[發(fā)明專(zhuān)利]一種FTN索引調(diào)制信號(hào)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911318338.0
• 申請(qǐng)日: 2019-12-19
• 公開(kāi)（公告）號(hào): CN110912651A
• 公開(kāi)（公告）日: 2020-03-24
• 發(fā)明（設(shè)計(jì)）人: 李鋒;陳江濤;張佳辰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安交通大學(xué)
• 主分類(lèi)號(hào): H04L1/00
• 分類(lèi)號(hào): H04L1/00;H04L1/20;H04B1/7105
• 代理公司: 西安智大知識(shí)產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 弋才富

1.一種FTN索引調(diào)制信號(hào)檢測(cè)方法，其特征在于，包括下述步驟：

(1)建立FTN系統(tǒng)信號(hào)檢測(cè)的基本優(yōu)化問(wèn)題；檢測(cè)的最終目的是從接收信號(hào)y中恢復(fù)得到發(fā)送信號(hào)x，其最優(yōu)解是使得后驗(yàn)概率分布p(x|y)最大化，同時(shí)，引入索引調(diào)制原理用于附加信息傳輸，并使得信號(hào)呈現(xiàn)稀疏特性；

(2)構(gòu)建混合高斯噪聲下FTN傳輸系統(tǒng)的復(fù)雜概率分布模型；Ω＝{x,h,ξ,υ}用于表示未知參數(shù)集合，其中υ為混合高斯噪聲方差的逆，即υ^-1＝σ²；

(3)最大后驗(yàn)概率分布p(Ω|y)具有極高的復(fù)雜度，需要將其進(jìn)一步簡(jiǎn)化；根據(jù)變分推理思想將復(fù)雜概率模型轉(zhuǎn)變?yōu)楹?jiǎn)化求解模型；變分推理方法將發(fā)送信號(hào)x假定為由連續(xù)樣本空間所產(chǎn)生的，這樣的假定可以放松基本優(yōu)化問(wèn)題的限制，然后采用一個(gè)具有因子分解形式的變分分布q(Ω)來(lái)近似后驗(yàn)概率分布p(Ω|y)，根據(jù)Kullback-Leibler(KL)散度來(lái)衡量?jī)蓚€(gè)分布q(Ω)和p(Ω|y)之間的相似程度；

(4)根據(jù)聯(lián)合概率因子圖和變分消息傳遞的計(jì)算形式求解得到信號(hào)和信道信息的迭代閉式解；因子圖表示了各變量及其概率密度函數(shù)之間的關(guān)系，根據(jù)因子圖中變量節(jié)點(diǎn)之間的計(jì)算關(guān)系，提出了信號(hào)迭代檢測(cè)方法的求解步驟。

2.根據(jù)權(quán)利要求1所述的一種FTN索引調(diào)制信號(hào)檢測(cè)方法，其特征在于，

所述步驟(1)中，基本優(yōu)化問(wèn)題為：

其中p(x|y)＝∫p(x,h,ξ,υ|y)dhdξdυ。

3.根據(jù)權(quán)利要求1所述的一種FTN索引調(diào)制信號(hào)檢測(cè)方法，其特征在于，

所述步驟(3)中，變分分布q(Ω)具有如下的因子分解形式：

q(Ω)＝q(x)q(h)q(ξ)q(υ)

且KL散度表達(dá)式定義為：

由于p(Ω,y)是和p(Ω|y)成比例的，因此在此處使用聯(lián)合概率分布p(Ω,y)。

4.根據(jù)權(quán)利要求1所述的一種FTN索引調(diào)制信號(hào)檢測(cè)方法，其特征在于，

所述步驟(4)中，信號(hào)迭代檢測(cè)方法的求解步驟如下：

第一步：設(shè)置系統(tǒng)模型中各變量的先驗(yàn)分布；

p(h)＝CN(h|0,C_o(h))

p(x)＝CN(x|0,C_o(x))

p(ξ)＝U(0,K-1)

p(υ)＝Ga(υ|a,b)

其中，CN(μ,∑)表示均值為μ協(xié)方差為∑的復(fù)高斯分布，U(a,b)表示離散均勻分布，表示形狀參數(shù)為a，尺度參數(shù)為b的伽馬分布；

第二步：初始化各變量的參數(shù)和均值；

初始值設(shè)置如下：

其中，為混合高斯噪聲的總方差；

第三步：更新各變量的參數(shù)和均值；

變量更新如下：

更新各變量的參數(shù)：

其中y^H表示y的共軛轉(zhuǎn)置，表示y的均值，y_T為y的時(shí)域表示，h_F為h的頻域表示，依次類(lèi)推；更新各變量的均值：

其中Λ_Q＝diag(q_F)，ψ(·)表示digamma函數(shù)；

第四步：判斷是否達(dá)到收斂條件或最大迭代次數(shù)，若是則輸出恢復(fù)得到的信號(hào)；

用Kullback-Leibler散度判斷是否滿足收斂條件，若滿足收斂條件或達(dá)到最大迭代次數(shù)，則輸出恢復(fù)得到的信號(hào)，否則繼續(xù)進(jìn)行下一次迭代。