基于超密度圆环排序机制的5G网络信号传输算法

,

(1.兰州文理学院 数字媒体学院,兰州 730000; 2.兰州大学 信息科学与工程学院,兰州 730000)

0 概述

5G通信技术具有数据编码强度大、信道及信源数据处理复杂等显著的技术特点,能够适应未来无线网络超高数据传输强度及超强动态误差控制等用户体验需求,从而促进5G网络技术在实践中的推广运用[1-2]。

为了提高信号传输精度,研究者通过将信号预发射过程纳入信源或信道传输算法中,试图在增强信道抗攻击能力的同时,提高信号预发射过程的数据传输效率,改善信号传输质量。如文献[3]等提出了基于分支裁剪机制的5G移动数据抗噪传输算法,针对各个传输子信道的数据报文进行分支切割,并裁剪为频率互相分裂的数据报文的方式,实现了数据加密与数据传输的同等幅度提升;但是该算法对数据裁剪过程的复杂度考虑不足,导致传输过程的效率难以得到提高。文献[4]等提出了基于分段等级编码机制的5G网络稳定传输算法,通过克隆信源编码副本的方式对信源编码质量进行实时监控,能够在信源噪声受到严重干扰时,提高编码准确度。然而,该算法未能考虑信道噪声对信源传输数据的混频影响,当信道噪声与信源频率出现共振效应时,其数据传输率将出现显著的下降现象;文献[5]等提出了基于高维共线度窄带噪声识别机制的5G网络信号误差限制算法,采取正交环控制的方式实现了信道稀疏状态下的传输精度提升,且误差精度控制水平不低于文献[4]。但是,它需要通过选取基准频率的方式进行误差比对,当子信道数量较多时将由于基准频率难以选取等因素,导致噪声投影点数量迅速增多,降低了算法的精度水平。

可见,上述算法在构造数据接收结构过程中均未能考虑信号预发射过程与信号接收结构间可能存在的映射关系,一旦传输子信道的频率与信号预发射的频率产生共振现象时,将很难实现对信道噪声频谱的擦除,从而降低算法的数据传输性能。

为此,本文提出一种基于超密度圆环排序机制的5G网络信号传输算法。考虑小区基站与信号间的混叠现象,通过将接收节点按超密度排序的方式,构建一种超密度圆环排序接收结构,降低数据传输过程中的传输误码率。

1 本文5G网络信号传输算法

1.1 基于超密度圆环排序机制的信号预发射

鉴于当前研究中存在的不足,本文提出基于旋转环电控接收结构的5G无线网络信号定位算法,整个算法由超密度圆环排序机制、基于差分机制的方位角精度优化2个过程构成,见图1。典型的5G信号均通过移动节点内部的天线进行数据收发[6],为降低节点间的数据交换过程的信号解调困难,采用256进制星座进行256频移键控调制(256FSK调制),射频信号在调制过后分为k个节点信号进行传输[7],射频信号传输过程时,需要首先搜寻基准投影,通过自主选定相应的中央基站并采取一定的链路稳定措施,从而实现信号的传播。信号传播示意图如图2所示,则其射频信号的单位冲激响应H(k)(ω)为:

(1)

其中,ε(ω)为频域单位冲激响应,βl(M)为第M路信号在第l个子信道上的干扰因子,ωl为第l个子信道上频域单位冲激响应的延时。

图1 本文5G网络信号传输算法流程

图2 信号传播示意图

由式(1)可得,无线网络在进行第M路信号加密后,所获取到的信号频域形式Y(M)(ω)可表示为:

Y(M)(ω)=S(ω)H(M)(ω)+L(M)(ω)

(2)

其中,Y(M)(ω)为第M路加密信号的频域形式,L(M)(ω)为第M路子信道中莱斯干扰因子的频域形式,s(ω)为六十四进制相移键控基带信号,其原始信号s(t)形式为:

(3)

其中,ai为第i个网络节点数据符号,具体调制数值按64PSK调制模式制定得到,bj为随机序列,且满足bj∈{+1,-1},Tc为64PSK信号的预传输周期,Ts为调制时间片的周期长度。

此外,256FSK调制中A(t)满足:

A(t)=e(1-64πt2/ζ2)+e(-16πt3/63ζ2)

(4)

其中,ζ为标准正三角信号脉冲的单位冲激响应[8-9]。

联合式(2)～式(4)可得:

(5)

根据式(1)可知,网络信道在节点发送信号的频域上最大支持M路信号进行传输,则离散系数Δω可写为:

Δω=2π/M

(6)

对式(5)进行M路信号离散化后可得待传输的信号为:

(7)

考虑到无线网络进行信道传输时均需要进行矢量化处理,因此,式(7)可以进一步矢量化为如下的形式:

Ym=Lm+βmEωs

(8)

Lm=[L(M)(ω1),L(M)(ω2),…,L(M)(ωM)]T

(9)

其中,βm表示第M路子信号的干扰因子,矢量Lm表示第M路信号离散化后所对应的莱斯噪声干扰因子,矢量Ym表示第M路待传输信号,矢量S可写为:

S=Λ[s(ω1),s(ω2),…,s(ωM)]T

(10)

其中,Λ为特征值均为1且秩值为m的对角矩阵;此外式(8)中矩阵Ew为单位时延矢量因子,并满足:

Ew=[1,e-jΔωωi,e-2jΔωωi,…,e-λjΔωωi]T

(11)

依据模型式(1),则区域内的5G节点接收到第k路无线信号为:

Y(k)(φ)=F(k)(φ)+T(φ)H(k)(φ)

(12)

其中,Y(M)(φ)为第k路无线信号的频率离散化信号分量,F(k)(φ)为该信号分量中混杂的莱斯干扰,均值为1,标准差为0,T(φ)第k路无线信号在进行第一轮数据发送时的频率增益,其时域信号表达式T(t)为:

(13)

其中,Ts表示脉冲信号的符号周期,Tc表示脉冲信号的发射周期,Nc表示第k路无线信号中的脉冲符号在Tc内的最大出现次数,bj为进行256频移键控调制过程中的伪随机序列,且满足bj∈{+1,-1},ai为进行256频移键控调制的脉冲符号序列,且满足ai∈{+1,-1}。

由于各个小区基站间的信号均存在一定的混频现象[7],虽然各个节点通过式(8)能够将信号进行恢复,然而对于第M路子信号而言,由于各个小区位置距离较近,难以顺利的对信号进行恢复[8]。这是由于5G节点接收信号时,若各个节点接收过程采用图2所示的小区接收结构,该结构采取简单距离测距的方式实现5G节点与中央节点的交互,其中,中央基站的信号覆盖范围设定为基准投影,5G节点的最大功率覆盖范围为信号投影;由于5G节点均为移动状态,当存在多个中央基站时将可能存在多个基准投影,从而导致难以在节点密集时准确的通过方向定位来实现信号的准确接收[9]。

因此,本文构建超密度圆环排序接收结构,整个接收机制由小区基站接收结构与节点信号接收结构组成,首先将整个小区基站进行星座映射,并按顺序确定天线基准节点,当仅当各个接收节点排列按距离远近进行排列之后,方可进行小区基站信令接收。其中小区基站接收天线将按照时延顺序一一映射为节点信号接收结构,详细过程如下所示。

步骤1首先确定小区基站位置,然后搜寻全部可用的小区基站,将中央基站设置为星座中心,并确保5G节点与星座中心所形成的切线与法线呈现正交状态;信号传输时首先映射处于星座中央位置的小区基站,依次根据距离远近选取性能最佳的若干信号投影,并将按极坐标方式计算信号发射方向与信号投影之间的夹角,从而获取切线方向与法线方向,见图3。

图3 小区基站接收结构(5G节点处于静止状态)

步骤2按距离远近,从小区基站划分距离层次,并将各个天线位置依次分布在层次圈内,见图1。当5G节点位置发生移动时,选取最近的一个天线位置作为基准位置,然后将5G节点与星座中心进行连线,并根据小区基站与信号投影之间的切线与法线位置进行重定位,其中,5G节点的信号发射方向与信号投影之间的夹角构成了切线方向,信号将沿着切线方向进行二次定位,获取在圆盘平面上的法线方向,整个重定位过程见图4。

图4 小区基站接收结构(5G节点处于移动状态)

步骤35G节点在接收到天线转发的小区基站信令后,根据各个节点时延状况,按接收方向将节点依次排列,映射成环状信号接收层次,当回发信号时,首先从距离最近的环上对信号进行解析,见图5,并依次按由远到近的顺序,完成信号的发送。

图5 超密度圆环排序接收结构

1.2 基于差分机制的方位角精度优化

由于在采用图5所示的超密度圆环接收结构进行节点定位过程时,可能在同一时刻存在多个满足图2、图3所示的接收平面,且任意一个接收平面进行图4所示的重定位过程中均可获取相应的切线方向,令该切线方向为θ,任意一层次的旋转环结构均可以获取θ的一个估计;当图5所示的超圆盘密度较大时将存在多个估计,导致定位过程中出现困难;针对该困难,在其定位过程中,首先获取法线角度和切线角度估计,然后按照圆环排序接收结构不断获取相应的角度估计,按向量排序的方式逐次计算角度差分,从而达到精度提升的目的。不妨设该估计分别为θ1和θ2,在t=tm时该的分别记为θ1(m)和θ2(m),由于旋转环电控结构均是独立的,即任意一个旋转环电控结构的工作状态均不互相影响。因此整体的矢量θ(m)估计为:

θ(m)=[θ1(m),θ2(m)]T

(14)

由于窄带瑞利噪声能够在全过程对接收相位产生干扰,如式(13)所示,而观测过程中仅能根据t=tm时刻对不同的接收样本进行估计,因此,以式(14)所示时刻获取的θ估计为θ(m)基准信号,则观测过程中获取的样本矢量Z(m)可为:

Z(m)=θ(m)+Ym(t)

(15)

其中,矢量Ym(t)为式(5)所示的窄带瑞利噪声在t=tm时刻的观测值。

从式(14)可知,观测过程仅能通过不同的t=tm时刻采样得到,设整体采样样本矢量Ym(t)满足:

Ym(t)={y1(t),y2(t),…,ym(t)}

(16)

任意时刻的样本矢量Ym(t)均满足模型式(5)所示的Γ-ψ分布,即:

Ym(t)～f(ym(t)|ym-1(t))

(17)

其中,f表示Γ-ψ分布的特征函数。

采用式(14)抽样获取的t=tm时刻各个样本值在估计过程中所具备的权重也有所不同,而不同时刻的样本值计算过程均存在一定的相关性,计算t=tm时刻的抽样权重wm为:

(18)

(19)

此外考虑到式(14)的样本均满足Γ-ψ分布,将式(18)代入式(19)计算可得:

(20)

结合式(19)、式(20),并考虑观测样本满足高斯分布[12],可得θ(m)最终估计绝对值为:

(21)

式(11)即为最终的定位角度精度估计,由于通常5G网络的频率较大,如常用的网络的频率为2 000 MHz左右[13],而式(5)为单调减函数,因此,通过式(16)计算得到的精度可达10-10级别,而本文算法提及的混沌频率漂移消除优化传输[14](Chaotic Frequency Drift Elimination,GFDE)、高精度数据传输调节机制[15](High Precision Data Transmission Mechanism,HPDT)的最高精度也仅能达到10-8级别,可见,本文算法具有更高的信号定位精度。

2 仿真实验

为验证本文算法的有效性,与当前常用的混沌频率漂移消除优化传输机制[13]、高精度数据传输调节机制[14]进行仿真实验对比。仿真参数如表1所示。

表1 算法仿真参数

2.1 传输误码率

信道条件设置为高衰落信道,5G节点的数据传输速率控制在1 024 kb/s以内,信道衰落强度分别设定为8 J/dB、16 J/dB、248 J/dB。经过6 h仿真后,仿真实验结果见图6。

图6 3种算法的传输误码率测试

由图6可知,随着数据传输速率的不断增加,本文算法的数据误码率始终呈现较低幅度的波动态势,且传输误码率始终低于10-8,与对照组(GFDE算法、HPDT算法)相比具有显著的优势。这是由于本文算法采用超密度接收结构,能够将各个传输子信道进行固态化的方式,进一步提高算法对高衰落信道的适应性能,且能够有效抑制窄带瑞利噪声对信号传输过程中的不利影响;而GFDE算法虽采取了一定的抗噪措施,即通过带通滤波方式对窄带瑞利噪声进行抑制,然而由于各个传输子信道均处于非正交状态,导致噪声信号的干涉效应较强;HPDT算法虽然采用虚拟分区机制,能够通过竞争方式筛选传输条件较好的信道,然而由于该虚拟分区需要实现指定,且分区过程中均不涉及预传输的正交特性,因此误码率要高于本文算法。

2.2 数据吞吐率

信道衰落设置为248 J/dB,5G节点的数据传输速率控制在1 024 kb/s以内,信道分别设定为8 J/dB、瑞利信道、拉普拉斯信道、莱斯信道。经过6 h仿真后,仿真实验结果见图7。

由图7可知,本文算法的数据吞吐率始终具有较好的优势,特别是当信道环境恶劣时,见图7(c),且本文算法数据吞吐率要远远高于对照组算法。这是因为本文算法采用超密度圆环排序接收结构,当信道噪声干扰强烈时能够迅速提高信道传输容量,改善数据吞吐性能,有效削除波峰;而GFDE算法仅针对数据上传吞吐进行随机调度,未对数据吞吐峰值进行任何处理,HPDT算法是采用平均值线性映射方式,虽然能够对数据吞吐峰值进行一定的削弱,然而由于未能对传输容量进行提升,因此对照组算法的数据吞吐性能要低于本文算法。

2.3 数据传输质量

为直观显示本文算法与GFDE算法及HPDT算法在完成数据传输后的质量性能对比,本文以图像为信源数据。如图8(a)所示;经过3种算法传输后的接收端信源数据质量见图8(b)～图8(d)所示。由图可知,本文算法传输后的信源图像的失真度较小,图片纹理均未出现变形现象,见图8(b);而GFDE算法的信源图像遭受了变形破坏,见图8(c),HPDT算法的传输质量最差,清晰度不佳,且存在一定的变形,见图8(d)。这是由于本文算法构建了超密度圆环排序接收结构,能够通过筛选的方式实现对窄带莱斯噪声投影的预消除,减少了信道噪声对传输质量的影响;GFDE算法对频率混叠现象考虑不足,相邻子信道极易发生混叠现象,从而降低了数据传输质量;HPDT算法由于未采取任何机制对信道衰落进行处理,当产生窄带莱斯噪声干扰时,数据传输质量将出现显著的下降现象,见图8(d)。

图8 3种算法的数据传输质量测试结果

3 结束语

为提高5G网络信号传输技术抗干扰能力,本文通过密度排序机制,构建一种新的信号发射结构,能够在传输强度提高的基础上,进一步降低信号误码现象的发生,采用差分方式消除窄带瑞利噪声,促进了传输质量的改善。下一步将针对本文算法接收结构较为复杂的不足,通过引入流式正交投影自适应机制,将全部的网络信号纳入矢量投影空间中,进一步促进本文算法在5G网络领域内的应用。

[1] 陈永岭,胡宏林,杨秀梅.LTE中一种新的干扰与噪声功率估计方法[J].计算机工程,2013,39(12):79-83.

[2] WANG Hong,LIU Nan,LI Zihe.A unified algorithm for mobility load balancing in LTE multi-cell networks[J].Journal on Wireless Communications and Networking,2013,2(1):118-128.

[3] HASAN M,HOSSAIN E.Distributed resource allocation for relay-aided device-to-device communication:a message passing approach[J].IEEE Transactions on Wireless Communications,2014,13(11):6326-6341.

[4] WAN Jin,XU Can.Research on user pairing algorithm for LTE femtocell uplink[J].Science China,2014,8(4):96-105.

[5] ZHAO Ying,LI Ying,CHEN Xi.Joint optimization of resource allocation and relay selection for betwork coding aided device-to-device communications[J].IEEE Communications Letters,2015,19(5):807-810.

[6] NAVARATNARAJSHS,SAEED A,DIANTATI M.Energy efficiency in heterogeneous wireless access networks[J].IEEE Wireless Communications,2013,20(2):37-43.

[7] 陈 昕,张 磊,向旭东.基于随机网络演算的LTE网络端到端时延分析[J].计算机学报,2012,35(1):46-52.

[8] TONG En,DING Fari,PAN Zhixian.An energy minimization algorithm based on distributed dynamic clustering for long term evolution (LTE) heterogeneous networks[J].Science China Information Sciences,2015,58(4):1-12.

[9] 徐 强,全 欣,潘文生.同时同频全双工LTE射频自干扰抑制能力分析及实验验证[J].电子与信息学报,2014,36(3):662-668.

[10] 黄妙娜.LTE网络中多目标优化的动态负载均衡算法[J].电子与信息学报,2014,36(9):2152-2157.

[11] 吴 强,范建华,阚宝强.低开销的无线网络编码机会路由协议设计[J].计算机工程,2014,40(2):21-25.

[12] 李国汉,金 虎.一种基于KS距离的OFDM子载波数估计法[J].计算机工程,2012,38(21):100-102.

[13] NABIOLLAH S M.Calculating the transient behavior of grounding systems using inverse laplace transform[J].Journal of Zhejiang University-Science C,2011,12(3):250-262.

[14] ZHANG Gingpeng,YANG Kan.A bargaining game theoretic method for virtual resource allocation in LTE-based cellular networks[J].Science China,2015,12(1):5-13.

[15] LI Sihen,SHI Yingmi.Regulatory effects of stage-treatment with established Chinese herbal formulas on inflammatory mediators in pediatric asthma[J].Journal of Traditional Chinese Medicine,2013,6(11):727-732.