一种基于仿射预编码的干扰抵消和双向协作的信道估计方法与流程

本发明属于无线通信技术领域，更具体地，涉及一种基于仿射预编码的干扰抵消和双向协作的信道估计技术。

背景技术：

双向中继协作网络(TWRN)相比单向中继协作网络(OWRN)减少了必须的传输时隙，提高了频谱利用率，具有很高的潜力与价值。目前的TWRN中，大部分假定在第二时隙接收端能完全消除自身发送数据干扰。但是，这种完美的自干扰抵消是基于完美信道估计的前提下的，实际环境中由于延迟反馈和信道估计误差，要得到完美的CSI是非常困难甚至是不可能的。对于TWRN中，通常利用时分或频分等训练序列获取信道估计信息，然后利用估计信道信息完成自干扰抵消和对端信息的检测，信道估计误差直接影响到干扰抵消效果，进而直接影响到符号检测和系统性能。受系统(功率、带宽等)资源开销约束及统计估计理论，信道估计误差往往较大。如何完美地消除自干扰项并且在获取目标信道参数的同时估计单跳信道是双向中继网络的研究重点。目前，AF模式下针对自干扰消除主要有两种方式：第一种是依赖自干扰信道(往复级联信道)估计的自干扰消除方案，其主要思想是根据估计自干扰信道参数对自干扰项进行计算，从而实现目标信号中的自干扰消除。但是上述方案是采用“先估计信道后抵消干扰”的思想，意味着信道估计存在误差，而在实际的自干扰消除过程中，微小的信道估计误差会产生相对较大的冗余自干扰项，严重影响了符号检测的性能。第二种是盲已知干扰消除(BKIC)方案，即在未知信道参数的情况下，利用已知符号的干扰项来消除其相邻符号的干扰项。基于信道参数对于连续的符号是恒定不变的事实，采用毗邻符号组合的方式实现自干扰消除。盲已知干扰消除方案优点是避免了在自干扰环境下进行不精确地自干扰信道估计，信号处理复杂度低，干扰消除的性能具有相当的优势，其缺点是刻意回避了信道估计精确度差的问题，导致TWRN中未知各链路CSI情况下的难以深入研究最佳功率分配、最佳中继选择等问题。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于仿射预编码的干扰抵消和双向协作信道估计技术，针对双向中继网络中，自干扰误差导致双向中继网络性能的下降的问题，将“右乘”仿射预编码理论引入双向中继网络中，对发送数据进行预编码，接收端首先利用预编码矩阵完成自身信息的消除和对端信息的分离，从而将双向中继转化为两个平行互不干扰的单向中继网信道，然后对“两个”单向中继信道进行估计，从而使得自干扰消除不受信道估计误差的影响。仿射预编码在解决信号分离的同时，结合少量训练的半盲估计方案有望得到高精度的全部信道信息，在消除自干扰的同时大大降低训练开销，同时右乘预编码方案无需信道先验信息，可以简单方便实现最佳功率分配，估计并且大大降低符号检测的复杂度。虽然，采用冗余预编码会带来频谱效率降低，但预编码通过将信号能量扩展到整个频带，相比传统的时分复用方式，可以克服时变信道环境下的衰落并且提供时间分集增益。

本技术方案所基于的技术原理如下：仿射预编码方案可以应用于“左乘”和“右乘”两种仿射预编码模型，从信号矢量空间角度进行分析，“左乘”预编码方案将信息数据映射到预编码矩阵各列张成的子空间，且与训练矩阵各列张成的子空间相互正交。“左乘”方案中预编码矩阵在信道矩阵和数据之间，使得仿射预编码中预编码矩阵的设计和干扰抵消受到未知信道矩阵制约，经信道传输后接收信号中双向的数据承载项对应子空间依赖于未知信道矩阵。因此，为了实现不依赖于未知信道的正交分离，在CSI未知条件下构造一种“右乘”预编码。将接收信号映射到与信道矩阵无关的正交子空间，接收信号中信号子空间与干扰子空间与信道矩阵无关，可以在未知信道情况下通过矩阵相乘完全消除自干扰信号，同时正交矩阵构造非常灵活、简单，同时干扰抵消和信号处理复杂度非常低。“右乘”预编码方案中资源分配不受信道约束，可以使得功率分配和优化设计更加灵活。

为实现上述目的，本发明提出了一种基于仿射预编码的干扰抵消和双向协作的信道估计方法，其特征在于，该方法主要包括如下步骤：

S1、构造预编码矩阵和解码分离矩阵；

S2、分别组合信息序列和训练序列构造数据帧并且进行预编码处理；

S3、在第一时隙，发射数据信号，在中继叠加数据后进行放大转发；

S4、进行解码分离操作，提取训练数据，进行双向平行信道的信道估计；

S5、从目标信号中提取信息数据，对其进行符号检测，输出检测序列；其中，所述步骤S1包括以下子步骤：

S11、构造幅值为1，长度为G的FZC序列a，对a进行K倍插值，得到长度为P＝KG的序列其中

S12、构造矩阵对该矩阵进行IDFT后得到其中函数circ(x,A)表示对矢量x进行A次的循环移位构成循环矩阵，F矩阵为傅里叶变换矩阵，序列集中的变换域序列相互正交，其中0≤m，n≤KG-1；

S13、令矩阵其中

因此，为满秩列正交方阵，O′^HO′＝I_KG，为单位矩阵，令行正交方阵

矩阵集也具有类似于上式的正交特性，因此，

其中，K＝K₁+K₂，K₁对应为节点数据的并行数量，K₂对应为节点数据的并行数量，获得对应的解码预处理矩阵为

进一步地，所述步骤S2包括以下子步骤：

S21、在和节点对源信息符号进行调制得到信息序列d₁、d₂；

S22、在和节点分别以时分复用方式构造数据帧包含长度为的信息序列d₁、d₂和长度为的训练序列c₁和c₂，中间添加长度为N_ZP的零前缀；

S23、对数据帧进行串并转换，分别获取长度为M的并行数据

S24、在和节点分别对所述步骤S23获得的并行数据进行预编码，获得并发送。

进一步地，所述步骤S3包括以下子步骤：

S31、在中继节点同时接收到来自和节点的信号，接收信号表示为R＝H₁X₁+G₁X₂+N_R，其中N_R为有效高斯白噪声，每个元素服从H₁和G₁分别表示首列为和向下循环移位M-1次后形成的M×M维循环矩阵，h₁＝[h_1，1,h_1，2...h_1,L]^T表示第1时隙从到中继的信道参数，L为信道阶数；g₁＝[g_1,1,g_1,2...g_1,J]^T表示第1时隙从到中继的信道参数，J为信道阶数，I表示单位矩阵；

S32、然后对接收数据进行放大，放大因子为β，最后对放大后的信号进行转发。

进一步地，所述步骤S4包括以下子步骤：

S41、在节点分别接收中继广播的数据Y，通过对接收数据右乘所述解码矩阵Q₁，Q₂，实现各个节点的自干扰信号和目标信号的解码分离；

S42、在节点分别对所述解码分离后的数据进行并串转换，获得来自对端消除自干扰的串行数据以及自身回传数据；

S43、分别提取所述串行数据及所述自身回传数据矢量中的训练数据，采用基于最小二乘时域信道估计方法获得估计信号；

S44、对所述步骤S43中的估计信号进行解卷积获取信道参数；

S45、提取所述自身回传数据矢量中的信息数据，采用基于线性最小均方误差的时域信道估计方法获得信道估计。

进一步地，所述步骤S5包括以下子步骤：

S51、提取所述串行数据矢量中的信息数据，对所述信息数据进行基于线性最小均方误差准则的时域均衡表示；

S52、对所述均衡后的信息矢量进行解调，然后进行硬判决，输出检测序列。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：本发明提出一种基于仿射预编码的干扰抵消和双向协作信道估计技术，将仿射预编码理论引入双向中继网络中，将双向中继转化为两个平行互不干扰的单向中继网信道。本发明阐述了基于仿射预编码的干扰抵消和双向协作信道估计技术，首先，在终端增加预编码和解码分离过程，以频谱效率降低为代价，实现目标信号和自干扰的完美分离；其次，在数据帧中增加训练块，通过半盲估计方案对目标信道进行信道估计，且充分利用自干扰中的训练信息对单跳链路的信道进行信道估计，从而实现全部链路信道状态信息的获取；最后，在已知信道状态信息且无自干扰影响的情况下，进行可靠的符号检测。因此，采用基于仿射预编码的干扰抵消的双向协作通信方式在不增加中继额外负担的情况下，在复杂的无线信道环境下，获取高精度的信道状态信息，保证高性能通信。

附图说明

图1为双向中继网络的示意图；

图2为本发明终端发信与收信信号处理流程图；

图3为本发明数据帧时域结构图；

图4为本发明目标信道与自干扰信道均方误差与信噪比的关系曲线图；

图5为本发明单跳信道均方误差与信噪比的关系曲线图；

图6为本发明与传统方案进行对比的误符号率与信噪比的关系曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。按照本发明，提供了一种基于仿射预编码的干扰抵消和双向协作的信道估计技术，主要包括如下步骤：

S1、构造预编码矩阵和解码分离矩阵；

S2、在和节点分别组合信息序列d₁和d₂和训练序列构造数据帧并且进行预编码处理；

S3、在第一时隙，和节点分别发射数据信号，在中继同时接收和节点的叠加数据后进行放大，在第二时隙，中继对放大的信号进行转发。

S4、在和节点分别进行解码分离操作，提取训练数据，进行双向平行信道的信道估计；

S5、在和节点从目标信号中提取信息数据，对其进行符号检测，输出检测序列；

其中，所述步骤S1包括以下子步骤：

S11、构造幅值为1，长度为G的FZC序列a，对a进行K倍插值，得到长度为P＝KG的序列其中

S12、构造矩阵对该矩阵进行IDFT后得到其中函数circ(x,A)表示对矢量x进行A次的循环移位构成循环矩阵，F矩阵为傅里叶变换矩阵，序列集中的变换域序列相互正交，其中0≤m，n≤KG-1；

S13、令矩阵其中

因此，为满秩列正交方阵，O′^HO′＝I_KG，为单位矩阵，令行正交方阵

矩阵集也具有类似于上式的正交特性，因此，

其中，K＝K₁+K₂，K₁对应为节点数据的并行数量，K₂对应为节点数据的并行数量，获得对应的解码预处理矩阵为

可知，Q₁和P₁由不同的正交子矩阵构成，Q₁和P₂由相同的正交子矩阵构成，因此满足(P1)为了消除对端数据序列干扰，要求存在矩阵使得(P2)预编码后，数据序列的平均功率仍然与信息序列相同，即的预编码矩阵即为所求。其中P1矩阵和P2矩阵分别为和节点的预编码矩阵。

作为进一步优选地，所述步骤S2包括以下子步骤：

S21、在和节点对源信息符号进行调制得到信息序列d₁、d₂。

S22、在和节点分别以时分复用方式以块的形式进行传输因此设置并行数据长度M构造数据帧包含长度为的信息序列d₁、d₂和长度为的训练序列c₁和c₂，中间添加长度为N_ZP的零前缀(ZP)；

S23、对数据帧进行串并转换，分别获取长度为M的并行数据

S24、在和节点分别对并行数据S₁和S₂进行预编码，获得

预编码引入的冗余数据符号分别为MKG-MK₁G＝MK₂G和MKG-MK₂G＝MK₁G个。采用单载波块传输技术，发送数据序列。

作为进一步优选地，所述步骤S3包括以下子步骤：

S31、在中继节点同时接收到来自和节点的信号，接收信号表示为R＝H₁X₁+G₁X₂+N_R。

其中为有效高斯白噪声，每个元素服从其中为噪声的方差，也可以理解为噪声的平均功率。H₁和G₁分别表示首列为和向下循环移位M-1次后形成的M×M维循环矩阵，h₁＝[h_1，1,h_1，2...h_1,L]^T表示第1时隙从到中继的信道参数，L为信道阶数；g₁＝[g_1,1,g_1,2...g_1,J]^T表示第1时隙从到中继的信道参数，J为信道阶数。

S32、然后对接收数据进行放大，放大因子为β，最后对放大信号进行转发。

作为进一步优选地，所述步骤S4包括以下子步骤：

S41、不失一般性地，以节点作为接收端信号处理研究对象。在节点接收中继广播的数据Y。通过对接收数据Y＝βG₂H₁X₁+βG₂G₁X₂+βG₂N_R+N_S，右乘解码矩阵Q₁，Q₂，实现节点自干扰信号和目标信号的解码分离。

其中表示在节点引入的高斯白噪声，每个元素服从G₂表示首列为向下循环移位M-1次后形成的M×M维循环矩阵,g₂＝[g_2,1,g_2,2...g_2,J]^T表示第2时隙从中继到的信道参数。分离后的信号表示为：

U₁＝YQ₁

＝βG₂H₁S₁P₁Q₁+βG₂G₁S₂P₂Q₁+βG₂N_RQ₁+N_SQ₁

＝βG₂H₁S₁+βN_R,1+N_S,1

U₂＝YQ₂

＝βG₂H₁S₁P₁Q₂+βG₂G₁S₂P₂Q₂+βG₂N_RQ₂+N_SQ₂

＝βG₂G₁S₂+βN_R,2+N_S,2

其中N_R,1＝G₂N_RQ₁，N_S,1＝N_SQ₁，N_R,2＝G₂N_RQ₂，N_S,2＝N_SQ₂。

S42、在节点分别对分离后的数据U₁和U₂进行并串转换，获得来自对端消除自干扰的串行数据以及自身回传数据

S43、分别提取矢量u₁和u₂中的训练数据和采用基于最小二乘(LS)时域信道估计方法，设目标信道w＝h₁*g₂，自干扰信道m＝g₁*g₂，其信道估计表示为：

其中，表示首列为(c_1,l-1:Ml-1)^T向下循环移位L+J-1次后形成的循环矩阵(对应训练序列c₂，其生成方式与相同)；

S44、假设g₁和g₂具有互易性，对矢量进行解卷积获取信道参数函数dconv表示解卷积，其中，表示首列为向下循环移位L次后形成的循环矩阵，表示对A矩阵求伪逆；

S45、提取矢量u₂中的信息数据采用基于线性最小均方误差(LMMSE)的时域信道估计方法，其信道估计表示为：数据帧包括训练和信息两部分，上标d用于表示信息数据，上标c用于表示训练数据

其中表示首列为(d_2,p-1:Mp-1)^T，向下循环移位L+J-1次后形成的循环矩阵，表示以构架成的M×M维循环矩阵，表示克罗内克积，I为单位矩阵，继而采用解卷积的方法推导信道估计参数

类似地，在节点进行解码分离、串并转换及信道估计可以获取对应的信道状态信息。

作为进一步优选地，所述步骤S5包括以下子步骤：

S51、不失一般性地，接下来以节点作为参照进行符号检测，提取矢量u₁中的信息数据基于线性最小均方误差准则(LMMSE)的时域均衡表示为：

其中，表示首列为向下循环移位M-1次后形成的M×M维循环矩阵；

S52、首先对均衡后的信息矢量进行解调，然后进行硬判决，输出检测序列其中表示判决函数。

类似地，在节点进行时域均衡，解调和判决可以获取对应的检测序列

图1为双向中继网络的示意图，在第一时隙节点和节点同时发送数据帧至中继节点，中继节点完成信号叠加，移除零前缀后，进行信号放大，在第二时隙，在中继节点添加零前缀后分别转发至节点和

图2描述了按照本发明设计的方案中对终端发信与收信信号处理流程图，其中在发射端，首先将训练序列c₁和信息序列d₁组合构成数据帧，对数据帧进行串并转换获得M×K₁G的传输块对传输块进行右乘预编码，获得X₁＝S₁P₁，通过传输天线进行发射，经过中继放大转发后，在接收端，首先进行解码，右乘信息解码矩阵，经过并串转换获得u₁和u₂，进行信道估计，再进行精确信道估计，最后进行符号检测获得最终的判决信息。

图3中描述的是按照本发明实现的数据帧时域结构图，数据帧包括信息序列和训练序列两部分，信息序列和训练序列之间通过零前缀进行隔离。

结合说明书，本发明的关键技术在于构造预编码矩阵和解码矩阵完成自信息和对端信息的分离，从而将双向中继转化为两个平行互不干扰的单向中继网信道，下面以特定的预编码构造参数K₁＝K₂＝4，G＝1进行具体的构造说明：

1.构造长度为G＝1的FZC序列a＝[1]^T，对a进行K倍插值，得到长度为P＝8的序列

2.构造矩阵进行IDFT后得到

3.构造O′＝[O′₀,O′₁...O′_KG-1]＝W，从而获得预编码矩阵和解码矩阵：

在本发明一个具体仿真实施例中，在发送端对进行传输的信息符号采用正交相移键控调制方式(QPSK)进行调制，根据当前传输需求，仿真所需参数如表1所示，系统传输条件设定如下所述：

1)信息符号取自随机独立的均匀分布变量，经过基带调制后产生的序列，序列均值E{d(n)}＝0，平均功率为1。

2)训练序列采用频域和时域都为恒幅度的Frank-Zad-Off(FZC)序列，c(n)＝e^jπn(n+k)/P(P为序列的周期，P为奇数时，k＝1；P为偶数时，k＝2)式中n＝0,1,...,N_c-1。

根据上述仿真参数设置，按照本发明的实施方式，构造训练序列：

c₁＝c₂＝[1.00+0.00i 0.98+0.19i 0.70+0.70i-0.19+0.98i-1.00+0.00i 0.19-0.98i 0.70+0.70i

-0.98-0.19i 1.00-0.00i-0.98-0.19i 0.70+0.70i 0.19-0.98i-1.00+0.00i-0.19+0.98i

0.70+0.70i 0.98+0.19i]^T

3)信道设定为受到多径效应引起的频率选择性衰落信道。假设单跳信道g₁和g₂以及h₁和h₂具有互易性。

4)噪声为相互独立的高斯分布随机变量，E{v(n)}＝0，平均功率为

5)节点和节点信息传输速率相同，即K₁＝K₂。

5)在各节点适当地添加或移除长度为N_ZP的零前缀(ZP)。

表1系统仿真参数表

用信道估计值和仿真所用信道冲激抽头样值计算目标信道的均方误差(MSE)来衡量信道估计的性能，如图4所示：对比了目标信道和自干扰信道时域信道估计性能，首先忽略有色噪声的影响，采用基于LS的时域信道估计方法，在相同的噪声环境下，自干扰信道和目标信道的信道估计MSE完全一致，考虑有色噪声的影响，将大功率的已知的自信息作为训练，基于LMMSE时域信道估计方法对自干扰信道进行再估计，可以获取更加精确的自干扰信道状态信息，其估计性能较不考虑有色噪声的LS估计具有明显提高。

如图5所示：对比了信道h₁和g₁的时域信道估计性能，首先从基于LS的时域信道估计方法获取的目标信道中提取信道g₁，由于自干扰信道的估计性能采用基于LMMSE的时域信道估计方法获得提高，可以观察到，信道h₁的估计性能也随之提高大约3dB左右，但是信道h₁的估计性能提高较信道g₁远不够明显。原因在于，信道g₁的性能提高直接来自于自干扰信道CSI，而信道h₁的性能提高只能间接地受制于信道g₁的估计精度，因此其估计性能提高不明显。

传统的干扰自消除方法指通过自干扰信道估计和已知信息序列消除自干扰的方案，用误符号率(SER)来衡量系统符号检测性能，由图6可知，两种方案采用完全相同的仿真环境，信道估计采用无干扰消除环境下的信道估计，本专利提出的预编码方法较传统的干扰自消除方法性能优越，其差别主要是由于自干扰信道估计的误差引起，可以判定，传统的干扰自消除方法，其已知数据经由自干扰信道传输后，微小的信道估计误差可以引起较大的自干扰，从而导致系统符号检测性能的下降，而仿射预编码是一种能够完美地实现自干扰消除的方案。同样可以观察到，由于采用基于LMMSE方法实现信道精确估计，随着单跳信道g₁的性能提高，符号检测性能同样获得提高，说明提出基于LMMSE时域信道估计的有效性，借助解码分离方法，将对系统没有意义的自干扰项转换为能够进一步提高估计性能的训练项，优化了协作网络性能，丰富了协作网络内涵。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。