[发明专利]基于特征量预估计的时滞相关空时码模式盲识别方法

权利要求书

1.一种基于特征量预估计的时滞相关空时码模式盲识别方法，包括如下步骤：

1）接收端通过r根接收天线接收发射端发送的长度为N的信号序列，得到r×N的接收信号矩阵R'，

2）利用所有需要识别的空时码组成码型集合Ω，取Ω中每种码型的分组符号数f和分组长度g的组合(f,g)构成特征量集合(U,V)；记特征量集合(U,V)中第i个特征量组合为(s_i,k_i)，i＝1,2...Ζ，Ζ为特征量集合(U,V)中组合个数；

3）将接收信号矩阵R'的实部和虚部并联，获得并联矩阵R，即

R=Re(R′)Im(R′)]]>

其中Re(·)表示取实部运算，Im(·)表示取虚部运算；

4)计算特征量函数值：

4a）对于特征量集合(U,V)中的第i个特征量组合(s_i,k_i)，构造分组相关矩阵R_i：

Ri=R~(1)R~(ki+1)···R~((Nki-1)ki+1)R~(2)R~(ki+2)···R~((Nki-1)ki+2)·········R~(ki)R~(2ki)···R~((Nki)ki)]]>

其中R(j)表示并联矩阵R的第j列，j＝1,2...N；

4b）计算分组相关矩阵R_i的分组协方差矩阵E[R_iR_i^T]，其中E[·]表示求期望运算，(·)^T表示转置运算；

4c）对分组协方差矩阵C_i做特征值分解，将得到的特征值按降序排列，构成特征值向量取特征值向量的前2s_i个特征值构成有效特征值向量用剩余特征值Q_i＝2rk_i-2s_i构成噪声特征值向量即

λ→i=[ρ2si+1,ρ2si+2,···,ρ2rki];]]>

4d）估计特征量组合(s_i,k_i)对应的噪声功率

σi2=Πλ→i2Qi]]>

其中∏(·)表示向量元素连乘运算，表示开Q_i次方运算；

4e）求出特征量组合(s_i,k_i)对应的特征量函数值M(s_i,k_i)：

M(si,ki)=Nki(log(Πλi1→σi2Qi)).]]>

5）预估计特征量，得到新空时码集合Ω'：

5a）对特征量集合(U,V)中的每种组合重复步骤4，得到每种组合对应的特征量函数值，组成特征量函数值向量：Φ＝[M(s₁,k₁),M(s₂,k₂)…M(s_m,k_m)…]，其中，m＝1,2,…Ζ；

5b）找出特征量函数值向量Φ中数值最小的元素对应的特征量组合根据步骤4d）得出特征量组合对应的噪声功率估计值为σ²；

5c）取出空时码集合Ω中分组长度为k，分组符号数为的所有码型，构成新空时码集合Ω'；

6）计算接收信号的白化矩阵：

6a）计算并联矩阵R的协方差矩阵E[RR^T]，并结合步骤5b）中的噪声功率估计值σ²，得到去除噪声影响的分时相关矩阵P：

其中I_2r表示大小为2r*2r的单位矩阵，*表示乘法运算；

6b）对分时相关矩阵P进行特征值分解，将得到的特征值按降序排列，作为特征值矩阵Λ的对角元素，求出特征值矩阵Λ对应的特征向量矩阵U：

U＝PΛP^-1，

其中，P^-1为分时相关矩阵P的逆矩阵，ν_j为分时相关矩阵P的特征值，j＝1,2,...2r；

6c）利用上述参数计算白化矩阵：其中Λ^-1为特征值矩阵Λ的广义逆矩阵；

7）对并联矩阵R进行白化，获得白化后的解相关矩阵：Y＝W×R；

8）计算解相关矩阵Y的时滞相关范数

||θ(τ)||F2=1N2||Σb=0N-1Y(b)Y((b+τ)modN)T||F2,]]>

其中，τ＝0,1,…,N，Y(b)是解相关矩阵Y的第b列,b＝0,1,…,N-1,mod为取模运算，||·||_F²表示矩阵的Frobenius范数；

9）计算新空时码集合Ω'中码型的时滞相关矩阵θ(τ)：

θ(τ)=Σu=0N-k-1Re(A(u))×Re(A(u+τ))T00Im(A(u))×Im(A(u+τ))T,]]>

其中，A(u)是新空时码集合Ω'中码型的编码矩阵A的第u列，u＝1,2,...ω，ω为码型分组长度；

10）得到判决码型：

10a）利用上述参数计算新空时码集合Ω'中码型的时滞相关度d:

d=Στ=1N-1(||θ(τ)||F2-2t*||θ(τ)||F2||θ(0)||F2)2,]]>

其中，t为发送天线数；

10b)重复步骤10a），求出新空时码集合Ω'中每种码型对应的时滞相关度，构成时滞相关度向量Δ＝[d(1),d(2),…d(l)]，其中l是新空时码集合Ω'中码型个数，记时滞相关度向量Δ中取值最小的元素对应的码型为判决码型。