一种基于近似消息传递的面向低精度量化的OTFS解调方法

技术领域

本发明涉及信号解调技术领域，更具体地，涉及一种基于近似消息传递的面向低精度量化的OTFS解调方法。

背景技术

OTFS（Orthogonal Time Frequency Space, 正交时频空间）解调问题，指原始信号经过OTFS调制并经过空间信道的作用后在接收端恢复原始信号。OTFS调制是近年新兴的通信调制方式，与传统的正交频分复用技术（Orthogonal Frequency DivisionMultiplexing, OFDM）调制不同之处在于，OTFS调制在OFDM调制的基础上增加了辛傅里叶变换（SFFT）和辛傅里叶逆变换（ISFFT）模块，这两个模块使得OTFS与OFDM调制模型的等价信道矩阵不同，OTFS调制模型的信道矩阵具有稀疏性、维度大等特点，为信号解调带来了新的困难。

如图1所示，在现有的OTFS调制模型中，原始信号

信号解调问题涉及：估计原始信号的信息符号，例如QAM调制方式中的星座点，高斯-伯努利分布中的稀疏率和信息符号。解决信号解调问题的算法有：信念传播（beliefpropagation, BP）、广义近似消息传递（generalized approximate message passing,GAMP）和广义期望一致信号重构（generalized expectation consistent-signalrecovery, GEC-SR），但这些算法都是针对独立同分布高斯信道矩阵的情况设计的，GAMP算法对于信道矩阵有较高的要求，在面对病态矩阵时性能会大幅下降，GEC-SR算法对于信道矩阵的要求较低，但其计算过程涉及矩阵求逆运算，因此在面对信道矩阵维度较大的场景会出现复杂度和计算消耗较大的情况。

同时，随着信号传播规模的扩大，传统的高精度模数转换器（analog to digitalconverter, ADC）的高采样速率会导致高功耗以及高成本，为了控制功耗和成本，可行的方法是使用低精度的ADC，但这会对量化处理前的信号产生较大的不可逆的畸变，使得现有算法对该情况的性能下降。

在现有技术中于2021年01月14日公开了一种基于贝叶斯学习的OTFS雷达目标参数估计方法。本方法包括如下步骤：步骤1：获取时延-多普勒域下接收符号的矩阵

发明内容

本发明提供一种基于近似消息传递的面向低精度量化的OTFS解调方法，解决OTFS领域内低精度量化模型的解调问题。

为解决上述技术问题，本发明的技术方案如下：

一种基于近似消息传递的面向低精度量化的OTFS解调方法，包括以下步骤：

S1：获取带量化模块的OTFS模型等价信道矩阵

S2：根据带量化模块的OTFS模型对应的广义线性模型矢量因子图，利用GEC-SR-svd算法，通过矩匹配规则将高维消息投影到高斯分布上，循环迭代求解模型，输入估计的原始信号

S3：判断是否达到预设的迭代结束条件，若是，则输出当前迭代得到的

优选地，步骤S1中所述带量化模块的OTFS模型，具体为：

原始信号

优选地，所述量化模块为模拟数学转换器，所述模拟数学转换器将接收到的模拟信号转换为数字信号，更具体地讲，量化模块将输入的信号分为

优选地，步骤S1中等价信道矩阵

式中，

步骤S1中接收信号

优选地，步骤S2中带量化模块的OTFS模型对应的广义线性模型矢量因子图，具体为：

所述广义线性模型矢量因子图具有两个变量

优选地，步骤S2中所述GEC-SR-svd算法为将GEC-SR算法中大维度矩阵求逆的运算简化为对角阵的求逆，具体为：

运用SVD分解，将等价信道矩阵

优选地，步骤S2中通过矩匹配规则将高维消息投影到高斯分布上，具体为：

将服从独立同方差的多维高斯分布的

其中，

优选地，步骤S2迭代求解前，初始化变量

优选地，步骤S2中根据带量化模块的OTFS模型对应的广义线性模型矢量因子图，利用GEC-SR-svd算法，通过矩匹配规则将高维消息投影到高斯分布上，循环迭代求解模型，输入估计的原始信号

S2.1：根据所述广义线性模型矢量因子图的矩匹配规则，

得到的结果再与

S2.2：根据因子图的矩匹配规则，在

投影得到的消息再与

S2.3：根据因子图的矩匹配规则，在

其中估计的

投影得到的消息再与

S2.4：根据因子图的矩匹配规则，在

投影得到的消息再与

优选地，步骤S2.1中

其中

式中，

投影的方差就是：

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种基于近似消息传递的面向低精度量化的OTFS解调方法，采用因子图作为工具，通过基于GEC-SR的矩匹配消息传递规则推断出原始信号的近似后验概率；采用最小均方误差估计的方法，实现对原始信号估计值的准确估计；采用方差标量化的方法，降低了算法中求逆部分的复杂度；对OTFS模型进行改进，加入了量化模块，使得模型更符合实际，功耗成本也进一步降低。

附图说明

图1为现有的OTFS系统模型示意图。

图2为本发明的方法流程示意图。

图3为本发明提供的带量化模块的OTFS系统模型示意图。

图4为带量化模块的OTFS系统对应的广义线性模型矢量因子图。

图5为实施例提供的在路径数

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提供一种基于近似消息传递的面向低精度量化的OTFS解调方法，如图2所示，包括以下步骤：

S1：获取带量化模块的OTFS模型等价信道矩阵

S2：根据带量化模块的OTFS模型对应的广义线性模型矢量因子图，利用GEC-SR-svd算法，通过矩匹配规则将高维消息投影到高斯分布上，循环迭代求解模型，输入估计的原始信号

S3：判断是否达到预设的迭代结束条件，若是，则输出当前迭代得到的

实施例2

本实施例在实施例1的基础上，继续公开以下内容：

在现有的OTFS调制模型中，空间信道矩阵具有一定的稀疏性及相关性。现有的GAMP算法要求矩阵为独立同分布（Independent and identically distributed, i.i.d.）高斯矩阵，当信道矩阵不是i.i.d.高斯时，GAMP算法的性能会大幅下降甚至不工作。现有的GEC-SR算法对矩阵的要求较低，即使是非i.i.d.高斯矩阵也能工作，但GEC-SR在计算时需要对大维度矩阵进行求逆，造成非常大的复杂度。

步骤S1中所述带量化模块的OTFS模型，如图3所示，具体为：

原始信号

原始信号

其中

海森堡变换使用

其中

对

其中

延迟-多普勒域稀疏信道

式中，

时域接收信号

其中

其中

时域信号

其中

时频域信号

将延迟-多普勒域信息符号

其中

因为

其中

所述量化模块为模拟数学转换器，所述模拟数学转换器将接收到的模拟信号转换为数字信号，更具体地讲，量化模块将输入的信号分为

步骤S2中带量化模块的OTFS模型对应的广义线性模型矢量因子图，如图4所示，具体为：

因子图中的圆形节点表示变量，方形节点表示概率分布，如果某个变量与该概率分布有关联，那么就会用线连接该变量和该概率分布。

所述广义线性模型矢量因子图具有两个变量

实施例3

本实施例在实施例1和实施例2的基础上，继续公开以下内容：

步骤S2中，在矢量因子图上应用GEC-SR算法，由于GEC-SR的算法复杂度较高，改进GEC-SR算法得到GEC-SR-svd算法，所述GEC-SR-svd算法为将GEC-SR算法中大维度矩阵求逆的运算简化为对角阵的求逆，具体为：

运用SVD分解，将等价信道矩阵

本发明改进后的算法命名为GEC-SR-svd，算法如下表所示：

其中

优选地，步骤S2中通过矩匹配规则将高维消息投影到高斯分布上，具体为：

将服从独立同方差的多维高斯分布的

其中，

优选地，步骤S2迭代求解前，初始化变量

优选地，步骤S2中根据带量化模块的OTFS模型对应的广义线性模型矢量因子图，利用GEC-SR-svd算法，通过矩匹配规则将高维消息投影到高斯分布上，循环迭代求解模型，输入估计的原始信号

S2.1：根据所述广义线性模型矢量因子图的矩匹配规则，

得到的结果再与

S2.2：根据因子图的矩匹配规则，在

投影得到的消息再与

S2.3：根据因子图的矩匹配规则，在

其中估计的

投影得到的消息再与

S2.4：根据因子图的矩匹配规则，在

投影得到的消息再与

优选地，步骤S2.1中

其中

式中，

投影的方差就是：

在具体的实施例中，如图5所示，为本发明在路径数

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。