专利名称：一种数据合并方法和装置的利记博彩app
技术领域：
本发明涉及通信技术，特别涉及到一种数据合并方法和数据合并装置。
背景技术：
通常，通信系统可以通过数据重传机制保证通信的可靠性。具体而言，在自动重传 请求(ARQ)机制下，接收端在接收到一个数据包之后，可以通过检测译码过程可以恢复出 由发送端发送的数据包，但如果恢复出来的数据包与发送端发送的原始数据包相比发生错 误的数量(以下简称误码率)超过了系统的要求，则接收端将恢复出来的数据包进行保存 并通过反馈信道请求发送端重新发送原始数据包。当接收端接收到发送端重传的数据包 后，将首先对重传的数据包进行单独的检测译码过程，如果恢复出来的数据包的误码率满 足系统的要求，则直接接收该数据包；而如果恢复出来的数据包的误码率仍然超过系统的 要求，则接收端将把两个接收的数据包进行合并，然后再进行检测译码过程。更进一步，如 果合并后数据包的误码率仍超过了系统的要求，接收端将再次要求发送端重传数据包，直 到接收端恢复出来的数据包的误码率满足系统的要求或者已达到最大的重传次数为止。从 概率上讲，两个或两个以上接收的数据包中同一个数据在多次传输中都发生错误的概率是 比较小的，因此，将两个或两个以上的数据包合并后再进行检测译码，恢复出数据包误码率 应该是变小的，也即，通过数据的重传过程可以大大提高通信的可靠性。已知采用不同的数 据合并算法合并后数据包经过检测译码后的误码率会不同，因此，如何进行数据包的合并 是数据重传的关键技术之一。
发明内容
本发明提供了 一种数据合并方法和数据合并装置，使得合并后数据包具有更低的 误码率。本发明的实施例数据合并方法包括根据发送端所使用的调制方式，列举所有可 能的判决结果，并将每个判决结果作为一个候选子集；对至少两个接收到的数据包分别计 算每个数据包针对所有候选子集的信念区间，分别针对每个候选子集，对所述至少两个接 收到的数据包对应的至少两个信念区间进行合并，得到合并后的每个候选子集对应的信念 区间，并将每个候选子集对应的信念区间的两个端点值进行合并，得到每个候选子集的信 念值；以及对每个候选子集的信念值进行修正，得到调制星座集合中每个星座点的判决统 计量，并选择调制星座集合中对应最大的判决统计量的星座点作为最终的判决结果。其中，列举所有可能的判决结果，并将每个判决结果作为一个候选子集包括在发 送端所使用的调制方式对应的星座集合中，将由每个星座点单独组成的集合所构成的子集 作为第ι个候选子集，将由相邻的两个星座点组成的集合所构成的子集作为第2个候选子
集，将由相邻的三个星座点组成的集合所构成的子集作为第3个候选子集，......，将由相
邻的M-I个星座点组成的集合所构成的子集作为第M-I个候选子集，其中，M表示调制星座 集合中星座点的个数。
对至少两个接收到的数据包分别计算每个数据包针对所有候选子集的信念区间 包括对所述至少两个接收到的数据包分别计算每个数据包针对所有候选子集的基本可信 度分配；以及根据每个数据包针对所有候选子集的基本可信度分配计算每个数据包针对所 有候选子集的信任函数和似真函数，得到每个数据包针对所有候选子集的信念区间。对所述至少两个接收到的数据包分别计算每个数据包针对所有候选子集的基本 可信度分配包括采用如下的公式对N个接收到的数据包分别计算每个数据包针对所有候 选子集的基本信用度分配
V Si Ri-Vi-hr^^f =——-p-1-, = 1,2,...,Ρ·, = \,2,..·,Κ,
T=I
W(^lri) = IjT = 1,2,...,Μ; \< P
T=I Sr其中，N为大于或等于2的自然数；K为每个数据包包含的符号数；接收端收到 的每个符号可以表示为A = hiS+ni; i = 1，2，. . .，K，、表示数据包在第i次传输过程 中信道衰落系数，η,是服从均值为0，方差为σ 2的加性高斯白噪声；P决定了候选子集 St中最多包含P个相邻的星座点；N(St)表示包含T个相邻星座点的子集St的个数。
R1 =ΣΣ\^-hr ■ ^TlI2是归一化系数。
T=I Sr 计算每个数据包针对所有候选子集的信任函数和似真函数，得到每个数据包针对 所有候选子集的信念区间包括根据如下公式计算针对第i个数据包中每个候选子集St的
信任函数值Σ _知1 )’/=1，2”"，义;根据如下公式计算针对第土个
Sy CiS* γ
数据包中每个候选子集sT的似真函数值=ptoOsTk)= Σ M k_y=i，2’…’火，
得到针对第i个数据包中每个候选子集St的信念区间为[Bel(ST|ri)，Pla(ST|ri)]。对所述至少两个接收到的数据包对应的至少两个信念区间进行合并包括对应每 个候选子集，将N个接收到的数据包将对应的N个信念区间的左端点进行合并，使得合并后 信念区间的左端点值是所有N个信念区间左端点值的最大值；对应每个候选子集，将N个接 收到的数据包将对应的N个信念区间的右端点进行合并，使得合并后得到的信念区间的右 端点值是所有N个信念区间右端点值的最小值。将每个候选子集对应的信念区间的两个端点值进行合并，得到每个候选子集 的信念值包括根据如下公式将每个候选子集对应的信念区间的两个端点值进行合并
Bel Pla(Sr) =——Bel(SY)Pla{SY)——Y = 1,2，.·.,尸其中 Bel pla(sT)为每个 _ γ (I-Bel(Sr))(l-Pla(Sr))" ^ "P T yj^ '
5候选子集St的信念值。对每个候选子集的信念值进行修正，得到调制星座集合中每个星座点的判决统计 量包括根据如下公式计算每个星座点的判决统计量
sα ∈R;α = 1,2,...,Μ.本发明实施例提供的数据合并装置包括候选子集生成单元，用于根据发送端所使用的调制方式，列举出所有可能的判决 结果，并将每个判决结果作为一个候选子集；信念区间确定单元，用于对至少两个接收到的数据包分别计算每个数据包针对所 有候选子集的信念区间，并分别针对每个候选子集，对所述至少两个接收到的数据包对应 的至少两个信念区间进行合并，得到合并后的每个候选子集对应的信念区间；判决统计量确定单元，用于将每个候选子集对应的信念区间的两个端点值进行合 并，得到每个候选子集的信念值，并对每个候选子集的信念值进行修正，得到调制星座集合 中的每个星座点的判决统计量；以及判决单元，用于根据判决统计量进行判决，选择调制星座集合中对应最大的判决 统计量的星座点作为最终的判决结果。本发明提出的数据合并方法以及数据合并装置基于DS理论，考虑了不确定性因 素的影响，能够描述更多的不确定性的判决，并能够通过合并规则逐渐减小不确定性的影 响，因此，与现有数据合并方法相比具有更低的误码率，可以大大提高数据合并算法的性 能。
下面将通过参照附图详细描述本发明的示例性实施例，使本领域的普通技术人员 更清楚本发明的上述及其它特征和优点，附图中图1为本发明实施例所述的数据合并方法的流程图；图2显示了 8PSK调制方式对应的星座图；图3为本发明实施例所述的数据合并装置的内部结构示意图；图4为在8PSK调制方式下本发明实施例所提出的基于DS理论的数据合并算法和 现有数据合并算法的性能比较示意图。
具体实施例方式现有的数据合并算法包括选择合并(SC，Selection Combining)，等增益合并 (EGC,Equal-Gain Combining)以及最大比(MRC，Maximal-Ratio Combining)合并等等。下 面将以两个数据包的合并为例，简单介绍这几种传统的数据合并算法。选择合并是指接收端从接收到的两个数据包中选择一个误码率较小的数据包作 为合并结果输出。由于这种合并算法只是在两个接收的数据包中选择一个误码率较小的数据包作为合并结果而没有充分利用两个数据包，因此合并的性能非常有限。等增益合并是指对接收到的两个数据包采用相同的系数加权后相加，其结果作为 合并结果输出。这种合并算法虽然在合并过程中利用了两个数据包，但是对两个数据包采 用了相同的加权系数，也即并没有区别对待。由于在时变信道条件下，前后两次接收到的数 据包的信噪比可能差别较大，因此这种对两个数据包采用相同的加权系数的合并方法就大 大限制了合并算法的性能。最大比合并算法可以根据信道条件的不同，对两次接收到的数据包采用对应相应 信道条件的不同加权系数加权，然后相加，使合并后的数据具有最大输出信噪比。这种合并 算法由于比较充分了利用了两个数据包，因此具有较好的性能。以上三种数据合并算法都是基于传统贝叶斯(Bayes)理论的算法。基于Bayes理 论，如果我们相信一个命题为真的程度为s，那么我们就必须以1-s的程度去相信该命题的 反命题为真。然而，这种假设在许多情况下这是不合理的。举例来说，对“地球之外存在着 生命”和“地球之外没有生命”这一对命题来说，在目前科技水平或目前所拥有的知识结构 (证据)下，我们既不能相信前者，也不敢相信后者，即我们对前者的信度很小，对后者的信 度也很小，是以两者之和根本不可能为1。也就是说，在这种情况下，Bayes理论的假设并不 合理。基于这种情况，证据理论应运而生。证据理论是由A.P.DempSter首先提出的，并由 他的学生G. Shafer进一步发展起来的一种处理不确定性知识的理论，证据理论简称为DS 理论，DS理论是传统Bayes理论的扩展。在DS理论中，对没有足够的知识或证据给一个命 题赋真值时，DS理论通常会引入一个“未知态”或“组合态”来表征不确定的判决，虽然没有 明确给出判决的结果，但是DS理论相信这要比给出错误的判决结果更可靠，因为DS理论还 可以通过对多个证据源数据的合并来消除不确定性的影响，最终给出可靠的判决结果。基于上述理论研究结果，本发明给出了一种基于DS理论的数据合并方法。为了更 好的说明本发明的方法，在详细说明本发明的数据合并方法之前，首先介绍DS理论的数学 模型并给出DS理论中几个概念的定义。假设给出一个判决问题，对于该判决问题应用已有的知识将获得的所有可能的结 果用一个集合Ω表示，如此，我们所关心的任意一个命题都可以对应Ω的一个子集，在这 种情况下，将Ω称为一个识别框架。将命题和各个子集对应起来，就可以把比较抽象的逻 辑概念转化为比较直观的集论的概念。而事实上，任何两个命题的析取、合并和蕴含都分别 对应于这两个命题对应的集合的并、交和包含，任何一个命题的反命题还可以对应于该命 题对应集合的补。如此，假设Ω是一个有限集，且所有在Ω内的元素间是互不相容的，则 Ω的一切子集，即Ω的幂集记为2Ω，函数m是从幂集W，l]上的函数，即πι:2Ω—
当满足如下公式(1)所示的条件时 称m为基本可信度分配(BPA，Basic Probability Assignment)。对于识别框架Ω 的任意子集表示基于给定条件下对命题A本身的信度的大小。另外，当m(A) >0时，则称A为函数m的焦元集合(FES，Focal Element Set)。上述公式(1)所示的条件一方面反映了对于空集(空命题)不产生任何信度；另一方面也反映了虽然可以给一个 命题赋予任意大小的信度值，但要求给所有命题赋的信度值的和等于1，即总信度为1。对于给定的基本可信度分配m，可以通过如下的公式(2)和(3)分别定义其所对应 的信任函数Bel和似真函数Pla 其中，信任函数和似真函数是从另一个侧面对信度的描述。基本可信度分配m实 际上是定义在2Ω上的概率，它反映了人们的信念的不确定性程度；而信任函数Bel (A)表示 分配到A上的总信度，它综合了 A的所有前提本身的信度，所以是支持A的信念的最小值； 似真函数Pla(A)是所有与A相容的命题本身的信度之和，是支持A的信念的最大值。这样， [Bel(A), Pla(A)]就自然形成了对A的信念区间。注意到基本可信度分配m是在Ω的一 切子集上的概率，如果m只在Ω的单点集上有正值，则m就与Bayes理论中的概率一样，而 基于DS理论m又可以在非单点集上赋值，因此，在这个意义上m是推广了概率的概念，可以 描述更多的不确定的状态。本发明所提出的数据合并方法就是在DS理论的指导下，首先对每次接收的数据 包计算识别框架任意子集相应的基本可信度分配，信任度和似真度等信息；然后，根据DS 组合规则将多个数据包进行合并，得出判决统计量；最后，依据算法中的判决规则完成最后 判决。下面将结合附图详细描述本发明实施例所提出的数据合并方法。图1为本发明的 实施例所述的数据合并方法的流程图。如图1所示，该数据合并方法主要包括如下步骤步骤101 根据发送端所使用的调制方式，列举所有可能的判决结果，并将每个判 决结果作为一个候选子集。通常情况下，一种调制方式对应一个调制星座集合，并对应一个星座图。假设通信 系统采用的调制星座集合为沢=P1, ，...,~},其中，M表示调制星座集合中星座点的个 数。从调制星座集合识对应的星座图中，将由每个星座点单独组成的集合所构成的子集作 为第1个子集S1,将由相邻的两个星座点组成的集合所构成的子集作为第2个子集S2,将由
相邻的三个星座点组成的集合所构成的子集作为第3个子集S3,......，将由相邻的M-I个
星座点组成的集合所构成的子集作为第M-I个子集SM_lt)所有取到的子集S1, S2，......Ssh，
对应所有可能的判决结果，也就是发送符号可能包含在子集S1中，或子集S2中……等 等，因此，以下将所有可能的判决结果对应的子集S1, S2,……Ssh分别作为一个候选子集。下面以8PSK调制方式为例，说明如何得到各个候选子集。图2显示了 8PSK调制 方式对应的星座图。此时，每个星座点的子集为S1 = IsJ，{s2}，{s3}，{s4}，{s5}，{s6}，{s7}，{s8}；相 邻 2 个星座点对应的子集为 S2 = Is1, s2}，{s2, S3I, {s3, s4}，{s4, s5}，{s5, s6}，{s6, s7}，{s7, S8I，{s8, S1I ；相邻 3 个星座点对应的子集为 S3 = Is1, s2, S3I，{s2, s3, S4I，{s3, s4, s5}，{s4, s5, S6I, {s5, s6, S7I, {s6, s7, S8I, {s7, Sg, S1I, {s8, S1, S2I ；.......如此,得至Ij相邻 4 个星座
8点对应的子集S4,直至得到相邻M-I个星座点对应的子集SM_lt)步骤102 对N个接收到的数据包分别计算每个数据包针对所有候选子集的信念 区间，其中，N为大于或等于2的自然数。假设接收端收到N个数据包需要进行合并，则接收端收到的第i个数据包可以表 示为a = hiS+ni; i = 1，2，...，N，其中，s表示发送端发送的数据包屯是独立同分布的随 机变量，表示数据包在第i次传输过程中信道衰落系数；ni是服从均值为0，方差为σ 2的加 性高斯白噪声(AWGN，Additive White Gaussian Noise)。则在本步骤中，分别计算每个数 据包针对所有候选子集的信念区间包括对N个接收到的数据包分别计算每个数据包针对 所有候选子集的基本可信度分配，再根据每个数据包针对所有候选子集的基本可信度分配 计算每个数据包针对所有候选子集的信任函数和似真函数，得到每个数据包针对所有候选 子集的信念区间。在本实施例中，可以首先采用如下的公式⑷对N个接收到的数据包分别计算每 个数据包针对所有候选子集的基本信用度分配，这里采用的是基于距离赋值的方法，即取 接收信号到候选星座点集合的“中点”的距离作为测度，然后再按照公式(5)的约束进行归 一化
Y S
Ri-In-h,- 'eSr ‘ I2
=——-ρ-^-，丫 = 1,2’...，尸;/ = 1,2,...,夂’ (4)
T 二1并且要求满足如下公式(5)
XXm(^Iri) = I,T = 1,2,...,M; \< P < MJ = \,2,·..,Κ (5)
丫=1 St其中，P决定了子集St中最多包含P个相邻的星座点，P值的选取是系统性能和 复杂度折中的一个参数，即P值越大，复杂度越高，性能也越好；P值越小，复杂度越低，性能 也越差。P值可以按照系统对性能和复杂度的要求折中选择。另外，N(St)表示包含T个
相邻星座点的子集St的个数。Ri =玄[Ι η -H1 · Σ树/' I2是归一化系数。
T=I SrT然后，再将基本可信度分配转化为信念区间。其中，针对第i个数据包中每个候选 子集St可以采用如下的公式(6)计算其信任函数值Bel (St)
Bel(SrIrj)= m(Sr\rr),i = 1,2,...,K (6)
S 丫 ^.Sy针对第i个数据包中每个候选子集St可以采用如下的公式(7)计算其似真函数 值 Pla(Sr)
9 如此，可以得到针对第i个数据包中每个候选子集St的信念区间为[Bel (SrIri)， Pla(ST|ri)]，也即相信发送符号包含在候选子集St中的信念的大小在[Bel(SrIri), Pla(SrIri)]这个区间里。步骤103 分别针对每个候选子集，对N个接收到的数据包对应的N个信念区间进 行合并，得到合并后的每个候选子集对应的信念区间。在步骤102中，以第i个数据包为例介绍了第i个数据包针对每个候选子集St的 信念区间的计算方法。按照相同的方法，对应每个候选子集，N个接收到的数据包将对应N 个信念区间。则本步骤可以包括对应每个候选子集，将N个接收到的数据包将对应的N个 信念区间的左端点进行合并，使得合并后信念区间的左端点值是所有N个信念区间左端点 值的最大值；对应每个候选子集，将N个接收到的数据包将对应的N个信念区间的右端点进 行合并，使得合并后得到的信念区间的右端点值是所有N个信念区间右端点值的最小值。 具体可以采用如下公式(8)所示的方法对N个接收到的数据包对应的N个信念区间进行合 并Bel (St) = Sup1 ^ i ^N{Bel (ST | Ti)},Pla(Sr) = InDla(SrIri)L (8)T = 1，2，· · ·，P.其中，[Bel (ST Iri), Pla (ST Iri)]是第i个数据包对应每个候选子集St的信念区 间。对N个接收到的数据包对应的N个信念区间进行合并后，得到合并后的每个候选子集 St对应的信念区间为[861(50^1&(50]，其中彻1(50和卩1&(51)是区间的两个端点值。步骤104 将每个候选子集对应的信念区间的两个端点值Bel (St)和Pla(ST)进 行合并，得到每个候选子集的信念值。在本步骤中，可以按照DS理论中的经典合并方法对每个候选子集对应的信念区 间的两个端点值进行合并，具体而言，可以通过如下的公式(9)计算每个候选子集的信念 值
Bel Pla(Sr) = Bel(Sr)Pla(Sr)_ γ = 12 户() -(l-5e/(^T))(l-/jZa(^r))通过上述公式(9)计算得到每个候选子集St的信念值Bel_pla(ST)，Bel_ Pla(Sr)也可称为间接判据统计量，由于子集St仍然是一个包含有T个相邻星座点的子 集，而最终的判决结果是要判到具体的星座点上，也即要给出发送符号到底是哪个星座点 这一结果，因此，需要对每个候选子集的信念值进行修正。步骤105 对每个候选子集的信念值进行修正，得到调制星座集合中每个星座点 的判决统计量，并根据调制星座集合中每个星座点的判决统计量进行判决，选择调制星座 集合中对应最大的判决统计量的星座点作为最终的判决结果。在本步骤中，可以通过如下的公式(10)计算判决统计量
10 从上述公式(10)可以看出，对应调制星座集合中每个星座点Sa均可以得到一个 判决统计量De(Sa)。并且在判决过程中，选择调制星座集合中对应最大的判决统计量的星
座点作为最终的判决结果，也即找出$ =,即选择#乍为最终判定的发送端
所发送的符号。至此，本实施例所述的数据合并方法完成。本实施例所述的基于DS理论的数据合并方法考虑了不确定性因素的影响，能够 描述更多的不确定性的判决，并能够通过合并规则逐渐减小不确定性的影响，因此，提高数 据合并算法的性能，具有更低的误码率。对应上述数据合并方法，本发明的实施例还提出一种数据合并装置。图3显示了 本发明实施例所提出的数据合并装置的内部结构。如图3所示，该数据合并装置主要包括候选子集生成单元，用于根据发送端所使用的调制方式，列举出所有可能的判决 结果，并将每个判决结果作为一个候选子集；信念区间确定单元，用于对至少两个接收到的数据包分别计算每个数据包针对所 有候选子集的信念区间，并分别针对每个候选子集，对所述至少两个接收到的数据包对应 的至少两个信念区间进行合并，得到合并后的每个候选子集对应的信念区间；判决统计量确定单元，用于将每个候选子集对应的信念区间的两个端点值进行合 并，得到每个候选子集的信念值，并对每个候选子集的信念值进行修正，得到调制星座集合 中的每个星座点的判决统计量；以及判决单元，用于根据判决统计量进行判决，选择调制星座集合中对应最大的判决 统计量的星座点作为最终的判决结果。其中，信念区间确定单元可以通过上述步骤102至103所述的方法计算每个候选 子集对应的信念区间。此外，判决统计量确定单元可以通过上述步骤104至105所述的方法计算调制星 座集合中的每个星座点的判决统计量。下面通过仿真实验对比说明了采用8PSK调制方式下本发明实施例所提出的基于 DS理论的数据合并算法和现有数据合并算法的性能。图4为在8PSK调制方式下本发明实 施例所提出的基于DS理论的数据合并算法和现有数据合并算法的性能比较示意图。图4 中横坐标代表信噪比(SNR，Signal-Noise Ratio)，纵坐标代表误比特率(BER，Bit Error Ratio)。从图4可以看出，本发明实施例所提出的数据合并算法(如图4中带方形的曲线所 示)与现有的选择合并算法(如图4中带星号的曲线所示)、等增益合并算法(如图4中带 圆圈的曲线所示)和最大比合并算法(如图4中带三角的曲线所示)三种合并算法相比， 具有最优的性能。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
1权利要求
一种数据合并方法，其特征在于，包括根据发送端所使用的调制方式，列举所有可能的判决结果，并将每个判决结果作为一个候选子集；对至少两个接收到的数据包分别计算每个数据包针对所有候选子集的信念区间，分别针对每个候选子集，对所述至少两个接收到的数据包对应的至少两个信念区间进行合并，得到合并后的每个候选子集对应的信念区间，并将每个候选子集对应的信念区间的两个端点值进行合并，得到每个候选子集的信念值；以及对每个候选子集的信念值进行修正，得到调制星座集合中每个星座点的判决统计量，并选择调制星座集合中对应最大的判决统计量的星座点作为最终的判决结果。
2.根据权利要求1所述的方法，其特征在于，所述列举所有可能的判决结果，并将每个 判决结果作为一个候选子集包括在发送端所使用的调制方式对应的星座集合中，将由每 个星座点单独组成的集合所构成的子集作为第1个候选子集，将由相邻的两个星座点组成 的集合所构成的子集作为第2个候选子集，将由相邻的三个星座点组成的集合所构成的子集作为第3个候选子集，......，将由相邻的M-I个星座点组成的集合所构成的子集作为第M-I个候选子集，其中，M表示调制星座集合中星座点的个数。
3.根据权利要求1所述的方法，其特征在于，所述对至少两个接收到的数据包分别计 算每个数据包针对所有候选子集的信念区间包括对所述至少两个接收到的数据包分别计算每个数据包针对所有候选子集的基本可信 度分配；以及根据每个数据包针对所有候选子集的基本可信度分配计算每个数据包针对所有候选 子集的信任函数和似真函数，得到每个数据包针对所有候选子集的信念区间。
4.根据权利要求3所述的方法，其特征在于，所述对所述至少两个接收到的数据包分 别计算每个数据包针对所有候选子集的基本可信度分配包括采用如下的公式对N个接收 到的数据包分别计算每个数据包针对所有候选子集的基本信用度分配Y S1=——-p-1-’了 = 1，2，."，尸;/ = 1，2,".,尺，T=Iij]mOSY|c) = l，T = l，2,.",M; l< P < M;i ^ χ.,.,ΚT=I其中，N为大于或等于2的自然数；K为每个数据包包含的符号数；接收端收到的 每个符号可以表示为A = hiS+ni，i = l,2, ...,K, Iii表示数据包在第i次传输过程中 信道衰落系数，Hi是服从均值为0，方差为σ 2的加性高斯白噪声；P决定了候选子集St 中最多包含P个相邻的星座点；N(St)表示包含T个相邻星座点的子集St的个数。Ri=ΣΣι - hi · ι2 是归一化系数。T=I Sr^
5.根据权利要求3所述的方法，其特征在于，所述计算每个数据包针对所有候选子集的信任函数和似真函数，得到每个数据包针对所有候选子集的信念区间包括根据如下公式计算针对第i个数据包中每个候选子集St的信任函数值 根据如下公式计算针对第i个数据包中每个候选子集St的似真函数值 Pla(Sr I^)= m(Sr \ η), = \,2,...,Κ 得到针对第i个数据包中每个候选子集St的信念区间为[Bel(SrIri),Pla(SrIri)I0
6.根据权利要求1所述的方法，其特征在于，所述对所述至少两个接收到的数据包对 应的至少两个信念区间进行合并包括对应每个候选子集，将N个接收到的数据包将对应的N个信念区间的左端点进行合并， 使得合并后信念区间的左端点值是所有N个信念区间左端点值的最大值；对应每个候选子集，将N个接收到的数据包将对应的N个信念区间的右端点进行合并， 使得合并后得到的信念区间的右端点值是所有N个信念区间右端点值的最小值。
7.根据权利要求1所述的方法，其特征在于，所述将每个候选子集对应的信念区间的 两个端点值进行合并，得到每个候选子集的信念值包括根据如下公式将每个候选子集对 应的信念区间的两个端点值进行合并 其中，Bel_pla(ST)为每个候选子集St的信念值。
8.根据权利要求1所述的方法，其特征在于，所述对每个候选子集的信念值进行修正， 得到调制星座集合中每个星座点的判决统计量包括根据如下公式计算每个星座点的判决 统计量 .
9.一种数据合并装置，其特征在于，包括候选子集生成单元，用于根据发送端所使用的调制方式，列举出所有可能的判决结果， 并将每个判决结果作为一个候选子集；信念区间确定单元，用于对至少两个接收到的数据包分别计算每个数据包针对所有候 选子集的信念区间，并分别针对每个候选子集，对所述至少两个接收到的数据包对应的至 少两个信念区间进行合并，得到合并后的每个候选子集对应的信念区间；判决统计量确定单元，用于将每个候选子集对应的信念区间的两个端点值进行合并， 得到每个候选子集的信念值，并对每个候选子集的信念值进行修正，得到调制星座集合中 的每个星座点的判决统计量；以及判决单元，用于根据判决统计量进行判决，选择调制星座集合中对应最大的判决统计 量的星座点作为最终的判决结果。
全文摘要
本发明公开了一种数据合并方法和装置，包括根据发送端所使用的调制方式，列举所有可能的判决结果，并将每个判决结果作为一个候选子集；对至少两个接收到的数据包分别计算每个数据包针对所有候选子集的信念区间，分别针对每个候选子集，对所述至少两个接收到的数据包对应的至少两个信念区间进行合并，得到合并后的每个候选子集对应的信念区间，并将每个候选子集对应的信念区间的两个端点值进行合并，得到每个候选子集的信念值；以及对每个候选子集的信念值进行修正，得到调制星座集合中每个星座点的判决统计量，并选择调制星座集合中对应最大的判决统计量的星座点作为最终的判决结果。通过本发明的方法和装置，合并后的数据包具有更低的误码率。
文档编号H04L1/18GK101924623SQ20101024433
公开日2010年12月22日 申请日期2010年8月3日 优先权日2010年8月3日
发明者吕铁军, 夏金环 申请人:北京邮电大学