摘  要： 為IoT系統中的協同中繼通信系統提出了一種分批機制的盲信道估計方法和一個包括改進的RCA誤差函數的代價函數，并采取IRLS算法解決優化問題。仿真結果表明，該盲信道估計能正確地估計CSI，并且無需任何訓練序列，證明了該方法在只依靠小批量矢量的情況下能實現快速盲信道估計的能力。
關鍵詞： 物聯網；傳感器網絡；盲信道估計；協同中繼通信；衰落信道；信道狀態信息(CSI)

　“物聯網”IoT(Internet of Things)指的是將各種信息傳感設備(如射頻識別(RFID)裝置、紅外感應器、全球定位系統、激光掃描器等)與互聯網結合起來而形成的一個巨大網絡[1]。其目的是讓所有的物品都與網絡連接在一起，系統可以自動和實時地對物體進行識別、定位、追蹤、監控并觸發相應事件。物聯網已被用于許多領域，例如零售、電子保健、醫藥、能源、農業和環境。物聯網是一場依靠許多重要領域里動態創新的技術革命，隨著集成電路的微型化和納米技術的不斷進步，越來越小的物體將有能力被集成在RFID的標簽里。
　RFID標簽是一個集成了眾多傳感器的裝置，從對物聯網的定義來看，其可以被當作由很多RFID組成的特別的傳感器網絡系統。傳統的分布式RFID標簽由于受到能源、物理尺寸和電池操作的限制，對其進行更換將會很不經濟或很困難[2]，而目前的技術又不足以處理對未來能源應用局限性的問題。因此，在設計制造大規模、低成本的傳感器網絡時，滿足能源效率[3]是很重要的一點。任何有關這方面的改善都將是一個重要的收益，在大多數情況下，能量傳輸過程中最容易產生能源消耗。一種有效的解決方案是采用雙天線陣列的信道衰落，這種方法在蜂窩和無線局域網(WLAN)中得到了廣泛應用，并提供了以前無法想象的數據傳輸速率和可靠的傳輸性能[4]。然而，物聯網標簽(在本文的介紹中稱之為“節點”)通常只有一個天線，這就必須利用節點的協同通信來解決這個問題，節點的協同通信允許實現使用了分布式節點的虛擬雙天線陣列[5-6]。目前絕大多數文章在分析他們的方法時是基于信道狀態信息CSI(Channel State Information)完全或部分已知的假設。
通常來說，最好的中繼是根據包含了一跳和二跳信道信息的CSI來選擇的。在選擇最好的中繼節點時具有部分CSI的性能是必需的，并且額外的中繼點無法對增加性能做出貢獻。
在物聯網系統中，RFID標簽經常放在可移動的物體上(如商品、汽車和寵物)。由于節點的機動性和傳播環境的影響，存在大量的時間變化。此外，在滿足未來物聯網系統中高速數據率服務的要求中存在的主要障礙之一是多徑傳播引起的信號衰落。
　基于物聯網系統特性的考慮，引進協同中繼通信至物聯網系統中，從而通過分集增益來節省能源和增加網絡壽命，本文為物聯網系統的協同中繼通信系統提出了一種分批機制的盲信道估計的方法和一個代價函數，該函數包括改進的RCA的誤差函數，并采取IRLS算法解決優化問題。仿真結果表明，該盲信道估計能正確地估CSI，并且無需任何訓練序列，證明了該方法在只依靠小批量矢量的情況下實現快速盲信道估計的能力。
1 協同中繼通信系統模型
　根據物聯網系統要求所建立的協同中繼系統如圖1所示，包括一個信息源S、中繼R和目標D節點，這些都只具有一個天線。盡管看上去簡單，但是系統存在許多有待解決的協同通信方面的理論問題，并且可以通過多中繼點擴展到更加復雜的中繼網絡。假定S和R利用多路徑通道進行協同傳輸，并且假定CSI不能在傳輸節點(如S和R)中得到，在接收端CSI的獲取取決于信道的衰減速度。

　系統模型基于如下假定：
　假定A：傳輸的信息符號序列和相應的信道噪聲為等差序列。
　假定B：傳輸的信息符號序列和相應的信道噪聲是獨立的序列。
　假定C：傳輸的信息符號序列滿足次高斯和零均值分布。
　以s(k)表示從S和Mi，j傳輸的信息符號序列，(i，j)∈{(S，R)，(S，D)，(R，D)}為相應的信道記憶長度。在第一階段，分別以xS，R(k)和xS，D(k)表示在R和D處在時間段k中接收到的基帶信號[7]。

其中懲罰因子c是一個正標量，以N表示信號長度，可得到：

3 仿真結果
　采用了所提出的盲信道估計方法，并使用瑞利和Nakagami分布進行仿真。Nakagami分布可歸納為瑞利分布，但在衰減的程度上有更多的控制。在信號傳輸節點上(如S和R)使用了滾降系數α=0.5的平方根升余弦傳輸濾波器。不失一般性，本文只顯示了傳輸濾波器聯合信道實部和節點間信道的仿真結果。在所有的仿真中，設置信號噪音比Eb/N0=10 dB，批向量大小N=200，并且采用了16-QAM方案。
3.1 放大轉發協作通信
　在放大轉發協作通信的情況下，中繼節點R接收到一個從源節點S傳送的嘈雜的信號。該嘈雜的信號只是簡單地被放大和轉發到目標節點D[12]。比較通過這種方法實現的盲信道估計性能，確立信道hS，D、hS，R和hR，D的順序，分別為10、15和20。在這些仿真中，由30個蒙特卡羅線索數來描繪這些圖表。真正信道和預測信道的結果分布分別如圖2、圖3、圖4所示。通過這三幅圖可以觀測以下結果：(1)這種方法對不同順序的衰減信道有較好的魯棒性；(2)盲信道估計性能即使是在小批量矢量大小的情況下也是令人滿意的。

　此外，這些仿真的算法迭代次數大約為50，并且預測的性能在增量為Eb/N0或N的情況下會更好。

　圖6為在中繼節點R中收到的譯碼信號的平均誤碼率。蒙特卡羅線索數目為500。結果表明，盲信道估計性能在增量為Eb/N0或N的情況下得到提高。其中噪音是客觀因素，無法通過努力而改變，但可以擴大批矢量的大小N，然而這意味著操作的負擔將變重。但這種方法可以通過很小的批矢量大小得到滿意的預估性能。此外，還可以看到，圖6中N=1 000和N=200的曲線非常接近，意味著我們不要使用N≥1 000的太大的批矢量通過增加操作量來提升性能。

　本文為物聯網系統中的協同中繼通信提出了一種盲信道估計方法。闡述了包括用于改進的RCA代價函數的誤差項的一個優化問題，并采用IRLS算法來解決該優化問題。通過這種方法，可以得到正確的CSI，并用它來選擇最佳的中繼節點和波束成型。仿真結果表明，該盲信道估計方法在只需很小的批矢量大小的情況下能正確地估計信道。更多沒有在本文中出現的仿真結果也同樣顯示出該方法對于實現快速盲信道估計的能力。
參考文獻
[1] Internet of things in 2020： roadmap for the future. http://www. smart-systems-integration. org/public/internet-of-things， 2008.
[2] GOLDSMITH A J， WICKER S B. Design challenges for energy constrained ad-hoc wireless networks[J]. IEEE Trans actions on. Wireless Communications， 2002，9(4)：8-27.
[3] Early challenges regarding the “Internet of Things”， http://ec. europa. eu/yourvoice/ipm/forms/dispatch?form=IOTconsultation， Nov. 2008.
[4] CALDERBANK R， PAULRAJ A， POOR H V， et al. MIMO wireless communication[M]. Cambridge， U.K.: Cambridge Univ. Press， 2007.
[5] SENDONARIS A， ERKIP E， AAZHANG B. User cooperation diversity. Part II. Implementation aspects and performance analysis[J]. IEEE Transaction on Communications， Nov. 2003， 51(11)：1939-1948.
[6] CUI Shuguang， GOLDSMITH A J， BAHAI A. Energy-efficiency of MIMO and cooperative MIMO techniques in sensor networks[J]. IEEE Journal on Selected Areas in Communications， 2004，22(6)：1089-1098.
[7] LI H， ZHAO Q. Distributed modulation for cooperative wireless communications： A description of four schemes[J]. IEEE Signal Processing Magazine， 2006，23：30-36.
[8] YANG J， WERNER J J， GUY A. The multimodulus blind equalization and its generalazed algorithms[J]. IEEE Transactions Journal on Selected Areas in Communications， 2002，20(5)：997-1015.
[9] L AZARO M，  SANTAMAR A I， V A J， et al. Blind equalization using the IRWLS formulation of the support vector machine[J]. Signal Processing， 2009(89)：1436-1445.
[10] ERDOGAN A T. A fractionally spaced blind equalization algorithm with global convergence[J]. Signal Processing， 2008(1)：200-209.
[11] SAYED A H. Fundamentals of adaptive filtering[M]. New York： John Wiley & Sons， 2003.