基于信道分類和自適應(yīng)調(diào)制編碼的認(rèn)知無線電決策引擎

于 洋 譚學(xué)治

?

基于信道分類和自適應(yīng)調(diào)制編碼的認(rèn)知無線電決策引擎

于 洋 譚學(xué)治*

(哈爾濱工業(yè)大學(xué)通信技術(shù)研究所 哈爾濱 150080)

在多徑信道條件下，針對(duì)單載波頻域均衡(SC-FDE)認(rèn)知系統(tǒng)不能通過多目標(biāo)優(yōu)化策略進(jìn)行決策的問題，該文提出一種基于信道分類和自適應(yīng)調(diào)制編碼(AMC)的認(rèn)知無線電決策引擎。該決策引擎首先對(duì)當(dāng)前信道進(jìn)行分類，確定當(dāng)前信道狀態(tài)；然后根據(jù)當(dāng)前信道狀態(tài)下的策略切換表選取最優(yōu)傳輸策略(MCS)，并計(jì)算該策略的使用時(shí)長(MCSD)。一旦當(dāng)前策略的持續(xù)時(shí)間超過了其使用時(shí)長，認(rèn)知決策引擎就會(huì)對(duì)最優(yōu)策略進(jìn)行更新。仿真結(jié)果表明，該決策引擎能夠提供最優(yōu)的傳輸策略以提高頻譜效率，使SC-FDE認(rèn)知系統(tǒng)更好地適應(yīng)無線信道復(fù)雜的電磁環(huán)境。

認(rèn)知無線電；多徑信道；單載波頻域均衡認(rèn)知系統(tǒng)；自適應(yīng)調(diào)制編碼(AMC)；信道分類

1 引言

為了實(shí)現(xiàn)任何時(shí)間、任何地點(diǎn)的高可靠通信，以及對(duì)異構(gòu)網(wǎng)絡(luò)環(huán)境有限的無線頻譜資源進(jìn)行高效利用，認(rèn)知無線電技術(shù)應(yīng)運(yùn)而生[1]。該技術(shù)以靈活、智能、可重配置為顯著特征，通過感知外界環(huán)境，有目的地實(shí)時(shí)改變發(fā)射機(jī)參數(shù)(如傳輸功率、調(diào)制方式和碼率等)，使其內(nèi)部狀態(tài)與當(dāng)前信道狀態(tài)相匹配，以達(dá)到最優(yōu)傳輸?shù)哪康?。而如何根?jù)感知的信道信息合理地調(diào)整發(fā)射機(jī)參數(shù)以提高頻譜效率，正是認(rèn)知決策引擎的主要任務(wù)。

根據(jù)上述研究，本文提出了一種基于信道分類和自適應(yīng)調(diào)制編碼(Adaptive Modulation and Coding, AMC)的SC-FDE認(rèn)知系統(tǒng)決策引擎。該決策引擎的意義在于：(1)該引擎解決了SC-FDE認(rèn)知系統(tǒng)無法通過多目標(biāo)優(yōu)化進(jìn)行決策的問題；(2)當(dāng)信道狀態(tài)發(fā)生較大變化時(shí)，該引擎能夠通過信道分類和信道估計(jì)的結(jié)果，感知到當(dāng)前的信道變化，并且相應(yīng)調(diào)整傳輸策略以匹配當(dāng)前的信道狀態(tài)；(3)通過計(jì)算策略持續(xù)時(shí)間(Modulation and Coding Scheme Duration, MCSD)，該引擎減少了信道估計(jì)和策略切換的操作，從而減少了系統(tǒng)開銷。

2 問題的提出

由于SC-FDE系統(tǒng)能夠克服OFDM系統(tǒng)峰均功率比大，放大器線性范圍要求高，對(duì)相位噪聲和載波頻偏敏感等缺點(diǎn)，且兩者的抗多徑性能相當(dāng)，因此SC-FDE體制被引入到認(rèn)知無線電中。但對(duì)于SC-FDE認(rèn)知系統(tǒng)，由于其采用頻域均衡而非多載波的方式克服碼間干擾(Inter-Symbol Interference, ISI)的影響，所以該系統(tǒng)工作在多徑信道條件下，而多徑信道下不同調(diào)制、不同編碼的BER解析式很難獲得。如在Turbo碼迭代譯碼情況下，求解其精確的BER表達(dá)式極其復(fù)雜，一般獲得的是其性能的上、下限。因此通過上述多目標(biāo)優(yōu)化理論解決SC- FDE認(rèn)知系統(tǒng)的認(rèn)知決策引擎的設(shè)計(jì)問題會(huì)使問題進(jìn)一步復(fù)雜化?，F(xiàn)有如下幾種方式解決此類問題：(1)基于范例推理(Case Based Reasoning, CBR)的認(rèn)知決策引擎。因其采用類似枚舉的方式對(duì)不同信道狀態(tài)進(jìn)行匹配，而存在著計(jì)算量巨大的先天不足。(2)基于SNR高階統(tǒng)計(jì)量的認(rèn)知決策引擎。如前所述，目前還沒有相關(guān)文獻(xiàn)針對(duì)這方面進(jìn)行具體研究。(3)基于自適應(yīng)門限調(diào)整(Threshold Adjustment, TA)的認(rèn)知決策引擎。由于該決策引擎采用的TA理論尚待完備，其收斂性問題也未得到理論分析，所以該類決策引擎技術(shù)也不成熟。綜上所述，SC-FDE認(rèn)知系統(tǒng)急需一種有效的決策引擎，以實(shí)現(xiàn)提高頻譜效率的目的。

3 認(rèn)知決策引擎

圖1是本文設(shè)計(jì)的SC-FDE認(rèn)知無線電基帶仿真系統(tǒng)。如圖1所示，本文設(shè)計(jì)的認(rèn)知決策引擎由3部分組成：信道分類，AMC策略選取和計(jì)算MCSD。首先，認(rèn)知引擎進(jìn)行信道分類；信道分類的結(jié)果作為AMC的輸入?yún)⒘?，AMC據(jù)此進(jìn)行最優(yōu)策略的選取；最優(yōu)傳輸策略一旦被AMC選出，則計(jì)算其相應(yīng)的MCSD。認(rèn)知引擎通過檢查當(dāng)前策略的使用時(shí)間是否超過相應(yīng)的MCSD，以判決最優(yōu)策略是否需要更新。

3.1 信道分類

接收信號(hào)的采樣序列可以表示為[14]

圖1 SC-FDE認(rèn)知無線電基帶仿真系統(tǒng)

對(duì)算法性能和實(shí)現(xiàn)復(fù)雜度進(jìn)行綜合考慮，本文采用最小二乘(Least Squares, LS)信道估計(jì)算法和頻域最小均方誤差(Minimum Mean Square Error, MMSE)SNR估計(jì)算法。信道估計(jì)和SNR估計(jì)的好壞對(duì)整個(gè)認(rèn)知系統(tǒng)的性能具有較大影響。信道估計(jì)一旦不準(zhǔn)確，勢(shì)必影響SNR估計(jì)的準(zhǔn)確性。兩者的累積誤差可能會(huì)導(dǎo)致認(rèn)知引擎對(duì)當(dāng)前信道狀態(tài)誤判，從而錯(cuò)誤地決策出一個(gè)不匹配當(dāng)前信道狀態(tài)的傳輸策略。而這樣的傳輸策略可能降低系統(tǒng)的頻譜效率，也可能使得BER性能達(dá)不到系統(tǒng)要求。因此，準(zhǔn)確的信道估計(jì)和SNR估計(jì)是認(rèn)知引擎能夠正確進(jìn)行決策的重要前提和保障。

3.2 AMC最優(yōu)策略選取方案

3.3 MCSD

本文提出的認(rèn)知決策引擎具體實(shí)現(xiàn)過程如下：

步驟1 在給定信道狀態(tài)下進(jìn)行離線系統(tǒng)仿真，得到可選MCS的BER-SNR性能曲線和吞吐量曲線；

步驟3 在線狀態(tài)下認(rèn)知決策引擎進(jìn)行信道分類，從而確定當(dāng)前的信道狀態(tài)；

需要說明的是，信道變化率對(duì)本文認(rèn)知系統(tǒng)的性能影響較大。當(dāng)信道變化率極大，即信道狀態(tài)變化極其劇烈時(shí)，如信道的相干時(shí)間與認(rèn)知決策引擎處理延遲(信道分類處理時(shí)間、認(rèn)知決策處理時(shí)間和反饋延遲的總和)相當(dāng)時(shí)，本文的認(rèn)知系統(tǒng)無法跟蹤信道的變化，因此其適應(yīng)外部環(huán)境的自適應(yīng)能力喪失。本文提出的認(rèn)知決策引擎更適用于慢時(shí)變信道和能夠保證認(rèn)知決策引擎處理時(shí)間的快時(shí)變信道。在實(shí)際應(yīng)用中，大部分的山區(qū)多徑信道條件均是本文認(rèn)知決策引擎適用的信道場景。

4 仿真結(jié)果與分析

本文的仿真結(jié)果均是基于本文設(shè)計(jì)的如圖1所示的SC-FDE基帶仿真系統(tǒng)得到的。具體的仿真參數(shù)和信道參數(shù)分別如表1和表2所示。本系統(tǒng)中最大多普勒頻率5 Hz對(duì)應(yīng)的移動(dòng)終端最大速率為27 km/h。仿真中采用的兩種調(diào)制方式分別為BPSK和QPSK；編碼方式為低密度奇偶校驗(yàn)(Low Density Parity Check, LDPC)碼，編碼后長度為3176, 4種可選碼率分別為1/2, 2/3, 3/4和5/6。將上述參數(shù)組合共得到8種MCS，記為S1~S8，如表3所示。

表1仿真參數(shù)表

信道類型瑞利多徑信道 載波頻率200 MHz 符號(hào)速率5 Msymbol/s 目標(biāo)誤碼率 信道估計(jì)LS算法 頻域均衡MMSE算法 SNR估計(jì)MMSE算法

表2信道模型參數(shù)表

信道參數(shù)徑數(shù)多徑時(shí)延(μs)各徑幅度(dB)最大多普勒頻率(Hz) 取值50, 0.5, 2.0, 13.0, 15.00, -1.5, -4.5,-8.0, -10.05

表3 AMC策略組合表

碼率調(diào)制 BPSKQPSK 1/2S1S2 2/3S3S4 3/4S5S6 5/6S7S8

在如表2所示的信道模型下，進(jìn)行離線系統(tǒng)仿真，得到所有可選策略的BER-SNR性能曲線和吞吐量曲線，分別如圖2和圖3所示。圖3中各MCS的吞吐量由式(11)給出：

如圖2所示，不同可選策略的BER-SNR性能曲線存在交叉點(diǎn)，如在7.2 dB處策略S2和策略S5存在交叉點(diǎn)。出現(xiàn)此類情況的原因是本文以SNR作為軸的標(biāo)度。雖然S5的調(diào)制階數(shù)低于S2，其BER性能應(yīng)該較后者更優(yōu)。但是S5碼率比S2大，調(diào)制階數(shù)和碼率的綜合作用導(dǎo)致了不同可選策略出現(xiàn)交叉點(diǎn)的情況。

表4 AMC策略切換表

以下將文獻(xiàn)[13]提出的CR-ASC-FDE與本文提出的認(rèn)知決策引擎在頻譜效率和吞吐量兩方面進(jìn)行性能比較。采用本文提出的認(rèn)知決策引擎的認(rèn)知系統(tǒng)，其頻譜效率為

表5不同SNR下的平均策略持續(xù)時(shí)間

(dB)平均MCSD(ms) MCS1MCS2MCS3 1039.935.0 5.8 1520.140.3 63.8 20 7.620.2133.3

表6不同SNR情況下的頻譜效率性能對(duì)比

(dB)平均 認(rèn)知決策引擎CR-ASC-FDE 100.49020.2744 150.96600.4136 201.36910.4709

圖2 所有可選傳輸策略的BER-SNR性能曲線

圖3 所有可選傳輸策略的吞吐量性能曲線

圖4 最優(yōu)MCS的BER-SNR性能曲線

圖5 最優(yōu)MCS的吞吐量性能曲線

圖6 認(rèn)知決策引擎和CR-ASC-FDE的吞吐量性能比較

5 結(jié)論

針對(duì)SC-FDE認(rèn)知無線電系統(tǒng)，本文提出了一種基于信道分類和AMC的認(rèn)知無線電決策引擎。該決策引擎通過信道分類，最優(yōu)策略選取和計(jì)算策略持續(xù)時(shí)間，自適應(yīng)地調(diào)整發(fā)射機(jī)參數(shù)，使認(rèn)知系統(tǒng)能夠較好地匹配當(dāng)前的信道狀態(tài)。仿真結(jié)果表明，該認(rèn)知決策引擎使認(rèn)知系統(tǒng)在頻譜效率和吞吐量性能方面具備較大優(yōu)勢(shì)，實(shí)現(xiàn)了最優(yōu)傳輸?shù)哪康摹?/p>

[1] Mitola J and Maguire G. Cognitive radio: making software radios more personal[J]., 1999, 6(4): 13-18.

[2] Khedr M andShatila H. CogMAX-a cognitive radio approach for WiMAX systems[C]. Proceedings of 7th IEEE/ACS International Conference on Computer Systems and Applications, Rabat, 2009: 550-554.

[3] Khedr M,Shatila H, and Reed J H. Adaptive resource management for a vague environment using cognitive radio[C]. Proceedings of 3th IEEE International Conference on Computer Science and Information Technology, Chengdu, 2010: 581-589.

[4] He Qian,Feng Zhi-yong, and Zhang Ping. Reasoning through fuzzy logical for reconfiguration in cognitive radio network[C]. Proceedings of 2011 International Conference on Wireless Communications and Signal Processing, Nanjing, 2011: 1-5.

[5] Chantaraskul S and Moessner K. Implementation of a genetic algorithm-based decision making framework for opportunistic radio[J]., 2010, 4(5): 495-506.

[6] Huynh C K and Lee W C. Two-dimensional genetic algorithm for OFDM-based cognitive radio systems[C]. Proceedings of 2011 IEEE 3rd International Conference on Communication Software and Networks, Xi’an, 2011: 100-105.

[7] Yang Yan-chao,Jiang Hong, Liu Cong-bin,.. Research on cognitive radio engine based on genetic algorithm and radial basis function neural network[C]. Proceedings of 2012 Spring World Congress on Engineering and Technology, Xi’an, 2012: 1-5.

[8] 趙知?jiǎng)? 徐世宇, 鄭仕鏈, 等. 基于二進(jìn)制粒子群算法的認(rèn)知無線電決策引擎[J]. 物理學(xué)報(bào), 2009, 58(7): 5118-5125.

Zhao Zhi-jin, Xu Shi-yu, Zheng Shi-lian,.. Cognitive radio decision engine based on binary particle swarm optimization[J]., 2009, 58(7): 5118-5125.

[9] Chen Jung-chieh and Wen Chao-kai. A novel cognitive radio adaptation for wireless multicarrier systems[J]., 2010, 14(7): 629-631.

[10] 張靜, 周正, 高萬鑫, 等. 基于二進(jìn)制量子粒子群算法的認(rèn)知無線電決策引擎[J]. 儀器儀表學(xué)報(bào), 2011, 32(2): 451-456.

Zhang Jing, Zhou Zheng, Gao Wan-xin,.. Cognitive radio decision engine based on binary quantum particle swarm optimization[J]., 2011, 32(2): 451-456.

[11] Mahdi A H,Mohanan J, Kalil M A,.. Adaptive discrete particle swarm optimization for cognitive radios[C]. Proceedings of 2nd IEEE International Workshop on Smart Communication Protocols and Algorithms, Xi’an, 2012: 6550-6554.

[12] Catreux S, Erceg V, Gesbert D,.. Adaptive modulation and MIMO coding for broadband wireless data networks[J]., 2002, 40(6): 108-115.

[13] 王武軍, 蔣偉, 董明科, 等. 一種恒定發(fā)送符號(hào)速率的自適應(yīng)SC-FDE方案[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 47(3): 411-417.

Wang Wu-jun, Jiang Wei, Dong Ming-ke,.. A constant sending symbol rate adaptive SC-FDE scheme[J]., 2011, 47(3): 411-417.

[14] Goldsmith A. Wireless Communications[M]. 2nd, Cambridge: Cambridge University Press, 2005: 58-64.

[15] Sung W J and Klim I K. An MLSE receiver using channel classification for Rayleigh fading channels[J]., 2000, 18(11): 2336-2344.

[16] Wang H S and Moayeri N. Finite-state Markov channel-a useful model for radio communication channels[J]., 1995, 44(1): 163-171.

于 洋： 男，1984年生，博士生，研究方向?yàn)殒溌纷赃m應(yīng)、認(rèn)知無線電.

譚學(xué)治： 男，1957年生，博士，教授，博士生導(dǎo)師，研究領(lǐng)域?yàn)閷Ｓ靡苿?dòng)通信系統(tǒng)、個(gè)人移動(dòng)通信、智能信息系統(tǒng)、認(rèn)知無線電技術(shù).

Cognitive Radio Decision Engine Based on Channel Classification and Adaptive Modulation and Coding

Yu Yang Tan Xue-zhi

(,,150080,)

It can not make decision by multi-objective optimization over the multipath channel for Single Carrier Frequency Domain Equalization (SC-FDE) cognitive systems. In order to solve the issue, a novel cognitive radio decision engine is proposed based on channel classification and Adaptive Modulation and Coding (AMC). Firstly, the channel is classified to determine the current channel state by the proposed engine. Then, the optimal Modulation and Coding Scheme (MCS) is selected in the MCS switching table according to the current channel state, and its Modulation and Coding Scheme Duration (MCSD) is calculated. Once the current MCS lasts longer than its MCSD, the cognitive radio decision engine will update the optimal MCS. The simulation results show that the proposed cognitive radio decision engine can provide the optimal transmission strategy to improve the spectral efficiency for SC-FDE cognitive systems. Therefore, the engine makes SC-FDE cognitive systems adapt to the complex electromagnetic environment better.

Cognitive radio; Multipath channel; Single Carrier Frequency Domain Equalization (SC-FDE) cognitive system; Adaptive Modulation and Coding (AMC); Channel classification

TN919.72

A

1009-5896(2014)02-0371-06

10.3724/SP.J.1146.2013.00653

譚學(xué)治 tanxuezhi_hit@163.com

2013-05-10收到，2013-10-08改回

國家科技重大專項(xiàng)(2011ZX03004-004)，國家自然科學(xué)基金委員會(huì)與中國民用航空局聯(lián)合資助項(xiàng)目(61071104)資助課題