基于CDMA的多用户水下无线光通信(3)——解相关多用户检测

  继续上一篇博文,本文将介绍基于解相关的多用户检测算法。解相关检测器的优点是因不需要估计各个用户的接收信号幅值而具有抗远近效应的能力。常规的解相关检测器有运算量大和实时性差的缺点,本文针对异步CDMA的MAI主要来自干扰用户的相邻三个比特周期的特点,给出了基于相邻三个匹配滤波器输出数据的截断解相关检测算法。(我不知道怎么改公式里的字体,有的字母在公式中重复使用了,请根据上下文判断字母含义)

1、常规检测器

  假设已知各个用户的延时,且各个用户的延时满足 0 ≤ τ 1 ≤ ⋯ ≤ τ K < T b 0 \le \tau_1 \le \cdots \le \tau_{K} \lt T_\text{b} 0τ1τK<Tb。无论是常规检测器还是多用户检测器,接收信号都要经过相关器进行解扩。在相关器中,待检测用户的扩频波形被重新生成并与接收信号进行相关运算。相关器可以通过匹配滤波技术实现,因此又被称为匹配滤波器。对匹配滤波器的输出的采样时刻与对应的待检测用户的信号延时同步,采样间隔为一个比特周期,该采样值是判决最有可能传输的信息比特的充分统计量。第 k k k个用户的第 i i i个比特的匹配滤波器输出采样值表示为 y k [ i ] = ∑ n = 0 L N s − 1 s rx [ n 0 + ( i − 1 ) L N s + q k + n ] s k [ n ] = R k , k ( 0 ) A k b k [ i ] + ∑ m = − 1 1 ∑ j = 1 j ≠ k K R k , j ( m ) A j b j [ i − m ] + v k [ i ] , \begin{aligned} y_k[i] & = \sum_{n=0}^{LN_\text{s}-1}{s_\text{rx}[n_0+(i-1)LN_\text{s}+q_k+n]s_k[n]} \notag \\ & = R_{k,k}(0)A_kb_k[i]+\sum_{m=-1}^{1}{\sum_{\substack{j=1\\ j\neq k}}^{K}{R_{k,j}(m)A_jb_j[i-m]}}+v_k[i], \end{aligned} yk[i]=n=0LNs1srx[n0+(i1)LNs+qk+n]sk[n]=Rk,k(0)Akbk[i]+m=11j=1j=kKRk,j(m)Ajbj[im]+vk[i], 其中, R k , k ( 0 ) R_{k,k}(0) Rk,k(0)是第 k k k个用户的扩频波形在相对延时为 0 0 0时的自相关值, k ≠ j k\neq j k=j时的 R k , j ( m ) R_{k,j}(m) Rk,j(m)是两个不同用户的扩频波形之间的互相关值, R k , j ( m ) = ∑ n = − ∞ ∞ s k [ n − q k ] s j [ n + m L N s − q j ] , R_{k,j}(m) = \sum_{n=-\infty}^{\infty}{s_k[n-q_k]s_j[n+mLN_\text{s}-q_j]}, Rk,j(m)=n=sk[nqk]sj[n+mLNsqj], v k [ i ] v_k[i] vk[i]表示匹配滤波器输出的噪声。 y k [ i ] y_k[i] yk[i]公式中的第二行第一项表示有用的恢复数据,第二项表示匹配滤波器与其他用户的信号做相关运算产生的MAI。
  将针对各个用户的匹配滤波器的输出采样值按用户延时由短到长的顺序写入一个向量 y ( i ) = [ y 1 [ i ] , ⋯ , y K [ i ] ] T ∈ R K × 1 \boldsymbol{y}(i)=\left[y_1[i], \cdots,y_{K}[i]\right]^\text{T} \in \mathbb{R}^{K\times 1} y(i)=[y1[i],,yK[i]]TRK×1,向量 y ( i ) \boldsymbol{y}(i) y(i)表示为 y ( i ) = R ( 1 ) Q b ( i − 1 ) + R ( 0 ) Q b ( i ) + R ( − 1 ) Q b ( i + 1 ) + v ( i ) , \boldsymbol{y}(i) = \boldsymbol{R}(1)\boldsymbol{Q}\boldsymbol{b}(i-1)+\boldsymbol{R}(0)\boldsymbol{Q}\boldsymbol{b}(i)+\boldsymbol{R}(-1)\boldsymbol{Q}\boldsymbol{b}(i+1)+\boldsymbol{v}(i), y(i)=R(1)Qb(i1)+R(0)Qb(i)+R(1)Qb(i+1)+v(i), 其中,矩阵 R ( m ) ∈ R K × K \boldsymbol{R}(m)\in \mathbb{R}^{K\times K} R(m)RK×K的第 ( k , j ) (k,j) (k,j)个元素为 R k , j ( m ) R_{k,j}(m) Rk,j(m) R ( 1 ) \boldsymbol{R}(1) R(1)是对角线为 0 0 0的上三角矩阵, R ( − 1 ) \boldsymbol{R}(-1) R(1)是对角线为 0 0 0的下三角矩阵, b ( i ) = [ b 1 [ i ] , ⋯ , b K [ i ] ] T ∈ { + 1 , − 1 } K × 1 \boldsymbol{b}(i)=\left[b_1[i], \cdots,b_{K}[i]\right]^\text{T} \in \{+1,-1\}^{K\times 1} b(i)=[b1[i],,bK[i]]T{+1,1}K×1 Q = diag ( A 1 , ⋯ , A K ) ∈ R K × K \boldsymbol{Q} = \text{diag}(A_1,\cdots,A_{K}) \in \mathbb{R}^{K\times K} Q=diag(A1,,AK)RK×K v ( i ) = [ v 1 [ i ] , ⋯ , v K [ i ] ] T ∈ R K × 1 \boldsymbol{v}(i)=\left[v_1[i], \cdots,v_{K}[i]\right]^\text{T} \in \mathbb{R}^{K\times 1} v(i)=[v1[i],,vK[i]]TRK×1
在这里插入图片描述
  异步CDMA的常规检测器如上图所示,它由一组匹配滤波器和硬判决器构成,每个匹配滤波器对应一个用户。常规检测器直接对匹配滤波器的采样值做硬判决获得各个用户的信息比特,即 b ^ ( i ) = sgn ( y ( i ) ) . \hat{\boldsymbol{b}}(i) = \text{sgn}\left(\boldsymbol{y}(i)\right). b^(i)=sgn(y(i)). 常规检测器遵循单用户检测策略,它的每个分支只检测一个用户,并且把其他干扰用户的信号视为噪声。因此,常规检测器没有利用多用户的信息或进行联合信号处理。当系统中用户数量多且扩频码非正交时,会有严重的MAI,这对常规检测器的检测性能产生严重负面影响。此外,当各个用户的信号以不同功率到达接收机,即存在远近效应时,信号强的用户会加剧信号弱的用户的MAI,弱的信号会被强的信号淹没。

function [user_bits,value] = conventional_mult_demod(rec_data,ss_code,sf,L_bit,K,b,sps,delay,isShape,isDsShape)
%Conventional single-user detector
% rec_data 接收信号
% ss_code 扩频码
% sf 扩频因子
% L_bit 信息比特数
% b 成型滤波抽头系数
% K 用户数
% sps 上采样率
% delay 传输延时
% isShape 发射信号是否成型滤波 1 滤波, 0 不滤波
% isDsShape 用于解扩的本地码是否成型滤波 1 滤波, 0 不滤波
if nargin < 10isDsShape = 0;
end
if isDsShape == 1 && isShape == 1ss_code_rcos = upfirdn(ss_code',b,sps)';ss_code_rcos = ss_code_rcos(1:K,round(length(b)/2)-round(sps/2)+1:round(length(b)/2)-round(sps/2)+sps*sf);
end
value = zeros(K,L_bit);
for k = 1:Ktemp = reshape(rec_data(delay(k):L_bit*sps*sf+delay(k)-1)',[],L_bit)';if isDsShape == 1 && isShape == 1value(k,:) = (temp*ss_code_rcos(k,:)')';elsevalue(k,:) = (temp*rectpulse(ss_code(k,:)',sps))';end 
end
user_bits = sign(value);
user_bits(user_bits == 0) = 1;
user_bits = (user_bits+1)/2;
end

2、基于解相关的多用户检测器

  解相关检测器是在常规检测器的匹配滤波器组后面加了一级线性变换,以消除各个用户扩频波形之间的相关性。
  常规的解相关检测器是在获取多个比特周期的数据后再检测每个用户的信息比特,假设解相关检测器每 N N N个比特周期做一次解相关检测。将匹配滤波器组的 N N N个采样值写入一个列向量 y N ( i ) ∈ R N K × 1 \boldsymbol{y}_N(i) \in \mathbb{R}^{NK\times 1} yN(i)RNK×1 y N ( i ) \boldsymbol{y}_N(i) yN(i)表示为 y N ( i ) = [ y ( i ) y ( i + 1 ) ⋮ y ( i + N − 1 ) ] . \boldsymbol{y}_N(i) = \left[\begin{array}{c} \boldsymbol{y}(i) \\ \boldsymbol{y}(i+1) \\ \vdots \\ \boldsymbol{y}(i+N-1) \end{array}\right]. yN(i)= y(i)y(i+1)y(i+N1) . y N \boldsymbol{y}_N yN的矩阵表达为 y N ( i ) = R N A N b N ( i ) + v N ( i ) , \boldsymbol{y}_N(i) = \boldsymbol{R}_N\boldsymbol{A}_N\boldsymbol{b}_N(i)+\boldsymbol{v}_N(i), yN(i)=RNANbN(i)+vN(i), 其中, R N ∈ R N K × N K \boldsymbol{R}_N\in \mathbb{R}^{NK\times NK} RNRNK×NK是一个分块Toeplitz矩阵 R N = [ R ( 0 ) R ( − 1 ) 0 K × K ⋯ 0 K × K R ( 1 ) R ( 0 ) R ( − 1 ) ⋱ ⋮ 0 K × K R ( 1 ) R ( 0 ) ⋱ 0 K × K ⋮ ⋱ ⋱ ⋱ R ( − 1 ) 0 K × K ⋯ 0 K × K R ( 1 ) R ( 0 ) ] , \boldsymbol{R}_N = \left[\begin{array}{ccccc} % \begin{bmatrix} \boldsymbol{R}(0) & \boldsymbol{R}(-1) & \textbf{0}_{K\times K} & \cdots& \textbf{0}_{K\times K} \\ \boldsymbol{R}(1)&\boldsymbol{R}(0) & \boldsymbol{R}(-1)& \ddots & \vdots\\ \textbf{0}_{K\times K} & \boldsymbol{R}(1) &\boldsymbol{R}(0)& \ddots & \textbf{0}_{K\times K} \\ \vdots & \ddots & \ddots & \ddots & \boldsymbol{R}(-1) \\ \textbf{0}_{K\times K} & \cdots & \textbf{0}_{K\times K} &\boldsymbol{R}(1) &\boldsymbol{R}(0) % \end{bmatrix} \end{array}\right], RN= R(0)R(1)0K×K0K×KR(1)R(0)R(1)0K×KR(1)R(0)0K×KR(1)0K×K0K×KR(1)R(0) , A N ∈ R N K × N K \boldsymbol{A}_N \in \mathbb{R}^{NK\times NK} ANRNK×NK表示由信号幅值构成的对角矩阵 A N = [ Q ⋱ Q ] , \boldsymbol{A}_N = \left[\begin{array}{ccc} \boldsymbol{Q} & & \\ &\ddots & \\ & &\boldsymbol{Q} \end{array}\right], AN= QQ , b N ( i ) ∈ { + 1 , − 1 } N K × 1 \boldsymbol{b}_N(i)\in \{+1,-1\}^{NK\times 1} bN(i){+1,1}NK×1 包含 K K K个用户的共 N K NK NK个信息比特 b N ( i ) = [ b ( i ) b ( i + 1 ) ⋮ b ( i + N − 1 ) ] , \boldsymbol{b}_N(i) = \left[\begin{array}{c} \boldsymbol{b}(i) \\ \boldsymbol{b}(i+1) \\ \vdots \\ \boldsymbol{b}(i+N-1) \end{array}\right], bN(i)= b(i)b(i+1)b(i+N1) , v N ( i ) \boldsymbol{v}_N(i) vN(i)包含匹配滤波器输出的噪声以及来自 b ( i − 1 ) \boldsymbol{b}(i-1) b(i1) b ( i + N ) \boldsymbol{b}(i+N) b(i+N)的干扰。解相关检测器的输出结果表示为 b ^ N ( i ) = sgn ( R N − 1 y N ( i ) ) = sgn ( A N b N ( i ) + R N − 1 v N ( i ) ) . \begin{aligned} \hat{\boldsymbol{b}}_N(i) & = \text{sgn}\left(\boldsymbol{R}_N^{-1}\boldsymbol{y}_N(i)\right) \notag \\ & = \text{sgn}\left(\boldsymbol{A}_N\boldsymbol{b}_N(i)+\boldsymbol{R}_N^{-1}\boldsymbol{v}_N(i)\right). \end{aligned} b^N(i)=sgn(RN1yN(i))=sgn(ANbN(i)+RN1vN(i)). 由上式可以看出,解相关检测器不需要估计用户的信号的幅值,因此解相关检测器适用于信号动态范围较大的水下环境。
  如果 N N N非常大,则求 R N − 1 \boldsymbol{R}_N^{-1} RN1需要大量的计算,这将使得解相关检测器的运算量和实时性难以被接受。根据前面的介绍可知,异步CDMA的MAI主要来自干扰用户的相邻三个比特周期。可以截取出每个用户的三个相邻比特对应的匹配滤波器输出作为一组用于解相关检测,同时为了保证检测感兴趣的信息比特所需的信息包含在接收到的信号中,判决结果只取中间比特,下图给出了这种截断解相关检测器的示意图。
在这里插入图片描述
  将每个用户的三个相邻比特对应的匹配滤波器输出写入一个向量 ξ ( i ) ∈ R 3 K × 1 \boldsymbol{\xi}(i)\in\mathbb{R}^{3K\times 1} ξ(i)R3K×1 ξ ( i ) \boldsymbol{\xi}(i) ξ(i)表示为 ξ ( i ) = [ y ( i − 1 ) y ( i ) y ( i + 1 ) ] = R A x ( i ) + ν ( i ) , \begin{aligned} \boldsymbol{\xi}(i) & = \left[\begin{array}{c} \boldsymbol{y}(i-1) \\ \boldsymbol{y}(i) \\ \boldsymbol{y}(i+1) \end{array}\right] \notag \\ & = \boldsymbol{R}\boldsymbol{A}\boldsymbol{x}(i)+\boldsymbol{\nu}(i), \end{aligned} ξ(i)= y(i1)y(i)y(i+1) =RAx(i)+ν(i),其中, R ∈ R 3 K × 3 K \boldsymbol{R} \in \mathbb{R}^{3K\times 3K} RR3K×3K R = [ R ( 0 ) R ( − 1 ) 0 K × K R ( 1 ) R ( 0 ) R ( − 1 ) 0 K × K R ( 1 ) R ( 0 ) ] , \boldsymbol{R} = \left[\begin{array}{ccc} \boldsymbol{R}(0) & \boldsymbol{R}(-1) & \textbf{0}_{K\times K} \\ \boldsymbol{R}(1)&\boldsymbol{R}(0) & \boldsymbol{R}(-1)\\ \textbf{0}_{K\times K} & \boldsymbol{R}(1) &\boldsymbol{R}(0) \end{array}\right], R= R(0)R(1)0K×KR(1)R(0)R(1)0K×KR(1)R(0) , A ∈ R 3 K × 3 K \boldsymbol{A}\in \mathbb{R}^{3K\times 3K} AR3K×3K表示为 A = [ Q Q Q ] , \boldsymbol{A} = \left[\begin{array}{ccc} \boldsymbol{Q} & & \\ &\boldsymbol{Q} & \\ & &\boldsymbol{Q} \end{array}\right], A= QQQ , x ( i ) ∈ { + 1 , − 1 } 3 K × 1 \boldsymbol{x}(i)\in \{+1,-1\}^{3K\times 1} x(i){+1,1}3K×1 包含 K K K个用户的共 N K NK NK个信息比特 x ( i ) = [ b ( i − 1 ) b ( i ) b ( i + 1 ) ] , \boldsymbol{x}(i) = \left[\begin{array}{c} \boldsymbol{b}(i-1) \\ \boldsymbol{b}(i) \\ \boldsymbol{b}(i+1) \end{array}\right], x(i)= b(i1)b(i)b(i+1) , ν ( i ) \boldsymbol{\nu}(i) ν(i)包含匹配滤波器输出的噪声以及来自 b ( i − 2 ) \boldsymbol{b}(i-2) b(i2) b ( i + 2 ) \boldsymbol{b}(i+2) b(i+2)的干扰 ν ( i ) = [ R ( 1 ) Q b ( i − 2 ) + v ( i − 1 ) v ( i ) R ( − 1 ) Q b ( i + 2 ) + v ( i + 1 ) ] . \boldsymbol{\nu}(i) = \left[\begin{array}{c} \boldsymbol{R}(1)\boldsymbol{Q}\boldsymbol{b}(i-2)+\boldsymbol{v}(i-1) \\ \boldsymbol{v}(i) \\ \boldsymbol{R}(-1)\boldsymbol{Q}\boldsymbol{b}(i+2)+\boldsymbol{v}(i+1) \end{array}\right]. ν(i)= R(1)Qb(i2)+v(i1)v(i)R(1)Qb(i+2)+v(i+1) . 对于每个用户的第 i i i个信息比特,截断解相关检测器的输出向量表示为 b ^ ( i ) = sgn ( S R − 1 ξ ( i ) ) = sgn ( S ( A x ( i ) + R − 1 ν ( i ) ) ) , \begin{aligned} \hat{\boldsymbol{b}}(i) &= \text{sgn}\left(\boldsymbol{S}\boldsymbol{R}^{-1}\boldsymbol{\xi}(i)\right) \notag \\ & = \text{sgn}\left(\boldsymbol{S}\left(\boldsymbol{A}\boldsymbol{x}(i)+\boldsymbol{R}^{-1}\boldsymbol{\nu}(i)\right)\right), \end{aligned} b^(i)=sgn(SR1ξ(i))=sgn(S(Ax(i)+R1ν(i))), 其中, S = [ 0 K × K , I K × K , 0 K × K ] \boldsymbol{S} = \left[\textbf{0}_{K\times K}, \boldsymbol{I}_{K\times K},\textbf{0}_{K\times K}\right] S=[0K×K,IK×K,0K×K]是一个选择矩阵,用于选出每个用户的第 i i i个信息比特, I K × K \boldsymbol{I}_{K\times K} IK×K K K K维单位矩阵。

function [user_bits,value] = decorrelating_mult_demod(rec_data,ss_code,sf,L_bit,K,b,sps,delay,isShape,isDsShape)
%Decorrelating multiuser detector
% rec_data 接收信号
% ss_code 扩频码
% sf 扩频因子
% L_bit 信息比特数
% K 用户数
% b 成型滤波抽头系数
% sps 上采样率
% delay 传输延时
% isShape 发射信号是否成型滤波 1 滤波, 0 不滤波
% isDsShape 用于解扩的本地码是否成型滤波 1 滤波, 0 不滤波
if nargin < 10isDsShape = 0;
end
ss_code_rect = rectpulse(ss_code',sps)';
% ss_code_rect = ss_code_rect./vecnorm(ss_code_rect,2,2); 
if isShape == 1ss_code_rcos = upfirdn(ss_code',b,sps)';ss_code_rcos = ss_code_rcos(:,round(length(b)/2)-round(sps/2)+1:round(length(b)/2)-round(sps/2)+sps*sf);
end
% 计算扩频码的互相关矩阵 R_{11}, R_{12}, ..., R_{1K}, R_{21}, ..., R_{KK},第一个下标对应根升余弦滤波的波形,第二个下标对应矩形成型波形
R_ss_code = zeros(2*length(ss_code_rect)-1,K*K); 
for k = 1:Kfor l = 1:Kif isDsShape == 1 && isShape == 1R_ss_code(:,(k-1)*K+l) = xcorr(ss_code_rcos(k,:)',ss_code_rcos(l,:)','none');elseif isDsShape == 0 && isShape == 1R_ss_code(:,(k-1)*K+l) = xcorr(ss_code_rcos(k,:)',ss_code_rect(l,:)','none');elseR_ss_code(:,(k-1)*K+l) = xcorr(ss_code_rect(k,:)',ss_code_rect(l,:)','none');endend
end
[~,I] = sort(delay,'ascend');  %到达时间排序
% 构造解相关矩阵
R_1 = zeros(K); %R(-1) lower triangular matrix 
R0 = zeros(K); %R(0)
R1 = zeros(K); %R(1) upper triangular matrix 
for k = 1:Kk_ = I(k); %目标用户for l = 1:Kl_ = I(l); % l_~=k_为干扰用户tao = delay(k_)-delay(l_);if tao == sps*sf || tao == -sps*sftao = 0;endR0(k,l) = R_ss_code(sf*sps+tao,(l_-1)*K+k_);if l < k && (sf*sps+(tao-sf*sps) > 0 && sf*sps+(tao-sf*sps) < 2*sf*sps)R_1(k,l) = R_ss_code(sf*sps+(tao-sf*sps),(l_-1)*K+k_);endif l > k && (sf*sps+(sf*sps+tao) > 0 && sf*sps+(sf*sps+tao) < 2*sf*sps)R1(k,l) = R_ss_code(sf*sps+(sf*sps+tao),(l_-1)*K+k_);endend
end
R = [R0,      R_1, zeros(K);R1,      R0,  R_1;zeros(K),R1,  R0];
R_ = pinv(R);
% 计算每个用户各个bit对应的相关器输出,按到达时间早晚排列
y = zeros(K,L_bit);
for k = 1:Kind = I(k);temp = reshape(rec_data(delay(ind):L_bit*sps*sf+delay(ind)-1)',[],L_bit)';if isDsShape == 1 && isShape == 1y(k,:) = (temp*ss_code_rcos(ind,:)')';elsey(k,:) = (temp*rectpulse(ss_code(ind,:)',sps))';end 
end
y = reshape(y,[],1);
value_temp = zeros(K*L_bit,1);
R_ = R_(K+1:2*K,:);
for n = 1:L_bitif n == 1temp = R_*[zeros(K,1);y((n-1)*K+1:(n+1)*K)];elseif n == L_bittemp = R_*[y((n-2)*K+1:n*K);zeros(K,1)];elsetemp = R_*y((n-2)*K+1:(n+1)*K);endvalue_temp((n-1)*K+1:n*K) = temp;
end
value = zeros(K,L_bit);
value_temp = reshape(value_temp,K,[]);
value(I,:) = value_temp;
user_bits = sign(value);
user_bits(user_bits == 0) = 1;
user_bits = (user_bits+1)/2;
end

3、算法仿真

  下面给一个仿真的顶层代码,遍历参数有信噪比和信干比,感兴趣的读者可以试一下看看效果。

date = '5_28_';
if(~exist(['.\',date,'sim_data'],'dir'))mkdir(['.\',date,'sim_data']);
end
K = 3; % 用户数
Ns = 10 ; % samples/chip
isShape = 1; %是否成型滤波 1 滤波, 0 不滤波
isDC = 0; % 接收机直流耦合 1 直流耦合, 0 交流耦合, 可以直流耦合接收,后面在代码里去直
isDsShape = 0; % 解扩时的本地码是否成型滤波 1 滤波, 0 不滤波
isEst = 1; % 是否信道估计
isTest = 0; % 测试
Target_User = 1; % 目标用户
noise_power = 22:-2:8; % noise power dBW
% noise_power = 10; % noise power dBW
target_user_power = 0; % AC power (variance) dBW
interference_user_power = [-10,0,10,20]; % AC power (variance) dBW
M = 200; % 快拍数
% 扩频码的PN序列多项式和初始值
ss_polynomial = [1 0 1 0 0 1;    % z^5+z^3+11 1 1 1 0 1;    % z^5+z^4+z^3+z^2+11 1 0 1 1 1];   % z^5+z^4+z^2+z^1+1
ss_init_state = [1 0 1 0 1;1 0 1 0 1;1 0 1 0 1];
if isShape == 1shape = '_rcos';
elseshape = [];
end
if isDsShape == 1 && isShape == 1ds_shape = '_rcos';
elseds_shape = [];
end
if isEst == 1est = '_est';
elseest = [];
end
if isTest == 1test = '_test1';
elsetest = [];
end
% 用户发送数据bit的PN序列多项式和初始值
bit_polynomial = [1,zeros(1,16),1,0,0,1; % z^20+z^3+11,zeros(1,10),1,zeros(1,3),1,0,1,0,0,1; % z^20+z^9+z^5+z^3+11,1,zeros(1,14),1,1,0,0,1];% z^20+z^19+z^4+z^3+1
bit_init_state = [repmat([1,0],1,10);repmat([1,0],1,10);repmat([1,0],1,10)]; 
% 用户数据bit帧头多项式和初始值
head_polynomial = [1 0 0 0 0 0 1 1;     % z^7+z+11 0 0 0 1 0 0 1;     % z^7+z^3+11 0 0 0 1 1 1 0];    % z^7+z^3+z^2+z+1
head_init_state = [1 0 1 0 1 0 1;1 0 1 0 1 0 1;1 0 1 0 1 0 1];              
L_ss = 2^(length(ss_polynomial)-1)-1; % length of spread spectrum pn sequence, spreading factor
L_head = 2^(length(head_polynomial)-1)-1;
L_bits = 1e5;
Times = 5;
delay_array = 0:8:L_ss*Ns-1;
%% 生成发送数据
ss_code = zeros(K,L_ss);
user_bits = zeros(K,L_bits);
user_head = zeros(K,L_head);
user_ss_data = zeros(K,(L_bits+L_head)*L_ss);
for k = 1:K% 扩频码ss_code(k,:) = 2*PnCode(ss_polynomial(k,:),ss_init_state(k,:))-1;% 用户数据bituser_bits_temp = 2*PnCode(bit_polynomial(k,:),bit_init_state(k,:))-1;user_bits(k,:) = user_bits_temp(1:L_bits);% 帧头user_head(k,:) = 2*PnCode(head_polynomial(k,:),head_init_state(k,:))-1;user_data_upsample = rectpulse([user_head(k,:),user_bits(k,:)],L_ss);user_ss_data(k,:) = user_data_upsample.*repmat(ss_code(k,:),1,L_bits+L_head); 
end
% 上采样,成型滤波
if isShape == 1sps = Ns; % upsample ratespan = 6;rolloff = 0.5;b = rcosdesign(rolloff,span,sps,'sqrt');% 设计根升余弦滤波器% 成型滤波user_ss_data = upfirdn(user_ss_data',b,sps)';
elseb = 1;sps = Ns;user_ss_data = rectpulse(user_ss_data',sps)';% 矩形成型
end
%归一化
user_ss_data = user_ss_data./vecnorm(user_ss_data,2,2).*sqrt(length(user_ss_data)); %功率归一化
clear user_bits_temp;
clear user_bits_upsample;
%% 接收
L_data = length(user_ss_data);
L_sample = L_data+Ns*L_ss;
BER = zeros(1+2*length(interference_user_power),length(noise_power)); % 记录一个单用户和多用户时的三种方法的误码率
user_ss_data(Target_User,:) = user_ss_data(Target_User,:)*sqrt(10^(target_user_power/10));
for t = 1:Timesfor n = 1:length(noise_power)  background_noise = wgn(1,L_sample,noise_power(n));% background noisesingle_user_rec_data = user_ss_data(Target_User,:)+background_noise(1:L_data);single_user_rec_data = single_user_rec_data-mean(single_user_rec_data); % DC blockif isShape == 1delay = round(length(b)/2)-round(sps/2)+1; elsedelay = 1; end[single_user_conv_demod_bits,~] = conventional_mult_demod(single_user_rec_data,ss_code,L_ss,L_bits+L_head,1,b,Ns,delay,isShape,isDsShape);[~,ber] = biterr(single_user_conv_demod_bits(L_head+1:end),(user_bits(Target_User,:)+1)/2,[],'row-wise');BER(1,n) = BER(1,n)+ber;for d = 1:length(delay_array)send_data = zeros(K,L_sample);send_data(Target_User,delay_array(d)+1:delay_array(d)+L_data) = user_ss_data(Target_User,:);for p = 1:length(interference_user_power)background_noise = wgn(1,L_sample,noise_power(n));% background noisefor k = 1:K%模拟发送信号延时if k~=Target_Usersend_data(k,1:L_data) = user_ss_data(k,:).*sqrt(10^(interference_user_power(p)/10));end end
%                 near_far_ratio(p) = 10*log10(var(send_data(2,:))/var(send_data(Target_User,:)));rec_data = sum(send_data,1)+background_noise;rec_data = rec_data-mean(rec_data); % DC blockif isEst == 1% channel estimation[delay,~] = subspace_geo_channel_estimation(rec_data,ss_code,L_ss,M,L_bits,K,b,Ns,isShape,1);ind  = find(delay < length(b)/2-round(sps/2)-Ns/2);if (isShape == 1) && (~isempty(ind))delay(ind) = delay(ind)+Ns*L_ss;enddelay = delay+1;else%假设已经准确同步if isShape == 1delay = round(length(b)/2)-round(sps/2)+[delay_array(d),0,0]+1;elsedelay = [delay_array(d),0,0]+1;endend% 常规检测器[conv_demod_bits,conv_demod_value] = conventional_mult_demod(rec_data,ss_code,L_ss,L_bits+L_head,K,b,Ns,delay,isShape,isDsShape);[~,conv_ber] = biterr(conv_demod_bits(:,L_head+1:end),(user_bits+1)/2,[],'row-wise');BER(1+(p-1)*2+1,n) = BER(1+(p-1)*2+1,n)+conv_ber(Target_User);% 解相关检测器[decorr_demod_bits,decorr_demod_value] = decorrelating_mult_demod(rec_data,ss_code,L_ss,L_bits+L_head,K,b,Ns,delay,isShape,isDsShape);[~,decorr_ber] = biterr(decorr_demod_bits(:,L_head+1:end),(user_bits+1)/2,[],'row-wise');BER(1+(p-1)*2+2,n) = BER(1+(p-1)*2+2,n)+decorr_ber(Target_User);endendend
end
SNR = target_user_power-noise_power;
EbN0 = SNR-10*log10(1/L_ss)+10*log10(Ns/2);
BER = BER./t;
BER(2:end,:) = BER(2:end,:)./d;
MAI = interference_user_power-target_user_power; % near far ratio
save(['.\',date,'sim_data\',date,'sim_ber_avr',est,test],'BER','SNR','EbN0');

  代码有点多,可能有的函数没贴上来,缺代码的话请留言、私信或者点此下载未删减的全套代码。
  代码中设置的三个m序列互为优选对,互为优选对的m序列具有三值互相关函数,且互相关函数值比较小,这对常规检测器来说是有利的。
在这里插入图片描述
  上图给出了不同MAI条件下,常规检测器(标记为“Conv.”)和解相关检测器(标记为“Decor.”)的BER与 E b / N 0 E_\text{b}/N_0 Eb/N0关系关系的仿真结果。单用户(标记为“Single User”)时采用的是常规检测器,多用户检测器的BER曲线越接近单用户的BER曲线则说明多用户检测器抗MAI和远近效应的性能越好。常规检测器的性能对各个用户的相对功率有很强的依赖性,常规检测器的性能随着MAI的增强而迅速恶化,MAI超过 10 10 10 dB时,常规检测器的性能实际上受到MAI限制。解相关检测器的误码性能受MAI影响小,接近单用户的BER。

参考文献

[1] LUPAS R, VERDU S. Linear multiuser detectors for synchronous code-division multipleaccess channels[J]. IEEE Transactions on Information Theory, 1989, 35(1): 123-136.
[2] LUPAS R, VERDU S. Near-far resistance of multiuser detectors in asynchronous channels[J]. IEEE Transactions on Communications, 1990, 38(4): 496-508.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/357740.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

语音识别相关文章整理目录

一、语音大模型架设与功能实现 使用sherpa-ncnn进行中文语音识别&#xff08;ubuntu22&#xff09;-CSDN博客文章浏览阅读953次&#xff0c;点赞30次&#xff0c;收藏26次。请注意&#xff0c;需要首先安装安装了所有必要的依赖项&#xff0c;包括 CMake、Git 和一个合适的 C/…

Java启动jar设置内存分配详解

在微服务架构越来越盛行的情况下&#xff0c;我们通常一个系统都会拆成很多个小的服务&#xff0c;但是最终部署的时候又因为没有那么多服务器只能把多个服务部署在同一台服务器上&#xff0c;这个时候问题就来了&#xff0c;服务器内存不够&#xff0c;这个时候我们就需要对每…

UsersGUI.java用户界面

完成效果图&#xff1a; 点击阅读按钮&#xff1a; 点击删除按钮&#xff1a; 点击新建按钮&#xff1a; Code /* This GUI application allows users to manage their diaries: ​ Read: Users can read existing diaries. Create: Users can create new diaries. Delete: Us…

任务5.2 掌握DStream基础操作

实战&#xff1a;DStream基础操作 了解DStream编程模型&#xff1a;DStream是Spark Streaming中对实时数据流的抽象&#xff0c;可以看作一系列持续的RDD。DStream可以通过外部数据源获取或通过现有DStream的高级操作获得。 操作本质&#xff1a;DStream上的操作最终会转化为对…

(4) cmake编译静态库和动态库

文章目录 静态库整体代码动态库编译整体代码执行结果(静态) 静态库整体代码 static.h #pragma onecevoid static_demo();static.cpp #include "static.h" #include <iostream>void static_demo(){std::cout<<"static demo"<<std::end…

[数据集][目标检测]药片药丸检测数据集VOC+YOLO格式152张1类别

数据集格式&#xff1a;Pascal VOC格式YOLO格式(不包含分割路径的txt文件&#xff0c;仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)&#xff1a;152 标注数量(xml文件个数)&#xff1a;152 标注数量(txt文件个数)&#xff1a;152 标注类别…

CTFHUB-SSRF-端口扫描

已经提示我们需要扫描8000~9000的端口 ?urlhttp://127.0.0.1:8000/flag.php 访问用burp抓包爆破 通过Burp扫描8000-9000端口开放的web服务&#xff0c;发现8718开放web服务

SpringBoot+ENC实现密钥加密及使用原理

&#x1f60a; 作者&#xff1a; 一恍过去 &#x1f496; 主页&#xff1a; https://blog.csdn.net/zhuocailing3390 &#x1f38a; 社区&#xff1a; Java技术栈交流 &#x1f389; 主题&#xff1a; SpringBootENC实现密钥加密及使用原理 ⏱️ 创作时间&#xff1a; 202…

运算放大器(运放)低通滤波反相放大器电路和积分器电路

低通滤波反相放大器电路 运放积分器电路请访问下行链接 运算放大器(运放)积分器电路 设计目标 输入ViMin输入ViMax输出VoMin输出VoMaxBW&#xff1a;fp电源Vee电源Vcc–0.1V0.1V–2V2V2kHz–2.5V2.5V 设计说明 这款可调式低通反相放大器电路可将信号电平放大 26dB 或 20V/…

支持 MKV、MP4、AVI、MPG 等格式视频转码器

一、简介 1、一款开源的视频转码器&#xff0c;适用于 Linux、Mac 和 Windows。它是一个免费的工具&#xff0c;由志愿者们开发&#xff0c;可以将几乎所有格式的视频转换为现代、广泛支持的编码格式。你可以在官网上下载该应用或源代码。该软件支持 MKV、MP4、AVI、MPG 等格式…

如何看待鸿蒙HarmonyOS?

鸿蒙系统&#xff0c;自2019年8月9日诞生就一直处于舆论风口浪尖上的系统&#xff0c;从最开始的“套壳”OpenHarmony安卓的说法&#xff0c;到去年的不再兼容安卓的NEXT版本的技术预览版发布&#xff0c;对于鸿蒙到底是什么&#xff0c;以及鸿蒙的应用开发的讨论从来没停止过。…

Java内存泄漏检测和分析介绍

在Java中&#xff0c;内存泄漏检测和分析是一个重要的任务&#xff0c;可以通过以下几种方式进行&#xff1a; 1. 使用VisualVM VisualVM是一个可视化工具&#xff0c;可以监控、分析Java应用程序的内存消耗。它可以显示堆内存、垃圾收集、线程等信息&#xff0c;并且可以对内…

图解注意力

图解注意力 Part #2: The Illustrated Self-Attention 在文章前面的部分&#xff0c;我们展示了这张图片来展示自注意力被应用于正在处理单词"it"的一层中&#xff1a; 在本节中&#xff0c;我们将看看这是如何完成的。请注意&#xff0c;我们将以一种试图理解单…

“论数据访问层设计技术及其应用”写作框架,系统架构设计师

论文真题 在信息系统的开发与建设中&#xff0c;分层设计是一种常见的架构设计方法&#xff0c;区分层次的目的是为了实现“高内聚低耦合”的思想。分层设计能有效简化系统复杂性&#xff0c;使设计结构清晰&#xff0c;便于提高复用能力和产品维护能力。一种常见的层次划分模…

CatBoost算法详解

CatBoost算法详解 CatBoost&#xff08;Categorical Boosting&#xff09;是由Yandex开发的一种基于梯度提升决策树&#xff08;GBDT&#xff09;的机器学习算法&#xff0c;特别擅长处理包含类别特征的数据集。它不仅在精度和速度上表现出色&#xff0c;还对类别特征有天然的…

DHCP原理1-单个局域网出现多个DHCP服务器会发生什么

1. 背景 DHCP全称是Dynamic Host Configuration Protocol。其协议标准是RFC1541&#xff08;已被RFC2131取代&#xff09;&#xff0c;主要实现服务器向客户端动态分配IP地址&#xff08;如IP地址、子网掩码、网关、DNS&#xff09;和配置信息。其系统架构是标准的C/S架构。RFC…

嵌入式学习——数据结构(队列)——day50

1. 查找二叉树、搜索二叉树、平衡二叉树 2. 哈希表——人的身份证——哈希函数 3. 哈希冲突、哈希矛盾 4. 哈希代码 4.1 创建哈希表 4.2 5. 算法设计 5.1 正确性 5.2 可读性&#xff08;高内聚、低耦合&#xff09; 5.3 健壮性 5.4 高效率&#xff08;时间复杂度&am…

长亭谛听教程部署和详细教程

PPT 图片先挂着 挺概念的 谛听的能力 hw的时候可能会问你用过的安全产品能力能加分挺重要 溯源反制 反制很重要感觉很厉害 取证分析 诱捕牵制 其实就是蜜罐 有模板直接爬取某些网页模板进行伪装 部署要求 挺低的 对linux内核版本有要求 需要root 还有系统配置也要修改 …

C#使用轻量级深度学习模型进行车牌颜色识别和车牌号识别

看到这个文章时候请注意这个不涉及到车牌检测&#xff0c;这个仅仅是车牌颜色和车牌号识别&#xff0c;如果想涉及到车牌检测可以参考这个博客&#xff1a;[C#]winform部署yolov7CRNN实现车牌颜色识别车牌号检测识别_c# yolo 车牌识别-CSDN博客 【训练源码】 https://github.…

基于YOLOv5的PCB板缺陷检测系统的设计与实现(PyQT页面+YOLOv5模型+数据集)

简介 随着电子设备的广泛应用,PCB(印刷电路板)作为其核心部件,其质量和可靠性至关重要。然而,PCB生产过程中常常会出现各种缺陷,如鼠咬伤、开路、短路、杂散、伪铜等。这些缺陷可能导致设备故障,甚至引发严重的安全问题。为了提高PCB检测的效率和准确性,我们基于YOLOv…