一种基于多载波接收机的混合信号低功耗处理方法
| 专利类型 | 发明公开 | 法律事件 | 公开; 实质审查; 授权; |
| 专利有效性 | 有效专利 | 当前状态 | 授权 |
| 申请号 | CN202410870600.7 | 申请日 | 2024-07-01 |
| 公开(公告)号 | CN118449821A | 公开(公告)日 | 2024-08-06 |
| 申请人 | 青岛青软晶尊微电子科技有限公司; | 申请人类型 | 企业 |
| 发明人 | 张侠; 安佰春; 马旭; 董科; 程鹏; | 第一发明人 | 张侠 |
| 权利人 | 青岛青软晶尊微电子科技有限公司 | 权利人类型 | 企业 |
| 当前权利人 | 青岛青软晶尊微电子科技有限公司 | 当前权利人类型 | 企业 |
| 省份 | 当前专利权人所在省份：山东省 | 城市 | 当前专利权人所在城市：山东省青岛市 |
| 具体地址 | 当前专利权人所在详细地址：山东省青岛市崂山区株洲路88号1栋10层1002 | 邮编 | 当前专利权人邮编：266101 |
| 主IPC国际分类 | H04L27/00 | 所有IPC国际分类 | H04L27/00 ; H04L27/26 ; H04B7/0456 ; H04B7/06 |
| 专利引用数量 | 4 | 专利被引用数量 | 2 |
| 专利权利要求数量 | 10 | 专利文献类型 | A |
| 专利代理机构 | 北京法筑知识产权代理有限公司 | 专利代理人 | 邢哲; |
| 摘要 | 本 申请 公开了一种基于多载波接收机的混合 信号 低功耗处理方法，涉及通信技术领域，包括：将预处理后的信息比特序列映射到 滤波器 组多载波调制符号集合FBMC；采用Logistic映射生成混沌序列，构建原始信息承载矩阵；根据差分混沌移位键控DCSK系统的子载 波数 量M，将原始信息承载矩阵划分为M个子矩阵，并进行矩阵分解处理；对分解后的信息承载子矩阵进行自适应优化；对分解后的信息承载子矩阵进行重构；在得到的信息承载重构矩阵中插入导频符号和控制信息；对插入导频符号和控制信息的信息承载重构矩阵进行预编码处理；将生成的时域传输符号序列通过 数模转换 和射频前端处理后，发射到无线信道中。针对 现有技术 中多载波接收机功耗高，本申请降低了功耗。 | ||
| 权利要求 | 1.一种基于多载波接收机的混合信号低功耗处理方法，包括： |
||
| 说明书全文 | 一种基于多载波接收机的混合信号低功耗处理方法技术领域[0001] 本申请涉及通信技术领域，特别涉及一种基于多载波接收机的混合信号低功耗处理方法。 背景技术[0002] 随着无线通信技术的快速发展，移动通信系统正朝着高速率、大容量、低时延的方向不断演进。为了满足日益增长的用户需求和多样化的业务应用，多载波技术如正交频分复用（OFDM）、滤波器组多载波（FBMC）等被广泛应用于现代通信系统中。多载波技术通过将高速数据流分割为多个低速子数据流，并行传输于不同的子载波上，有效地提高了频谱利 用效率和传输可靠性。 [0003] 然而，多载波系统的接收机设计面临着诸多挑战，其中功耗问题尤为突出。传统的多载波接收机通常采用全数字化的处理架构，需要对每个子载波进行独立的信道估计、均衡、解调等操作，导致接收机的计算复杂度和功耗显著增加。高功耗不仅缩短了移动终端的电池使用时间，也限制了多载波技术在低功耗物联网、无线传感器网络等领域的应用。因 此，如何在保证通信性能的同时，降低多载波接收机的功耗成了一个急需解决的关键问题。 [0004] 在相关技术中，比如中国专利文献CN116319212B中提供了一种多载波DCSK信号重构方法及装置，本申请提供的多载波DCSK信号重构方法通过将待传输的信息比特序列经过 调制之后与混沌信号进行叉乘，得到原始信息承载矩阵，然后通过预设的重构矩阵，对原始信息承载矩阵进行重构，并将得到的信息承载重构矩阵与参考信号矩阵生成用于传输到接 收端的传输信号，使得接收端根据相同的重构矩阵，对接收到的传输符号进行解调处理，从而还原出需要传输的信息比特。但是该方案，重构矩阵的生成和应用需要进行大量的矩阵 运算，如矩阵乘法、矩阵求逆等，这些运算通常具有较高的计算复杂度，需要接收机消耗大量的计算资源和能量，导致功耗的增加。 发明内容 [0005] 针对现有技术中存在的多载波接收机功耗高的问题，本申请提供了一种基于多载波接收机的混合信号低功耗处理方法，采用Logistic混沌映射构建信息承载矩阵、利用 Hadamard矩阵分解实现信息承载矩阵划分等，降低了多载波接收机的功耗。 [0006] 技术方案，本申请的目的通过以下技术方案实现。 [0007] 本说明书提供一种基于多载波接收机的混合信号低功耗处理方法，包括：信息比特序列预处理（步骤1）：对待传输的信息比特序列进行串并转换，将串行比特流转换为并行比特流。采用极化码（Polar Code）对并行比特流进行信道编码，提高信息传输的可靠性。多载波调制映射（步骤2）：将信道编码后的比特序列映射到滤波器组多载波（FBMC）调制符号集合，得到调制符号序列。构建原始信息承载矩阵（步骤3）：采用Logistic映射生成混沌序列。Logistic映射是一种简单且广泛使用的混沌系统，具有对初值和参数高度敏感、生成序列随机性好等特点。将调制符号序列与混沌序列进行叉积运算，构建原始信息承载矩阵。叉积运算可增加信息的随机性和安全性。矩阵分解处理（步骤4）：根据差分混沌移位键控 （DCSK）系统的子载波数量M，将原始信息承载矩阵划分为M个子矩阵。对每个子矩阵进行矩阵分解处理，得到分解后的信息承载子矩阵。矩阵分解可将原始矩阵转化为多个低秩子矩 阵，便于后续的并行处理和优化。 [0008] 自适应优化（步骤5）：对分解后的信息承载子矩阵进行重构矩阵参数优化和功率分配策略优化。重构矩阵参数优化旨在寻找最优的重构矩阵，以最小化重构误差。可采用梯度下降等优化算法进行迭代求解。功率分配策略优化旨在根据信道状态，将总功率最优分 配给各个子载波，以最大化系统吞吐量。可采用水填充算法等进行求解。信息重构（步骤6）： 利用优化后的重构矩阵参数和功率分配策略，对分解后的信息承载子矩阵进行重构，得到 信息承载重构子矩阵。重构过程可还原原始信息，同时降低噪声和干扰的影响。加权求和 （步骤7）：将得到的各个信息承载重构子矩阵进行加权求和，得到最终的信息承载重构矩阵。加权求和可综合各子矩阵的重构效果，提高整体的重构性能。加权系数可根据子矩阵的重构质量自适应调整。 [0009] 插入导频和控制信息（步骤8）：在信息承载重构矩阵中插入导频符号和控制信息，用于信道估计和传输控制。设置合理的帧结构，规定导频、控制信息、同步序列和数据符号的排列方式，以实现对信道的有效利用和管理。预编码处理（步骤9）：对插入导频和控制信息后的信息承载重构矩阵进行预编码处理，根据信道状态信息（CSI）进行自适应优化。预编码可对信号进行预失真补偿，抵消信道的频率选择性衰落和相位畸变，提高接收端的信号质量。根据设置的帧结构，将预编码后的矩阵转换为时域传输符号序列。具体的，根据设置的帧结构，将预编码后的信息承载重构矩阵转换为时域传输符号序列。通常采用逆傅里叶 变换（IFFT）或逆滤波器组变换（IFBT）等技术，将频域的信息承载重构矩阵转换到时域，生成时域的传输符号序列。数模转换和射频处理（步骤10）：将生成的时域传输符号序列通过数模转换（DAC）映射为连续时间信号。对连续时间信号进行射频前端处理，包括上变频、滤波和功率放大等，最终将信号发射到无线信道中。射频前端的功率放大器可提升信号的发 射功率，扩大覆盖范围。具体的，数模转换将数字域的时域传输符号序列转换为模拟域的连续时间信号，使其能够在物理信道上传输。预编码后的信息承载重构矩阵经过时域转换后，其对应的时域传输符号序列具有了适合数模转换的离散时间形式。经过数模转换后的模拟 信号需要通过射频前端进行处理，才能够发射到无线信道中。射频前端包括功率放大器、滤波器、天线等组件，对模拟信号进行放大、滤波和发射等处理。生成的时域传输符号序列经过数模转换后，成为射频前端处理的输入，最终通过天线发射出去。预编码处理是根据信道状态信息（CSI）对信息承载重构矩阵进行自适应优化。预编码的目的是在发射端对信号进行预处理，以抵消信道的影响，提高信号在接收端的检测性能。经过预编码优化后的信息承载重构矩阵，在经过时域转换、数模转换和射频前端处理后，能够更好地适应信道条件，减小信道带来的失真和干扰。设置的帧结构决定了时域传输符号序列中导频、控制信息、同步序列和数据符号的排列方式。帧结构的设计会影响到射频前端的处理和无线信道的传输。 合理的帧结构设计可以提高信号的同步性能、降低导频开销、改善信道估计质量等，从而优化整个发射和传输过程。 [0010] 进一步的，步骤3中，构建原始信息承载矩阵，包括：调制符号序列重排：将步骤2得到的调制符号序列按照FBMC调制符号集合的子载波数量N进行重排。若原调制符号序列为，其中M为调制符号总数，N为子载波数量，则重排后的调制符号序列为： ，重排后的调制符号序列按照子载波顺序排列，每一行对应一个子载 波的调制符号。初始化信息承载矩阵：初始化一个行数等于FBMC调制符号集合子载波数量 N、列数等于混沌序列长度L与FBMC调制符号集合符号周期T的积的信息承载矩阵A。矩阵A的维度为N行、LT列，表示为： ，初始时，矩阵A的所有元素均为0。载入调 制符号：将重排后的调制符号序列逐行写入初始化的信息承载矩阵A中。第i行的元素 至 依次写入第i个子载波对应的T个调制符号，其余元素保持为0。写入后的矩阵A称为 载入调制符号的信息承载矩阵，表示为： 。生成混沌序列：采 用Logistic映射生成与信息承载矩阵A列数相等的混沌序列C。Logistic映射的迭代公式 为： ，其中μ为控制参数， 为第n次迭代的值。选择合适的初始 值 和控制参数μ，迭代LT次，得到长度为LT的混沌序列 。 [0011] 叉积运算：将载入调制符号的信息承载矩阵 中的每一行元素与对应的混沌序列C的元素进行叉积运算，得到原始信息承载矩阵 。叉积运算即对应元素相乘，矩阵 的第i 行第j列元素 计算公式为： 。叉积运算后，原始信息承载矩阵A_c 的维度仍为N行、LT列，表示为： 。 [0012] 进一步的，步骤4中，得到分解后的信息承载矩阵，包括：划分子矩阵：将步骤3得到的原始信息承载矩阵 按照DCSK系统的子载波数量M进行划分，得到M个子矩阵。若原始信息承载矩阵 的维度为N行LT列，则每个子矩阵的维度为（N/M）行LT列。将划分后的子矩阵依次表示为 。获取变换矩阵阶数：对于每个子矩阵 ，获取 其Hadamard矩阵分解的变换矩阵阶数 。变换矩阵阶数 等于对应子矩阵 的行数，即n_i =N/M。构建Hadamard变换矩阵：根据获取的变换矩阵阶数 ，构建相应阶数的Hadamard变换矩阵H_i。Hadamard变换矩阵 是一个 阶方阵，其元素由1和‑1组成，且满足以下条件：H_i的第 一 行 和第 一 列元 素 均 为1 ； 的 其 余 元素 满 足如 下 递 推关 系 ： ，其中 ， 与其转置矩阵 的乘积等于 乘以单位矩阵 ，即 。Hadamard变换矩阵的构建可采用递归算法或查表法实现。 Hadamard矩阵分解：利用构建的Hadamard变换矩阵 ，对每个子矩阵 进行Hadamard矩阵 分解。Hadamard矩阵分解的过程如下：将子矩阵 右乘Hadamard变换矩阵 ，得到中间矩 阵 ，即 ，将中间矩阵 左乘Hadamard变换矩阵 的转置矩阵 ，得到分解后 的信息承载子矩阵 ，即 。分解后的信息承载子矩阵 的维度与原子矩阵 相同，为（N/M）行L*T列。通过Hadamard矩阵分解，将原始信息承载子矩阵 转化为分解后的信息承载子矩阵 。组合分解后的子矩阵：将分解后的信息承载子矩阵 按 照原有顺序组合，得到分解后的信息承载矩阵D。分解后的信息承载矩阵D的维度与原始信 息承载矩阵 相同，为N行L*T列。 [0013] 进一步的，利用构建的Hadamard变换矩阵，对每个子矩阵进行Hadamard矩阵分解，包括：划分Hadamard变换矩阵：将构建的Hadamard变换矩阵H_i按照行列交替的方式划分为多个子块。划分的子块大小可以根据实际需求进行选择，常见的划分方式有2x2、4x4等。假设将 划分为4x4的子块，则 可表示为： 其中， 表示 的第j行第k列的子块。递归一维Hadamard变换：对划分得到的每个子块 进行递归的一维 Hadamard变换，得到分解后的信息承载子矩阵 。一维Hadamard变换的过程如下：将子块 按行（或列）展开为一维向量 ；对一维向量 进行一维Hadamard变换，得到变换后的 一维向量 ；将变换后的一维向量 重新排列为与 大小相同的子块 。一维 Hadamard变换可以使用快速Hadamard变换（FHT）算法实现，其计算复杂度为O（nlogn），其中n为变换长度。FHT算法的基本思想是将一维Hadamard变换分解为多个较小的变换，通过递 归和蝶形运算实现快速计算。FHT算法的伪代码如下：function FHT（x）：n=length（x），如果n==1：return xelse：x_even=FHT（x[0：2：n‑1]），x_odd=FHT（x[1：2：n]），x_combined=concat（x_even+x_odd，x_even‑x_odd），return x_combined。通过对每个子块 递归地应用FHT算法，可以得到相应的变换后子块 。组合变换后的子块：将变换后的子块 按照 与 相同的位置组合，得到分解后的信息承载子矩阵 。 的维度与原始信息承载子矩 阵 相同，为（N/M）行L*T列。 [0014] 其中，相比直接对整个子矩阵进行Hadamard矩阵分解，采用子块划分和递归一维变换的方式具有以下优点：降低计算复杂度：通过将大的矩阵分解为多个小的子块，可以减少矩阵乘法的次数，降低整体的计算复杂度。提高并行性：对不同的子块可以进行并行的一维Hadamard变换，充分利用现代处理器的并行计算能力，加速计算过程。节省存储空间：在进行一维Hadamard变换时，只需要存储当前子块的数据，而不需要同时存储整个子矩阵，减少了存储空间的需求。便于硬件实现：一维Hadamard变换可以通过简单的加减法和移位操 作实现，非常适合硬件实现，可以设计专门的Hadamard变换电路来进一步提高运算效率。 [0015] 具体的，将构建的Hadamard变换矩阵按照行和列交替划分为多个Hadamard变换子块，所述Hadamard变换子块的行数和列数相等，且行数和列数均为2的非负整数次幂；选取划分得到的一个Hadamard变换子块，将该Hadamard变换子块的行向量与划分得到的对应子 矩阵的列向量进行一维Hadamard变换，得到一维变换结果；将得到的一维变换结果转置，得到转置后的一维变换结果；将得到的转置后的一维变换结果的行向量与选取的Hadamard变 换子块的列向量进行一维Hadamard变换，得到二维Hadamard变换结果；递归地对划分得到 的所有Hadamard变换子块与对应子矩阵的一维Hadamard变换结果进行变换，直到所有子块 均完成变换，得到分解后的信息承载子矩阵。 [0016] 进一步的，步骤5中，重构矩阵参数优化，包括：初始化重构矩阵参数：根据步骤4得到的分解后的信息承载矩阵D，初始化重构矩阵R的参数。重构矩阵R的维度为LT行N列，其中LT为分解后的信息承载矩阵D的行数，N为原始信息承载矩阵 的行数。初始化重构矩阵R的元素取值范围，通常可以将元素初始化为‑1到1之间的随机值。构建重构矩阵并计算乘积： 利用初始化的重构矩阵参数，构建重构矩阵R。将分解后的信息承载矩阵D与重构矩阵R进行乘积运算，得到重构后的信息承载矩阵 ，即 。 的维度与原始信息承载矩阵 相同，为N行L*T列。计算均方误差：计算重构后的信息承载矩阵 与步骤3得到的原始信息 承载矩阵 之间的均方误差（Mean Square Error，MSE）。均方误差的计算公式为： 。比较均方误差与阈值：将计算得到的均方误差MSE与预设的 阈值threshold进行比较。如果MSE大于threshold，则认为重构误差较大，需要对重构矩阵R的元素值进行调整。利用梯度下降算法对R的元素值进行优化，具体步骤如下：计算均方误差对R中每个元素的偏导数，得到梯度矩阵G；根据梯度矩阵G和学习率lr，更新R的元素值，即 ；将更新后的R作为新的重构矩阵，重新构建重构矩阵并计算乘积。如果MSE 小于等于threshold，则认为重构误差已经足够小，将当前的重构矩阵参数作为最优参数。 构建最优重构矩阵并计算乘积：利用得到的最优重构矩阵参数，构建最优重构矩阵 。将 分解后的信息承载矩阵D与最优重构矩阵 进行乘积运算，得到优化后的重构信息承载矩 阵 ，即 。 的维度与原始信息承载矩阵 相同，为N行L*T列。重构矩阵参 数的优化旨在减小重构后的信息承载矩阵与原始信息承载矩阵之间的误差，提高重构的准 确性。通过引入重构矩阵，可以将分解后的信息承载矩阵映射回原始的信息空间，实现信息的重构和恢复。在优化过程中，均方误差作为衡量重构误差的指标，通过梯度下降算法不断调整重构矩阵的元素值，使均方误差逐步减小，直到达到预设的阈值要求。 [0017] 进一步的，步骤5中，功率分配策略优化，包括：计算信道容量：根据当前的信道状态和噪声功率，计算每个子信道的信道容量。对于第i个子信道，其信道容量 的计算公式为： ，其中B为子信道的带宽， 为第i个子信道的信噪比。确定功 率分配系数：根据计算得到的各个子信道的信道容量，通过将总功率在各个子信道之间进 行最优分配，使得各个子信道的信噪比相等，确定各个子信道的功率分配系数。设总功率为，第i个子信道的功率分配系数为 ，则有： 。为使各个子信道的信噪比相 等，需要满足以下条件： ，其中N为子信道的数量。结合信噪比的 计算公式，可以得到： 。同时，所有功率分配系数之和 为1，即： 。根据以上条件，可以通过求解线性方程组得到各个子信道的 最优功率分配系数。进行功率分配：根据确定的功率分配系数，对步骤4得到的优化后的重构信息承载矩阵的各个子信道进行功率分配。设优化后的重构信息承载矩阵为 ，其第i 行对应第i个子信道的数据。对于第i个子信道，将其对应的行向量 乘以 ， 得到功率分配后的行向量 。对 的每一行进行功率分配，得到功率分配优化后 的重构信息承载矩阵 。 [0018] 根据信道状态和噪声功率计算信道容量，通过最优功率分配确定各个子信道的功率分配系数，并对优化后的重构信息承载矩阵进行功率分配，得到功率分配优化后的重构 信息承载矩阵。功率分配策略的优化旨在根据信道条件动态调整各个子信道的功率分配， 以达到提高系统性能的目的。通过使各个子信道的信噪比相等，可以实现功率资源的均衡 利用，避免某些子信道的信号强度过高而浪费功率，同时也避免某些子信道的信号强度过 低而影响传输质量。在确定功率分配系数时，需要综合考虑信道增益和噪声功率等因素，通过求解线性方程组得到最优的功率分配方案。这一过程可以使用数值优化算法，如拉格朗 日乘子法、凸优化算法等，以高效求解最优功率分配系数。 [0019] 进一步的，步骤7中，得到最终的信息承载重构矩阵，包括：获取信道状态信息CSI：通过信道估计技术获取当前的信道状态信息CSI，包括信道增益、相位、时延等参数。信道状态信息可以通过导频序列、信道探测等方式获得，常见的信道估计算法有最小二乘估计 （LS）、最小均方误差估计（MMSE）等。计算信干噪比SINR：根据获取的信道状态信息CSI，计算每个信息承载重构子矩阵对应的信干噪比SINR。构建信干噪比SINR最大化目标函数：根据 各个信息承载重构子矩阵的信干噪比SINR，构建信干噪比SINR最大化目标函数。目标函数 的表达式为： ，其中M为信息承载重构子矩阵的总数， 为第 i个子矩阵的加权系数。目标函数的物理意义是最大化所有信息承载重构子矩阵的加权和 信道容量，即最大化系统的总传输速率。 [0020] 采用凸优化算法求解最大化目标函数：由于目标函数是关于加权系数w_i的凸函数，因此可以使用凸优化算法求解最大化问题。常用的凸优化算法包括梯度下降法、牛顿 法、内点法等，这些算法可以高效地求解最优的加权系数。求解过程中需要满足以下约束条件：加权系数 的取值范围为0到1之间，即 ；所有加权系数之和为1，即 。通 过凸优化算法求解得到各个信息承载重构子矩阵的最优加权系数 。计算最终的信息承 载重构矩阵：利用得到的最优加权系数 ，对步骤6得到的各个信息承载重构子矩阵 进行加权求和，得到最终的信息承载重构矩阵 。最终的信息承载重构矩阵 的计算 公式为： ，其中 为第i个子矩阵的最优加权系数， 为第i个子矩 阵经过功率分配优化后的矩阵。通过以上步骤，实现了最终信息承载重构矩阵的计算，通过获取信道状态信息、计算信干噪比、构建信干噪比最大化目标函数、采用凸优化算法求解最优加权系数，并对各个信息承载重构子矩阵进行加权求和，得到了最终的信息承载重构矩 阵。最终的信息承载重构矩阵综合了信道状态、干扰和噪声等因素的影响，通过最大化加权和信道容量的方式，优化了系统的传输性能。这一过程充分利用了信道状态信息和凸优化 理论，实现了对信息承载重构矩阵的自适应优化。 [0021] 具体的，根据估计的信道状态信息CSI对分解后的信息承载子矩阵进行自适应优化，其中CSI的获取方案如下：发送端在数据传输前，通过导频符号估计信道状态信息。具体地，发送端在数据符号序列中插入已知的导频符号序列，接收端利用接收到的导频符号序 列和本地已知的导频符号序列，采用最小二乘法（LS）或最小均方误差法（MMSE）等估计算法，估计发送端到接收端之间的信道频率响应，得到估计的信道状态信息CSI。 [0022] 优选地，为进一步提高信道估计精度和减小导频开销，可以采用以下改进技术方案：导频符号优化：在导频符号的构造中，采用更优的导频序列设计方法，如Zadoff‑Chu序列、Golay序列等，这些序列具有良好的互相关性能和峰均功率比特性，有利于提高信道估计质量。同时，优化导频符号的插入密度和功率分配，在保证估计性能的同时减小导频开 销。压缩感知估计：利用信道稀疏特性，将信道估计问题建模为压缩感知重构问题。通过随机投影将高维信道向量映射到低维观测向量，然后利用压缩感知重构算法（如OMP、CoSaMP等）恢复稀疏信道向量，实现高精度的信道估计。与传统估计方法相比，压缩感知估计可以大幅减少导频开销，提高频谱利用效率。基于反馈的自适应估计：在初始信道估计的基础 上，引入有限反馈机制，将量化后的CSI反馈给发送端。发送端根据反馈的CSI调整导频符号的发送策略（如功率、密度等），生成更优的导频序列，接收端利用更优的导频序列进一步提高信道估计精度。通过发送端和接收端的迭代交互，逐步优化信道估计性能。基于深度学习的信道估计：利用深度神经网络强大的学习和建模能力，构建端到端的信道估计模型。通过对大量信道样本数据进行离线训练，学习信道的统计特性和映射关系，实现无导频盲估计 或少量导频的半盲估计。与传统估计算法相比，深度学习方法具有更强的非线性拟合能力 和鲁棒性，能够适应复杂多变的信道环境。 [0023] 进一步的，信干噪比SINR是衡量无线通信系统性能的重要指标，表示了每个信息承载重构子矩阵的信号功率与干扰和噪声功率之比。对于第i个信息承载重构子矩阵，其信干噪比 的计算公式为： ，其中，各个参数的含义如下： 表示第i个信息承载重构子矩阵的发射功率，即第i个子矩阵的信号功率。发射功率是通信 系统的重要参数，决定了信号的传输距离和质量。 表示第i个信息承载重构子矩阵的信道 增益，反映了信道对第i个子矩阵信号的放大或衰减程度。信道增益受到信号频率、传输距离、环境障碍等因素的影响。 表示第j个信息承载重构子矩阵的信道增益，其中j为干扰 子矩阵的编号，取值范围为1到M，且不等于i。 表示第j个信息承载重构子矩阵对第i个信 息承载重构子矩阵的信道传输系数，反映了第j个子矩阵的信号通过信道传输后对第i个子 矩阵的干扰程度。信道传输系数取决于信道的衰落特性和多径效应等。 表示第i个信息承 载重构子矩阵受到的噪声功率，噪声来源于电子元件、热噪声等，会对信号的检测和恢复产生影响。M：表示信息承载重构子矩阵的总数。在计算SINR时，分子部分 表示第i个子矩 阵的接收信号功率，是发射功率和信道增益的乘积。分母部分包括两项：干扰功率和噪声功率。干扰功率 表示其他子矩阵的信号通过信道传输后对第i个子矩阵产 生的干扰，是干扰子矩阵的发射功率、信道增益和信道传输系数的乘积之和。噪声功率 表示第i个子矩阵受到的噪声影响，是一个常数。将接收信号功率除以干扰和噪声功率之和，得到第i个子矩阵的信干噪比 。 越高，表示第i个子矩阵的信号质量越好，受干扰 和噪声的影响越小。 [0024] 进一步的，步骤8中，Zadoff‑Chu序列是一种常用的导频序列，具有良好的相关性和低峰均比特性，可以有效地实现信道估计和同步功能。在步骤8中，为了进一步提高导频符号的性能，采用扩展Zadoff‑Chu序列构造导频符号。扩展Zadoff‑Chu序列的生成过程如下：选择多个不同的根序号，每个根序号对应一个Zadoff‑Chu序列。根序号的选择应满足以下条件：根序号与序列长度互质，即它们的最大公约数为1；不同根序号之间互不相同，以保证生成的Zadoff‑Chu序列之间的低相关性。对于每个选定的根序号，生成对应的Zadoff‑Chu序列。Zadoff‑Chu序列的生成公式为：当序列长度N为奇数时： ，k=0，1，.......，N‑1，当序列长度N为偶数时： ，k=0，1，.......，N‑1，其中，u为根序 号，N为序列长度，j为虚数单位。将生成的多个Zadoff‑Chu序列通过复用方式组合，形成扩展Zadoff‑Chu序列。复用方式可以采用时分复用、频分复用或码分复用等方式。时分复用： 将不同根序号的Zadoff‑Chu序列在时间域上依次排列，形成扩展序列；频分复用：将不同根序号的Zadoff‑Chu序列在频域上进行交织，每个子载波上携带不同序列的符号；码分复用： 将不同根序号的Zadoff‑Chu序列与不同的正交码进行乘积，生成正交的扩展序列。将生成的扩展Zadoff‑Chu序列作为导频符号，插入到信息承载重构矩阵中的指定位置，用于信道估计和同步等功能。扩展Zadoff‑Chu序列相比单个Zadoff‑Chu序列具有以下优点：更高的度量分辨率：通过组合多个不同根序号的Zadoff‑Chu序列，扩展序列的长度可以显著增加，从而提高了导频符号的度量分辨率，有利于实现更精确的信道估计和同步。更强的干扰抑 制能力：不同根序号的Zadoff‑Chu序列之间具有很低的互相关性，扩展序列中的不同组分之间干扰小，可以有效抑制多址干扰和符号间干扰。更灵活的资源分配：通过选择不同的复用方式和参数设置，可以根据系统的需求和信道条件，灵活地分配导频符号的资源，优化系统性能。 [0025] 进一步的，步骤8中，同步序列采用扩展Barker码构造，扩展Barker码由原始Barker码与循环移位序列组合而成。具体的，Barker码是一种常用的同步序列，具有很好的自相关特性，可以实现精确的帧同步和符号同步。在步骤8中，为了进一步提高同步序列的性能，采用扩展Barker码构造同步序列。扩展Barker码的生成过程如下：选择一个原始的 Barker码作为基础序列。Barker码是一种二值序列，其自相关函数在非零偏移处具有低的 旁瓣值。常用的Barker码长度有2、3、4、5、7、11和13。生成循环移位序列。循环移位序列是通过对原始Barker码进行循环移位操作得到的一组序列。设原始Barker码的长度为L，则可以生成L‑1个循环移位序列。第i个循环移位序列的生成方法为：将原始Barker码向右循环移位i个位置，i取值范围为1到L‑1。例如，对于长度为5的Barker码[1，1，1，‑1，1]，其循环移位序列包括：[1，1，‑1，1，1]，[1，‑1，1，1，1]，[‑1，1，1，1，1]，[1，1，1，1，‑1]。将原始Barker码与循环移位序列组合，形成扩展Barker码。组合方式可以采用串联、交织或并联等方式。串联： 将原始Barker码和循环移位序列按照一定顺序串联起来，形成扩展序列；交织：将原始 Barker码和循环移位序列按照一定规则交织，例如奇偶交织、符号交织等；并联：将原始 Barker码和循环移位序列并行传输，接收端再进行合并和处理。将生成的扩展Barker码作 为同步序列，插入到信息承载重构矩阵中的指定位置，用于帧同步、符号同步和信道估计等功能。扩展Barker码相比原始Barker码具有以下优点：更长的序列长度：通过组合原始 Barker码和循环移位序列，扩展Barker码的长度可以显著增加，提供了更多的同步信息，有利于实现更精确和稳定的同步。更强的同步性能：扩展Barker码保留了原始Barker码的优 良自相关特性，同时通过循环移位序列引入了更多的同步信息，可以提高同步的准确性和 鲁棒性。更灵活的序列设计：通过选择不同的组合方式和参数设置，可以根据系统的需求和信道条件，灵活地设计扩展Barker码，优化同步性能。 [0026] 有益效果，相比于现有技术，本申请的优点在于： [0027] 采用极化码进行信道编码，充分利用了极化码的信道分极效应和信道匹配特性，在低信噪比条件下实现了更优的编码增益，有效降低了信道编码复杂度和功耗。 [0029] 利用Hadamard矩阵分解实现信息承载矩阵划分，通过递归的一维Hadamard变换，简化了矩阵分解运算，降低了计算复杂度和硬件实现成本。 [0030] 基于信道状态信息和均方误差准则，采用梯度下降算法进行自适应重构矩阵优化，动态调整重构矩阵参数，减小了信号重构误差，提高了信号恢复质量。 [0031] 根据信道容量和信噪比，通过凸优化算法实现功率分配策略优化，在各个子信道之间进行最优功率分配，提高了系统的频谱效率和能量利用率。 [0032] 构建基于信干噪比最大化的加权系数优化目标函数，采用凸优化算法求解最优加权系数，通过加权求和方式得到最终的信息承载重构矩阵，有效抑制了子信道间的干扰，改善了检测性能。 [0033] 采用扩展Zadoff‑Chu序列构造导频符号，通过组合多个不同根序号的Zadoff‑Chu序列，获得了更优的互相关性能和更多的导频序列选择，有利于提升信道估计质量。 [0034] 采用扩展Barker码构造同步序列，通过组合原始Barker码及其循环移位序列，获得了更长的序列长度和更优的相关特性，有利于提升系统的同步效果和稳定性。 [0035] 设计了包含导频、控制信息、同步序列和数据符号的帧结构，结合信道状态信息进行自适应预编码优化，生成时域传输符号序列，减小了信道估计误差和速率损失。 [0038] 图2是根据本说明书一些实施例所示的获取原始信息承载矩阵的示例性流程图； [0039] 图3是根据本说明书一些实施例所示的获取分解后的信息承载矩阵的示例性流程图； [0040] 图4是根据本说明书一些实施例所示的获取优化后的重构信息承载矩阵的示例性流程图。 具体实施方式[0041] 下面结合附图对本说明书实施例提供的方法和系统进行详细说明。 [0042] 如图1所示，本实施例提供了一种基于多载波接收机的混合信号低功耗处理方法，包括以下步骤：步骤1，获取待传输的信息比特序列并进行预处理；预处理包含串并转换和信道编码；其中，信道编码采用极化码Polar Code；步骤2，将预处理后的信息比特序列映射到滤波器组多载波调制符号集合FBMC，得到调制符号序列；步骤3，采用Logistic映射生成混沌序列，将得到的调制符号序列与生成的混沌序列进行叉积，构建原始信息承载矩阵；步骤4，根据差分混沌移位键控DCSK系统的子载波数量M，将得到的原始信息承载矩阵划分为M个子矩阵，并对每个子矩阵进行矩阵分解处理，得到分解后的信息承载子矩阵；步骤5，对得到的分解后的信息承载子矩阵进行自适应优化；自适应优化包含重构矩阵参数优化和功率 分配策略优化；步骤6，利用重构矩阵参数和功率分配策略对得到的分解后的信息承载子矩阵进行重构，得到信息承载重构子矩阵；步骤7，将得到的各个信息承载重构子矩阵进行加权求和，得到最终的信息承载重构矩阵；步骤8，在得到的信息承载重构矩阵中插入导频符号和控制信息；设置帧结构，帧结构包含导频、控制信息、同步序列和数据符号的排列方式； 步骤9，对插入导频符号和控制信息的信息承载重构矩阵进行预编码处理，得到预编码后的信息承载重构矩阵；预编码处理包含根据信道状态信息CSI进行自适应优化；根据设置的帧结构将预编码后的信息承载重构矩阵转换为时域传输符号序列；步骤10，将生成的时域传 输符号序列通过数模转换和射频前端处理后，发射到无线信道中；其中，射频前端包含功率放大器。 [0043] 步骤1：获取待传输的信息比特序列｛b1，b2，.......，bK}，对其进行预处理。预处理包括串并转换和信道编码。串并转换将串行比特序列转换为并行比特序列。信道编码采用极化码，将并行比特序列编码为极化码比特序列｛c1，c2，.......，cN}，其中K为信息比特长度，N为编码后的码字长度。具体的，设待传输的信息比特序列为｛b1，b2，.......，bK}，其中K为信息比特的长度。首先，采用串并转换将串行比特序列转换为并行比特序列。具体地，设置并行度为P，将K个串行比特均匀划分为P个子序列，每个子序列包含L=K/P个比特。然 后，将P个子序列并行输入到下一步的信道编码模块中。信道编码采用极化码进行编码。极化码是一种基于信道极化现象的线性分组码，通过递归的信道组合和分裂，构造出容量接 近信道容量的极化子信道，在这些子信道上发送信息比特，从而实现可靠通信。设并行比特序列为｛d1，d2，.......，dL}。极化码编码过程如下： [0044] 信道极化：对并行比特序列｛d1，d2，.......，dL｝进行Kronecker矩阵乘积运算，得到极化后的比特序列｛u1，u2，.......，uN}。Kronecker矩阵为N阶的Hadamard矩阵，其中N=2^n，n为正整数。Kronecker矩阵乘积运算表示为：[u1，u2，.......，uN]^T=G_N×[d1，d2，.......，dL，0，.......，0]^T，其中G_N为N阶Kronecker矩阵，T表示转置操作，0为补零比特，使得输入比特序列长度扩展到N。信息比特选择：根据信道极化效应，选择可靠度最高的K个比特位置作为信息比特，其余N‑K个比特位置为冻结比特，固定为0。信息比特位置的选择可以通过蒙特卡洛模拟或高斯近似的方法预先计算得到。比特插入：将并行比特序列｛d1，d2，.......，dL｝插入到选定的K个信息比特位置，其余N‑K个冻结比特位置填零，得到极化码比特序列｛c1，c2，.......，cN}。经过以上极化码编码过程，将并行比特序列{d1，d2，.......，dL}编码为极化码比特序列{c1，c2，.......，cN}，其中编码率R=K/N。通过合理选择信息比特位置和编码率，极化码能够在较低的信噪比下实现可靠通信。可以采用查找 表（LUT）的方式存储预先计算好的信息比特位置，减少实时计算开销。此外，Kronecker矩阵乘积运算可以通过蝶形运算的方式递归实现，降低计算复杂度。 [0045] 步骤2：将极化码比特序列｛c1，c2，.......，cN｝映射到FBMC调制符号集合，得到调制符号序列｛s1，s2，.......，sM}，其中M为调制符号的个数。调制符号集合采用OQAM‑FBMC调制格式，符号间采用正交幅度调制，符号内采用频移键控调制。 [0046] 具体的，设极化码比特序列为｛c1，c2，.......，cN}，其中N为码字长度。FBMC调制采用OQAM‑FBMC调制格式，符号间采用正交幅度调制（QAM），符号内采用频移键控（FSK）调制。调制过程如下：符号映射：将极化码比特序列按照预设的QAM星座图进行符号映射，得到复数调制符号序列｛d1，d2，.......，dM}，其中M为调制符号的个数。以16QAM为例，每4个比特映射为一个复数调制符号，其中实部和虚部分别取值于｛‑3，‑1，1，3}。则M=N/4，调制符号序列长度为M。OQAM预处理：对复数调制符号序列｛d1，d2，.......，dM｝进行正交幅度调制（OQAM）预处理。具体地，对偶数号调制符号的虚部乘以j，对奇数号调制符号的实部乘以j，得到预处理后的调制符号序列｛d'1，d'2，.......，d'M}。其中，j为虚数单位，j^2=‑1。频移键控调制：对预处理后的调制符号序列｛d'1，d'2，.......，d'M｝进行频移键控（FSK）调制。设FSK调制的频率间隔为Δf，每个调制符号包含K个子载波，则第m个调制符号对应的K个子载波频率为：f_m，k=f_c+（m‑1）*Δf+（k‑1‑K/2）*Δf/K，k=1，2，.......，K，其中，f_c为中心频率，m=1，2，.......，M，k=1，2，.......，K。将预处理后的调制符号d'm映射到对应的K个子载波上，得到FSK调制后的符号s_m，k。FBMC合成：对FSK调制后的符号｛s_m，k｝进行FBMC合成，得到最终的FBMC调制符号序列｛s1，s2，.......，sM}。具体地，采用IFFT变换将频域的｛s_m，k｝转换为时域，再经过原型滤波器组进行脉冲整形，得到时域的FBMC调制符号序列。原型滤波器组通常采用Hermite函数或PHYDYAS滤波器等，以实现良好的时频局部性和子载波 正交性。采用OQAM‑FBMC调制格式，将极化码比特序列映射为调制符号序列。其中，符号间采用QAM调制，保证了频谱利用率；符号内采用FSK调制，提高了抗干扰能力。通过OQAM预处理和原型滤波，实现了子载波间的正交性，抑制了符号间干扰。同时，FBMC合成利用IFFT变换，降低了发送端的实现复杂度。与传统的OFDM调制相比，OQAM‑FBMC在保持频谱利用率的同 时，具有更低的带外泄露和峰均功率比，更适用于低功耗、高可靠的通信场景。 [0047] 图2是根据本说明书一些实施例所示的获取原始信息承载矩阵的示例性流程图，步骤3：采用Logistic映射生成混沌序列｛x1，x2，.......，xL}，其中L为混沌序列长度。将调制符号序列｛s1，s2，.......，sM｝与混沌序列｛x1，x2，.......，xL｝进行逐元素叉积运算，构建原始信息承载矩阵S。原始信息承载矩阵S的维度为M×L，其中矩阵元素Si，j=si*xj（i=1， 2，.......，M；j=1，2，.......，L）。具体的，混沌序列生成：采用Logistic映射生成混沌序列｛x1，x2，.......，xL}，其中L为混沌序列长度。Logistic映射是一种常见的一维混沌映射，其迭代公式为：x_n+1=μ*x_n*（1‑x_n），n=0，1，2，.......，其中，x_n为第n次迭代的混沌值，μ为控制参数，取值范围为（0，4]。当μ=4时，Logistic映射处于完全混沌状态，生成的序列具有良好的随机性和不可预测性。设初始值x_0∈（0，1），通过迭代公式计算得到混沌序列｛x1，x2，.......，xL}。为了提高混沌序列的随机性，可以对生成的序列进行二值化处理，得到二进制混沌序列｛b1，b2，.......，bL}。二值化处理可以采用阈值比较的方法，例如：b_i=0，若x_i<0.5，b_i=1，若x_i≥0.5，其中，i=1，2，.......，L。经过二值化处理，得到的混沌序列｛b1，b2，.......，bL｝由0和1组成，具有更强的随机性和安全性。逐元素叉积运算：将调制符号序列｛s1，s2，.......，sM｝与混沌序列｛x1，x2，.......，xL｝进行逐元素叉积运算，构建原始信息承载矩阵S。原始信息承载矩阵S的维度为M×L，其中矩阵元素S_i，j的计算公式为：S_i，j=s_i*x_j，i=1，2，.......，M；j=1，2，.......，L，其中，s_i为第i个调制符号，x_j为混沌序列的第j个元素。通过逐元素叉积运算，将调制符号序列与混沌序列相结合，生成了原始信息承载矩阵S。 [0048] 图3是根据本说明书一些实施例所示的获取分解后的信息承载矩阵的示例性流程图，步骤4：根据DCSK系统的子载波数量M，将原始信息承载矩阵S划分为M个子矩阵｛S1， S2，.......，SM}。对每个子矩阵Si（i=1，2，.......，M）进行Hadamard矩阵分解，得到M个分解后的信息承载子矩阵{Hi，Bi}（i=1，2，.......，M），其中Hi为正交矩阵，Bi为对角矩阵。具体的，矩阵划分：根据DCSK系统的子载波数量M，将原始信息承载矩阵S划分为M个子矩阵｛S1，S2，.......，SM}。假设原始信息承载矩阵S的维度为N×L，其中N为调制符号的个数，L为混沌序列长度。每个子矩阵的维度为（N/M）×L，即：S1=S[1：（N/M），：]，S2=S[（N/M+1）：2（N/M），：]，.......，SM=S[（M‑1）（N/M）+1：N，：]。其中，S[a：b，：]表示提取矩阵S的第a行到第b行的所有元素。通过矩阵划分，将原始信息承载矩阵S等分为M个子矩阵，每个子矩阵对应一个DCSK子载波。Hadamard矩阵分解：对每个子矩阵Si（i=1，2，.......，M）进行Hadamard矩阵分解。Hadamard矩阵是一种正交矩阵，其元素只包含+1和‑1，且任意两行或两列之间都是正交的。设第i个子矩阵Si的维度为P×L，其中P=N/M。对Si进行Hadamard矩阵分解，得到：Si=Hi×Bi，其中，Hi为P×P的Hadamard矩阵，Bi为P×L的对角矩阵。Hadamard矩阵Hi满足：Hi×Hi ^T=P×I_P，其中，Hi^T为Hi的转置矩阵，I_P为P×P的单位矩阵。对角矩阵Bi的主对角线元 素为Si的奇异值，其他元素为0。通过Hadamard矩阵分解，将每个子矩阵Si分解为正交矩阵Hi和对角矩阵Bi的乘积，得到M个分解后的信息承载子矩阵{Hi，Bi}（i=1，2，.......，M）。 [0049] 对子矩阵Si进行递归分解，通过多级分解更好地捕捉信号的局部结构和相关性，提高信息承载能力和传输效率。第i个子矩阵Si的维度为P×L，其中P=N/M。对Si进行K级 Hadamard矩阵分解，递归过程如下：初始化：将子矩阵Si视为第0级分解的输入矩阵，记为Si^（（0））=Si。第k级分解（k=1，2，.......，K）：a.将第k‑1级分解得到的矩阵Si^（（k‑1））划分为Qk个子块，每个子块的维度为（P/Qk）×（L/Qk）。Qk为第k级分解的子块数，可以根据信号的统计特性和相关性自适应选择。b.对每个子块Si，j^（（k‑1））（j=1，2，.......，Qk）进行Hadamard矩阵分解，得到：Si，j^（（k‑1））=Hi，j^（（k））×Bi，j^（（k）），其中，Hi，j^（（k））为（P/Qk）×（P/Qk）的Hadamard矩阵，Bi，j^（（k））为（P/Qk）×（L/Qk）的对角矩阵。c.根据信号的统计特性和相关性，对每个子块选择最优的Hadamard矩阵Hi，j^（（k））进行分解。可以采用自适应的选择准则，如最小均方误差（MMSE）、最大互信息（MI）等。d.将第k级分解得到的子块重组为矩阵Si^（（k）），作为下一级分解的输入。终止条件：当完成K级分解后，得到最终的分解结果：Si=Hi^（（1））×Hi^（（2））×...×Hi^（（K））×Bi^（（K）），其中，Hi^（（k））为第k级分解的Hadamard矩阵，Bi^（（K））为第K级分解的对角矩阵。通过多级Hadamard矩阵分解，将子矩阵Si递归地分解为多个局部的Hadamard矩阵和对角矩阵的乘积。每一级分解都根据 信号的统计特性和相关性，自适应地选择最优的Hadamard矩阵，以更好地匹配局部信号结 构。 [0050] 图4是根据本说明书一些实施例所示的获取优化后的重构信息承载矩阵的示例性流程图，步骤5：根据导频符号估计得到的信道状态信息CSI，对分解后的信息承载子矩阵 {Hi，Bi}（i=1，2，.......，M）进行自适应优化。自适应优化包含重构矩阵参数优化和功率分配策略优化。重构矩阵参数优化利用梯度下降算法，最小化信息承载重构矩阵与原始信息 承载矩阵之间的均方误差，得到最优重构矩阵参数。功率分配策略优化根据信道容量和信 噪比，在各子信道间最优分配总功率，得到功率分配优化后的重构信息承载子矩阵{Hoi， Boi}（i=1，2，.......，M）。 [0051] 具体的，a.定义优化目标：最小化信息承载重构矩阵与原始信息承载矩阵之间的均方误差（MSE）。设原始信息承载子矩阵为Si，重构后的信息承载子矩阵为Sri，则优化目标可表示为：minMSE=E[||Si‑Sri||^2]，其中，E[x]表示数学期望，||x||表示矩阵的 Frobenius范数。b.参数化重构矩阵：将重构矩阵表示为参数化形式，如Sri=f（Hi，Bi，θ），其中θ为待优化的参数向量。参数化形式可以采用线性组合、非线性变换等方法，以增强重构矩阵的表达能力。c.梯度下降优化：利用梯度下降算法对参数θ进行优化。根据链式法则，计算MSE对θ的梯度：∇θMSE=E[∇θ||Si‑Sri||^2]=E[∇θ（Si‑Sri）^T（Si‑Sri）]，然后，通过迭代更新参数θ，使其沿着负梯度方向移动，直到收敛到最优值：θ（t+1）=θ（t）‑η*∇θMSE，其中，t为迭代次数，η为学习率。d.得到最优重构矩阵：将优化得到的参数θ代入重构矩阵的参数化形式，得到最优的重构矩阵Hoi和Boi，使得MSE最小化。功率分配策略优化：定义优化目标：最大化系统的信道容量，同时满足总功率约束。设第i个子信道的信噪比为SNRi，分配给第i个子信道的功率为Pi，总功率为Ptotal，则优化目标可表示为：maxC=∑log2（1+SNRi·Pi），s.t.∑Pi≤Ptotal，Pi≥0，其中，∑表示对所有子信道求和。水填充算法：采用水填充算法对功率进行优化分配。水填充算法的基本思想是，将总功率看作是一定量的水，将各子信道看作是不同深度的容器，水就会自动流向深度较大的容器，直到所有容器的水面高度 相等。计算各子信道的有效信噪比：SNRi_eff=SNRi/（Hoi^2*Boi^2），将子信道按照有效信噪比从大到小排序，初始化水位Level为0，分配功率Pi为0。从有效信噪比最大的子信道开始，逐个分配功率：Pi=max（0，Level‑1/SNRi_eff），更新剩余总功率：Ptotal=Ptotal‑Pi，更新水位：Level=（Ptotal+∑1/SNRi_eff）/（剩余子信道数），重复上一步，直到所有子信道都分配完功率。得到功率分配优化后的重构信息承载子矩阵：将最优功率分配结果Pi代入重 构矩阵，得到功率分配优化后的重构信息承载子矩阵Hoi和Boi。 [0052] 步骤6：利用优化后的重构矩阵参数和功率分配策略，对分解后的信息承载子矩阵{Hi，Bi}（i=1，2，.......，M）进行重构，得到M个信息承载重构子矩阵{Hri，Bri}（i=1， 2，.......，M）。具体的，对于第i个信息承载子矩阵｛Hi，Bi}，利用步骤5中优化得到的重构矩阵参数θi，构建重构矩阵Hri和Bri。重构矩阵的构建方法取决于参数化形式的选择。例如，如果采用线性组合的参数化形式：Hri=∑θi，j*Hj，Bri=∑θi，k*Bk，其中，Hj和Bk为预定义的基矩阵，θi，j和θi，k为对应的组合系数。将优化得到的参数θi代入上述等式，计算得到重构矩阵Hri和Bri。对于第i个信息承载子矩阵，根据步骤5中优化得到的功率分配结果Pi，对重构矩阵Hri和Bri进行功率缩放。功率缩放系数根号Pi，对重构矩阵的元素进行等比例 缩放：Hri=根号Pi*Hri，Bri=根号Pi*Bri。功率缩放后的重构矩阵Hri和Bri满足分配的功率预算，同时保持原有的矩阵结构和特性。a.将功率缩放后的重构矩阵Hri和Bri组合，得到第i个信息承载重构子矩阵：｛Hri，Bri}。b.对所有M个信息承载子矩阵进行重构，得到M个信息承载重构子矩阵：｛Hr1，Br1}，｛Hr2，Br2}，.......，｛HrM，BrM}。 [0053] 步骤7：根据信干噪比SINR，构建SINR最大化目标函数，采用凸优化算法求解最优加权系数｛w1，w2，.......，wM}。将M个信息承载重构子矩阵{Hri，Bri}（i=1，2，.......，M）进行加权求和，得到最终的信息承载重构矩阵Sr。具体的，对于第i个信息承载重构子矩阵，其SINR表达式为：SINRi=Pi*Gi/[∑（j=1toM，j≠i）Pj*Gj*|Hji|^2+Ni]，其中，Pi表示第i个子矩阵的发射功率，Gi表示第i个子矩阵的信道增益，Gj表示第j个子矩阵的信道增益，Hji表示第j个子矩阵对第i个子矩阵的信道传输系数，Ni表示第i个子矩阵受到的噪声功率。 SINR表达式的物理意义是，第i个子矩阵的信号功率与其受到的干扰和噪声功率之比。分子表示第i个子矩阵的信号功率，分母表示其受到的来自其他子矩阵的干扰功率和噪声功率 之和。信道增益Gi和Gj表示信号在传输过程中的衰减和放大程度，与信道环境和距离有关。 信道传输系数Hji表示第j个子矩阵的信号在传输到第i个子矩阵时的变化情况，包括衰减、相移等。 [0054] 定义加权系数wi，表示第i个信息承载重构子矩阵的权重，取值范围为0到1。加权系数反映了每个子矩阵对最终重构矩阵的贡献程度。构建SINR最大化目标函数：maximize ∑（i=1toM）[log2（1+SINRi）]*wi，其中，M表示信息承载重构子矩阵的总数，i表示子矩阵的编号，取值范围为1到M。目标函数的物理意义是，最大化所有子矩阵的加权SINR之和。对 SINR取对数，将其转化为信道容量的形式，使得目标函数具有更明确的通信意义。加权系数wi的引入，使得不同子矩阵的SINR贡献可以被灵活调节。将SINR最大化目标函数转化为凸 优化问题：maximize∑（i=1toM）[log2（1+SINRi）]*wi，subjectto∑（i=1toM）wi=1，0≤wi≤ 1，其中，目标函数是加权SINR之和，约束条件是加权系数之和为1，且每个加权系数取值在0到1之间。采用内点法等凸优化算法求解上述优化问题，得到最优加权系数｛w1， w2，.......，wM}。内点法通过构建障碍函数，将约束条件转化为目标函数的一部分，并通过迭代更新变量，逐步逼近最优解。利用最优加权系数对信息承载重构子矩阵进行加权求和： Sr=∑（i=1toM）wi*{Hri，Bri}，其中，Sr表示最终的信息承载重构矩阵，{Hri，Bri}表示第i个信息承载重构子矩阵。加权求和的结果Sr综合了各个子矩阵的信息，同时考虑了它们的 SINR贡献。Sr作为最终的重构矩阵，将用于后续的信号检测和解码。 [0055] 步骤8：在信息承载重构矩阵Sr中，插入导频符号和控制信息。导频符号采用扩展Zadoff‑Chu序列构造，通过组合多个不同根序号的Zadoff‑Chu序列生成。控制信息包括数据速率、调制阶数、编码类型等传输参数。设置帧结构，帧结构定义导频符号、控制信息、同步序列和数据符号的数量和排列方式。同步序列采用扩展Barker码构造，通过组合原始 Barker码及其循环移位序列生成。具体的，导频符号的构造：采用扩展Zadoff‑Chu序列构造导频符号，Zadoff‑Chu序列是一种常用的导频序列，具有良好的相关性质和低峰均比特性。 通过组合多个不同根序号的Zadoff‑Chu序列生成导频符号。设置不同的根序号，可以产生多个正交的导频序列，用于区分不同的信息承载。导频符号的长度和个数根据信道估计的 需求和帧结构的设计进行确定。导频符号通常周期性地插入到数据符号中，以便接收机进 行信道估计和同步跟踪。控制信息的插入：控制信息包括数据速率、调制阶数、编码类型等传输参数，用于指导接收机的解调和解码操作。将控制信息编码后插入到帧结构中，通常放置在帧头或帧尾的固定位置，以便接收机快速获取。控制信息的编码采用纠错编码技术，如卷积编码、LDPC编码等，提高控制信息的可靠性。帧结构的设计：设置帧结构，定义导频符号、控制信息、同步序列和数据符号的数量和排列方式。帧结构的设计需要考虑系统的传输需求、信道条件、时延要求等因素。合理的帧结构设计可以提高传输效率、降低开销、增强鲁棒性。常见的帧结构包括固定帧结构和灵活帧结构。固定帧结构的各个部分长度和位置固 定，适用于稳定的传输环境。灵活帧结构可以根据传输需求动态调整各个部分的长度和位 置，适应变化的传输环境。同步序列的构造：同步序列用于帧同步和符号同步，帮助接收机确定帧的起始位置和符号边界。采用扩展Barker码构造同步序列，Barker码是一种具有良 好自相关性质的二值序列。通过组合原始Barker码及其循环移位序列，可以生成多个正交 的同步序列。同步序列通常插入到帧的起始位置，长度根据同步需求和帧结构的设计进行 确定。插入和组帧：将构造的导频符号、控制信息、同步序列和数据符号按照设计的帧结构进行插入和组帧。插入过程需要保证各个部分的位置和长度与帧结构的定义相匹配，避免 出现冲突或遗漏。组帧后的信号作为发射机的输出，经过调制、放大等处理后发射到信道 中。 [0056] 步骤9：对插入导频和控制信息后的信息承载重构矩阵Sr进行预编码处理。预编码通过CSI自适应优化预编码矩阵，并与Sr相乘。根据设置的帧结构，将预编码后的矩阵转换为时域传输符号序列｛t1，t2，.......，tP}，其中P为传输符号的个数。具体的，预编码矩阵的优化：预编码的目的是在发射端对信号进行预处理，以适应信道条件，提高传输质量和频谱效率。通过信道状态信息（CSI）自适应优化预编码矩阵。CSI包括信道响应、信干噪比等参数，反映了信道的传输特性。常用的预编码优化准则包括最大化信道容量、最小化误比特 率、最大化信干噪比等。根据不同的优化准则，可以采用不同的预编码算法，如奇异值分解（SVD）预编码、最小均方误差（MMSE）预编码、矢量扰动（VP）预编码等。预编码矩阵的维度与信息承载重构矩阵Sr的维度相匹配，通常为发射天线数与信息流数的乘积。预编码处理：将优化得到的预编码矩阵记为W，其维度为M×M，其中M为Sr的维度。对Sr进行预编码处理，即将Sr与预编码矩阵W相乘：X=W×Sr，其中，X为预编码后的矩阵，维度与Sr相同。预编码处理相当于对Sr进行线性变换，将其映射到最优的传输子空间，以适应信道条件。时域转换：根据设置的帧结构，将预编码后的矩阵X转换为时域传输符号序列｛t1，t2，.......，tP}，其中P为传输符号的个数。时域转换通常采用逆傅里叶变换（IFFT）实现，将频域的预编码矩阵转换为时域的传输符号序列。IFFT的参数设置与帧结构相关，如IFFT点数、循环前缀长度等。 合适的参数设置可以提高系统的频谱效率和抗干扰能力。时域转换后的传输符号序列按照 帧结构中的定义进行排列，形成完整的时域传输帧。时域传输：将时域传输符号序列｛t1，t2，.......，tP｝送入发射机的射频部分进行调制和放大。调制方式与控制信息中指定的调制阶数相对应，如QPSK、16QAM等。放大器根据信道条件和功率控制要求，对调制后的信号进行功率放大，以保证信号的传输功率和覆盖范围。经过调制和放大后的时域信号通过发射 天线发射到无线信道中，传输到接收端。 [0057] 步骤10：将时域传输符号序列｛t1，t2，.......，tP｝通过数模转换（DAC）映射为连续时间信号，再经射频前端（包括上变频、滤波、功率放大等）处理后，发射到无线信道中。具体的，数模转换（DAC）：将时域传输符号序列｛t1，t2，.......，tP｝通过数模转换（DAC）映射为连续时间信号。DAC的作用是将离散时间的数字信号转换为连续时间的模拟信号，实现数字信号到模拟信号的转换。DAC的关键参数包括采样率、量化位数和转换速度。采样率决定了模拟信号的时间分辨率，量化位数决定了幅度分辨率，转换速度决定了DAC的处理能力。为了避免频谱混叠和失真，DAC的采样率需要满足奈奎斯特采样定理，即采样率应至少为信号带宽的2倍。同时，量化位数应足够高，以保证转换精度和信噪比。射频前端处理：DAC输出的连续时间模拟信号通过射频前端进行处理，包括上变频、滤波、功率放大等步骤。上变频将基带信号移动到所需的射频载波频率，实现信号的频谱搬移。上变频通常采用混频器和 本地振荡器实现。滤波去除上变频产生的镜像频率和带外干扰，确保信号的频谱纯度。常用的射频滤波器包括表面声波（SAW）滤波器、体声波（BAW）滤波器等。功率放大将滤波后的射频信号放大到所需的发射功率级别，以满足传输距离和覆盖范围的要求。功率放大器的关 键指标包括增益、效率、线性度等。天线发射：经过射频前端处理后的射频信号通过天线发射到无线信道中。天线将射频信号从导线传输转换为自由空间的电磁波传输，实现无线信 号的辐射和传播。天线的关键参数包括增益、方向图、极化方式、带宽等。合适的天线设计可以提高发射效率、增加覆盖范围、减少干扰。对于多天线系统，如MIMO、波束赋形等，还需要考虑天线之间的互耦、相位关系等因素，以实现空间复用、分集增益等目的。无线信道传输： 射频信号在无线信道中传输，受到路径损耗、衰落、多径、干扰等因素的影响。路径损耗是信号在传播过程中能量衰减的现象，与传输距离、频率等因素相关。衰落是由于信号在传播过程中遇到障碍物、地形等引起的幅度和相位变化，包括大尺度衰落和小尺度衰落。多径是信号通过不同传播路径到达接收端，导致时延扩展和频率选择性衰落。干扰来自其他用户、其他系统或环境噪声，会降低信号的质量和可靠性。 |
||
QQ群二维码
意见反馈
意见反馈