随着认知无线电的出现,盲编码器识别引起了广泛的关注。现有相关工作主要集中在加性高斯白噪声(AWGN)信道,而多径场景下的盲识别尚未得到充分研究。考虑未知多径衰落信道下的盲低密度奇偶校验码(LDPC)识别,提出了基于期望最大化(EM)算法的似然分类器,以获得未知参数的最大似然估计值,并采用平均对数似然比(LLR)估计器对未知编码器进行识别。数值结果表明,该算法在多径信道中具有良好的识别性能,特别是在低信噪比区域。
As the advent of cognitive radios,blind encoder identification has attracted increasingly attentions since it plays an important role.The existing works mainly focus on additive white Gaussian noise (AWGN) channel,while the blind identification in multipath scenarios has not been sufficiently investigated.Considering the blind low density parity-check (LDPC) codes identification in the presence of unknown multipath fading channel,a likelihood-based classifier was proposed using the expectation maximization (EM) algorithm to obtain the maximum likelihood estimates of the unknown parameters.Then,an average log-likelihood ratio (LLR) estimator was adopted to classify the unknown encoder.Numerical results show that the proposed algorithm provides promising identification performance in multipath channels,especially in the low signal-to-noise ratio region.
认知无线电(CR,cognitive radio)是5G移动通信中的一项关键技术,为无线通信中频谱资源缺乏提供了一种有效的解决方法。根据对频谱占用和其他无线信道参数的先验知识,CR 可以实现动态频谱接入并提高频谱效率。然而在实际通信场景中,接收机并不能直接从发射机获得先验信息。为了解决这个问题,Swaminathan等[1,2,3]已经研究了未知发射机先验信息的盲编码器识别。Bonvard 在软判决的情况下,从接收有噪数据流中盲识别了纠错码,可以估计纠错码的码长及码率[2]。文献[3]提出了使用一对扩展码和扰码的伪随机(PN,pseudo-random)码的估计算法[3]。
低密度奇偶校验(LDPC,low-density parity-check)码是一种具有稀疏奇偶校验矩阵的线性分组码。由于LDPC码可以获得接近Shannon极限的性能优势,在过去几年中已被广泛地研究和应用[2,3,4,5,6]。Xiao等[4]研究了多径信道下的自适应LDPC解码系统。自适应均衡器通过发送来自发射机的训练序列以帮助消除多径信道的干扰,从而实现类似于AWGN信道中的差错性能。但是自适应均衡需要已知发射机的发送符号,在实际通信场景中并不适用。最近的研究中提出了使用期望最大化(EM,expectation maximization)算法的LDPC码盲识别算法[2,3]。Tian研究了在AWGN信道下基于对数似然比(LLR,log-likelihood ratio)的盲LDPC编码器识别,通过EM算法估计未知信道参数[2]。然后又提出了一种在平坦衰落信道下正交幅度调制(QAM,quadrature amplitude modulation)信号的盲LDPC编码器识别方案[3]。然而,以往的研究工作均只考虑AWGN或平坦衰落信道,多径衰落信道下的盲编码器识别并未得到研究,并且先前所提出的算法直接应用于多径衰落信道下会导致算法失效,无法达到良好的估计性能。
考虑在未知多径衰落信道下的盲LDPC码识别问题,提出了一种使用EM算法的基于似然性的分类器,并在接收端融合多个接收机的识别结果以提高识别性能。对于未知参数估计部分,基于EM的估计器提供了一种通过迭代计算未知参数的最大似然估计(MLE,maximum likelihood estimates)来估计未知参数的方法。对于盲编码器识别部分,通过计算每个接收机处接收符号的 LLR,导出校正子后验概率(APP)的 LLR。最后利用平均LLR度量而非累积LLR做判决,进一步提升识别性能。
考虑单个发射机和K个接收机的系统模型,其中无线信道被建模为具有L条路径的多径衰落信道,为了识别发射端未知的LDPC编码器,在第个接收器处接收到的基带信号rk,j可以表示为
其中,a k,l >0和φk,l∈[0,2π)为第个k接收器处的第l条路径的未知信道增益和相位。
盲编码器识别的任务是根据接收到的信号,从已知的候选编码器集合Θ中确定正确的编码器θ。通常假定Θ中的每个候选编码器均对应唯一的奇偶校验矩阵,且任意2个奇偶校验矩阵均没有任何相同的行。
在本节中,提出了一个平均 LLR 度量来识别LDPC编码器θ的盲识别算法。假设
其中,
其中,1≤i≤n-q,⊕表示GF(2)域中的和。
为了识别编码器θ∈Θ,使用式(2)中的校正子后验概率的对数似然比。对于二元随机变量cj和rk,j,LLR度量
其中,
根据式(1)中的系统模型,
其中,
由于多个接收机之间相互独立,K个接收机协作融合后的对数似然比
其中,
当θ′ θ= 时,
通过推导可知,式(4)中的
在本节中,提出了一个盲信道估计器来确定多径衰落信道的未知参数以及未知的发送符号。在假设θ′∈Θ下,似然函数为
其中,
其中
需要注意的是,式(14)中的问题是一个非凸问题,由于它是高维的,所以难以直接求解。为了处理这个复杂问题,提出了一个基于EM的估计器来计算
EM 算法可以通过在期望步骤(E 步骤)和最大化步骤(M步骤)之间迭代,来解决存在不可观察潜在变量情况下的 MLE 问题。在问题中,不可观察的潜在变量为调制符号
其中,
其中,
由式(19)可知,式(15)中的问题被解耦为K个独立的问题。
由式(17)~式(19)可知,为了简化E步和M步,应该首先估计不可观察的潜在变量
其中
其中
令
其中,C2为一个独立于未知参数的常量,且
则式(15)中的E步和式(16)中的M步可简化为
E步:计算完整数据
M步:估计未知参数
通过计算式(26)关于
其中,
本节中提供了各种数值仿真来验证所提算法的有效性。利用正确的识别概率作为识别性能的评估指标。蒙特卡洛试验的次数为1 000次。为提升识别性能,利用了多个接收机进行LDPC编码器识别,将接收机的数量设置为K=3。根据IEEE 802.11n标准,将LDPC编码器候选码字块长度设置为n=648、1 296和1 944,且每种码长均对应4种不同的码率,即
首先评估所提出的算法对码长n=648的单个码块的识别性能,并使用正确识别概率作为性能度量。码长固定为
在图2中,给出了当码率
在图3中,仿真验证了当接收机数量分别为K=2,3 和 4 时的识别性能。将码长固定为
在图4中,通过仿真验证了当多径数目L=3、6和10时的正确识别概率[8,13]。码长固定为n 648= ,码率为
提出了一个平均LLR估计器以解决多径信道下的盲LDPC码识别问题,并利用基于似然的分类器估计未知参数,包括信道增益、相位和未知调制符号。由于未知参数的最大似然估计难以直接确定,因此利用 EM 算法将原始非凸的优化问题分解为多个较低维的子问题。
通过多个接收机协作做出最终判决以提高识别性能,从仿真结果来看,当使用648个带噪BPSK符号和3个接收机时,SNR约为3 dB时,正确的识别概率接近100%。识别性能会随着数据样本数量的增大而增强,即使在 SNR=1 dB时也可以达到100%的正确识别概率。数值结果表明所提出的算法具有良好的识别性能。