基于MIMOUWB通信系统AOA估计的算法仿真优化研究

来源:用户上传      作者:

　　摘  要： UWB技术的应用无论是在国内还是国外主要还是用于定位系统。与常规的无线通信技术相比，UWB 还具有容量大、速率高、功率低等突出优点，UWB信号在数据传输性能方面也有着很大的优势。本文提出了一种在UWB MIMO系统中结合AOA估计的方法，先对标签位置进行定位，然后位置信息同其他检测数据一起打包发送到基站，有利于实现在数据传输过程中还能够对数据发送的位置进行实时精准定位的功能。采用MIMO技术对于系统来说可以提高频谱效率，改善系统性能，AOA估计方面利用多天线可以实现精确的定位精度。
　　关键词： UWB;AOA估计;MIMO技术;数据传输
　　中图分类号： TN911.23    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.08.055
　　本文著录格式：张鲲，沈重，周晖. 基于MIMO UWB通信系统AOA估计的算法仿真优化研究[J]. 软件，2020，41（08）：205-208+216
　　【Abstract】： The application of UWB technology is mainly used in positioning system both at home and abroad. Compared with conventional wireless communication technology， UWB also has outstanding advantages such as large capacity， high speed and low power， and UWB signal also has great advantages in data transmission performance. In this paper， a method of combining AOA estimation in UWB MIMO system is proposed， which first locates the location of the tag， and then the location information is packaged and sent to the base station together with other detection data， which is beneficial to realize the function of real-time accurate positioning of the location of data transmission in the process of data transmission. The use of MIMO technology for the system can improve the spectrum efficiency and improve the system performance. In the aspect of AOA estimation， multiple antennas can be used to achieve accurate positioning accuracy.
　　【Key words】： UWB; AOA estimation; MIMO technology; Data transmission
　　0  引言
　　目前，UWB技術被普遍用在室内定位系统中，用它传输数据的研究相对较少。与常规的无线技术相比，UWB通信技术最大的特点是带宽很宽、速率快、抗干扰性强，相对于窄带或宽带信号，它可以提供比窄带或宽带信号更丰富的信息，在数据传输性能方面也有着很大的优势，是室内通信系统的良好选择。本文提出将UWB MIMO系统与UWB定位技术相结合的思想，在室内环境中系统实现通信的同时又能获取到其位置信息。该方法可广泛的应用于医疗，军事，消防，环境监测等领域，如实时检测医院患者的生理参数，在患者未感觉到不适，但是参数异常有潜在的发病风险的情况下，医生可以准确定位到患者的位置，及时做出响应的预防;消防方面利用无人机、智能机器人等设备进行自主寻找探测受困人员并准确快速的进行定位，并及对周围环境进行监测，可方便消防人员制定高效、准确的营救方案[1-2]。
　　FCC对超宽带的发射功率作了限制规定，为了在此限制下获得期望性能人们将MIMO技术应用到UWB通信系统中，来实现高通信容量和频谱利用率，同时还提高了信道的可行性，降低误码率。本文提出了UWB MIMO系统模型，研究了系统的传输方案，对系统的性能进行了仿真分析，使用MUSIC算法实现了UWB信号的AOA估计。
　　1  系统整体设计方案
　　本文研究的是搭建一个室内定位及数据监测系统，在实现数据传输的同时又能获取到位置信息。主要思想是通过UWB室内定位技术获取到标签的位置参数，然后将位置参数同标签上的其他数据一起打包发给基站，基站再通过串口将数据传到PC上位机。在定位部分使用MUSIC算法实现了UWB信号的AOA估计，基站发出UWB信号，标签接收到信号后进行算法运算得到基站相对标签的角度，再根据几何关系算出标签相对基站的角度[3-5]。数据通信部分将MIMO技术引入到MB-OFDM UWB系统中搭建一个MIMO UWB系统模型。在MB-OFDM UWB系统中使用MIMO技术可以明显提高系统容量和数据传输速率，并且在接收端使用多天线分集技术可以提高系统的检测性能，弥补多径带来的损耗，提高系统的抗干扰性能。系统框架图如图1所示。
　　2  基于MUSIC算法的AOA估计
　　室内传播环境复杂，信号的多径传播带来的影响很难对信号的到达角度（AOA）进行准确的估计。MUSIC算法是一种高分辨率特征的结构算法，根据天线阵列形式就可以对入射信号数目、到达角度及波形的强度做出无偏估计得到高分辨的估计结果。 　　2.1  MUSIC算法基本原理
　　来自不同方向入射平面波的接收天线阵列结构如图2所示。 个信号从 个不同方向到达，被一个有 个权值的 个阵元的天线接收。每个接收信号  都含有加性、零均值、高斯噪声。时间由第 个采样时刻表示。
　　2.2  算法仿真及分析
　　影响基于MUSIC算法AOA估计性能的因素有信噪比、采样数、阵元数、入射角度等。下面分别针对在不同信噪比和不同阵元天线条件下的MUSIC算法性能的比较进行MATLAB仿真和分析。仿真参数为：两个到达角30和60，阵元间距 ，采样数 ，图3中真元天线个数 ，a图中噪声方差为0.1，b图中的噪声方差为0.001。图4中噪声方差为0.1，阵元天线分别为2和4。
　　比较上图可以发现在基于MUSIC算法的AOA估计中，噪声方差越小即信噪比越大时其分辨率越高，AOA估计性能越好。由图3可以看出阵元天线数量越多，AOA估计性能越好。
　　3  UWB MIMO通信系统
　　UWB MIMO通信系统部分将MIMO技术引入到MB-OFDM UWB系统中搭建一个MIMO UWB系統模型[6-9]。MB-OFDM UWB系统将3.1～10.6 GHz频段划分成14个带宽为528 MHz的子带。系统利用很窄的时域OFDM码传送信号， 同时通过时频交织（TFI），的方式使得无论任何时刻只在一个子频带进行传输，这种方法的优势在于，可以在小的多的宽带上处理信息，不仅降低了设备的复杂性、功耗及成本，而且还能提高频谱的利用率和灵活性，有助于在全球范围内符合相关标准。在OFDM各个子载波和各发送天线间采用空频分组编码（SFBC）技术，同时获得空间分集和频率分集，从而降低信道误码率提高可靠性。
　　4.3  SFBC编码技术应用于UWB MIMO系统
　　本文选用2×2的双输入双输出天线来实现SFBC编码技术。SFBC的主要思想是在空间和频率两个维度上安排数据流的不同版本，可以有空间分集和频率分集的效果。在天线1上，两个符号 、 分别安排在两个相邻的子载波上，在天线2上，这两个符号调换一下子载波的位置，把它们的另一个版本 、 分别放在这两个子载波上。如图7为SFBC编码技术原理示意图。
　　本系统的主要应用在室内环境，所以选择了传输距离为0～4 m的LOS环境下CM1信道和NLOS环境下的CM2信道进行仿真比较。从仿真图可以看出在信道信噪比相同的情况下，采用了SFBC编码技术的MIMO UWB系统的误码率相比传统的SISO UWB系统降低了很多。从图9可以看出NLOS环境下多径干扰强，信道频率选择性的不断增大，采用SFBC码所带来的系统性能的提升越来越小。误比特率为10-2时，LOS环境下系统性能改进了2 dB，NLOS环境下只改进了1.5 dB，对比两个仿真图虽然采用MIMO UWB系统整体性能有所提高，但是在复杂环境下系统性能还有待继续优化。
　　5  总结
　　本文研究了基于MIMO UWB通信系统AOA估计的算法仿真优化，并将定位到的数据同其他检测数据一起打包发送到基站，有利于实现在数据传输过程中还能够对数据发送的位置进行实时精准定位的功能。文章采用MUSIC算法实现了AOA估计，通过仿真数据的比对分析可得出信噪比、阵元天线数量与角度分辨率、AOA估计性能成正比趋势，是AOA估计性能的优越的重要因素。MIMO UWB通信系统中采用了SFBC编码技术，与传统的UWB通信系统相比，系统性能有了很大的提高。系统还可以继续优化，目前定位部分只研究了角度估计，下一步可将AOA与TDOA相结合来达到精准定位的效果，MIMO UWB通信部分可通过增加天线阵列、优化编码技术等方法进一步提高NLOS环境下的系统性能。
　　参考文献
　　[1] 王冬冬， 和伟. AOA估计中的MUSIC算法[J]. 信息通信， 2016（1）： 82-85.
　　[2] 王加敏. MIMO-UWB系统抗干扰性能的研究[D]. 扬州大学， 2013.
　　[3] 常栋栋. MIMO-OFDM技术在铁路移动电视网中的应用研究[D]. 兰州交通大学2013.
　　[4] 孙心萤. 基于ADS的MIMO-OFDM UWB系统的设计[D]. 东华大学2011.
　　[5] 杨亚楠， 夏斌， 赵磊， 等. 基于卷积神经网络的超宽带信道环境的分类算法[J]. 2019， 39（5）： 1421-1424.
　　[6] 朱静， 杨晓静. 不同信道下的超宽带无线通信系统Simulink仿真研究系统仿真学报[J]. 2008， 20（10）： 2709- 2712+2717.
　　[7] 张乐玫， 罗涛. 室内定位特征选择算法研究[J]. 软件， 2015， 36（1）： 38-46.
　　[8] 吕威. 多带正交频分复用超宽带系统信道估计方法[D]. 哈尔滨工程大学， 2011.
　　[9] 胡瑜. 基于UWB通信的无线传感网络技术研究[D]. 哈尔滨工业大学 2018.
　　[10] 周冉， 刘金铸， 王鹏. OFDM技术在超宽带系统中的改进应用[J]. 科技资讯 2007， 16： 124-125.
　　[11] 薛睿， 赵旦峰， 陈艳. 基于正交频分复用技术的超宽带通信系统[J]. 应用科技， 2016， 20（10）： 87-89.
　　[12] 陆丽. 基于声传感器阵列的目标方位估计方法[D]. 江苏科技大学， 2016.
　　[13] 符博博， 田英华， 郑娜娥. 阵列信号中信源数估计方法的研究[J]. 软件， 2015， 36（12）： 197-200.
转载注明来源:https://www.xzbu.com/8/view-15321589.htm