安 娜， 雷思琛

(1.陕西科技大学镐京学院，陕西 西安 712046;2.西安理工大学自动化与信息工程学院，陕西 西安 710048)

1 引言

伴随网络技术的进步，智能家居的网络拓扑与数据规模越来越庞大，已经突破传统意义上的概念，并衍生出更多功能与服务[1]。现代智能家居网络的节点存在通信协议差异[2]，并非标准的WSN网络。网络中的各种设备通过ISM频段进行指令信号传输，网络环境和家居环境复杂多变，很容易发生多径传输与指令干扰等情况[3]。现实应用需要实现一定规模的数据传输能力，并对指令信号做出及时响应。但在很多场合下，智能家居网络由于缺乏统一的调度管理，指令信号传输很可能遭遇冲突与重传，严重甚至会导致指令失效。文献[4]设计了适用于智能家居网络的CS-TDMA机制。该方案在访问控制过程中，注重事件响应和吞吐性能，缺乏对指令干扰的本质考虑。文献[5]针对多径问题设计了滤波器，并通过扩频通信优化谱特征。该方法主要针对信道模型均衡的优化，虽然也考虑了多径干扰，但是缺乏噪声和源信号的分离。文献[6]设计了均衡器来消除多址干扰，并采取扩频方式实现信号调制。该方法在WSN通信测试中获得了良好的系统均衡性与误码率，但是没有在智能家居非典型WSN网络场景下进行过性能测试。目前很多关于指令传输干扰抑制的方法都是基于WSN应用[7]，真正针对于智能家居的寥寥无几。实际应用场合中，智能家居网络与WSN网络存在差异，所以，本文针对智能家居网络，提出并设计基于扩频通信的指令干扰抑制方法。首先构建指令信道模型，通过模型分析可以获取指令传输时网络的IO参数，有利于信道均衡与多径串扰的控制。然后构建源信号反推模型，利用球化正交迭代估测出混合信号组成，最后通过扩频技术，设计滤波器和位判决器来实现多址干扰的过滤，从而改善智能家居通信性能，减少误码率和丢包率。

2 指令信道模型

根据指令信道模型，能够更好的掌握网络信号IO特征。对于智能家居网络而言，它是一个复杂的MIMO系统，受带宽和距离的限制，信道会产生时空变化，形成多径传输情况。智能家居网络信号传输时，由于时延的差异，参与信号处理的节点阵列会存在相应差异。假定网络中任意节点包含的阵元数量为N，N为偶数，且形成的径向距离是l。则在多径传输的情况下，智能家居网络的指令信号接收模型描述如下

(1)

(2)

其中si(t)为多径产生的传输损耗；T为线性调频周期。对于多径输入分量i，其反转冲击响应描述如下

(3)

其中M表示多径输入的分量总数。在智能家居网络通信过程中，指令传输在对信道采取适应性处理时会产生相应的时间延迟，于是其信道模型可以描述如下

(4)

f表示调制频率；sm(t)与dm(t)分别表示在路径m中的损耗与时延。多径传输时，因为在每条路径上消耗的时间与能量都存在区别，所以一定会存在串扰与衰减。对于任意的脉冲信号，在经过多径传输后，其载频分量可以描述如下

c(j)=cai(j)di(j)+n(j)

(5)

di(j)表示路径i上的时延；cai(j)表示时延di(j)对应的脉冲载波；n(j)表示串扰。

接收节点在接收到指令信号后采取解码操作，从而确定传输指令。此过程对应的输出冲击响应描述如下

y(t)=x(t)ej2πft

(6)

由于指令信号符合直达波分布，因此利用输出响应可以对指令特征进行推导。为了更好的区分频谱特征，引入分辨因子，得到指令特征分布如下

(7)

q即为分辨因子；Fy(·)是指令频谱特征。通过频谱特征分解，可以得到采样输出如下：

(8)

δ2为输出统计的峰值。通过前述指令传输信道模型，可以计算得到任何智能家居网络中发射节点与接收节点的多径参数、指令传输衰减，以及指令特征提取，从而有利于多径传输干扰的分析与抑制。

3 源信号反推模型

x(t)=Hs(t)+Z(t)

(9)

s′(t)=Gx(t)

(10)

s′(t)即为s(t)的推测值；G为b×a维的反推矩阵。为了反向估计源信号，在求解反推矩阵G时采取球化正交，该过程包括两个步骤。第一步是球化处理，就是搜索得到某矩阵A，使得x′(t)=Ax(t)所有分量间满足σ=1，同时保持非关联。基于自然梯度，矩阵A的搜索更新如下

A(k+1)=A(k)-Lk[x′(t)x′(t)T-I]A(k)

(11)

Lk代表搜索步长；I代表单位矩阵。

第二步是正交处理，就是搜索得出某正交矩阵B，使得s′(t)=Bx′(t)所有分量间满足σ2=1。同时保持非关联。基于最大化准则，矩阵B的搜索计算描述为

B(k+1)=B(k)-Lk[f′(s′(k))s′(k)T-

s′(k)f′(s(k))]A(k)

(12)

通过球化正交迭代计算不断更新矩阵A和B，同时根据G=AB更新反推矩阵。

4 基于扩频通信的指令干扰抑制

当智能家居网络的信道存在波动，且这种波动较为缓慢时，多径传输的n组指令信号可视作2n-1组同步信号。此时基于扩频技术的接收信号可描述如下

(13)

ui(t)表示接收第i组指令信号的幅值；di(t)表示位数；SPi(t)表示扩频码。根据期望信号的关联性设计指令信号匹配滤波器如下

(14)

(15)

(16)

判决误差对应的协方差计算如下

α=E{(d′-d)(d′-d)W}

(17)

(18)

智能家居网络通信的指令信号在传输过程中，主要受信道噪声和互关联干扰，通过反推和扩频技术处理后，能够对接收信号中的关联成分和噪声成分进行有效提取抑制，并优化比特决策误差。

5 仿真与结果分析

基于MATLAB2014平台搭建智能家居网络系统，验证通信指令干扰抑制方法的性能。仿真环境参数配置如表1所示。本文在实现扩频通信时，采用QPSK调制，扩频比为16。

表1 实验参数给定

图1为实验模型对应的指令输入信号。针对指令输入信号，采用本文所提的信道模型与扩频通信，过滤采样源信号中的噪声，提取指令频谱特征，得到图2所示的调制输出波形。可以看出，频率在410Hz与705Hz附近时，调制输出出现了显著幅度峰值，其余频率幅度值很小。这表明经过扩频之后，获得了更好的频谱分辨效果。

图1 指令信号

图2 调制输出波形

在智能家居网络中，输入信号由于存在复杂的指令干扰，使得系统调度分配产生混乱。合理有效的指令干扰抑制方法会改善信号间的耦合性，增强信号的辨识效果。为了测试方法在指令干扰抑制时对系统均衡效果的影响，通过仿真得到信号星座图，利用信号星座图来描述通信信道的均衡性。同时，采用文献[6]方法作为对比，结果如图3所示。

图3 信道均衡效果对比

从图1可以看出，文献[6]方法已经能够较好的分离信号，星座图中呈现较为明显的信号簇。经过(2)与(1)图的对比可以发现，本文方法的星座图更加清晰且集中，不存在信号间的纠缠，输入信号能够被有效分离，独立传输，信道均衡效果得到明显提升。均衡效果的改变也说明了方法对多径与码间干扰的有效抑制，增强了信号的分辨能力。

指令干扰会导致接收节点丢包，为了衡量基于扩频通信的指令干扰抑制方法性能，采用丢包率(PDR)进行性能评价。PDR表示未通过校验的报文与总报文的比值，据此关系可知，PDR值越小，表示方法的抗干扰效果越好。

仿真过程中，通过引入持续攻击来模拟指令干扰，得到PDR曲线如图4所示。0～80s和260～350s两个时间段不存在干扰，可以看出两种方法的PDR值均低于5%，且相差较小。80～260s之间加入持续攻击，由于指令干扰的增强，使得文献[6]方法的PDR受到严重影响，上升至37%左右，而本文方法上升至15%左右，虽然较之前上升了约11%，但是仍然表现出良好的抗干扰性能。

图4 PDR曲线对比

通过控制信噪比，模拟不同程度指令干扰情况下的误码率(BER)，BER描述的是信号错误比特数的占比，BER越小，表示信号接收发生错误越少。仿真得到BER曲线如图5所示。对比可以发现，任意信噪比情况下，本文方法的BER值更小。且在信噪比增加过程中，本文方法的BER值下降速度更快。说明较文献[6]方法指令的抗干扰性能得到明显提升。

图5 BER曲线对比

6 结束语

针对智能家居通信系统存在的指令干扰问题，本文建立指令传输信道模型，计算得到发射节点与接收节点的指令传输衰减特征，有利于多径传输干扰的分析与抑制。针对节点接收到的混合信号，通过反推模型估测源信号。引入扩频技术建立接收信号模型，并设计匹配滤波器过滤信道噪声和互关联干扰。仿真结果表明，优化后的信道模型能够对接收信号中的源信号进行准确分离，引入扩频通信技术后有效抑制智能家居通信中的指令干扰，并且提高通信系统的均衡能力。