ofdm系统仿真中单互信息rrm映射方法的研究

ofdm系统仿真中单互信息rrm映射方法的研究

1动态值映射方法dvi和多通道级仿真器在不同的移动速度环境下，高速率低延迟数据传输是未来移动通信系统的一个重要特征。由于OFDM(A)具有高频谱利用率和低符号间干扰(ISI)的优越特点,它一直被认为是下一代移动通信网络复用和多址的首选技术之一。众所周知,无线系统仿真器一般用于无线网络性能的评估。然而,具有较高分辨率和较长仿真时间要求的系统仿真将导致沉重的系统计算负担,有时甚至是不可承受的。因此,分离的链路和系统级仿真器对于网络性能的评估是必需的。但是这样就必须定义两个仿真器之间的数据交互方法。在以前的文献中,链路级和系统级仿真器之间一般使用平均值接口和真实值接口(AVI)的方法。但是由于这两种方法的不精确性和复杂性,如果把它们用于基于OFDM技术的多载波通信系统评估不是很有效。同时,文献也讨论了基于特征值分布的映射方法,但是计算特征值却增加了计算的复杂度。文献探讨了基于动态值映射的方法(DVI)。在这种方法中,链路级和系统级仿真器并行运行,系统根据系统级仿真器中定义的拓扑结构来计算信号功率,然后这个值被实时传递给链路级仿真器来决定传输的数据是否是正确的。然而,DVI方法的极度复杂性也限制了它的应用。在最近的3GPP提案和标准化工作中,几个基于有效SINR概念的链路和系统级映射方法已经被提出,这几种方法能够被有效地用于基于OFDM的多载波通信系统中。然而,目前对它们的介绍和研究在中英文文献中都没有看到。为了研究它们的原理、性能和特点,在这篇论文中,我们将主要探讨在目前和未来的多载波移动通信系统中两种主要的链路和系统级映射方法(L2S):指数有效SINR映射(EESM)和互信息有效SINR映射(MI-ESM)。EESM是一种非常简单且易于实现的方法,当使用它的时候,一个终端的所有子载波都必须使用相同的调制和编码方式(MCS)。而MI-ESM是一种更高级的映射方法,它不会要求一个终端的所有子载波都使用相同的调制编码方式(MCS)。这两种方法的基本思想是统一的,都是要找到一个压缩函数把一组不同的SINR序列映射成一个单一的SINR值,然后通过这个值我们就能够查表得到真实的SINR值。本文将重点阐述在系统仿真器中如何把一个多状态信道转化为一个单状态信道,以及有效SINR方法如何反映多个子载波SINR的性能,同时也要讨论有效SINR映射方法的优缺点以及它们对系统RRM设计的影响(例如,EESM情况下的功率分配)。而且,同时我们也会提及如何去构建链路和系统级映射表(MCS,SINR,BLER)。2信号模型的建立很明显,能够进行准确系统级仿真的关键之处是能够根据一个即时信道状态(例如OFDM系统每个子载波的SINR)得到相应的误块率(BLEP)。如果用一组SINR值的集合来查找BLER值,那么链路级表格就太复杂了。这样,为了解决这个问题,文献和就提出了用有效SINR映射(ESM)的方法把多个OFDM子载波的SINR值{γk}先映射成一个有效的SINR值γeff,然后再用这个有效的SINR值从一条基本的AWGN链路级性能曲线上查找到BLER的估计值。对于这种有效SINR映射方法(ESM),很明显下面的近似等式应该成立:BLEΡ({γk})≈BLEΡAWGΝ(γeff)(1)BLEP({γk})≈BLEPAWGN(γeff)(1)这里BLEP({γk})是和即时信道状态{γk}对应的真实信息包的错误概率(误块率);BLEPAWGN(γeff)是AWGN信道情况下的误块率。公式(1)必须对所有类型的信道都是成立的,也就是说,所有的信道条件下的SINR集合经过有效SINR映射之后,都可以只查找一条AWGN下的性能曲线。为了满足式(1),对于每种调制和编码方式(MCS)都需要一个对应的尺度因子。这里,我们用β来表示这个尺度因子。我们需要使用BLER预测方法来得到这个尺度因子,不同的BLER预测方法的有效性验证包括模型参数的优化和误差分析两方面。模型参数的优化操作是基于“最小平方匹配”的方法或者其它的方法,例如用参数β来最小化下面的代价函数:fβ=Νsim∑i=1|BLERpred,p(β)-BLERmeas,p|2=Νsim∑i=1|ΔBLERmeas,p|2(2)fβ=∑i=1Nsim|BLERpred,p(β)−BLERmeas,p|2=∑i=1Nsim|ΔBLERmeas,p|2(2)这里,BLERpred和BLERmeas分别表示预测的和测量的误块率;Nsim表示用于参数优化测试的数据块的数目。最后,一个经过最优化处理的β值被找到。另外,我们也可以用另外一种模型去做上述训练,一般称为叫做“最大最小适配准则”:假定有L种信道,而且每种信道每个子载波的SINR值是不同的。对每种信道和N种不同的噪声功率,能够得到平均的BLER值。这样就能够确定对每种信道条件下为了得到满足3%目标BLER所要求的SINR值。这里用γl(β)来表示信道l=1,…,L下要求的SINR值(dB),参数β就能用下面的方式获得:ˆβ=argminβmaxl∈{1,⋯,L}|γl(β)-γAWGΝ|(3)βˆ=argminβmaxl∈{1,⋯,L}|γl(β)−γAWGN|(3)这里γAWGN表示AWGN信道条件下为了满足目标BLER所要求的SINR值(dB)。3指数有效sinr映射与互信息有效sinr映射从有效SINR值到相应的BLER值的映射或者用一种映射查找表的方式,或者用一种近似分析表达式的方式来处理,具体的过程示于图1。目前的有效SINR映射方法主要有2种,一种叫做“指数有效SINR映射(EESM)”,一种叫做互信息有效SINR映射(MI-ESM)。这两种方法的主要差别就是使用的信息测度函数不一样,方程(4)给出了这两种方法的通用表达式,其中I(x)就是压缩函数,也叫信息测度函数,I-1(x)是I(x)的反函数。SΙΝReff=Ι-1(1ΡΡ∑p=1Ι(SΙΝRp))(4)SINReff=I−1(1P∑p=1PI(SINRp))(4)下面我们就基于这个表达式分别讨论EESM和MIESM的方法。3.1同带宽具体的网络模型在EESM方法中,使用下面的压缩函数I(x):Ι(x)=exp(-xβ)(5)I(x)=exp(−xβ)(5)I(x)的反函数就是:Ι-1(x)=-βln(x)(6)I−1(x)=−βln(x)(6)这样:SΙΝReff=-βln[1ΡΡ∑p=1exp(-SΙΝRpβ)](7)SINReff=−βln[1P∑p=1Pexp(−SINRpβ)](7)这里,P是用户使用的子载波的数目;SINRp是第P个子载波的信号干扰噪声比;β是尺度因子,用于当预测BLER和真实的BLER不匹配时进行某种方式的压缩函数的调节,β仅仅和载波所使用的调制和编码方式有关(MCS)。与EESM类似,我们同样也可以定义另外2种计算有效SINR的方法,一种叫容量有效SINR映射(CESM),另一种叫算数有效SINR映射(LESM):CESΜ∶SΙΝReff=β⋅(21ΡΡ∑p=1log2(1+SΙΝRpβ)-1)(8)LESΜ∶SΙΝReff=10-βvar(log10SΝRΡ)⋅101ΡΡ∑p=1log10(SΙΝRp)(9)CESM∶SINReff=β⋅⎛⎝⎜⎜21P∑p=1Plog2(1+SINRpβ)−1⎞⎠⎟⎟(8)LESM∶SINReff=10−βvar(log10SNRP)⋅101P∑p=1Plog10(SINRp)(9)这两种方法的参数定义和EESM是一样的。3.2imp编码格式MI-ESM意思是互信息有效SINR映射。根据一些文献的定义,在MI-ESM方法中,有效SINR被定义为SΙΝReff=Ι-1mref(1ΡuΡ∑p=1Ιmp(SΙΝRp))(10)SINReff=I−1mref(1Pu∑p=1PImp(SINRp))(10)这里,Imp(SINRp)是第p个数据符号使用大小为2mp的调制符号表时的容量函数;Pu是子载波的个数;I-1mef−1mef是Imp的反函数。根据文献,信息测度可以写为Ιmp(x)=mp-EY{12mpmp∑i=11∑b=0∑z∈Xib⋅log∑ˆx∈Xexp(-|Y-√x/β(ˆx-z)|2)∑ˆx∈Xibexp(-|Y-√x/β(˜x-z)|2)}(11)Imp(x)=mp−EY⎧⎩⎨12mp∑i=1mp∑b=01∑z∈Xib⋅log∑xˆ∈Xexp(−|Y−x/β√(xˆ−z)|2)∑xˆ∈Xibexp(−|Y−x/β√(x˜−z)|2)⎫⎭⎬⎪⎪⎪⎪(11)这里,mp是选定的调制方式的每调制符号比特数;mref是每数据符号的平均传输比特,可以定义为下面的方程:mref=1ΡuΡu∑p=1mp(12)X是2mp个数据符号的集合,Xib是当i等于b时的数据符号的集合;Y是零均值单位方差复高斯变量。当然,β还是只和调制和编码有关的自由参数。值得注意的是,在进行系统级仿真时,有时会把大量的时间花在计算有效SINR上面。为了加速系统级仿真的速度,每一种调制方式X下的互信息表示I(x)可以预先实现并存储在一个表格里面,在系统级通过查找来完成有效SINR映射的操作,这样会大大加速系统仿真的速度。在上面的方程中,β是根据前面的训练模型得出的自由参数,它和特定调制和编码方式的对应关系见表1。当子载波使用QPSK和16QAM方式下的各种编码速率,其对应的β值可以通过该表得到。4eesm使用时的运用在用MATLAB设计的系统级仿真器中,我们使用的是EESM方法。通过实际的测试和仿真分析,我们发现当使用EESM的时候下面的几点必须要深入地理解。同时,对于MI-ESM的方法我们也做了一些初步的探讨。4.1eesm方式的选择(1)在EESM中,对于一个特定的MCS,一个β值是适用于所有的信道状况的。这就意味着对一个特定的MCS方案,仅仅需要一条链路级的AWGN性能曲线。如图2所示,无论信道条件如何,对MCS1就只有一条曲线。另外,随着β值的变大,图2中的曲线将会右移,这意味着对于高阶调制和编码方式,BLER值会变大。(2)在EESM方法中,一个终端的所有子载波必须使用相同的β值,这就意味着所有的子载波都要使用相同的调制和编码方式。因此,EESM方式限制了自适应调制编码方式(AMC)使用。在某种程度上EESM会影响到系统性能,特别是对于基于连续载波块分配的OFDM系统影响较大。(3)当使用EESM的时候,传统的OFDM系统功率分配算法(注水算法)是不适合的。与之相反,我们应该给信道条件差的子载波分配较高的传输功率,而给信道条件较好的子载波分配较低的传输功率。也就是说,子载波的功率分配要遵循下面的方程或者其它相似的方程:Ρowerk=ΡtotalΝ⋅ΙΝSRkΙΝSRave(13)这里Ptotal是分配给终端的传输功率;N是终端使用的子载波的数目;INSRk是第k个子载波的干扰噪声和信号功率之比,是信干比SINRk的相反数;INSRave是N个ISNR的平均值。我们发现这种简单的功率分配方式的性能优于传统的注水算法和等功率分配算法。(4)需要考虑的另外一个问题就是临小区干扰是白噪声的假定对于没有CDMA的OFDM系统是不适合的,这样所有的链路级结果必须要在多小区环境下得到。4.2资源分配的数值方法和EESM相比,当使用MI-ESM的时候,自适应调制和编码的性能会更容易得到体现,因为这种映射方法不要求一个用户的所有子载波都使用相同的调制和编码方式,这样我们就有更大的自由度去设计自适应的多载波资源分配算法。在参数设计方面,MI-ESM中的mref要被设为每调制符号传输的平均比特数,很明显相应的函数Imref也只存在于mref取整数值的情况。方程(10)的另外一个问题就是取平均的操作必须要基于真实使用的资源。在OFDM的情况下,如果不使用处于较差信道条件下的子载波,那么计算均