（通信与信息系统专业论文）盲源分离及其在mimo通信系统中的应用研究.pdf

重庆邮电大学硕士论文 摘要 摘要 盲源分离作为盲信号处理学科的重要分支，目前已经受到了国内外学者及科 研人员的广泛关注。并且在某些领域的应用已经取得了较大的进展，包括语音信 号处理、生物医学、图像处理、地震勘探、雷达及经济数据分析等领域。而由于 移动通信中实时性极强的要求以及目前的盲源分离算法运算量对于硬件平台难 以实时处理的现实，盲源分离技术目前在移动通信领域并没有成功的应用。但随 着盲源分离算法的成熟及运算量的简化、硬件平台处理能力的增强，相信盲信号 处理一定会成功运用到移动通信领域。频谱资源受限及更高的传输速率需求使得 盲信号处理成为大势所趋。 本文的目标是将盲源分离算法成功的与m i m o 移动通信系统结合，提出理 论上及实现上均可行的盲源分离与m i m o 系统结合的解决方案。本文主要研究 了一种复值盲源分离算法r o b u s t i c a 算法，并将其与m i m o 系统结合提出了半 盲m i m o 系统接收模型，并依次解决了该系统的排序及相位不确定性、信号延 时对系统的影响、基带残留频偏对系统的影响等，给出了整个系统的主要模块运 算量统计、总体实现分析，最终的解决方案在存在延时和频偏的情况下依然表现 良好，性能明显优于传统的基于训练序列的m m s e 检测算法。最后提出了 r o b u s t l c a 等盲分离算法在m i m o o f d m 系统中的应用，使盲源分离算法有更 广的扩展性。本文的主要工作包括以下几部分： 研究盲源分离技术的概况，掌握其数学理论基础及该领域的重要算法，为后 续研究提供理论基础。 重点研究一种鲁棒性较强的r o b u s t l c a 复值盲分离算法，分析其算法实现的 关键步骤及主要运算量。该算法相对于之前的经典j a d e 算法及f a s t l c a 算法均 有较大的性能提升，并基于此算法提出了对应的盲抽取算法，可应用到特定场景 的盲信号提取。 重点将盲源分离算法与m i m o 移动通信系统结合，提出具体的系统方案， 并针对盲源分离的特点解决了分离结果的排序及相位不确定性；针对延时m i m o 模型提出了针对性的解决延时方案；针对残留频偏对系统性能影响大提出了联合 的频偏消除方案。最终给出的整体解决方案相对于传统的m m s e 检测方案在不 同信噪比下有1 3 d b 的性能优势，并分析主要模块的运算量，分析方案可实现 性。 最后探索性的研究了r o b u s t i c a 算法在m i m o o f d m 系统中的应用，针对 系统特点提出了全盲的接收解决方案，使盲源分离能够与目前主流的 重塞坚皇盔堂堡主迨奎堕 m 蹦o o f d m 系统结合，提出了对应解决方案并证明其有效性。 关键词：盲源分离，独立分量分析，鲁棒性独立分量分析，多输入所输出系统， 半盲系统 n 重庆邮电大学硕士论文a b s t r a c t a b s t r a c t a sa n i m p o r t a n tb r a n c ho fb l i n ds i g n a lp r o c e s s i n gd i s c i p l i n e s ，b l i n ds o u r c e s e p a r a t i o nh a sr e c e i v e dw i d e l ya t t e n t i o n f r o md o m e s t i ca n df o r e i g ns c h o l a r sa n d r e s e a r c h e r s t h ea p p l i c a t i o ni ns o m ea r e a sh a sm a d em u c hc o n s i d e r a b l ep r o g r e s s e s ， i n c l u d i n g t h e s p e e c hs i g n a lp r o c e s s i n g ，b i o m e d i c a l ，i m a g ep r o c e s s i n g ，s e i s m i c e x p l o r a t i o n ，r a d a ra n de c o n o m i cd a t aa n a l y s i sa n do t h e rf i e l d s b u ta sh i g h l ym o b i l e c o m m u n i c a t i o n sr e q u i r e m e n t so fr e a l t i m e p r o c e s s i n ga n dc o m p u t a t i o n a la b i l i t y r e q u i r e m e n t so ft h eh a r d w a r ep l a t f o r m ，b l i n d s o u r c es e p a r a t i o nt e c h n o l o g yi sn o t s u c c e s s f u l l yu s e di nt h ef i e l do fm o b i l ec o m m u n i c a t i o n s b u tw i t ht h em a t u r i t yo f b l i n d s o u r c es e p a r a t i o na l g o r i t h ma n dt h eh a r d w a r ep l a t f o r mp r o c e s s i n gc a p a b i l i t i e s ，ib e l i e v e b l i n ds i g n a lp r o c e s s i n gw i l lb es u c c e s s f u l l ya p p l i e dt om o b i l ec o m m u n i c a t i o n s l i m i t e d s p e c t r u mr e s o u r c e sa n dt h ed e m a n df o rh i g h e rt r a n s m i s s i o nr a t em a k et h eb l i n ds i g n a l p r o c e s s i n go f at r e n d b l i n ds o u r c es e p a r a t i o na l g o r i t h mi sc o m b i n e ds u c c e s s f u l l yw i t ht h em i m o m o b i l ec o m m u n i c a t i o ns y s t e mb o t ht h e o r e t i c a la n di m p l e m e n t a t i o ni n t h i sp a p e r , t h e n t h ep a p e rp u tf o r w a r das o l u t i o ns c h e m e t h i sp a p e rs t u d i e sak i n do fc o m p l e xv a l u e a l g o r i t h mf o rb l i n ds o u r c es e p a r a t i o na l g o r i t h mt h a tn a m e dr o b u s t l c a , a n dc o m b i n e d t h ea l g o r i t h mw i t hm i m os y s t e ma n das e m i - b l i n dm i m os y s t e mm o d e l i sp r o p o s e d a n di nt u r ns o l v et h eo r d e r i n ga n dp h a s eu n c e r t a i n t i e so ft h es y s t e m ，t h ei m p a c to fs i g n a l d e l a yo nt h es y s t e m ，t h ei m p a c tt h eb a s e b a n dr e s i d u a l o f f s e to nt h es y s t e m ，a n d u l t i m a t e l yg i v e st h es y s t e mc o m p u t a t i o n a ls t a t i s t i c s o fm a i nm o d u l e s ，a n a l y s i so ft h e o v e r a l li m p l e m e n t a t i o n t h ef i n a ls o l u t i o ni ss t i l lp e r f o r m i n gw e l li nt h ep r e s e n c eo f d e l a ya n df r e q u e n c yo f f s e t a n di t sp e r f o r m a n c ei sb e t t e rt h a nt r a d i t i o n a lt r a i n i n g s e q u e n c e - b a s e dm m s e d e t e c t i o na l g o r i t h m f i n a l l yw ea p p l yt h er o b u s t l c as e p a r a t i o n a l g o r i t h mi n t h ee x p a n s i o ns c e n e s u c ha sm i m o - o f d ms y s t e m t h em a i nw o r k i n c l u d e st h ef o l l o w i n gs e c t i o n s ： s t u d yt h ep r o f i l eo fb l i n ds o u r c es e p a r a t i o nt e c h n i q u ea n dg r a s pt h em a t h e m a t i c a l t h e o r ya n dt h ei m p o r t a n ta l g o r i t h m si nt h i sf i e l d ，p r o v i d ea t h e o r e t i c a lb a s i sf o rf u r t h e r s t u d y p a ym a i nf o c u so nt h er o b u s t l c ac o m p l e xv a l u eb l i n ds e p a r a t i o nw h i c hh a s s t r o n gr o b u s t n e s s ，r e s e r c ht h ek e ys t e p so fi t sa l g o r i t h ma n dt h em a i nc o m p u t a t i o n c o m p a r e dt ot h ec l a s s i c a lj a d ea l g o r i t h ma n df a s t l c aa l g o r i t h mt h er o b u s t i c a i i i 重庆邮电大学硕士论文 a b s t r a c t a l g o r i t h mh a sal a r g ep e r f o r m a n c ei m p r o v e m e n t t h ec o r r e s p o n d i n gb l i n de x t r a c t i o n a l g o r i t h mi sp r o p o s e db a s e do nt h er o b u s t l c a , w h i c hc a nb ea p p l i e dt ob l i n ds i g n a l e x t r a c t i o no fap a r t i c u l a rs c e n e f o c u so nc o m b i n eb s sm e t h o dw i t ht h em i m om o b i l ec o m m u n i c a t i o ns y s t e m , p r o p o s es p e c i f i cs y s t e ms o l u t i o n st o s o l v et h ep h a s ea n ds o r t i n gu n c e r t a i n t yo ft h e r e s u l t s ；p r o p o s et h em i m od e l a ym o d e la n di t ss o l u t i o nw h i c hc a l lr e d u c et h ei m p a c to f t i m ed e l a y ；p r o p o s ean e wf r e q u e n c yo f f s e ts c h e m et os o l v et h eg r e a ti m p a c to fr e s i d u a l f r e q u e n c yo f f s e to ns y s t e mp e r f o r m a n c e ，t h eo v e r a l ls o l u t i o nh a s1 - 3 d bp e r f o r m a n c e a d v a n t a g e st h a nt r a d i t i o n a lt r a i n i n gs e q u e n c e - b a s e dm m s e d e t e c t i o na l g o r i t h m f i n a l l y g i v e st h et o t a ls o l u t i o na n dc o m p u t a t i o n a la n a l y s i so ft h em a i nm o d u l e ，a n a l y s i so ft h e o v e r a l li m p l e m e n t a t i o n f i n a l l y , e x t e n dt h er o b u s t l c aa l g o r i t h m i nm i m o o f d ms y s t e m ，p r o p o s ea a b s o l u t eb l i n dr e c e i v es c h e m es o l u t i o n c o m b i n eb l i n ds o u r c es e p a r a t i o nw i t h t h e c u r r e n tm i m o o f d ms y s t e m ，p r o p o s et h es o l u t i o na n dp r o v e i t se f f e c t i v e n e s s k e yw o r d s ：b s s ，i c a ，r o b u s t l c a ，m i m os y s t e m ，s e m i b l i n ds y s t e m i v 重庆邮电大学硕士论文 图目录 图目录 图1 1 盲分离系统的架构图1 图1 2 无线传播环境下的天线阵列模型3 图2 1 盲源分离瞬时混合模型1 2 图2 2 盲源分离瞬时分离模型1 2 图2 3 盲源分离卷积混合模型1 3 图2 4 盲源分离卷积分离模型1 4 图2 5 不同信号概率密度函数分布图1 8 图3 1r o b u s t i c a 算法实现流程图3 0 图3 2 预白化处理对迭代次数的影响3 5 图3 3 两个源信号分离所需的迭代次数3 6 图3 4 四个源信号分离所需的迭代次数3 7 图4 1r o b u s t i c a 与m i m o 结合方案原理框图4 1 图4 2 星座调整法关键步骤流程图4 2 图4 3r o b u s t i c a 盲分离q p s k 信号的输入输出星座图。4 4 图4 4r o b u s t i c a 盲分离1 6 q a m 信号的输入星座图4 4 图4 5r o b u s t i c a 盲分离1 6 q a m 信号的输出星座图4 5 图4 6 多种方案性能对比图4 6 图4 7 接收天线数为2 与接收天线数为4 方案对比4 8 图4 8 混合信号源功率不同时系统性能4 9 图4 9 简化的延时混合模型5 l 图4 1 0 针对延时混合模型的改进系统设计图5 3 图4 1 1 基于延时模型的盲分离处理流程图5 4 图4 1 2 针对延时系统的三种方案性能对比图5 5 图4 1 3 针对残留频偏的系统改进方案框图5 8 图4 1 4 频偏校正前后对比效果图6 0 图4 15 针对频偏的改进前后性能对比图6 1 图4 1 6r o b u s t i c a 算法在m i m o 系统中的应用整体实现框图6 2 图5 1 盲源分离应用到m i m o o f d m 系统中的系统框图7 l 图5 2 盲源分离在m i m o o f d m 系统中的应用性能对比图7 5 i 第一章绪论 第一章绪论 1 1 盲源分离的背景及意义 盲源分离( b l i n ds o u r c es e p a r a t i o n ，b s s ) y 称盲信号分离或盲分离，是自2 0 世 纪8 0 年代初随着神经网络的再度兴起而发展起来的，目前已成为信息处理领域研 究的热点之一。盲源分离最早起源于著名的鸡尾酒会问题，也就是人们对嘈杂环 境下多路语音辨识问题的研究。盲源分离是一种多维信号处理方法，是指在不知 源信号和传输信道参数的情况下，根据输入源信号的统计特性，仅由观测信号恢 复出源信号各个独立分量的过程【l 】。图1 1 即为简单的盲源分离模型，其中源信号 s ( t ) 和混合矩阵a 均是未知的，通过利用观测信号x ( t ) 的统计特性及选取适当的对 照函数，并迭代反馈得到对源信号的估计y ( t ) 。因此盲源分离技术主要应用于源信 号无法直接观测到，只能接收源信号的混合信号，而有关混合的信息又是未知的 场合。盲源分离技术己在图像处理、语音识别、通信和生物医学信号处理等领域 得到一定的应用【l j 。 图1 1 盲分离系统的架构图 盲信号抽取也属于广义的盲源分离范畴，它与盲源分离的主要区别在于：盲 源分离是在信号源个数已知的前提下，从观测信号向量中将全部源信号同时分离； 而盲信号抽取是从观测信号向量中逐个分离出各个源信号分量，在预先不知道源 信号的情况下亦可，但二者采取的算法核心思想是一致的。 盲源分离的研究直到2 0 世纪八十年代末才取得一些有意义的进展。1 9 8 6 年， 法国学者h e r a u l t j 和j u t c n c 在美国举行的神经网络计算会议上，提出了递归神经 网络模型和基于h e b b 学习律的学习算法，声称可以盲分离独立源信号的混合，并 展示了两个源信号的分离。虽然其提出的算法存在一定缺陷，但是盲源分离从此 重庆邮电大学硕士论文 成为了信号处理领域的一个研究课题，具有重要意义【2 】。1 9 8 7 年g i a n n a k i s 等人提 出了盲源信号分离问题的可辨识性问题，同时引进了三阶累积量，开创性的将高 阶统计量应用到了盲源分离中。在1 9 9 1 年三位法国科学家j u t t e n ，h e r u a l t 和 p c o m m o 在权威杂志s i g n a lp r o c e s s i n g 上先后发表了三篇关于盲源分离的经典文 章，标志着盲信号处理问题研究取得了重大进展。1 9 9 3 年，c a r d o s o j f 用基于高 阶累积量张量的代数方法推导出了“联合近似特征矩阵对角化 ( j o i n t a p p r o x i m a t ed i a g o n a l i z a t i o no fe i g e n - m a t r i c e s ，j a d e ) 算法。19 9 4 年p i e r r ec o m m o n 提出了独立分量分析的基本概念，并在这一框架下阐述了盲源分离问题，利用 k u l l b a c k - l e i b l e r 散度来衡量源信号的统计独立性。独立分量分析方法成为了之后 研究盲分离的主流方法，其充分的利用了分离信号的高阶统计量信息，从此，对 于盲源分离问题的研究也越来越广泛深入，受到了国内外专家学者的广泛重视， 理论和实际应用都得到了很大的发展。在盲源分离领域，每年都有相当大数量的 极为有价值的文献发表。 在国际上，目前主要从事盲源分离问题研究的主要学者和机构包括：美国的 s a l ki n s f i t u e s 神经计算实验室的学者s e j n o w s k i 和b e l l ，日本的学者a m a r i 和 c i c h o w s k i ，芬兰的o j a ，法国的c o m o n 和c a r d o s o 等。刚刚过去的几届国际语音信 号处理和声学大会上，每次都有关于盲源分离的专题。而且在信号处理界的权威 刊物i e e et a n s a c t i o no ns i g n a lp r o c e s s i n g 以及s i g n a lp r o c e s s i n g 中，盲源分离的文章 也频繁出现【l 】。从1 9 9 9 年起，国际上己经成功地举办了8 届盲源分离和独立分量分 析国际会议，包括1 9 9 9 年1 月1 1 1 5 日在法国的a u s s o i s 举行的第一届，2 0 0 0 年6 月 1 9 2 2 日在芬兰首都赫尔辛基的第二届，2 0 0 1 年1 2 月9 1 2 日在美国的圣地亚哥的第 三届，2 0 0 3 年4 月1 4 日在日本n a r a 举行的第四届，2 0 0 4 年1 2 月2 2 2 4 在西班牙 g r a n a d a 的第五届，2 0 0 6 年3 月5 8 日在美国的南卡罗莱纳洲查尔斯顿举行的第六届， 2 0 0 7 年9 月9 1 2 日在英国伦敦举行的第七届，2 0 0 9 年3 月1 5 1 8 日在巴西举行的第八 届。可见盲源分离及独立分量分析领域的研究越来越受到人们的重视。 国内对于盲源分离问题的研究相对较晚，但在较短的时间里对其理论和应用 的研究也取得了很大的进展。1 9 9 6 年，清华大学的张贤达所著的时间序列分析 一高阶统计量方法一书中，综述了盲源分离的理论、方法以及应用，介绍了有 关盲源分离的数学基础，给出了部分相关的算法，之后国内关于盲源分离的研究 才逐渐多起来。杨福生和洪波在2 0 0 6 年1 月出版了独立分量分析的原理与应用 一书，该书是国内第一本关于独立分量分析的专著，着重对独立分量分析的基本 原理和工程应用进行了系统的介绍，书中结合了作者多年在研究生教学的经验和 科研组的一些研究成果，对从事这方面研究的工作人员有很大的帮助【2 】2 。 2 0 0 5 年3 月2 0 日，电子科技大学在以张智林博士为领导的盲分离研究小组成 2 第一章绪论 立，该小组是中国第一个盲源分离的研究小组，也意味着国内的盲源分离的研究 受到了足够的重视，向前迈进了一大步。2 0 0 5 年1 1 月2 6 日，研学论坛也成立了 盲信号处理专版，为中国的盲源分离研究的学者提供了便利。2 0 1 0 年1 月举行的 国家科学技术奖励大会上，华南理工大学谢胜利团队的盲信号的分离和辨识理 论及其应用获自然科学奖二等奖。他为盲分离研究重新找了一把“尺子 ，并 将其命名为信号方差比。信号方差比是一把尺子，能够精确地度量盲信号，为声 音做导航，从而把特定的语言提取出来。 在盲源分离发展至今的二十多年时间里，其研究己经取得了丰硕的成果，成 为现代信号处理领域研究的热点问题。盲源信号分离技术在语音处理、通信、生 物医学、图像处理、雷达数据处理、地震勘探及经济数据分析等领域均有广泛的 应用价值。目前，盲源信号分离在理论上和应用中存在大量问题有待深入研究， 盲分离算法的性能和可实现性需要迸一步提耐引。 1 2 m 0 系统背景概述 m i m o 是m u l t i p l e i n p u t m u l t i p l e o u t p u t 系统的简称【4 1 ，指多输入多输出系统。 m i m o 系统是很多实际物理模型比较精确的数学模型，比如多天线多发多收高速 无线移动通信、雷达、声纳信号的检测与分析、语音增强与识别、生物医学信号 分析都符合这样的数学模型，都迫切需要这方面的技术与方法。m i m o 无线数字 通信系统也被称为大容量数字传输系统，普遍认为是现代通信技术的重大突破之 一。由于m m o 技术为未来i n t e r n e t 无线网络业务容量需求的瓶颈问题提供了一 种有效解决方案，因此在当今的通信技术研究中具有重要地位。刚刚出现不久时， 就在无线局域网、宽带无线接入系统和3 g 、4 g 等新型通信系统中得到了充分应 用【5 1 。图1 2 是典型的移动通信中的m i m o 模型。 发射墙 而( ，) l x 毛( ，) 立n 心 卫乃( ，) 卫儿( ，) 融l ( f ) 图1 2 无线传播环境下的天线阵列模型 m i m o 技术主要包括空间复用和空间分集技术。空间分集技术在不同天线上 重庆邮电大学硕士论文 发射和接收同一信息的不同副本，能够有效改善接收端接收到的信号质量；空间 复用技术在不同的天线上发射的是不同的信息，真正体现了m i m o 系统容量提高 的本质。m i m o 技术的应用可以带来许多方面的增益，主要包括：阵列增益、分 集增益和空间复用增益。本文研究和设计的系统主要目的是有效提高传输速率， 因此均考虑空间复用m i m o 。 在3 g 、4 g 移动通信中，为了在任何时间、任何地点实现包括语音、数据和 图像等多媒体的实时通信，需要高速实时的处理技术。传统的s i s o 系统虽然结构 简单，但由于是单发单收，天线能量全向辐射，所以方向性差，速率低。单输入 多输出系统实现了接收端分集，能有效减少平坦衰落信道中接收机所遇到的深度 衰落效应和持续时间衰落效应的影响，但单输入多输出系统没有有效实现发射端 分集。而m i m o 系统明显的收端和发端都采用分集技术，得到了分集增益和阵列 增益，有效的利用了随机衰落效应和可能存在的多径传播效应，在不额外增加所 占用的信道带宽的前提下，成倍的提高频谱利用率和系统传输速率，改善q o s ( 服 务质量) ，提高网络服务的性能。相信随着超大规模集成电路技术的发展和逐步成 熟，m i m o 将成为未来移动通信和个人通信系统中实现高质量高速率传输的重要 途径【5 1 。 1 3 盲源分离与m 0 系统结合概述 众所周知，“盲”这个词最基本的含义表示失去视觉。失去视觉就意味着： 失去了一部分信息来源 失去了一部分参考标准 这就意味着，“盲”只是失去了部分信息来源，并不是没有了信息来源。人也是 一样的，盲人并不是失去了所有信息来源，还是可以通过听觉和触觉等途径来获 得重要的信息，只是加大了难度。“盲”也不是完全失去所有参考标准，盲人可以依 赖听觉等获得的信息建立新的判决依据与标准。 推广到信号处理领域，信号处理中的盲技术是指在失去部分参考标准或失去 部分信息来源的情况下的一种信号处理方法。盲技术在无线通信、生物医学信号 处理以及图像处理、语音信号处理、地震信号处理和噪声消除等方面都具有非常 重要的理论研究意义和实际应用价值。 在无线通信中，对于大多数采用均衡器的数字通信系统，信道特征( c s i ) 往 往是未知且时变的。因此，为了设计相应的自适应均衡器，通常需要在发送端将 已知的参考序列包含在数据帧中一起发射至接收端。此举目的明确，在于利用信 4 第一章绪论 道估计技术，对均衡器初始系数进行调整，以保证在大范围内快速收敛。然而， 这种基于训练序列的均衡器不可避免的会带来若干问题【引。 首先，在所发送的数据中加入训练序列明显会增加传输的开销，导致通信系 统效率降低。更为严重的，即使均衡器已经收敛后转入正常工作模式，在经过一 定时间以后，也基本会因信道的时变特性而使检测器产生突发错误。因此，几乎 所有的通信系统都被迫选择采用周期性的发送训练序列的方案，以不断更新均衡 器的加权系数，导致严重的降低了通信系统的效率和容量。以g s m 系统为例，每 发送的1 4 8 个符号中就有2 6 个用于训练的符号，这直接导致了1 8 的容量损失。 在t d s c d m a 系统中是8 6 4 c h i p 中有1 4 4 c h i p 用于训练序列的发送，约为1 7 的 容量损失。而在某些高频通信系统中，用于发射训练序列的资源甚至会占到总传 输容量的5 0 ，是极大的损失p j 。 其次，在一些具体应用中根本就不可能期望在发送端提供训练序列。比如， 在军事侦听过程中，敌方训练信号的获得显然是不现实的；在图像重建和地震解 卷积等信号处理应用中，发送端是早已存在的但有缺陷图像甚至是自然界，此时 得到人为设置的训练信号是无望的；在多点通信网络中，一般要求接收端接收机 与接收信号实现同步，然后在脱离训练序列的辅助情况下自适应完成均衡器的调 整，在这种系统中，不可能每次增加一个不可预测的客户机都要求服务器重新发 送一次训练序列。 综上所述，有必要研究利用盲信号处理领域的方法来克服现有基于训练序列 的方案的缺点。本文将盲源分离算法与当前移动通信领域中热门并广泛应用的 m i m o 系统相结合，提出了较为合理的半盲或全盲m i m o 移动通信系统。所谓全 盲，即系统中完全不需要任何训练序列即可完成m i m o 系统中多路信号的检测和 分离；所谓半盲，即系统中需要加入相对于传统训练序列较短的训练序列来辅助 完成信号的盲分离，本文提出的方案中，短训练序列是用来进行盲源分离结果的 不确定消除的，并非用于信道估计等。 本文之所以提出将盲源分离与m i m o 系统结合，主要基于以下几点考虑【6 】： 在新一代的移动通信系统方案中，都采用多天线技术，若能研究有效、快速的 m i m o 信道估计方法，必将导致多种新型的智能天线方案的提出并且大大提高 系统容量。而在m i m o 信道估计中如果使用盲信号处理技术进行信道估计以 及信道均衡可以避免或者大大减少训练序列的使用，从这个意义上讲可以很大 程度上提高系统的效率。并且简化接收系统的结构。考虑到实际应用中噪声肯 定是存在的，因此一般要考虑噪声对整个系统的影响。 盲源分离的系统模型与m i m o 通信系统模型极为相似。盲源分离一般包括两 种模型，即瞬时混合模型和卷积混合模型。瞬时混合模型与理想的简化m i m o 重庆邮电大学硕士论文 模型一致，多路发射信号不考虑时延、多径等影响，属于较理想的m i m o 信 道模型，对m i m o 系统的分析有指导意义，是初步研究的重点。盲源分离的 卷积混合模型将混合矩阵当作多阶滤波器，考虑各路混合信号在系统中的延 时、多径等影响。这样的盲源分离模型与实际的m i m o 系统模型更为一致， 是深入研究两系统结合的重点。 实际的m i m o 通信系统的调制方式一般采用b p s k 、q p s k 、1 6 q a m 、6 4 q a m 等方式，这样调制得出的信号一般是复值的、恒模的，且其四阶累积量具有较 为固定的值，若对这样的混合信号进行盲分离或盲抽取性能较佳，这些都属于 亚高斯信号，下文详述。而对较多的高斯信号的混合一般的盲源分离都是没有 办法对其分离的。 盲源分离一般要求其观测信号的维数要大于等于发送源信号的维数，对应于 m i m o 系统就是接收天线数大于等于发送天线数，这个条件一般的m m i o 通 信系统都是可以满足接收天线数等于发送天线数的，若接收天线数可以增加， 那么将会得到更大的增益。 m i m o 通信系统一般发送的是复值信号，其对接收信号的相位是敏感的，若 接收信号相对于发送信号相位存在偏差，那么解调的结果错误率会大为增加。而 盲源分离对复数信号的分离结果存在排序、幅值、相位的不确定性，若将分离结 果直接使用，必然导致e q 结果星座图混乱。需要对盲源分离的结果进行不确定性 消除。本文提出了一些新的方法对各种不确定性进行消除，并针对延时模型和基 带残留频偏对系统的影响提出了改进方案，使得盲源分离能够应用到m i m o 系统 中【7 1 。 1 4 论文研究工作及安排 本文的研究方向为将盲源分离算法应用到m i m o 通信系统中。首先研究了盲 源分离的主流算法以及一种新的名为r o b u s t l c a 的盲分离算法，基于该算法推导 出对应的盲抽取算法。然后提出了盲源分离与m i m o 系统结合的多种解决方案， 尤其针对盲源分离结果的排序、相位不确定性采取了多套方案进行不确定性消除。 并将应用模型由瞬时m i m o 扩展到延时m i m o 模型，提出了延时m i m o 模型下 的改进方案；此外在存在基带残留频偏的应用场景下对方案进行了针对性改进， 改进后给出的整体解决方案相对于经典的基于训练序列的m m s e 检测算法在不同 信噪比下有1 - 3 d b 的性能优势。最后分析了整体方案的复杂度及可实现性。最后 进一步深入研究，将盲源分离算法应用到m i m o o f d m 系统，并提出了其不确定 6 第一章绪论 性消除方案，使得盲源分离能够应用到目前主流的m i m o o f d m 系统中。 论文结构安排如下： 第二章首先对盲源分离领域涉及的基本概念和数学基础知识以及该领域研究 所使用的通用模型进行介绍；接着通过盲源分离与独立分量分析概念的区分引出 i c a 方法的基本概念，提出i c a 算法的两个核心问题是对照函数的建立和迭代优 化算法的设计；然后给出了i c a 算法通用的信号预处理过程原理；最后对目前i c a 方法研究领域被广泛研究、应用的经典的f a s t l c a 算法进行了关键算法原理的讲 解。 第三章主要针对移动通信中的应用需求，对复值信号的盲分离算法进行了研 究。其中的研究重点便是一种拥有较强鲁棒性的r o b u s t l c a 算法。研究内容包括该 算法区别于其他基于峭度算法的特点、r o b u s t i c a 算法的原理及其实现的关键步 骤、从迭代次数和每次迭代所需的运算量两方面对r o b u s t l c a 算法进行了运算量评 估。该算法相对于之前的经典j a d e 算法及f a s t l c a 算法均有较大的性能提升。此外 提出了基于r o b u s t i c a 算法作一定修改得到的盲抽取算法，并介绍了其原理及应用 场景。 第四章是本文的核心章节之一，主要将r o b u s t l c a 算法以及其他盲分离算法 应用到m i m o 系统中，使盲分离与m i m o 系统结合，并针对不同的应用场景设计 了不同的针对性方案，包括针对盲分离结果不确定性提出的星座调整方案和序列 相关方案、针对延时m i m o 混合系统的改进方案、针对基带残留频偏的改进方案 等，并进行了多角度的对比仿真体现各方案的性能特点。本章所给出的整体解决 方案相对于原基于训练序列的m m s e 检测算法方案在不同信噪比下有1 _ 3 d b 的 性能优势，最后本章给出了整体方案的关键步骤复杂度统计及可实现性分析。本 章基于实际系统的应用考虑，设计了针对性的接收端半盲检测的方案，对实际系 统具有一定的参考意义。 第五章主要在第四章应用的基础上，将盲源分离扩展应用到m i m o o f d m 系 统中，采用了多个子载波上的分别盲分离及相关性预编码来解决系统设计的难点， 并对比仿真了该方案的性能，目前得到的仿真结果还不理想，待进一步优化。该 方案是无训练序列的全盲方案。 第六章总结全文，并指出今后进一步研究的方向和考虑的问题，致力于将盲 源分离与m i m 0 系统的实际结合。 7 重庆邮电大学硕士论文 8 第二章盲源分离算法基础研究 第二章盲源分离算法基础研究 盲源分离作为盲信号处理领域的重要分支，同盲信号处理一样，盲源分离的 所有理论自然是基于数学这一基础学科，包括统计学、概率论以及信息论等数学 分支。研究盲源分离，有必要先简要介绍一下在盲源分离算法研究当中用到的数 学方面的概念和基本知识。 有了基本概念之后，本章后续讨论盲源分离的两种基本模型：瞬时混合模型 和卷积混合模型。在瞬时混合模型的基础上引出重要的盲源分离方法独立分 量分析方法，并对独立分量分析的基础知识以及重要的对照函数选取主流方法进 行介绍，最后对目前盲源分离领域较为著名且有效的f a s t l c a 盲分离算法的原理进 行介绍。 2 1 盲源分离涉及的数学基础 本小节对盲源分离涉及的数学基本概念做了较简单的介绍，包括信息熵、k - l 散度、互信息量、高阶统计量等概念，详细理论知识可查阅相关资料8 1 。 2 1 1 信息熵 信息熵的度量属于信息论中最基本的问题，但对于各种自然界普遍存在的信 息给出一个统一的度量量是困难的，目前该领域最为普遍的表示，就是由信息论 学科创始人s h a n n o n 提出的两个度量的重要参数熵和互信息量。均是建立在统 计学理论基础上的度量信息参数。信息熵利用概率密度函数来描述不确定性，定 义式如下： ，( 彳) = - l o g p ( a ) 式( 2 1 ) 式中，p ( a ) 为事件彳的概率；，( 彳) 是用来度量事件彳发生所提供的信息量， 称之为自信息量。一般对数取以2 为底，对应的互信息量单位为比特。 假设一个随机事件有n 个可能的取值，且各种取值出现概率分别为 p l ，p ：，n ，则这些可能的取值的自信息量的平均值就定义为熵，表示式为： 卫 8 ( p l ，p 2 ，p ) = 一艺p il o g p f 式( 2 2 ) i = 1 在统计学中，熵这一量度量的是是系统或事件的不确定性或无规律性程度。 9 重庆邮电大学硕士论文 从熵的定义式中可以察觉熵一定是非负的，只有当一个信号出现的概率为1 时， 熵才可能达到最小值零，表示无信息量。 熵的重要性质包括：对称性、非负性、扩展性、可加性、极值性、上凸性、 条件熵不大于无条件熵。其中熵的上凸性这一性质保证了熵的极值最大值的 存在，这一性质对求最大熵或判断最大熵非常有用。 2 1 2 互信息量 互信息量与自信息量相对应，是用来度量两个随机变量x 和y 相互独立的程度。 互信息量定义为联合概率空间 x y ，p c x y ) ) 上的随机变量i ( x ，y ) 的数学期望，具体 表达式为 i ( x ，y ) = e i ( x ，y ) ) 2 涉川。g 等 ， 工，j，j7、一，p， 一 、 = 肛y ) 1 0 9 静 = r j x p ( x ，j ，) ip ( x ) p ( y ) ) 在盲分离中经常利用互信息量这一参数来度量随机变量间的统计独立性。根 据熵的定义如下等式也是成立的： z ( x ，y ) = 日( x ) 一日( x iy ) = 日( y ) 一h ( y i x ) = ，( 】，x ) 式( 2 4 ) = 日( x ) + 日( y ) 一h ( x y ) 式中，h ( x ) 是x 的熵，日( y ) 是】，的熵，日( 灯) 是联合熵。 2 1 3k - l 散度 k - l 散度是k u l l b a e k l e i b l e r 的缩略语，它是用来度量两个概率密度函数的接近 程度。定义式为 k t ( p a x ) lp y ( 砌= 以1 1 1 器出 式( 2 5 ) 式中见( x ) 、p y ( x ) 是关于x 的两个不同的概率密度函数。 k - l 散度的重要性质有以下两点【8 】： k - l 散度是非负的，即碰( 儿( 工) ip y ( x ) ) o ，当且仅当以( 功- - p y ( x ) 时等式 成立。 x 可逆的线性变换及非线性变换的k - l 散度度量量保持不变，即： 1 0 第二章盲源分离算法基础研究 k l ( p , ( x ) lp y ( x ) ) = k l ( p s ( ，) ( z ) ip ( y ) ( z ) ) 式( 2 6 ) 2 1 4 高阶统计量羽 高阶统计量包括广泛，主要指高阶矩、高阶累积量以及高阶矩和高阶累积量