CN110830404A - 一种基于矢量线性预测的数字移动前传信号量化方法 - Google Patents

Abstract

本发明公开一种基于矢量线性预测的数字移动前传信号量化方法，将OFDM调制信号进行IFFT得到实部和虚部I/Q两路采样信号，再将其构建成多维矢量集；对输入的多维矢量集进行差分矢量量化，输出由码字‑索引映射序构成的列量化信号；将量化信号进行PAM‑4编码，再经过电光调制变成光信号；将光信号输入单模光纤中传输至射频拉远单元，再经过光电探测和PAM‑4译码后恢复出量化信号；将恢复的量化信号进行索引‑码字映射及差分解调恢复出原始的差分矢量量化信号；将恢复的差分矢量量化信号进行矢量集的解调，恢复出OFDM‑IFFT的I/Q两路采样信号。本发明方法在保证数字移动前传良好性能的前提下，极大的提高了传输信号的频谱效率，丰富了数字移动前传的实现方法。

Description

一种基于矢量线性预测的数字移动前传信号量化方法

技术领域

本发明涉及5G移动通信技术领域，具体为一种基于矢量线性预测的数字移动前传信号量化方法。

背景技术

随着第五代移动通信(5G)的商业化推进,基于宽频带、高速率的5G数据传输将会为物联网、VR/AR等一些新兴的产业提供强有力的支持。云无线接入网(C-RAN)是一种适用于5G的集中化处理信号的网络架构，通过减少基站机房数量，大规模安装价格低廉的简化基站，使传输距离较短的毫米波信号的得以全方位覆盖。数字移动前传可以视为C-RAN接入网架构的移动前传部分的一种信号传输方式，基站机房为实施射频信号集中数字化处理的基带单元池，简化基站实际上是承载射频信号的恢复和发射等任务的射频拉远单元，基带单元池和射频拉远单元之间利用传输数字基带信号的单模光纤连接。如何提高光纤中传输的数字基带信号的频谱效率，一直以来都是数字移动前传网络需要攻克的难题之一。

就目前的研究现状而言，实现数字移动前传的信号量化方法多种多样。传统的信号量化以标量量化为主，PCM作为最原始的模拟信号数字化方法采用均匀或者压缩的标量量化实现过程较为简单。DPCM则是在量化前对信号进行差分处理，极大的优化了PCM的量化性能。此外，矢量量化的方法也开始应用于数字移动前传，基于k-means聚类的传统矢量量化技术相比于标量量化，量化性能更显得优越。

需要指出的是，PCM量化需要的量化比特数较大，导致数字信号的频谱利用率过低；利用DPCM技术进行信号量化虽然改善了PCM技术的频谱利用率，但是仍需要将OFDM信号的I/Q两路信号分量利用时分复用进行传输；而基于k-means聚类的矢量量化技术在信号的动态范围较大时量化性能极大的下降。本发明给出了一种基于矢量线性预测的数字移动前传信号量化方法。

发明内容

针对上述问题，本发明的目的在于提供一种能够在保证数字移动前传良好性能的前提下，极大的提高传输信号的频谱效率，丰富数字移动前传的实现方法的基于矢量线性预测的数字移动前传信号量化方法。技术方案如下：

一种基于矢量线性预测的数字移动前传信号量化方法，包括以下步骤：

步骤1：将OFDM调制信号进行IFFT得到实部和虚部I/Q两路采样信号，再将I/Q两路采样信号构建成一个多维矢量集；

步骤2：利用基于矢量线性预测的差分矢量量化方法对输入的多维矢量集进行差分矢量量化，输出由码字-索引映射序构成的列量化信号；

步骤3：将量化信号进行PAM-4编码，再经过电光调制变成光信号；

步骤4：将光信号输入单模光纤中传输至射频拉远单元，再经过光电探测和PAM-4译码后恢复出量化信号；

步骤5：将恢复的量化信号按照步骤2的逆过程进行索引-码字映射及差分解调恢复出原始的差分矢量量化信号；

步骤6：将恢复的差分矢量量化信号按照步骤1的逆过程进行矢量集的解调，恢复出OFDM-IFFT的I/Q两路采样信号。

进一步的，所述利用基于矢量线性预测的差分矢量量化方法对输入的多维矢量集进行差分矢量量化的具体过程为：

步骤21：设置矢量线性预测的参数，包括训练矢量序列的长度、预测阶数；

步骤22：线下训练过程：截取特定长度的多维矢量集作为训练的样本序列，利用矢量线性预测的方法得到所需的预测系数矩阵和最优码本；

步骤23：线上量化过程：利用得到的预测系数矩阵和最优码本，将多维矢量集信号输入到基于矢量线性预测的差分矢量量化器中，输出的量化信号为最优码本中的各个码字对应的索引编号序列，其中，矢量量化采用基于k-means聚类的算法。

更进一步的，所述步骤22的具体过程为：

步骤1)从所述构建的多维矢量集中截取一定长度为N的多维矢量集作为线下训练序列X＝{s₁,s₂,…,s_N}；

步骤2)通过预测系数矩阵集A＝{A₁,A₂,…,A_p}来定义记忆长度为p的有限记忆矢量线性预测器；A_j为D×D矩阵，j∈[1,p]，p为矢量线性预测器的阶数；D为多维矢量集的维度；

步骤3)对于线上量化，矢量量化器的输入为预测矢量误差表示为：

其中，s_n是输入的多维矢量，

是预测器的输出矢量值；

p阶矢量线性预测器通过前p次时刻的采样观测值s_n-1,s_n-2,…,s_n-p，由下式得到所述输入的多维矢量s_n的预测值

步骤4)定义p阶预测器性能测度J为：

选择使p阶预测器性能测度J最小的预测系数矩阵集A：

定义D×D相关矩阵为

此处i,j∈[1,p]，

分别为D×1,1×D阶矩阵。

根据正交法则，当线性预测器产生的各误差分量与各观测值正交时，有

将式(1)和(2)代入式(3)，得

式中，v∈[1,p]；A_v为步骤2中预测系数矩阵集里对应的第v个子矩阵。

将式(4)写成：

将式(5)通过如下的矩阵方程来表示：

对于式(6)，采用Levinson-Durbin算法求解一般情况下的p阶平稳D维矢量序列最佳线性预测器的系数矩阵集A；

步骤5)采用k-means聚类法对所述长度为N的多维矢量集进行聚类，求得最优码本C；码本的长度由量化比特数决定，量化比特数Qb＝log₂ k，k为k-means的聚类簇数。

本发明的有益效果是：本发明利用矢量量化代替标量量化，极大的提高了数字移动前传链路的频谱效率；利用矢量线性预测技术，将矢量信号进行差分量化处理，减小信号的动态范围，降低信号进行矢量量化的噪声；通过改变矢量信号的维度、矢量预测器的阶数p等参数，使数字移动前传的信号量化变得更加灵活。

附图说明

图1为本发明一种基于矢量线性预测的数字移动前传信号量化方法实现框图。

图2为VLP-VQ框图。

图3为基于矢量线性预测的数字移动前传信号量化原理图。

图4为二维矢量信号量化示意图：(a)VLP-OFDM采样；(b)OFDM采样。

图5为基于矢量线性预测的数字移动前传接收端性能测试图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明提供了一种基于矢量线性预测的数字移动前传信号量化方法，包括如下步骤：

步骤1：将OFDM调制信号进行IFFT得到实部和虚部I/Q两路采样信号，再将I/Q两路采样信号构建成一个多维矢量集。

OFDM调制信号经过IFFT后的实部和虚部分别为I/Q两路各自的采样信号(100)，采样信号可表示为：S＝{s_O1,s_O2,…,s_OL}，其中

L为采样信号长度。信号的采样率f_s可以表示为：f_s＝P_IFFT×ΔP，P_IFFT为IFFT/FFT点数，ΔP为OFDM的子载波间隔。

采样信号S根据矢量的维度D，按照一定的规律构建多维矢量集200，例如，要构建一个维度为4的矢量集，具体的矢量集构建方法如式(1)所示：

步骤2：利用基于矢量线性预测的差分矢量量化方法对输入的多维矢量集进行差分矢量量化，输出由码字-索引映射序构成的列量化信号。

如图2所示为数字移动前传基于矢量线性预测的矢量信号量化(VLP-VQ)300步骤框图。首先，在式(1)中截取一定长度的多维矢量集301进行线下训练，得到所需的预测系数矩阵和最优码本(302)，然后利用得到的预测系数矩阵和最优码本302对多维矢量集进行线上差分量化，得到的差分矢量量化信号303，量化值由最优码本中的码字决定，最后将得到的差分矢量量化信号进行码字-索引编号映射，得到一组范围为1--k的量化信号304。其中，k为k-means的聚类簇数，量化比特Qb＝log₂k，这里用量化比特/采样代替量化比特数，量化比特/采样Qb/Sa＝Qb/D。VLP-VQ的实现过程如图3框图所示，具体推理过程如下：

[1]对于线上量化，矢量量化器的输入为预测矢量误差，可以表示为：

其中，s_n是输入的多维矢量，

是预测器的输出矢量值。

[2]然后，预测矢量误差e_n经过矢量量化器被量化成矢量量化器的量化误差可以表示为：

[3]在接收端，重建的多维矢量集信号可以表示为：

[4]将式(2)和(3)代入式(4)，可得

根据式(5)，输入的多维矢量s_n与重构的多维矢量

的差别，仅是预测矢量误差e_n的量化误差q_n。显然，这种预测矢量量化比直接对多维矢量进行矢量量化的效果要好。

[5]在进行以上的预测矢量量化之前，我们需要根据矢量线性预测的方法求出所需的预测系数矩阵集A和最优码本C，其中A＝{A₁,A₂,…,A_p}，p是矢量线性预测器的阶数，而最优码本C是根据k-means聚类对输入的多维矢量集进行聚类求得。截取一定长度为N的多维矢量集作为线下训练序列X＝{s₁,s₂,…,s_N}，求出所需的A和C。对于矢量线性预测，一个记忆长度为p的有限记忆矢量线性预测器可以通过预测系数矩阵集A来定义，这个p阶预测器通过先前的p个观测值s_n-1,s_n-2,…,s_n-p，由式(6)得到s_n的预测值

式(6)中，A_j为D×D矩阵。

[6]若采用平方误差测度，则该p阶预测器性能测度J可以定义为

对于给定记忆长度为p,如果矢量线性预测器所选择的系数矩阵集A能使J的测度最小，则称该矢量线性预测器是最优的。

[7]为了描述随机矢量序列的统计特性，需要确定矢量过程{s_n}的二阶统计特性。定义D×D相关矩阵如下：

容易证明

[8]根据正交法则，对于形如

的线性预测器，当且仅当它所产生的各误差分量与各观测值正交，它才是最佳的，所以：

[9]将式(2)和(6)代入式(8)，可得：

式(9)也可以写成：

[10]式(10)可以通过如下的矩阵方程来表示：

对于式(11)，可以采用Levinson-Durbin算法求解一般情况下的p阶平稳D维矢量序列最佳线性预测器的系数矩阵集A。

如图4所示，令100MHz-OFDM的P_IFFT为2048，ΔP为60KHz,矢量线性预测器的阶数p为5，矢量维度D为2，Qb/Sa＝4,得到VLP-VQ和k-means两种方法的二维矢量信号量化示意图。显然，用VLP-VQ方法处理过信号动态范围比k-means聚类原始方法的小很多，同时，越靠近量化示意图的中心区域，Voronoi区间划分越小，故在相同的Qb/Sa情况下，利用VLP-VQ方法得到的信号的量化误差比传统的k-means聚类方法要小很多。

步骤3：输出的十进制量化信号304首先转化为二进制比特流，然后进行PAM-4编码400。对于短距离(一般在几十千米范围以内)光纤传输的数字信号，PAM-4信号既能提高频谱效率，同时又能保证传输信号的性能，所以在数字移动前传链路中一般用PAM-4数字信号代替二进制比特流。

步骤4：PAM-4已调信号首先进行电光调制400，然后导入单模光纤中进行光路传输500，在射频拉远单元，通过光电探测器将光信号恢复成PAM-4电信号，然后对PAM-4电信号进行译码、二进制-十进制转换重构量化信号600。

步骤5：根据步骤2生成的码本，将量化信号进行索引-码字映射700恢复出差分矢量量化信号，然后根据步骤2生成的预测系数矩阵和最优码本，将差分矢量量化信号还原成多维矢量集的量化信号，具体过程如图3以及步骤2所示。

步骤6：根据步骤1的反变换，进行多维矢量集的解调800，重构I/Q两路采样信号的量化信号，此信号即为恢复的OFDM-IFFT采样点的量化值。

为了验证此方法的优越性，在P_IFFT为2048，ΔP为60KHz，维度D为2，预测阶数为5的情况下，我们分别将此方法和基于k-means聚类的矢量量化方法，基于PCM的标量量化方法在25km标准单模光纤、10Gbaud/λ的IM/DD系统中进行并对比。在无差错传输的情况下，图5给出了100MHz-OFDM 4QAM、16QAM、64QAM、256QAM对应Qb/Sa分别为3、4、5、6的条件下，所采样的三种方法进行信号量化的接收端误差向量幅度(EVM)测试结果。显然，PCM进行量化得到的EVM结果最差；基于k-means聚类算法的矢量量化在相同的量化比特下比基于PCM的方法的EVM值减小很多；而利用基于矢量线性预测的方法进行矢量量化(VLP-VQ)，EVM值比基于k-means聚类的方法又减小很多。比如，在为4的情况下，基于PCM、k-means、VLP-VQ三种方法所测得的EVM值分别是12.21％、7.96％、6.43％，显然，基于VLP-VQ的方法效果更好。而且，当预测阶数p增大时，接收端所测得的EVM值将会减小。

Claims (3)

1.一种基于矢量线性预测的数字移动前传信号量化方法，其特征在于，包括以下步骤：

步骤1：将OFDM调制信号进行IFFT得到实部和虚部I/Q两路采样信号，再将I/Q两路采样信号构建成一个多维矢量集；

步骤2：利用基于矢量线性预测的差分矢量量化方法对输入的多维矢量集进行差分矢量量化，输出由码字-索引映射序构成的列量化信号；

步骤3：将量化信号进行PAM-4编码，再经过电光调制变成光信号；

步骤4：将光信号输入单模光纤中传输至射频拉远单元，再经过光电探测和PAM-4译码后恢复出量化信号；

步骤5：将恢复的量化信号按照步骤2的逆过程进行索引-码字映射及差分解调恢复出原始的差分矢量量化信号；

步骤6：将恢复的差分矢量量化信号按照步骤1的逆过程进行矢量集的解调，恢复出OFDM-IFFT的I/Q两路采样信号。

2.根据权利要求1所述的基于矢量线性预测的数字移动前传信号量化方法，其特征在于，所述利用基于矢量线性预测的差分矢量量化方法对输入的多维矢量集进行差分矢量量化的具体过程为：

步骤21：设置矢量线性预测的参数，包括训练矢量序列的长度、预测阶数；

步骤22：线下训练过程：截取特定长度的多维矢量集作为训练的样本序列，利用矢量线性预测的方法得到所需的预测系数矩阵和最优码本；

步骤23：线上量化过程：利用得到的预测系数矩阵和最优码本，将多维矢量集信号输入到基于矢量线性预测的差分矢量量化器中，输出的量化信号为最优码本中的各个码字对应的索引编号序列，其中，矢量量化采用基于k-means聚类的算法。

3.根据权利要求2所述的基于矢量线性预测的数字移动前传信号量化方法，其特征在于，所述步骤22的具体过程为：

步骤1)从所述构建的多维矢量集中截取一定长度为N的多维矢量集作为线下训练序列X＝{s₁,s₂,…,s_N}；

步骤2)通过预测系数矩阵集A＝{A₁,A₂,…,A_p}来定义记忆长度为p的有限记忆矢量线性预测器；A_j为D×D矩阵，j∈[1,p]，p为矢量线性预测器的阶数；D为多维矢量集的维度；

步骤3)对于线上量化，矢量量化器的输入为预测矢量误差表示为：

其中，s_n是输入的多维矢量，是预测器的输出矢量值；

p阶矢量线性预测器通过前p次时刻的采样观测值s_n-1,s_n-2,…,s_n-p，由下式得到所述输入的多维矢量s_n的预测值

步骤4)定义p阶预测器性能测度J为：

选择使p阶预测器性能测度J最小的预测系数矩阵集A：

定义D×D相关矩阵为

此处i,j∈[1,p]，s_n-i,

分别为D×1,1×D维向量；

根据正交法则，当线性预测器产生的各误差分量与各观测值正交时，有

将式(1)和(2)代入式(3)，得

式中，v∈[1,p]；A_v为步骤2中预测系数矩阵集里对应的第v个子矩阵；

将式(4)写成：

将式(5)通过如下的矩阵方程来表示：

对于式(6)，采用Levinson-Durbin算法求解一般情况下的p阶平稳D维矢量序列最佳线性预测器的系数矩阵集A；

步骤5)采用k-means聚类法对所述长度为N的多维矢量集进行聚类，求得最优码本C；码本的长度由量化比特数决定，量化比特数Qb＝log₂k，k为k-means的聚类簇数。

Images