基于信道分类和自适应调制编码的认知无线电决策引擎

于 洋 谭学治



基于信道分类和自适应调制编码的认知无线电决策引擎

于 洋 谭学治*

(哈尔滨工业大学通信技术研究所 哈尔滨 150080)

在多径信道条件下，针对单载波频域均衡(SC-FDE)认知系统不能通过多目标优化策略进行决策的问题，该文提出一种基于信道分类和自适应调制编码(AMC)的认知无线电决策引擎。该决策引擎首先对当前信道进行分类，确定当前信道状态；然后根据当前信道状态下的策略切换表选取最优传输策略(MCS)，并计算该策略的使用时长(MCSD)。一旦当前策略的持续时间超过了其使用时长，认知决策引擎就会对最优策略进行更新。仿真结果表明，该决策引擎能够提供最优的传输策略以提高频谱效率，使SC-FDE认知系统更好地适应无线信道复杂的电磁环境。

认知无线电；多径信道；单载波频域均衡认知系统；自适应调制编码(AMC)；信道分类

1 引言

为了实现任何时间、任何地点的高可靠通信，以及对异构网络环境有限的无线频谱资源进行高效利用，认知无线电技术应运而生[1]。该技术以灵活、智能、可重配置为显著特征，通过感知外界环境，有目的地实时改变发射机参数(如传输功率、调制方式和码率等)，使其内部状态与当前信道状态相匹配，以达到最优传输的目的。而如何根据感知的信道信息合理地调整发射机参数以提高频谱效率，正是认知决策引擎的主要任务。

根据上述研究，本文提出了一种基于信道分类和自适应调制编码(Adaptive Modulation and Coding, AMC)的SC-FDE认知系统决策引擎。该决策引擎的意义在于：(1)该引擎解决了SC-FDE认知系统无法通过多目标优化进行决策的问题；(2)当信道状态发生较大变化时，该引擎能够通过信道分类和信道估计的结果，感知到当前的信道变化，并且相应调整传输策略以匹配当前的信道状态；(3)通过计算策略持续时间(Modulation and Coding Scheme Duration, MCSD)，该引擎减少了信道估计和策略切换的操作，从而减少了系统开销。

2 问题的提出

由于SC-FDE系统能够克服OFDM系统峰均功率比大，放大器线性范围要求高，对相位噪声和载波频偏敏感等缺点，且两者的抗多径性能相当，因此SC-FDE体制被引入到认知无线电中。但对于SC-FDE认知系统，由于其采用频域均衡而非多载波的方式克服码间干扰(Inter-Symbol Interference, ISI)的影响，所以该系统工作在多径信道条件下，而多径信道下不同调制、不同编码的BER解析式很难获得。如在Turbo码迭代译码情况下，求解其精确的BER表达式极其复杂，一般获得的是其性能的上、下限。因此通过上述多目标优化理论解决SC- FDE认知系统的认知决策引擎的设计问题会使问题进一步复杂化。现有如下几种方式解决此类问题：(1)基于范例推理(Case Based Reasoning, CBR)的认知决策引擎。因其采用类似枚举的方式对不同信道状态进行匹配，而存在着计算量巨大的先天不足。(2)基于SNR高阶统计量的认知决策引擎。如前所述，目前还没有相关文献针对这方面进行具体研究。(3)基于自适应门限调整(Threshold Adjustment, TA)的认知决策引擎。由于该决策引擎采用的TA理论尚待完备，其收敛性问题也未得到理论分析，所以该类决策引擎技术也不成熟。综上所述，SC-FDE认知系统急需一种有效的决策引擎，以实现提高频谱效率的目的。

3 认知决策引擎

图1是本文设计的SC-FDE认知无线电基带仿真系统。如图1所示，本文设计的认知决策引擎由3部分组成：信道分类，AMC策略选取和计算MCSD。首先，认知引擎进行信道分类；信道分类的结果作为AMC的输入参量，AMC据此进行最优策略的选取；最优传输策略一旦被AMC选出，则计算其相应的MCSD。认知引擎通过检查当前策略的使用时间是否超过相应的MCSD，以判决最优策略是否需要更新。

3.1 信道分类

接收信号的采样序列可以表示为[14]

图1 SC-FDE认知无线电基带仿真系统

对算法性能和实现复杂度进行综合考虑，本文采用最小二乘(Least Squares, LS)信道估计算法和频域最小均方误差(Minimum Mean Square Error, MMSE)SNR估计算法。信道估计和SNR估计的好坏对整个认知系统的性能具有较大影响。信道估计一旦不准确，势必影响SNR估计的准确性。两者的累积误差可能会导致认知引擎对当前信道状态误判，从而错误地决策出一个不匹配当前信道状态的传输策略。而这样的传输策略可能降低系统的频谱效率，也可能使得BER性能达不到系统要求。因此，准确的信道估计和SNR估计是认知引擎能够正确进行决策的重要前提和保障。

3.2 AMC最优策略选取方案

3.3 MCSD

本文提出的认知决策引擎具体实现过程如下：

步骤1 在给定信道状态下进行离线系统仿真，得到可选MCS的BER-SNR性能曲线和吞吐量曲线；

步骤3 在线状态下认知决策引擎进行信道分类，从而确定当前的信道状态；

需要说明的是，信道变化率对本文认知系统的性能影响较大。当信道变化率极大，即信道状态变化极其剧烈时，如信道的相干时间与认知决策引擎处理延迟(信道分类处理时间、认知决策处理时间和反馈延迟的总和)相当时，本文的认知系统无法跟踪信道的变化，因此其适应外部环境的自适应能力丧失。本文提出的认知决策引擎更适用于慢时变信道和能够保证认知决策引擎处理时间的快时变信道。在实际应用中，大部分的山区多径信道条件均是本文认知决策引擎适用的信道场景。

4 仿真结果与分析

本文的仿真结果均是基于本文设计的如图1所示的SC-FDE基带仿真系统得到的。具体的仿真参数和信道参数分别如表1和表2所示。本系统中最大多普勒频率5 Hz对应的移动终端最大速率为27 km/h。仿真中采用的两种调制方式分别为BPSK和QPSK；编码方式为低密度奇偶校验(Low Density Parity Check, LDPC)码，编码后长度为3176, 4种可选码率分别为1/2, 2/3, 3/4和5/6。将上述参数组合共得到8种MCS，记为S1~S8，如表3所示。

表1仿真参数表

信道类型瑞利多径信道 载波频率200 MHz 符号速率5 Msymbol/s 目标误码率 信道估计LS算法 频域均衡MMSE算法 SNR估计MMSE算法

表2信道模型参数表

信道参数径数多径时延(μs)各径幅度(dB)最大多普勒频率(Hz) 取值50, 0.5, 2.0, 13.0, 15.00, -1.5, -4.5,-8.0, -10.05

表3 AMC策略组合表

码率调制 BPSKQPSK 1/2S1S2 2/3S3S4 3/4S5S6 5/6S7S8

在如表2所示的信道模型下，进行离线系统仿真，得到所有可选策略的BER-SNR性能曲线和吞吐量曲线，分别如图2和图3所示。图3中各MCS的吞吐量由式(11)给出：

如图2所示，不同可选策略的BER-SNR性能曲线存在交叉点，如在7.2 dB处策略S2和策略S5存在交叉点。出现此类情况的原因是本文以SNR作为轴的标度。虽然S5的调制阶数低于S2，其BER性能应该较后者更优。但是S5码率比S2大，调制阶数和码率的综合作用导致了不同可选策略出现交叉点的情况。

表4 AMC策略切换表

以下将文献[13]提出的CR-ASC-FDE与本文提出的认知决策引擎在频谱效率和吞吐量两方面进行性能比较。采用本文提出的认知决策引擎的认知系统，其频谱效率为

表5不同SNR下的平均策略持续时间

(dB)平均MCSD(ms) MCS1MCS2MCS3 1039.935.0 5.8 1520.140.3 63.8 20 7.620.2133.3

表6不同SNR情况下的频谱效率性能对比

(dB)平均 认知决策引擎CR-ASC-FDE 100.49020.2744 150.96600.4136 201.36910.4709

图2 所有可选传输策略的BER-SNR性能曲线

图3 所有可选传输策略的吞吐量性能曲线

图4 最优MCS的BER-SNR性能曲线

图5 最优MCS的吞吐量性能曲线

图6 认知决策引擎和CR-ASC-FDE的吞吐量性能比较

5 结论

针对SC-FDE认知无线电系统，本文提出了一种基于信道分类和AMC的认知无线电决策引擎。该决策引擎通过信道分类，最优策略选取和计算策略持续时间，自适应地调整发射机参数，使认知系统能够较好地匹配当前的信道状态。仿真结果表明，该认知决策引擎使认知系统在频谱效率和吞吐量性能方面具备较大优势，实现了最优传输的目的。

[1] Mitola J and Maguire G. Cognitive radio: making software radios more personal[J]., 1999, 6(4): 13-18.

[2] Khedr M andShatila H. CogMAX-a cognitive radio approach for WiMAX systems[C]. Proceedings of 7th IEEE/ACS International Conference on Computer Systems and Applications, Rabat, 2009: 550-554.

[3] Khedr M,Shatila H, and Reed J H. Adaptive resource management for a vague environment using cognitive radio[C]. Proceedings of 3th IEEE International Conference on Computer Science and Information Technology, Chengdu, 2010: 581-589.

[4] He Qian,Feng Zhi-yong, and Zhang Ping. Reasoning through fuzzy logical for reconfiguration in cognitive radio network[C]. Proceedings of 2011 International Conference on Wireless Communications and Signal Processing, Nanjing, 2011: 1-5.

[5] Chantaraskul S and Moessner K. Implementation of a genetic algorithm-based decision making framework for opportunistic radio[J]., 2010, 4(5): 495-506.

[6] Huynh C K and Lee W C. Two-dimensional genetic algorithm for OFDM-based cognitive radio systems[C]. Proceedings of 2011 IEEE 3rd International Conference on Communication Software and Networks, Xi’an, 2011: 100-105.

[7] Yang Yan-chao,Jiang Hong, Liu Cong-bin,.. Research on cognitive radio engine based on genetic algorithm and radial basis function neural network[C]. Proceedings of 2012 Spring World Congress on Engineering and Technology, Xi’an, 2012: 1-5.

[8] 赵知劲, 徐世宇, 郑仕链, 等. 基于二进制粒子群算法的认知无线电决策引擎[J]. 物理学报, 2009, 58(7): 5118-5125.

Zhao Zhi-jin, Xu Shi-yu, Zheng Shi-lian,.. Cognitive radio decision engine based on binary particle swarm optimization[J]., 2009, 58(7): 5118-5125.

[9] Chen Jung-chieh and Wen Chao-kai. A novel cognitive radio adaptation for wireless multicarrier systems[J]., 2010, 14(7): 629-631.

[10] 张静, 周正, 高万鑫, 等. 基于二进制量子粒子群算法的认知无线电决策引擎[J]. 仪器仪表学报, 2011, 32(2): 451-456.

Zhang Jing, Zhou Zheng, Gao Wan-xin,.. Cognitive radio decision engine based on binary quantum particle swarm optimization[J]., 2011, 32(2): 451-456.

[11] Mahdi A H,Mohanan J, Kalil M A,.. Adaptive discrete particle swarm optimization for cognitive radios[C]. Proceedings of 2nd IEEE International Workshop on Smart Communication Protocols and Algorithms, Xi’an, 2012: 6550-6554.

[12] Catreux S, Erceg V, Gesbert D,.. Adaptive modulation and MIMO coding for broadband wireless data networks[J]., 2002, 40(6): 108-115.

[13] 王武军, 蒋伟, 董明科, 等. 一种恒定发送符号速率的自适应SC-FDE方案[J]. 北京大学学报(自然科学版), 2011, 47(3): 411-417.

Wang Wu-jun, Jiang Wei, Dong Ming-ke,.. A constant sending symbol rate adaptive SC-FDE scheme[J]., 2011, 47(3): 411-417.

[14] Goldsmith A. Wireless Communications[M]. 2nd, Cambridge: Cambridge University Press, 2005: 58-64.

[15] Sung W J and Klim I K. An MLSE receiver using channel classification for Rayleigh fading channels[J]., 2000, 18(11): 2336-2344.

[16] Wang H S and Moayeri N. Finite-state Markov channel-a useful model for radio communication channels[J]., 1995, 44(1): 163-171.

于 洋： 男，1984年生，博士生，研究方向为链路自适应、认知无线电.

谭学治： 男，1957年生，博士，教授，博士生导师，研究领域为专用移动通信系统、个人移动通信、智能信息系统、认知无线电技术.

Cognitive Radio Decision Engine Based on Channel Classification and Adaptive Modulation and Coding

Yu Yang Tan Xue-zhi

(,,150080,)

It can not make decision by multi-objective optimization over the multipath channel for Single Carrier Frequency Domain Equalization (SC-FDE) cognitive systems. In order to solve the issue, a novel cognitive radio decision engine is proposed based on channel classification and Adaptive Modulation and Coding (AMC). Firstly, the channel is classified to determine the current channel state by the proposed engine. Then, the optimal Modulation and Coding Scheme (MCS) is selected in the MCS switching table according to the current channel state, and its Modulation and Coding Scheme Duration (MCSD) is calculated. Once the current MCS lasts longer than its MCSD, the cognitive radio decision engine will update the optimal MCS. The simulation results show that the proposed cognitive radio decision engine can provide the optimal transmission strategy to improve the spectral efficiency for SC-FDE cognitive systems. Therefore, the engine makes SC-FDE cognitive systems adapt to the complex electromagnetic environment better.

Cognitive radio; Multipath channel; Single Carrier Frequency Domain Equalization (SC-FDE) cognitive system; Adaptive Modulation and Coding (AMC); Channel classification

TN919.72

A

1009-5896(2014)02-0371-06

10.3724/SP.J.1146.2013.00653

谭学治 tanxuezhi_hit@163.com

2013-05-10收到，2013-10-08改回

国家科技重大专项(2011ZX03004-004)，国家自然科学基金委员会与中国民用航空局联合资助项目(61071104)资助课题