Содержание к диссертации
Введение
ГЛАВА 1. Создание теоретических основ для построения новых адекватных моделей реальной сигнально-помеховой обстановки в широкополосных системах с кодовым разделением каналов 23
1.1. Анализ основных вероятностных моделей, базирующихся на гауссовом распределении 25
1.2. Экспериментальный анализ сигнально-помеховой обстановки систем с кодовым разделением каналов 28
1.2.1. Выбор объекта исследований 28
1.2.1.1. Выбор средства измерений 29
1.2.1.2. Выбор источников сигналов 30
1.2.2. Формирование программы и методика проведения эксперимента 32
1.2.2.1. Формирование методики измерения параметров сигналов системы CDMA One 33
1.2.2.2. Определение точек измерения 41
1.2.2.3. Формирование плана проведения эксперимента
1.2.3. Тестирование измерительного комплекса 47
1.2.4. Анализ сигналов системы CDMA One и их распределений
1.2.4.1. Оценка общих свойств сигналов системы CDMA One и их особенностей 53
1.2.4.2. Анализ распределений сигналов 56
1.2.4.3. Оценка количественных параметров модели сигнала 57
1.2.4.4. Оценка зависимости параметры сигналов от точек съёма 58
1.2.4.5. Анализ динамики изменения параметров
1.3. Сопоставление полученных результатов 67
1.4. Основные результаты и краткие вводы по главе 1 70.
ГЛАВА 2. Разработка новых смесевых вероятностных моделей сигналов широкополосных систем связи 72
2.1. Требования для нового подкласса полигауссовых моделей 75
2.2. Уровень компонент 76
2.3. Смешивающий уровень ММ-ПГ модели 83
2.4. Оценка параметров ММ-ПГ модели 88
2.5. Основные свойства ММ-ПГ модели 92
2.6. Ограничения применимости класса мультимарково-полигауссовых моделей 95
2.7. Оценка эффективности применения ММ-ПГ модели для описания широкополосных сигналов на примере сигналов сети стандарта CDMA One 97
2.8. Основные результаты и краткие выводы по главе 2 99
ГЛАВА 3. Синтез класса оптимальных алгоритмов приёма сигналов широкополосных систем связи на базе мультимарково-полигауссовой вероятностной модели 101
3.1. Синтез алгоритма принятия решения 101
3.2. Синтез алгоритма обработки компонент 103
3.3. Синтез алгоритма смешивающего уровня 115
3.4. Оценка параметров оптимального алгоритма 121
3.5. Синтез структурной схемы алгоритма приема широкополосных сигналов на базе ММ-ПГ модели 127
3.6. Оценка эффективности оптимального алгоритма приема широкополосных сигналов на базе ММ-ПГ модели 130
3.7. Основные результаты и краткие выводы по главе 3 132
ГЛАВА 4. Разработка квазиоптимальных алгоритмов приема сигналов широкополосных систем связи на базе мультимарково-полигауссовых вероятностных моделей 133
4.1. Методы снижения количества каналов обработки в алгоритмах
совместного приёма сигналов на базе ПГ моделей 134 4.2. Уровень компонент 136
4.3. Смешивающий уровень 144
4.4. Оценка параметров квазиоптимального алгоритма на базе ММ-ПГ модели 149
4.5. Синтез правила принятия решения 152
4.6. Структурная схема квазиоптимального алгоритма приема широкополосных сигналов на базе ММ-ПГ модели 156
4.7. Оценка эффективности квазиоптимального алгоритма приёма широкополосных сигналов на базе ММ-ПГ модели 158
4.8. Дополнительные возможности квазиоптимального алгоритма 160
4.9. Оценка эффективности квазиоптимального алгоритма приёма широкополосных сигналов на базе ММ-ПГ модели с использованием дополнительных возможностей 161
4.10. Основные результаты и краткие выводы по главе 4 163
ГЛАВА 5. Оптимизация энергетических параметров и методы управление мобильностью абонентов широкополосных систем с учётом новых возможностей мультимарково-полигауссовых моделей 165
5.1. Разработка критерия регулирования мощности 169
5.2. Регулирование мощности для оптимального алгоритма приёма на базе ММ-ПГ модели 174
5.3. Регулирование мощности для квазиоптимального алгоритма приёма 179
5.4. Оценка эффективности предложенных критериев регулирования мощности 184
5.5. Разработка критерия выбора базовых станций 187
5.6. Разработка алгоритма управления мобильностью 189
5.7. Основные результаты и краткие выводы по главе 5 195
Заключение 197
Список использованных источников
- Формирование программы и методика проведения эксперимента
- Смешивающий уровень ММ-ПГ модели
- Синтез алгоритма обработки компонент
- Регулирование мощности для оптимального алгоритма приёма на базе ММ-ПГ модели
Формирование программы и методика проведения эксперимента
К наиболее распространённым вероятностным моделям, используемым в настоящее время, следует отнести моногауссовые (МГ) [51]. Для этой модели вероятностные распределения сигналов и помех для каждого передаваемого в системе связи кодового символа представляются независимыми гауссовыми плотностями с постоянными параметрами. Для компенсации изменений при движении абонентов в систему вводятся процедуры регулирования мощности, которые, как считается, обеспечивают постоянство параметров распределений [109].
Другим методом учёта динамики мобильных систем является применение марковских процессов с гауссовым распределением вероятностей. При этом методе сигналы представляются в виде гауссово-марковских последовательностей [61]. Наиболее простой и распространённой является мономарковская (ММ) [45, 61], отличающаяся от моногауссовой тем, что параметры гауссовой модели становятся переменными, причём в процессе приёма они предсказываются с учётом конечной истории, а затем корректируются с использованием вновь поступившей информации [61].
При наличии различных вариантов предсказания (например, движение абонентов в различных направлениях) применяют смеси марковских последовательностей. При этом получаются бесконечномерные смешанные марковские (СМ) модели [61, 98] и марково-смешанные марковские (МС-М) модели [16].
Применение цепей Маркова в МС-М для оценки зависимостей вероятностей гипотез о параметрах сигналов от предыдущих состояний ограничивает длину этих зависимостей и позволяет ограничить размерность задачи. Однако во всех этих моделях, кроме смешанных марковских, распределение отсчётов сигналов и помех при приёме одного кодового символа считается моногауссовым. В тоже время в литературе, например [66], имеются результаты исследований, показывающие негауссов характер распределений отсчетов реализаций сигналов на входе приемных устройств базовых станций различных систем сотовой связи. На основании этого в указанной работе сделан вывод о неспособности моногауссовых моделей в полном объеме учесть динамично изменяющиеся свойства каналов мобильных систем. Для построения адекватных моделей для адекватного описания сигнально-помеховой обстановки в каналах мобильных систем связи в [66] предлагается применить смесевые модели в виде полигауссовых (ПГ) [70] моделей и их разновидностей: суммарно-смешанных полигауссовых (ССПГ) [80] и марково-смешанных полигауссовых (МС-ПГ) [37] моделей.
Однако указанные исследования, сделанные для узкополосных каналов сетей GSM, не позволяют однозначно перенести их выводы на широкополосные каналы CDMA систем, кроме того, применение ПГ моделей общего вида [3], позволяющих описывать распределения сигналов и помех, ограниченные лишь условием их физической реализуемости, часто бывает избыточным.
Для разработанных в [66] методов и устройств многопользовательского разрешения сигналов мобильных инфокоммуникационных систем, построенных на базе МС-ПГ моделей, также отсутствует оценка требуемого количества компонент смеси для описания динамики изменения параметров компонент сигналов при движении абонентов.
При этом все полигауссовы модели, в отличие от марковских, используют компоненты с постоянными параметрами, что затрудняет их применение в локально стационарных условиях, присущих мобильным системам связи [22].
На основании вышеизложенного представляется актуальным объединить возможности полигауссовых и марковских моделей не только на смешивающем уровне, но и при описании компонент полигауссовой смеси.
В то же время, оценить реальную сложность и адекватность такого подхода только на основании радиофизических данных представляется затруднительным. Поэтому рассмотрение вопроса об оптимизации сетей с кодовым разделением каналов целесообразно начать с анализа распределений сигналов в сетях этого класса.
Большинство исследований СПО систем связи, как и приведённые в [66], основано на статистическом анализе реализаций отсчётов входного колебания на достаточно большом интервале наблюдения. В силу того, что условия формирования этих сигналов в системах с кодовым разделением каналов близки к условиям центральной предельной теоремы теории вероятности, такая методика исследований приводит к нормализации получаемых распределений.
В то же время задачей реальных систем является получение параметров сигналов отдельно для каждого из абонентов на интервале их длительности (десятки микросекунд). Распределение их параметров не может быть получено из распределения реализаций отсчётов входного колебания, являющихся результатом их же интерференции. Следовательно, задачей исследования СПО в этом случае становится получение статистической информации именно о распределениях параметров сигналов абонентов и их взаимосвязей. Так как автору не удалось найти целостного описания таких экспериментальных исследований, было решено провести такие исследования самостоятельно [11].
Смешивающий уровень ММ-ПГ модели
Выполнение первого этапа производится с учетом полной системной информации, а время обработки последующих этапов ограничено интервалом наблюдения TN . Учитывая свойство взаимности канала связи, для упрощения алгоритмов проведём указанный анализ для прямого канала связи. Наличие в прямом канале системы CDMA One постоянно передаваемого не модулированного пилотного канала повышенной мощности позволяет нам несколько скорректировать порядок обработки, переставив местами этапы 1 и 2. Алгоритм анализа сигналов прямого канала приведен на Рисунке 1.4. Исходным данными для этого алгоритма являются записанные с помощью АЦП квадратурные компоненты сигналов прямого и обратного каналов связи. В блоке «Ввод сигнала» они считываются из файла.
Алгоритм анализа сигнала прямого канала CDMA One Для осуществления синхронизации, содержащихся в файле данных, с системным временем, необходимо определить начальное положение короткой ПСП в файле с помощью анализа пилотного канала и декодировать канал синхронизации. Оба этих канала, входят в прямой канал системы CDMA One. Для их выделения алгоритм генерирует отсчёты пилотного канала, которые определяются двумя короткими ПСП [113]. После этого происходит поиск возможных положений отсчётов пилотного канала во входном файле. Первоначально ищется примерное временное положение пилотного сигнала rt. Это производится методом перебора возможных моментов прихода сигнала с анализом максимумов взаимной комплексной корреляционной характеристики Д. (г) входного сигнала и сгенерированных где utи ufe±r- квадратурные векторы входного колебания к-го символа, задержанные на г отсчетов, а Щ и uf± - базисные векторы квадратурных компонент пилотного сигнала для z-й БС. Средний уровень max Д. (г) за пределами основного максимума берется за уровень шума Вп:
Далее производится «Определение количества лучей». Для этого производится попытка аппроксимации полученной корреляционной характеристики Д(г) конечным набором автокорреляционных функций В\г), соответствующим различному количеству лучей j=\,Jтах. Как только погрешность аппроксимации станет меньше Вп, то процесс прекращается, а текущее значение J принимается за количество лучей, действующее при приёме текущего кодового символа.
Оценка параметров при аппроксимации полученной корреляционной характеристики Bt{r) сигналов пилотного канала, соответствующим отдельным лучам по критерию минимума среднеквадратического отклонения:
При проведении исследований максимальное количество учитываемых лучей от каждой БС Jmax на основе [10,104] ограничено двумя.
На основе полученных результатов в блоке «Оценка времени прихода лучей» определяются времена прихода и комплексные амплитуды сигналов {гц,Кц} для всех лучей от каждой из БС, і= \JC J = \J Далее на втором этапе производится интегральная оценка параметров сигналов каждой из БС и демодуляция всех каналов приёма с декодированием передаваемой информации, исправлением ошибок и анализа бит регулировки мощности.
Для демодуляции сигнала модель (1.8) для прямого канала CDMA One конкретизируется с учетом вида модуляции кодовых символов &1:
Обработка отдельных каналов производилась последовательно, согласно принципу работы системы; 1. Декодирование канала синхронизации; 2. Расшифровка сообщения синхронизации; 3. Определение скремблирующих последовательностей и декодирование каналов персонального радиовызова; 4. Расшифровка сообщений персонального радиовызова; 5. Определение скремблирующих последовательностей (из логов биллинга системы (BQAF) [12]), бит регулирования мощности и декодирование каналов трафика; 6. Расшифровка служебных сообщений в каналах трафика. На третьем этапе, с использованием полученной при декодировании и расшифровке информации, а также задержки rt], формируются базисные векторы й г сигналов, для которых проводится коррекция А к\ используя выражение (1.17).
Далее с использованием полученных уточненных оценок Ак формируется групповой сигнал каждой из БС в виде базисных векторов квадратурных компонент ujL и u JkJ_r , с помощью которых на основе критерия максимума правдоподобия с учетом теории регуляризации производится коррекция амплитуд и фаз лучей \Ку\. После чего производится восстановление принятого сигнала и оценка «остаточного шума» nok как разницы между принятым и восстановленным сигналом:
Одной из важных задач при проведении экспериментальных исследований является охват наиболее часто встречающихся реальных ситуаций. В то же время, для обеспечения сравнимости результатов необходимо было выдержать схожие условия приёма сигналов. Кроме того, объектом проводимых исследований являлся только анализ распределений сигналов в городских условиях, как одних из самых распространённых и сложных. Так же при проведении исследований на реальной сети необходимо учитывать её состав, размещение оборудования, а также реальную зону покрытия.
Синтез алгоритма обработки компонент
События, соответствующие указным условным вероятностям, для различных номеров / сигналов, передаваемых разными абонентами, можно считать независимыми. Реализация этих событий для разных номеров j лучей, одного и того же сигнала, имеют условную связь: смена одного параметра, скорее всего, приводит к смене другого. Это связно с тем, что изменение моделей лучей чаще всего обусловлено изменением трассы распространения луча при перемещении абонента. Для этого случая можно представить, что совместная переходная вероятность будет иметь вид:
Таким образом, можно считать, что начальные значения для ММ-ПГ модели могут быть определены исходя из общесистемных характеристик, и их коррекция для каждого сеанса связи не требуется.
Существенно большее влияние на результаты приёма оказывают текущие параметры предсказания. Поэтому дальнейшие исследования по преодолению априорной неопределенности сосредоточим в направлении именно оценки параметров предсказания. В связи с достаточно большим периодом стационарности процессов и существенным временем установления соединения, для оценки текущих параметров предсказания можно применить метод адаптации [47].
Так как период стационарности параметров элементарных компонент для ММ-ПГ модели достаточно большой (специфика 3), то для оценки текущих параметров предсказания можно применить метод адаптации, при котором в качестве параметра модели берётся математическое ожидание его оценок, получаемых в процессе работы основного алгоритма, на последовательности из L кодовых символов. Такой подход позволяет рекуррентно получать достаточно точные оценки параметров при использовании результатов основного канала приёма.
ММ-ПГ модель обладает свойствами марковских, марково-смешанных и суммарно-смешанных полигауссовым моделей. Их место среди вероятностных моделей систем связи схематично может быть показано на Рисунке 2.1.
Как и все полигауссовы модели, она содержит набор элементарных гауссовых компонент, соответствующих возможным вариантам наложения сигналов и помех. Каждая элементарная гауссова компонента соответствует гипотезе о реализовавшейся комбинации наложения сигналов, их лучей, а также вариации параметров предсказания марковской последовательности. Её параметры вычисляются на основе параметров компонент отдельных лучей сигналов, соответствующих указанной гипотезе как в ССПГ моделях.
В тоже время составными элементами этой модели являются компоненты с переменными параметрами, представленные гауссово-марковскими последовательностями. Их веса определяются на базе цепи Маркова.
Для вычисления плотностей вероятностей реализаций на входе приёмного устройства для каждой элементарной компоненты, как и для всех полигауссовых моделей, используются параллельные каналы линейной обработки с нелинейным элементом на выходе. Только, в отличие от классических полигауссовых моделей, элементом линейной обработки вместо коррелятора является фильтр Калмана. Итоговые плотности распределения входных реализаций для ММ-ПГ модели, как и для всех марково-смешанных моделей формируются на смешивающем уровне рекуррентно на основании плотностей, рассчитанных на уровне компонент, и априорных вероятностей их реализации (см. Рисунок 2.2).
Кроме того, в связи с учётом в ММ-ПГ модели гипотез о различных вариантах предсказания для одной и той же комбинации гауссовых компонент необходимо производить коррекцию параметров элементарных компонент. В случаях, когда некоторые из составных элементов ММ-ПГ модели не используются, модель переходит в одну из используемых при её синтезе более простых моделей.
Такая ситуация возникает, например, в стационарных когерентных системах связи. При постоянных векторах математических ожиданий и ковариационных матрицах элементарных компонент нет необходимости в применении фильтров Калмана для их оценивания. Соответственно, выражения (2.4) – (2.11) не вычисляются, а значения Ag и й входящие в (2.12) и (2.13) считаются либо жестко заданными или определяются методом адаптации. При этом уровень компонент вырождается в классический корреляционный приёмник, вычисляющий плотность вероятности входной реализации для элементарной компоненты согласно выражения (2.14).
В указанном случае, с учётом смешивающего уровня, ММ-ПГ модель подпадает под определение марково-смешанной полигауссовой модели (МС-ПГ) [37]. 2. Случай использования только одной гауссовой компоненты. В этом случае структура, приведённая на Рисунке 2.1, сокращается только до одного канала (Канал 1). При этом получаемая модель соответствует задачи фильтрации смешанных марковских процессов, рассмотренной в [16]. Таким образом, ММ-ПГ модель является развитием теории полигауссового синтеза, объединяя в себе свойства более простых моделей.
Регулирование мощности для оптимального алгоритма приёма на базе ММ-ПГ модели
Помехоустойчивость всех радиосистем зависит от отношения энергий полезного сигнала и помех. Так как в сотовых системах связи на одной частоте работают несколько мобильных устройств, то их полезные сигналы неизбежно порождают и внутрисистемные помехи. Это особенно актуально для широкополосных систем с кодовым разделением каналов, в которых все МС работают одновременно в одной полосе частот.
Если для фиксированных сетей связи эти вопросы могут быть решены на этапе частотно-территориального планирования и оптимизации параметров сети [27], то для мобильных систем МС в различное время могут находиться на разных расстояниях до БС и, следовательно, энергии их сигналов должны оптимизироваться в процессе функционирования систем.
При этом основной задачей оптимизации энергетических характеристик является снижение вероятности ошибки в канале связи, которая чаще всего оценивается уровнем ошибок фреймов FER [109]. Действительно, как при слишком малой, так и при излишне большей, энергии сигнала отношение сигнал/помеха будет уменьшаться, а вероятности ошибки в канале увеличиваться.
Считая все МС системы примерно одинаковыми, кажется очевидным, что и энергии сигналов всех МС на входе БС должны быть одинаковы и равны некотором «целевому» уровню. Причём, так как помехи порождаются тем же сигналами МС, то и этот «целевой» уровень связан монотонно возрастающей зависимостью с уровнем помех, пропорциональным количеству МС.
Это утверждение приводит к росту мощностей всех станций сети при увеличении количества активных пользователей, что дополнительно приводит к росту помех, снижению потенциала радиолинии и в конечном итоге ограничению пропускной способности.
Разработка методов оптимизации, позволяющих снизить необходимую для обеспечения связи энергию сигнала, позволит разорвать замкнувшуюся цепь. Кроме того, это способствует не только снижению уровня внутрисистемных помех, но и решению большого круга других задач, таких как возможность уменьшения динамического диапазона приёмных устройств, снижение экологической нагрузки, уменьшение зоны влияния помех и т.д.
Одним из важных факторов, который может быть достигнут за счёт реализации оптимизации энергетических параметров, является снижение потока помех. Действительно, при построении совместных алгоритмов приёма мы должны учитывать все сигналы, как полезные от МС, подключенных к рассматриваемой БС, так и мешающие от МС, работающих с другими БС. Снижение передаваемой МС мощности, позволит сократить зону, в которой необходимо учитывать её сигнал и сократить общее количество учитываемых в алгоритме МС.
Так как основным видом помех в системах с кодовым разделением каналов являются внутрисистемные помехи, представленные такими же по структуре и длительности сигналами, но передаваемые другими МС, то задача управлениями энергий в нашем случае сводится к задаче регулирования мощностей.
В реальных системах регулировка мощности делится на два этапа: регулировка по разомкнутой цепи обратной связи, которая осуществляется на этапе установления соединения, и по замкнутой цепи, которая осуществляется уже по установленному соединению. Большинство существующих на сегодняшний день алгоритмов регулирования мощности рассматривают второй этап, как наиболее длительный и имеющий большие возможности.
В тоже время основную нагрузку на существующие сети оказывает асинхронная передача данных, которые выгодно передавать вообще без установления соединения. Кроме того, основная часть алгоритмов базируется на моногауссовых моделях описания СПО [105, 109, 111, 120, 132], хотя в последнее время появился и ряд алгоритмов, учитывающих негауссовость реальных каналов связи, например [82].
Как уже отмечалось, при регулировании мощности по замкнутой петле практически все алгоритмы определяют некоторую «целевую» мощность, которая должна поступать от МС на вход приёмника БС. В процессе регулирования это значение поддерживается с использованием передаваемых на МС команд.
Такой подход позволяет производить независимое регулирование мощности в каждом отдельно взятом канале, опираясь на найденный «целевой» уровень мощности, определяемый на основе уровня шума и количества активных абонентов.
Основным недостатком такого подхода является отсутствие учёта влияния изменения мощности одной МС на работу других. В работах [111, 120] делается вывод о необходимости учёта взаимного влияния всех МС при осуществлении регулирования мощности и предлагается определять «целевую мощность» для каждой МС на основе матрицы кросс-корреляций.
В работе [105] предлагается разделить процедуры регулирования мощности на локальные, осуществляемые в пределах одной БС, и глобальные, охватывающие всех соседей.
Применение смесевых моделей [20, 21, 67] для описания СПО в каналах широкополосных систем с кодовым разделением каналов, учитывающих их реальную негауссовость, приводит к необходимости модернизации алгоритмов регулирования мощности.
Один из вариантов модифицированных статистических алгоритмов регулирования мощности, разработанный для случая наличия негауссовых помех приведен в [82]. Его основным отличием является вычисление «целевого» значения мощности для полигауссового описания помех в канале связи. Однако анализ, проведённый в главе 1, показывает и негауссовость распределений сигналов. В этом случае «целевые» мощности различных МС могут быть различны, а их значения определяются не только вероятностным распределением помех, но и распределениями сигналов всех МС.
Кроме того, использование критериев, поддерживающих заданное значение мощности, в реальных системах сильно затруднено в силу сложности точного измерения самого её уровня при малом отношении сигнал/помеха. Поэтому в реальных системах мобильных связи (например, стандарт CDMA One) процедура регулирования мощности наряду с оценкой мощности сигнала использует оценку FER [109].
Так как для гауссовых моделей СПО между изменением уровня мощности и изменением значения FER существует однозначная связь: чем больше мощность, тем меньше FER, то критерий регулирования мощности по величине FER является предпочтительным для реализации в системах связи. Кроме того, FER итак всегда определяется в системах связи, и именно он напрямую связанная с результирующими характеристиками системы, такими как пропускная способность, среднее время доставки сообщения и т.д.
Ситуация принципиально изменяется при использовании для описания СПО негауссовых моделей. Для этого случая значение FER сохраняет свою актуальность, но для многосвязных зон принятия решения, присущих негауссовым моделям, теряется его однозначная связь с мощностью сигнала, т.е. в ряде случаев увеличение мощности, поступающей от мобильной станции, может привести не к снижению, а к увеличению FER.
Рассмотренные в главах 3 и 4 алгоритмы приёма на базе ММ-ПГ модели позволяют в процессе приёма адекватно учитывать негауссовость каналов связи и оценивать большое количество вероятностных параметров системы, что открывает новые возможности и дает необходимую информацию для построения принципиально новых алгоритмов регулирования мощности.
