搜索
基于空移键控多输入多输出系统的辅助编码K-均值聚类盲收发器摘要在本文中，我们为空移键控多输入多输出系统提出了辅助编码K-均值聚类盲收发器（CKMC）,这种收发器不需要为了检测而进行信道状态信息（CSI）训练。在这种场景下，发射机的处理能力和功率都是有限的，例如物联网（IOT）和无线传感网（WSN），由于简单和能效的提高，空移键控（SSK）比传统的多输入多输出（MIMO）系统更好。提出的CKMC盲通信权衡（牺牲）了接收机训练开销的复杂度，相比于基于训练的收发机，这种方案提供了更好的频谱效率。在CKMC中，盲通信问题被转换成聚类和变换的问题；对于聚类问题，我们提出了K-均值聚类（KMC）检测器来降低检测的复杂度；对于变换问题，我们提出了实行信道解码协助反变换。CKMA盲收发器的分析已被推到出来了，仿真部分展现了CKMC性能的验证。结果显示：CKMC盲通信的性能接近最佳接收机在某些环境下的理想信道状态信息下的性能。关键词：盲检测、聚类、信道状态信息（CSI）获取、K-均值聚类（KMC）、大规模多输入多输出（MIMO）、模糊变换、空移键控（SSK）。1介绍由于MIMO系统提高了多样性和空间复用[2]的能力，在过去的几十年里得到广泛的研究。最近，提出了空移键控代替传统的MIMO[3-8]，在空移键控系统中，信息比特被编码为天线序号，而不像传统调制方案那样编码为传输信号的幅值和相位。相对于传统的正交调幅（QAM）和相移监控（PSK），空移键控（SSK）的优点有一下几点：由于减小了射频链，硬件费用降低。不再需要网络天线同步。由于信号比特不再编为幅值和相位信号，可以降低传输功率。可以发现，由于SSK发射机很简单，所以它是一种有前景的调制。使用SSK的唯一缺陷可能是实验时间的增加，这与发射天线的数量成正比，但在互相关MIMO信道中实验时间可以降低。换句话说，在发射机处理能力较低和能量有限的情况下，相比传统MIMO，SSK更好。例如，著名的物联网和无线传感网都是潜在的应用场景。特别低，在无线传感网中，传感节点通常都是低成本的且大批量生产和充电电池。在物联网中，发射机的计算能力和续航能力可能比无线传感网的发射机要低。在这种场景下，收发器的简单性和能效是主要的设计问题。我们的目标是将SSK应用到处理能力较低、能量有限的发射机场景中。为了提高这种发射机的频谱效率和能量效率，我们提出了一种盲收发器，其训练过程完全可以从发射机中移除，因此在接收器中即使没有信道状态信息也可以完成信号的检测。在收发器中，相对于频谱效率（不存在实验时间）、能量效率（节省了实验能量）和发生机的简单性（移除了训练过程），盲通信方案权衡（牺牲）了接收机的复杂度（提高）。虽然接收机的复杂度提高了，但值得注意的是，在某些实际的场景中，例如无线传感网和物联网，它们的节点作为发射机且它们的数据收集器作为接收机，而相比于接收机的低复杂度，实验时间和实验能量的降低更可取。在详细介绍盲检测之前，先简要介绍一下CSI-获取/数据检测技术。基于训练的检测：在数据信号发送之前，发射机和接收机将周期地发送已知的训练信号。在接收机端，进行数据检测之前，需要用最小均方误差（MMSE）或最小二乘（𝐿𝑆）标准估计信道状态信息（CSI）。实验设计对信道状态信息评估的可靠性有很大的影响。半盲检测：半盲检测采用一种在接收机中需要最少的训练信号产生一个初始化的CSI估计。在这个初始化的CSI基础上，大量接收信号可以被检测出来，在信号检测的基础上可以获得一个精确的CSI评估。信号检测和CSI评估需要迭代更新直到达到规定的停止标准[12-15]。差分编码：差分编码去掉了训练过程，因为在连续发送的信号之间，信息被映射成不同的信号。因此，由于连续接收的信号有相同的信道衰落，在没有信道状态信息的情况下，接收器也可以完成信号检测[15-18]。盲检测：盲检测不需要花费任何时间进行训练。实现盲检测的一个方法是嵌入实验，将实验信号序列直接添加到数据信号中[19-20]。在[21]中，盲检测方案假设在检测器上MIMO信道统计特性是可用的，因此在没有瞬时的信道状态信息下检测器也可以进行检测。研究[22]利用开关键控（OOK）实现盲检测，研究[23]假设部分的CSI（P-CSI），接收机对信道相位是盲的（未知的）；在检测时用预测的信道相位来代替瞬时的信道相位。更多盲检测器的详情可见[21,24]。所提出的方法是一种盲检测，它的贡献/创新包括：假设发射机是SSK，其不需要训练过程，因此发射机的设计变简单了。由于不需要实验时间和实验能量，频谱效率和能量效率得到提高。我们提出的方法不假设检测器上有任何形式的CSI信息。相比通过穷举搜索获取最大似然检测，通过利用我们提出的基于聚类的检测器，检测的复杂度得到显著的下降。在一般的盲检测问题中，由于模糊变换（将在后面解释），最大似然检测的输出结果出错的概率很高，在我们提出的盲检测中通过采用信道编码可以解决这个问题。在其他的盲检测中，相比于在理想的CSI下最大似然检测的最小错误率的级别，它们的最小错误率的级别通常是减小的。在复杂度不受限的情况下，我们提出的盲检测的级别与在理想CSI下的最大似然检测一样。在接收机端没有试验信号来获取CSI，我们提出的盲检测收集大量的已接收信号，这些信号有相同的信道衰落特性，进行CSI评估和大量已接收信号的联合检测。我们提出将盲检测问题转换成聚类和模糊变换的问题，为了最好的表达作者的想法，在我们研究之前，这种分析盲检测问题的观点还没有被研究过。后面的段落中介绍了聚类和变换。聚类：聚类操作将一个（观察）样本集合分为多个子集（集群）[25-26]。K-均值聚类（KMC）算法可以解决我们的聚类检测问题。在本研究中，聚类标准是追求最大似然检测的集合。模糊变换：在盲检测问题中，存在多个候选符号可以无差别的实现相同水平的近似标准，这就称为模糊变换。由于现代无线通信中广泛采用信道编码，如LTE和WCDMA中的循环冗余检测（CRC）、802.11a的卷积码和许多其他的无线标准，我们提出借助信道编码执行逆变换。我们提出的盲检测，包括聚类和逆变换的原理，称为辅助编码KMC（CNMC）检测。由于无线通信中信道编码被广泛使用，在编码过程中，我们提出的CKMC在编码过程中产生非常小的开销。本文其余部分结果如下。第二部分构建了SSK系统并介绍了针对聚类问题的KMC算法。第三和第四部分分别介绍了解决盲检测的聚类和变换问题的方法。第五部分介绍了最优盲检测错误率的分析。第六部分给出了数值研究结果。第七部分给出了我们提出的SSK系统盲通信原理的结论。2正文A．SSK系统模型这部分给出了SSK盲检测的参数。我们用MIMO架构来考虑编码传输。如图1所示，发送端有𝑁𝑡（𝑁𝑡应该是2的指数）个天线，接收端有𝑁𝑟个天线。该系统的基带表示为𝒀=√𝜌𝑯𝑿+𝑵（1）其中，𝑿=[𝒙1⋯𝒙𝐿]是长度为𝐿的SSK已调符号序列，每个符号𝑥𝑖取自SSK调制码表A𝑆𝑆𝐾≜{[𝑎1⋯𝑎𝑁𝑡]𝑇|∑𝑎𝑖=1𝑖;∀𝑎𝑖∈{0,1}}。上标𝑇表示转置运算。𝑯=[𝒉1⋯𝒉𝑁𝑡]∈∁𝑁𝑟×𝑁𝑡是一个块衰落信道，其中ℎ𝑖表示𝑯的第𝑖列。𝑯中的每个元素的实部和虚部都是独立同分布的均值为零，方差为𝜎ℎ2=12的高斯随机变量。在序列符号发送席间，信道保持不变。在接收端，没有CSI信息检测器很难对接收到的符号做出判决，如没有𝑯。𝑵=[𝒏1⋯𝒏𝐿]∈∁𝑁𝑟×𝐿是加性高斯白噪声，其中N的第𝑖列表示为𝑛𝑖。就像𝑯一样，𝑵的每个元素都有相同的分布。𝜌=𝐸𝑠𝑁0是一个放大因子，其中𝐸𝑠是编码符号能量，𝑁0是噪声能量。𝒀=[𝒚1⋯𝒚𝐿]∈∁𝑁𝑟×𝐿是接收符号序列，其中𝒀的第𝑖列表示为𝒚𝑖。正在（1）中系统的最优检测表示为(𝑯̅,𝑿̅)=𝑎𝑟𝑔{𝑚𝑖𝑛𝑯∈∁𝑁𝑟×𝑁𝑡𝑿∈A𝑆𝑆𝐾𝐿‖𝑌−√𝜌𝑯𝑿‖2}（2）𝑯̅=[𝒉̅1⋯𝒉̅𝑁𝑡]和X̅分别表示CSI的最优估计和已发送的符号序列，其中𝒉̅𝑖表示𝑯̅的第𝑖列。A𝑆𝑆𝐾𝐿是一个𝐿维的A𝑆𝑆𝐾且|A𝑆𝑆𝐾𝐿|=𝑁𝑡𝐿，其中|A|表示它的参数集合𝒜的基数。‖∙‖表示Frobenius参数标注。图1𝑁𝑡个发射天线和𝑁𝑟个接收天线组成的SSK多输入多输出系统。𝑯表示块衰落信道；𝒙𝑖、𝒚𝑖和𝒏𝑖分别表示发送符号、接收符号和噪声。B．聚类问题本节将阐述典型聚类问题和KMC算法，下一节将介绍把SSK盲检测问题映射到聚类问题上。对于给定的多维观察值（矢量样本）和规定的数𝐾（假设给定观察值的数量比𝐾大），聚类操作将观察值分为𝐾个子集（集群）。聚类术语定义如下：在集群中，一个集群的重心是观察值的均值；一个集群的散度（Scatter）是集群中每个观察值和集群重心的欧氏距离的平方和。对执行聚类，我们采用的标准是找到所有𝐾个散度的和为最小的聚类，其中每个散度是之前在集群中定义的。上述聚类问题可以用KMC算法解决，其中KMC算法的复杂度比穷举搜索的复杂度要低很多。KMC的步骤如下。1从所有的观察值中随机的选择𝐾个观察值，然后将这𝐾个观察值作为𝐾个初始重心。2将每个观察值分配给重心最接近（在欧氏距离中）这个观察值的集群。3计算𝐾个集群的新重心，重新进行第二步，直到所有的集群不再改变或到达了规定的迭代上限。为了避免某些初始化产生不良的结果，需要进行不同的初始化，所以一般KMC算法可以被多次执行。充足的初始化量可以让KMC算法生成好的或接近最优的聚类，但无法保证是聚类问题的最优解决方案。3KMC检测器在这节，首先，将会解释典型聚类问题和SSK盲检测之间的连接和转换；然后，采用KMC算法解决我们的盲检测问题。基于（1）中的信号模型，我们的目的是解决（2）。首先，我们将（2）中原始的最优化问题分解成一下形式(𝑯̅,𝑿̅)=𝑎𝑟𝑔[𝑚𝑖𝑛𝑿∈A𝑆𝑆𝐾𝐿{𝑚𝑖𝑛𝑯∈∁𝑁𝑟×𝑁𝑡‖𝒀−√𝜌𝑯𝑿‖2}]（3）如上所述，联合最优化分为一个双重最优化问题，其中离散变量和连续变量分别在外层和内层被确定。为了将（3）和聚类问题联系上，让𝒊𝑘表示一个𝑁𝑡×𝑁𝑡的单位矩阵的第𝑘列，其中𝑘∈[1,⋯𝑁𝑡]。因此，每个已发送的符号𝒙𝑖(𝑖=1,⋯,𝐿)取自A𝑆𝑆𝐾={𝒊1,⋯,𝒊𝑁𝑡}。让C𝑘≜{𝑖|𝒙𝑖=𝒊𝑘;𝑖∈{1,⋯,𝐿}}成为𝑿的列的索引的集合，其中𝑿是发送的𝒊𝑘。下面我们以(𝑁𝑡,𝐿)=(2,4)为例。鉴于已发送的符号序列𝑿=[𝒙1𝒙2𝒙3𝒙4]=[10011001]，因此可以得到索引集合C1={1，3}，C2={2，4}。总而言之，{C𝑘；∀𝑘}是由给定的𝑿决定的。集合{C𝑘；∀𝑘}的结构对于将SSK盲检测映射到聚类问题上是非常重要的。对于给定的𝑿，C𝑘中索引为𝑖的接收符号可以被简写为𝒚𝑖|𝑖∈C𝑘=√𝜌𝑯𝒙𝑖+𝒏𝑖=√𝜌𝑯𝒊𝑘+𝒏𝑖=√𝜌𝒉𝑘+𝒏𝑖（4）类似地，让C𝒚𝑘≜{𝒚𝑖|∀𝑖∈C𝑘}表示已接收到的符号𝒚𝑖的集合，其中𝒚𝑖是接收的𝒊𝑘。因此，所有的接收到的符号{𝒚𝑖；∀𝑖}被分为𝐾个子集C𝒚𝑘，其中𝑘∈{1,⋯,𝑁𝑡}。在上述公式中，在发送符号为𝑿的条件下，最优检测𝒉̃𝑘可以通过最大似然准则获得𝒉̃𝑘=𝑎𝑟𝑔{𝑚𝑖𝑛𝒉𝑘∈∁𝑁𝑟×1∑‖𝒚−√𝜌𝒉𝑘‖2𝒚∈C𝒚𝑘}（5）注意，（5）中的变量𝒉𝑘是连续的，结果是可以通过取C𝐲𝐤中所有符号的均值和一个缩放处理消除√𝜌来获得最优𝒉̃𝑘。结果，最优信道𝑯̃=[𝒉̃1,⋯,𝒉̃𝑁𝑡]在给定𝑿的情况下被确定。