论文阅读笔记-Wavy Signals and Striped Constellations for Backscatter Communications: Origins and Solutions

Wavy Signals and Striped Constellations for Backscatter Communications: Origins and Solutions

用于反向散射通信的波形信号和条纹星座：起源和解决方案

一.论文总体阅读

论文架构：

• Abstract
• Introduction
• Backscatter Preliminaries 反向散射预备：
• 经典BC系统模型--经典反向散射通信系统
• Signal Processing at Receiver--接收器处的信号处理
• WAVY SIGNALS AND STRIPED-SHAPE CONSTELLATION CLUSTERS 波形信号与带状星团：
• Phenomena Description现象描述

• Effects效果:波形信号和条纹星座对BC系统的影响，影响了预编码和解码过程，最终降低了检测性能。

• 帧同步（Frame Synchronization）：波形干扰破坏了BPSK符号之间传统的高低关系，导致帧同步错误。4a图
• "+1"(索引250周围的蓝色高亮) 较高振幅；"-1"（指数100周围红色高亮）较低振幅；在这种情况下，（correct frame header）帧报头的准确位置在索引46处，但是在149处观察到最大相关点的索引，当接收器错误地识别帧头时，随后恢复的标签数据与实际数据不对齐，导致峰值BER约为50%

• 信道估计和均衡：接收机使用前导码来估计信道系数，假设信道系数是一个复常数，然而，由于时变干扰，估计的信道系数可能不能准确地表示整个传输周期上的信号传播特性。因此，涉及原始信号的旋转和缩放的均衡不能有效地减轻时变干扰，并且星座簇仍然保持条纹形状。
• 数据检测：下采样后，信号仍有波动。4b图
• 11中定义的检测器取决于信号实部的幅度，容易受到误差的影响。这也反映在复杂领域。
• 11定义了用于BPSK信号的判定边界y=0。

• 理想情况下，星座集群应该是圆形的，并且分布在这个边界的两侧。
• 4c图，条纹形状的星座簇可能会通过决策边界，导致检测误差。

• 波形信号和带状星座的起源 a.不完美CW b.非理想PLL合成器

• 导致波形信号和带状星座的原因，讲述了相位噪声和杂散噪声

• 解决方案和算法 a.三个见解 b.解决方案概述
• DSIC 算法 a.包络提取（Envelope Extraction）b.自干扰消除（self-interference Cancellation）c.复杂性分析（Complexity Analysis）
• DDB算法 a.问题辨析 b.DDB训练和数据检测 c.计算复杂性
• 实验结果和分析，评估DSIC和DDB算法的性能--实验配置、评估
• 总结

二.摘要与介绍 

摘要 

• 反向散射通信（BCs）：允许无源设备通过反射入射RF信号来传输信息-->绿色物联网the green Internet of Thing (IoT)的解决方案。

• 无源器件主要包括电阻，电容，电感，转换器，渐变器，匹配网络，谐振器，混频器和开关等。在不需要外加电源的条件下，就可以显示器特性的电子元器件。
• 无需加电源即可在有信号时工作。
• 射频（英语：Radio frequency，缩写为RF）：3kHz至 300GHz这个范围内的振荡频率，相当于无线电波的频率，以及携带着无线电信号的交流电的频率。RF通常被用来指电子振荡。
• RF射频在定义上是用来指一种频率，在日常使用中，常被用来当成无线电的同义词。

• 实际实现发现：波浪状反向散射信号和条纹状星座簇。
• 与传统的点对点通信和理论BC系统有很大不同，降低系统性能。
• 本文：调查起源+设计相应解决方案。
• 现象原因：锁相环（PLL）的非理想性引起的时变干扰。

• 锁相环（PLL）：利用反馈控制原理实现的频率及相位的控制系统，其作用是将电路输出的信号与其外部的参考信号保持同步，当参考信号的频率或相位发生改变时，锁相环会检测到变化，通过其内部的反馈系统来调节输出频率，直到两者重新同步。
• 锁相环电路：

• Phase frequency detector 相位频率检测器PFD：一种用于测量两个信号之间的相位差和频率差的电子设备。异步电路
• 对输入的参考信号和反馈回路的信号进行频率和相位的比较，输出一个代表两者差异的信号至低通滤波器。
• Low-pass filter低通滤波器LPF：允许低频信号通过，但减弱（或减少）频率高于截止频率的信号通过。
• 将输入信号中的高频成分滤除，保留直流部分送至压控振荡器。
• Voltage-controlled oscillator压控振荡器VCO：一种以电压输入来控制振荡频率的电子振荡电路设计。其振荡的频率或重复的比例会随着直流电压的不同而改变，这个特性可以用来将调变讯号当做压控振荡器的输入而产生不同的调变讯号。
• 压控振荡器： 输出一个周期信号,其频率由输入电压所控制。
• 反馈回路（通常由一个分频器来实现）
•  将压控振荡器输出的信号送回至鉴频鉴相器。通常压控振荡器的输出信号的频率大于参考信号的频率，因此需在此加入分频器以降低频率

• 解决方案：动态自干扰消除（DSIC）和数据辅助决策边界（DDB）算法
• 实现+评估解决方案
• 实验结果表明：误码率（BER）降低两个数量级，通信范围扩展三倍以上，保持线性时间复杂度

介绍

• 反向散射通信（BC）---物联网（IoT）
• 反向散射标签使无源设备能够动态调整其负载阻抗。
• 标签可以使用外部射频（RF）信号对其数据进行回溯，有效地编码和传输信息，而不需要专用的RF组件。
• 无线射频识别RFID：是一种自动识别技术，通过无线射频方式进行非接触双向数据通信，利用无线射频方式对记录媒体（电子标签或射频卡）进行读写，从而达到识别目标和数据交换的目的。原理：阅读器与标签之间进行非接触式的数据通信，达到识别目标的目的。
• 实际的BC系受 RF损伤 干扰，包括：自干扰、载波频率偏移（CFO）、相位偏移（CPO）、同相和正交相位不平衡、量化噪声和相位噪声（PN）。非理想特性来源：发射机和接收机组件，每个组件都对BC系统性能产生独特的影响。

• 例：自干扰 使基带部分中的接收器前端和模数转换器ADC的初始级饱和，从而降低接收信号的量化精度。CFO 发生在发射机和接收机载波之间，限制通信范围。IQ 失衡在基带引入镜像组件。
• 天线领域：引入额外的发射天线，根据与发射机和接收机天线的空间和极化关系调整位置。
• 模拟领域：发射机提取一部分RF信号并调整其相位和振幅来构造抵消信号。（最小均方LMS滤波器或利用神经网络）

• 本文遇到的现象：在时域中，接收到的反向散射信号显示出波动。在复域中，星座簇变为条纹性质，偏离了预期的圆形。
• 现象直接原因：时变自干扰。由从传输支路到接收支路的载波泄露引起的。
• 其时变性质可归因于锁相环PLL内的非理想性，包括相位噪声和杂散。：

（1）相位噪声phase noise：Phase noise（dBc/Hz）是指各种随机噪声所造成的瞬时频率或相位的起伏，它决定着频率合成器的短期频率稳定度。主要的噪声源有VCO内部的相噪和输入参考频率的相噪。是在频域定义的，与时域上的Jitter可相互转化。

（2）参考杂散spur：Spurs是指PLL中的杂散信号，单位dBc。PLL中最常见的杂散信号是参考杂散，这些杂散信号会因为电荷泵源电流和汇电流的失配、电荷泵漏电流以及电源退耦不大而增大。当鉴相频率较低时，由电荷泵的漏电流引起的杂散占主要地位；当鉴相频率较高时，由电荷泵的交替电流（源电流和汇电流）引起的杂散占主要地位。

• DSIC，这是一种在数字域中操作的低复杂度干扰消除方法。DSIC使用从接收的反向散射信号中提取的包络来构建干扰消除信号，而不依赖于任何先验信息。
• DDB解决DSIC之后潜在的剩余干扰。在这种方法中，我们将数据检测任务转换为二进制分类问题，并使用前导码训练决策边界。

 三.反向散射背景知识

经典反向散射系统 

• 两个基本元素：标签和读取器。
• 读取器功能：传输和接收。读取器的发送端--发送器，接收端--接收器。发射和接收信号通常由循环器隔离。

• 发射机通常生成单位功率和频率fc的单音信号s(t)作为载波CW（被调制以传输信号的波形）

• 然后，功率放大器PA提升s(t)。目的：实现用于标签激励的PT的功率电平
• 注意：标签和读取器之间的距离很短，通常是视距LOS（一种传播类型，只有在发送站和接收站之间没有任何障碍物的情况下才能发送和接收数据），标签接收的信号：

• 其中，htb是发射机和标签之间的信道系数，τtb表示传输延迟。（忽略噪声）
• 然后，标签通过动态调整反射系数Γ来调制其信息x（t），定义为

• 其中ZA和ZL分别表示固定天线阻抗和可变负载阻抗。反射系数是一个复数
• 其中|Γ|和ψ分别表示反射系数的振幅和相位。

• 为二进制相移键控（BPSK）调制选择两个合适的ZL值，得到Γ的两个状态：ψ=0和Γ=|Γ|；ψ=π和Γ=−|Γ|。
• 因此标签BPSK信号可以表示 为x(t)∈{−1，1}。
• 反向散射通信：三处泄露（1）由于不完美的隔离导致循环器的CW泄露；（2）由于天线循环器失配而从天线反弹到接收器中的CW；（3）由于无线传播引起的环境CW反射

• 接收器处接受的RF信号：

• 根据等式（8），接收到的反向散射信号rb（t）包含三个部分：传送有用标签数据的交流（AC）分量htx（t）、具有强强度且没有标签数据的直流（DC）分量hd以及噪声w（t）。

 接收器处的信号处理

• 在下变频之后，ADC以TS的间隔对接收信号rb(t)进行采样，得到离散基带信号rb[n],其表示为

其中n＝1，2，NL和NL是样本编号。

由于标签应用BPSK调制，信号rb[n]理想地在时域中产生两种可能的状态：高状态和低状态；而在复域中，由于复AWGN的圆对称性质，它们形成了两个圆簇

• 实践：接收器将首先通过在初始传输期间对没有反向散射数据的样本进行平均来估计DC分量hd。之后，可以通过从接收信号中减去估计值来减轻自干扰。
• 标签发送长度为Np的前导码来定位反向散射信号的开始

• 在接收机处，通过确定小间隔Nτ内接收信号和前导码之间的最大相关值来实现帧同步

• 接下来，接收机可以使用前导码xp来估计信道ht。一旦获得了估计值hat(ht)，就应用信道均衡。
• 最后，可以通过将每个处理后的信号的幅度与预定义的判定阈值γ（BPSK调制通常为0）进行比较来检测标签数据

 四.波形信号和带状星座的起源

 不完美CW

• 即使接收器只接收CW，也可以观察到这些现象。

5a波浪形状cw，5b橙色条纹状

• 反向散射反射系数是常数--->任何变化主要影响星座团的位置，而不是形状。

5b与标签数据相对应的星座簇具有条纹形状，并被移动到CW簇的任一侧。

• 频域：连续波的功率谱密度 PSD 在中心频率处没有表现出理想的尖脉冲形状。相反，它遵循洛伦兹形状，在不同频率下存在强次谐波
• 分数模式中最强的次谐波比积分模式中的次谐波具有更高的功率，分数模式中的信号失真比整数模式中更明显。
• 原因：归因CW产生设备，特别PLL合成器

 非理想PLL合成器

 锁相环合成器：产生可变输出的反馈系统。

• 从参考振荡器获得输入频率，并用R分频器进行分频。
• 相位检测器（PD）然后将压控振荡器（VCO）输出的相位和频率与参考振荡器进行比较，产生与相位差成比例的误差信号。
• 该误差信号随后由低通环路滤波器（LPF）滤波以控制VCO，VCO相应地调整其输出频率。
• PLL的目标是最小化相位误差，从而获得由

• 给出的稳定输出频率，其中N和R分别表示VCO和R分频器的分频因子。
• 完美的PLL可以产生纯正弦波形，该波形在频谱中表示为脉冲。然而，PLL在实践中会受到各种噪声干扰。

• 通常影响PLL性能的两种主要类型的噪声是相位噪声和随机噪声的形式，引入了一个宽的和衬衫状的频谱分布。它主要由源自电子电路的热噪声、散粒噪声和闪烁噪声产生。
• 杂散是一种周期性噪声，可以在中心频率的两侧产生离散的对称峰值。
• 尖峰主要是由PD和VCO中电荷泵内的数字开关事件的周期性非理想性引起的

• 合成器模式

• 合成器模式基于分频器值N，并且可以影响输出频率。在N为整数的积分模式中，输出频率是参考频率的倍数。而N为分数的分数模式中，其输出频率是基准频率的分数。
• 通常，分数结构PLL更常用，因为它允许更大的参考频率值，并具有更好的输出频率分辨率。
• 分频器只能除以整数因子，所需的分数N分频是通过在N和N+1之间循环交替来获得的。结果，除法因子是时变的并且在一段时间内是正确的，但是瞬时除法是不正确的。
• 这种突然切换和不完美的补偿，在输出中导致不可忽略的杂散信号，影响输出频率的纯度。

• 非理想连续波的分析

• 相位噪声和杂散是振荡器的噪声输入，影响输出信号的振幅和相位波动。振荡器输出信号

• 其中，Vo是振荡器振幅，nAM（t）是振幅噪声，fo是VCO的输出频率，θt（t）为相位中的噪声。
• 由于VCO中存在振幅抑制机制，我们可以去除振幅噪声nAM，只考虑噪声θT（T）。噪声θT（T）包括两种分量：随机噪声（相位噪声）和周期性噪声（杂散spur）。因此，它可以用数学表示如下

• PLL噪声可以被认为是应用于Voltage-Controlled Oscillator（VCO，电压控制振荡器）频率的频率调制 FM，Frequency Modulation。
• VCO输出频率稳定在预期频率fc

• 1.输出信号周期性变化，此时忽略随机相位噪声的影响。（原因：随机相位噪声可以被视为叠加在周期变化上的随机扰动）
• Cos-sin公式

• 当周期性相位噪声引起较小的相位调制时，即

• 带入15

• 周期性相位变化导致fc+fm和fc−fm处的两个杂散音调，这两个音调都比载波低20 log（∆θ/2）dB。
• 在实际系统中，相位噪声pT（t）不是一个完美的正弦波。然而，可以合理地假设它在从0到L的区间内表现出周期性。

• 这一假设成立是因为高阶分量的杂散能级通常在这个区间内衰减到可以忽略的能级。
• 在这种假设下，噪声pT（t）可以由以下傅立叶级数表示：

• j是imaginary unit虚单位。
• 傅里叶级数计算如下：

n=0的分量表示载波，而第n个杂散的偏移是n/L，导致在不同的频率偏移处出现不同的子谐波。

• 随机相位噪声的影响，通常很小
• 输出信号的PSD近似：
• PSD功率谱密度：类似频谱（Spectrum）

• 其中S（fo−fc）是在与载波信号fc的频率偏移，fo处的相位噪声PSD，表明随机相位噪声对噪声功率的一部分有贡献。

• 波形信号和条纹状星座的分析：受相位噪声的影响，发射机的杂散pT（T），发射机的输出CW s（T）变为

• 具有低频的杂散和相位噪声不能被接收机处的LPF滤波，因此保持在基带处。
• 原基带信号：

• 新基带信号（添加了低频杂散和相位噪声）：

• 其中pRt和ξR（t）分别是接收器处的杂散和相位噪声。
• 设

• （22）重写为（23）

• 在时域中，接收信号可以近似地表示如下

• 其中

• 简化结果26表明，干扰mt可以被视为加性时变干扰，其由于相位噪声和杂散而变化非常不规则

• 在复域中，星座图受到DC hd和PLL非理想性的共同影响。公式23 图8

• 图中理想BPSK反向散射信号星座图8a由两个圆形簇组成，由于强DC分量，两个圆形聚类都位于远离原点（即零点）的位置。
• 图8b，受到DC和PLL非理想性的影响时，星座点将围绕复平面的原点旋转。由于相位噪声和杂散被限制在一定范围内，这种旋转导致圆形簇转变为弧形8c
• 由于相位旋转很小直流分量很强，所以弧形星团看起来是条纹状的。

五.解决方案和算法（DSIC+DDB）

 概述

• 需要解决的问题：相位噪声和杂散会显著降低BC系统的性能。
• 三个观察

• 频域观察：由于发射机的PLL滤波器和接收机的低通滤波器的组合效应，杂散往往集中在低频。

可被消除的原因：频率通常固定，且不与标签数据的频谱完全重叠。

• 时域观察：由于基带信号 公式26中的附加干扰m(t)包含时变的低频杂散p(t)，因此接收信号rb(t)的上包络和下包络显示出类似的波动趋势。
• 使用接收信号的包络来近似时变干扰，然后将其相减以抑制PLL非理想性的影响。

• 复域观察：星座族呈现条纹形状，在复杂域的不同实验环境中发生变化。

在这种情况下，传统的具有静态判定边界的检测器无法准确地分离两个条纹簇。

选择基于接收到的信号动态调整自身的自适应决策边界，可以区分两个条带簇

• 解决方案概述

• 数据输入->动态自干扰消除->帧同步->信道估计->信道均衡->定时同步->数据辅助决策边界->检测输出
• 接收到的信号首先通过DSIC模块以减轻时变干扰。随后，信号遵循标准处理过程来检测帧报头并估计用于均衡的信道。
• 接下来，定时同步部件对信号定时误差进行整流并执行下采样。最后，DDB训练自适应决策边界，以有效地分离条纹形状的星座簇。

 DSIC 消除时变干扰

DSIC利用接收信号的包络来更好地适应时变干扰，提高通信系统的性能。

DSIC（different subspace information criterion）是一种用于自适应信号处理和干扰抑制的方法。

目的：提高接收端对目标信号的检测性能，同时抑制干扰信号的影响。

通过考虑信号的空间特性，利用接收信号的包络来构造时变干扰。

• 接收信号建模：接收到的信号被建模包含目标信号和干扰信号的总和
• 构造干扰子空间：DSIC利用信号的空间特性，通过构造干扰子空间来抽取干扰的统计特性。
• 计算DSIC准则：关键是通过差分子空间信息准则来优化权值，以最小化目标信号和干扰信号在子空间中的投影。
• 权值更新： 通过迭代的方式，不断更新权值，以最小化DSIC准则。

包络通常指信号的振幅随时间变化的外部轮廓或边界。

包络通常指信号振幅的快速变化部分，而忽略了其中的高频细节。用于描述调制信号的变化特性，特别是调幅调制AM信号。

• 两个主要挑战：模型解决的问题---稳健和低复杂度的包络提取方法

• 1.所构建的时变干扰的准确性。接收到的信号包含各种类型的噪声，例如AWGN和ADC量化噪声，引入干扰

在这种情况下，传统方法：希尔伯特滤波器和局部峰值检测，对突发噪声敏感，导致额外的人为干扰。

• 2.DSIC应避免长延迟并保持低复杂性。

• A.包络提取

样本选择+包络构建

1.样本选择，每个标签状态选择至少一个样本。由于标签时钟漂移，每个符号的采样数不固定，通过分析接收信号的振幅变化来确定标签状态的变化。

矢量g表示顺序接收的信号rb[n]的实部中的差。
 

当标签符号（蓝色）发生变化时，信号差g[n]（橘色）明显变化。

标签信号：高->低 g[n]幅度减低

低->高 g[n]幅度升高

引入阈值：上阈值TU，下阈值Tl，检测标签状态变化

• 当标签状态发生变化，多样本可能超过阈值。
• 由于时变干扰的缓慢变化特性，在采样周期内，忽略干扰变化。随机选择一个超过阈值的样本进行后续处理。

Two ordered lists：

Uid和Lid 用于存储指示从低状态到高状态的转换以及从高状态到低状态的转换的索引。

Nb 记录前一个状态翻转的索引，初值为1。

索引选择规则：信号差高于Tu并且n-nb>a（信号差升高，并且有翻转），因此记录n低到高转换，并且更改当前翻转状态索引。

信号差低于Tu并且n-nb>a（信号差降低，并且有翻转），因此记录n高到低转换，并且更改当前翻转状态索引。

a预定义值：每个标签状态持续时间，标签之间时间差。

当标签具有几个连续的相同比特时，其状态持续时间可能相当长。在这种情况下，一个样本可能不足以准确跟踪包络变化。因此，我们在此期间选择更多的索引。

给定当前状态翻转索引n、先前状态翻转索引nb和需要插入的索引数量k，nb和n之间的第i个插入索引计算为（向下取整）

（k+1）个间隔，前i个

计算指标处包络值，平均W个连续值ℜ{rb}作为相应的包络值vn，以有效地抑制突发噪声。

2.包络结构：

获得样本索引及对应值，需要填充样本之间的值，目标：形成完整的包络。

分段线性插值方法来公式化上包络和下包络

设Nia和Nib（i∈{U，L}）表示Uid或Lid中的两个相邻样本索引，它们对应的包络值分别用Via和Vib表示

线性插值公式计算索引n处的包络值ei[n]

应用移动平均滤波器来去除包络值的变化，可以进一步增强提取的包络的平滑度并减少突发噪声的影响。

• B.自干扰消除

利用提取的上下包络，估计时变干扰。上包络线和下包络线呈现出相似的变化趋势。

干扰可以被视为附加分量，上包络和下包络的中值近似时变干扰。

设eu和el表示平滑的接收信号的上包络和下包络

时变干扰：

从接收信号中去除时变干扰。去除后的结果信号：

图12 实现DSIC之前和之后的示例

图12a 在时域中，DSIC之后，信号包络变得平坦和结构化。

图12b 复域，星座簇中条纹形状(DSIC之前)转变为椭圆形形状(DSIC之后)。

C.复杂性分析

DSIC包括信号差计算、插值、平滑和干扰消除，O（NL）计算复杂度

DSIC算法

 算法输入：rb接收信号, Tu上阈值, Tl下阈值, α, β, W包络连续值计算, k插入索引数量（在信号长的时候）

算法输出：自干扰消除后的信号

初始化：Nb 记录前一个状态翻转的索引，初值为1。Uid和Lid 用于存储指示从低状态到高状态的转换以及从高状态到低状态的转换的索引。

在时域中，接收信号rb可以近似地表示如下

矢量g表示顺序接收的信号rb[n]的实部中的差。

引入阈值：上阈值TU，下阈值Tl，检测标签状态变化

索引选择规则：信号差高于Tu并且n-nb>a（信号差升高，并且有翻转），因此记录n低到高转换，并且更改当前翻转状态索引。

信号差低于Tu并且n-nb>a（信号差降低，并且有翻转），因此记录n高到低转换，并且更改当前翻转状态索引。

a预定义值：每个标签状态持续时间，标签之间时间差。

给定当前状态翻转索引n、先前状态翻转索引nb和需要插入的索引数量k，nb和n之间的第i个插入索引计算为（向下取整）

（k+1）个间隔，前i个

计算指标处包络值，平均W个连续值ℜ{rb}作为相应的包络值vn，以有效地抑制突发噪声。

DDB 检索标签数据

从复域可以看出，在BPSK调制下的星座族是线性可分的。

数据检测问题公式化为二进制分类任务。

目标：将决策边界建立为f(D)，以分离聚类，其中D表示接收信号中可用的信息。

支持向量机（SVM）是一类常用于分类的监督学习算法。在数据集相对较小的场景中，特别有效应用广泛。

使用支持向量机的关键思想来推导动态决策边界。

设rp表示与前导码矢量(preamble vector)Xp相对应的接收信号矢量。

给定在接收器处已知的前导码，训练数据集构造：

其中Rpi包括接收信号的实部和虚部，并且表示为

然后，集合D用于训练二维权重向量W和标量偏差b

以形成超平面，将复平面划分为两个区域，其中r是超平面参数

理想超平面满足：

检测问题公式化为广义优化问题：拉格朗日？最大化转化为最小化

其中，ξi是松弛变量（允许一些样本点不严格遵守超平面的分类规则），C>0是控制松弛变量的参数（平衡模型复杂度和对训练数据的拟合程度，惩罚和最大化间隔之间的权衡的参数，较小的 C 值会导致模型对训练数据的适应性减弱，较大的 C 值则会增加对训练数据的适应性，但可能导致过拟合。），以及ℓ（ξi）是归一化函数（一种惩罚函数，用于对松弛变量进行约束）

在解决优化问题（35）后，我们可以获得检测规则

• C.计算复杂度O（Np）
• 超平面分离： 超平面在特征空间中的方程可以表示为f(r)=0，其中r是特征向量。
• 最大化间隔D (Maximizing Margin)：
• B.DDB训练和数据检测
• A.问题公式
• DDB算法来训练基于前导信号的自适应决策边界，以恢复标签数据

 六.实验结果和分析

• DSIC的干扰抑制：

DSIC只处理包含标签数据的信号，而不处理CW

不可以使用CW功率的传统评估度量

使用星座簇的均方根（RMS）作为度量。

图：DSIC前后的RMS条。

• 与整数模式相比，星座簇的RMS在分数模式下更低。这一观察结果与图6中的结果一致。
• 星座集群的RMS降低了50%以上，证明了DSIC在减轻PLL非理想性影响方面的有效性。
• DSIC后的RMS值始终在0.01左右，表明DSIC对通信距离不敏感，表明其实际应用性

• DSIC对帧同步的影响：

• PLL的非理想性如何影响帧同步
• 计算每100个通信的同步失败率，并将其显示在图中。

• DDB性能和训练长度的关系

• 计算Bit error rate (BER) 误码率的改进评估DDB
• 传统检测器（11）的BER减去DDB算法的BER。

• 标签在每一轮传输期间一致地传输相同的数据包。我们对五轮传输的BER进行平均。
• X轴表示读取器标签距离，Y轴表示DDB使用的训练长度，颜色表示BER改进。
• 颜色越深，BER的改善就越大。图16中的所有四个子图都表明，DDB可以提高BER性能，尤其是在标签读取器距离超过2米的情况下。
• 在图16b中观察到显著的改进，与图16d相比。在图16d中，DSIC已经减少了时变干扰，为DDB进一步提高BER性能留下了相对有限的空间。

当比较图16a和图16c时，可以观察到类似的结果。

• 此外，当训练长度大于11时，DDB获得了相当大的性能改进。

• BER 性能

• 在不同PLL模式下的BER性能
• 与分数fractional模式相比，积分integral模式下的BER性能优越，强调了减少杂散和相位噪声的重要性。
• 单独应用DSIC或DDB可以降低BER，并且它们的组合产生最佳性能。
• 距离超过3米时，传统方案表现出0.5的误码率，DSIC+dDB解决方案将其误码率保持在10−3左右。

• 运行时间

• c语言实现，图a改变接受到的数据包数量，图b改变训练数量