文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.166617
中文引用格式: 袁正道,王忠勇,,張傳宗,,等. 基于因子圖拉伸的SC-FDE聯(lián)合信道估計接收機(jī)[J].電子技術(shù)應(yīng)用,2017,,43(8):110-114.
英文引用格式: Yuan Zhengdao,,Wang Zhongyong,Zhang Chuanzong,,et al. Joint channel estimation and SC-FDE receiver based on stretch factor graph[J].Application of Electronic Technique,,2017,,43(8):110-114.
0 引言
單載波頻域均衡(SC-FDE)技術(shù)[1],,由于其在對抗多徑引起的時間彌散效應(yīng)中的優(yōu)異性能,,近些年引起了研究者的廣泛關(guān)注。相對于正交頻分復(fù)用(OFDM),,SC-FDE擁有更低的均峰比,,使得其成為了LTE中的上行鏈路技術(shù)。
置信傳播算法(BP),,也稱和積算法[2],,是一種廣泛應(yīng)用于迭代接收機(jī)的消息傳遞方法。由于其在離散信號處理下的優(yōu)異性能,,使得BP算法在無線接收機(jī)設(shè)計中得到廣泛應(yīng)用,。但是BP算法在連續(xù)和離散共存的場景中會導(dǎo)致極高復(fù)雜度,所以出現(xiàn)了幾種近似消息傳遞方法[3-5],,在有些場景下替代BP算法,。有常見的兩種理論化的 (Theorized)消息傳遞方法:平均場(MF)算法[3],、期望傳播(EP)算法[4]。其中,,平均場(MF)算法適合用于因子節(jié)點為指數(shù)類分布的場景,,特別適用于高斯函數(shù)或者伽馬函數(shù)的情形,但是由于其更新規(guī)則的特點,,在遇到“乘積-求和”(summation-multiplication)模型時,,會產(chǎn)生方差丟失問題,導(dǎo)致性能嚴(yán)重下降[6],。期望傳播(EP)算法[4]可以看作是BP方法的一種近似,,方便解決BP算法在連續(xù)-離散共存情況下的復(fù)雜度過高問題。但是由于MF,、EP都是BP算法在放寬約束條件下的近似,,所以相比BP算法均會使得性能下降。所以近年來聯(lián)合BP-MF[5],、聯(lián)合BP-EP等方法出現(xiàn)解決了性能和復(fù)雜度的矛盾,。
文獻(xiàn)[7]中提出了一種低復(fù)雜度稀疏信道估計SC-FDE接收機(jī),其利用導(dǎo)頻估計稀疏信道,,并用于數(shù)據(jù)檢測,。由于其僅利用導(dǎo)頻估計信道,并不能完全利用數(shù)據(jù)傳輸中隱含的信道信息,,從而此接收機(jī)屬于分立接收機(jī),。文獻(xiàn)[8]中提出一種基于消息傳遞算法的聯(lián)合OFDM接收機(jī),在信道估計中采用MF方法,。為了避免MF方法出現(xiàn)的方差丟失,,其采用了向量形式,將標(biāo)量形式方差計算轉(zhuǎn)換為協(xié)方差矩陣運算,,使得性能得到提升,。但是由于存在矩陣求逆,其復(fù)雜度也大幅提升,。文獻(xiàn)[9]中提出了廣義平均場(GMF)方法,,假設(shè)信道之間相對獨立,將信道分成相互獨立的分組,,從而在損失性能的代價下降低復(fù)雜度,。
本文結(jié)合文獻(xiàn)[7-9]的方法,將原本存在“乘積-求和”結(jié)構(gòu)的觀測節(jié)點進(jìn)行因子圖拉伸,,將此結(jié)構(gòu)脫離觀測節(jié)點,。經(jīng)過拉伸以后,觀測節(jié)點僅存在“乘積”結(jié)構(gòu),從而采用MF方法時避免了方差丟失問題,,同時可以方便估計噪聲方差,。而“求和”結(jié)構(gòu)由另外一個節(jié)點采用BP方法處理,避免了方差丟失和其他近似方法所產(chǎn)生的性能下降,。
1 系統(tǒng)模型
針對一個SC-FDE傳輸系統(tǒng)[1],,信息序列b經(jīng)信道編碼和交織后得到編碼矢量c,再經(jīng)QAM調(diào)制后得到發(fā)送數(shù)據(jù)x,,在加入循環(huán)前綴(CP)后進(jìn)行信道傳輸,。在接收端,移除CP后進(jìn)行離散傅里葉變換,,得到:
1.1 現(xiàn)有因式分解以及因子圖表示
上述傳輸模型,,若按照文獻(xiàn)[7-9]的方式因式分解,中間變量z和h并未體現(xiàn),,因式分解如下:
其中fM(x,,c,b)表示軟輸入軟輸出(SISO)函數(shù),,在文獻(xiàn)[6]中有詳細(xì)描述,,本文不推導(dǎo)其內(nèi)部消息更新。上述因式分解可畫出因子圖,,如圖1所示,。
1.2 因子圖拉伸方法
為了避免上節(jié)中出現(xiàn)的復(fù)雜度與性能的矛盾,本節(jié)將系統(tǒng)中未知變量,、觀測變量和輔助變量的聯(lián)合全局概率分布因式分解為:
經(jīng)過因子圖拉伸,,由于觀測節(jié)點僅存在“求和”,則采用MF方法即可估計噪聲精度又不存在方差丟失問題,,而“求和”結(jié)構(gòu)由節(jié)點表示,,通過BP方法處理,保證了算法的高精度,。由于避免了矩陣求逆,,采用本方法后,復(fù)雜度相比向量形式的MF方法會顯著下降,。由于本文的因子圖將中間變量z,、h均通過因子圖表達(dá)出來,,則相比文獻(xiàn)[7-9]本文因子圖可看作是經(jīng)過了“拉伸(stretched)”變換,,所以本文所提方法稱為拉伸因子圖方法。
2 接收機(jī)設(shè)計
基于聯(lián)合BP-MF算法,,本節(jié)討論在因子圖2中的消息計算,。觀察因子圖可知,圖中存在兩個晶格(Lattice)狀網(wǎng)絡(luò)(fz~x和fh~a),兩個網(wǎng)絡(luò)中消息更新公式類似,,簡潔起見本文僅詳細(xì)描述頻域均衡部分晶格的更新公式,。
2.1 頻域均衡及檢測消息計算
為了表述方便,本節(jié)將頻域均衡及檢測部分的消息計算分為左向消息和右向消息,。
2.1.1 左向消息(fD→fz→fM)
2.1.2 右向消息(fM→fz→fD)
將上節(jié)得到的消息傳至SISO函數(shù)fM(x,,c,b),,利用BP準(zhǔn)則進(jìn)行解調(diào)解碼,,得到數(shù)據(jù)符號和返回的離散消息:
2.2 信道估計
此MF消息送往信道估計部分后,利用BP更新規(guī)則更新晶格網(wǎng)絡(luò)中的消息,。同樣存在晶格網(wǎng)絡(luò),,信道估計和頻域均衡部分的因子圖類似,唯一的不同在于不存在SISO函數(shù),。由于和均衡部分的更新公式接近,,此處不做深入探討。利用BP方法,,可以得到:
需要說明的是,,本文采用的信道估計方法也可以擴(kuò)展到稀疏信道場景,采用稀疏貝葉斯學(xué)習(xí)的方法[7-9],。只需要假設(shè)抽頭先驗未知,,采用分層模型(2Layer或3Layer),具體模型和因子圖可參考文獻(xiàn)[10],。
2.3 噪聲精度估計
2.4 消息調(diào)度
在信道未知情況下,,若進(jìn)行聯(lián)合信道估計(頻域數(shù)據(jù)符號zi參與信道估計過程),由于數(shù)據(jù)符號不準(zhǔn)確,,會導(dǎo)致估計準(zhǔn)確性變差,。所以本文采用的消息調(diào)度規(guī)則設(shè)定為:首先純粹利用導(dǎo)頻進(jìn)行迭代信道估計(定義為初始化迭代),迭代次數(shù)設(shè)定為Tinit,;經(jīng)過初始化迭代,,信道參數(shù)得到初步估計,從而可以進(jìn)行頻域均衡和檢測,;之后利用檢測得到的結(jié)果再參與噪聲方差估計和信道估計,,從而完成全局迭代(次數(shù)設(shè)置為TGlob)。將本節(jié)所述消息更新和調(diào)度歸納為如下算法:
3 仿真及復(fù)雜度分析
通過蒙特卡洛仿真驗證本文提出的聯(lián)合信道估計迭代接收機(jī)性能,,并與已知文獻(xiàn)中算法進(jìn)行對比,,仿真系統(tǒng)參數(shù)參見表1。
本文所提基于拉伸因子圖和聯(lián)合BP-MF方法標(biāo)記為“BP-MF”,,文獻(xiàn)[9]中提出的分塊MF方法統(tǒng)稱為“MF”,,并根據(jù)其分塊大小分別記為“MF-512”、“MF-128”、“MF-32”和“MF-8”,。文獻(xiàn)[7]中采用的非聯(lián)合方法,,記為“DisJoint”。作為參考標(biāo)準(zhǔn),,本文也將已知信道情景進(jìn)行了仿真,,記為“GvChnl”。
3.1 仿真結(jié)果
圖3對比了本文以及文獻(xiàn)中的已知方法隨信噪比變換曲線(迭代次數(shù)固定為20),。從圖3可看出,,本文提出的BP-MF方法比MF方法在分塊大小為512情況下性能有所提升。而MF方法隨著分塊的增加,,性能逐步遞減,。非聯(lián)合式接收機(jī),由于僅利用導(dǎo)頻進(jìn)行信道估計,,所以相比聯(lián)合接收機(jī)其性能有很大劣勢,。
圖4展示了各種方法在不同信噪比下的信道估計性能??梢悦黠@看出,,相比非聯(lián)合接收機(jī),由于數(shù)據(jù)符號所攜帶的信道信息得到了利用,,其信道估計性能有非常明顯提升,。本文所提算法相對于MF-512,有一定程度的性能優(yōu)勢,。
3.2 復(fù)雜度分析
分塊MF方法,,其復(fù)雜度隨分塊的變小而減小。假定分塊大小為G,,則其復(fù)雜度正比于O(L(M/G)2),。本文提出的BP-MF方法,計算消息個數(shù)正比于O(ML),,每條消息計算均僅需要基本的數(shù)學(xué)運算,,所以BP-MF方法的復(fù)雜度正比于O(ML)。在本文仿真場景下,,BP-MF方法和MF-32復(fù)雜度近似,。
4 結(jié)論
基于因子圖拉伸和消息傳遞算法,本文提出一種低復(fù)雜度聯(lián)合信道估計SC-FDE接收機(jī),。通過對現(xiàn)有方法的因子圖進(jìn)行拉伸變換,,可以將圖中因子節(jié)點按功能進(jìn)行分割,進(jìn)而采用更為靈活的消息傳遞算法,。從而在選擇消息傳遞規(guī)則時可以參考各種規(guī)則自身的優(yōu)缺點,,最大化地利用其優(yōu)勢,,避免其缺陷,。仿真結(jié)果表明,,相比已有聯(lián)合接收機(jī)算法,本文提出的基于因子圖拉伸和聯(lián)合BP-MF算法在提升性能的情況下能夠顯著降低復(fù)雜度,。
參考文獻(xiàn)
[1] FALCONER D,,ARIYAVISITAKUL S L,BENYAMIN-SEE-YAR A,,et al.Frequency domain equalization for single-carrier broadband wireless systems[J].Commu. Magazine,,IEEE,2002,,40(4):58-66.
[2] KSCHISCHANG F R,,F(xiàn)REY B J,LOELIGER H A.Factor graphs and the sum-product algorithm[J].IEEE Transactions on Information Theory,,2001,,47(2):498-519.
[3] WINN J,BISHOP C M.Variational message passing[J].Journal of Machine Learning Research,,2005,,6(2):661-694.
[4] MINKA T P.Expectation propagation for approximate Bayesian inference[C].Seventeenth Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers Inc. 2001:362-369.
[5] RIEGLER E,KIRKELUND G E,,MANCHON C N,,et al.Merging belief propagation and the mean field approximation: a free energy approach[J].IEEE Transactions on Information Theory,2012,,59(1):588-602.
[6] YUAN Z,,ZHANG C,WANG Z,,et al.An auxiliary vari-able-aided hybrid message passing approach to joint channel estimation and decoding for MIMO-OFDM[J].IEEE Signal Processing Letters,,2017,24(1):12-16.
[7] 王忠勇,,郭秋歌,,王法松,等.基于分層模型的SC-FDE系統(tǒng)低復(fù)雜度稀疏信道估計[J].信號處理,,2015,,31(9):1106-1111.
[8] PRASAD R,MURTHY C R,,RAO B D.Joint approximately sparse channel estimation and data detection in OFDM systems using sparse Bayesian learning[J].IEEE Transactions on Signal Processing,,2014,62(14):3591-3603.
[9] PEDERSEN N L,,MANCHON C N,,F(xiàn)LEURY B H.Low complexity sparse Bayesian learning for channel estimation using generalized mean field[C].European Wireless 2014,,European Wireless Conference;Proceedings of.VDE,,2014:1-6.
[10] ZHANG C,,YUAN Z,WANG Z,,et al.Low complexity sparse Bayesian learning using combined BP and MF with a stretched factor graph[J].Signal Processing,,2017,131(1):344-349.
作者信息:
袁正道1,,2,,王忠勇3,張傳宗3,,吳 勝4
(1.解放軍信息工程大學(xué) 信息系統(tǒng)工程學(xué)院,,河南 鄭州450001;2.河南廣播電視大學(xué) 信息工程學(xué)院,,河南 鄭州450008,;
3.鄭州大學(xué) 信息工程學(xué)院,河南 鄭州450001,;4.清華大學(xué) 宇航研究中心,,北京100084)