-
多输入多输出(multiple input multiple output, MIMO)技术是提高无线通信可靠性的一个重要手段,其标准主要为IEEE802.16e和IEEE802.11n[1]。STBC是一种在MIMO系统中有效的编码方式[2]。无论在军用还是民用领域,MIMO系统中的信号识别问题日益重要,STBC的识别问题同样受到学术界越来越多的关注。目前,主流的STBC盲识别算法主要分为最大似然的识别法(maximum likelihood, ML)[3-4]和基于特征值的识别法(feature based, FB)[5-16],其中后者根据使用方法的不同,可分为基于$k$阶累积量(或$k$阶矩)的识别法[5-12]和基于高阶循环谱的识别法[13-16]。ML方法给出了正确识别概率的最优解,然而其识别过程需要预先知道信道信息、噪声信息和载波频偏(carrier frequency offset, CFO)等,且算法复杂度较高[3-4]。FB法是从接收信号中提取特征参数,根据不同的特征参数识别不同的STBC。其中,利用接收信号的二阶统计特征的算法是最常用的算法[5-9],文献[10-12]在多天线条件下使用接收信号的四阶统计特性进行分析,基于二阶循环平稳[13-15]和四阶循环平稳[16]的算法同样是当前区分STBC的热点算法。
不少研究者在研究STBC的识别算法时仅考虑了空间复用(spatial multiplexing, SM)和Alamouti(AL)[17]两种码[7, 9-10, 15],没有考虑更一般的STBC。大多数算法是在多接收天线条件下对STBC识别算法进行研究[3-8, 13-16]。然而在实际系统中,受限于接收端的尺寸和功率等因素,接收天线的数量越少越好。现有的多接收天线下的基于特征参数的算法均不适用于单接收天线,因此单接收天线下的STBC识别方法的研究非常重要。
目前为止,研究单接收天线下STBC识别方法的文献较少[9-12]。文献[9]利用接收信号在不同时延下的二阶统计特征进行区分,其缺点是对接收信号的利用率低,其将接收信号分成了两份,相当于将接收样本数缩小了一半,从而影响到识别概率,且该文仅对SM和Al进行区分,没有扩展到其他常用STBC。文献[10]和文献[12]方法类似,是对接收信号的带时延的四阶矩(fourth-order lag products, FOLP)进行傅里叶变换(FFT),以此作为特征参数进行识别,该方法需要大量接收样本进行计算,计算复杂度较高,在较少的样本条件下,该方法识别效果一般。文献[11]根据不同的空时分组码的四阶累积量不同来达到识别目的,尽管取得了较好的识别效果,但所需识别样本数较多。
本文在单天线条件下提出一种新的算法进行STBC识别。首先将接收信号处理成为不同的两段,再对其经验分布函数之间的距离进行K-S检测,最后根据本文构造的STBC决策树达到识别目的。其具有以下5个优点:
1) 适用于单接收天线系统;
2) 不需要预先知道信道信息、噪声信息和调制方式;
3) 所需接收样本数少;
4) 适用于至少4种STBC的识别;
5) 无论在高斯还是非高斯条件下,算法在衰落信道中均具有良好的识别性能。
HTML
-
在接收端,接收信号可表示为:
式中,N为接收信号数量。定义2个长度为$N - T$的向量:
定义${{\boldsymbol{Y}}_0}$和${{\boldsymbol{Y}}_1}$各元素之间的相关函数为:
式中,$| \cdot |$为绝对值函数;$i = 0, 1$。不失一般性,设$N\bmod 2T = 0$,若$N\bmod 2T$不为零,可对接收信号${\boldsymbol{Y}}$进行处理,去掉尾部$N\bmod 2T$个元素。由式(5) 可分别得到${{\boldsymbol{Y}}_0}$和${{\boldsymbol{Y}}_1}$的自相关向量:
式中,$ M = \frac{N}{{2T}} - 1 $。以$T = 1$为例,式(3)~式(6) 的含义如图 1所示,其中${{\boldsymbol{Y}}_0} = [{y_0}, {y_1}, \cdots, {y_{N-2}}]$,${{\boldsymbol{Y}}_1} = [{y_1}, $ ${y_2}, \cdots, {y_{N-1}}]$。
-
观察编码矩阵可得,传输信号为SM时,向量${{\boldsymbol{Y}}_0}$和${{\boldsymbol{Y}}_1}$均为独立同分布;传输信号为AL、STBC3和STBC4时,向量${{\boldsymbol{Y}}_0}$和${{\boldsymbol{Y}}_1}$并非独立同分布。当$T$确定时,传输信号为SM时向量$ {{\boldsymbol{Z}}_i} $均为独立同分布,传输信号为AL、STBC3和STBC4时$ {{\boldsymbol{Z}}_i} $不一定独立同分布。以Alamouti STBC为例,当$T = 1$时,$ {{\boldsymbol{Z}}_i} $存在两种情况:
1) 当接收信号的第一个符号对应AL码矩阵的第一列时,$ {{\boldsymbol{Z}}_0} $独立同分布,$ {{\boldsymbol{Z}}_1} $非独立同分布;
2) 当接收信号的第一个符号对应AL码矩阵的第二列时,$ {{\boldsymbol{Z}}_1} $独立同分布,$ {{\boldsymbol{Z}}_0} $非独立同分布。
通过计算在特定$T$(此处$T = 1$)下$ {{\boldsymbol{Z}}_i} $是否为独立同分布来进行SM和AL的区分。同样,$T$的取值恰当,也可区分STBC3和STBC4。
记情况1) 和情况2) 任意发生一种时为事件Event,记$ {{\boldsymbol{Z}}_0} $和$ {{\boldsymbol{Z}}_1} $均独立同分布时为事件iid,记事件Non为未定事件:既可能出现事件Event,也可能出现事件iid。
如表 1所示,在$T = \{ 1, 2, 4\} $时,不同STBC对应的$ {{\boldsymbol{Z}}_i} $呈现出不同的分布情况。以此作为区分不同STBC的依据,定义事件iid为假设检验的事件${H_0}$,定义非iid的事件为${H_1}$:
T SM AL STBC3 STBC4 1 iid Event Non Non 2 iid iid Event Non 4 iid iid iid Event 当$T = 4$时,拒绝${H_0}$的STBC为STBC4;排除STBC4,当$T = 2$时,拒绝${H_0}$的STBC为STBC3;排除STBC3,当$T = 1$时,拒绝${H_0}$的STBC为AL,接受${H_0}$的码为SM。可表示为图 2所示的决策树。
-
判断两个经验分布函数是否同为独立同分布可使用两样本的K-S检验[19]。
令K-S检验中接收信号的经验累积分布函数为:
式中,$\text{Ind}( \cdot )$为指示函数,当输入参数为真时,指示函数值为1,当输入参数为假时,指示函数值为0。两个分布函数之间最大距离可表示为:
以此作为拟合优度统计值。当满足条件$\hat D \ge \beta $时,拒绝假设${H_0}$,其中:
式中,$\hat H$为K-S检验的估计;$\beta $为门限值;$\alpha $为置信区间,可表示为:
式中$ \mathit{\Phi} (x) \buildrel \Delta \over = 2\sum\limits_{i = 1}^\infty {{{( - 1)}^{i - 1}}{{\rm{e}}^{ - 2{i^2}{x^2}}}} $。
-
本文提出的针对STBC识别的算法步骤为:
1) 获取接收信号${\boldsymbol{Y}}$;
2) 通过式(3)~式(6),求取$ {{\boldsymbol{Z}}_0} $和$ {{\boldsymbol{Z}}_1} $;
3) 通过式(12),求取门限值$\beta $;
4) 通过式(8) 和式(9),求取经验累积分布函数$ {\hat F_0}(z) $和$ {\hat F_1}(z) $;
5) 计算$ {\hat F_0}(z) $和$ {\hat F_1}(z) $之间最大距离$\hat D$;
6) if $\hat D < \beta $ then接收${H_0}$;
7) else拒绝${H_0}$;
8) end。