CN111162886A - 数字调幅广播信道估计中导频图案的分配优化方法 - Google Patents
数字调幅广播信道估计中导频图案的分配优化方法 Download PDFInfo
- Publication number
- CN111162886A CN111162886A CN201911277778.6A CN201911277778A CN111162886A CN 111162886 A CN111162886 A CN 111162886A CN 201911277778 A CN201911277778 A CN 201911277778A CN 111162886 A CN111162886 A CN 111162886A
- Authority
- CN
- China
- Prior art keywords
- pilot
- population
- pattern
- matrix
- individuals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
- H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
- H04L5/0008—Wavelet-division
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radio Transmission System (AREA)
Abstract
一种数字调幅广播信道估计中导频图案的分配优化方法。通过最小化导频图案对应感知矩阵的整体相关性,导频图案的分配被建模为组合优化问题,并利用改进的量子遗传算法求解该问题。采用量子比特对个体进行编码,获得初始导频频图案集合,并以整体相关性作为适应度函数,计算初始导频图案集合中每个个体的适应度值,最后通过量子旋转门对种群个体进行更新。多次重复上述步骤,将适应度值最大的导频图案选作最优确定性导频图案。本发明利用改进的量子遗传算法解决了导频图案在搜索过程中搜索空间小和效率低的问题,避免了在搜索过程中陷入局部最优的缺陷。优化后的确定性导频图案能够以较少的导频开销获得准确的信道信息,有效地提高了频谱利用率。
Description
技术领域
本发明涉及数字调幅广播技术领域,具体涉及一种数字调幅广播信道估计中导频图案的分配优化方法。
技术背景
DRM(Digital Radio Mondiale)是针对频率在30MHz以下的数字调幅广播技术。由于传输过程中的信道是带宽受限的多径衰落信道,DRM采用了正交频分复用技术来抗多径干扰,有效地提高频谱利用效率。为了获得更好的***性能,接收端的相干解调和信道均衡均需要获得准确的信道状态信息。传统的DRM信道估计方法利用等间隔的导频图案探测信道选择性的衰落。该方法由于使用了较多的导频信号,造成有效传输数据减少,从而频谱利用率较低,这极大地限制了数字调幅广播多媒体数据业务的发展。
近年来,利用无线信道稀疏性形成的基于压缩感知的稀疏信道估计得到了广泛的关注和研究。理论研究表明,基于压缩感知的稀疏信道估计使用随机导频图案获得了良好的估计性能。但是,对于DRM信道估计,每次随机选择导频图案在实际的***中是不现实的。因此,需要研究更为有效的导频图案分配优化方法,为DRM通信***提供确定性的导频图案,保证估计性能的同时提高频谱利用效率,这对数字调幅广播开展多媒体数据业务应用具有重要的实用价值。
以往基于压缩感知的导频图案优化方法以感知矩阵互相关最小为判别准则,通过优化算法获得确定性导频图案。然而,互相关最小准则反映的是感知矩阵两列相关性最极端的情况,并不能描述感知矩阵的平均恢复能力。此外,优化过程中采用的搜索算法也容易导致早熟,使得最优解陷入局部最优。
发明内容
为解决上述技术问题,本发明提供一种数字调幅广播信道估计中导频图案的分配优化方法,解决导频图案在优化过程中搜索空间小和效率低的问题,避免优化过程中陷入局部最优的缺陷。优化后的确定性导频图案能够以较少的导频开销获得准确的信道信息,有效地提高了频谱利用率。
本发明解决上述技术问题的技术方案如下:
一种数字调幅广播信道估计中导频图案的分配优化方法,具体包括以下步骤:
步骤(A),导频图案对应感知矩阵的整体相关性最小作为优化过程中的判别准则,并将导频图案的最优分配转化为组合优化问题的最小值求解;
步骤(B),改进的量子遗传算法参数设置及种群初始化;初始化种群的个体数量为n,即导频图案的数量;每个个体采用量子比特编码,位宽为m;种群进化代数为t,最大进化代数为Gs;初始化种群当t=0时,第j个体的量子比特编码如公式(1)所示:
步骤(E),更新进化代数t=t+1;
步骤(F),观测Q(t-1),测量得到P(t),并计算P(t)的适应度值;比较B(t-1)和P(t),选择优秀个体存储到B(t);
步骤(G),采用量子旋转门将种群Q(t)更新到Q(t+1),个体的量子比特更新为:
其中Uθi为量子旋转门,θi是旋转门变换的旋转角度,Uθi可以表示为:
步骤(H),灾变操作;检查种群中个体是否收敛且未达到预定精度,达到则进入步骤(I),否则执行灾变操作;
步骤(I),检查迭代条件是否满足,满足则结束搜索过程,将B(t)中的最优解b作为最优导频图案输出,否则进入步骤(E)。
作为优选,所述步骤(A)中:
假定DRM***中发射每个OFDM符号的子载波总数为M,其中导频信号使用的子载波数为C C<M;在DRM***中,导频图案p=p1,p2,…,pC(1≤p1≤p2≤…≤pC≤M)是由导频子载波的位置编号决定;接收和发送的导频信号可表示为:
r=SWh+z (4)
其中,S=diag Sp1,Sp2,…,SpC是发送的导频信号,接收机收到的导频信号r=rp1,rp2,…,rpC T,其中T表示转置。z=z1,z2,…,zC是频域内的高斯白噪声,信道冲击响应h=h(1),h(2),…,h(M)T是稀疏向量。W是根据导频图案p抽取后构成C×M的部分傅里叶矩阵:
其中ω=e-j2π/M,j为虚数单位。
进一步定义D=SW为导频图案对应的感知矩阵,对D进行列归一化,矩阵D的整体相关性μwD定义为:
μwD=||G-I||2 (6)
其中,G=DHD被称为矩阵D的Gram矩阵,H为矩阵的共轭转置,I为单位矩阵;根据整体相关性最小准则,导频图案的分配优化被建模为求解组合优化问题,如下式所示:
其中,Δ是所有的导频图案集合。
作为优选所述步骤(D)中:
以导频图案对应感知矩阵D的整体相关性μwD作为目标函数,并将所述目标函数的倒数映射为种群适应度函数用于计算个体的适应度值。
作为优选,所述步骤(H)执行灾变操作的具体过程如下:
步骤(H1):计算本次迭代中种群个体平均适应度值favg,计算如下式所示:
其中,n为种群中个体的总数,fi为种群中第i个个体的适应度值;
步骤(H2):计算本次迭代中种群个体适应度早熟程度fd的大小,计算如下式所示:
步骤(H3):若未达到预定精度,fd越小说明种群越趋于早熟,即种群的多样性遭到破坏,此时进行灾变操作。在本次迭代中,种群适应度值最大的优秀个体进行保留,其余个体重新随机生成。
与现有技术相比,本发明具有以下优点:
1、采用新的导频图案优化准则来描述感知矩阵的列向量之间的相关性,即用整体相关性作为导频图案搜索的判别依据,从整体上反映了感知矩阵列向量的相关性,为信道估计设计效果更好的导频图案提供优化保证。
2、导频图案在搜索过程中采用改进的量子遗传算法作为搜索方法,利用量子比特编码的并行性扩大了解空间范围。此外,在改进的量子遗传算法中采用灾变操作防止算法陷入早熟,有效地避免了在导频图案在搜索过程中陷入局部最优的缺陷。
附图说明
图1是DRM信道估计中导频图案的分配优化方法流程图。
图2是DRM信道估计中不同方法获得导频图案的均方误差比较示意图。
图3是DRM信道估计中不同方法获得导频图案的误码率比较示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。本发明公开的数字调幅广播(DRM)信道估计中导频图案的分配优化方法将DRM信道估计中导频图案的优化利用压缩感知中感知矩阵整体相关性最小转化为求解组合优化问题,并利用改进的量子遗传算法求解优化问题,获得最优确定性导频图案;
其具体的优化方法包括以下步骤:
步骤(A),导频图案对应感知矩阵的整体相关性最小作为优化过程中的判别准则,并将导频图案的最优分配转化为组合优化问题的最小值求解;
步骤(B),改进的量子遗传算法参数设置及种群初始化;初始化种群的个体数量为n,即导频图案的数量;每个个体采用量子比特编码,位宽为m;种群进化代数为t,最大进化代数为Gs;初始化种群当t=0时,第j个体的量子比特编码如公式(1)所示:
步骤(E),更新进化代数t=t+1;
步骤(F),观测Q(t-1),测量得到P(t),并计算P(t)的适应度值;比较B(t1)和P(t),选择优秀个体存储到B(t);
步骤(G),采用量子旋转门将种群Q(t)更新到Q(t+1),个体的量子比特更新为:
其中Uθi为量子旋转门,θi是旋转门变换的旋转角度,Uθi可以表示为:
步骤(H),灾变操作;检查种群中个体是否收敛且未达到预定精度,达到则进入步骤(I),否则执行灾变操作;
步骤(I),检查迭代条件是否满足,满足则结束搜索过程,将B(t)中的最优解b作为最优导频图案输出,否则进入步骤(E)。
所述步骤(A)中,具体步骤如下:
假定DRM***中发射每个OFDM符号的子载波总数为M,其中导频信号使用的子载波数为CC<M;在DRM***中,导频图案p=p1,p2,…,pC(1≤p1≤p2≤…≤pC≤M)是由导频子载波的位置编号决定;接收和发送的导频信号可表示为:
r=SWh+z (4)
其中,S=diag Sp1,Sp2,…,SpC是发送的导频信号,接收机收到的导频信号r=rp1,rp2,…,rpC T,其中T表示转置。z=z1,z2,…,zC是频域内的高斯白噪声,信道冲击响应h=h(1),h(2),…,h(M)T是稀疏向量。W是根据导频图案p抽取后构成C×M的部分傅里叶矩阵:
其中ω=e-j2π/M,j为虚数单位。
进一步定义D=SW为导频图案对应的感知矩阵,对D进行列归一化,矩阵D的整体相关性μwD定义为:
μwD=||G-I||2 (6)
其中,G=DHD被称为矩阵D的Gram矩阵,H为矩阵的共轭转置,I为单位矩阵;根据整体相关性最小准则,导频图案的分配优化被建模为求解组合优化问题,如下式所示:
其中,Δ是所有的导频图案集合。
在步骤(D)中,具体步骤如下:
以导频图案对应感知矩阵D的整体相关性μwD作为目标函数,并将所述目标函数的倒数映射为种群适应度函数用于计算个体的适应度值。
在步骤(H)中,具体步骤如下:
执行灾变操作的具体过程如下,步骤(H1):计算本次迭代中种群个体平均适应度值favg,计算如下式所示:
其中,n为种群中个体的总数,fi为种群中第i个个体的适应度值;
步骤(H2):计算本次迭代中种群个体适应度早熟程度fd的大小,计算如下式所示:
步骤(H3):若未达到预定精度,fd越小说明种群越趋于早熟,即种群的多样性遭到破坏,此时进行灾变操作。在本次迭代中,种群适应度值最大的优秀个体进行保留,其余个体重新随机生成。
如上所述,已经给出了本发明的优选实施例的详细描述,以使本领域技术人员能够实施和实践本发明。虽然已经参照示例性实施例描述了本发明,但是本领域技术人员将会理解,在不脱离所附权利要求书中描述的本发明的精神或范围的情况下,可以在本发明中进行各种修改和改变。因此,本发明不应限于在此描述的特定实施例,而应被赋予与本文公开的原理和新颖特征一致的最宽范围。
Claims (4)
1.数字调幅广播(DRM)信道估计中导频图案的分配优化方法,其特征在于:将DRM信道估计中导频图案的优化利用感知矩阵整体相关性最小建模为组合优化问题,并利用改进的量子遗传算法求解该问题,进而获得最优确定性导频图案,其具体的优化方法包括以下步骤:
步骤(A),导频图案对应感知矩阵的整体相关性最小作为优化过程中的判别准则,并将导频图案的最优分配转化为组合优化问题的最小值求解;
步骤(B),改进的量子遗传算法参数设置及种群初始化;初始化种群的个体数量为n,即导频图案的数量;每个个体采用量子比特编码,位宽为m;种群进化代数为t,最大进化代数为Gs;初始化种群当t=0时,第j个体的量子比特编码如公式(1)所示:
步骤(E),更新进化代数t=t+1;
步骤(F),观测Q(t-1),测量得到P(t),并计算P(t)的适应度值;比较B(t-1)和P(t),选择优秀个体存储到B(t);
步骤(G),采用量子旋转门将种群Q(t)更新到Q(t+1),个体的量子比特更新为:
其中Uθi为量子旋转门,θi是旋转门变换的旋转角度,Uθi可以表示为:
步骤(H),灾变操作;检查种群中个体是否收敛且未达到预定精度,达到则进入步骤(I),否则执行灾变操作;
步骤(I),检查迭代条件是否满足,满足则结束搜索过程,将B(t)中的最优解b作为最优导频图案输出,否则进入步骤(E)。
2.根据权利要求1所述的数字调幅广播信道估计中导频图案的分配优化方法,其特征在于,所述步骤(A)中:
假定DRM***中发射每个OFDM符号的子载波总数为M,其中导频信号使用的子载波数为CC<M;在DRM***中,导频图案p=p1,p2,…,pC(1≤p1≤p2≤…≤pC≤M)是由导频子载波的位置编号决定;接收和发送的导频信号可表示为:
r=SWh+z (4)
其中,S=diag Sp1,Sp2,…,SpC是发送的导频信号,接收机收到的导频信号r=rp1,rp2,…,rpC T,其中T表示转置。z=z1,z2,…,zC是频域内的高斯白噪声,信道冲击响应h=h(1),h(2),…,h(M)T是稀疏向量。W是根据导频图案p抽取后构成C×M的部分傅里叶矩阵:
其中w=e-j2π/M,j为虚数单位。
进一步定义D=SW为导频图案对应的感知矩阵,对D进行列归一化,矩阵D的整体相关性μwD定义为:
μwD=||G-I||2 (6)
其中,G=DHD被称为矩阵D的Gram矩阵,H为矩阵的共轭转置,I为单位矩阵;根据整体相关性最小准则,导频图案的分配优化被建模为求解组合优化问题,如下式所示:
其中,Δ是所有的导频图案集合。
3.根据权利要求1所述的数字调幅广播信道估计中导频图案的分配优化方法,其特征在于,所述步骤(D)中:
以导频图案对应感知矩阵D的整体相关性μwD作为目标函数,并将所述目标函数的倒数映射为种群适应度函数用于计算个体的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277778.6A CN111162886A (zh) | 2019-12-12 | 2019-12-12 | 数字调幅广播信道估计中导频图案的分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277778.6A CN111162886A (zh) | 2019-12-12 | 2019-12-12 | 数字调幅广播信道估计中导频图案的分配优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111162886A true CN111162886A (zh) | 2020-05-15 |
Family
ID=70556984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911277778.6A Pending CN111162886A (zh) | 2019-12-12 | 2019-12-12 | 数字调幅广播信道估计中导频图案的分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111162886A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5255345A (en) * | 1988-02-17 | 1993-10-19 | The Rowland Institute For Science, Inc. | Genetic algorithm |
CN104753920A (zh) * | 2015-03-01 | 2015-07-01 | 江西科技学院 | 一种基于量子遗传算法的入侵检测方法 |
CN105024793A (zh) * | 2015-06-25 | 2015-11-04 | 山东大学 | 一种大规模天线***中基于遗传算法的导频分配方法 |
CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
CN109582985A (zh) * | 2017-09-29 | 2019-04-05 | 魏莹 | 一种改进的遗传退火的片上网络映射方法 |
CN110351211A (zh) * | 2019-07-17 | 2019-10-18 | 聂阳 | 一种短波通信信道估计中导频图案位置的智能搜索方法 |
-
2019
- 2019-12-12 CN CN201911277778.6A patent/CN111162886A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5255345A (en) * | 1988-02-17 | 1993-10-19 | The Rowland Institute For Science, Inc. | Genetic algorithm |
CN104753920A (zh) * | 2015-03-01 | 2015-07-01 | 江西科技学院 | 一种基于量子遗传算法的入侵检测方法 |
CN105024793A (zh) * | 2015-06-25 | 2015-11-04 | 山东大学 | 一种大规模天线***中基于遗传算法的导频分配方法 |
CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
CN109582985A (zh) * | 2017-09-29 | 2019-04-05 | 魏莹 | 一种改进的遗传退火的片上网络映射方法 |
CN110351211A (zh) * | 2019-07-17 | 2019-10-18 | 聂阳 | 一种短波通信信道估计中导频图案位置的智能搜索方法 |
Non-Patent Citations (5)
Title |
---|
欧阳森,宋政湘,王建华,等.: "一种快速收敛的遗传算法", 《计算机应用研究》 * |
聂阳: "基于压缩感知的DRM信道估计", 《中国传媒大学学报(自然科学版)》 * |
蒋林利: "量子遗传算法研究现状综述", 《广西科技师范学院学报》 * |
袁书卿,张葛祥: "一种改进的遗传量子算法及其应用", 《计算机应用与软件》 * |
雷英杰 张善文 李续武 周创明: "《MATLAB遗传算法工具箱及应用》", 30 April 2005 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3604981B2 (ja) | ワイヤレス通信方法 | |
CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
US8838520B2 (en) | Sequence detection methods, devices, and systems for spectrum sensing in dynamic spectrum access networks | |
CN104702390B (zh) | 分布式压缩感知信道估计中的导频分配方法 | |
US8295341B2 (en) | Cognitive radio device | |
CN100571098C (zh) | 通信***中低复杂度的极大似然检测方法及装置 | |
CN106788626B (zh) | 一种能够获得二阶发射分集的改进正交空间调制传输方法 | |
CN111901069B (zh) | 一种基于神经网络与近似消息传递算法的多用户检测方法 | |
Xie et al. | Massive unsourced random access for massive MIMO correlated channels | |
CN114285523B (zh) | 面向多业务需求的大规模mtc免授权多用户检测方法及*** | |
CN110166383B (zh) | 一种基于树状随机搜索导频设计方法 | |
CN111148247A (zh) | 一种基于晶格调制的下行非正交接入方法 | |
CN103346984B (zh) | 基于bsl0的局部聚类稀疏信道估计方法 | |
US8223870B2 (en) | Systems and methods for N-dimensional leaf-node prediction for MIMO detection | |
CN111162886A (zh) | 数字调幅广播信道估计中导频图案的分配优化方法 | |
CN110059401B (zh) | 一种ofdm***水声信道冲激响应重构方法 | |
CN116170066A (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
CN116249190A (zh) | 多用户配对传输确定方法和装置 | |
CN114630446A (zh) | 一种低轨卫星物联网的大规模免授权随机接入方法 | |
CN113556159A (zh) | 一种大规模mimo多用户***的信道反馈方法 | |
CN106911431B (zh) | 应用于稀疏编码多址接入***解调过程中改进的部分边缘信息传递方法 | |
Salah et al. | Joint compressive sensing framework for sparse data/channel estimation in non-orthogonal multicarrier scheme | |
CN110086557B (zh) | 一种免调度多用户检测方法 | |
CN116032317B (zh) | 一种免授权的联合活跃用户与数据检测方法 | |
CN116980941B (zh) | 低轨卫星物联网终端参数配置方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200515 |
|
WD01 | Invention patent application deemed withdrawn after publication |