认知MIMO系统基于部分投影的干扰抑制算法

合集下载

认知MIMO系统中改进的干扰信道学习算法

ａｔｓｕｐｐｒｅｓｓｉｎｇｔｈｅｉｎｔｅｆｒｅｒｅｎｃｅｏｆＣｏｇｎｉｔｉｖｅＵｓｅｒｔｏＰｉｒｍａｒｙＵｓｅｒ，ａｍｅｔｈｏｄｏｆｄｙｎａｍｉｃａｌｌｙａｄｊｕｓｔｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｂｉｎａｒｙ
ＣｏｇｎｉｔｉｖｅＭＩＭＯＳｙｓｔｅｍ
ＰＡＮＢｉ・－ｓｈｅｎｇＨＵＨａｎ・－ｙｉｎｇＺＨＥＮＧＮａ・－ｅ
（ＩｎｓｔｉｔｕｔｅｏｆＮａｖｉｇａｔｉｏｎａｎｄＳｐａｃｅＴａｒｇｅｔБайду номын сангаас Ｅｎｇｉｎｅｅｉｒｎｇ，ＩｎｆｏｒｍａｔｉｏｎＥｎｉｇｎｅｅｉｒｎｇＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００３，Ｃｈｉｎａ）
第３０卷第３期２０１４年３月
信号处理
ＪＯＵＲＮＡＬＯＦＳＩＧＮＡＬＰＲＯＣＥＳＳＩＮＧ
Ｖ０１．３０Ｎｏ．３
Ｍａｒ．２０１４
认知ＭＩＭＯ系统中改进的干扰信道学习算法
ｓｅａｒｃｈｉｎｌｅａｒｎｉｎｇｗａｓｐｒｏｐｏｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｃｏｎｖｅｒｇｅｎｃｅｐｅｆｒｏｍａｒｎｃｅｏｆｔｈｅａｌｇｏｉｒｔｈｍ．Ｔｈｅｏｒｅｔｉｃａｌａｎｌｙａｓｉｓａｎｄｓｉｍｕｌａ－ｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｃｏｎｖｅｒｇｅｎｃｅｒａｔｅｏｆｐｒｏｐｏｓｅｄａｌｇｏｉｒｔｈｍｉｓａｃｃｅｌｅｒａｔｅｄｃｏｍｐａｒｉｎｇｗｉｔｈＢＮＳＬｌｇａｏｉｒｔｈｍａｎｄｉｎｔｅｒｆｅｒ — ｅｎｃｅｔｏＰｉｍａｒｒｙＵｓｅｒｗｈｅｎｐｅｆｒｏｍｉｒｎｇｃｈａｎｎｅｌｌｅａｎｉｒｎｇｉｓｓｉｇｎｉｉｆｃａｎｔｌｙｉｍｐｒｏｖｅｄ．

认知MIMO系统基于正交投影的SLNR收发联合设计算法

ＡｌｇｏｒｉｔｈｍｆｏｒＣｏｇｎｉｔｉｖｅＭＩＭＯＳｙｓｔｅｍ
ＴＡＮＧＳｈｕａｉＺＨＵＳｈｉ — ｌｅｉＨＵＨａｎ — ｙｉｎｇＷＵＧｕｏ — ｆｅｎｇ
（ＩｎｓｔｉｔｕｔｅｏｆＮａｖｉｇａｔｉｏｎａｎｄＳｐａｃｅＴａｒｇｅｔＥｎｇｉｎｅｅｒｉｎｇ，ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｒｎｇＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００３，Ｃｈｉｎａ）
ｔｏｒｅａｌｉｚｅｅｆｆｅｃｔｉｖｅｓｐｅｃｔｒｕｍｓｈａｒｉｎｇｂｅｔｗｅｅｎｃｏｇｎｉｔｉｖｅｕｓｅｒｎｅｔｗｏｒｋａｎｄｐｒｉｍａｒｙｕｓｅｒｎｅｔｗｏｒｋ．Ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｉｔｒｈｍｃａｎｂｅｉｍｐｌｅｍｅｎｔｅｄｂｙｔｗｏｓｔｅｐｓ．Ｆｉｒｓｔｌｙ，ｉｎｏｒｄｅｒｔｏｅｌｉｍｉｎａｔｅｔｈｅｉｎｔｅｆｒｅｒｅｎｃｅｔｏｐｉｒｍａｒｙｕｓｅｒ，ａｐｒｅ — ｐｒｏｃｅｓｓｉｎｇｔｈａｔｏｒｔｈｏｇｏ —
唐帅朱世磊胡捍英仵国锋
（解放军信息工程大学导航与空天目标工程学院，郑州４５０００３）

基于MIMO的通信系统仿真与分析研究

仿真工具介绍
性能评估指标
衡量系统在给定频谱资源下传输数据的能力，包括频谱效率/频谱利用率。
频谱效率
容量
误码率/错误率
鲁棒性
衡量系统在特定信道条件下的最大传输速率，包括空间信道容量、自由度容量等。
衡量系统传输数据的错误率，包括硬错误率、软错误率等。
衡量系统在信道条件变化下的性能表现，包括信道估计误差、干扰等对系统性能的影响。
基于MIMO的通信系统仿真实验与结果分析
06
总结词
本实验主要研究了在不同信道模型下，MIMO系统的性能变化。
详细描述
首先，我们选择了三种典型的信道模型，包括Rayleigh、Rician和Log-normal模型。在每个模型下，我们通过仿真生成了大量的信道矩阵，并利用这些矩阵进行MIMO系统的调制和解调。通过对比各个模型下的误码率和频谱效率，我们发现Rayleigh模型下的性能表现最为优秀，其次是Rician模型，最后是Log-normal模型。这一结果表明，信道模型的选取对MIMO系统的性能有着重要影响。
03
确定仿真目标和参数
明确要研究的MIMO通信系统的性能指标和参数范围。
开始仿真
运行仿真模型，收集仿真数据。
建立仿真模型
根据MIMO通信系统的原理和模型，建立相应的仿真模型。
数据分析与处理
对仿真数据进行处理和分析，提取有用的信息。
配置仿真环境
设置仿真工具的相关参数，如仿真时间、信道模型等。
结果可视化
在城市高楼大厦的环境中，空间复用技术能够更好地利用空间资源，提高无线通信系统的性能。
多用户MIMO技术是一种利用多天线技术提高系统容量的方法，允许多个用户在同一时间和频率上同时通信。
通过多用户MIMO技术，可以增加系统容量和频谱效率，同时减少用户之间的干扰。

基于MMSE准则的MIMO系统干扰抑制

比．系统的一些性能有所降低。关键词：ＭＩＭＯ；时分组码；束形成；扰抑制空波干
中图分类号：Ｔ９３３Ｎ７．文献标识码：Ａ文章编号：１７ — ７０２１）９０６ — ３６４７２（００１ — ０３０
ＡｂｔａｔＭＩｓｒｃ：ＭＯｏｃｍｍｕｉａｉｎｓｓｅｉａｆｃｉｅｓｓｅｔｔａｅｆｄｎｆｃｎｍｐｏｅｓｓｅｃｐｃｔ．Ｉｅｌｅ — ｎｃｔｙｔｍｓｎｅｆｔｙｔｍｏｍｉｇｔａｉｇｅｆｔａｄｉｒｖｙｔｍａａｉｏｅｖｉｅｙｎｒａｎ
ｖｒｎｎｓｔｅｉｍｅｔ，ｈＭＩｏＭＯｙｔｍｍａｆｃｉｔｒｒｎｅｏｎｒｍｅｔｉｄｒｃｉｎｓｓｅｙａｅｎｅｆｅｃｃｍｉｇｆｅｏｃｒａｎｉｔ．Ｔｉａｅｐｅｅｔｓｈｍｅｏｓｐｒｓｉｅｅｏｈｓｐｐｒｒｓｎｓａｃｅｔｕｐｅｓｄｒ — ｅｔｎｌｉｔｒｅｅｅｏＴＣｉａｎｅｆｒｎｅｆｒＳＢＭＩｏＭＯｙｔｍａｅｎｓｓｅｂｓｄｏＭＭＳｅｍ— ｏｍｉｇｉｌｔｎｒｓｌｈｗｓｔａｈｓｈｍｅｉａｉｔｕ — Ｅｂａｆｒｎ．ＳｍｕａｉｅｕｔｏｈｔｔｅｃｅＳｌｏｓｖｄｏｓｐｐｅｓｄｒｃｉｎｌｓｏｇｉｔｒｅｅｃｏＴＭＯｓｓｅｒｓｉｅｔａｔｎｎｅｒｎｅｆｒＳＢＣＭＩｙｔｍａｔｏｇｉｏｅｏｍａｃｅｒｄｔｎｃｍｐｒｄｗｉｈｉｅｌｃｓｏｒｆｌｕｈｗｔｓｍｅｐｒｒｎｅｄｇａａｉｏａｅｔｔｅｄａａｅｈｈｆｏｈ

基于遗传算法的认知MISO系统的功率分配方案

收稿日期：２０１９⁃１１⁃０４；修回日期：２０２０⁃０２⁃０１㊀㊀作者简介：叶学程（１９８７⁃），湖北咸宁人，工程师，硕士研究生，主要研究方向为电力通信（２１４２０９４９＠ｑｑ．ｃｏｍ）；杜丰夷（１９８１⁃），湖北宜昌人，高级工程师，硕士研究生，主要研究方向为电力通信；朱佳（１９８４⁃），男，湖北宜昌人，高级工程师，硕士研究生，主要研究方向为电力通信．基于遗传算法的认知ＭＩＳＯ系统的功率分配方案叶学程，杜丰夷，朱㊀佳（国网宜昌供电公司，湖北宜昌４４３０００）摘㊀要：为提高认知ＭＩＳＯ系统传输速率，改善系统性能，提出了一种基于波束成形的功率分配方案㊂假设已知信道状态信息，采用正则信道求逆预编码提高发射功率利用率㊂以最大化用户的接收信干噪比为目标，得到了正则参数优化问题，由于正则参数的存在，其功率分配是一个非凸优化问题㊂将正则参数优化和功率分配问题转换为传输速率均衡问题㊂考虑发射功率限制及认知用户对主用户的干扰容限，采用遗传算法来优化正则参数以及功率矢量㊂数值分析表明，该方案能够显著提高系统传输速率，并且在信道具有较强的空间相关性时，相对于迫零预编码技术，正则信道求逆预编码很好地改善了系统性能㊂关键词：认知无线电；ＭＩＳＯ；遗传算法；正则信道求逆预编码；功率分配０㊀引言在认知无线电（ＣＲ）系统中，认知用户（ＣＵ）通过与主用户（ＰＵ）共享频谱资源的方式最大化频谱利用率［１，２］，然而ＣＲ系统在提高传输速率上有一定的缺陷［３］㊂ＭＩＳＯ系统采用多天线技术能够在不增加频谱带宽的前提下提高传输速率［４，５］，因此，ＣＲ与ＭＩ⁃ＳＯ的结合已经得到了广泛的研究［６９］㊂文献［６］针对多用户ＭＩＳＯ下行链路提出了一种迫零脏纸编码（ＺＦ⁃ＤＰＣ）传输方案，该方案已被证明可以达到近似最优的速率，但是过高的计算复杂度制约了ＺＦ⁃ＤＰＣ在实际系统中的应用㊂文献［７］研究了ＣＲ⁃ＭＩＳＯ系统中的迫零（ＺＦ）预编码传输方案，ＺＦ预编码通过对信道矩阵简单求逆，将认知用户链路分解成多个独立的并行信道，从而完全消除ＣＵ间的共道干扰㊂然而，由于衰落信道的相关性，信道往往会产生病态矩阵，对病态矩阵求逆会导致发射功率的过度损失［８］，降低信道有效增益㊂因此，文献［９］提出了一种ＺＦ预编码的改进技术正则信道求逆（ＲＣＩ）预编码，ＲＣＩ预编码不直接对病态信道矩阵求逆来避免发射功率的过度损失，通过优化正则参数达到用户之间的相互干扰和期望信号的折中㊂传统的等功率分配方案并不能最大程度地利用基站发射功率，因此，ＣＲ⁃ＭＩＳＯ系统除了采用预编码技术获得发射分集增益外，合理进行功率分配也能显著提高系统传输速率㊂研究表明，注水功率分配方案［１０１２］以及其广义变异能够很好解决ＣＲ⁃ＭＩＳＯ系统中的凸优化问题㊂然而，系统采用ＲＣＩ预编码后，由于ＣＵ间的相互干扰，相应的功率分配问题是一个复杂的非线性非凸优化问题㊂如何解决这些复杂的非线性非凸优化问题将是本文的关键所在㊂文献［８］提出一种差分凸函数的全局优化算法，能够解决带有线性约束的功率优化问题㊂但该算法对基站硬件处理能力要求很高，而且对于本文提出的带有非线性约束的问题并不适用㊂文献［１３］提到了一种连续几何规划功率分配算法来解决带有非线性约束的功率优化问题，首先，用局部最优单项式近似算法将原问题近似为几何规划凸优化形式；然后，辅以内点法求解最优功率矢量㊂使用该方案后系统的性能很好，然而，传统的数学优化方法求解难度非常高㊂已经证明，生物启发的智能算法非常适合求解ＭＩＭＯ系统或者认知无线网络中的非凸优化问题［１４，１５］，但是很少有文章研究利用智能算法解决ＣＲ⁃ＭＩＳＯ系统中的优化问题㊂综合以上考虑，本文首先以最大化信干噪比为目标来优化ＲＣＩ预编码矩阵中的正则参数，固定正则参数后，在满足发射功率约束以及ＰＵ干扰容限约束的条件下，提出了基于遗传算法的功率分配方案㊂该方案不仅能够达到用户之间的相互干扰和期望信号的折中，提高ＣＲ⁃ＭＩＳＯ系统传输速率，而且能够改善由于衰落信道相关性对系统造成的恶劣影响，节省发射功率，改善系统性能㊂１㊀系统模型ＣＵ与ＰＵ共享频谱的ＣＲ⁃ＭＩＳＯ系统模型如图１所示㊂系统包含Ｌ个ＰＵ和Ｍ个ＣＵ，都只配备一根接收天线，Ｍ个ＣＵ共同使用一个认知基站，基站天线为Ｍ㊂图１中，ｈｋɪＣＭˑ１为认知基站到第ｋ个ＣＵ的信道，Ｈ＝［ｈ１，ｈ２，，ｈＭ］Ｔ，其中ｋ＝１，２，，Ｍ；ｇｌɪＣＭˑ１为认知基站到ＰＵ的干扰信道，Ｇ＝［ｇ１，ｇ２，，ｇＬ］Ｔ，其中ｌ＝１，２，，Ｌ㊂Ｈ是ＭˑＭ矩阵，Ｇ是ＬˑＭ矩阵㊂所有信道服从相互独立的准静态瑞利平坦衰落㊂２㊀功率分配方案２．１㊀优化正则参数与ＺＦ预编码完全抑制用户间干扰不同，ＲＣＩ允许ＣＵ间存在干扰，ＲＣＩ波束成形矩阵为Ｗ＝ＨＨ（ＨＨＨ＋αＩ）－１（１）假设所有ＣＵ接收到信号的平均功率是相同的，即所有ＣＵ与基站的距离是相同的，用户ｋ接收的信号为ｙ＝１ＥγＨＨＨ（ＨＨＨ＋αＩ）－１ｕ＋ｎ（２）用户ｋ的接收信干噪比为ＳＩＮＲｋ＝｜ｈＨｋ（ＨＨＨ＋αＩ）－１ｈｋ｜２Ｅγδ２＋ðｊʂｋ｜ｈＨｋ（ＨＨＨ＋αＩ）－１ｈｊ｜２（３）其中：ｕ＝［ｕ１，ｕ２，，ｕＭ］Ｔ为发射符号信息；Ｉ为ＭˑＭ单位矩阵；α为正则参数，是优化系统性能的关键参数；ｎ中的每一项都是均值为０㊁方差为δ２的加性高斯白噪声；信噪比ＳＮＲ＝１δ２；功率限制１ＥγＥ［Ｗｕ２］＝１，Ｅγ为平均功率归一化常量㊂对ＨＨＨ＝ＱΛＱＨ进行分解，Λ和Ｑ分别为非零特征值和单位特征矩阵，Λ＝ｄｉａｇ（λ１，λ２，，λＭ）㊂由文献［９］可知Ｅγ＝ðＭｌ＝１λｌ（λｌ＋α）２（４）用户ｋ接收到的信干噪比为［１６］ＳＩＮＲｋ＝ｂ２＋ａδ２Ｋ（Ｋ＋１）ｃ＋Ｋａ－ｂ２（５）其中：ａ＝ðＫｌ＝１λｌλｌ＋α()２；ｂ＝ðＫｌ＝１λｌλｌ＋α；ｃ＝ðＫｌ＝１λｌ（λｌ＋α）２㊂对ＨＧＨ（ＨＧＨ）Ｈ＝Ｑ１Λ１ＱＨ１进行分解，Λ１和Ｑ１分别为非零特征值和单位特征矩阵，Λ１＝ｄｉａｇ（υ１，υ２，，υＭ），则干扰功率为Ｅ（ｕＨ（ＨＨＨ＋αＩ）－１ＨＧＨＧＨＨ（ＨＨＨ＋αＩ）－１ｕ）＝Ｅ（Ｔｒ［Ｑ（Λ＋αＩ）－１ＱＨＱ１Λ１ＱＨ１Ｑ（Λ＋αＩ）－１ＱＨｕｕＨ］）＝Ｅ（Ｔｒ［ＱＱＨＱ１Λ１ＱＨ１ＱＱＨ（Λ＋αＩ）２ｕｕＨ］）＝ðＭｌ＝１υｌ（λｌ＋α）２（６）通过以上分析可知，优化α的问题可以阐述为ｍａｘαｆ（α）＝ｂ２＋ａδ２Ｋ（Ｋ＋１）ｃ＋Ｋａ－ｂ２（７）ｓ．ｔ．ｆ１（α）＝ðＭｌ＝１λｌ（λｌ＋α）２ɤＰｔｈ（８）㊃７８２㊃㊀第３７卷增刊叶学程，等：基于遗传算法的认知ＭＩＳＯ系统的功率分配方案㊀㊀㊀ｆ２（α）＝ðＭｌ＝１υｌ（λｌ＋α）２ɤＩｔｈ（９）则传输速率为Ｍˑｌｏｇ２（１＋ｆ（α））㊂２．２㊀功率分配方案２．１节在假设ＣＵ接收平均功率相等的情况下，以最大化ＣＵ的ＳＩＮＲ为目标得到最优的正则参数α㊂固定α后，对ＣＵ进行功率分配㊂设功率矢量为Ｐ＝ｄｉａｇ｛Ｐ１，Ｐ２，，ＰＭ｝，用户ｋ接收到的信干噪比为ＳＩＮＲｋ＝｜ｈｋｗｋ｜２Ｐｋδ２＋ðｊʂｋ｜ｈｋｗｊ｜２Ｐｊ（１０）式（１０）中分子第二项表示其他用户对用户ｋ的干扰㊂系统传输速率为ＲＣ＝ðＭｋ＝１ｌｏｇ２（１＋ＳＩＮＲｋ）（１１）则该功率分配优化问题可以阐述为ｍａｘＰｌ（Ｐ）＝ðＭｋ＝１ｌｏｇ２（１＋ＳＩＮＲｋ）（１２）ｓ．ｔ．ｌ１（Ｐ）＝ðＭｋ＝１ｗｋ２Ｐｋɤ１（１３）ｌ２（Ｐ）＝ðＭｋ＝１｜ｇＴｌｗｋ｜２ＰｋɤＩｔｈ／Ｐｔｈ（１４）上述两个优化问题都是非线性非凸优化问题，直接求解较为困难，本文采用现有的遗传算法对这些优化问题进行求解㊂２．３㊀遗传算法遗传算法是模仿自然界生物进化机制发展起来的全局搜索优化方法，能够很好地解决非线性非凸优化问题㊂本文采用遗传算法分别对上述两个带有约束条件的非线性问题进行求解㊂１）编码与群体初始化遗传算法不能直接处理问题空间的参数，必须通过编码把问题的可行解表示成遗传空间的染色体，因此，编码是遗传算法求解问题的关键步骤㊂常用的编码方法有实数编码㊁二进制编码等㊂实数编码不必进行数值转换，可以直接在解的表现型上进行遗传算法操作，相对二进制编码，大大提高了解的精度和算法的效率，因此本文的优化方案采用实数编码㊂随机产生初始种群，染色体结构分别为｛α｝和｛Ｐ，Ｐ２，，ＰＭ｝㊂２）适应度函数适应度函数用来度量群体中染色体好坏，是进行自然选择的唯一依据㊂由于上述两个优化都具有约束条件，所以对于每一组参数｛α｝和｛Ｐ，Ｐ２，，ＰＭ｝，必须判断是否满足其约束条件㊂如果满足，适应度函数值为所得的目标函数值；否则，需要对没有满足约束条件参数的目标函数值进行惩罚，使该组参数对应的目标函数值偏离最大值，引导种群向满足约束的方向进化㊂考虑到优化过程要求适应度值非负，适应度函数可以分别表示为Ｆ（α）＝ｆ（α）㊀㊀㊀㊀ｆ１（α）ɤＰｔｈ，ｆ２（α）ɤＩｔｈ１１／ｆ（α）＋ｃ其他ìîíïïïï（１５）Ｌ（Ｐ）＝ｌ（Ｐ）㊀㊀㊀㊀ｌ１（Ｐ）ɤｌ，ｌ２（Ｐ）ɤＩｔｈＰｔｈ１１／ｌ（Ｐ）＋ｃ其他ìîíïïïïï（１６）其中：ｃ为一个正的常数㊂３）选择操作选择的目的是为了从当前种群中选择优良的个体，以适应度值的大小为择优依据，个体适应度越高，被选中的概率越大㊂本文采用轮盘赌法，即基于适应度比例的选择策略，个体ｉ被选中的概率分别为ｐｉ＝ＦｉðＮｊ＝１Ｆｊ（１７）ｐᶄｉ＝ＬｉðＮｊ＝１Ｌｊ（１８）其中：Ｆｉ和Ｌｉ为个体ｉ的适应度值；Ｎ为种群个体数目㊂４）交叉操作交叉操作是遗传算法中最主要的遗传操作，目的是产生比父代更优秀的新个体，并且这些个体组合了父辈个体的特性㊂由于个体采用实数编码，所以交叉操作采用实数交叉法，第ｋ个染色体ａｋ和第ｌ个染色体ａｌ在第ｊ位的交叉操作方法为ａｋｊᶄ＝ａｋｊ（１－ｂ）＋ａｌｊｂａｌｊᶄ＝ａｌｊ（１－ｂ）＋ａｋｊｂ{（１９）其中：ｂ是［０，１］的随机数，交叉概率的取值一般为ｐｃ＝０．４０．９［１７］㊂５）变异操作变异操作的主要目的是维持种群多样性㊂变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体㊂第ｉ个染色体的第ｊ个基因ａｉｊ进行变异的操作方法为ａｉｊᶄ＝ａｉｊ＋（ａｉｊ－ａｍａｘ）ˑｆ（ｇ）㊀ｒȡ０．５ａｉｊ＋（ａｍｉｎ－ａｉｊ）ˑｆ（ｇ）ｒ＜０．５{（２０）其中：ａｍａｘ是基因ａｉｊ的上界；ａｍｉｎ是基因ａｉｊ的下界；ｆ（ｇ）＝ｒ２（１－ｇ／Ｇｍａｘ）２；ｒ２是一个随机数；ｇ是当前迭代次数；Ｇｍａｘ是最大进化次数㊂变异概率的取值一般为ｐｍ＝０．００１０．１［１８］㊂３㊀实验数值分析首先，验证本文提出的功率分配方案的收敛性能；其次，通过系统传输速率与用户数㊁ＳＮＲ的关系来对比本文功率分配方案与其他功率分配方案㊂图２分析了基站天线数Ｍ＝４，噪声方差δ２＝０．０１，主用户数Ｌ＝１，优化正则参数时，本文算法的收敛性能㊂其中，横坐标为算法迭代次数，纵坐标为系统传输速率㊂从图中可以看出，在种群规模分别为２０㊁５０㊁１００时，系统传输速率都收敛到７．５ｂｐｓ／Ｈｚ，正则参数收敛到０．０５２４㊂图３分析了基站天线数Ｍ＝４，噪声方差δ２＝０．０１，主用户数Ｌ＝１，固定正则参数后，本文算法的收敛性能㊂从图中可以看出，在种群规模分别为２０㊁５０㊁１００时，系统传输速率收敛到约１１．９ｂｐｓ／Ｈｚ㊂图４对比了采用不同方案时信噪比与系统传输速率的关系㊂可以看出，采用本文方案后系统的传输速率略高于采用文献［１３］提出的连续几何规划功率分配方案，并且由于正则参数的调整，本文提出的功率分配方案要比基于ＺＦ预编码的注水功率分配方案高０．５２．２ｂｐｓ／Ｈｚ㊂特别是在低信噪比时，改善效果更加明显，而且比基于ＲＣＩ预编码的等功率分配方案高０．８３ｂｐｓ／Ｈｚ㊂图５表示采用不同方案后系统传输速率随ＣＵ数变化的情况，其结果是经由独立信道１０００次后求平均所得㊂从图中可以看出，随着用户的增加，系统传输速率几乎呈线性增长㊂采用ＺＦ预编码的速率呈线性下降㊂这是由于ＺＦ预编码对病态信道矩阵求逆导致有效信道增益的过度损失，使系统性能急剧下降；而ＲＣＩ预编码虽然引入了多用户干扰，但却避免了直接对病态矩阵求逆，提高了发射功率的利用率㊂４㊀结束语本文分析了基于遗传算法的ＣＲ⁃ＭＩＳＯ系统的功率分配方案㊂采用ＲＣＩ预编码并利用遗传算法优化正则参数后，在满足发射功率约束以及ＰＵ干扰门限约束条件下，采用遗传算法进行功率分配㊂从仿真结果可以看出，正则参数优化问题以及功率分配优化问题都能达到很好的收敛㊂随着信噪比的变化，采用本文方案传输速率略高于采用连续几何规划功率分配方案，比基于ＺＦ预编码的注水功率分配方案高０．５２．２ｂｐｓ／Ｈｚ；并且，系（下转第２９６页）㊃８８２㊃计算机应用研究２０２０年㊀参考文献：［1］Zou Zhengxia，Shi Zhenwei，Guo Yuhong，et al．Object detection in20 years：a survey［EB/OL］．（2019-05-16）．http：//arxiv．org/pdf/1905．05055．pdf．［2］Zhao Zhongqiu，Zheng Peng，Xu Shoutao，et al．Object detection with deep learning：a review［J］．IEEE Trans on Neural Networks and Learning Systems，2019，30（11）：3212-3232．［3］Girshick R，Donahue J，Darrell T，et al．Rich feature hierarchies for ac-curate object detection and semantic segmentation［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition．Piscataway，NJ：IEEE Press，2014：580-587．［4］He Kaiming，Zhang Xiangyu，Ren Shaoqing，et al．Spatial pyramid poo-ling in deep convolutional networks for visual recognition［J］．IEEE Trans on Pattern Analysis and Machine Intelligence，2015，37（9）：1904-1916．［5］Girshick R．Fast R-CNN［C］//Proc of IEEE International Conference on Computer Vision．Piscataway，NJ：IEEE Press，2015：1440-1448．［6］Ren Shaoqing，He Kaiming，Girshick R，et al．Faster R-CNN：towards real-time object detection with region proposal networks［J］．IEEE Trans on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149．［7］He Kaiming，Gkioxari G，Dollár P，et al．Mask R-CNN［C］//Proc of IEEE International Conference on Computer Vision．2017：2961-2969．［8］Redmon J，Divvala S，Girshick R，et al．You only look once：unified，real-time object detection［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition．Piscataway，NJ：IEEE Press，2016：779-788．［9］Redmon J，Farhadi A．YOLO9000：better，faster，stronger［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition．Pisca-taway，NJ：IEEE Press，2017：6517-6525．［10］Redmon J，Farhadi A．YOLOv3：an incremental improvement［EB/ OL］．（2018）．http：//arxiv．org/abs/1804．02767．［11］Liu Wei，Anguelov D，Erhan D，et al．SSD：single shot multibox detector ［C］//Proc of European Conference on Computer Vision．Cham：Springer，2016：21-37．［12］Deng Chunfang，Wang Mengmeng，Liu Liang，et al．Extended feature pyramid network for small object detection［EB/OL］．（2020-04-09）．https：//arxiv．org/abs/2003．07021．［13］Pang Jiangmiao，Li Cong，Shi Jianping，et al．R2-CNN：fast tiny object detection in large-scale remote sensing images［J］．IEEE Trans on Geoscience and Remote Sensing，2019，57（8）：5512-5524．［14］鞠默然，罗海波，王仲博，等．改进的YOLO V3算法及其在小目标检测中的应用［J］．光学学报，2019，39（7）：245-252．［15］李大伟．固定翼无人机地面车辆目标自动检测与跟踪［D］．北京：中国科学院国家空间科学中心，2017．［16］张钟毓，刘云鹏，王思奎，等．基于DRFP网络的无人机对地车辆目标识别算法［J］．红外与激光工程，2019，48（S2）：131-139．［17］Lin T Y，Goyal P，Girshick R，et al．Focal loss for dense object detec-tion［C］//Proc of the IEEE International Conference on Computer Vi-sion．Piscataway，NJ：IEEE Press2017：2999-3007．［18］Li Buyu，Liu Yu，Wang Xiaogang．Gradient harmonized single-stage de-tector［C］//Proc of the AAAI Conference on Artificial Intelligence．2019：8577-8584．［19］Yu Jiahui，Jiang Yuning，Wang Zhangyang，et al．UnitBox：an advanced object detection network［C］//Proc of the24th ACM International Conference on Multimedia．New York：ACM Press，2016：516-520．［20］Rezatofighi H，Tsoi N，Gwak J Y，et al．Generalized intersection over union：a metric and a loss for bounding box regression［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition．Pisca-taway，NJ：IEEE Press，2019：658-666．［21］Zheng Zhaohui，Wang Ping，Liu Wei，et al．Distance-IoU loss：faster and better learning for bounding box regression［EB/OL］．（2019-11-19）．https：//arxiv．org/abs/1911．08287．［22］Tian Zhi，Shen Chunhua，Chen Hao，et al．FCOS：fully convolutional one-stage object detection［C］//Proc of the IEEE International Confe-rence on Computer Vision．Piscataway，NJ：IEEE Press，2019：9626-9635．［23］Zhu Pengfei，Wen Longyin，Du Dawei，et al．Vision meets drones：past，present and future［EB/OL］．（2020-07-16）．https：//arxiv．org/abs/ 2001．06303．［24］Everingham M，Van Gool L，Williams C K I，et al．The PASCAL visual object classes（VOC）challenge［J］．International Journal of Com-puter Vision，2010，88（2）：303-338．（上接第288页）统传输速率随CU的增加呈线性增长，而由于信道的空间相关性，系统采用基于ZF预编码的注水功率分配方案性能急剧下降。

MIMO系统中基于干扰子空间投影的盲空时多用户检测算法

ＭＡｆｐｃ－ｅＣＭＡｓｍｎｄｓ曲ｃｎｌｍｐｏｔｓｍｐｒｒｎ．ＩｓａｅｉｏｔｍＤｓｔｓａｙｅａｔｙｉｒｖｈｓｔｅｅｙｅｅｆｍａｃｏｅＫｅｏｄ：ｐｃ－ｉｒｃｓｉｇＭＵＤ；ｎｒｒｃｂｐｃｒｊｃｉ；ＭＯ；ｙｗｒｓＳａｅｔｐｏｅｓ；ｍｅｎＩｔｆｅｅｓｓａｅｐｏｅｔｎＭＩｅｅｎｕｏＣＤＭＡ
ｖｒａｉｎｏｔｗｉｌｓｈｎｅｔｌｗｏｌｉ．ｉｕａｉｎｒｓｔｈｗｔａｈｌｏｔａｆｔｌｕｐｅｓｔａｉｔｆｈｏｅｒｅｓａｎｌｗｈｏｃｍｐｅｔＳｌｔｕｓｓｏｈｔｔｅａｇｒｈｃｎｅｅｉｙｓｐｒｓｈｅｃｓｉｘｙｍｏｅｌｉｍｃｖｅｅ
ｃｍｐｅｎｆｔｅｅｔｍａｅｎｅｆｒｎｅｓｂｐｃ．￣ｒｈｒｒ，ｔｒｐｓｄａｇｒｔａｄｐｉｌｒｃｈｏｌｍｅｔｏｈｓｉｔｄｉｔｒｅｅｃｕｓａｅｔｅｍｏｅｈｐｏｏｅｌｏｉｅｍｈｃｎａａｔｖｙｔａｅｔｅｅ
ｄｍａｒｉｒｒｎｅｍｅｔｎＳｅｉｃｌ，ｈｒｐｓｌｏｔｔｒｔｐｃ－ｉｅＣ）ｉＳＣｉｈｎｅｏｉｆｔｆｅｃｊｌ．ｐｃａｙｔｐｏｏｅａｒｈｉｅａｅＳａｅＴ（ＩＴ）ｗｔｃａｎｌｎｏｎｅｅｃｏｉｆｌｅｄｇｉｍｎｇｓｍｄ１ｇ（ｈ

认知智能雷达抗干扰技术综述与展望

认知智能雷达抗干扰技术综述与展望摘要：随着电磁频谱成为现代战争的关键作战域之一，战场电磁频谱优势的争夺已成为决定战争胜败的关键技术手段之一。

因此，在未来军事对抗中，现代雷达将面临日益复杂、灵巧和智能的电磁干扰环境。

特别是随着数字化技术、射频电子技术和智能化技术的快速发展，现代数字射频存储认知干扰机通过对雷达信号进行截获、存储、调制与转发，产生与真实目标回波高度相似的假目标干扰，对雷达实现“饱和式”攻击，极大降低了雷达的探测性能。

基于此，本文章对认知智能雷达抗干扰技术综述与展望进行探讨，以供相关从业人员参考。

关键词：认知智能雷达；抗干扰技术；综述；展望引言20世纪50年代，当我发现mkx(SIF)系统时，雷达开始以特定频率交换电磁脉冲，与民用飞机通信，成为民用航空交通管制系统的重要组成部分，对飞行安全起到了决定性作用。

由于雷达系统在民用航空管制中发挥越来越重要的作用，用户对其缺陷的容忍度越来越低。

总体而言，雷达系统问题可分为飞机检测错误和数据解密错误。

产生这些问题的原因还可以分为两类:系统内干扰和环境干扰。

一、干扰的形成干扰按照干扰能量可分为有源干扰和无源干扰。

其中无源干扰种类较多，一般包括箔条走廊、箔条区域、地物气象干扰、鸟群干扰、建筑干扰等等。

而有源干扰是现代电子战中的主要方式，它是敌方有意施放的，针对性强，对雷达的破坏力也强，能够直接进入雷达接收机和同时进入的回波信号进行抗衡，破坏雷达正常工作，可分为压制式和欺骗式。

压制式干扰按信号宽度可分为阻塞式、瞄准式和扫频式；按噪声调制方式可分为射频噪声干扰、噪声调幅干扰、噪声调频干扰、噪声调相干扰、随机脉冲干扰等。

欺骗式干扰包括距离欺骗、角度欺骗、速度欺骗以及距离速度同步干扰等方式。

也可以根据雷达体制进行组合干扰。

二、雷达抗干扰系统结构设计支持雷达防御的培训软件主要由培训控制软件和雷达仿真软件组成。

培训控制软件可以使用动态编辑模块处理现场培训情况，也可以使用动态控制机制模块调用已培训的动态，并通过动态解决方案生成动态数据流，通过网络发送到显示仿真软件。

基于神经网络的无线通信中的干扰抑制算法设计

基于神经网络的无线通信中的干扰抑制算法设计标题：基于神经网络的无线通信中的干扰抑制算法设计摘要：随着无线通信技术的快速发展，干扰抑制变得尤为重要。

传统的干扰抑制方法存在复杂度高、效果差等问题。

本论文提出一种基于神经网络的干扰抑制算法设计，通过分析神经网络在无线通信干扰抑制中的应用，提出了一种能够有效抑制干扰的算法。

实验证明，该算法在干扰抑制效果、复杂度和实时性等方面具有显著优势。

关键词：神经网络，干扰抑制，无线通信，算法设计1.引言无线通信中的干扰问题一直是无线通信领域中的一个热门研究课题。

干扰对信号传输造成的影响会导致通信质量下降，甚至无法正常通信。

传统的干扰抑制方法多为基于数学模型的算法，但由于无线通信领域的复杂性和多样性，这些方法的效果有限，且计算复杂度较高。

随着神经网络技术的发展，研究者们开始将神经网络应用于无线通信干扰抑制中，取得了一定的成果。

本论文旨在设计一种基于神经网络的干扰抑制算法，以提高无线通信的信号质量和抗干扰能力。

2.相关工作2.1 传统的干扰抑制方法传统的干扰抑制方法包括滤波器设计、信号调制解调、频谱分析等。

其中滤波器设计是最常用的方法之一，通过设计合适的滤波器可以在一定程度上抑制干扰信号。

然而，滤波器设计需要提前了解干扰信号的特性，对于复杂且变化频繁的干扰信号，传统滤波器设计的效果有限。

2.2 神经网络在干扰抑制中的应用神经网络作为一种能够模拟人脑神经元运行的计算模型，能够学习和识别模式，并具备较强的适应性。

相关研究表明，神经网络在无线通信干扰抑制中具备广阔的应用前景。

例如，一种基于循环神经网络的干扰抑制算法被提出，该算法能够学习和适应不同类型和强度的干扰，并实现对干扰信号的抑制。

该算法在实际场景中的应用结果表明，相比传统的干扰抑制方法，该算法具有更好的干扰抑制效果。

3.基于神经网络的干扰抑制算法设计本论文设计的基于神经网络的干扰抑制算法主要包括以下几个步骤：3.1 数据预处理在干扰抑制算法设计之前，需要对干扰信号和目标信号进行预处理。

MIMO系统中利用空间相关性的同信道干扰消除算法

Ｖ＿＿７Ｎｏ２０３ｌ．Ｍａ．０８ｒ２０
２０年３０８月
ＭＩＭＯ系统中利用空间相关性的同信道干扰消除算法
赵慧，龙航，王文博
北京海淀区１０７）０８６
（北京邮电大学泛网无线通信教育部重点实验室
【摘要】针对不适合进行波束赋型的ＭＩＭＯ系统中接收端如何消除同信道干扰的问题，提出了一种利用系统中干扰源的空间相关性进行同信道干扰消除的算法，并给出了估计空间相关性的最大似然算法．仿真结果表明，２２ｌｏｔ集方在ｘ的Ａａｕ分ｍｉ案中，该算法相比于将干扰当作高斯白噪的方法在ＢＲ１－Ｅ为０２时可以获得３Ｂ的增益；在２４ｄｘ的分层空时复用方案中，该算法在存在一个强干扰源的情况下优势明显。
ｈｓａ３Ｂａｎａ１ｒｔａｅｍｅｏｆｒａｉｇｔｅｉｔｒｅｅｃｕｓａｏｓｘａｏｔｓｈｍｅａｄｇｉＢＥＩ．ｈｔｔｄｏｔｔｅｒｎｅａＧａｓｉｎｉｉ２２Ａｌｍｕｉｃｅ．ｔ０ｎｈｈｅｎｈｎｆｓｎｅｎ
关键词同信道干扰：多输入多输出；最小均方误差；空间相关性中图分类号Ｔ９９５Ｎ２．文献标识码Ａ
ＣＣＩＣａｃｌｔｏｇｒｔｍｉｇｏｐａｉｌｎｅｌｉｎＡｌｏｉｈＵｓｎｎＳｔａａＣｏｒｌｔｏｎＭＩＯｙｔｍｓｒｅａｉｎｉＭＳｓｅ
维普资讯
第３卷７
第２期

MIMO系统多天线干扰抵消技术研究

MIMO系统多天线干扰抵消技术研究MIMO系统（Multiple Input Multiple Output System）是无线通信领域中重要的一种通信技术。

在MIMO系统中，通过多个天线实现对信号的发送和接收，从而提高了传输速率和通信性能。

但同时，MIMO系统也会面临干扰问题。

在实际应用中，MIMO系统的多个天线之间会存在相邻的天线之间的干扰，由此导致接收端信号质量下降。

为了解决MIMO系统干扰问题，工程师们提出了多种方法，其中最常用的方法是干扰抵消技术。

干扰抵消技术是指在MIMO系统中，通过使用数学处理方法，对干扰信号进行抵消，从而消除系统接收端的干扰。

MIMO系统干扰抵消技术的研究主要有以下两个方面：第一方面是基于天线阵列的干扰抑制技术。

该技术利用天线阵列的方向性，对干扰信号进行定向抑制，从而达到消除干扰的效果。

基于天线阵列的干扰抑制技术，主要包括了波束形成、空时滤波以及自适应阵列等技术。

在实际应用中，通过选择合适的波束形成算法，可以在保证信号质量的前提下，抑制无用信号，从而降低系统的误码率。

第二方面是基于信号处理算法的干扰抵消技术。

该技术主要运用了数字信号处理的技术手段，在接收端对信号进行处理，以消除无用干扰信号。

基于信号处理算法的干扰抵消技术主要包括了线性滤波、最小均方误差算法（MMSE）以及零曲率滤波（ZF）等技术。

在实际应用中，通过选择合适的处理算法，可以在保证信号可靠性的前提下，消除系统的干扰信号，从而提高了系统的性能和可靠性。

在实际应用中，MIMO系统干扰抵消技术的选择与应用，需要根据具体的情况以及性能要求进行综合考虑。

对于特定应用，需要综合考虑系统成本、可靠性、抗干扰性等因素，选择最佳的干扰抵消技术，从而提高系统的性能。

总之，MIMO系统干扰抵消技术是目前解决MIMO系统干扰问题的主要方法之一。

该技术在实际应用中发挥着重要的作用，可以提高系统的速率和可靠性，从而满足用户的需求。

LTE系统基于IDMA的干扰消除

【摘要】针对lte系统小区间干扰不可避免的问题，重点介绍基于交织多址接入（idma）的干扰消除，阐述了小区间干扰消除系统模型结构与原理，并给出了lte系统基于idma的干扰消除仿真以及数据分析。

【关键词】lte idma 小区间干扰干扰消除1 引言随着hsdpa、hsupa等技术的发展，为了保证3gpp在今后很长的一段时间内具有竞争性，必须考虑3gpp无线接入技术的长期演进。

在3gpp tr25.814中指出，3gpp长期演进的主要内容包括缩短传输延迟、提高用户数据速率及系统容量和覆盖、减少运营商的成本等。

对于运营商来说，无线接入技术和接入网络最重要的性能指标是频谱利用率、业务qos 保障。

为了达到高的频谱效率，在部署网络时要尽量使频谱复用因子接近1。

为了提供令人满意的服务，需要保证用户，特别是小区边缘用户的qos。

由于3gpp lte采用ofdm/ofdma 作为传输技术，而ofdm系统是通过正交频率子信道区分用户，因此基本可以避免小区内用户之间的干扰。

但小区间即基站之间在同频组网下，上下行链路将会存在干扰，所以目前人们讨论的lte干扰管理主要是针对小区间的干扰管理。

下行干扰是相邻小区基站的下行信号对本小区位于边缘区域的用户的干扰；上行干扰是本小区基站受到临近小区边缘用户的上行信号的干扰。

为提高小区边缘用户的数据速率以及系统的频谱利用率，必须有效减轻小区间干扰。

2 lte系统小区间干扰抑制方法介绍小区间干扰（ici，inter-cell interference）是蜂窝移动通信系统的一个固有问题。

传统的解决方法是采用频率复用，复用系数只有特定的几个选择，如1、3、7等。

复用系数为l即相邻小区都使用相同的频率资源，这时在小区边缘的干扰很严重；较低的复用系数（3或7）可以有效地抑制ici，但频谱效率将减低到1/3或1/7。

lte特有的ofdma接入方式使本小区内的用户信息承载在相互正交的不同载波上，因此所有的干扰来自于其他小区。

MIMOOFDM系统原理与仿

06
MIMO-OFDM系统应用案例
案例一
总结词
无线通信网络中的MIMO-OFDM系统是现代通信技术的重要应用，它利用多输入多输出（MIMO）和正交频分复用（OFDM）技术，提高了数据传输速率和可靠性。
VS
详细描述
无线通信网络中的MIMO-OFDM系统通过在发射端和接收端使用多个天线，实现了多径传播下的信号增强和干扰抑制。同时，OFDM技术通过将信号分割成多个子载波，提高了频谱利用率和抗多径干扰能力。这一应用案例广泛应用于移动通信、 WiFi、WiMAX等无线通信系统。
MIMO系统的优势与挑战
优势
MIMO系统能够提供更高的数据传输速率、更可靠的通信链路和更好的频谱利用率。通过多天线之间的协同工作，MIMO系统能够有效地抵抗无线信道的多径衰落和干扰，提
高通信性能。
挑战
MIMO系统的实现需要处理高维度的信号处理问题，这增加了系统的复杂度。同时， MIMO系统需要精确的信道状态信息以实现最佳性能，但在实际应用中，信道状态信息的获取和跟踪是一个挑战。此外，多用户MIMO系统中的用户间干扰也是一个需要解决
案例三
总结词
卫星通信中的MIMO-OFDM系统利用地球静止轨道卫星实现全球覆盖，通过MIMO和 OFDM技术提高数据传输速率和可靠性。
详细描述
在卫星通信中，由于信号传输距离远、传输环境复杂，数据传输的可靠性和速率成为关键问题。MIMO-OFDM技术的应用提高了卫星通信的性能，使其能够满足高清视频、大数据传输等高带宽需求。这一技术广泛应用于卫星电视广播、卫星互联网等领域。
的问题。
03
OFDM技术原理
OFDM的基本概念
OFDM是正交频分复用技术的简称，它将高速数据流分割成多个低速子数据流，在多个正交子载波上并行传输，以实现频谱的高效利用。

基于MIMO系统的干扰对准技术研究

ＵｎｌＨ＝ｕ［］ｉｕ［）］ｎｌＨＶ）ｌ（ｌ（
干扰对准应使波束成型矩阵满足：
ｓａＨ３）ｓａＨ３）ｐｎ（１Ｖ１一ｐｎ（２Ｖ２
（７）
在Ｋ用户的干扰网络中，我们关注发送端１２在接收端３和４和处产生的干扰．６式可知，由（）理想的
在富散射环境中，平衰落ＭＩＭＯ信道可由时变的复高斯系数矩阵表示嘲．了表述简明，文的符号中均略为本
去了时间变量ｔ．
如图１示，所定义ｄ为第ｉ个发送端每时隙所发送的信息流个数，为该时隙所发送的ｄ ×ｌ信息向置维
的设计．理想的情况下，在网络中每个接收端处，自其他发送端的干来
扰都被对准到同一符号子空间中．２所示为理想情况下第ｉ接收图个
端处的干扰对准．
图２中，白发送端＿和ｋ的干扰信号被对准到日｛方向上，来『这
＋
阼
３
ｖ－＂
Ｉ
图ｌ３用户干扰网络模型
其中Ｎ为发送端天线数，为接收端天线数．ｔ在时刻，送端．与接收端ｉ之间的信道状态可以用发ｆ
ＮＲ ×Ｎ维的信道矩阵Ｈ（）描述．道状态信息可由插入导频符号并反馈至发送端等多种方法来估计．来信
如时分多址（ＤＴＭＡ）频分多址（ＤＭＡ），、Ｆ等则每个用户所能占用的信道资源仅为１／Ｋ．干扰对准技术（ｎＩ—

基于MIMO技术的“交叉眼”干扰对抗方法

国内外文献主要研究了“ 交叉眼” 干扰的实现
“ 交叉眼’ ’ 干扰的原理
“ 交叉眼干扰是利用两路交叉释放的干扰回波信号在单脉冲天线和路中叠加接近为零、在差
收稿８期：２０１７－０２ — ２４
ｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉｖｅｌｙｄｅａｌｗｉｔｈｃｒｏｓｓｅｙｅｊａｍｍｉｎｇ．
Ｋｅｙｗｏｒｄｓ：ｃｒｏｓｓｊａｍｍｉｎｇ；ｒａｄａｒｃｏｕｎｔｅｒｍｅａｓｕｒｅ；ｓｉｍｕｌａｔｉｏｎａｎａｌｙｓｉｓ
术方法，经仿真分析表明，该方法能够有效对抗“ 交叉眼” 干扰。
关键词：交叉干扰；雷达对抗；仿真分析
中图分类号：ＴＪ７６５．３３１文献标识码：Ａ
ＭｅｔｈｏｄｏｎＣｒｏｓｓＥｙｅＪａｍｍｉｎｇＣｏｕｎｔｅｒｍｅａｓｕｒｅ
作者简介：牟成虎（１９８０一），男，高级工程师，硕士，主要从事相控阵雷达导引头技术研究。
制导与引信
第３８卷
１
ｙ：１
路中叠加还存在一定信号强度。目标回波信号在
和路中叠加增强，在差路中叠加后几乎为零，最后
具有干扰作用，文献Ｅ３］指出可以利用这一点作为

无线通信网络中的自干扰与抑制算法优化

无线通信网络中的自干扰与抑制算法优化在无线通信网络中，自干扰是一个重要的问题，它会导致信号质量下降、数据丢失和通信性能降低。

为了解决这个问题，需要采取一系列的抑制算法优化措施。

本文将重点介绍无线通信网络中的自干扰问题，以及目前常用的抑制算法优化方法。

首先，让我们理解一下自干扰的概念。

在无线通信网络中，系统中的发射和接收设备之间存在着物理上的耦合，导致由于发射信号的反射、杂散、多径效应等原因而产生的自干扰信号。

这些自干扰信号会与正常的接收信号相互干扰，从而降低了无线通信系统的性能。

为了解决自干扰问题，目前广泛采用的抑制算法优化方法主要包括以下几种：1. 自干扰的空间域抑制算法：自干扰的空间域抑制算法主要通过增加天线间的空间隔离距离来降低自干扰。

同时，采用和干扰源相对位置较好的方向性较强的天线设计，可以进一步减小自干扰。

2. 自干扰的频谱域抑制算法：自干扰的频谱域抑制算法主要通过采用不同的调制方式来降低自干扰。

例如，可以采用正交频分复用（OFDM）等技术来消除自干扰。

3. 自干扰的时域抑制算法：自干扰的时域抑制算法主要通过控制发射和接收设备的时间延迟来降低自干扰。

通过合理调整时隙分配方式，可以有效减小自干扰。

4. 自干扰的切换域抑制算法：自干扰的切换域抑制算法主要通过快速切换发射和接收的状态来降低自干扰。

通过独立设计和灵活控制切换过程，可以有效地抑制自干扰。

在实际应用中，通常需要结合多种抑制算法优化措施来解决自干扰问题。

同时，还需要根据具体应用场景对抑制算法进行针对性的优化。

例如，在高密度的无线通信网络中，可以采用多天线的MIMO技术来降低自干扰；在移动通信中，可以采用动态功率控制来优化自干扰。

值得一提的是，自干扰抑制算法的优化不仅仅局限于硬件层面，还可以通过软件算法上的改进来实现。

例如，可以通过信号处理算法的优化来抑制自干扰。

此外，还可以利用智能算法和机器学习技术来提高自干扰抑制的效果。

总结起来，无线通信网络中的自干扰是一个需要重视的问题，但是通过抑制算法优化可以有效地解决。

MIMO干扰信道下基于功率分配的干扰抑制算法

MIMO干扰信道下基于功率分配的干扰抑制算法朱政宇;宋豫冀;冯利婷;孙鹏;张园园【摘要】In order to restrain multi-cell interference for MIMO interference channel.the authors adopted the combination of the interference suppression scheme about the subspace interference suppression algorithm and power allocation. This scheme fully utilizes the system's total power,overlaps the multi-cell interference as far as possible, thereby to improve the system performance. Theory analysis and simulation results reveal that compared with the traditional interference suppression schemes, the proposed scheme is only at a small expense of system capacity, but obviously reduce the system interference power.%为了抑制MIMO干扰信道下的多小区干扰,采用子空间干扰抑制算法和功率分配相结合的干扰抑制方案,该方案充分利用系统总功率,将多小区干扰尽可能地重叠,以提高系统的性能.理论分析及仿真结果表明,与传统干扰抑制方案相比,该方案仅牺牲极微小的系统容量,却明显地降低了系统的干扰功率.【期刊名称】《河南科学》【年(卷),期】2012(030)010【总页数】3页(P1477-1479)【关键词】MIMO干扰信道;干扰抑制算法;功率分配;系统容量【作者】朱政宇;宋豫冀;冯利婷;孙鹏;张园园【作者单位】郑州大学,郑州450001;郑州大学,郑州450001;郑州大学,郑州450001;郑州大学,郑州450001;郑州大学,郑州450001【正文语种】中文【中图分类】TN911.72干扰抑制技术可以有效地提高干扰信道容量和抑制干扰，其基本思想是通过发射信号的预处理矩阵，将多小区干扰信号对齐在一个限定的子空间内，将更多剩余的无干扰空间用于数据传输，在接收端只需通过迫零处理就可以完全消除多小区干扰[1-3].本文针对如何尽可能地利用系统功率，提出了一种基于功率分配的干扰抑制算法.该算法以极微小的系统容量为代价，降低了系统的干扰功率.如图1所示在K用户的MIMO干扰信道中，假设用户k（k=1，2，…，K）只期望接收来自k基站发射的信号，并把其他基站发射的信号看做干扰，基站k配置Mk根天线，且发送dk个数据流给用户k，用户k配置Nk根天线，则第k用户接收到的信号：其中：H∈C Nk×Ml表示为第l个基站到第k个用户的信道增益矩阵，且所有的信道增益系数均服从均值为零、kl方差为1的独立同分布的复高斯分布示为基站l的发送预编码矩阵；S∈C dl×1为基站l的发送信l号矢量，并且满足约束条件；为用户 k 的加性复高斯白噪声矢量（AWGN），其分布满足Z k～CN（0，σ2I）.文献［4］针对MIMO干扰信道提出了传统的子空间干扰抑制算法，将个干扰信号压缩Nk-dk为个干扰信号，并将对齐在Nk维接收矩阵的Nk-dk维干扰子空间内，剩余的dk维信号子空间用来对齐期望信号.用户k可以利用迫零处理得到无干扰的dk维数据流，即其中：矩阵U k表示为用户k的干扰抑制矩阵.首先定义正交矩阵的欧氏距离：‖A-B‖M≜‖A-BB H A‖F，其中A和B是正交矩阵，‖A‖F表示为矩阵A的范数，A H表示为A的共轭转置.在MIMO干扰信道中，以正交矩阵的欧式距离为准则，为了满足干扰信号和期望信号对齐在各自的子空间内[4]，干扰抑制矩阵U k必须满足以下条件：经过计算可得：其中，为了两条件之间达到一种均衡，设定ω为权重因子，非负实数.表示取矩阵A的最小的Nk-dk个特征值对应的特征向量，A⊥表示为A正交矩阵.同理，预编码矩阵V k必须满足以下条件：经过计算可得：迭代公式（4）和（6），直到算法收敛为止．随着迭代次数的增加．各个基站更新预编码矩阵V k，使总干扰泄露与信号子空间的欧氏距离最大；用户端更新接收矩阵U k，使其他基站造成的干扰与干扰子空间的欧氏距离最小.在上述子空间干扰抑制算法迭代求取预编码矩阵和干扰抑制矩阵的过程中，基站发给各个用户的功率是相等的，没有充分利用系统的总功率，针对基站对不同用户的功率分配可描述为一个多维优化问题.考虑不同用户信道矩阵元素的一致性，可对相对较弱的信道分配较多的功率，相对较强的信道分配较少的功率[5]，改善用户的接收性能，降低干扰功率的影响.由于信道矩阵特征值的大小可以反映信道信息的强弱，可以来衡量信道质量.以信道矩阵的迹为基础，对各个用户进行功率分配.由式（1）可知，用户k信道矩阵的迹为则k个用户信道矩阵迹的平均值为，假设基站对全部用户的总发射功率为则对用户k设计系统配置为收发天线为Mk=Nk=6，用户数K=4，发送数据流dk=2，信噪比SNR＝10～40 dB，对应的权重因子ω＝［0．02，0．02，0．02，0．01，0．002，0．002，0．002］. 设定所有的信道都是独立同分布瑞利信道，每一个信道矩阵都服从复高斯分布，零均值单位方差.如图2所示，相比于等功率子空间干扰抑制算法，采用功率分配的干扰抑制算法，其容量有略微损失，这是因为有部分系统能量用来提高系统的平均误码率性能.从图3可看出，随着迭代次数的增加，在子空间干扰抑制的基础上，接收干扰功率呈下降趋势，验证了该算法的有效性.当迭代次数为60时，功率分配方案比等功率分配方案降低了1个数量级，同时也验证了系统平均误码率的降低.【相关文献】［1］ Maddah－Ali M A，Motahari A S，Khandani A K．Communication over MIMO X channels：interference alignment，decomposition and performance analysis［J］.IEEE Trans Inf Theory，2008，54（8）：3457－3470．［2］Gou T，Jafar SA．Degrees of freedom of the K user M×N MIMO in terference channel［J］.IEEE Trans Inf Theory，2010，56（12）：6040－6057．［3］ Yetis C M，Gou T，Jafar S A，Kayran A H．On feasibility of interference alignmentin MIMO interference networks［J］.IEEE Transactions on Signal Processing，2010，59（9）：4771－4782．［4］Kumar K R，Xue F．An iterative algorithm for joint signal and interference alignment ［J］.Information Theory Proceedings（ISIT），2010 IEEE International Symposium on，2010：2293-2297．［5］周志栋，谢显中，邵奇．多小区环境中基于动态功率分配的干扰安排算法［J］．吉林大学学报，2011，29（6）：504－510．。

MIMO无线通信系统中干扰抑制技术研究

MIMO无线通信系统中干扰抑制技术研究随着无线通信技术的不断发展和普及，多输入多输出（MIMO）成为了提高无线通信系统容量和性能的重要技术。

然而，在MIMO系统中，由于多个天线之间的相互干扰，系统性能可能会受到严重影响。

因此，研究MIMO无线通信系统中的干扰抑制技术变得至关重要。

干扰抑制技术在MIMO系统中的意义在于通过降低或消除天线之间的干扰来提高系统容量和可靠性。

在干扰抑制技术的研究中，可以采用空时编码技术、波束成形技术、干扰消除技术等手段来实现。

首先，空时编码技术是一种MIMO系统中常用的干扰抑制技术。

在空时编码技术中，发送端通过在多个天线上发送不同编码的数据流，接收端通过接收和解码并消除多个天线接收到的信号中的干扰。

通过合理设计和选择编码方式，可以最大程度地降低干扰对系统性能的影响。

其次，波束成形技术也是一种有效的干扰抑制技术。

波束成形技术通过调整天线的发射和接收方向性，使得系统能够更好地集中能量，并减少对其他方向的干扰。

这种技术可以通过使用自适应干扰抑制算法来实现，从而自动调整天线的方向和波束形状，以最小化干扰信号的影响。

再次，干扰消除技术是一种通过处理接收信号来抑制干扰的重要方法。

这种技术可以通过均衡器、滤波器等方法对接收信号进行处理，减小多个天线之间的干扰。

同时，干扰消除技术可以结合自适应信号处理算法，根据系统的变化实时调整处理参数，提高系统的性能和容量。

除了以上三种常见的干扰抑制技术，还有其他一些新兴的技术正在被研究和应用于MIMO无线通信系统中。

例如，基于机器学习的干扰预测和抑制技术可以通过学习干扰模型和预测干扰信号的特征来降低干扰对系统的影响。

此外，使用频谱感知技术和分布式功率控制技术也可以在MIMO系统中实现干扰抑制和资源优化。

总结而言，MIMO无线通信系统中的干扰抑制技术研究对于提高系统容量和性能具有重要意义。

通过空时编码技术、波束成形技术、干扰消除技术等手段，可以有效降低或消除天线之间的干扰。

基于Cholesky分解的MIMO_OFDM系统同信道干扰抑制方法

C h o l es k y M I MO-O F DM基于分解的系统同信道干扰抑制方法曹孟江敦1，2鑫1彬1高西奇1 尤肖虎1( 1 东南大学移动通信国家重点实验室，南京210096)( 2 长沙理工大学计算机与通信工程学院，长沙410004)摘要: 在多输入多输出-正交频分复用(M I M O-O F D M)系统中，通过联合估计信道矩阵和干扰协方差矩阵( I CM) 的方法来抑制同信道干扰．首先，利用最小二乘法和残差估计方法获取信道矩阵和I C M的初始估计值; 然后，基于C h o l es k y分解方法对I C M的估计值进行改善，并利用改善后的I CM估计值对信道矩阵估计值进行更新．该方法充分利用了时域和频域中的所有可用信息，提高了信道估计精度，较好地抑制了同信道干扰．仿真结果表明: 与其他可实现的非迭代方法相比，该方法所得的信道频率响应估计均方误差性能增益高于 2 dB; 信干噪比( S I NＲ)越大，比特误码率性能的改善程度越好，并且随着天线数的增多，性能增益也增大．关键词: 多输入多输出; 正交频分复用; 信道估计; 同信道干扰; 干扰协方差矩阵TN911 A中图分类号:文献标志码:文章编号:1001 －0505( 2015) 01-0001-04C h o l e s ky-d e c o mp o s i t o n-bas e d c o-chann e l i nt e r f e r e nc e supp r e ss i o nmethod in M I MO-O F DM s y st e msCao Dun1，2M e ng X i n1J i an g B i n1Gao X i q i1Y o u X i a o hu1( 1Nat i ona l M o b il e Co mm un i cat i o nsＲesearch L abo rato ry，So utheast Un i v ers i ty，Nan ji ng210096，C h i na) ( 2S choo l of Co mputer and C om m un i cat i on E ng i neer i ng，C hang sha Uni v ersi ty of S c i ence and T echno l ogy，C hang sha410004，C h i na)A bst r ac t: F o r mu l t i p l e-i npu t m u l t i p l e-o u t pu t and o r t h og o na l frequency d i v i s i o n mu l t i p l ex i n g( M I-M O-O F D M) sy stems，a method c o m b i n i n g the c hanne l m a t r i x w i t h the i n t erf erence c o v ar i anc e ma- trix ( I C M) is dev e l o ped t o s uppres s c o-c hanne l i n t erf erenc e．Firs t，the ini ti al es t i ma t i o ns of t he channe l ma t r i x and the I C M are o b t a i ned by the l eas t-squares method and the res i dua l error m e t h o d．Then，the I C M es t i ma t i o n is i mpr o v ed by the Ch o l es k y-dec o mp o s i t i o n-based me t h o d． Fi na ll y，t hechanne l ma t r i x es t i ma t i o n is updated by us i n g the i mpr o v ed I C M es t i ma t i o n．I n t h i s me t h o d，a ll av ailabl e k n o w l ed g e in frequency d o m a i n and t i me d o m a i n are ex p l o i t ed to i mpr o v e the es t i m a t i o n performance and suppress c o-c hanne l i n t erf erenc e． The s i mu l a t i o n resu l t s demonstrate that the pr o-posed es t i m a t i o n has ov er 2 dB better performance than other rea li z ab l e n o n-i t era t i v e es t i ma t i o ns interms of the mean squared error ( M SE) of c hanne l frequency respo nd ( C FＲ)．The l ar g er the s i g na l toi n t erf erenc e and n o i se ra t i o( S I NＲ)，the better the performanc e i mpr o v em en t in the b i t error ra t e (B EＲ)．And w i t h the i ncreas e of the number of antennas，performance g a i n a l s o i ncreases．K e y w o r ds: mu l t i p l e-i npu t mu l t i p l e-o u t pu t( M I M O) ; o r t h og o na l frequency d i v i s i o n mu l t i p l ex i n g( O F D M) ; channe l es t i m a t i o n; c o-c hanne l i n t erferenc e; i n t erferenc e c o v ar i ance ma t r i x收稿日期: 2014-07-30．作者简介: 曹敦( 1979—) ，女，博士生，讲师，cao dun@csu st．edu．cn．基金项目: 国家自然科学基金资助项目 ( 61320106003，61222102，61201171) 、国家高技术研究发展计划 ( 863 计划) 资助项目( 2012AA01A506) 、国家科技重大专项课题资助项目( 2013Z X03003004，2014Z X03003006) 、江苏省“创新团队计划”资助项目、湖南省标准化战略项目资助项目( 201200004) ．引用本文: 曹敦，孟鑫，江彬，等．基于C ho l es k y分解的M I M O-O F DM系统同信道干扰抑制方法［J］．东南大学学报: 自然科学版，2015，45 ( 1) : 1-4．［do i: 10．3969/j． i ssn．1001 －0505．2015．01． 001］东南大学学报( 自然科学版)第 45 卷2在移动通信系统中，对信道参数进行准确估计是实现相干解调的前提，是决定移动通信系统可靠性和有效性的重要因素之一．移动通信系统中，在不同小区间进行频率复用以提高频谱效率，但同时也造成了同信道干扰( C C I ) ［1］．传统的信道估计方法是将 CC I 当作白噪声处理，在同信道干扰较为严重的场景中会产生严重的性能瓶颈． M I M O - OFDM 技术是 4G 移动通信的基本技术之一．在存在同信道干扰的情况下，研究 M I M O -O F DM 系统中的信道估计技术备受关注．文献［1］提出了一种在 L T E -A dv anc ed 系统中对 M I M O 上行链路进行信道估计以消除同信道干扰的方法．在基于最大似然( M L ) 、最小均方误差( M M SE ) 准则的信道估计方法中，干扰的协方差函数的估计准确度决定了信道估计的精度．文献［2-5］提出了几种较准确的干扰协方差矩阵( I C M ) 估计方法，其中文献［2］提出的基于 Ch o l es k y 分解的 I C M 估计方法保证了 I CM 的半正定性．此外，还可利用无线传输信道的稀疏性来降低信道估计的维度，分离有用信号与干扰噪声，从而提高信道估计的精度［2，6-8］．本文建立了 MI M O -O F DM 系统的数学模型，给出了信道冲激响应( C I Ｒ) 和 I C M 的联合最大似然估计准则．在此基础上，结合文献［2］中基于 C h o l es k y 分解的 I C M 估计方法及无线信道的稀疏特性，提出了一种低复杂度的信道联合估计方法．与同复杂度的现有方法相比，所提方法在信道估计准确性及抑制同信道干扰的性能上均有所提升．L －1= ∑ H l e l = 0H 珟－ j 2πk l / N c= { H 0 ，H 1 ，…，H L －1 } F k( 2)k式中，H l 为第 l 条路径对应的信道矩阵; L 为信道的最大延迟扩展; = { 1，e－ j 2πk / N c，…， F k e － j2πk ( L － 1) / N c } T I ，其中，I 为 N × N 单位矩阵． N t N t tt 为了便于表达，将式 ( 2 ) 代入式 ( 1 ) ，并对等式两边进行拉直运算，得到( 3) ( 4) ( 5)y k ，n = G k ，n h + z k ，nT TG k ，n = ( x I ) ( F I ) k ，n N r k Nr h = vec ( { H 0 ，H 1 ，…，H L － 1 } ) 0≤k ≤N c － 1，0≤n ≤N p － 1式中，vec ( ·) 表示拉直运算; G 取决于导频数 k ，n 据; h 取决于多径的信道矩阵．2 C I Ｒ和 I C M 的最大似然估计准则假设第 n 个 OFDM 符号的第 k 个子载波上的加噪干扰 z k ，n ～ C N ( 0，Σ k ) ，其中 Σ k 表示第 k 个子载波上加噪干扰的协方差矩阵，则所有可用子载波上对应连续 N 个导频位置的接收信号 y = { yT，p 0，0y T T TT T0，1 ，…，y 0 ，N － 1 ，y 1，0 ，…，y N － 1 ，N － 1 } 的条件概率密p c p度函数为［9］－1f ( y h ，Σ 0 ，…，Σ N －1 ) ∏ =πΣ k ·c 0 ≤ k ≤ N － 1c 0 ≤ n ≤ N p － 1H －1ex p { － ( y k ，n － G k ，n h ) ( y k ，n － G k ，n h ) }Σ k ( 6) 假设干扰和噪声不相关，则加噪干扰 z k ，n 的自相关函数仅包含干扰的自相关函数和噪声的自相关函数．假设干扰信号传输信道的最大延迟扩展为 L u ，则当 2 个时域样本间的间隔大于等于 L u 时，干扰的时域相关函数等于 0［8］，且时域自相关函数和频域协方差矩阵 Σ k 互为傅里叶变换对，有1 系统模型考虑一个包含 N t 个发送天线、N r 个接收天线以及 N c 个子载波的 MI M O -O F DM 系统．假设在连续 N p 个导频 OFDM 符号上，信道保持不变，则接收到的导频信号为 N c －1∑ Σ k ey k ，n = H 珟k x k ，n + z k ，n 0≤k ≤N c － 1，0≤n ≤N p － 1( 1)j 2πkn / N c( 7)= 0n ≥L uk = 0h ，Σ k ( 0≤k ≤N c － 1) 的最大似然估计( M L E ) N r × 1N t × 1式中，y k ，n ∈ C ，x k ，n ∈ C 分别表示在第 n 个OFDM 符号的第 k 个子载波上接收及发送的导频为{ h ^ ，Σ^ ，…，Σ^ } = M L M L ，0 M L ，N c － 1 信号; H珟k ∈C 表示在第 k 个子载波上的信道频N r × N tlnf ( y h ，Σ 0 ，…，Σ N － 1 ) ar g maxc ( 8) N r × 1率响应( C F Ｒ) 矩阵; z k ，n ∈C表示第 n 个 OFDM h ，Σ 0，… ，Σ N c － 1 N c －1∑ Σ k e 符号在第 k 个子载波上的加噪干扰．信道在时域中的多径数远小于子载波数．因此，与估计 C F Ｒ的方法相比，估计 C I Ｒ的方法可以更大程度地提高信道估计精度． C F Ｒ和 C I Ｒ之间的关系可以表示为 http : / / j o urna l ． s eu ． edu ． cnj 2πkn / Ncs ． t ．= 0n ≥ L uk = 0由于式( 8) 中存在 Σ k 的约束条件，要获得 Σ k的准确 M L E 值较为困难．因此，本文提出了一种简单易行的联合估计方法，以求得 h ，Σ k ( 0≤k ≤N c第 1 期曹敦，等: 基于 Ch o l es k y 分解的 M I M O -O F DM 系统同信道干扰抑制方法 3② 根据 3. 3 节，计算 Σ k 的改善估计值 Σ^ k ． ③ 根据式( 12) ，计算 h 的改善估计值 h ^ M L ; 也－ 1) 最大似然估计( M L E ) 的近似解．抑制同信道干扰的信道估计方法3 ～^可由式( 2) 和( 5) 获得 C F Ｒ矩阵的估计值 H k ．3. 1 h 的初始估计基于最小二乘法 ( L S ) 的估计准则无需 I CM 信息，故可通过 LS 算法得到 h 的初始估计．式( 3) 中 h 的 LS 估计准则可记为［9］N c －1 N p －1 仿真及结果分析下面通过仿真来验证本文方法的性能．实验中 4 = 64，N = 4，数据 OFDM 符号数为 5．采用取 N c pQPSK 调制方式和 Turbo 编码，码率为 1 /2．假设各天线不相关，考虑强干扰场景，当干扰数较多时，干扰效果可以近似为白噪声，故在仿真中干扰数为 1，干扰噪声比为 10 d B ．干扰的天线数设为 1．一般情况下，干扰的传输径数比期望信号的传输径数 h ^ L S 2 F= arg m i n ∑ ∑ ‖y k ，n － G k ，n h ‖ ( 9) hk = 0 n = 0 式中，‖·‖2表示 F 范数的平方．F 计算式( 9) ，可得 h 的 LS 估计为－1h^ L S ( ) ∑ H = G H G k ，n y k ，n ∑ k ，n G k ，n 0 ≤ k ≤ N － 1 多因此在本场景下设期望信号的传输径数为 ; ， 4， 0 ≤ k ≤ N c － 10 ≤ n ≤ N p － 1c0 ≤ n ≤ N p － 1干扰的传输径数为 6．进行 I C M 估计时，假设干扰的传输径数已知．接收端采用线性最小均方误差接 ( 10)3. 2 Σ k 的初始估计根据残差估计方法，ICM 的初始估计为4 收机．仿真帧数为 2 × 10 ．为比较算法性能，将本文方法和传统的 LS 信道估计算法 ( 简称为算法 1) 、已知 I C M 统计值的 M L 估计算法 ( 简称为算法 2 ) 、不可实现的已知 I CM 瞬时值的 M L 估计算法( 简称为算法 3) 及结合文献［8］中 I C M 估计方法的 LS 信道估计算法 ( 简称为算法 4) 进行比较．在仿真中，为了比较联合信道估计中 I CM 的性能改善对同信道干扰抑制的贡献度，采用文献［8］中的 I C M 估计算法，获得基于三角窗滤波的联合信道估计算法 ( 简称为算法 5) ．在算法 1 中，利用式( 11) 所描述的残差估计方法来估计 I C M ．N p －11 Σ^ i n i t i a l^ ^ k ，n LS k ，n k ，n L S ) H= N ∑ ( y－ G h ) ( y － G h k k ，n p n = 0 ( 11)0≤k ≤N c － 13. 3 Σ k 的改善估计无线信道的延迟扩展是有限长的，干扰加噪声的自相关函数应具有低通特性．因此，可以利用时域局部性来滤除自相关函数中无意义的部分，从而提高 Σ k 估计的精度．文献［8］采用对 Σ k 加三角窗的方法进行时域的低通滤波，保证了 Σ k 的半正定性，但也会损失阶数较高的传输径中的有用信息; 文献［2］将 Σ k 进行 C h o l es k y 分解，对所得三角矩阵进行时域处理，保证了 Σ k 的半正定性．本文中，首先对 I C M 进行 Ch o l es k y 分解，然后采用矩形窗进行滤波，既保证了 I C M 的正定性，又避免了文献［9］中使用三角窗所导致的问题． 3. 4 h 的改善估计式( 8) 中约束条件的存在导致无法获得 h 的 MLE 闭式．式( 8) 中不受约束条件限制的 h 解为仿真实验 1 采用 N = N = 2 的天线配置．图 t r 1 ～图 3 分别给出此场景下各种信道估计方法的 C F Ｒ估计均方误差 ( M SE ) 曲线、比特误码率 ( B E Ｒ) 曲线和 I C M 估计 M SE 曲线．仿真中各天线不相关，故 I C M 统计值为单位阵．由式 ( 10 ) 和 ( 12) 可知，基于 M L 和 LS 的信道估计性能是相同的，故图 1 中算法 1、算法 2 和算法 4 的曲线是重叠的．与可实现的非迭代方法( 算法 1、算法 2、算法 4 和算法 5 ) 相比，本文方法取得的 C F Ｒ估计 M S E 性能增益高于 2 dB ，较算法 3 仅低 1 d B ．由本文方法和算法 5 对应的 2 条曲线可看出，联合估计可改善 C F Ｒ估计的 M SE 性能，但在强干扰场景下，前者性能更优．由图 2 可知，随着信干噪比的增大，本文方法的 B E Ｒ性能改善情况明显优于算法 1、算法 2、算法 4 和算法 5; 这一性能的改善也源于此方法对 I CM 性能的改善．由图 3 可知，本文方法在 I C M 估计的 MS E 性能方面较算法 4 和算法 5 高 2 d B ． http : / / j o urna l ． s eu ． edu ． cn－1^h M L ( k ，nΣk Gk ，n )∑H －1=∑ GH －1G k ，n Σk y k ，n0 ≤ k ≤ N c － 10 ≤ k ≤ N c － 10 ≤ n ≤ N p － 10 ≤ n ≤ N p － 1( 12)由 3. 3 节可知，矩形窗滤波可体现出式( 8) 中的约束效果．将 Σ k 的改善估计值代入式 ( 12 ) ，便可得到 h 的近似 ML 估计 h ^ M L ．综上所述，基于 Ch o l es k y 分解的信道联合估计方法步骤如下:① 根据式( 10) 和 ( 11) ，计算 h 和 Σ k 的初始估计 h^ LS 和 Σ^ k i n i t i a l ．东南大学学报( 自然科学版) 第 45 卷4噪比下的 B E Ｒ曲线．由图可知，随天线数的增加，本文方法的性能改善更明显．5 结语考虑到无线信道径数远小于载波数的特点，本文建立了一种基于多径信道矩阵的 MI M O -O F D M 信道模型．通过分析得出要获得信道及 I C M 的 M L 估计是困难的，为此提出了一种联合估计 I C M 和 C I Ｒ的简单方法，以达到抑制同信道干扰的效果．仿真结果表明，当存在强的同信道干扰时，相比其他非迭代的信道估计方法，本文方法在 B E Ｒ性能和 C F Ｒ的 M S E 性能上均有较好的改善，并且天线数越多，性能改善越明显．图 1 2 发 2 收系统中 C F Ｒ估计的 MS E 性能比较参考文献 ( Ｒe f e r e nc e s )［1］ Naras i m han Ｒ，Chen g S ． C hanne l est i mat i o n and c o -chan -nel i nterf erence re j ect i o n for L T E-A dvanced M I M O uplink ［C ］/ /2012 IEEE W i r e l e s s C o mmun i c at i o n s a nd N e tw o r - k i ng C o nf e r e nc e ． P aris ，France ，2012: 416-420．［2］ Li Q i an g ，Z hu Ji n g ，L i Q i n g hua ，et a l ． E f f i c i ent spat i a lc o v ar i anc e est i m at i o n f or asy nchro nous c o -channe l i nter - f erence suppress i o n in M I M O -O F D M s y stem s ［J ］． IEEE T r an s ac t i o n s on W i r e l e s s C o mmun i c at i o n s ，2008， 7( 12) : 4849-4853．［3］Ｒa g hav endra M Ｒ，J untt i M ，M y lly la M ．C o -channe li nterf erence m i t i g at i o n f or 3G L TE M I M O -O F D M sy s - tem s ［C ］/ /2009 IEEE I nt e r nat i o na l C onferenc e o n C o mm un i c at i o n s ． D res den ，G erm any ，2009: 1-5．［4］ Han J S ，J an g J H ，C h o i H J ，et a l ． E nhanced spat i a lc o v ar i anc e m atr i x est i m at i o n f or asy nchro nous i nter -ce ll i nterf erence m i t i g at i o n in M I M O -O F D M A sy stem ［C ］/ / 2009 IEEE V e h i c u l ar T e c hn o l o gy C o nf e r e nc e ． B arce l o - na ，S pain ，2009: 1-5．［5］ F an g K ，A uer G ． I terat i v e O FDM receiv er w i th c o m -bined i nterf erenc e suppress i o n and cance ll at i o n ［C ］/ / 2011 IEEE I nt e rnat i o na l Sym p o s i um on P e r so na l I nd o o r and M o b il e Ｒad i o C o mm un i c at i o n s ． T o r o nt o ，C anada ， 2011: 1412-1416．［6］ M a l tsev A ，M as l enn ik o v Ｒ，K h o ryaev A ． C o m parat i veanalysis of spat i a l c o v ar i ance matr i x est i mat i o n methods in OFDM c o mm un i cat i o n s ystems ［C ］/ /2006 IEEE I nt e rna - t i o na l Sym p o s i um on Signal P r o c e s s i ng a nd I nf o rmat i o n T e chn o l o gy ． V anc o uver ，Canada ，2006: 551-555．［7］ Ohw atar i Y ，Miki N ，Sagae Y ，et a l ． I nvest i g at i o n o nadvanced receiver emp l o y i n g i nterf erence re j ect i o n c o m - b i n i n g f or space -f requency b l o c k c ode transm i t d i v ers i ty in L T E-A dv anc ed d o w n li n k ［C ］/ /2012 IEEE I nt e rnat i o n - al Sym p o s i um on P e r so na l I nd o o r and M o b il e Ｒad i o C o mmun i c at i o n s ． Sy dney ，Australia ，2012: 2414-2420．［8］ L arss o n E G ． S em i -structured i nterf erenc e suppress i o nf or o rth og o na l f requency d i v i s i o n m u l t i p l ex i n g ［C ］/ / 2003 IEEE I nt e rnat i o na l Sym p o s i um on Signal P r o c e s s - ing and I nf o rm at i o n T e c hn o l o gy ． D arm stadt ，G erm any ， 2003: 435-438．［9］ Stev en M K ． F undam e nt a l s of s t at i s t i c a l s ignal p r o c e s s -i ng ［M ］． E n g l ew o od Clif f s ，New Jers ey ，U S A : P rent i c e H all ，1998: 157-286．图 2 2 发 2 收系统中 B E Ｒ性能比较图 3 2 发 2 收系统中 I CM 估计的 MS E 性能比较仿真实验 2 采用 N t = N r = 4 的天线配置．图 4 给出了此场景下各种信道估计方法在不同信干图 4 4 发 4 收系统中 B E Ｒ性能比较http : / / j o urna l ． s eu ． edu ． cn。

一种多用户MIMO系统干扰对齐优化算法

一种多用户MIMO系统干扰对齐优化算法陈艳;宋云超【摘要】干扰对齐技术可以获得干扰信道自由度的最佳值,从而有效改善系统的性能.在实际系统中干扰对齐技术通常采用迭代的方法进行预编码矩阵与干扰抑制矩阵的设计,而迭代方法都需要对发送预编码矩阵进行初始化处理.然而,目前大多数已有的研究所采用的初始化处理方法都忽略了干扰的影响.因此,在此基础上提出了一种基于新的初始化方法的优化算法,该方法在初始化预编码矩阵中既考虑了干扰信号也考虑了有用信号.首先,选取均方误差和最小化作为优化目标,然后利用正交三角(QR)分解将信道空间分为有用信号空间与干扰信号空间来进行预编码矩阵的初始化设计,经过反复迭代得到发送预编码矩阵与干扰抑制矩阵的最优解.理论分析和仿真结果表明,所提算法在收敛性、均方误差、和速率等方面都优于其他算法.【期刊名称】《电讯技术》【年(卷),期】2018(058)007【总页数】7页(P785-791)【关键词】MIMO干扰信道;干扰对齐;迭代算法;预编码初始化【作者】陈艳;宋云超【作者单位】南京邮电大学电子与光学工程学院、微电子学院,南京210003;南京理工大学紫金学院电子工程与光电技术学院,南京210046;南京邮电大学电子与光学工程学院、微电子学院,南京210003【正文语种】中文【中图分类】TN929.51 引言作为第四代蜂窝移动通信系统的关键技术之一，多输入多输出(Multiple-Input Multiple-Output，MIMO)技术在不增加系统带宽和天线发射功率的前提下可以显著提高信道的容量及频谱利用率[1]。

单用户MIMO系统若配置的天线数受限会降低系统获得的容量增益，而多用户MIMO系统允许多个用户同时进行通信，可达到更高的容量，但当天线数目及用户数量增加时会引起无线介质的广播与叠加，此时干扰成为制约多用户MIMO系统可靠通信的重要因素之一[2]。

因此，为了改善系统的性能，需要采用有效的措施对用户引起的干扰进行管理。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第13卷第2期太赫兹科学与电子信息学报Vo1．13，No．2 2015年4月 Journal of Terahertz Science and Electronic Information Technology Apr．，2015文章编号：2095-4980(2015)02-0233-07认知MIMO系统基于部分投影的干扰抑制算法唐帅，朱世磊，胡捍英(信息工程大学导航与空天目标工程学院，河南郑州 450003)摘要：为实现认知多输入多输出(MIMO)系统中主次用户的高效频谱共享，提出一种基于部分投影的干扰抑制算法，该算法将主用户的空间传输特性引入次用户的设计中。

分析了干扰的结构化特征，指出泄漏到主用户空闲维度上的次用户信号并非有害干扰。

通过将次用户发射信号投影到干扰信道低维子空间的零空间上即可消除干扰。

理论分析和仿真表明，算法在有效消除对主用户干扰的同时，次用户传输速率和算法适用性相比传统算法都有显著提升。

关键词：认知多输入多输出；频谱共享；空闲维度；部分投影；干扰抑制中图分类号：TN92 文献标识码：A doi：10.11805/TKYDA201502.0233Partial projection based interference suppression algorithm forcognitive MIMO systemTANG Shuai，ZHU Shilei，HU Hanying(Institute of Navigation and Space Target Engineering, Information Engineering University，Zhengzhou Henan 450003，China)Abstract：Partial projection based interference suppression algorithm is proposed for cognitive Multiple-Input Multiple-Output(MIMO) system to achieve effective spectrum sharing between primary userand cognitive user. In this algorithm, spatial transmission characteristics of the primary user areintroduced to the design of secondary user’s transmission. Based on analysis of structural characteristicsof the interference, it is proved that the leakage signal from secondary transmitter to the idle dimensions ofprimary user is not harmful. Then the secondary signals are projected to the null space of low-dimensionalsubspace of interference channel between primary and secondary user to eliminate interference.Theoretical analysis and simulation results show that the algorithm effectively eliminates interference tothe primary user; the secondary user’s transmission rate and the applicability of the algorithm have beensignificantly improved compared to the traditional method.Key words：cognitive Multiple-Input Multiple-Output；spectrum sharing；idle dimension；partial projection；interference suppression随着无线通信的发展，传统的固定频谱分配方式对频谱资源的利用率很低[1]。

因此，能够根据电磁环境动态利用频谱资源的认知无线电技术[2]得以迅速发展。

随着研究的深入，人们将MIMO技术引入认知无线电的研究中，认知MIMO技术应运而生，为频谱共享提供了空间域这一新的可用资源，从而实现了在频谱利用上的极大的灵活性[3]。

认知MIMO系统中共享频谱的所有主用户(Primary User，PU)和次用户(Secondary User，SU)构成了一个干扰网络，需要联合优化它们的传输，在控制对主用户的干扰同时最大化次用户的传输质量，从而实现高效的频谱共享[4–5]。

针对认知MIMO系统中主次用户间的频谱共享问题，目前的研究主要集中在以次用户发射功率和主用户干扰温度为约束，通过收发处理矩阵的设计来优化次用户的传输性能。

文献[6]率先将问题建模为凸优化问题，给出了次用户在控制干扰的同时所能达到的最优性能，而鉴于凸优化算法求解复杂且难以实现，文献又给出了2种次优算法。

文献[7]引入空域频谱空洞的思想，但在研究中假设主、次用户发射机与同一目标进行通信，并且二者空间信道特征完全一致，这在实际中难以满足。

文献[8]针对认知MIMO系统设计了一种混合频谱共享策略，收稿日期：2014-05-22；修回日期：2014-06-12基金项目：国家科技重大专项基金资助项目(2011ZX03003-003-02)234太赫兹科学与电子信息学报第13卷当存在空闲频谱时，次用户直接接入；当无空闲频谱时，采用空分复用的共享方式。

文献[9]考虑了次用户的调度问题，并通过将次用户发射信号投射到干扰信道的零空间来避免次用户对主用户的干扰。

文献[10]提出一种基于时域频谱感知的空域频谱共享策略，在存在主用户时通过调整波束方向和发射功率来减小对主用户的干扰。

然而上述文献在干扰抑制的设计中均未能充分考虑并利用主用户链路的传输特性，虽能有效抑制干扰，但也不同程度地限制了次用户的通信容量，因而未能在抑制干扰与提高次用户性能之间取得良好的平衡。

本文从主用户链路的传输出发，有针对性地分析了其空间传输特性，并将其应用到次用户的干扰抑制设计中，给出一种基于主用户空闲维度的部分投影算法。

该算法兼顾了系统中各链路的空间传输特性，能够更加充分地利用MIMO 的空间处理优势，为次用户的传输挖掘出主用户空闲维度这一新的接入机会，因而可以获得更好的系统性能。

1 系统模型和问题描述本文的研究考虑如图1所示的系统模型，它由共享同一频段的1个主用户链路和1个次用户链路构成，参考文献[11]，假设主用户发射机(PU-Tx)距离次用户接收机(SU-Rx)较远，从而忽略其到次用户接收机的干扰信道，这种系统模型被形象地称为认知MIMO Z 干扰信道[11]。

其中，主用户发射和接收天线数分别为0M ,0N ，次用户的发射和接收天线数分别为M ,N 。

主用户链路的信道传输矩阵为000N M ×∈H C，次用户链路的信道传输矩阵为N M×∈H C ，而次用户发射机(SU-Tx)到主用户接收机(PU-Rx)的干扰链路信道传输矩阵为0N M×∈G C 。

假设次用户的发射端通过反馈等方式获得H 和G 两个信道的完整信道状态信息。

次用户发射端到主、次用户接收端的信号处理流程如图2所示。

次用户在发射端采用预编码器对发射信号进行处理，其信号处理过程表示为：=x Fs ，其中1M ×∈x C 表示发射信号向量，1d ×∈s C表示发送符号向量，d 表示发射数据流个数，M d×∈F C 表示预编码矩阵，且H=F F I 。

假设发射端采用包含无穷多码本符号的理想高斯码本，则发送符号~CN(0,)s Σ，H12[](,,,)d Εdiag p p p =="Σss 为d d ×维对角矩阵。

则次用户的接收信号向量可表示为：=+=+y Hx n HFs n (1)式中n 表示次用户接收端的加性噪声向量，且假设~CN(0,)n I 。

次用户接收端采用相应的接收滤波器恢复发射信号，其信号处理流程为：=r Wy ，其中，1d ×∈r C表示滤波后恢复出的信号向量，d N×∈W C表示接收滤波矩阵，且H=W W I 。

则次用户链路的完整信号处理可表示为：=+r WHFs Wn (2)同时，设主用户的发射预编码矩阵和接收滤波矩阵分别为0F ,0W ，则主用户接收端的干扰信号向量表示为：PU-TxSU-TxH 0HGPU-RxSU-RxFig.1 System model of cognitive MIMO 图1认知MIMO 系统模型transmission linkinterferencelinkGW 0FSxHnyWpinterference linksecondary transmissionlinkFig.2 Signal processing procedures from SU-Tx to PU-Rx and SU-Rx图2次用户发射端到主、次用户接收端的信号处理流程第2期唐帅等：认知MIMO 系统基于部分投影的干扰抑制算法 23500p ==z W Gx W GFs (3)基于以上模型及假设，次用户的发射协方差矩阵为：HHHH[][]ΕΕΣ=⋅==Q x x F ss FF F (4)易知，它包含预编码矩阵F 和功率分配矩阵Σ。

次用户需要通过传输设计在控制对主用户干扰的同时提高自身的通信性能，因此可建立如下问题模型：SU Hmax ..()()0C s t tr Ptr Γ⎧⎪⎪⎨⎪⎪⎩QQ GQG Q ≤≤≥ (5) 式中：目标函数HSU 2log det()C =+I HQH 表示次用户链路的信道容量；P ,Γ分别表示次用户的最大发射功率及主用户的干扰温度门限。

式(5)是一个约束凸优化问题，可以通过内点法等标准凸优化算法求解。

然而，由于凸优化算法通常复杂度很高，难以实际应用，因此本文主要探索复杂度较低的次优算法。

2 基于主用户空闲维度的部分投影干扰抑制算法2.1 主用户空闲维度在认知MIMO 系统中，主用户作为授权用户拥有频谱的绝对使用权，因此它无视次用户的存在，独立进行自身的传输设计。