一种基于变分贝叶斯学习的信道脉冲噪声估计方法

技术领域

本发明涉及水声通信领域，特别是一种基于软信息的迭代均衡单载波信号传输系统，同时适用于快速时变多径衰落信道，具体涉及一种基于变分贝叶斯学习的信道脉冲噪声估计方法。

背景技术

水声环境非常复杂，水声信道有严重的多径效应，快时变以及带宽受限等特点，水下也存在复杂的噪声，导致通信更为困难。在水声通信中，脉冲噪声会影响低频带(10Hz-500Hz)与中频带(500Hz-25KHz)，特别是中频带，是水声通信中较为常用的频率范围。因此降低脉冲噪声对接收信号的影响也尤为重要。

在目前的通信系统中，Turbo均衡迭代结构由于能够通过软信息迭代的方式获得更多编码增益，对抗ISI，提升整体性能，从而被广泛应用于水声通信系统中。而Turbo均衡迭代结构通常分为两种，一种是基于直接自适应的均衡技术，另一种是基于信道估计的均衡技术。两种方法各有优缺点，对于基于信道估计的均衡技术，虽然计算复杂度较高，但是有很好的对抗码间串扰的效果。

目前基于信道估计的Turbo均衡迭代算法少有考虑脉冲噪声对接收信号的影响，因此在信道估计的过程中联合估计脉冲噪声，能够提高信道估计的精度，同时消除脉冲噪声对均衡的影响，从而提高系统的误码性能。为此，目前亟待针对受脉冲噪声干扰的快速时变多径衰落信道条件下的基于信道估计的软信息迭代均衡无线通信接收，提出一种基于变分贝叶斯学习估计脉冲噪声方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于变分贝叶斯学习的信道脉冲噪声估计方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于变分贝叶斯学习的信道脉冲噪声估计方法，所述信道脉冲噪声估计方法包含以下步骤：

S1、从接收信号帧r中提取第k个数据块r

S2、分别基于前向接收数据、前向信道冲激响应、前向脉冲噪声和前向高斯噪声构建前向参数概率模型；

S3、利用前向EM算法迭代估计接收信号帧r中第k个数据块前向信道冲激响应

S4、使用前向EM算法计算

S5、分别更新

S6、分别基于后向接收数据、后向信道冲激响应、后向脉冲噪声和后向高斯噪声构建后向参数概率模型；

S7、利用后向EM算法迭代估计接收信号帧r中第k个数据块后向信道冲激响应

S8、使用后向EM算法计算

S9、分别更新

S10、由步骤S4得到

进一步地，在步骤S2中，根据前向信道冲激响应、前向脉冲噪声稀疏的特性，将这两个参数的概率模型建模为多维复高斯分布，能够更好地拟合真实环境中的前向信道冲激响应、前向脉冲噪声，同时EM算法针对稀疏信号的估计效果极佳，因此将前向信道冲激响应与前向脉冲噪声建模为多维复高斯分布以适配后续步骤的EM算法估计。同理，所述步骤S6中，基于同样的理由，后向信道冲激响应、后向脉冲噪声建模为多维复高斯分布。

进一步地，在步骤S3中，由于无法获得前向信道冲激响应与前向脉冲噪声的先验信息，因此将

进一步地，在步骤S4中，通过计算第p次前向EM算法迭代中前向接收数据y

其中，const为常数项，与

最大后验概率准则被认为是最优准则，但是由于y

进一步地，在步骤S5中，根据步骤S4计算得到的

进一步地，在步骤S7中，由于无法获得后向信道冲激响应与后向脉冲噪声的先验信息，因此将

进一步地，在步骤S8中，通过计算第q次后向EM算法迭代中后向接收数据y

其中，const为常数项，与

最大后验概率准则被认为是最优准则，但是由于y

进一步地，在步骤S9中，根据步骤S8计算得到的

本发明相对于现有技术具有如下的优点及效果：

(1)本发明采用前向与后向估计信道冲激响应与脉冲噪声，充分地利用前向、后向接收数据以及译码器输出的软信息，一定程度上克服水声信道的时变性；

(2)本发明在接收数据模型中引入脉冲噪声，使得模型更加真实地拟合了水声环境噪声，相比于传统方法，该方法在复杂水声环境中能够取得更高的估计精度与更低的误码率，仿真结果显示误码率约为传统方法的二分之一到三分之一，即使在简单水声环境中，例如水池，平静的湖泊等不存在明显脉冲噪声的水声环境，相比于传统模型，也不会造成估计精度下降与性能损失；

(3)本发明在基于引入脉冲噪声的接收数据模型的基础上，推导了该模型的前向、后向EM算法的接收数据的似然函数期望，并以该期望为基础推导出模型隐藏变量的更新公式，相比于传统方法，信道冲激响应估计的均方误差下降约一个数量级。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法的步骤流程图；

图2是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中发送帧结构示意图；

图3是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中接收帧结构示意图；

图4是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中发送帧结构示意图；

图5是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中接收帧结构示意图；

图6是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法第1次Turbo均衡迭代性能仿真图；

图7是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法第10次Turbo均衡迭代性能仿真图；

图8是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法桂山岛一发八收通信实验误码率对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

为了便于对后续接收方法的理解，先对通信系统的信号模型作一个简要的说明。该实施例的调制系统如下：信息比特d

式中，信息比特经过比特编码交织，与基带调制后得到发射星座点x

在接收端，信号经过同步、匹配滤波和16倍降采样后得到基带信号。

本实施例公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法，正是基于如上所述信号模型所提出的。

如图2所示，为本实施例所使用的发射帧结构，每帧由1个数据块组成，即K＝1，其中，这一个数据块的前向训练序列、后向训练序列均为t、x代表这一个数据块的发送数据、N

N

如图3所示，为本实施例的每一帧的接收数据结构，r

本实施例中选择的水声信道是实测于广东河源万绿湖的真实水声信道(H.Zhao,F.Ji,M.Wen,H.Yu and Q.Guan,"Multi-Task Learning Based Underwater AcousticOFDM Communications,"2021IEEE International Conference on Signal Processing)。由于该信道比较复杂，加上高斯噪声与脉冲噪声的影响，导致传统方法难以获得精确的信道估计值，无法准确地均衡。本发明通过联合估计脉冲噪声与信道冲激响应，获得更精确的信道估计值。

一种基于变分贝叶斯学习的信道脉冲噪声估计方法的算法流程和系统结构图如图1和图4所示，具体包含以下步骤：

S1、若T＝1，则前向接收数据y

后向接收数据y

若不是第一次Turbo均衡迭代，即T>1，则将上一次Turbo均衡迭代译码器传递的软信息

其中，

S2、分别基于前向接收数据、前向信道冲激响应、前向脉冲噪声和前向高斯噪声构建前向参数概率模型；

S3、利用前向EM算法迭代地估计前向信道冲激响应

S4、使用前向EM算法计算第p次迭代的前向信道冲激响应期望

/>

其中，

S5、分别更新

令p＝p+1，转至步骤S4开始下一轮前向EM算法迭代；

S6、分别基于后向接收数据、后向信道冲激响应、后向脉冲噪声和后向高斯噪声构建后向参数概率模型

S7、利用后向EM算法迭代地估计后向信道冲激响应

S8、用后向EM算法计算第q次迭代的后向信道冲激响应的期望

其中，

S9、分别更新

令q＝q+1，转至步骤S7开始下一轮后向EM算法迭代；

S10、由步骤S4得到

S11、若T>1，则将接收数据扣除脉冲噪声：

本实施例在消除估计出的脉冲噪声后采用基于MMSE的Turbo均衡迭代算法进行后续的接收处理。若译码无误或者达到迭代次数上限T

上述实施例公开了一种基于变分贝叶斯学习的信道脉冲噪声估计方法，该实施例使用一发一收的仿真通信结构，首先构造前向与后向接收数据模型，可以真实地还原水声环境，降低误码率，随后使用前向EM算法估计得到前向信道冲激响应与前向脉冲噪声，估计的准确性相比于传统算法更高，并且能够消除环境中的脉冲噪声。利用估计出来的两个参数传至均衡器，能够明显降低通信误码率。

实施例2

本实施例公开的另一种基于变分贝叶斯学习的信道脉冲噪声估计方法，该方法使用一发八收的通信结构，实验地址位于广东省珠海市桂山岛，通信距离1.9km，符号速率8kbps，载波频率12kHz，采样率128kHz，带宽10kHz。该方法基于实施例1公开的基于变分贝叶斯学习的信道脉冲噪声估计方法中各个步骤。

其中，在本实施例的调制方法与实施例1相同，调制后的符号经过真实的水声信道后被8个接收端采集，每个通道分别进行基于变分贝叶斯学习的信道脉冲噪声估计运算。每一帧的发送帧结构如图4所示，其中每一个数据块的前向、后向训练序列相同，表示为t，x

其中，在步骤S1中，若T＝1，前向字典矩阵与后向字典矩阵的构造与实施例1中步骤S1的T＝1的前向、后向字典矩阵构造相同，前向接收数据

当k≤0时，

其中，在本实施例步骤S2至步骤S10中进行前向、后向信道冲激响应与脉冲噪声的估计、合并的方法与实施例1中相同。

其中，在本实施例步骤S11中，若T>1，则将第k块接收数据扣除第k块估计的脉冲噪声：

本实施例在消除估计出的脉冲噪声后采用基于MMSE的Turbo均衡迭代算法进行后续的接收处理。若译码无误或者达到迭代次数上限T＝T

在实施例1与实施例2中给出的效果图可以看出，不管是使用仿真信道模拟真实水声通信环境得到的误码结果，还是进行实测的通信数据得到的误码结果，本发明所提出的一种基于变分贝叶斯学习的信道脉冲噪声估计方法的误码性能均要比传统算法更优。在仿真结果中，第1次Turbo均衡迭代与第10次Turbo均衡迭代，本发明的误码率大约是传统算法误码率的三分之一；在实验数据的误码结果中，本发明的误码率大约是传统算法误码率的二分之一。

综上所述，本发明提出的一种基于变分贝叶斯学习的信道脉冲噪声估计方法，针对水声环境的噪声问题，引入脉冲噪声模型，提升了信道估计的准确性，降低了均衡算法的误码率。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。