基于中位数准则的主系统收发信机间信道增益估计方法与流程

本发明属于移动通信领域的认知无线电网络。本发明旨在解决该网络中认知用户对主系统收发机之间信道增益估计的问题。
背景技术：
：在移动通信领域中，频谱资源非常有限，而当前的频谱利用率却很低。因此，如何提高无线通信系统的频谱利用率的问题亟需解决。一种有效地解决方法是采用频谱共享(SS)技术。在SS中，只要认知用户的信号传输不超过主系统能接受的最大干扰功率限制(干扰温度pI)要求，认知用户就可以接入主系统的频谱中。那么，为了在认知用户与主系统之间实现SS，认知用户需要获得主系统的干扰温度来控制自身的发射功率，从而满足认知信号对主用户信号的干扰限制。事实上，干扰温度是通过计算主系统收发信机之间的信道增益来得到。在一个实际的无线通信系统中，主系统发射机通过调整发射信号功率来满足接收机处的目标信噪比γT。如果主用户收发机之间的信道增益很小，同时主用户之间的通信被认知用户的信号干扰时，即使主用户发射机以最大功率pmax发射信号，主用户接收机端的信噪比还是低于目标信噪比。这时，主用户之间的通信中断。在实际系统中，γT与主用户收发机之间的通信质量联系紧密，每个γT对应一个预先设定的主系统中断概率Θ，因此，主用户系统通过计算干扰温度来限制认知用户对自身的干扰，从而满足预先设定的中断概率要求。主系统的干扰温度pI与信道增益g0之间存在以下关系：Pr{pmaxg0|h0|2σ2+pI<γT}=Θ,]]>其中，g0为主系统收发信机之间的大尺度信道增益系数，h0为小尺度衰落系数，其服从均值为1的瑞利分布，σ2为加性高斯白噪声功率。因此，干扰温度pI可以通过如下公式求出：pI=-pmaxg0ln(1-Θ)γT-σ2,]]>综上所述，如果认知用户能够得到主系统收发机之间的信道增益，就能获得相应的干扰温度pI。这样，认知用户就可以通过调整自身的发射传输功率来保护主系统的通信质量，同时提高认知吞吐量的目标。在传统的方法中，认知用户需要一条连接主系统的链路来获得该信道增益。通过这条链路，主系统可以将该信道增益信息发送给认知用户。但在实际的系统中，主系统与认知用户之间的反馈链路不一定存在。因此，认知用户如何估计出主系统之间的信道增益以计算相应的干扰温度成为一大亟待解决的难题。为了便于理解对下述术语和模型进行介绍：定义1主基站(PT，PrimaryTransmitter)：主系统中的信号发射端。定义2主用户(PR，PrimaryUser)：主系统中的信号接收端。定义3认知发射机(CT，CognitiveTransmitter)：次级系统中具有认知功能的信号发射端。定义4信噪比(SNR，SignalNoiseRatio)：信号功率与噪声功率的比值。定义5闭环功率控制(CLPC,ClosedLoopPowerControl)：发射端根据接收端信噪比的变化来调整自身的发射功率，从而保证接收端的接收质量。定义6累积分布函数(CDF，CumulativeDistributionFunction)：表示某一随机变量落在任一区间上的概率。定义7概率分布函数(PDF，ProbabilityDistributionFunction)：表示瞬时幅值落在某指定范围内的概率。定义8信道增益(CG，ChannelGain)：PT与PR之间的路径损耗因子。定义9基于中位数的(MB，MedianBased)：本发明采用的CG估计方法。技术实现要素：本发明为解决上述技术问题，提出了一种基于中位数准则的主系统收发机间信道增益估计方法，通过监听多个独立SNR，根据所得到SNR的中位数，并且利用该中位数与CG之间的数学关系估计CG。本发明采用的技术方案是：基于中位数准则的主系统收发信机间信道增益估计方法，包括：S1、下行链路传输中，主基站与主用户之间采用闭环功率控制，主基站向主用户发射信号的同时，认知发射机监听来自主基站信号的信噪比；S2、认知发射机根据接收到的信噪比，通过基于中位数的估计算法得到信道增益值。进一步地，所述步骤S1具体包括以下分步骤：S11、主基站采用自适应调制方式，设主基站发射单位功率的信号xp(k)，发射功率为p0(k)，则主用户端接收到的信号表示为：yp(k)=h0(k)g0p0(k)xp(k)+np(k);]]>其中，np(k)为CT处接收到的均值为0，方差为σ2的加性高斯白噪声；h0(k)表示主基站与主用户之间的小尺度衰落系数，且h0(k)服从均值为1的瑞利分布；g0表示信道增益值，主用户端接收到的信噪比为：γp(k)=|h0(k)|2g0p0(k)σ2;]]>主基站的发射功率满足以下条件：p0(k)=γTσ2|h0(k)|2g0;]]>其中，γT表示目标信噪比；S12、在下行链路传输中，认知发射机接收到主基站的信号为：yc(k)=h1(k)g1p0(k)xp(k)+nc(k);]]>其中，nc(k)为认知发射机处的噪声，nc(k)的均值为0，nc(k)的方差为σ2；认知发射机处的信噪比为：γc(k)=|h1(k)|2g1p0(k)σ2;]]>将带入中，则认知发射机处的信噪比为可以表示为：γc(k)=γTg1g0|h(k)|2|h0(k)|2.]]>进一步地，所述步骤S2具体包括：S21、对认知发射机处的信噪比：进行去指数，并采用dB形式表示为：γc,dB＝γT,dB+10log10(g1)-10log10(g0)+10log10φ；其中，φ为随机变量，且γc,dB表示认知发射机处接收到的信噪比的dB形式；γT,dB表示主用户处目标信噪比的dB形式；S22、步骤S21中γc,dB的累积分布函数为：FΓc,dB(γc,dB)=10γc,dB-γT,dB-10log10(g1)+10log10(g0)101+10γc,dB-γT,dB-10log10(g1)+10log10(g0)10;]]>S23、根据中位数的定义，令获得γc,dB的中位数γc,dB,12=γT,dB+10log10(g1)-10log10(g0);]]>S24、通过求解得到信道增益值g0。进一步地，所述步骤S24具体包括以下分步骤：S241、对于K个采样数据块，认知发射机测量得到K个采样信噪比：对K个采样信噪比进行升序排列：S242、当K为奇数时，采样中位数为：通过采样中位数近似得到中位数为：通过中位数估计值近似得到信道增益值g0；S423、当K为偶数时，采样中位数处于和之间，则通过采样中位数近似得到中位数为：通过中位数估计值近似得到信道增益值g0。更进一步地，步骤S242中所述中位数估计值表达式为：g^0=10γT,dB+10log10(g1)-γ‾c,dB(K+12)10.]]>更进一步地，步骤S243中所述中位数估计值表达式为：g^0=10γT,dB+10log10(g1)-γ‾c,dB(K2)+γ‾c,dB(K2+1)210.]]>本发明的有益效果：本发明的基于中位数准则的主系统收发机间信道增益估计方法，CT能在不存在主系统到自身之间反馈链路的条件下估计出信道增益，本发明的方法主要通过监听多个独立SNR，得到多个独立SNR的中位数，并且利用该中位数与CG之间的数学关系估计CG；本发明的方法具有较低的估计误差，因此与传统的CG估计方法相比，本发明具有更低的复杂度和更好的估计性能。附图说明图1为本发明所采用的系统示意图。图2为本发明提供的估计误差与传输块个数K的关系图。图3为本发明提供的估计误差与主基站与主用户之间距离d0的关系图。图4为本发明提供的估计误差与主基站与认知发射机之间距离d1的关系图。具体实施方式为便于本领域技术人员理解本发明的技术内容，下面结合附图对本
发明内容进一步阐释。如图1所示为本发明所采用的系统示意图，系统由PT、PR和CT组成，PT与PR在某个频段内通信，PT位置固定，其覆盖范围为半径为R的圆，CT位于圆内，通过估计PT与PR之间的信道增益来实现频谱共享。系统考虑的信道为块衰落信道。其中，PT和PR(CT)之间的信道系数为hk(k＝0,1)为小尺度衰落系数，服从瑞利衰落，且在每个数据块中保持不变；gk(k＝0,1)为大尺度衰落系数，其由如下公式决定：Pl(dk)＝128+37.6log10(dk),fordk≥0.035km(1)其中，dk为两点之间的距离，当k＝0时，d0表示主基站与主用户之间的距离；当k＝1时，d1表示主基站与认知发射机之间的距离。本发明考虑PT和PR之间在下行链路传输中采用CLPC。在PT向PR发射信号的同时，CT端监听来自PT端信号的SNR。通过监听多个独立SNR，根据所得到SNR的中位数，并且利用该中位数与CG之间的数学关系估计CG。由于PT和PR之间采用CLPC，PT的发射功率包含了PT与PR之间CG的信息。同时，PT的发射功率信息包含在CT接收到的SNR数据中。因此，CT可以通过测量SNR来估计PT和PR之间CG。与此同时，中位数能够反应多个数据的平均值。利用SNR平均值与CG的关系可以计算CG。CT通过中位数准则进行CG估计的方法，包括如下步骤：S1、下行链路传输中，PT和PR之间采用CLPC，PT向PR发射信号的同时，CT端监听来自PT端信号的SNR；PT根据PR处的目标信噪比进行功率调整。具体步骤如下：S11、PT采用自适应调制方式，PT发射单位功率的信号xp，发射功率为p0，则PR端接收到的信号可以表示为：yp(k)=h0(k)g0p0(k)xp(k)+np(k)---(2)]]>其中，np(k)为认知发射机CT处接收到的均值为0，且方差为σ2的加性高斯白噪声，于是，PR处接收到的SNR为：γp(k)=|h0(k)|2g0p0(k)σ2---(3)]]>由于主基站PT与主用户PR之间采用CLPC，PT自适应地调整自身的发射功率以达到PR处的目标信噪比γT，因此，PT处的发射功率应该满足以下条件：p0(k)=γTσ2|h0(k)|2g0---(4)]]>S12、在下行链路传输中，CT接收到PT的信号为：yc(k)=h1(k)g1p0(k)xp(k)+nc(k)---(5)]]>其中，nc(k)为CT处的噪声，均值为0，方差为σ2。于是CT处的SNR为：γc(k)=|h1(k)|2g1p0(k)σ2---(6)]]>将(4)带入(6)中，上述SNR可以表示为：γc(k)=γTg1g0|h1(k)|2|h0(k)|2---(7)]]>S2、由上述公式可知：g0的估计与CT处接收的所有块的SNR有关，于是CT根据接收的所有块的SNR来估计CG值g0。首先，本发明给出中位数和采样中位数的定义：定义10、对于一个CDF函数为FX(x),x∈R的随机变量X，如果有如下关系存在：FX(x12)=Pr{X≤x12}=12]]>1-FX(x12)=Pr{X≥x12}=12]]>那么就为X的中位数。定义11、对于一个有M个采样值xm(1≤m≤M)的随机变量X，如果：Pr{xm≤x12s}=12,]]>Pr{xm≥x12s}=12;]]>则为X采样值的中位数。为了公式的简洁，将(7)中的指数k去掉，并用dB形式表示：γc,dB＝γT,dB+10log10(g1)-10log10(g0)+10log10φ(8)其中，随机变量因为φ为随机变量，所以γc,dB也为相应的一个随机变量，它的CDF形式为：FΓc,dB(γc,dB)=Pr{γT,dB+10log10(g1)-10log10(g0)+10log10φ≤γc,dB}=Pr{φ≤10γc,dB-γT,dB-10log10(g1)+10log10(g0)10}=FΦ(10γc,dB-γT,dB-10log10(g1)+10log10(g0)10)---(9)]]>其中，FΦ(·)为φ的CDF。由于hk(k＝0,1)服从均值为1的瑞利分布，其CDF形式可以表示为：FΦ(φ)=φ1+φ---(10)]]>将(10)带入(9)可得γc,dB的CDF为：FΓc,dB(γc,dB)=10γc,dB-γT,dB-10log10(g1)+10log10(g0)101+10γc,dB-γT,dB-10log10(g1)+10log10(g0)10---(11)]]>基于定义10，可以令来获得γc,dB的中位数10γc,dB-γT,dB-10log10(g1)+10log10(g0)101+10γc,dB-γT,dB-10log10(g1)+10log10(g0)10=12---(12)]]>求解(12)可得：γc,dB,12=γT,dB+10log10(g1)-10log10(g0)---(13)]]>由(13)可知，为g0的函数，可以通过求解来获得CG的估计值g0，由于CT并不知晓的值，因此要先估计值。对于K个独立的采样数据块，CT能够测量K个独立的SNR，即：γc,dB(k)(1≤k≤K)，接下来，本申请将用采样中位数来近似最后求得MB估计器g0。首先，将采样SNR表示为并对其进行升序排列，即：γ‾c,dB(i)≤γ‾c,dB(j),1≤i≤j≤K]]>由于当采样个数K为奇数和偶数时，采样中值不一样，所以，本申请将分别对K为奇数和偶数进行讨论。1)当K为奇数时，采样中值因此，γc,dB可以近似为：γc,dB,12≈γ‾c,dB(K+12)---(14)]]>把(14)带入(13)，可以得出MB估计器：g^0=10γT,dB+10log10(g1)-γ‾c,dB(K+12)10---(15)]]>2)当K为偶数时，采样中值处于和之间，于是，γc,dB可以近似为：γc,dB,12≈γ‾c,dB(K2)+γ‾c,dB(K2+1)2.---(16)]]>把(16)带入(13)，MB估计器可以表示为：g^0=10γT,dB+10log10(g1)γ‾c,dB(K2)+γ‾c,dB(K2+1)210---(17)]]>综合可得，MB估计器小结为：g^0=10γT,dB+10log10(g1)-γ‾c,dB(K+12)10,forKisodd,10γT,dB+10log10(g1)-γ‾c,dB(K2)+γ‾c,dB(K2+1)210,forKiseven.---(18)]]>其中，odd表示奇数，even表示偶数；从(18)可以看出，MB估计器的值取决于PR处的目标SNRγT,dB，PT与PR之间的信道增益g1，CT本身接收的SNRγc,dB，由于CT可以通过研究主系统的调制编码方案来获得γT,dB，通过测量自身与PT的距离来获得g1，测量接收到的SNR来获得γc,dB，因此，CT能够通过求解(18)来获得MB估计器仿真结果：在仿真中，设定发射机的坐标位置为(0,0)，PR和CT均处在x轴上，接收机处的目标信噪比为γT＝10dB，噪声的功率为-114dBm，数据块的个数为N＝100，蒙特卡洛撒点数为10000。如图2所示为g0的绝对估计误差ε与数据块数目K的关系图，ε定义为：ϵ=|g^0-g0|]]>其中，PT与CT之间的距离d1＝0.1km，PT与PR之间的距离d0＝0.25km。由图可以看出，随着数据块数目K的增大，估计误差ε的值越来越小。这是因为当K变大时，对SNR中位数的估计会越来越准确，因此，估计性能会变好。本申请中数据块数目K取值下限为1，上限为正无穷。如图3所示为g0的绝对估计误差ε与d0变化的关系图。其中，d1＝0.1km，d0的变化范围是(0.1km,0.5km)，由图可以看出，随着d0的变化估计误差ε基本上维持在0.68dB左右，这表明MB估计器的估计的性能较好，而且PR的位置变化对估计性能没有太大的影响。如图4所示为g0的绝对估计误差ε与d1变化的关系图。其中d0＝0.25km，d1的变化范围是(0.1km,0.5km)，此图展示了当d1发生变化时，虽然CT处接收到的SNR会相应变小，但是g0的估计误差却一直处在0.68dB左右。因此MB估计器不仅具有较优的估计性能，且抗噪干扰能力强。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页1 2 3