文献讲解|Markov chain Monte Carlo Equalization for Single Carrier Underwater Acoustic Communication

摘要

文章中提出了一种基于马尔可夫链蒙特卡罗(MCMC)的单载波水声通信均衡方法。考虑UWA信道的簇稀疏特性，将信道估计集成到MCMC均衡器中，实现联合信道估计和符号检测。为了提高性能，还采用了Turbo均衡。实验结果表明，在两种UWA信道下，该方案的误码率能更好地或接近直接自适应turbo均衡(DA-TEQ)方案。与DA-TEQ方法相比，mcmc方法对系统参数不敏感，具有更好的鲁棒性。

介绍

提出了一种基于马尔可夫链蒙特卡罗(MCMC)的单载波水声通信均衡方法。考虑UWA信道的簇稀疏特性，将信道估计集成到MCMC均衡器中，实现联合信道估计和符号检测。为了提高性能，还采用了Turbo均衡。实验结果表明，在两种UWA信道下，该方案的误码率能更好地或接近直接自适应turbo均衡(DA-TEQ)方案。与DA-TEQ方法相比，mcmcc方法对系统参数不敏感，具有更好的鲁棒性。

马尔可夫链蒙特卡罗(MCMC)是一种有效的工具，可以从任意和可能未知的分布中提取样本。近年来，MCMC技术已经应用到无线通信中[4 6]。与最小均方误差(MMSE)检测器相比，MCMC检测器能更好地逼近最大后验概率(MAP)检测器[7]。在UWA通信中使用MCMC检测器已经做了一些研究[8 10]。在[9]中，采用MCMC检测器代替传统的两步均衡，用于非编码UWA通信系统。在[8]中，针对时变UWA信道，提出了一种基于自适应变步长最小均方(VSLMS)算法和MCMC检测器的列表信道估计。在[10]中，我们将MCMC方法应用到UWA OFDM系统中。

本文旨在将MCMC方法应用于单载波编码的UWA通信系统。在该方案中，我们采用了尖峰- slab先验模型来利用UWA信道的簇稀疏特性。同时，将信道模型参数的估计集成到MCMC均衡中，实现联合信道估计和符号检测。利用MCMC检测器生成的多个样本序列计算符号对数似然比(LLR)。在此基础上，采用涡轮均衡的方法来提高性能。通过实际UWA通信实验数据验证了该方法的有效性和性能。

Turbo 均衡

MAP均衡需要计算符号序列的所有组合，这就带来了令人望而却步的复杂性。在MCMC均衡中，我们在Gibbs采样器收敛到iter平稳分布后收集一个小序列集。这个小的集合可以看作是一个重要的集合，它的序列对最终结果有显著的贡献。因此，我们根据样本序列计算LLR值，与传统的MAP均衡相比，可以降低复杂度。同时，我们可以通过增加样本数量来提高检测性能，使其接近MAP方法。

通过改变超参数(e, f)[10]来确定UWA信道云的簇特征。对于第l个系数θl，如果θl 1和θl+1都是非零，则θl也有很高的概率是非零。在本例中，我们应该设置e >f生成一个基于Beta分布特性的大型ql。相反，如果θl 1和θl+1都为零，θl也应该有很高的概率为零。我们设置e <如果其中(θk 1， θk+1)为零，θl可能在簇的边缘。在这个例子中，我们设e = f。

结论

针对单载波系统，提出了一种基于mcmc的信道估计和符号检测方法。该方法考虑了UWA信道的簇稀疏特性。Turbo均衡也被集成到MCMC均衡中以提高性能。我们用两类实验数据来测试所提方法的性能。在慢时变信道下，该方法的性能优于DA-TED方法。在快速时变信道下，基于mcmcc的方法的性能接近于DA-TEQ方法。与DA-TEQ方法相比，基于mcmc的方法性能对系统参数不敏感，具有更好的鲁棒性。