Faktör grafiğini genişletmeye dayalı "Seçilmiş Kağıtlar" SC-FDE ortak kanal tahmin alıcısı
Yuan Zhengdao 1, 2, Wang Zhongyong 3, Zhang Chuanzong 3, Wu Sheng 4
(1. Bilgi Sistemi Mühendisliği Okulu, PLA Bilgi Mühendisliği Üniversitesi, Zhengzhou 450001, Henan; 2. Bilgi Mühendisliği Okulu, Henan Radyo ve Televizyon Üniversitesi, Zhengzhou 450008, Henan;
3. Bilgi Mühendisliği Okulu, Zhengzhou Üniversitesi, Zhengzhou 450001, Henan; 4. Havacılık ve Uzay Araştırma Merkezi, Tsinghua Üniversitesi, Pekin 100084)
Özet: Faktör grafiği-mesaj geçirme algoritmasına dayalı bir ortak kanal tahmini tek taşıyıcı frekans alanı eşitleme (SC-FDE) alıcısı önerilmiştir. Mevcut ortak kanal tahmin alıcısında var olan karmaşıklık ve performans arasındaki çelişkiyi hedefleyen mevcut model, faktör grafiğini genişletme yöntemi ile esnetilerek dönüştürülür. Dönüştürülmüş faktör grafik modeli, mevcut modeldeki gözlem düğümünü birkaç düğümün bir kombinasyonuna bölebilir ve bölünmüş düğümün özelliklerine dayalı olarak daha uygun bir mesaj aktarım kuralı uygulayabilir, böylece çeşitli mesaj aktarım kurallarının doğasında olan kusurları önleyebilir. . Simülasyon sonuçları, mevcut ortak alıcı algoritmalarıyla karşılaştırıldığında, faktör grafiğini genişletmeye ve ortak beklenen yayılma-ortalama alanına (BP-MF) dayalı önerilen algoritmanın performansı artırırken karmaşıklığı önemli ölçüde azaltabileceğini göstermektedir.
Çin Kütüphanesi Sınıflandırma Numarası: TN929.3
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.166617
Çince alıntı biçimi: Yuan Zhengdao, Wang Zhongyong, Zhang Chuanzong, vb. SC-FDE ortak kanal kestirim alıcısı, faktör grafiğini esnetiyor.Elektronik Teknoloji Uygulaması, 2017, 43 (8): 110-114.
İngilizce alıntı biçimi: Yuan Zhengdao, Wang Zhongyong, Zhang Chuanzong, ve diğerleri.Germe faktörü grafiğine dayalı ortak kanal tahmini ve SC-FDE alıcısı. Application of Electronic Technique, 2017, 43 (8): 110-114.
0 Önsöz
Tek taşıyıcı frekans alanı eşitleme (SC-FDE) teknolojisi, çoklu yolun neden olduğu zaman dağılım etkisiyle mücadeledeki mükemmel performansı nedeniyle, son yıllarda araştırmacıların büyük ilgisini çekmiştir. Ortogonal Frekans Bölmeli Çoklama (OFDM) ile karşılaştırıldığında, SC-FDE daha düşük bir ortalama-tepe oranına sahiptir ve bu da onu LTE'de bir yukarı bağlantı teknolojisi haline getirir.
Toplam ürün algoritması olarak da bilinen İnanç Yayılma Algoritması (BP), yinelemeli alıcılarda yaygın olarak kullanılan bir mesaj geçirme yöntemidir. Ayrık sinyal işleme altındaki mükemmel performansı nedeniyle, BP algoritması kablosuz alıcıların tasarımında yaygın olarak kullanılmaktadır. Bununla birlikte, BP algoritması, sürekli ve ayrı bir arada var olmanın meydana geldiği senaryolarda son derece yüksek karmaşıklığa neden olacaktır.Bu nedenle, bazı senaryolarda BP algoritmasının yerini alan birkaç yaklaşık mesaj geçirme yöntemi ortaya çıkmıştır. İki yaygın teorik mesajlaşma yöntemi vardır: Ortalama Alan (MF) algoritması ve Beklenen Yayılma (EP) algoritması. Bunlar arasında, ortalama alan (MF) algoritması, özellikle Gauss işlevi veya gama işlevi durumunda faktör düğümlerinin üssel olarak dağıtıldığı senaryolar için uygundur. Bununla birlikte, güncelleme kurallarının özellikleri nedeniyle, "ürün toplamı" ile karşılaşıldığında ( Toplama çarpma modeli kullanıldığında, varyans kaybı meydana gelir ve bu da ciddi performans düşüşüne neden olur. Beklenen Yayılma (EP) algoritması, sürekli ayrık bir arada varoluşta BP algoritmasının yüksek karmaşıklık problemini çözmek için uygun olan BP yönteminin bir yaklaşımı olarak kabul edilebilir. Bununla birlikte, MF ve EP, BP algoritmasına kıyasla gevşetilmiş kısıtlama koşulları altında BP algoritmasının yaklaşık değerleri olduğundan, performans düşecektir. Bu nedenle, son yıllarda, ortak BP-MF ve ortak BP-EP gibi yöntemler, performans ve karmaşıklık arasındaki çelişkiyi çözmüştür.
Literatürde, seyrek kanalları tahmin etmek için pilotları kullanan ve veri tespiti için kullanılan, düşük karmaşıklıklı bir seyrek kanal tahmini SC-FDE alıcısı önerilmiştir. Yalnızca pilotu kanalı tahmin etmek için kullandığından, veri iletiminde örtük olan kanal bilgisini tam olarak kullanamaz, bu nedenle bu alıcı ayrı bir alıcıdır. Literatürde, mesaj geçirme algoritmasına dayalı bir ortak OFDM alıcısı önerilmekte ve kanal tahmininde MF yöntemi kullanılmaktadır. MF yönteminin neden olduğu varyans kaybını önlemek için, skaler varyans hesaplama biçimini, performansı artıran bir kovaryans matrisi hesaplamasına dönüştürmek için bir vektör formu kullanır. Bununla birlikte, matris inversiyonunun varlığı nedeniyle, karmaşıklığı da büyük ölçüde artmıştır. Literatürde, kanalların nispeten bağımsız olduğu ve kanalların bağımsız gruplara ayrıldığı varsayılarak, genelleştirilmiş ortalama alan (GMF) yöntemi önerilmiştir, böylece performans kaybı pahasına karmaşıklık azaltılır.
Bu makalede, literatür yöntemi ile birleştirilerek, orijinal olarak "ürün-toplam" yapısına sahip olan gözlem düğümü faktör grafiği ile genişletilerek, bu yapı gözlem düğümünden ayrılmıştır. Uzatıldıktan sonra, gözlem düğümü yalnızca bir "ürün" yapısına sahiptir, bu nedenle MF yöntemini kullanırken varyans kaybı problemini önler ve aynı zamanda gürültü varyansını tahmin etmek uygundur. "Toplam" yapısı, diğer yaklaşım yöntemlerinin neden olduğu varyans kaybını ve performans düşüşünü önleyen BP yöntemi kullanılarak başka bir düğüm tarafından işlenir.
1 Sistem modeli
Bir SC-FDE iletim sistemi için, bilgi dizisi b, kanal kodludur ve kod vektörü c'yi elde etmek için serpiştirilir ve daha sonra iletim verisini x elde etmek için QAM modüle edilir ve kanal iletimi için döngüsel ön ek (CP) eklenir. Alıcı uçta, ayrık Fourier dönüşümü, aşağıdakileri elde etmek için CP kaldırıldıktan sonra gerçekleştirilir:
1.1 Mevcut çarpanlara ayırma ve faktör grafiği gösterimi
Yukarıdaki aktarım modeli literatüre göre çarpanlara ayrılırsa, ara değişkenler z ve h yansıtılmaz ve çarpanlara ayırma aşağıdaki gibidir:
Bunlar arasında, fM (x, c, b), literatürde ayrıntılı olarak açıklanan soft input ve soft output (SISO) fonksiyonunu temsil etmektedir.Bu makale, dahili mesaj güncellemesini türetmemektedir. Yukarıdaki çarpanlara ayırma, Şekil 1'de gösterildiği gibi bir faktör grafiği çizebilir.
1.2 Faktör grafiği germe yöntemi
Önceki bölümde karmaşıklık ve performans arasındaki çelişkiyi önlemek için bu bölüm, sistemdeki bilinmeyen değişkenlerin, gözlenen değişkenlerin ve yardımcı değişkenlerin ortak küresel olasılık dağılım faktörlerini şu şekilde ayrıştırır:
Faktör grafiği uzatıldıktan sonra, gözlem düğümü yalnızca "toplamaya" sahip olduğundan, MF yöntemi varyans kaybı olmadan gürültü doğruluğunu tahmin etmek için kullanılabilirken "toplama" yapısı düğüm tarafından belirlenir.
2 alıcı tasarımı
Birleşik BP-MF algoritmasına dayalı olarak, bu bölüm, faktör grafiği 2'deki mesajın hesaplanmasını tartışır. Faktör grafiğini inceleyerek, şekilde iki kafes benzeri ağ (fz x ve fh a) olduğunu görebiliriz.İki ağdaki mesaj güncelleme formülleri benzerdir.Kısa olması açısından, bu makale sadece frekans alanı eşitleme kısmının güncellenmesini ayrıntılı olarak açıklamaktadır. formül.
2.1 Frekans alanı eşitleme ve algılama mesajı hesaplama
Sunum kolaylığı açısından, bu bölüm, frekans alanı eşitleme ve algılama kısmının mesaj hesaplamasını sol yönlü mesajlara ve sağ yönlü mesajlara ayırır.
2.1.1 Sol mesaj (fD fz fM)
2.1.2 Sağ mesaj (fM fz fD)
Önceki bölümden haberler
2.2 Kanal tahmini
MF mesajı kanal tahmini kısmına gönderildikten sonra, KB güncelleme kuralı, kafes ağdaki mesajı güncellemek için kullanılır. Ayrıca bir kafes ağı vardır, faktör grafiğinin kanal tahmini ve frekans alanı eşitleme kısmı benzerdir, tek fark SISO fonksiyonunun olmamasıdır. Denge kısmının güncelleme formülüne yakın olduğu için burada derinlemesine tartışmayacağız. BP yöntemini kullanarak şunları elde edebilirsiniz:
Bu makalede kullanılan kanal tahmin yönteminin seyrek Bayes öğrenme yöntemleri kullanılarak seyrek kanal senaryolarına da genişletilebileceği unutulmamalıdır. Yalnızca kılavuzun önceden bilinmediğini varsaymak ve katmanlı bir model (2 Katman veya 3 Katman) kullanmak gerekir. Belirli modeller ve faktör grafikleri için lütfen literatüre bakın.
2.3 Gürültü doğruluğu tahmini
2.4 Mesaj planlama
Kanal bilinmediğinde, eğer ortak kanal tahmini gerçekleştirilirse (frekans etki alanı veri sembolleri, kanal tahmin sürecine katılır), tahmin doğruluğu, hatalı veri sembolleri nedeniyle bozulacaktır. Bu nedenle, bu makalede kullanılan mesaj planlama kuralları şu şekilde belirlenmiştir: İlk olarak, yinelemeli kanal tahmini yalnızca pilotlar kullanılarak gerçekleştirilir (başlatma yinelemesi olarak tanımlanır) ve yinelemelerin sayısı Tinit olarak ayarlanır; başlatma yinelemesinden sonra, kanal parametreleri başlangıçta tahmin edilir, böylece frekans alanı eşitlemesi gerçekleştirilebilir. Toplam algılama; daha sonra gürültü varyans tahminine ve kanal tahminine katılmak için algılama sonuçlarını kullanın, böylece genel yinelemeyi tamamlayın (sayı TGlob olarak ayarlanır). Bu bölümde açıklanan mesaj güncellemesi ve planlaması aşağıdaki algoritmalarda özetlenmiştir:
3 Simülasyon ve karmaşıklık analizi
Bu yazıda önerilen ortak kanal tahmin yinelemeli alıcının performansı, Monte Carlo simülasyonu ile doğrulanmış ve bilinen literatürdeki algoritmalar ile karşılaştırılmıştır.Simülasyon sistemi parametreleri Tablo 1'de gösterilmiştir.
Bu yazıda önerilen germe faktörü grafiği ve birleşik BP-MF yöntemi "BP-MF" olarak etiketlenmiştir. Literatürde önerilen blok MF yöntemleri topluca "MF" olarak adlandırılır ve blok boyutlarına göre "MF-512" olarak işaretlenir. , "MF-128", "MF-32" ve "MF-8". Literatürde kullanılan birleştirmeme yöntemi "Ayrık" olarak belirtilmiştir. Bir referans standardı olarak, bu makale ayrıca "GvChnl" olarak adlandırılan bilinen kanal senaryosunu simüle eder.
3.1 Simülasyon sonuçları
Şekil 3, bu makaledeki ve literatürdeki bilinen yöntemlerin dönüşüm eğrilerini SNR ile karşılaştırmaktadır (yineleme sayısı 20 olarak sabitlenmiştir). Şekil 3'ten, bu yazıda önerilen BP-MF yönteminin performansının, blok boyutu 512 olduğunda MF yönteminden daha iyi olduğu görülebilir. Blokların artmasıyla MF yönteminin performansı giderek azalmaktadır. Ortak olmayan alıcılar, pilotları yalnızca kanal tahmini için kullandıkları için, performanslarının ortak alıcılara göre büyük bir dezavantajı vardır.
Şekil 4, farklı sinyal-gürültü oranları altında çeşitli yöntemlerin kanal tahmin performansını göstermektedir. Açıkça görülebileceği gibi, ortak olmayan alıcı ile karşılaştırıldığında, veri sembolleri tarafından taşınan kanal bilgisi kullanıldığından, kanal tahmin performansının büyük ölçüde arttığı görülmektedir. MF-512 ile karşılaştırıldığında, bu yazıda önerilen algoritmanın belirli bir derecede performans avantajı vardır.
3.2 Karmaşıklık analizi
Blok MF yöntemi, blok küçüldükçe karmaşıklığı azalır. Blok boyutunun G olduğunu varsayarsak, karmaşıklığı O (L (M / G) 2) ile orantılıdır. Bu yazıda önerilen BP-MF yönteminde, hesaplanan mesaj sayısı O (ML) ile orantılıdır ve her mesaj hesaplaması yalnızca temel matematiksel işlemleri gerektirir, bu nedenle BP-MF yönteminin karmaşıklığı O (ML) ile orantılıdır. Bu makalenin simülasyon senaryosunda, BP-MF yönteminin ve MF-32'nin karmaşıklığı benzerdir.
4. Sonuç
Faktör grafiğini genişletme ve mesaj iletme algoritmalarına dayalı olarak, bu makale düşük karmaşıklıktaki bir ortak kanal tahmini SC-FDE alıcısı önermektedir. Mevcut yöntemin faktör grafiğini esnetip dönüştürerek, grafikteki faktör düğümleri işleve göre bölünebilir ve daha esnek bir mesaj geçirme algoritması benimsenebilir. Bu nedenle, bir mesaj aktarım kuralı seçerken, çeşitli kuralların avantaj ve dezavantajlarına kendileri başvurabilir, avantajlarını en üst düzeye çıkarabilir ve kusurlarından kaçınabilirsiniz. Simülasyon sonuçları, mevcut ortak alıcı algoritmasına kıyasla, bu makalede önerilen faktör grafiğini genişletme ve birleşik BP-MF algoritmasının performansı artırırken karmaşıklığı önemli ölçüde azaltabileceğini göstermektedir.
Referanslar
FALCONER D, ARIYAVISITAKUL SL, BENYAMIN-SEE-YAR A, ve diğerleri Tek taşıyıcılı geniş bantlı kablosuz sistemler için frekans alanı eşitlemesi Commu. Magazine, IEEE, 2002, 40 (4): 58-66.
KSCHISCHANG F R, FREY B J, LOELIGER H A. Faktör grafikleri ve toplam ürün algoritması Bilgi Teorisi IEEE İşlemleri, 2001, 47 (2): 498-519.
WINN J, BISHOP C M. Varyasyonel mesaj geçişi.Makine Öğrenimi Araştırmaları Dergisi, 2005, 6 (2): 661-694.
MINKA T P. Yaklaşık Bayesci çıkarım için beklenti yayılımı. Yapay Zekada Belirsizlik Üzerine On Yedinci Konferans. Morgan Kaufmann Publishers Inc. 2001: 362-369.
RIEGLER E, KIRKELUND G E, MANCHON C N, ve diğerleri İnanç yayılımını ve ortalama alan yaklaşımını birleştirme: bir serbest enerji yaklaşımı. IEEE İşlemleri Bilgi Teorisi, 2012, 59 (1): 588-602.
YUAN Z, ZHANG C, WANG Z, et al.MIMO-OFDM için ortak kanal tahmini ve kod çözme yaklaşımına yardımcı değişken destekli hibrit mesaj geçirme yaklaşımı.IEEE Signal Processing Letters, 2017, 24 (1): 12-16.
Wang Zhongyong, Guo Qiuge, Wang Fasong ve diğerleri Katmanlı modele dayalı SC-FDE sistemi için düşük karmaşıklıklı seyrek kanal tahmini.Sinyal İşleme, 2015, 31 (9): 1106-1111.
PRASAD R, MURTHY CR, RAO B D. Seyrek Bayes öğrenme kullanan OFDM sistemlerinde ortak yaklaşık seyrek kanal tahmini ve veri algılama Sinyal İşleme IEEE İşlemleri, 2014, 62 (14): 3591-3603.
PEDERSEN N L, MANCHON C N, FLEURY B H.Genelleştirilmiş ortalama alanı kullanarak kanal tahmini için düşük karmaşıklık seyrek Bayes öğrenme.Avrupa Kablosuz 2014, Avrupa Kablosuz Konferansı; VDE, 2014: 1-6.
ZHANG C, YUAN Z, WANG Z, et al. Genişletilmiş faktör grafiğiyle kombine BP ve MF kullanarak düşük karmaşıklıkta seyrek Bayes öğrenme. Signal Processing, 2017, 131 (1): 344-349.
