CN115378467B - 一种基于分集信号抵消的电力线噪声样本提取方法 - Google Patents
一种基于分集信号抵消的电力线噪声样本提取方法 Download PDFInfo
- Publication number
- CN115378467B CN115378467B CN202210866696.0A CN202210866696A CN115378467B CN 115378467 B CN115378467 B CN 115378467B CN 202210866696 A CN202210866696 A CN 202210866696A CN 115378467 B CN115378467 B CN 115378467B
- Authority
- CN
- China
- Prior art keywords
- noise
- power line
- signal
- representing
- channel
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000005540 biological transmission Effects 0.000 claims abstract description 51
- 238000004891 communication Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 27
- 238000005562 fading Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011284 combination treatment Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
- H04B3/544—Setting up communications; Call and signalling arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2668—Details of algorithms
- H04L27/2681—Details of algorithms characterised by constraints
- H04L27/2688—Resistance to perturbation, e.g. noise, interference or fading
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种基于分集信号抵消的电力线噪声样本提取方法。该方法包括:将要发送的分集信号分别在电力线和无线信道中分集传输,电力线受到脉冲噪声的影响;将电力线和无线信道的接收端接收到的分集信号分别进行离散傅里叶变换后,再通过抵消运算获得电力线信号中的噪声数据;通过基于噪声样本的最佳阈值估计的非线性函数将脉冲噪声数据从接收端接收到的电力线信号上消除。本发明方法针对双接口通信架构提出了一种基于分集信号抵消的电力线噪声样本提取方法。利用电力线与无线信道传输信号的一致性提取出噪声样本,突破了传统混合通信中只使用电力线单独进行脉冲噪声处理的局限性,可应用于最佳阈值预测中。
Description
技术领域
本发明涉及智能电网技术领域,尤其涉及一种基于分集信号抵消的电力线噪声样本提取方法。
背景技术
信息的全面感知与通信是构建智能电网的基础与保障。智能电网覆盖范围广、拓扑结构复杂和接入设备多样化,单一的通信技术无法满足各种场景的需求,因此混合通信已成为智能电网的关键技术。其中电力线通信(Power Line Communication,PLC)覆盖范围广,无需额外布线;无线通信(Wireless Communication,WLC)接入灵活,可扩展性强,因此将PLC和WLC技术紧密结合,提升混合通信的***性能,在智能电网和物联网中具有广泛的应用前景,现已成为研究热点之一。
然而,由于家用电器和电力电子设备开关的通断所引起的电压突变,导致电力线信道极易受到脉冲噪声(Impulse Noise,IN)的影响。特别是突发性脉冲噪声,因其在多个连续的采样点上产生,不仅影响信号的解调和译码,还会影响电力线传输的同步性能。如何抑制双接口通信中电力线信道的脉冲噪声,进一步提高通信***的覆盖范围及其接入的可靠性是亟待解决的关键问题之一。
目前,在现有技术的脉冲噪声影响下的双接口通信***中,研究人员多以理论性能和信号合并等技术为重点。将无线衰落的Gamma分布近似为对数正态(Log Normal,LogN)分布,从而将电力线与无线并行通信***中的混合衰落问题转化为LogN-LogN同分布衰落问题,然后对***误码率等理论性能进行了分析。采用Middleton Class A脉冲噪声模型,研究了在电力线和无线并行通信***中,采用最大比合并、选择合并等算法的性能。然而这些研究往往只是考虑了脉冲噪声对***性能的影响,而没有致力于如何消除脉冲噪声。有方案针对不同类型的脉冲噪声和窄带干扰,提出了基于多级正交匹配追踪恢复算法,用来联合恢复脉冲噪声和窄带干扰,但双接口信号并列处理的复杂度较高。
相对于压缩感知算法,基于非线性函数的脉冲噪声抑制算法因其计算速度快,无需空子载波等优点获得研究人员的关注。其中应用最广泛的非线性函数包括置零、削波/深削波以及它们的组合。但是在正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)***中,由于峰值平均比(Peak-to-Average Power Ratio,PAPR)的存在,如果不能获得精确的噪声阈值,将会导致部分有用信号被当作噪声而处理,这极大地限制了非线性函数的性能。
近年来,对于非线性函数最佳阈值的确定逐渐受到关注。有方案通过交织技术将突发脉冲噪声离散化,然后利用矩估计获得噪声统计参数并计算噪声门限,但该方案忽略了信道衰落对***的影响,此外交织技术还会增大***的传输时延。不利于算法在时延敏感型网络中的应用。对于脉冲噪声中的确定性信号,局部最优检测(Locally OptimalDetection,LOD)算法在低信噪比下检测性能最好,接近理论最优解。但LOD算法需要精确知道噪声的概率密度函数(Probability Density Function,PDF),然而在实际场景中可能无法获得。有方案将削波和时/频信道均衡相结合,在OFDM信号解调之前先做组合限幅,然后进行时/频均衡化,但是该方法对通信质量的提高并不明显,且阈值一般通过经验获取。
上述现有技术中的方案都是在PLC中单独对脉冲噪声进行处理,没有涉及到电力线与无线的双接口通信环境。
发明内容
本发明的实施例提供了一种基于分集信号抵消的电力线噪声样本提取方法,以实现有效地提取电力线信道中分集信号的噪声样本。
为了实现上述目的,本发明采取了如下技术方案。
一种基于分集信号抵消的电力线噪声样本提取方法,包括:
将要发送的分集信号分别在电力线和无线信道中分集传输,所述电力线受到脉冲噪声的影响;
将所述电力线信道和所述无线信道的接收端接收到的分集信号分别进行离散傅里叶变换后,再通过抵消运算获得电力线分集信号中的噪声数据;
通过基于噪声样本的最佳阈值估计的非线性函数将所述脉冲噪声数据从接收端接收到的电力线分集信号上消除。
优选地,所述的将要发送的分集信号分别在电力线和无线信道中分集传输,所述电力线受到脉冲噪声的影响,包括:
将要发送的分集信号分别在电力线和无线信道中分集传输,所述无线信道受到瑞利衰落和高斯白噪声的影响,所述电力线信道受到对数正态衰落和脉冲噪声的影响,所述分集信号分别在电力线和无线通信模块中进行正交频分复用OFDM调制;
无线信道衰落系数hW满足瑞利分布,则hW的概率密度函数PDF为:
其中为瑞利衰落方差;
电力线信道衰落系数hP满足LogN分布,则hP的概率密度函数PDF为:
式中μP和分别为lnhP的均值和方差,将信道衰落能量归一化,得到/>
优选地,所述的将所述电力线信道和所述无线信道的接收端接收到的分集信号分别进行离散傅里叶变换后,再通过抵消运算获得电力线分集信号中的脉冲噪声数据,包括:
第t个传输时隙的OFDM已调时域符号为发送端将发送的分集信号/>分别在信道衰落系数为/>的电力线信道和信道衰落系数为/>的无线信道中分集传输,电力线信道和无线信道的接收端接收到的时域OFDM采样信号/>和/>表示为:
其中符号代表卷积运算;/>和/>分别表示电力线和无线信道上的时域高斯噪声向量,向量中的元素分别满足均值为零、方差为/>和/>的高斯分布;/>代表时域脉冲噪声向量,其元素满足均值为零,方差为/>的高斯分布,且/>大于1;
将和/>去除循环前缀后再进行离散傅里叶变换DFT,得到的电力线信道和无线信道的等效的频域OFDM信号/>和/>分别表示为:
其中F代表DFT算子,表示发送端在第t个传输时隙发送的OFDM频域符号向量,N是子载波的数量,[]T表示转置运算,/>和/>分别表示第t个传输时隙电力线和无线信道的等效信道系数矩阵,/>和/>均为对角矩阵,且/>可逆,令/>左乘矩阵Q可得:
其中 表示/>的逆矩阵,将式(5)与式(7)相减,得到电力线信道接收端中抵消掉无线信道中相同的信号部分/>后的频域噪声估计向量Ψt为:
其中为时域脉冲噪声经DFT变换后的频域向量,/>表示双接口信道的背景噪声干扰项;
令F*表示逆离散傅里叶变换算子,则对Ψt进行逆离散傅里叶变换F*Ψt,获得时域噪声信号向量为:
其中与/>服从均值为0的高斯分布,在已知Q的条件下,将/>近似成均值为0,方差为/>的高斯分布。
优选地,所述的通过基于噪声样本的最佳阈值估计的非线性函数将所述脉冲噪声数据从接收端接收到的电力线分集信号上消除,包括:
采用基于数据样本的自适应阈值估计方法确定阈值Tt,采用非线性函数中的置零算法将幅值小于阈值Tt的噪声信号替换为零,保留幅值大于等于Tt的噪声信号对提取的噪声时域信号向量/>中的第m个噪声元素/>采用置零变换为:
其中M代表第t个传输时隙的采样点总数,|·|表示取绝对值运算,表示第t个传输时隙第m个采样点处的脉冲噪声的非线性变换结果;
令向量表示/>的非线性变换结果,即/>对电力线信号/>进行脉冲噪声消除,得到无脉冲噪声的电力线信号/>为:
同公式(5)和(6),F表示离散傅里叶变换算子。
优选地,所述的方法还包括:
将与无线端口接收到的信号/>进行合并处理获得/>对第t个传输时隙第k个子载波采用最大似然检测算法获得的估计符号/>为
其中||·||2代表2-范数运算,表示第t个时隙第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,Ω表示调制信号星座点集合,/>表示星座图上的符号,/>表示接收端在第t个传输时隙第k个子载波上的等效信道系数,N是子载波的数量,表示选择最佳x使得关于x的函数值f(x)最小。
优选地,所述的采用基于数据样本的自适应阈值估计方法确定阈值Tt,包括:
最小化误码率:令Pr(yt(Tt))表示在第t个传输时隙一个OFDM数据帧中使用阈值Tt获得的OFDM误码率,表示为:
其中||·||0代表0-范数运算(即计算非零元素的数量),表示发送端在第t个传输时隙第k个子载波上发送的符号,N是一个OFDM数据帧的子载波的数量,则目标函数为:
其中表示选出的噪声阈值/>使得关于Tt的误码率Pr(yt(Tt))最小的阈值,s.tTt≥0表示满足“噪声阈值Tt的选取范围大于等于0”的条件要求,在第t个传输时隙,接收端获得信号/>以及信道系数矩阵/>和/>基于实时噪声样本的构建/更新,将最小化当前时刻误码率问题转化为最小化噪声样本的平均误码率问题,获得当前时刻的最佳阈值表达式为:
其中LD代表噪声样本的数量大小,Pr(yi(Tt))表示在噪声样本中第i个OFDM数据帧关于噪声阈值Tt的误码率,s.t是subject to的缩写,表示满足约束条件;
在第t个传输时隙进行阈值更新时,根据折扣因子Γ计算数据样本中各个时隙的权重λi,i=1,2,…,LD,根据第t-1时刻的阈值Tt-1,结合权重λi对数据样本DEN求误码率,通过梯度下降法获得阈值Tt-1对应的误码率的梯度值使用学习率lR更新当前时刻的阈值/> 的求解过程如式(16)所示:
其中表示关于f(x)在x0处的梯度值,/>表示在噪声阈值Tt-1下,噪声样本中第i个OFDM数据帧第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,/>表示在噪声样本中,第i个OFDM数据帧第k个子载波上发送端发送的符号,表示在噪声样本中第i个OFDM数据帧的误码的个数,/>则表示在噪声样本中第i个OFDM数据帧在数据样本中的权重,即/>LD·N表示数据样本中总的符号数,因此/>就是基于数据样本加权求和后的平均误码率。
由上述本发明的实施例提供的技术方案可以看出,本发明方法针对双接口通信架构提出了一种基于分集信号抵消的电力线噪声样本提取方法。利用电力线信道与无线信道传输信号的一致性提取出噪声样本,突破了传统混合通信中只使用电力线单独进行脉冲噪声处理的局限性,可应用于最佳阈值预测中。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于分集信号抵消的电力线噪声样本提取方法的处理流程图;
图2为本发明实施例提供的一种TSMG噪声模型的马尔科夫链表示示意图;
图3为本发明实施例提供的一种电力线与无线双接口通信***在接收端进行信号处理的框架示意图;
图4为本发明实施例提供的一种概率密度的统计直方图;
图5为本发明实施例提供的一种基于双接口分集信号抵消的噪声数据提取效果;图5(a)电力线信道时域信号波形图,图5(b)无线信道时域信号波形图,图5(c)提取信号与实际IN的对比;
图6为本发明实施例提供的一种在相同信噪比下,误码率(Bit Error Rate,BER)、ηWCC和ηSC随阈值T的变化情况示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
鉴于对双接口通信和非线性函数的分析。本发明根据电力线和无线信道的独立性与差异性、分集信号的一致性,提出了一种基于双接口的分集信号抵消和自适应阈值估计(Diversity Signal Cancellation and Adaptive Threshold Estimation,DSC-ATE)的脉冲噪声抑制方法。该方法首先利用无线信道辅助电力线信道进行噪声样本的提取,然后通过噪声样本自适应地估计出脉冲噪声阈值,最后将脉冲噪声从接收信号中分离。
本发明设计了一种基于分集信号抵消和自适应阈值估计的算法用来抑制双接口通信中电力线信道中的突发脉冲噪声。首先,考虑到分集信号的一致性,利用无线信道辅助电力线信道进行预处理,提取出噪声样本。为了精确地估计出噪声阈值,利用数据样本与目标函数最小/大化算法迭代估计噪声阈值,从而确定脉冲噪声的位置信息。仿真结果表明,该方法能有效提高突发脉冲噪声的抑制能力和通信***的可靠性。后续可针对窄带噪声、混合噪声等其他噪声模型,将本发明算法与稀疏理论、压缩感知等相结合进行研究,以研究本发明算法对其它噪声的消除性能。
本发明采用的双接口OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用)通信***模型如图1所示。发送的信号分别在电力线和无线通信模块中进行OFDM调制,在电力线和无线信道中分集传输。其中无线信道受到瑞利衰落和高斯白噪声的影响,电力线信道受到对数正态衰落和脉冲噪声的影响。接收端的电力线信号和无线信号同时包含相同的发送信息,只有电力线信号中具有较大幅值的脉冲噪声,因此可以将离散傅里叶变换(Discrete Fourier Transform,DFT)后的信号通过抵消运算获得电力线信号中的脉冲噪声数据。即可在无线信道传输的分集信号辅助下,获得脉冲噪声数据。之后将电力线与无线信号进行合并处理和译码输出。将提取的脉冲噪声数据保存下来,即可建立数据样本空间,为本发明算法或其他算法提供数据支持。
无线信道衰落系数hW满足瑞利分布,则hW的概率密度函数PDF为:
其中为瑞利衰落的方差。
电力线信道衰落系数hP满足LogN分布,则hP的概率密度函数PDF为
式中μP和分别为lnhP的均值和方差。将信道衰落能量归一化,可得
基于突发脉冲噪声在时间上的相关性,本发明建立了两状态马尔可夫-高斯(Two-State Markov–Gaussian,TSMG)模型。图2为本发明实施例提供的一种TSMG噪声模型的马尔科夫链表示示意图。如图2所示,在TSMG中,令电力线噪声的统计行为由噪声状态sk∈{B,I}表示,其中B代表信道仅受背景噪声的干扰,I代表信道受到脉冲噪声的影响。噪声状态的产生过程可以用一个{s1,s2,…,sK}的序列表征。对于该模型,第K+1个噪声状态sK+1可用一阶马尔可夫过程表示:
其中sk和sk+1分别表示不同时刻的采样点的噪声状态,P(sK+1)表示第K+1个采样点,噪声处于状态sK+1的概率值。s1表示初始噪声状态,不失一般性,初始噪声状态s1在背景噪声状态和脉冲噪声状态之间随机选取。
因此,噪声的状态变化过程可由状态转移概率Psksk+1=P(sk+1|sk)表示。根据状态转移概率,分别得到噪声处于状态I和状态B的概率PI和PB为
其中PBI表示状态B到状态I的转移概率,PIB为状态I到状态B的转移概率。sk=I表示在第k个状态(采样点),噪声状态sk为脉冲噪声状态。
sk=B则表示在第k个状态(采样点),噪声状态sk为背景噪声状态。可用参数来描述噪声记忆的大小,/>表示噪声是无记忆的,而/>表示噪声具有记忆,即存在时间相关性。
在后文的介绍中,电力线信道是受到背景噪声的干扰,还是受到脉冲噪声/>的干扰,需要TSMG模型中的马尔可夫序列{s1,s2,…,sK}表征,而背景噪声/>和脉冲噪声/>的幅度值则受到不同参数的高斯分布的约束。
图3为本发明实施例提供的一种电力线与无线双接口通信***在接收端进行信号处理的框架示意图。首先在接收端去除电力线和无线时域信号循环前缀(Cyclic Prefix,CP),并利用导频信号进行理想信道估计;由于两个信道传输相同的信息,在理想信道估计下,可以通过抵消运算,去除掉电力线信号中与无线信号相同的数据部分,从而保留电力线信号中的噪声样本;再通过非线性函数提取出噪声样本中的脉冲噪声,并将脉冲噪声从电力线信号上消除;最后将电力线和无线信道中的分集信号进行合并处理以及译码输出。
第t个传输时隙的OFDM已调时域符号为经过信道衰落系数为/>和/>的电力线和无线并行信道传输相同的分集信号后,接收端接收到的时域OFDM采样信号/>和/>可以表示为:
其中符号代表卷积运算,/>和/>分别表示电力线和无线信道上的时域高斯噪声向量,向量中的元素分别满足均值为零,方差为/>和/>的高斯分布;/>代表时域脉冲噪声向量,其元素满足均值为零,方差为/>的高斯分布,且/>大于1。将上述OFDM信号去除CP后进行DFT后,等效的频域OFDM信号/>和/>分别表示为:
其中F代表DFT算子,表示发送端在第t个传输时隙发送的OFDM频域符号向量,N是子载波的数量,[]T表示转置运算。/>和/>分别表示第t个传输时隙电力线和无线的等效信道系数矩阵,由于利用CP来对抗多径信道造成的频率选择性衰落,本发明忽略了码间串扰的影响,所以/>和/>均为对角矩阵,且/>可逆。令/>左乘矩阵Q可得
其中 表示/>的逆矩阵。将式(8)与式(10)相减,得到电力线信道接收端中抵消掉无线信道中相同的信号部分/>后,得到的频域噪声估计向量Ψt为:
其中为时域脉冲噪声经DFT变换后的频域向量,/>表示双接口信道的背景噪声干扰项。
对Ψt进行逆离散傅里叶变换F*Ψt,获得噪声时域信号向量为:
其中,与/>服从均值为0的高斯分布。在已知Q的条件下,可将/>近似为均值为0,方差为/>的高斯分布。本发明对噪声数据样本进行统计分析,图4为本发明实施例提供的一种概率密度/>的统计直方图,且/>的分布与高斯分布/>高度重合。
图5为本发明实施例提供的一种基于双接口分集信号抵消的噪声数据提取效果,其中信噪比(Signal to Noise Ratio,SNR)SNR=10dB,其他***参数如表1所示。图5(a)、图5(b)分别为电力线和无线信道接收的时域信号,图5(c)给出了处理信号与实际脉冲噪声的对比结果。由图5(a)和5(b)可知,OFDM***中存在PAPR,导致在电力线信道中难以直接获取脉冲噪声的位置信息。进行分集信号抵消后,如图5(c)所示,由于/>只剩下背景干扰,PAPR的影响极小,因此可使用非线性变换获取脉冲噪声的位置信息。显然可以将图5(c)中的噪声数据保存下来,为最佳阈值估计算法提供大数据支持。
本发明实施例提供的基于非线性函数的信号处理过程包括:从图5(c)中可以看出,采用非线性函数中的置零算法将幅值小于阈值Tt的噪声信号替换为零,保留幅值大于等于Tt的噪声信号最为简单有效。因此对提取的噪声时域信号向量中的第m个噪声元素采用置零变换为:
其中M代表第t个传输时隙的采样点总数,|·|表示取绝对值运算,表示第t个传输时隙第m个采样点处的脉冲噪声的非线性变换结果。
令向量表示/>的非线性变换结果,即/>对电力线信号/>进行脉冲噪声消除,可得到无脉冲噪声的电力线信号/>为:
同公式(8)和(9),F表示离散傅里叶变换算子。
随后将去除脉冲噪声后的电力线信号与无线信号/>进行合并处理获得yt,最后对第t个传输时隙第k个子载波采用最大似然检测算法获得的估计符号/>为:
其中||·||2代表2-范数运算,表示第t个时隙第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,Ω表示调制信号星座点集合,/>表示星座图上的符号,/>表示接收端在第t个传输时隙第k个子载波上的等效信道系数,N是子载波的数量,表示选择最佳x使得关于x的函数值f(x)最小。
本发明实施例提供的非线性函数自适应阈值估计过程包括:
基于传统方法的自适应阈值设计
如何准确估计出式(13)中的阈值T对算法性能至关重要,其中传统的加权组合准则(Weighted Combination Criterion,WCC)和Siegert准则(Siegert Criterion,SC)通过平衡脉冲噪声的检测概率和虚警概率,从而获得最佳阈值。由于WCC和SC所需的参数较少,因而获得广泛的研究。
定义Pa为脉冲噪声的良好检测概率,Pb为虚警概率,其中综合目标函数为ηWCC=Pa-Pb,则WCC准则的最佳阈值TWCC为:
如公式(16)所示,WCC准则的关键步骤就是以检测概率和虚警概率的综合函数为目标来确定最佳阈值TWCC,由式(16)可知,ηWCC越大,虚警概率和漏检概率就越小。在已知脉冲噪声的功率和背景干扰的功率/>的条件下,可以先分别给出Pa和Pb的公式,再将目标函数ηWCC对阈值T求偏导,可得最佳阈值TWCC为:
同理,令目标函数ηSC=PIPa+PB(1-Pb),可得到SC准则的最佳阈值TSC。
图6为本发明实施例提供的一种在不同信噪比下,误码率(Bit Error Rate,BER)、ηWCC和ηSC随阈值T的变化情况示意图。从中可以看出,以BER最小化为目标是存在最佳阈值T*的,但最佳阈值T*和两种准则获得的阈值TWCC、TSC存在一定的偏差。这是因为两种准则都是以检测概率和虚警概率为综合目标求解阈值,而不是直接使用BER作为优化目标。
基于数据样本的自适应阈值估计
传统阈值估计算法需要精确的噪声参数。由于通信环境的非平稳性,导致参数的获取较为困难,且传统算法获取的阈值与真实的最优解之间存在一定的偏差。
受到基于数据驱动的机器学习和迁移学习的启发,通过噪声样本和梯度下降法来获取非线性函数的最佳阈值是处理脉冲噪声的一个新思路。对比传统算法,基于噪声样本的优化算法可以根据实际环境来不断调节参数,以达到直接对目标函数进行优化,减小偏差的目的。由于没有公开的脉冲噪声数据库,可利用本发明提出的分集抵消算法构建噪声样本数据库,并用于最佳阈值估计。为了保证算法的实时性,还需要利用最新的噪声样本进行阈值的迭代更新,以应对环境或参数的变化。
最佳阈值估计算法和目标函数的选择密切相关,需要针对不同的通信场景和性能指标建立具体的目标函数。本发明主要给出以下两种形式:
1)最小化BER:在OFDM通信***中,使用BER评价算法性能最为常见,这也是服务质量(Quality of Service,QoS)中的指标之一。本发明通过式(15)的译码判决获得的符号,与发送端发送的符号进行比较,从而获得误码率,令Pr(yt(Tt))表示在第t时刻使用阈值Tt获得的一个OFDM帧的误码率,则可表示为:
其中表示在噪声阈值Tt下第t个传输时隙第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,||·||2代表2-范数运算,||·||0代表0-范数运算(即计算非零元素的数量),Ω表示调制信号星座点集合,/>表示星座图上的符号,/>表示接收端在第t个传输时隙第k个子载波上的等效信道系数,/>表示发送端在第t个传输时隙第k个子载波上发送的符号。同理N是一个OFDM数据帧的子载波的数量,/>表示选择最佳x使得关于x的函数值f(x)最小。则目标函数为:
其中Pr(yt(Tt))表示在第t个传输时隙一个OFDM帧使用阈值Tt获得的OFDM误码率,则表示选出的噪声阈值/>使得关于Tt的误码率Pr(yt(Tt))最小的阈值。
2)最大化传输速率Rt:传输速率和信道质量直接相关。当归一化信道带宽后,可通过消除信道中的脉冲噪声,提高等效信噪比,也就间接性地提高了信道的传输能力。因此可基于短包理论以有限长编码的传输速率最大化为目标来优化噪声阈值,其在噪声阈值Tt下平均传输速率Rt(Tt)可以表示为
其中表示接收端在噪声阈值Tt下第t个传输时隙第k个子载波的等效信噪比,V表示信道色散,L表示编码长度,Q-1(·)为互补误差函数,而ε代表误码率,则目标函数为
其中表示选择最佳x使得关于x的函数值f(x)最大。
不同目标函数的特性表现相似,可以采用相似的优化设计方法,本发明重点以最小化BER为目标函数的优化过程进行介绍。
在第t个传输时隙,由于接收端只能获得信号以及信道系数矩阵/>和所以无法直接获得第t个传输时隙的误码率,更加无法进行阈值优化。基于实时噪声样本的构建/更新,本发明将最小化当前时刻误码率问题转化为最小化噪声样本误码率问题,从而获得当前时隙的最佳阈值/>其表达式为
其中LD代表噪声样本的数量大小。随机信道条件下,LD的选择需要考虑计算精度和复杂度的折中。
在第t个传输时隙进行阈值更新时,先根据折扣因子Γ计算数据样本中各个时隙的权重λi,i=1,2,…,LD。然后根据前一时隙(即第t-1时隙)的阈值Tt-1,结合权重λi对数据样本DEN求误码率,随后通过梯度下降法获得阈值Tt-1对应的误码率梯度值最后使用学习率lR更新当前时刻的阈值/> 1)。附录中介绍了Tt的求解过程,结果如式(23)所示
其中表示关于f(x)在x0处的梯度值,/>表示在噪声阈值Tt-1下,噪声样本中第i个OFDM数据帧第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号。/>表示在噪声样本中,第i个OFDM数据帧第k个子载波上发送端发送的符号。表示在噪声样本中第i个OFDM数据帧的误码的个数。/>则表示在噪声样本中第i个OFDM数据帧在数据样本中的权重,即/>LD·N表示数据样本中总的符号数,因此/>就是基于数据样本加权求和后的平均误码率。
除此之外,本发明采用队列存储方式(先进先出准则)来保存/更新噪声样本,从而保证噪声数据的有效性。此算法的具体步骤如下所示:
通过上述步骤,可以获得更加精确的阈值。通过式(13)重构脉冲噪声并通过式(14)从解调之前的频域OFDM信号中减去重构的脉冲噪声,再将已经剔除脉冲噪声的接收信号进行合并处理、译码判决等操作即可获得数据符号。
下面从计算复杂度、阈值精度和更新速率等方面分析本发明算法的特点。
1)复杂度分析:在以最小化BER为目标的过程中,本发明算法的复杂度主要涉及判断、加减法和乘法三种运算。其中判断、加减法为运行效率最快的线性运算,主要是式(13)非线性变换,(14)脉冲噪声去除和(18)译码判决三部分,乘法主要是DFT等计算。经过分析,在一次迭代计算中,线性运算量和乘法运算的复杂度均为O(kN)。
2)阈值精度:噪声样本直接来源于通信所处的物理环境,能准确反映当前时刻的通信质量,在不需要噪声模型和参数的前提下获得更加精确的阈值。传统算法需要获得环境的统计数据和相关模型,会出现实际环境与模型不匹配的现象。
3)更新速率:当环境发生变化时,需要快速适应信道或者环境的动态变化。通过学习率和折扣因子,本发明算法DSC-ATE可根据环境变化动态调整阈值,减小与实际阈值的偏差。而传统算法受到统计模型的约束,当模型参数不变时,无法快速调整阈值。
综上所述,本发明实施例与现有的方法相比,本发明的主要贡献如下:
1)针对双接口通信架构,创新性地提出了一种基于分集信号抵消的电力线噪声样本提取方法。利用电力线与无线传输分集信号的一致性提取出噪声样本,突破了传统混合通信中只使用电力线单独进行脉冲噪声处理的局限性,可应用于最佳阈值预测中。
2)基于分集传输,构建了脉冲噪声的样本空间,包含低信噪比时(非正常通信)的噪声样本;结合非线性函数,提出了基于噪声样本的最佳阈值估计算法,可实现通信***误码率最小化,不需要脉冲噪声的先验信息。
3)对于非平稳环境中最佳阈值实时变化问题,通过引入学习率和折扣因子等参数调节算法的收敛速度,使算法能更好地利用噪声样本,提高鲁棒性,实现算法在稳健性和收敛速度的有效折中。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于分集信号抵消的电力线噪声样本提取方法,其特征在于,包括:
将要发送的分集信号分别在电力线和无线信道中分集传输,所述电力线受到脉冲噪声的影响;
将所述电力线信道和所述无线信道的接收端接收到的分集信号分别进行离散傅里叶变换后,再通过抵消运算获得电力线分集信号中的噪声数据;
通过基于噪声样本的最佳阈值估计的非线性函数将所述脉冲噪声数据从接收端接收到的电力线分集信号上消除;
所述的将所述电力线信道和所述无线信道的接收端接收到的分集信号分别进行离散傅里叶变换后,再通过抵消运算获得电力线分集信号中的脉冲噪声数据,包括:
第t个传输时隙的OFDM已调时域符号为发送端将发送的分集信号/>分别在信道衰落系数为/>的电力线信道和信道衰落系数为/>的无线信道中分集传输,电力线信道和无线信道的接收端接收到的时域OFDM采样信号/>和/>表示为:
其中符号代表卷积运算;/>和/>分别表示电力线和无线信道上的时域高斯噪声向量,向量中的元素分别满足均值为零、方差为/>和/>的高斯分布;/>代表时域脉冲噪声向量,其元素满足均值为零,方差为/>的高斯分布,且/>大于1;
将和/>去除循环前缀后再进行离散傅里叶变换DFT,得到的电力线信道和无线信道的等效的频域OFDM信号/>和/>分别表示为:
其中F代表DFT算子,表示发送端在第t个传输时隙发送的OFDM频域符号向量,N是子载波的数量,[]T表示转置运算,/>和/>分别表示第t个传输时隙电力线和无线信道的等效信道系数矩阵,/>和/>均为对角矩阵,且/>可逆,令/>左乘矩阵Q可得:
其中表示/>的逆矩阵,将式(5)与式(7)相减,得到电力线信道接收端中抵消掉无线信道中相同的信号部分/>后的频域噪声估计向量Ψt为:
其中为时域脉冲噪声经DFT变换后的频域向量,/>表示双接口信道的背景噪声干扰项;
令F*表示逆离散傅里叶变换算子,则对Ψt进行逆离散傅里叶变换F*Ψt,获得时域噪声信号向量为:
其中与/>服从均值为0的高斯分布,在已知Q的条件下,将/>近似成均值为0,方差为σG 2的高斯分布;
所述的通过基于噪声样本的最佳阈值估计的非线性函数将所述脉冲噪声数据从接收端接收到的电力线分集信号上消除,包括:
采用基于数据样本的自适应阈值估计方法确定阈值Tt,采用非线性函数中的置零算法将幅值小于阈值Tt的噪声信号替换为零,保留幅值大于等于Tt的噪声信号对提取的噪声时域信号向量ξt中的第m个噪声元素/>采用置零变换为:
其中M代表第t个传输时隙的采样点总数,|·|表示取绝对值运算,表示第t个传输时隙第m个采样点处的脉冲噪声的非线性变换结果;
令向量表示/>的非线性变换结果,即/>对电力线信号/>进行脉冲噪声消除,得到无脉冲噪声的电力线信号/>为:
同公式(5)和(6),F表示离散傅里叶变换算子;
所述的采用基于数据样本的自适应阈值估计方法确定阈值Tt,包括:
最小化误码率:令Pr(yt(Tt))表示在第t个传输时隙一个OFDM数据帧中使用阈值Tt获得的OFDM误码率,表示为:
其中||·||0代表0-范数运算,表示发送端在第t个传输时隙第k个子载波上发送的符号,N是一个OFDM数据帧的子载波的数量,则目标函数为:
其中Tt *表示选出的噪声阈值Tt *使得关于Tt的误码率Pr(yt(Tt))最小的阈值,s.t Tt≥0表示满足“噪声阈值Tt的选取范围大于等于0”的条件要求,在第t个传输时隙,接收端获得信号以及信道系数矩阵/>和/>基于实时噪声样本的构建/更新,将最小化当前时刻误码率问题转化为最小化噪声样本的平均误码率问题,获得当前时刻的最佳阈值/>表达式为:
其中LD代表噪声样本的数量大小,Pr(yi(Tt))表示在噪声样本中第i个OFDM数据帧关于噪声阈值Tt的误码率,s.t是subject to的缩写,表示满足约束条件;
在第t个传输时隙进行阈值更新时,根据折扣因子Γ计算数据样本中各个时隙的权重λi,i=1,2,…,LD,根据第t-1时刻的阈值Tt-1,结合权重λi对数据样本DEN求误码率,通过梯度下降法获得阈值Tt-1对应的误码率的梯度值使用学习率lR更新当前时刻的阈值 的求解过程如式(16)所示:
其中表示关于f(x)在x0处的梯度值,/>表示在噪声阈值Tt-1下,噪声样本中第i个OFDM数据帧第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,/>表示在噪声样本中,第i个OFDM数据帧第k个子载波上发送端发送的符号,/>表示在噪声样本中第i个OFDM数据帧的误码的个数,/>则表示在噪声样本中第i个OFDM数据帧在数据样本中的权重,即/>LD×N表示数据样本中总的符号数,因此就是基于数据样本加权求和后的平均误码率。
2.根据权利要求1所述的方法,其特征在于,所述的将要发送的分集信号分别在电力线和无线信道中分集传输,所述电力线受到脉冲噪声的影响,包括:
将要发送的分集信号分别在电力线和无线信道中分集传输,所述无线信道受到瑞利衰落和高斯白噪声的影响,所述电力线信道受到对数正态衰落和脉冲噪声的影响,所述分集信号分别在电力线和无线通信模块中进行正交频分复用OFDM调制;
无线信道衰落系数hW满足瑞利分布,则hW的概率密度函数PDF为:
其中为瑞利衰落方差;
电力线信道衰落系数hP满足LogN分布,则hP的概率密度函数PDF为:
式中μP和分别为lnhP的均值和方差,将信道衰落能量归一化,得到/>
3.根据权利要求1所述的方法,其特征在于,所述的方法还包括:
将与无线端口接收到的信号/>进行合并处理获得yt,对第t个传输时隙第k个子载波采用最大似然检测算法获得的估计符号/>为
其中||·||2代表2-范数运算,表示第t个时隙第k个子载波上,将电力线信号和无线信号进行合并后的等效接收信号,Ω表示调制信号星座点集合,/>表示星座图上的符号,表示接收端在第t个传输时隙第k个子载波上的等效信道系数,N是子载波的数量,表示选择最佳x使得关于x的函数值f(x)最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866696.0A CN115378467B (zh) | 2022-07-22 | 2022-07-22 | 一种基于分集信号抵消的电力线噪声样本提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866696.0A CN115378467B (zh) | 2022-07-22 | 2022-07-22 | 一种基于分集信号抵消的电力线噪声样本提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115378467A CN115378467A (zh) | 2022-11-22 |
CN115378467B true CN115378467B (zh) | 2024-04-16 |
Family
ID=84061000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210866696.0A Active CN115378467B (zh) | 2022-07-22 | 2022-07-22 | 一种基于分集信号抵消的电力线噪声样本提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115378467B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2519011C1 (ru) * | 2013-02-20 | 2014-06-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Омский государственный технический университет" | Способ передачи информации по коротковолновому каналу связи с использованием частотно-манипулированных сигналов |
CN104852879A (zh) * | 2015-04-07 | 2015-08-19 | 湖南大学 | 一种电力线脉冲噪声动态抑制方法和*** |
CN106877907A (zh) * | 2017-01-09 | 2017-06-20 | 北京邮电大学 | 一种电力线中的抗噪信道估计方法 |
CN106992800A (zh) * | 2017-03-16 | 2017-07-28 | 宁波大学 | 基于迭代自适应算法的电力线通信***脉冲噪声抑制方法 |
CN110493151A (zh) * | 2019-07-04 | 2019-11-22 | 宁波大学 | 电力线中稀疏迭代协方差估计的脉冲噪声抑制方法 |
-
2022
- 2022-07-22 CN CN202210866696.0A patent/CN115378467B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2519011C1 (ru) * | 2013-02-20 | 2014-06-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Омский государственный технический университет" | Способ передачи информации по коротковолновому каналу связи с использованием частотно-манипулированных сигналов |
CN104852879A (zh) * | 2015-04-07 | 2015-08-19 | 湖南大学 | 一种电力线脉冲噪声动态抑制方法和*** |
CN106877907A (zh) * | 2017-01-09 | 2017-06-20 | 北京邮电大学 | 一种电力线中的抗噪信道估计方法 |
CN106992800A (zh) * | 2017-03-16 | 2017-07-28 | 宁波大学 | 基于迭代自适应算法的电力线通信***脉冲噪声抑制方法 |
CN110493151A (zh) * | 2019-07-04 | 2019-11-22 | 宁波大学 | 电力线中稀疏迭代协方差估计的脉冲噪声抑制方法 |
Non-Patent Citations (1)
Title |
---|
室内无线和电力线双媒质协作通信***性能研究;陈智雄;韩东升;邱丽君;;中国电机工程学报;20170505(第09期);2589-2598 * |
Also Published As
Publication number | Publication date |
---|---|
CN115378467A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112637093B (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
US8320507B2 (en) | Mobile communication system, receiving device, and method | |
CN106911374B (zh) | 一种低复杂度软输出空间调制检测方法 | |
CN107332797B (zh) | 一种电力线ofdm通信***中的信道估计方法 | |
WO2007137484A1 (fr) | Procédé et dispositif d'estimation de canaux | |
CN110266617B (zh) | 超奈奎斯特***的多径信道估计方法 | |
CN101827060A (zh) | 基于分数阶傅里叶变换的自适应调制解调方法 | |
CN101018219B (zh) | 一种空频信号处理方法 | |
GB2472906A (en) | Partial AQRDM detection for MIMO constellations | |
CN113381951A (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
CN112383328B (zh) | 通信***中基于概率剪切的改进匹配滤波消息传递检测方法 | |
EP1901505A2 (en) | Wireless communication apparatus | |
WO2007149630A2 (en) | An efficient doppler compensation method and receiver for orthogonal-frequency-division-multiplexing (ofdm) systems | |
CN113259298A (zh) | Otfs信号处理方法、装置、设备及存储介质 | |
Luan et al. | Attention based neural networks for wireless channel estimation | |
CN112215335A (zh) | 一种基于深度学习的***检测方法 | |
Alawad et al. | A deep learning-based detector for IM-MIMO-OFDM | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
CN106254292A (zh) | Gfdm***中基于随机滤波器分配的降低papr算法 | |
CN115378467B (zh) | 一种基于分集信号抵消的电力线噪声样本提取方法 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
KR101341611B1 (ko) | 최대 우도 판정 기반 복호 장치 및 방법, 및 무선 통신 시스템에서 최대 우도 판정을 기반으로 하는 수신 장치 및 방법 | |
Manzoor et al. | A novel noise power and SNR estimation in WiMAX systems | |
Bhandari et al. | Spectral efficient blind channel estimation technique for mimo-ofdm communications | |
CN113411277B (zh) | 一种多载波超奈奎斯特***接收机的构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |