基于信道识别和信道分类的多载波系统链路自适应方法

摘要

本发明提出了一种基于信道识别和信道分类的多载波系统链路自适应方法，首先获取不同信道类型的信道样本以及每一个信道样本对应的最优MCS，多载波系统接收端在接收经每个信道样本传输的数据帧后，估计所有子载波的信噪比和信道样本的信道系数，将信道参数和信道类型组成训练集利用随机森林算法获得信道识别分类器，将子载波信噪比和最优MCS组成训练集利用随机森林算法获得信道分类分类器，利用信道识别分类器和信道。

说明书

技术领域

本发明属于通信技术领域，涉及一种多载波系统链路自适应方法，具体涉及一种基于信道识别和信道分类的多载波系统链路自适应方法，可用于无线通信、移动通信等多种通信系统。

背景技术

多载波调制是利用频分复用实现串行数据的并行传输的一种技术,它能实现数据的高速传输，支持多用户接入。

由于通信系统的信道容量是有限的，所以如何高效的利用信道资源是一个很重要的问题，链路自适应技术可以实现信道资源的合理利用。链路自适应是一种根据通信系统的接收端反馈的信道信息，发送端自适应地选择调制编码方式MCS的技术。当信道条件较好时用户设备可以选择传输高阶调制信号获得更高的传输速率，在信道条件较差时选择低阶调制信号保证传输不会出错，从而避免重传，减小了时延。链路自适应是通过吞吐量来评价不同实现方法的好坏。

传统的链路自适应方法是基于查表法进行的。查表法是事先测得各个MCS在不同信噪比下的误帧率曲线，再根据误帧率曲线在不同信道质量指示CQI下选择MCS的一种链路自适应方法。这个方法的优点是简单明了，易于操作，但是它也有许多缺点，比如系统吞吐量提升较少、消耗许多硬件资源等。近年来，一些改进的链路自适应方案相继被提出，其中，基于神经网络、Q学习的链路自适应方法对信道进行了分类，相对于传统的查表法有一定的吞吐量提升，然而，这些方法并没有考虑到在实际中信道类型会产生变化导致信道资源没有被最大化利用。S.Wu等人在2020年8月在PIMRC上发表论文“Q-Learning based LinkAdaptation in 5G”中提出了用基于Q学习的链路自适应方法，它使用Q学习对信道空间进行探索，完成了信道质量的分类，但是它的系统吞吐量提升不高。

基于信道识别的链路自适应方法通过信道识别技术对信道类型进行分类，有效利用了信道资源，但是其识别精度低，在低信噪比下系统吞吐量提升较小，例如，E.Kurniawan等人在2018年11月在APCC上发表论文“Machine Learning-based Channel-TypeIdentification for IEEE 802.11ac Link Adaptation”中，提出了基于前导法的链路自适应方案，它通过采用前导法对信道类型进行识别来挖掘信道信息，但是前导法在低信噪比下识别精度较低，而且没有对信道质量进行分类，导致多载波系统吞吐量较低。

综上所述，由于信道类型在实际通信中会随着散射体、用户位置的不同而随时间变化，所以链路自适应中对信道类型的实时分类是必要的，同时，对于同一种信道，也存在信道质量好与坏的差别，所以链路自适应还需要准确地对信道进行分类。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于信道识别和信道分类的多载波系统链路自适应方法，旨在通过对信道识别和信道质量分类的结合，并提高信道的识别精度，提高多载波系统的吞吐量。

实现本发明的基本思路是：首先获取不同信道类型的信道样本以及每一个信道样本对应的最优MCS，多载波系统的接收端在接收经每个信道样本传输的数据帧后，估计所有子载波的信噪比和信道样本的信道系数，将信道参数和信道类型组成训练集利用随机森林算法获得信道识别分类器，将子载波信噪比和最优MCS组成训练集利用随机森林算法获得信道分类分类器，利用信道识别分类器和信道分类分类器实现链路自适应方法。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取蜂窝小区不同信道类型的信道样本和每个信道样本的最优调制编码方式：

(1a)设蜂窝小区包括M种信道H＝{H

(1b)利用每种信道H

(1c)采用每种调制编码方式下用多载波系统传输W个数据帧，并计算每个信道样本s

(2)获取子载波信噪比集合和信道参数集合：

(2a)设一个多载波系统传输的数据帧由I个符号组成，一个符号由J个子载波组成，多载波系统的接收端接收经信道样本s

(2b)计算每个

(3)获取信道识别分类器和M个信道分类分类器：

(3a)将信道参数集合C中的每个信道参数子集合c

(3b)将第一训练集Q

(4)获取多载波系统链路自适应结果：

(4a)多载波系统的接收端在蜂窝小区中每接收到一个数据帧

(4b)将SNR′输入到信道识别分类器Ψ

(4c)计算信道系数集合

本发明与现有技术相比，具有以下优点：

第一，本发明利用随机森林算法对信道进行识别和对信道质量进行分类，充分挖掘了信道信息，与现有技术相比，有效提高了多载波系统的吞吐量，实现了信道资源利用的最大化。

第二，本发明采用随机森林算法，并利用信道系数的方差、极差和相邻信道系数差值的方差、均方值实现对信道的识别，能够根据接收数据帧实时判断用户所处的信道类型，在低信噪比时能够提高识别概率，与现有技术相比，进一步提高了多载波系统的吞吐量。

附图说明

图1为本发明的实现流程图；

图2为本发明和前导法的信道识别准确率的仿真结果对比图；

图3为本发明中同一信道中不同衰落程度下的MCS误帧率的仿真结果对比图；

图4为本发明和基于Q学习的链路自适应方法、基于前导法的链路自适应方法的系统吞吐量的仿真结果对比图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细描述。

参照图1，本发明包括如下步骤：

步骤1)获取蜂窝小区不同信道类型的信道样本和每个信道样本的最优调制编码方式：

(1a)设多载波调制系统为正交频分复用OFDM系统，蜂窝小区包括M种信道H＝{H

(1b)利用每种信道H

(1c)采用每种调制编码方式下用OFDM系统传输W个OFDM数据帧，并计算每个信道样本s

其中，W

步骤2)获取子载波信噪比集合和信道参数集合：

(2a)设一个OFDM数据帧由I个OFDM符号组成，一个OFDM符号由J个子载波组成，OFDM系统的接收端接收经信道样本s

其中，r

(2b)计算每个

其中，∑·表示求和操作，

步骤3)获取信道识别分类器和M个信道分类分类器：

(3a)将信道参数集合C中的每个信道参数子集合c

(3b)将第一训练集Q

(3b1)采用随机有放回的方式从Q

(3b2)将样本集合D中的每个样本集D

(3b3)将Q′中的每个样本中的信道参数子集合c′作为决策树集合T的输入进行验证，得到α个信道类型，若其中出现次数最多的信道类型或者出现次数最多的信道类型之一与信道参数子集合c′对应的信道类型H′相同，则认为样本分类正确，否则认为样本分类错误；当验证集Q′中所有的样本都判断完毕后，计算Q′中所有样本的分类正确率，并判断分类正确率是否超过98％，若是，将训练好的决策树集合T作为信道识别分类器Ψ

步骤4)获取OFDM链路自适应结果：

(4a)OFDM系统的接收端在蜂窝小区中每接收到一个OFDM数据帧

(4b)将SNR′输入到信道识别分类器Ψ

由于选取了能够描述信道特征的信道参数子集合，并采用了分类效果较好的随机森林算法根据信道参数子集合对信道类型进行识别，所以本发明信道识别方法比用前导法进行信道识别的识别精度更高；

(4c)计算信道系数集合

由于本发明将信道识别和信道分类进行结合，充分挖掘了信道信息，所以本发明比基于Q学习法的链路自适应方法、基于前导法进行信道识别的链路自适应方法进一步提高了吞吐量。

下面结合仿真实验对本发明的效果作进一步的说明。

1.仿真条件：

本发明的仿真实验使用Matlab R2018b仿真软件，仿真硬件平台的处理器为AMD4800H CPU，主频为2.9GHz。系统参数设置：采用20MHz的系统带宽，采用256个子载波，循环前缀长度为64，采用的导频间隔是4，仿真信噪比范围是1：0.5：20，仿真中采用了4个MCS，分别是MCS1(二进制相移键控调制和1/3卷积码)、MCS2(正交相移键控调制和1/3卷积码)、MCS3(正交相移键控调制和1/2卷积码)、MCS4(16正交幅度调制和1/2卷积码)。

本发明采用的信道为LTE协议中的PedA、PedB、VehA信道，其时延和功率衰减参数如下：

信道1是PedA信道，为LOS信道，其多径时延分别是0、110、190、410ns，功率衰减是0、-9.7、-19.2、-22.8dB；

信道2是PedB信道，为NLOS信道，其多径时延分别是0、40、90、140、190、240、410ns，功率衰减是0、-1、-2、-3、-8、-17.2、-20.8dB；

信道3是VehA信道，为NLOS信道，其多径时延分别是0、310、970、1090、1730、2510ns，功率衰减是0、-1、-9、-10、-15、-20dB。

2.仿真的内容及其结果分析：

仿真1仿真了本发明和前导法在不同信噪比下的信道识别准确率，仿真2仿真了同一信道中不同衰落程度下的MCS误帧率曲线，仿真3仿真了本发明和基于Q学习的链路自适应方法、基于前导法的链路自适应方法的系统吞吐量曲线。

参照图2，为本发明和前导法的信道识别准确率的仿真结果对比图；然而前导法仅考虑了接收端信号的频域和时域幅度，未考虑更多的信道特征，这使得前导法在低信噪比时识别效果较差，并且在分类是采用阈值进行分类，分类精度不高，而本发明提出的信道识别法在使用了更好的信道特征，并采用随机森林算法进行分类，分类精度更高，所以在低信噪比下取得较好的识别精度。

参照图3，为本发明中同一信道中不同衰落程度下的MCS误帧率的仿真结果对比图；在一个蜂窝小区中，两个用户即使处于相同的信道模型，也会由于位置不同，产生不同程度的衰落，因此接收端可以根据信道衰落程度的好与坏选择传输的MCS。根据不同信道子载波信噪比和最佳的MCS传输方案，训练一个离线的随机森林分类模型，然后对信道进行划分，从而在好的信道条件下使用高阶MCS，差的信道条件下使用低阶MCS。

参照图4，为本发明和基于Q学习的链路自适应方法、基于前导法的链路自适应方法的系统吞吐量的仿真结果对比图；可以看出来，基于Q学习的链路自适应方法探索了信道空间，区分了信道质量的好坏，但未充分考虑对信道类型进行识别，所以该方法造成信道资源的浪费，未能得到更高的吞吐量。基于前导法的链路自适应方法仅仅进行了信道识别，未对信道质量进行分类，也未能得到更高的吞吐量。而本发明对不同类型的信道进行识别后，再根据信道类型对该信道的信道质量好坏进行了分类来寻找最优MCS，跟现有方法相比，大大提高了系统吞吐量。

上述仿真分析证明了本发明所提方法的正确性与有效性。

本发明未详细说明部分属于本领域技术人员公知常识。

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，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。