具体实施方式

：

下面结合附图和实施例，对本发明作进一步的说明。

本发明首先提出了一种异步水下解码和分布式频率转发(UDDF,Underwaterdecode and distributed-frequency forward)模式，在UDDF中，由于源节点和中继节点使用的载波频率不同，目的节点可在频域区分来自源节点和中继节点的信号，因而源节点和中继节点间的IDI，在理论上是可以消除的。而后，针对UDDF协作模式，提出了一种频域联合多分支合并均衡检测方法(FD-JMCED,Frequency-domain joint multi-branch combiningand equalization detector)，来自源节点和中继节点的接收信号的合并可基于提出的自适应算法得出，该算法无需假设链路间的CSI已知，在合并的同时，该算法还联合实现了均衡。

本发明应用于异步水声协作通信系统，该系统由一个源节点S，一个UDDF中继节点R和一个目的节点D组成，每个节点均工作于半双工模式，并配有单个发送和接收单元。假设中继节点和目的节点接收的所有数据包都完全同步。此外，还假设所有节点具有相同的平均功率约束。

在提出的UDDF模式中，假设中继节点位于源节点和目的节点之间，S-D、S-R和R-D的距离分别由l_SD、l_SR和l_RD表示，应满足l_SD>l_SR和l_SD>l_RD的条件。为了尽可能防止中继节点的错误传输问题，假定l_SR小于l_RD，从而使得S-R的信道具有足够的瞬时信噪比(SNR,Signal-to-noise ratio)。在协作传输过程中，UDDF模式的实现需要两个阶段，分别为广播阶段和中继阶段，其中广播阶段中：数据包由源节点广播到中继节点和目的节点，源节点连续发送的信号可表示为

其中d(j)表示等率不相关的二进制相移键控(BPSK,Binary phase-shiftkeying)数据，d(j)∈{+1,-1}，A_j表示发射信号的幅度，T是符号持续时间，q(t)表示升余弦脉冲，其是一个实函数，在时间间隔限制在[0,T]，且进行了归一化，即ω_cS表示载波角频率。

在理想载波和同步的假设下，经过去载波，波形整形滤波器和低通滤波器后，中继节点恢复的接收基带信号由下式给出

其中P_S是源节点的发射功率，h_SR(t)表示从源节点到中继节点间的水声信道冲激响应，x(t)可由x(t)＝F^-1{|Q(f)|²}得出，F^-1{·}表示傅里叶逆变换，Q(f)＝F{q(t)}，F{·}表示傅里叶变换，n_SR(t)表示中继节点处的噪声信号。

目的节点处相应的基带接收信号可表示为

其中h_SD(t)表示从中继到目的节点的水声信道冲激响应，n_SD(t)表示目的节点处的噪声信号。

对于UDDF中继，首先对接收到的信号r_SR(t)进行解码。而后，将解码后的信息比特用不同于ω_cS的载波频率ω_cR进行调制，并立即将生成的信号s_R(t)重传到目的节点，s_R(t)可由下式表示

其中表示解码后的信息比特，ω_cR是中继转发使用的载波角频率。对于s_R(t)，目的节点接收的基带信号可用类似于式(3)的形式表示

其中P_R表示中继节点的发射功率，n_RD(t)表示目的节点处的噪声信号。

UDDF的原理是源节点和中继节点转发使用的载波频率不同。此外，使用带限波形以便在频域消除使用不同载频(ω_cS和ω_cR)接收信号的重叠。从目的节点的角度来看，从源节点和中继节点接收到的信号工作于不同的频带。可根据频带的不同来区分和提取来自源节点和中继节点的接收信号，从而可通过带通滤波在一定程度上去除IDI。进一步来说，由于来自源节点或中继节点的信号可通过频带的不同区分开，因此对源节点，中继节点和目的节点间的距离要求并不像UDF那样严格，其为了避免ISI和IDI有相应的限制条件。在提出的UDDF中，即使从源节点和中继节点接收到的信号完全重叠，仍可以提取期望信号，因此，端到端延迟可进一步降低。

本发明还提出了基于上述UDDF水声通信协作算法的FD-JMCED检测方法，检测方法原理框图如图1所示，与点对点通信中的传统检测器(单分支频域均衡检测器)不同，在FD-JMCED中，分支数大于1，为了获得更好的分集增益，应对两个分支的输入信号进行联合处理，本发明将频域均衡和多分支合并联合实现，融合成为一个有效的检测器，特别地，当分支数为1时，FD-JMCED将退化为频域单分支均衡检测器(FD-SBED,Frequency-domainsingle branch equalization detector)。

在以符号间隔T对r_SD(t)和r_RD(t)进行采样之后，相应于r_SD(t)和r_RD(t)的离散接收信号可分别用a_SD(n)和a_RD(n)表示。在FD-JMCED中，根据重叠存储法，每个分支的输入块数据由2M个采样值组成，其中包括M个之前采样和M个当前采样，由a_i(n)形成的信号矢量如下

其中i∈{SD,RD}，[a_i(nM),…,a_i(nM+M-1)]表示第n个数据块，M是块的长度。为了联合处理两个分支的接收信号，总信号向量可由下式给出：

a(n)＝[a_SD(n)；a_RD(n)] (7)，其中a(n)是一个4M×1向量。

使用4M点快速傅立叶变换(FFT)计算a(n)的频域信号向量形式，可由下式得出A(n)＝diag{FFT[a(n)]} (8)，其中A(n)表示4M×4M对角矩阵，diag是用于计算对角矩阵的运算符；

相应的频域抽头权值矢量可由下式计算

其中W(n)是频域4M×1权值向量，w_i(n)是时域M×1权值向量，i∈{SD,RD}，0_M×1表示M×1空向量，因此，FD-JMCED的频域输出向量可以由下式给出：

Y(n)＝A(n)W(n) (10)

FD-JMCED的2M个时域输出可表示为

y(n)＝[q_out(M+1:2M)；q_out(3M+1:4M)] (11)

其中q_out(n)＝IFFT{Y(n)}，IFFT表示快速傅里叶逆变换(IFFT)。仅保留从M+1到2M和从3M+1到4M+1的元素。因为q_out(M+1:2M)和q_Out(3M+1:4M)表示相同的传输信息d(n)，所以检测器的总输出向量可以由q_out(M+1:2M)与q_Out(3M+1:4M)的和给出

y_total(n)＝q_out(M+1:2M)+q_out(3M+1:4M) (12)

其中y_total(n)是时域M×1向量。对于第n个数据块，总误差向量可通过以下公式计算：

检测器的目的是恢复源节点发送的信息比特。因此，根据最小均方误差(MMSE)标准，频域权重向量以最小化均方误差(MSE,Mean square error)进行选择

通过采用随机算法的迭代过程，可简化MSE最小化的实现。总误差向量可用于自适应调整频域权值向量。为了更新SD和RD分支的权值向量，可通过下式计算频域误差向量：

为了解决当A(n)中元素值大时引起的梯度噪声放大问题，采用了相似于时域归一化最小均方(NLMS,Normalized least mean square)算法中的归一化方法。对应权值向量中的每个权值，归一化系数的计算如下

其中A_ii(n)表示矩阵A(n)对角线上第i行和第i列的元素，λ是一个常数，λ>0，λ用于克服A_ii(n)瞬时较小时的数值计算困难。为了表示方便，可以矩阵形式表示4M个归一化系数

G(n)＝diag{[g₁,g₂,…,g_4M]} (17)

因此，块梯度估计可由下式给出：

其中p(n)＝IFFT[G(n)A^H(n)E(n)]。利用这些定义，自适应频域联合多分支合并均衡算法可表示为

其中μ表示步长参数。

为了满足在一个数据包传输期间信道不变的假设，我们采用短数据包，其由训练序列和数据符号组成。用于权值向量调整的平稳观测训练序列符号个数是有限的。为了保证所提出的自适应算法(19)的收敛性，数据包中的训练序列将反复重用来更新权值向量，直到权值向量收敛到稳态为止。对于使用相同训练序列的每一次重复更新，权值向量都由上一次更新后的权值进行初始化。另外，需要注意的是，多分支合并不需要假设节点间的CSI已知，而是基于所提出的自适应算法迭代更新而得出的。因此，该算法更适合实际的水声通信系统。

实施例1：

在本例中，基于水声信道模型建立了蒙特卡罗仿真。在该模型中，源节点和中继节点的载波频率分别设置为10kHz和20kHz。水深设为80m，源节点，中继节点和目的节点分别位于距海面50m，30m和20m的位置。假设S-D、S-R和R-D的距离分别为1000m，350m和700m。我们还假设水声信道是半稳态的，这意味着在传输一个数据包期间，信道是保持不变的，但对下一个数据包，信道将发生变化。在仿真中，采用BPSK调制。S-D和R-D分支的权值向量长度均设置为32。μ和λ分别设置为0.15和0.5。数据帧由K组训练序列和数据符号组成，在每个数据包中，训练序列的长度设置为256，数据符号的长度也设置为256。训练序列的重复使用次数设置为4次。数据帧中的数据包连续发送，因此我们假设从源节点和中继节点接收到的信号完全重叠。

在图2中，我们检验了所提出的FD-JMCED和现有方法的误码率(BER,Bit errorrate)性能，横轴表示S-D分支的信噪比(SNR)SNR_SD。在仿真中，假定满足条件SNR_RD＝SNR_SD+1。FD-SMCED指类似于单分支下的均衡检测器，其将独立更新每个分支的权值向量，然后通过等增益合并方式将S-D和R-D分支的输出进行合并。从图2可以看出，FD-SMCED可实现比FD-SBED更好的BER性能。这是因为S-D和R-D分支的均衡输出以EGC模式合并，可获得一定的分集增益。此外，从图2还可以看出，与FD-SMCED相比，提出的FD-JMCED取得了相当的增益。这是因为在FD-JMCED中，S-D和R-D分支的权值向量是根据(13)中的总误差联合获得的，故可获得更好的合并增益。

图3给出了FD-JMCED和FD-SBED的收敛性能。由于在仿真中每个数据包中的训练序列都重复使用了4次，因此横轴的长度为1024。从图3可以看出，FD-JMCED和FD-SBED取得了相似的收敛速度，但FD-JMCED可获得更好的稳态均方差性能。此结果与图2中BER性能的比较结果是一致的，因为稳态MSE性能是影响均衡性能的重要参数。

仿真结果验证了该方法的有效性，并说明了本发明比现有方法具有优势。