基于信道分類和自適應調制編碼的認知無線電決策引擎

于 洋 譚學治

?

基于信道分類和自適應調制編碼的認知無線電決策引擎

于 洋 譚學治*

(哈爾濱工業大學通信技術研究所 哈爾濱 150080)

在多徑信道條件下，針對單載波頻域均衡(SC-FDE)認知系統不能通過多目標優化策略進行決策的問題，該文提出一種基于信道分類和自適應調制編碼(AMC)的認知無線電決策引擎。該決策引擎首先對當前信道進行分類，確定當前信道狀態；然后根據當前信道狀態下的策略切換表選取最優傳輸策略(MCS)，并計算該策略的使用時長(MCSD)。一旦當前策略的持續時間超過了其使用時長，認知決策引擎就會對最優策略進行更新。仿真結果表明，該決策引擎能夠提供最優的傳輸策略以提高頻譜效率，使SC-FDE認知系統更好地適應無線信道復雜的電磁環境。

認知無線電；多徑信道；單載波頻域均衡認知系統；自適應調制編碼(AMC)；信道分類

1 引言

為了實現任何時間、任何地點的高可靠通信，以及對異構網絡環境有限的無線頻譜資源進行高效利用，認知無線電技術應運而生[1]。該技術以靈活、智能、可重配置為顯著特征，通過感知外界環境，有目的地實時改變發射機參數(如傳輸功率、調制方式和碼率等)，使其內部狀態與當前信道狀態相匹配，以達到最優傳輸的目的。而如何根據感知的信道信息合理地調整發射機參數以提高頻譜效率，正是認知決策引擎的主要任務。

根據上述研究，本文提出了一種基于信道分類和自適應調制編碼(Adaptive Modulation and Coding, AMC)的SC-FDE認知系統決策引擎。該決策引擎的意義在于：(1)該引擎解決了SC-FDE認知系統無法通過多目標優化進行決策的問題；(2)當信道狀態發生較大變化時，該引擎能夠通過信道分類和信道估計的結果，感知到當前的信道變化，并且相應調整傳輸策略以匹配當前的信道狀態；(3)通過計算策略持續時間(Modulation and Coding Scheme Duration, MCSD)，該引擎減少了信道估計和策略切換的操作，從而減少了系統開銷。

2 問題的提出

由于SC-FDE系統能夠克服OFDM系統峰均功率比大，放大器線性范圍要求高，對相位噪聲和載波頻偏敏感等缺點，且兩者的抗多徑性能相當，因此SC-FDE體制被引入到認知無線電中。但對于SC-FDE認知系統，由于其采用頻域均衡而非多載波的方式克服碼間干擾(Inter-Symbol Interference, ISI)的影響，所以該系統工作在多徑信道條件下，而多徑信道下不同調制、不同編碼的BER解析式很難獲得。如在Turbo碼迭代譯碼情況下，求解其精確的BER表達式極其復雜，一般獲得的是其性能的上、下限。因此通過上述多目標優化理論解決SC- FDE認知系統的認知決策引擎的設計問題會使問題進一步復雜化。現有如下幾種方式解決此類問題：(1)基于范例推理(Case Based Reasoning, CBR)的認知決策引擎。因其采用類似枚舉的方式對不同信道狀態進行匹配，而存在著計算量巨大的先天不足。(2)基于SNR高階統計量的認知決策引擎。如前所述，目前還沒有相關文獻針對這方面進行具體研究。(3)基于自適應門限調整(Threshold Adjustment, TA)的認知決策引擎。由于該決策引擎采用的TA理論尚待完備，其收斂性問題也未得到理論分析，所以該類決策引擎技術也不成熟。綜上所述，SC-FDE認知系統急需一種有效的決策引擎，以實現提高頻譜效率的目的。

3 認知決策引擎

圖1是本文設計的SC-FDE認知無線電基帶仿真系統。如圖1所示，本文設計的認知決策引擎由3部分組成：信道分類，AMC策略選取和計算MCSD。首先，認知引擎進行信道分類；信道分類的結果作為AMC的輸入參量，AMC據此進行最優策略的選取；最優傳輸策略一旦被AMC選出，則計算其相應的MCSD。認知引擎通過檢查當前策略的使用時間是否超過相應的MCSD，以判決最優策略是否需要更新。

3.1 信道分類

接收信號的采樣序列可以表示為[14]

圖1 SC-FDE認知無線電基帶仿真系統

對算法性能和實現復雜度進行綜合考慮，本文采用最小二乘(Least Squares, LS)信道估計算法和頻域最小均方誤差(Minimum Mean Square Error, MMSE)SNR估計算法。信道估計和SNR估計的好壞對整個認知系統的性能具有較大影響。信道估計一旦不準確，勢必影響SNR估計的準確性。兩者的累積誤差可能會導致認知引擎對當前信道狀態誤判，從而錯誤地決策出一個不匹配當前信道狀態的傳輸策略。而這樣的傳輸策略可能降低系統的頻譜效率，也可能使得BER性能達不到系統要求。因此，準確的信道估計和SNR估計是認知引擎能夠正確進行決策的重要前提和保障。

3.2 AMC最優策略選取方案

3.3 MCSD

本文提出的認知決策引擎具體實現過程如下：

步驟1 在給定信道狀態下進行離線系統仿真，得到可選MCS的BER-SNR性能曲線和吞吐量曲線；

步驟3 在線狀態下認知決策引擎進行信道分類，從而確定當前的信道狀態；

需要說明的是，信道變化率對本文認知系統的性能影響較大。當信道變化率極大，即信道狀態變化極其劇烈時，如信道的相干時間與認知決策引擎處理延遲(信道分類處理時間、認知決策處理時間和反饋延遲的總和)相當時，本文的認知系統無法跟蹤信道的變化，因此其適應外部環境的自適應能力喪失。本文提出的認知決策引擎更適用于慢時變信道和能夠保證認知決策引擎處理時間的快時變信道。在實際應用中，大部分的山區多徑信道條件均是本文認知決策引擎適用的信道場景。

4 仿真結果與分析

本文的仿真結果均是基于本文設計的如圖1所示的SC-FDE基帶仿真系統得到的。具體的仿真參數和信道參數分別如表1和表2所示。本系統中最大多普勒頻率5 Hz對應的移動終端最大速率為27 km/h。仿真中采用的兩種調制方式分別為BPSK和QPSK；編碼方式為低密度奇偶校驗(Low Density Parity Check, LDPC)碼，編碼后長度為3176, 4種可選碼率分別為1/2, 2/3, 3/4和5/6。將上述參數組合共得到8種MCS，記為S1~S8，如表3所示。

表1仿真參數表

信道類型瑞利多徑信道 載波頻率200 MHz 符號速率5 Msymbol/s 目標誤碼率 信道估計LS算法 頻域均衡MMSE算法 SNR估計MMSE算法

表2信道模型參數表

信道參數徑數多徑時延(μs)各徑幅度(dB)最大多普勒頻率(Hz) 取值50, 0.5, 2.0, 13.0, 15.00, -1.5, -4.5,-8.0, -10.05

表3 AMC策略組合表

碼率調制 BPSKQPSK 1/2S1S2 2/3S3S4 3/4S5S6 5/6S7S8

在如表2所示的信道模型下，進行離線系統仿真，得到所有可選策略的BER-SNR性能曲線和吞吐量曲線，分別如圖2和圖3所示。圖3中各MCS的吞吐量由式(11)給出：

如圖2所示，不同可選策略的BER-SNR性能曲線存在交叉點，如在7.2 dB處策略S2和策略S5存在交叉點。出現此類情況的原因是本文以SNR作為軸的標度。雖然S5的調制階數低于S2，其BER性能應該較后者更優。但是S5碼率比S2大，調制階數和碼率的綜合作用導致了不同可選策略出現交叉點的情況。

表4 AMC策略切換表

以下將文獻[13]提出的CR-ASC-FDE與本文提出的認知決策引擎在頻譜效率和吞吐量兩方面進行性能比較。采用本文提出的認知決策引擎的認知系統，其頻譜效率為

表5不同SNR下的平均策略持續時間

(dB)平均MCSD(ms) MCS1MCS2MCS3 1039.935.0 5.8 1520.140.3 63.8 20 7.620.2133.3

表6不同SNR情況下的頻譜效率性能對比

(dB)平均 認知決策引擎CR-ASC-FDE 100.49020.2744 150.96600.4136 201.36910.4709

圖2 所有可選傳輸策略的BER-SNR性能曲線

圖3 所有可選傳輸策略的吞吐量性能曲線

圖4 最優MCS的BER-SNR性能曲線

圖5 最優MCS的吞吐量性能曲線

圖6 認知決策引擎和CR-ASC-FDE的吞吐量性能比較

5 結論

針對SC-FDE認知無線電系統，本文提出了一種基于信道分類和AMC的認知無線電決策引擎。該決策引擎通過信道分類，最優策略選取和計算策略持續時間，自適應地調整發射機參數，使認知系統能夠較好地匹配當前的信道狀態。仿真結果表明，該認知決策引擎使認知系統在頻譜效率和吞吐量性能方面具備較大優勢，實現了最優傳輸的目的。

[1] Mitola J and Maguire G. Cognitive radio: making software radios more personal[J]., 1999, 6(4): 13-18.

[2] Khedr M andShatila H. CogMAX-a cognitive radio approach for WiMAX systems[C]. Proceedings of 7th IEEE/ACS International Conference on Computer Systems and Applications, Rabat, 2009: 550-554.

[3] Khedr M,Shatila H, and Reed J H. Adaptive resource management for a vague environment using cognitive radio[C]. Proceedings of 3th IEEE International Conference on Computer Science and Information Technology, Chengdu, 2010: 581-589.

[4] He Qian,Feng Zhi-yong, and Zhang Ping. Reasoning through fuzzy logical for reconfiguration in cognitive radio network[C]. Proceedings of 2011 International Conference on Wireless Communications and Signal Processing, Nanjing, 2011: 1-5.

[5] Chantaraskul S and Moessner K. Implementation of a genetic algorithm-based decision making framework for opportunistic radio[J]., 2010, 4(5): 495-506.

[6] Huynh C K and Lee W C. Two-dimensional genetic algorithm for OFDM-based cognitive radio systems[C]. Proceedings of 2011 IEEE 3rd International Conference on Communication Software and Networks, Xi’an, 2011: 100-105.

[7] Yang Yan-chao,Jiang Hong, Liu Cong-bin,.. Research on cognitive radio engine based on genetic algorithm and radial basis function neural network[C]. Proceedings of 2012 Spring World Congress on Engineering and Technology, Xi’an, 2012: 1-5.

[8] 趙知勁, 徐世宇, 鄭仕鏈, 等. 基于二進制粒子群算法的認知無線電決策引擎[J]. 物理學報, 2009, 58(7): 5118-5125.

Zhao Zhi-jin, Xu Shi-yu, Zheng Shi-lian,.. Cognitive radio decision engine based on binary particle swarm optimization[J]., 2009, 58(7): 5118-5125.

[9] Chen Jung-chieh and Wen Chao-kai. A novel cognitive radio adaptation for wireless multicarrier systems[J]., 2010, 14(7): 629-631.

[10] 張靜, 周正, 高萬鑫, 等. 基于二進制量子粒子群算法的認知無線電決策引擎[J]. 儀器儀表學報, 2011, 32(2): 451-456.

Zhang Jing, Zhou Zheng, Gao Wan-xin,.. Cognitive radio decision engine based on binary quantum particle swarm optimization[J]., 2011, 32(2): 451-456.

[11] Mahdi A H,Mohanan J, Kalil M A,.. Adaptive discrete particle swarm optimization for cognitive radios[C]. Proceedings of 2nd IEEE International Workshop on Smart Communication Protocols and Algorithms, Xi’an, 2012: 6550-6554.

[12] Catreux S, Erceg V, Gesbert D,.. Adaptive modulation and MIMO coding for broadband wireless data networks[J]., 2002, 40(6): 108-115.

[13] 王武軍, 蔣偉, 董明科, 等. 一種恒定發送符號速率的自適應SC-FDE方案[J]. 北京大學學報(自然科學版), 2011, 47(3): 411-417.

Wang Wu-jun, Jiang Wei, Dong Ming-ke,.. A constant sending symbol rate adaptive SC-FDE scheme[J]., 2011, 47(3): 411-417.

[14] Goldsmith A. Wireless Communications[M]. 2nd, Cambridge: Cambridge University Press, 2005: 58-64.

[15] Sung W J and Klim I K. An MLSE receiver using channel classification for Rayleigh fading channels[J]., 2000, 18(11): 2336-2344.

[16] Wang H S and Moayeri N. Finite-state Markov channel-a useful model for radio communication channels[J]., 1995, 44(1): 163-171.

于 洋： 男，1984年生，博士生，研究方向為鏈路自適應、認知無線電.

譚學治： 男，1957年生，博士，教授，博士生導師，研究領域為專用移動通信系統、個人移動通信、智能信息系統、認知無線電技術.

Cognitive Radio Decision Engine Based on Channel Classification and Adaptive Modulation and Coding

Yu Yang Tan Xue-zhi

(,,150080,)

It can not make decision by multi-objective optimization over the multipath channel for Single Carrier Frequency Domain Equalization (SC-FDE) cognitive systems. In order to solve the issue, a novel cognitive radio decision engine is proposed based on channel classification and Adaptive Modulation and Coding (AMC). Firstly, the channel is classified to determine the current channel state by the proposed engine. Then, the optimal Modulation and Coding Scheme (MCS) is selected in the MCS switching table according to the current channel state, and its Modulation and Coding Scheme Duration (MCSD) is calculated. Once the current MCS lasts longer than its MCSD, the cognitive radio decision engine will update the optimal MCS. The simulation results show that the proposed cognitive radio decision engine can provide the optimal transmission strategy to improve the spectral efficiency for SC-FDE cognitive systems. Therefore, the engine makes SC-FDE cognitive systems adapt to the complex electromagnetic environment better.

Cognitive radio; Multipath channel; Single Carrier Frequency Domain Equalization (SC-FDE) cognitive system; Adaptive Modulation and Coding (AMC); Channel classification

TN919.72

A

1009-5896(2014)02-0371-06

10.3724/SP.J.1146.2013.00653

譚學治 tanxuezhi_hit@163.com

2013-05-10收到，2013-10-08改回

國家科技重大專項(2011ZX03004-004)，國家自然科學基金委員會與中國民用航空局聯合資助項目(61071104)資助課題