基于稀疏貝葉斯學習的MIMO-OFDM電力線通信系統(tǒng)接收機設計

呂新榮，李有明，吳永清，唐小波

研究與開發(fā)

基于稀疏貝葉斯學習的MIMO-OFDM電力線通信系統(tǒng)接收機設計

呂新榮1，李有明2，吳永清3,4，唐小波5

（1. 寧波大學科學技術學院，浙江 寧波 315300；2. 寧波大學信息科學與工程學院，浙江 寧波 315211；3. 中國科學院聲學研究所，北京 100190；4. 中國科學院大學，北京 100190；5. 寧波奧克斯高科技有限公司，浙江 寧波 315034）

豐富的脈沖噪聲干擾對基于MIMO-OFDM技術的電力線通信系統(tǒng)接收機設計帶來了巨大挑戰(zhàn)。針對這個問題，提出了一種聯(lián)合估計電力線信道和脈沖噪聲的接收機設計方案。該方案主要利用電力信道多徑模型參數(shù)在頻域上的稀疏性和脈沖噪聲在時域上的稀疏性特征，將待估計信道模型參數(shù)和脈沖噪聲聯(lián)合視作一個稀疏向量，同時利用MIMO系統(tǒng)的空間相關性，構建了一個基于多測量向量的壓縮感知模型，并引入多測量向量稀疏貝葉斯學習理論，設計了一種聯(lián)合估計MIMO信道模型參數(shù)和脈沖噪聲的方法。仿真結果表明，與傳統(tǒng)的MIMO信道估計與脈沖噪聲抑制相互分離的接收機方案相比，新方法在估計性能和誤比特率性能上有明顯提升。

MIMO；OFDM；脈沖噪聲；電力線通信；稀疏貝葉斯學習

0 引言

現(xiàn)代PLC（power line communication，電力線通信）標準（ITU-T G.hn、Home Plug AV2等）普遍采用了正交頻分復用（orthogonal frequency division multiplexing，OFDM）和多輸入多輸出（multiple input multiple output，MIMO）技術[1]。電力線通信信道中存在大量的脈沖噪聲，脈沖噪聲來源有電氣開關的切換、電氣設備的充放電、整流設備產(chǎn)生的干擾等[2]。脈沖噪聲具有持續(xù)時間短、能量高的特點，一旦出現(xiàn)會嚴重惡化MIMO-OFDM PLC系統(tǒng)性能。

PLC系統(tǒng)的脈沖噪聲抑制已經(jīng)引起了廣泛關注。其中一部分研究主要集中在如何設置一個或若干個門限值來判斷和消除接收信號中含有的脈沖噪聲成分，如Clipping、Blanking以及這些方法的組合等[3-4]。然而最優(yōu)門限值的設置需要預先獲得脈沖噪聲的先驗概率信息，因此在實際PLC系統(tǒng)中這類方法的性能難以保證。由于脈沖噪聲在時域上具有明顯的稀疏性，近些年大量基于壓縮感知理論的脈沖噪聲估計方法見文獻[5]。這些方法的基本原理是通過各種壓縮感知算法從脈沖噪聲在OFDM空子載波上的投影估計脈沖噪聲的時域采樣值。這類方法的性能主要取決于空子載波數(shù)目和脈沖噪聲的稀釋度。文獻[6]提出了一種能利用全部MIMO-OFDM子載波的脈沖噪聲估計方法，但該方法需要預先獲得MIMO-OFDM PLC系統(tǒng)的準確信道狀態(tài)信息。

信道估計是PLC接收機的核心工作之一[7]。傳統(tǒng)PLC接收機設計通常將信道估計與脈沖噪聲抑制視作兩個獨立的任務，這種方案雖然簡化了接收機的設計但也使得信道估計和脈沖噪聲抑制均無法獲得最優(yōu)性能。為了進一步提升PLC接收機的性能，一些聯(lián)合估計信道和脈沖噪聲的方案被陸續(xù)提出[8-11]。這些方法將信道沖激響應和脈沖噪聲聯(lián)合視作一個稀疏向量，然后利用壓縮感知方法重構信道沖激響應和脈沖噪聲。這些方法主要針對單輸入單輸出（single input single output，SISO）系統(tǒng)。文獻[12]提出了一種針對MIMO-OFDM PLC系統(tǒng)的信道和脈沖噪聲聯(lián)合估計方法，該方法利用電力線信道沖激響應和脈沖噪聲的稀疏性，通過導頻上的接收信號來重構信道和脈沖噪聲，但電力線的信道沖激響應在很多場合不具備稀疏性特征[7,13]。本文針對MIMO- OFDM PLC系統(tǒng)的信道估計和脈沖噪聲抑制問題，提出了一種基于結構化壓縮感知理論[14]的信道與脈沖噪聲聯(lián)合估計方法。該方法首先基于電力線信道模型參數(shù)的稀疏性特征和脈沖噪聲稀疏性設計了一個聯(lián)合估計信道模型參數(shù)和脈沖噪聲的壓縮感知模型，然后利用MIMO系統(tǒng)的空間相關性將該聯(lián)合估計問題轉變?yōu)槎鄿y量向量（multiple measurement vector，MMV）壓縮感知問題，通過引入多響應稀疏貝葉斯學習（multiple response sparse Bayesian learning，MSBL）設計了信道模型參數(shù)和脈沖噪聲的聯(lián)合估計算法。仿真結果表明，與傳統(tǒng)的MIMO-OFDM接收機設計方案相比，本文提出的方法能使MIMO-OFDM PLC接收機獲得更好的信道估計性能和誤比特率性能。

1 系統(tǒng)模型

采用三線電纜（火線、零線和地線）的室內(nèi)電力線路可以構成2×2的MIMO PLC信道[1]，如圖1所示。為了方便計算式描述，本文將MIMO PLC的發(fā)射端的耦合端口數(shù)設為t，接收端的耦合端口數(shù)設為r。同時設定OFDM全部子載波數(shù)目為，其中個子載波用于發(fā)射導頻符號，個子載波為屏蔽子載波以滿足監(jiān)管要求，其余用于發(fā)射數(shù)據(jù)符號。在發(fā)射端，二進制數(shù)據(jù)流經(jīng)過符號調制后分為t個并行的頻域OFDM符號數(shù)據(jù)流。第個發(fā)射端口上的頻域OFDM符號向量表示為：

其經(jīng)過OFDM調制生成時域OFDM信號后送入發(fā)射端口。本文假設采用插入循環(huán)前綴的方式來對抗電力線多徑信道造成的頻率選擇性衰落。在接收端，接收的時域OFDM信號經(jīng)過去除循環(huán)前綴和OFDM解調后，第個接收端口接收的頻域OFDM符號向量可以表示為式（2）：

1.1 電力線信道模型

Zimmermann模型[13]是一種常用的電力線多徑信道模型。根據(jù)該模型，SISO PLC系統(tǒng)的信道頻率響應函數(shù)可以表示為：

1.2 脈沖噪聲模型

由于MIMO PLC信道的空間相關性，每個接收端口上的時域脈沖噪聲向量中的非零元素具有相同的位置，即它們的支撐集是相同的，但非零元素的數(shù)值不一定相同[16]。

1.3 MIMO符號檢測

考慮MIMO-OFDM PLC系統(tǒng)的每個子載波之間獨立進行符號檢測，則第個子載波上基于最大似然估計的符號檢測算法可以用式（6）表示：

針對式（6）本文采用球形譯碼（sphere decoding，SD）算法[17]進行求解。

根據(jù)式（6）可知，符號檢測的性能取決于準確的信道狀態(tài)信息和背景噪聲能量。而脈沖噪聲的出現(xiàn)不僅極大增加了OFDM每個子載波的噪聲能量，而且嚴重影響信道估計性能，導致基于SD的MIMO符號檢測性能急劇下降，因此需要在進行符號檢測前消除脈沖噪聲的影響。

2 信道與脈沖噪聲聯(lián)合估計

為了在抑制脈沖噪聲同時提高信道估計性能，本文引入MSBL來聯(lián)合估計MIMO-OFDM PLC系統(tǒng)信道與脈沖噪聲。

2.1 基于參數(shù)稀疏性的電力線信道模型[18]

基于MIMO-OFDM PLC的連續(xù)頻率響應式（4），對OFDM第個子載波中心頻率上進行采樣，相應的第個子載波的電力線信道頻率響應可表示為：

式（8）中第條多徑信道長度d是一個連續(xù)變量，需要對它進行量化。量化結果可以表示為：

其中：

2.2 信道模型參數(shù)與脈沖噪聲的聯(lián)合估計

這樣式（14）可以寫成如下形式：

將式（17）分別對γ和γ求導并設置導數(shù)等于0，求得第+1次迭代估計值為：

2.3 運算復雜度分析

3 仿真結果分析

通過改變電力線信道模型（4）中的多徑數(shù)目可以生成不同衰落特性的電力線信道。圖3展示了本文提出的方法與其他傳統(tǒng)方法在不同信道條件下誤比特率性能隨信噪比的變化曲線，其中圖3（a）為電力信道多徑數(shù)目為10時性能變化曲線，圖3（b）為電力線信道多徑數(shù)目為15時的性能變化曲線。在這兩種信道下，脈沖噪聲均采用GMM仿真模型產(chǎn)生。通過仿真結果可以看出，如果不去除脈沖噪聲，采用傳統(tǒng)信道估計方法的接收機誤比特率性能將顯著下降。即使假設信道狀態(tài)信息已知的理想信道情形下，脈沖噪聲的存在也極大降低了傳統(tǒng)接收機性能。本文提出的信道與脈沖噪聲聯(lián)合估計方法，通過有效去除脈沖噪聲，顯著改善了接收機性能，與“理想信道且脈沖噪聲未去除”的情形相比了，性能改善了8 dB左右。通過對比圖3（a）和圖3（b）可以看出，隨著信道多徑數(shù)目的增加，本文提出的方法性能有所下降，在圖3（a）中誤比特率10?3處的信噪比為5 dB，而圖3（b）中誤比特率10?3處的信噪比為10 dB。這個原因在于本文提出的方法是通過壓縮感知技術去估計信道多徑數(shù)目，在導頻數(shù)目不變的情況下，隨著信道多徑數(shù)目增加估計性能也隨之下降。這意味著，在比較惡劣的電力線信道中，增加導頻數(shù)目有助于保持系統(tǒng)性能。

圖2 MIMO-OFDM PLC接收機示意圖

圖3 不同信道下的接收機性能對比

圖4是各類方法在不同的脈沖噪聲模型下的誤比特率性能隨信噪比變化的曲線。信道多徑數(shù)目均設置為15。脈沖噪聲模型分別采用GMM模型和MCA模型。通過對比圖4（a）和圖4（b），同樣的方法在MCA的脈沖噪聲模型下，性能均有所改善。本文提出的方法的性能與其他方法的性能優(yōu)勢更加明顯。

卷積碼是現(xiàn)代許多電力線通信系統(tǒng)采用的信道編碼技術，因此本文也在基于卷積碼（碼率為1/2）的系統(tǒng)上進行了性能對比。圖5所示為本文提出的方法與其他傳統(tǒng)方法在GMM脈沖噪聲模型下采用卷積碼后的誤比特率性能隨信噪比的變化曲線。從圖5中可以看出，本文提出的方法與傳統(tǒng)方法性能上相比仍有明顯優(yōu)勢。隨著SNR 提升，本文提出的方法與傳統(tǒng)方法的性能差距逐漸縮小。同時可以看出與未采用信道編碼時相比，采用信道編碼后，傳統(tǒng)方法的性能也有所提升，并且它們的性能之間的差距也有明顯縮小。主要原因在于隨著SNR提升，脈沖噪聲對系統(tǒng)性能的影響逐漸被信道編碼的糾錯能力所客服。這說明信道編碼能提升MIMO-OFDM電力線通信系統(tǒng)在脈沖噪聲下的穩(wěn)健性，在設計現(xiàn)代電力線通信系統(tǒng)時應該考慮選擇更優(yōu)秀的信道編碼技術。

4 結束語

本文針對MIMO-OFDM電力線通信系統(tǒng)的信道估計與脈沖噪聲抑制問題，提出了一種基于結構化壓縮感知理論的信道與脈沖噪聲聯(lián)合估計方法。仿真結果表明該方法比傳統(tǒng)將信道估計與脈沖噪聲抑制分離的方法相比，在性能上有明顯提升。本文的研究工作為設計更高速更穩(wěn)健的MIMO-OFDM電力線通信系統(tǒng)提供了一種新的方案。

圖4 不同脈沖噪聲模型下的接收機性能對比

圖5 不同信道下的采用卷積碼的接收機性能對比

[1] BERGER L T, SCHWAGER A, PAGANI P, et al. MIMO power line communications[J]. IEEE Communications Surveys & Tutorials, 2015, 17(1): 106-124.

[2] BAI T, ZHANG H M, WANG J J, et al. Fifty years of noise modeling and mitigation in power-line communications[J]. IEEE Communications Surveys & Tutorials, 2021, 23(1): 41-69.

[3] ZHIDKOV S V. Analysis and comparison of several simple impulsive noise mitigation schemes for OFDM receivers[J]. IEEE Transactions on Communications, 2008, 56(1): 5-9.

[4] JUWONO F H, GUO Q H, CHEN Y F, et al. Linear combining of nonlinear preprocessors for OFDM-based power-line communications[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 253-260.

[5] LIN J, NASSAR M, EVANS B L. Impulsive noise mitigation in powerline communications using sparse Bayesian learning[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(7): 1172-1183.

[6] 咼濤, 胡國榮. 基于稀疏貝葉斯學習的MIMO電力線脈沖噪聲消除[J]. 電力系統(tǒng)自動化, 2014, 38(14): 95-100, 135.

GUO T, HU G R. Impulsive noise mitigation on MIMO power line based on sparse Bayesian learning[J]. Automation of Electric Power Systems, 2014, 38(14): 95-100, 135.

[7] 何業(yè)慎, 梁琨. 一種壓縮感知電力線信道估計機制[J]. 電信科學, 2016, 32(11): 77-81.

HE Y S, LIANG K. A power line channel estimation mechanism based on compressed sensing[J]. Telecommunications Science, 2016, 32(11): 77-81.

[8] MEHBOOB A, ZHANG L, KHANGOSSTAR J, et al. Joint channel and impulsive noise estimation for OFDM based power line communication systems using compressed sensing[C]// Proceedings of 2013 IEEE 17th International Symposium on Power Line Communications and Its Applications. Piscataway: IEEE Press, 2013: 203-208.

[9] NASSAR M, SCHNITER P, EVANS B L. A factor graph approach to joint OFDM channel estimation and decoding in impulsive noise environments[J]. IEEE Transactions on Signal Processing, 2014, 62(6): 1576-1589.

[10] CHIEN Y R. Iterative channel estimation and impulsive noise mitigation algorithm for OFDM-based receivers with application to power-line communications[J]. IEEE Transactions on Power Delivery, 2015, 30(6): 2435-2442.

[11] 呂新榮, 李有明, 余明宸. 基于稀疏貝葉斯學習的電力線載波通信接收機設計[J]. 電信科學, 2017, 33(9): 92-99.

LYU X R, LI Y M, YU M C. Design of transceivers based on sparse Bayesian learning for power line carrier communications[J]. Telecommunications Science, 2017, 33(9): 92-99.

[12] 趙聞, 張捷, 李倩, 等. MIMO電力線載波通信中基于壓縮感知的信道與脈沖噪聲聯(lián)合估計方法[J]. 通信技術, 2020, 53(9): 2101-2107.

ZHAO W, ZHAGN J, LI Q, et al. Joint estimation of channel and impulse noise based on compressed sensing in MIMO power line carrier communication[J]. Communications Technology, 2020, 53(9): 2101-2107.

[13] ZIMMERMANN M, DOSTERT K. A multipath model for the powerline channel[J]. IEEE Transactions on Communications, 2002, 50(4): 553-559.

[14] DUARTE M F, ELDAR Y C. Structured compressed sensing: from theory to applications[J]. IEEE Transactions on Signal Processing, 2011, 59(9): 4053-4085.

[15] HASHMAT R, PAGANI P, ZEDDAM A, et al. A channel model for multiple input multiple output in-home power line networks[C]//Proceedings of IEEE International Symposium on Power Line Communications & its Applications. Piscataway: IEEE Press, 2011: 35-41.

[16] LIU S C, YANG F, DING W B, et al. Impulsive noise cancellation for MIMO-OFDM PLC systems: a structured compressed sensing perspective[C]//Proceedings of 2016 IEEE Global Communications Conference. Piscataway: IEEE Press, 2016: 1-6.

[17] CHO Y S, KIM J, YANG W Y, et al. MIMO-OFDM Wireless Communications with MATLAB?[M]. Chichester: John Wiley & Sons, 2010.

[18] DING W B, LU Y, YANG F, et al. Spectrally efficient CSI acquisition for power line communications: a Bayesian compressive sensing perspective[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(7): 2022-2032.

[19] WIPF D P, RAO B D. An empirical Bayesian strategy for solving the simultaneous sparse approximation problem[J]. IEEE Transactions on Signal Processing, 2007, 55(7): 3704-3716.

[20] TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001,1(3):211-244.

Receiver design of sparse Bayesian learning based MIMO-OFDM power line communication system

LYU Xinrong1, LI Youming2, WU Yongqing3,4, TANG Xiaobo5

1. College of Science & Technology, Ningbo University, Ningbo 315300, China 2. Faculty of Information Science and Engineering, Ningbo University, Ningbo 315211, China 3. Institute of Acoustics, Chinese Academy of Science, Beijing 100190, China 4. University of Chinese Academy of Science, Beijing 100190, China 5. Ningbo Aux HighTech Co. Ltd, Ningbo 315034, China

The rich impulsive noise in the power line channel poses a huge challenge to the design of MIMO-OFDM transceiver. To solve this problem, a design scheme that can jointly estimate the channel and impulsive noise was proposed, which exploited the parametric sparsity of the classical multipath model and the sparsity of the time domain impulsive noise. In this scheme, the unknown channel model parameters and the impulsive noise were jointly regarded as a sparse vector. By observing the spatial correlation of MIMO system, a compressed sensing model based on multiple measurement vectors was constructed. The multiple response sparse Bayesian learning theory was introduced to jointly estimate the MIMO channel parameters and impulsive noise. The simulation results show that, compared with the traditional receiver scheme that considers MIMO channel estimation and impulsive noise suppression separately, the receiver proposed has a significant improvement in channel estimation performance and bit error rate performance.

MIMO, OFDM, impulsive noise, power line communication, sparse Bayesian learning

TN913

A

10.11959/j.issn.1000-0801.2022036

2021?12?01；

2022?02?10

科技部戰(zhàn)略性國際科技創(chuàng)新合作項目重點專項基金資助項目（No.2018YFE0206500）；浙江省自然科學基金資助項目（No.LY22F010018）；寧波市江北區(qū)重大專項基金資助項目（No.201801A04）

The International Cooperation Project of the Ministry of Science and Technology (No.2018YFE0206500), The Zhejiang Natural Science Foundation of China (No.LY22F010018), The Foundation of Ningbo Jiangbei District Science and Technology Bureau (No.201801A04)

呂新榮（1976? ），男，博士，寧波大學科學技術學院講師，主要研究方向為電力線通信、無線通信、稀疏信號處理、壓縮感知。

李有明（1963?），男，寧波大學信息科學與工程學院教授、博士生導師，主要研究方向為寬帶通信、電力線通信、協(xié)作中繼、認知無線電等。

吳永清（1968? ），男，中國科學院聲學研究所研究員，中國科學院大學教授、博士生導師，主要研究方向為水聲通信、水下目標檢測和識別等。

唐小波（1976?），男，寧波奧克斯高科技有限公司電力研發(fā)中心科技管理部總監(jiān)，主要研究方向為電力線通信。