;发天线阵天线个数为8;基站联合角度扩展为8°。

MIMO系统的参数:子载波总数N=512;导频数P=32;系统调制方式是16QAM, 循环前缀CP=16;稀疏度K=6;波束赋形后稀疏度K1=3;信道长度L=30;SNR∈[0, 20]。

本文用MSE算法衡量信道估计的性能, MSE定义为

式中:A越小, 信道估计误差越小。从图3的仿真结果中可以看出, 波束赋形以后的MSE要比传统采用OMP算法估计的优约1 d B。图4中显示, 导频数为32波束赋形时的估计效果与长度为48时的几乎一样。换句话说, 要想获取相同的估计性能, 波束赋形所需的训练序列数比单纯用OMP少得多。这样将节省更大的空间来传送用户数据, 提高了系统的吞吐量。

5 小结

在MIMO系统中, 信道表示不再只是一维的时域信道或者频域信道, 而是一个矩阵表示形式。本文利用智能天线波束赋形改造多径信道稀疏度、压缩感知, 利用较少的训练符号准确估计出信道系数。如何进一步挖掘信道的稀疏性以寻找其最佳稀疏表示也是有待解决的问题。

参考文献

[1]DONOHO D.Compressed sensing[J].IEEE Trans.Inform.Theory, 2006, 52 (4) :1289-136.

[2]BARANIUK R Q.Compressive sensing[J].IEEE Signal Processing Magazine, 2007, 24 (4) :118-120.

[3]王妮娜, 桂冠, 张治, 等.基于压缩感知理论的无线多径信道估计方法研究[J].应用科学学报, 2012 (4) :347-352.

[4]TROPP J, GILLBERT A.Signal recovery from partial information by orthogonal matching pursuit[J].IEEE Trans.Information Theory, 2008, 53 (12) :4655-4666.

[5]3GPP TS 25.996, Spatial channel model for MIMOsimulations[S].2003.

[6]QI Chenghao, WU Lenan.A hybrid compressed sensing algorithm for sparse channel estimation in MIMO OFDM systems[C]//Proc.IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) .[S.l.]:IEEE Press, 2011:3488-3491.

[7]张宗念, 黄仁泰, 闫敬文.压缩感知信号盲稀疏度重构算法[J].电子学报, 2011 (1) :18-22.

[8]TROPP J A, GILBERT A C.Signal recovery from random measurements via orthogonal matching pursuit[J].IEEE Tran.Information Theory, 2007, 53 (12) :4655-4666.

[9]WANG Jian, SHIM Byonghyo.On the recovery limit of sparse signals using orthogonal[J].IEEE Trans.Inf.Theory, 2012, 60 (9) :4973-4976.

信道处理 篇10

关键词：数字信道化,信道检测,信号跨道,信道交叠

0 引言

伴随着电子技术的迅猛发展,雷达技术的一个重要发展趋势是采用宽带或超宽带发射信号[1],这使得传统常规模拟电子侦察接收机由于受到模拟器件限制而面临严峻的考验。因此研发具有快速适应能力和反应时间的侦察接收机势在必行。宽带数字信道化侦察接收机因为监测带宽宽、接收适应能力强,并且采用的数字器件具有很好的扩展性和可变性,使之成为最具发展潜力的宽带侦察接收机之一[2]。至1986年[3]信道化接收机的模型首次提出后,信道化接收机经历了从基于模拟器件到基于模数混合器件再到基于数字器件的发展历程。1998年,J.Fudge等[4]和Zahirniak.D.R等[5]分别提出了能够有效地减少硬件资源消耗的信道化接收机结构,为之后的高效硬件实现奠定了基础。2005年,蒋宗明[6]基于多相滤波器组的数字信道化接收机结构,采用多速率信号处理技术在FPGA平台上成功实现了参数变换的信号和双信号的处理,是宽带数字信道化接收机工程实现的一种有益探索。在信道化接收机的检测研究方面,2005年,Lopez-Risueno等[7]提出的时频分析检测法通过对数字信道化接收机输出的IFM环节进行加权以提高测频的稳定性。

本文基于50%交叠的均匀数字信道化结构,并行采用滤波器组奇型和偶型排列的两路信道化,合理设置信道化参数,利用二者在实现无盲区频带划分时的互补特性和监测环境中信号的实际带宽信息,不仅能够有效的克服信道化检测中遇到的“跨道”现象并能较好的处理滤波器组交叠设计对检测有效性降低的问题。

1 数字信道化结构

窄带滤波、频谱搬移和抽取[8]是基于带通滤波器组的信道化直接实现结构的三个重要组成部分。为了保证频谱的均匀分割不丢失被检测信号x(n)的信息,达到无盲区监测,采用50%交叠方式。一个高采样率的宽带输入信号x(n)经过抽取滤波后被分解成K路低采样率信号输出yk(n),k=0,1,L,K-1,其第k路的表达式为

其中,h(n)是N=KP阶低通FIR滤波器,通带截止频率设计为πK,阻带起始频率设计为2πK,其幅频特性如图1所示;kw是第k个子信道的中心频率;抽取倍数为M。频谱的均匀分割由一系列中心频带不同的带通滤波器完成。根据kw的不同取值,均匀信道化常见的滤波器组排列方式有两类:偶型排列,kw=2πk K;奇型排列,kw=2π(k+0.5)K,如图2所示。

观察两种滤波器组排列方式下子频带的对应关系,可以发现奇型和偶型两路在相邻通道接壤处的频带分割具有互补优点,因此若在频域并行采用这两路,通过两个信道化结构的联合有效信道检测不仅可以判决信号是否“跨道”也可以降低过渡带交叠引起的信道检测错误。

从式(1)可以看到,低通滤波器位于抽取降速模块之前,滤波运算在高采样率时实现,使得滤波和频谱搬移过程对硬件的运算速度要求非常高。同时,对通带外的无用数据处理也在高速率下进行,降低了工作效率[8]。为了能够实现数据的实时处理同时获得较高的工作效率,采用一种适于高速的多相滤波结构—基于DFT的数字信道化,如式(2)所示。

以K=2M为例[9],偶型和奇型排列滤波器组信道化的第k道输出分别为,当时

为了简化表达式,易于算法的FPGA实现,将式(3)的输出序列yk(n M)按n的奇偶分成两个子序列。

同理将式(4)的输出序列yk(n M)分解为,

2 信道检测

雷达通常发射的是高占空比的脉冲信号,因此宽带数字信道化接收机的常用工作方式是先在信道化模块前在时域进行脉宽检测,使得信道化部分只处理有效的脉冲信号,然后利用脉冲间歇期完成信道检测,达到实时处理的目的。经过脉宽检测的预处理后,接收机仅处理有效脉冲段数据,保证了信道化后输出通道中必定有有效信道存在,为信道检测的门限设定提供了先验信息。同时,数字信道化能够有效的提高输出信噪比,这使得简易的时域能量检测方法能够满足信道检测的要求。为了弥补单数据点检测时高虚警概率的缺点,采用累积多个数据点能量的方式。相比于采用定点长度快速傅里叶变换的频域检测方法,这种方法需要消耗的硬件资源少,运算引入的时延小,更容易工程实现[10]。

在现代战场条件下,宽带数字侦察接收机监测的环境中通常是多部雷达辐射源同时存在,这就要求接收机具有检测和分离同时到达信号的能力。同时到达的多信号可以是在时域、频域或者极化方式等域上存在重叠。对于时域重叠而频域不重叠的同时到达多信号,可利用信道化结构实现频域滤波达到信号分离的目的。在频域滤波时,滤波器组过渡带的严重交叠会使得带宽小于子信道的信号被误认为两个信号,如图3偶路/奇路所示。此时信号同时在奇路和偶路的信道中发生轻微“跨道”,但是交叠部分会引起脉冲信息的损坏,判决准则是选择保留了最多脉冲信息的信道并输出其信道号。

中心频率恰好位于频带链接处的信号发生“跨道”现象会被分割成两段,从连续的相邻通道中输出,如图4偶路所示,这些遭到分割的信号会被误认为是多个有效窄带脉冲输出。如图4所示,信号骑跨在偶路的第k和第k+1个信道,而完整的从奇路第k个信道的通过,判决准则是输出奇路的有效信道号,反之亦然。

在频带划分时,通常要求子频带带宽大于信号带宽,尽可能的让单个信号从某一子信道通带完整的滤出,此时若输入信号的频带位置与信道发生图3或图4的情况,根据奇偶两路并行信道化结构在频带划分时的特殊互补效应,可以实现正确判决。

3 FPGA实现

奇偶并行两路信道化结构的硬件实现流程图如图5所示。

以偶路为例,根据式(5),单路数字信道化的算法实现如图6所示,可见M倍抽取的数字信道化可以分解为2个2M(K)倍抽取的并行数字信道化结构,各自先进行K阶的多相滤波和IDFT。

测试参数:整个监测频带fs=1GHz,做16个频带划分,子信道带宽62.5MHz。无模糊检测带宽fs2=0.5GHz,占8个信道带宽,信道检测只需针对前8个通道。输入单频信号:载频fc=350MHz,脉冲宽度20μs。

偶路信道化的第5道通带截止频率和第6道通道起始频率是343.75MHz,单频信号在偶路会被检测出5和6两个有效信道号;奇路信道化的第5路通带频率是[312.5MHz,375MHz],单频信号在奇路从第5道完整输出。经过信道判决,正确输出奇路第5道数据,如图7所示。

4 结束语

本文提出了一种基于奇偶两路并行的数字信道化结构,推导了易于硬件实现的处理结构模型。针对均匀滤波器组在50%交叠时对信道检测性能的恶化和信号“跨道”现象,利用奇路和偶路信道化频带划分时存在的互补特性,配合合理的仲裁机制,有效的提高正确检测的概率,最大可能的输出完整信号。硬件测试结果显示了该方案的可行性。

参考文献

[1]肖先赐.电子侦察中的信号处理技术[J].中国电子学会电子对抗分会第十界学术年会.1997:654-659.

[2]J.B.Y.Tsui,J.P.Stephens.Digital microwave receivertechnology.IEEE Transaction on Microwave Theory andTechniques,2002,50(3):699-705.

[3]Tsui James B.Microwave receivers with Electronic Warfareapplications.John Wiley&Sons,Inc.,New York,1986.

[4]J.Fudge,M.Legako and C.Sehreiner.An approach to efficient wideband digital down conversion.Proc.ICSPAT,Toronto,Canada.1998:713-717.

[5]Zahirniak D.R.,Sharpin D.L.,Fields T.W.A hardware-efficient,multirate,digital channelized receive rarchitecture.IEEE Transactions on Aerospace andElectronic Systems,1998,34(1):137-147.

[6]蒋宗明.宽带数字接收中双信号数据率转换技术及实现研究[D].成都:电子科技大学,2005.

[7]Lopez-Risueno,G.Grajal and J.Sanz-Osorio.A DigitalChannelized Receiver Based on Time-Frequency Analysisfor Signal Interception.IEEE Trans on Aerospace andElectronic Systems,July 2005,Vol 41(3):879-898.

[8]Omid S.Jahromi.Multirate Statistical Signal Processing.Springer.,2007.

[9]K.C.Ho,Y.T.Chan,R.J.lnkol,“Pulse arrival time estimationbased on pulse sample ratios”.IEEE Proc.-Radar,SonarNovig.,Vol.142,No.4,pp.153-157,August.1995.