一种基于信道参量和模糊算法的链路自适应传输方法

摘要

本发明公开了一种基于信道参量和模糊算法的链路自适应传输方法，包括以下步骤：(1)根据信号在传播过程中的信道参量，定义信道状态因子和信道状态辅助因子；(2)测量和计算信道状态因子和信道状态辅助因子；(3)根据模糊准则和模糊算法进行信道状态的判定；(4)根据判定的信道状态确定传输技术。该方法具有简单明了、容易实现的特点，有利于降低系统的复杂度和能耗，是一种绿色通信技术，适用于各种无线移动通信系统，对无线移动通信系统的设计有较大的科学意义和应用价值。

主权项

一种基于信道参量和模糊算法的链路自适应传输方法，包括以下步骤：(1)根据信号在传播过程中的信道参量，定义信道状态因子和信道状态辅助因子；(2)测量和计算信道状态因子和信道状态辅助因子；(3)根据模糊准则和模糊算法进行信道状态的判定；(4)根据判定的信道状态确定传输技术；所述信道状态因子为设定的测量时间段内多径信号的相对能量数值大于设定门限值的时间比例，该相对能量数值为以下数据之一：(1)接收到的最强路径信号的有效电平的绝对值与次强路径信号的有效电平的绝对值之比，或接收到的最强路径信号的功率与次强路径信号的功率之比；(2)接收到的最强路径信号的有效电平的绝对值与其余各路径或所有路径信号的有效电平的绝对值的算术或加权平均值之比，或接收到的最强路径信号的功率与其余各路径或所有路径信号的功率的算术或加权平均值之比；(3)接收到的最强路径信号的有效电平的绝对值与其余各路径或所有路径信号的有效电平的绝对值的总和之比，或接收到的最强路径信号的功率与其余各路径或所有路径信号的总功率之比；所述信道状态辅助因子为设定的测量时间段内接收到的最强路径信号的有效电平的绝对值低于设定电平门限值Γ_v的时间比例，或者是在设定的测量时间段内接收到的最强路径信号的功率低于设定功率门限值Γ_p的时间比例；所述模糊准则包括两种：第一种：(1)如果μ_F(f)是H_f且μ_S(s)是L_s，则信道状态为C11；(2)如果μ_F(f)是H_f且μ_S(s)是M_s，则信道状态为C11；(3)如果μ_F(f)是H_f且μ_S(s)是H_s，则信道状态为C14；(4)如果μ_F(f)是M_f且μ_S(s)是L_s，则信道状态为C11或C12；(5)如果μ_F(f)是M_f且μ_S(s)是M_s，则信道状态为C12或C13；(6)如果μ_F(f)是M_f且μ_S(s)是H_s，则信道状态为C14；(7)如果μ_F(f)是L_f且μ_S(s)是L_s，则信道状态为C13；(8)如果μ_F(f)是L_f且μ_S(s)是M_s，则信道状态为C13；(9)如果μ_F(f)是L_f且μ_S(s)是H_s，则信道状态为C14；其中：C11、C12、C13和C14为信道的四种状态，C11代表具有低误码率特性的良好信道，C13代表具有较高误码率特性的较差信道，C12代表误码率特性介于C11和C13之间的一般信道，C14代表具有高误码率特性的差信道；第二种：(1)如果μ_F(f)是H_f且μ_S(s)是L_s，则信道状态为C21；(2)如果μ_F(f)是H_f且μ_S(s)是M_s，则信道状态为C21；(3)如果μ_F(f)是H_f且μ_S(s)是H_s，则信道状态为C23；(4)如果μ_F(f)是M_f且μ_S(s)是L_s，则信道状态为C21或C22；(5)如果μ_F(f)是M_f且μ_S(s)是M_s，则信道状态为C22；(6)如果μ_F(f)是M_f且μ_S(s)是H_s，则信道状态为C23；(7)如果μ_F(f)是L_f且μ_S(s)是L_s，则信道状态为C22；(8)如果μ_F(f)是L_f且μ_S(s)是M_s，则信道状态为C22；(9)如果μ_F(f)是L_f且μ_S(s)是H_s，则信道状态为C23；其中：C21、C22、C23为信道的三种状态，C21代表具有低误码率特性的良好信道，C23代表具有高误码率特性的差信道，C22代表误码率特性介于C21和C23之间的一般信道；以上两种模糊准则中，F为信道状态因子模糊集，S为信道状态辅助因子模糊集，其隶属函数如下式所示：L_f：${\mu }_F\left(f\right)=\left\{\begin{array}{cc}1& 0\le f<A2\\ \frac{A1-f}{A1-A2}& A2\le f<A1\\ 0& A1\le f\le 1\end{array}\right.;$M_f：${\mu }_F\left(f\right)=\left\{\begin{array}{cc}0& 0\le f<A2\\ \frac{f-A2}{A1-A2}& A2\le f<A1\\ \frac{A3-f}{A3-A1}& A1\le f\le A3\\ 0& A3\le f\le 1\end{array}\right.;$H_f：${\mu }_F\left(f\right)=\left\{\begin{array}{cc}0& 0\le f<A1\\ \frac{f-A1}{A3-A1}& A1\le f<A3\\ 1& A3\le f\le 1\end{array}\right.;$L_s：${\mu }_S\left(s\right)=\left\{\begin{array}{cc}1& 0\le s<B2\\ \frac{B1-s}{B1-B2}& B2\le s<B1\\ 0& B1\le s\le 1\end{array}\right.;$M_s：${\mu }_S\left(s\right)=\left\{\begin{array}{cc}0& 0\le s<B2\\ \frac{s-B2}{B1-B2}& B2\le s<B1\\ \frac{B3-s}{B3-B1}& B1\le s\le B3\\ 0& B3\le s\le 1\end{array}\right.;$H_s：${\mu }_S\left(s\right)=\left\{\begin{array}{cc}0& 0\le s<B1\\ \frac{s-B1}{B3-B1}& B1\le s<B3\\ 1& B3\le s\le 1\end{array}\right.;$式中：f为信道状态因子，μ_F(f)表示f是F中成员的隶属度，是0和1之间的一个实数；L_f表示低隶属度的μ_F(f)，M_f表示中隶属度的μ_F(f)，H_f表示高隶属度的μ_F(f)；A1、A2、A3分别为隶属函数的参数且都为[0,1]区间的实数，A2<A1<A3；s为信道状态辅助因子，μ_S(s)表示s是S中成员的隶属度，是0和1之间的一个实数；L_s表示低隶属度的μ_S(s)，M_s表示中隶属度的μ_S(s)，H_s表示高隶属度的μ_S(s)；B1、B2、B3分别为隶属函数的参数且都为[0,1]区间的实数，B2<B1<B3；所述模糊算法由下述数学式表达：对于第一种模糊准则，其算法数学式为：$\mathrm{Selection}\left(\mathrm{CS}1\right)=\underset{R\in \mathrm{SUBSET}11}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$$\mathrm{Selection}\left(\mathrm{CS}2\right)=\underset{R\in \mathrm{SUBSET}12}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$$\mathrm{Selection}\left(\mathrm{CS}3\right)=\underset{R\in \mathrm{SUBSET}13}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$$\mathrm{Selection}\left(\mathrm{CS}4\right)=\underset{R\in \mathrm{SUBSET}14}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$式中：SUBSET11，SUBSET12，SUBSET13和SUBSET14分别表示信道状态为C11，C12，C13和C14的模糊准则的集合；Selection(CSi)为信道状态的判定变量，其中i＝1,2,3,4；取最大的Selection(CSi)所对应的CSi为判定的信道状态；对于第二种模糊准则，其算法数学式为：$\mathrm{Selection}\left(\mathrm{CS}1\right)=\underset{R\in \mathrm{SUBSET}21}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$$\mathrm{Selection}\left(\mathrm{CS}2\right)=\underset{R\in \mathrm{SUBSET}22}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$$\mathrm{Selection}\left(\mathrm{CS}3\right)=\underset{R\in \mathrm{SUBSET}23}{\Sigma }\underset{R}{\min }\{{\mu }_F\left(f\right),{\mu }_S\left(s\right)\};$式中：SUBSET21，SUBSET22和SUBSET23分别表示信道状态为C21，C22和C23的模糊准则的集合；Selection(CSi)为信道状态的判定变量，其中i＝1,2,3；取最大的Selection(CSi)所对应的CSi为判定的信道状态。