高速铁路车地间多跳协作通信技术的研究现状

2023-08-23 理论教育版权反馈

【摘要】：表1.4空间调制研究现状列表空间调制技术的融合性很高，几乎能与各个领域的技术进行结合。

在前面小节所述基于车载中继的高铁无线多跳协作技术中，大规模MIMO技术是作为系统取得空间分集增益的核心技术，但是在高铁移动场景下，大规模MIMO技术受多普勒频移和系统复杂度的限制十分严重。当前，基于4G的LTE-R技术主要以正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术为核心，已应用在部分高铁路段上。OFDM技术和MIMO技术相结合在多普勒补偿和频谱效率方面能够有所提升，但是当频段越高时，其受系统计算复杂度的影响十分严重，所以会有较高的延时并且容易受到信道环境的限制[98]。在同一时间，西南交通大学的研究者们对将空间调制技术和高铁通信场景结合起来也做了一系列深入的研究。理论研究分析表明，将空间调制作为一种多天线候选技术应用到高铁无线通信系统中，不仅是可行的，而且具有较高的频谱效率和良好的鲁棒性等优点。将空间调制（Spatial Modulation，SM）与大规模MIMO结合应用到高铁场景中，文献[99]仿真得出了高铁空时相关信道下SM系统的性能比传统MIMO的性能要更好的结果。同时，其提出更高的移动速度会增强时间相关性的影响，而削弱空间相关性的影响，为后续将空间调制应用到高铁场景中的研究打下了坚实的基础。但是，高铁通信的蜂窝小区局部近似线性分布，和普通蜂窝小区的二维分布有很大区别，采用普通小区的基站放置方式会带来很大的功率损耗。相比于集中式天线系统，基于光载无线通信技术（Radio- over-Fiber，RoF）的分布式天线系统更适用于铁路无线通信场景，尤其是将分布式技术和SM技术相结合的时候，更加能够发挥SM技术在高铁场景下的传输优势[100]。

1.空间调制研究现状

经过多年的研究，空间调制目前具有代表性的技术如表1.4所示。相比于MIMO技术，空间调制被认为是一种具有高频谱效率和高能量效率的并且具有很好前景的数字调制技术，其设计原则也很简单[101]。2006年，由Mesleh等人在文献[102]中定义了SM的概念，即信息比特由星座调制符号和隐藏的天线序号同时携带，能够有效增强频谱效率且具有规避载波间干扰（Inter-Carrier Interference，ICI）和不需要发射天线间同步等优势。而单纯利用天线索引这一资源作为信息载体的理念第一次是在文献[103]提出的，作者以两根发射天线为例，输入比特“0”和“1”分别对应激活第一根和第二根发射天线，并将此方案命名为空移键控（Space Shift Keying，SSK），这便是SM技术的特殊情形。空间调制技术本质上是一种利用空间域的映射技术，相同的方法可以用在单一维度（诸如频率域、时间域、编码域、角度域）以及多种维度的结合。

表1.4　空间调制研究现状列表

pagenumber_ebook=22,pagenumber_book=15

空间调制技术的融合性很高，几乎能与各个领域的技术进行结合。并且，未来随着通信网络规模的扩大，在实际实现上需要调制尽可能得简单，这也是空间调制技术的优势所在。同时，为了有效地利用多域资源的自由度，SM可以考虑结合其他领域的新技术以进一步提升系统性能，比如物理层安全和自适应传输。

2.空间调制与物理层安全研究现状

高铁移动无线通信系统需要为列控系统提供端到端的数据传输，由于涉及诸多敏感性信息，因此对系统安全性的要求更为苛刻。而基于信息论的物理层安全技术为保证高铁移动无线数据传输的安全性提供了一种新的思路[115]。采用先进的物理层安全技术，根据信道状态信息去调整发射的信号，比如人工噪声（Artificial Noise，AN）技术和预编码技术，可以放大合法信道和窃听信道的区别，这样既不会对合法节点产生影响，又可以干扰到窃听者[116]。同时，使用空间调制技术，在假设窃听信道信息已知的前提下，文献[117]研究了有限字符下SM的安全互信息并提出了一种人工噪声方案增强其安全性能，通过优化功率分配的方式使得系统的保密速率最大化。而在非完美信道状态信息的情况下，文献[118]分析了AN辅助SM系统的系统保密性能，并给出了对应的安全容量（Secrecy Capacity，SC）的闭式表达式。另外，全双工接收机也被引入到安全SM系统中，接收机接收保密信息的同时能够释放出干扰信号，将会给窃听机造成时变干扰[119]。在此之外，协作分布式的人工噪声技术也吸引了部分学者的关注。同时安全SM系统常常通过其他方式进一步优化，比如通过天线选择算法优化天线选取或者调整传播过程等，将在下文中进行阐述。

3.自适应空间调制研究现状

由于SM的映射索引方式一般为二进制，这就意味着发射天线数只需要为2的整数次幂，如果任意配备自由的发射天线个数，将导致大量资源的浪费，所以需要在发射端根据反馈得到的CSI自适应地进行天线方案选取。基于最大化最小欧氏距离的算法（Euclidean Distance Antenna Selection，EDAS）虽然可以得到最优误码率（Bit Error Rate，BER），但是该算法需要遍历所有天线序号与调制符号的组合，对于天线数很多、调制阶数很高的SM系统，复杂度极高[120]。为了降低天线选择算法的复杂度，基于奇异值分解、基于星座图分解和基于最大化信道容量的容量最优天线选择算法（Capacity Optimized Antenna Selection，COAS）分别被提出。其中，文献[121]通过只搜索最大的最小平方奇异值来避免全搜索，从而降低基于欧式距离最优算法的复杂性。文献[122]通过对可分解正交振幅调制符号集合的信道进行QR分解，可以减少计算汉明距离的次数，从而降低算法的复杂度。而COAS算法根据信道容量公式，遍历所有的天线信道组合，性能接近于最优算法，复杂度则有所降低，常被用于得到空间调制系统的最优信道容量。文献[123]将天线选择算法与人工噪声技术结合，以进一步优化系统安全性能，其理论和仿真结果表明，联合天线选择算法和人工噪声技术能够有效地增强SM系统的系统安全容量。文献[124]针对有限字符情况下的安全SM系统提出了两种新的天线选择方案，分别是基于最大化保密速率（Maximum Secrecy Rate，Max-SR）和基于信漏噪比（Signal-Leakage-to-Noise-Rate，SLNR）的天线选择算法，其中基于SLNR的天线选择方案以极低的复杂度实现了出色的保密速率性能。

如图1.5所示，以电子科技大学为代表的学者们进一步将天线选择算法归入空间调制自适应链路的研究，并深入了机器学习领域[125]。在机器学习中，可以通过监督学习分类器或神经网络代替复杂的理论分析，利用深度神经网络（Deep Neural Network，DNN）离线数据集实时训练分类器，便可以得到最优解，例如可以应用于求得空间调制的最优天线选取[126]。

pagenumber_ebook=24,pagenumber_book=17

图1.5　自适应空间调制系统框图

在文献[127]和文献[128]中，提出了基于机器学习的空间复用系统天线选择算法，以信道矩阵元的模量作为特征向量分别构建支持向量机（Support Vector Machine，SVM）、K近邻（K-Nearest Neighbor，KNN）和朴素贝叶斯辅助分类器。上述机器学习辅助通信系统设计的贡献主要集中在传统MIMO系统上，而对于SM-MIMO系统，设计自适应链路的时候需要考虑SM同一时刻只激活一根天线的特性。于是，文献[129]将K均值聚类（KMeans Clustering，KMC）与SSK系统相结合，提出了一种不依靠CSI的盲检测分类器。为了降低KMC-SSK分类器的复杂度，文献[130]中提出了一种改进的KMC，该分类器基于一种新的规则选择初始中心点。综上所述，这些依靠数据进行驱动的学习方法已经证明能够超越传统的分类器。据目前的研究显示，机器学习技术在SM-MIMO系统中，尤其是在天线选择、功率分配和链路自适应方案设计上的潜在好处尚未被研究。同时，如果将这些基于机器学习的方法用在高铁无线通信系统中，可以改进收发机设计和优化安全传输方案，从而构造动态实时安全可靠的高铁无线通信系统。

综上所述，高铁通信场景下基于SM技术的学术理论研究工作仍然处于起步阶段，在系统性能的闭式表达分析、多普勒频移问题方面成果不多，尤其是在高铁安全传输领域，无论是抗被动窃听方案还是抗主动干扰方案都少有深入的研究。所以，本书将从解决高铁无线通信受强空时相关性和高系统复杂度影响的角度出发，研究高铁场景下低复杂度的空间调制和分布式空间调制技术的应用。

高速铁路车地间多跳协作通信技术的研究现状

相关推荐