一种多链路多天线信道联合统计特性建模方法与流程

本发明涉及无线通信技术领域。更具体地，涉及一种多链路多天线信道联合统计特性建模方法。

背景技术：

协作多点(coordinatedmultiplepoints，comp)是一种用于提高传输效率的新技术，它可以通过协作发射或接收的方式将来自其他小区的干扰信号转变为有用信号。对于新技术的应用，首先需要充分了解其应用场景的信道特征，然后构建合适的信道模型对其性能进行评估。信道模型是对无线传播环境及其信道特征的一个抽象地描述。信道模型在无线通信系统设计评估到标准化以至到最终部署的各个环节中，都有重要的作用。

为了评估comp技术的性能，需要采用多链路信道模型，即考虑从多个站点到一个或多个移动台的多链路信道特征。多链路信道相关性决定了comp系统的分集增益和信道容量：链路间阴影衰落相关性越弱，则comp系统的宏分集增益越大；链路间小尺度衰落相关性越弱，则comp系统的微分集增益和信道容量越大。理想上，当不同链路之间为正交时，comp系统具有最佳性能。然而，在实际的传播环境中，链路间的正交性很难保证，原因是：第一、不同链路可能存在稳定的传播路径成分如视距(lineofsight，los)路径等；第二、由于传播环境的对称性，不同链路可能存在共同的散射体或反射体，它们产生的传播路径具有相似性。

现有大部分的信道模型均假设不同链路的信道为独立的，属于单链路信道模型，而多链路信道模型的研究非常匮乏。因此，需要提供一种多链路多天线信道联合统计特性建模方法。

技术实现要素：

本发明的目的在于提供一种多链路多天线信道联合统计特性建模方法。

为达到上述目的，本发明采用下述技术方案：

一种多链路多天线信道联合统计特性建模方法，包括如下步骤：

生成独立同分布的高斯随机变量，将各高斯随机变量分别划分至对应传播链路的集合，不同的集合对应不同的传播链路，集合与传播链路是一一对应的关系；

通过滤波方法，将相应的自相关性分别加载至集合内的高斯随机变量，换一种说法是：通过滤波方法，使集合内的高斯随机变量具有相应的自相关性；

对集合内互相关系数矩阵进行cholesky分解得到集合内互相关转换矩阵，通过集合内互相关转换矩阵将相应的代表链路内互相关性的集合内互相关性分别加载至集合内的高斯随机变量；

对集合间互相关系数矩阵进行cholesky分解得到集合间互相关转换矩阵，通过集合间互相关转换矩阵将相应的代表链路间互相关性的集合间互相关性加载至由不同集合的同一高斯随机变量组成的新集合；

将具有自相关性、链路内互相关性与链路间互相关性的高斯随机变量按对数正态分布生成包括阴影衰落、k因子、时延扩展和角度扩展的多链路多天线信道联合统计特性模型仿真数据。

本发明的有益效果如下：

本发明所述技术方案能够对多链路多天线信道大尺度参数的联合统计特性进行较为准确地描述，可以为协作多天线移动通信系统的设计与评估提供参考。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出多链路多天线信道联合统计特性建模方法的流程图。

图2示出多链路多天线信道联合统计特性建模方法的数据示意图。

图3示出应用于实际高速铁路平原场景下多链路多天线信道建模的阴影衰落的验证结果示意图。

图4示出应用于实际高速铁路平原场景下多链路多天线信道建模的角度扩展的验证结果示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本发明公开的多链路多天线信道联合统计特性建模方法包括如下步骤：

生成独立同分布的高斯随机变量，将各高斯随机变量分别划分至对应传播链路的集合；

通过滤波方法，将相应的自相关性分别加载至集合内的高斯随机变量；

对集合内互相关系数矩阵进行cholesky分解得到集合内互相关转换矩阵，通过集合内互相关转换矩阵将相应的代表链路内互相关性的集合内互相关性分别加载至集合内的高斯随机变量；

对集合间互相关系数矩阵进行cholesky分解得到集合间互相关转换矩阵，通过集合间互相关转换矩阵将相应的代表链路间互相关性的集合间互相关性加载至由不同集合的同一高斯随机变量组成的新集合；

将具有自相关性、链路内互相关性与链路间互相关性的高斯随机变量按对数正态分布生成包括阴影衰落、k因子、时延扩展和角度扩展的多链路多天线信道联合统计特性模型仿真数据。

如图2所示，代入具体的变量和数据的多链路多天线信道联合统计特性建模方法包括如下步骤：

生成独立同分布的高斯随机变量x1′,1,x1′,2,x1′,3,x1′,4,x′2,1,x2′,2,x2′,3,x2′,4，将各高斯随机变量分别划分至对应传播链路的集合x1′＝{x1′,1,x1′,2,x1′,3,x1′,4}与x2′＝{x2′,1,x2′,2,x2′,3,x2′,4}；

通过滤波方法，将相应的自相关性分别加载至集合x1′与x2′内的高斯随机变量使集合内的变量，得到x1″＝{x″1,1,x″1,2,x″1,3,x″1,4}与x2″＝{x″2,1,x″2,2,x″2,3,x″2,4}，这里的自相关性是由实际测量数据获取的结果，由下式得到：

其中，d表示距离；δd表示距离间隔；表示样本的均值；l表示样本的个数；

对集合内互相关系数矩阵进行cholesky分解得到集合内互相关转换矩阵cm，通过集合内互相关转换矩阵cm将相应的代表链路内互相关性的集合内互相关性分别加载至集合x1″与x2″内的高斯随机变量，即

[x′″m,1x′″m,2x′″m,3x′″m,4]＝[x″m,1x″m,2x″m,3x″m,4]·cm

其中，m＝1,2；集合内互相关转换矩阵cm可由集合内互相关系数矩阵进行cholesky分解得到：

其中，为cm的共轭转置矩阵；表示集合内不同变量的互相关系数，

i＝1,2,3,4，j＝1,2,3,4；

对集合间互相关系数矩阵进行cholesky分解得到集合间互相关转换矩阵dn，通过集合间互相关转换矩阵dn将相应的代表链路间互相关性的集合间互相关性加载至由不同集合的同一高斯随机变量组成的新集合{x′″1,1,x′″2,1}、{x′″1,2,x′″2,2}、{x′″1,3,x′″2,3}和{x′″1,4,x′″2,4}，即

[x1,nx2,n]＝[x′″1,nx′″2,n]·dn

其中，n＝1,2,3,4；转换矩阵集合间互相关转换矩阵dn可由下式得到

其中，表示集合间同一变量的互相关系数，p＝1,2，q＝1,2。

链路内或链路间互相关性(或者说集合内或集合间互相关性)是由实际测量数据获取的结果，由下式得到

将具有自相关性、链路内互相关性与链路间互相关性的高斯随机变量按对数正态分布生成包括阴影衰落(sfm)、k因子(km)、时延扩展(dsm)以及角度扩展(asm)的多链路多天线信道联合统计特性模型仿真数据：

其中，为实测的阴影衰落的标准差；μ表示实测的k因子、时延扩展与角度扩展的均值，ε表示实测的k因子、时延扩展与角度扩展的标准差，例如为实测的k因子的均值，为实测的k因子的标准差。

将本发明应用于实际高速铁路平原场景下多链路多天线信道建模，其阴影衰落和角度扩展的验证结果如图3和4所示，从一阶统计量累计分布函数(cumulativedistributionfunction，cdf)与二阶统计量电平通过率(levelcrossingrate，lcr)的对比可以看出，实际测量结果与模型仿真结果具有较好的一致性，从而验证了本发明的可行性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。