提高自然梯度算法收斂速度的mimo-ofdm信號盲分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信號盲源分離領(lǐng)域，涉及到多輸入多輸出（MM0)系統(tǒng)、正交頻分復(fù)用 (0FDM)技術(shù)、自然梯度算法（NGA)和獨立分量分析（ICA)理論等，適用于無線通信中信號的 盲分離。
【背景技術(shù)】
[0002] MIM0-0FDM是憑借其頻帶利用率和抗多徑衰落方面的獨特優(yōu)勢，是應(yīng)用于下一 代蜂窩通信（3GPP-LTE、移動WiMAX、MT-Advanced)、無線局域網(wǎng)（IEEE802. 11a、IEEE 802.lln)、無線個域網(wǎng)（MB-0FDM)和廣播（DAB、DVB、DMB)的一種關(guān)鍵技術(shù)。
[0003] 盲源分離理論是指發(fā)送源信號未知，源信號的混合方式也未知的情況下，僅通過 源信號的一些統(tǒng)計特性，利用觀測信號恢復(fù)出源信號的理論。其關(guān)鍵字"盲"包含兩個層面， 一是指對于接收端來說發(fā)送的源信號是不能被直接觀測到的，是未知的；二是發(fā)送的源信 號在信道中是如何混合的也是未知的，即信道參數(shù)也是未知的。
[0004] 隨著人們對數(shù)據(jù)傳輸速率和頻帶資源利用率的要求的不斷提高，運用盲源分離理 論對MIM0-0FDM信號進行分離具有重要的研宄價值和現(xiàn)實意義。該理論非常適合在源信號 與觀測信號間很難建立數(shù)學(xué)模型的通信場景，特別是在寬帶無線通信系統(tǒng)中，用盲源分離 取代傳統(tǒng)的訓(xùn)練序列等方式可以極大地提高頻帶利用率和系統(tǒng)的耦合性。
[0005] 雖然目前基于MM0-0FDM系統(tǒng)的盲源分離理論有著眾多的算法，例如自然梯度算 法、ICA算法等，但是其都存在一定的局限性：
[0006] (1)在MM0-0FDM系統(tǒng)中，盲源分離理論研宄的比較早和比較多的是基于自然梯 度算法的盲源分離理論，自然梯度算法在變化的環(huán)境中能夠快速地實現(xiàn)自適應(yīng)，但是存在 收斂速度較慢的問題，同時選擇合適的步長也非常關(guān)鍵，如果步長選擇不合適，可能會破壞 算法的收斂性。
[0007] (2)FastICA算法結(jié)合了固定點迭代、投影尋蹤和牛頓法的優(yōu)勢，在規(guī)避掉了步長 或其他參數(shù)對收斂速度的限制后，具有二次甚至三次的收斂速度，但是由于其采用的牛頓 優(yōu)化算法，迭代初始值比較敏感，而且表現(xiàn)復(fù)雜，有時可能出現(xiàn)發(fā)散和震蕩等導(dǎo)致收斂性無 法確定的問題。
[0008] 針對當前算法存在的局限性，已經(jīng)有不少文獻做出了研宄。有一些方案提出變步 長的概念，例如在算法開始的時候采用大步長，加快收斂速度，算法快結(jié)束的時候采用小步 長，提高收斂精度，在一定程度上兼顧了收斂速度和收斂精度平衡，但是仍然是一種非自適 應(yīng)的方式。還有一些方案提出了改進的FastICA方法，但是都只是針對某一類型的信號，并 沒突破在MM0-0FDM系統(tǒng)中該類算法的局限性。考慮到上述的各種因素，本發(fā)明提出了一 種基于自然梯度FlexibleICA算法的MM0-0FDM信號盲分離方法，在結(jié)合MM0-0FDM系統(tǒng) 特性的基礎(chǔ)上，兼顧了收斂速度和分離精度的要求，取得了有效的分離效果。
【發(fā)明內(nèi)容】
[0009] 本發(fā)明要解決的技術(shù)問題是：針對MM0-0FDM的信號盲分離問題，提出一種提高 自然梯度FlexibleICA算法收斂速度的信號盲分離方法。
[0010] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案為：
[0011] 一種提高自然梯度算法收斂速度的MIM0-0FDM信號盲分離方法，包括如下步驟：
[0012] 首先，對FlexibleICA算法在ICA預(yù)處理約束下做出了改進，得到新的迭代公式
其中，W為分離矩陣，n(n)為學(xué)習步長， x為預(yù)處理后的觀測信號，為激勵函數(shù)，n為表示當前迭代次數(shù)；
[0013] 然后，基于所述新的迭代公式進行分離迭代，并利用分離誤差自適應(yīng)地調(diào)整迭代 學(xué)習步長；
[0014] 最后，從分離矩陣的收斂性、迭代次數(shù)和分離誤差三方面判斷是否滿足終止條件， 若滿足則結(jié)束迭代，得出分離信號。
[0015] 優(yōu)選地，上述方案中所述分離誤差為
[0016]
[0017]其中，I是單位向量，為二范數(shù)。
[0018] 優(yōu)選地，上述方案中所述利用分離誤差自適應(yīng)地調(diào)整迭代學(xué)習步長為，n(n+1)= a(n)n(n)，其中，
[0019]
[0020] 其中，0是調(diào)節(jié)收斂速度的常量參數(shù)且0 < 0 < 1 ;Y是調(diào)節(jié)分離精度的常量參 數(shù)且0 <y< 1。
[0021] 優(yōu)選地，上述方案中所述分離矩陣的收斂性的判斷公式為：
[0022] &，其中，上標k表示第k路子信道，e:表示穩(wěn)態(tài)收斂閾 值。
[0023] 優(yōu)選地，上述方案中所述迭代次數(shù)的判斷公式為：num>Num，num是每一子載波處 的迭代算法迭代次數(shù)，Num是迭代次數(shù)上限。
[0024] 優(yōu)選地，上述方案中所述分離誤差的判斷公式為，其 中，||{為二范數(shù)，、是分離精度閾值常量。
[0025] 本發(fā)明技術(shù)方案有如下有益效果：本發(fā)明提出的MM0-0FDM信號盲分離方法，首 先基于ICA理論的預(yù)處理機制，給出預(yù)處理約束下的迭代公式，然后基于BP神經(jīng)網(wǎng)絡(luò)反饋 思想，采用分離誤差反饋前端，動態(tài)調(diào)整迭代增量，同時給出了算法的復(fù)合終止條件，在結(jié) 合MM0-0FDM系統(tǒng)特性的基礎(chǔ)上，兼顧了收斂速度和分離精度的要求，取得了有效的分離 效果。并且改進算法中的分離誤差反饋的權(quán)值中的參數(shù)e和y對算法分離性能曲線有著 重要的影響，通過增大參數(shù)0可以提高算法收斂速度，增大參數(shù)Y可以提高分離精度。這 就使得算法可以根據(jù)實際需求進行動態(tài)調(diào)整，具有很大的靈活性。
【附圖說明】
[0026] 圖1是SIS0-0FDM系統(tǒng)框圖；
[0027] 圖2是MM0-0FDM系統(tǒng)框圖；
[0028] 圖3 (a)是源彳目號在發(fā)射端米用的4-QAM調(diào)制的碼兀星座圖彳目號星座圖；
[0029] 圖3 (b)是調(diào)制信號經(jīng)過信道混合后的信號星座圖；
[0030] 圖3 (c)是接收端的觀測到的混合信號的波形圖；
[0031] 圖3(d)是采用改進自然梯度FlexibleICA算法對觀測信號進行處理后的輸出估 計信號星座圖；
[0032] 圖4是改進自然梯度FlexibleICA算法誤比特率性能圖；
[0033] 圖5是分離曲線性能圖。
【具體實施方式】
[0034] 下面結(jié)合附圖及具體實施例詳細介紹本發(fā)明。在分離獨立分量分析（ICA)理論的 基礎(chǔ)上，本發(fā)明首先結(jié)合ICA理論為MM0-0FDM信號建模，將該系統(tǒng)的盲源分離問題轉(zhuǎn)化為 N個獨立分量分析問題，然后結(jié)合自然梯度理論，詳細闡述了改進自然梯度FlexibleICA算 法，通過實驗仿真，表明了算法的有效性。應(yīng)理解這些實施例僅用于說明本發(fā)明而不用于限 制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改 均落于本申請所附權(quán)利要求所限定的范圍。
[0035] -、信號建模
[0036] 本發(fā)明首先結(jié)合獨立分量分析（ICA)理論對MM0-0FDM系統(tǒng)信號進行建模。通過 FFT調(diào)制的0FDM信號發(fā)射和接收流程框圖如圖1所示，單輸入單輸出（SISO) 0FDM系統(tǒng)的信 號輸入輸出關(guān)系可以表達為：
[0037] Xk=HkSk+nk (1)
[0038] 式中，sk和xk分別表示發(fā)送端和接收端第k個子載波攜帶的數(shù)據(jù)符號，nk表示第 k個子信道信道噪聲，Hk表示第k個子信道的頻域響應(yīng)。
[0039] 在多輸入多輸出（MMO)OFDM系統(tǒng)中，從單個子信道k來看，其系統(tǒng)框圖如圖2所 示，它是單輸入單輸出0FDM系統(tǒng)的一個擴展，其數(shù)學(xué)表達時候為：
[004八1
[0041] 式中，句，…，是Mt個發(fā)送天線各自發(fā)送的第k個子載波上的 數(shù)據(jù)符號，4，…，是接收機接收到的在第k個子載波上的數(shù)據(jù)符號， _<，<，…，"I/是信道在第k個子載波上噪聲，是一個復(fù)數(shù)標量。式 (2)的向量表示形式為：
[0042] Xk=HkSk+nk(3)
[0043] 上述等式可知，MM0-0FDM系統(tǒng)在每一個子載波處構(gòu)建了一個線性空間混合模型， 發(fā)送信號是在時域，而混合矩陣是傳輸函數(shù)矩陣在每一個子載波頻率處的復(fù)數(shù)標量值，即 混合矩陣是在頻域。至此，MM0-0FDM信號的盲源分離問題轉(zhuǎn)化為N(子頻帶數(shù)目）組獨立 分量分析問題。
[0044] 二、自然梯度FlexibleICA基礎(chǔ)理論
[0045] 自然梯度FlexibleICA算法是由Choi等提出的一種自適應(yīng)非線性的ICA學(xué)習 算法，該算法在Riemannian自然梯度的結(jié)構(gòu)中提出一種參數(shù)化的廣義高斯密度模型來假 設(shè)信號源的分布，能夠分離超高斯和亞高斯瞬時混合信號的盲分離問題，其求解分離矩陣W 的基礎(chǔ)迭代表達式為：
[0046]
[0047] 式中，供U)=[外(')外(尤2)…爐?了是列矢量，它的第i個分量為：
[0048]
[0049]式中，％(士）是非線性激勵函數(shù)，qi(Xi)是源信號Si的概率密度的近似模型。
[0050] 算法的核心是對源信號概率密度分布進行動態(tài)估計，并選擇合適的激勵函數(shù)。對 于超高斯分布信號，非線性激勵函數(shù)可以為朽(七）=tanh^.A)，其中A=y;對于亞 高斯信號，非線性函數(shù)可以為朽(士）= 4 ;對于亞高斯和超高斯的混合，根據(jù)參數(shù)化的廣 義高斯分布模型，非線性函數(shù)定義如下：
[0052] 式中，sgn(Xi)是Xi的符號函數(shù)。
[0051] (6)
[0053] 為了能夠靈活選擇一個合適的高斯指數(shù)a^自然梯度FlexibleICA算法通過估 計輸出信號的峭度并選擇相應(yīng)的a i，Choi等在文獻Flexibleindependentcomponent analysis(JournalofVLSIsignalprocessingsystemsforsignal,imageandvideo technology, 2000)中給