上行信道

上行信道（精选六篇）

上行信道 篇1

信道估计是无线传输系统进行解调、均衡和检测的基础。长期演进(Long Term Evolution,LTE)技术的出现,为信道估计技术提供了新的应用空间。从3GPP协议中可知,因为单载波频分多址接入(Single Carrier Frequency Division Multiple Access,SC-FDMA)技术拥有较低的PAPR,发射功率较低,可以降低终端设备的成本,基于这些考虑LTE上行系统采用了SC-FDMA多址接入技术。因此基于SC-FDMA系统的信道估计的研究具有重要意义[1]。

在LTE系统中基于参考信号的信道估计方法应用广泛[2]。该方法是指在发送的数据子帧中插入参考信号,接收端先估计出参考信号位置的信道信息,再通过插值或滤波等处理手段得到所有位置的信道响应。目前基于参考信号的信道估计方法有最小均方误差(Minimum Mean Square Error,MMSE)法和最小二乘(Least Square,LS)法等。MMSE法能够很好地抑制高斯白噪声,并充分利用了信道自相关矩阵,性能要优于LS算法性能。但是它最大的缺点在于复杂度太高,运算量大,而且在计算的过程中需要已知信道的统计特性,比如信道相关性等,但是信道的特性在实际应用过程中不能或者很难得到。LS法不需要知道信道的统计特性,易于实现,但其在低信噪比下效果较差,难以满足系统对精度的要求。现在比较常用的估计方法是基于DFT的信道估计方法,该方法可以无需知道信道的统计特性,而且能有效地抑制白噪声的影响,但是在非采样间隔信道中,该方法在高信噪比的情况下会产生地板效应,影响估计效果[3]。

因此,本文提出了一种基于DFT的改进的信道估计方法,降低高信噪比下的地板效应,并将其与小波变换方法相结合,双重抑制高斯白噪声,提高了信道估计在高信噪比和低信噪比下的精度。经过理论分析和仿真后得出本文提出的信道估计新方法的性能较传统的基于DFT估计方法有很大提升。

1系统模型

1.1 信道模型

在LTE上行系统中,SC-FDMA符号是通过频域实现方法(DFT-S-OFDMA)得到的,映射方式为集中式的子载波映射,系统模型如图1所示。二进制比特流经过QAM调制、串/并转换后经过DFT变换到频域,与参考信号一起进行子载波的资源映射,物理资源映射完后,经IFFT变换到时域,添加循环前缀,最后生成SC-FDMA符号xg(n),发送到无线信道上[4,5]。接收端将接收到的信号进行去循环前缀、FFT后,经过解资源映射得到数据符号和参考信号符号,做完信道估计和均衡后得到解析出的数据符号,然后进行IDFT和解调制,得到最终的二进制输出流。

假设仿真信道是多径衰落信道,冲激响应h(n)如式(1)所示。

$\begin{array}{l}h(n)={\displaystyle \sum _{i=0}^{r-1}h}{}_i\exp \left(\text{j}\frac{2\text{π}}{{\rm N}}f{}_{\text{D}i}n{\rm T}\right)\delta (\tau -\tau {}_i{\rm T}{}_{\text{s}}),\\ 0\le n\le {\rm N}-1(1)\end{array}$

式中:r是信道的径数;hi,fDi,τiTs分别表示第i径信道上的信道响应幅度、多普勒频移大小以及时延。这里0=τ0<τ1<…<τr-1=τmax。如果∀r=0,1,…,r-1,τi都是整数时,就把该信道称为采样间隔信道,反之,就称为非采样间隔信道。

则经过信道后,在接收端得到时域信号为:

$y{}_{\text{g}}(n)=x{}_{\text{g}}(n)⨂h(n)+w(n)(2)$

这里w(n)表示为信道中的高斯白噪声。对yg(n)去掉循环前缀得到的y(n)进行IFFT后得到频域信号Y(k)为:

$Y(k)=X(k){\rm H}(k)+W(k),0\le k\le {\rm N}-1(3)$

这里H(k)即为信道在第k个子载波上的频域响应,w(n)经FFT后得到W(k)。信道估计的结果就是要从接收到的参考信号中估计出H(k)。

1.2 导频模型

图2给出了上行子帧在常规循环前缀和PUCCH格式1情况下的映射图。由图可以看出,LTE上行数据共享信道和控制信道的参考信号都连续、集中地分布在所在的SC-FDMA符号的子载波上,这样的话就不需要额外的在频域进行插值运算[6]。解调用参考信号(Demodulation Reference Signal,DMRS)与PUSCH及PUCCH占用相同的资源块,所以上行系统中主要用DMRS作为信道估计的导频。在本文中,将主要研究PUSCH的信道估计方法。

2基于DFT的信道估计方法

2.1 基本原理

首先,如图1所示Yp(k)为每个参考信号子载波上的频域数据,rsp(k)为本地产生的参考信号,则此参考信号子载波的LS法信道估计值可以表示为:

$\widehat{{\rm H}}{}_{\text{p}}(k)=\frac{Y{}_{\text{p}}(k)}{rs{}_{\text{p}}(k)}+\frac{W{}_{\text{p}}(k)}{rs{}_{\text{p}}(k)}(4)$

通过多径信道和DFT变换的特点可知,如果SC-FDMA符号的循环前缀长度大于多径的最大时延,则信道响应的大多数能量会集中在时域的低阶部分,即前Nmax个样点中。因此可以在变换域选择信道能量有效径和忽略无效径的方法来提高信道估计的性能。具体算法如下[7]:

首先,将上面得到的参考信号子载波上的信道频域响应$\widehat{{\rm H}}$p(k)通过Np点的IDFT变换到时域。

$\begin{array}{l}\widehat{h}(n)=\text{Ι}\text{D}\text{F}\text{Τ}(\widehat{{\rm H}}{}_{\text{p}}(k))=\frac{1}{{\rm N}{}_{\text{p}}}{\displaystyle \sum _{k=0}^{{\rm N}{}_{\text{p}}-1}\widehat{{\rm H}}}{}_{\text{p}}(k)\text{e}{}^{\text{j}2\text{π}nk/{\rm N}{}_{\text{p}}},\\ n=0,1,\cdots ,{\rm N}{}_{\text{p}}-1(5)\end{array}$

然后进行时域低通滤波,在时域加时间窗来滤掉高阶区域的噪声,只保留信道在低阶区域的能量。如果冲激响应的时域上的坐标值大于Nmax,则视为无效径,忽略不计。这样一来在时域内有效抑制了噪声的影响,噪声影响降到了原本的Nmax/N。因此可得:

$\tilde{h}(n)=\{\begin{array}{l}\widehat{h}(n),0\le n\le {\rm N}{}_{\max }-1\\ 0,\text{e}\text{l}\text{s}\text{e}\end{array}(6)$

最后按式(7)对$\tilde{h}$(n)进行DFT,得到参考信号的信道频域估计值$\widetilde{{\rm H}}$p(k)。

$\begin{array}{l}\widetilde{{\rm H}}{}_{\text{p}}(k)=\text{D}\text{F}\text{Τ}(\tilde{h}(n))={\displaystyle \sum _{n=0}^{{\rm N}{}_{\text{p}}-1}\tilde{h}}(n)\text{e}{}^{-\text{j}2\text{π}nk/{\rm N}{}_p},\\ k=0,1,\cdots ,{\rm N}{}_{\text{p}}-1(7)\end{array}$

2.2 信道估计方法存在问题

当信道为非采样间隔信道,采样速率和信道模型如表1所示时,这里选取的资源块数为10,信道响应h(n)的能量分布与采样点的关系如图3所示,此时各径信道的能量都泄露到了相邻的采样点上,不再按式(1)所示主要能量集中在前Nmax个样点上,这样就会造成信道能量的泄漏问题。若直接按式(6)进行时域低通滤波处理,则泄漏到高阶上的有用能量也被滤除掉了,信道能量会有很大的损失,这样的话即便是在更高的信噪比下,信道估计的性能也不会相应的得到提升,于是就出现了地板效应[8]。

由式(4)可以看出每个子载波频域上的信道估计值$\widehat{{\rm H}}$p(k)都叠加了高斯白噪声的影响,即通过LS法算得的信道频域估计值$\widehat{{\rm H}}$p(k)包括两部分:信道的真实响应Hp(k)和由于噪声干扰产生的Wp(k)/rsp(k)。经过公式(6)时域滤波后,虽然噪声成分降到原来的Nmax/N,但是在低信噪比下,$\widehat{{\rm H}}$p(k)中Wp(k)/rsp(k)的值就会变大,因此噪声的影响比例将会增大。此时,估计值$\widehat{{\rm H}}$p(k)和真实值Hp(k)之间会有很大的误差。因此提高低信噪比下的信道估计性能也是需要研究的内容之一。

3信道估计新方法

3.1 改进的基于DFT的信道估计方法

首先为了改善非采样间隔信道中高信噪比下的地板效应,提出了改进的基于DFT的估计算法。

由图3可知,信道冲激响应经过泄漏后,主要能量位于序列的两端, 因此将时域窗函数设置为:

$\tilde{h}(n)=\{\begin{array}{l}\widehat{h}(n),0\le n\le {\rm N}{}_{\max }-1\\ 0,\text{e}\text{l}\text{s}\text{e}\\ \widehat{h}(n),{\rm N}{}_{\max }\le n\le {\rm N}{}_{\text{p}}-1\end{array}(8)$

式中时间窗的截止值Nmax的选取合适与否至关重要,如果选取不恰当,Nmax以外将会有能量的泄漏,从而降低信道估计器的性能。

冲激响应的能量可以由$E={\displaystyle \sum _{n=0}^{{\rm N}-1}\left|\widehat{h}(n)\right|}{}^2$计算得到,设$e{}_n=\left|\widehat{h}(n)\right|{}^2$,则在能量集中的部分,en的值较大,在能量非集中的部分,en的值很小,采样点上的en值较小意味着该点的信道能量对于总的信道能量来说起的作用很小,可以忽略不计,即可以根据实际需求,给出en的阈值来决定Nmax的值。因为能量会泄漏到相邻的采样点上,相邻的信道冲激响应具有相关性,在本文中提出部分加权平均的方法来进行Nmax的选择,即根据$\tilde{e}$n的阈值来选择Nmax的值。

$\tilde{e}{}_n=\frac{e{}_{n-k}+e{}_{n-k+1}+\cdots +e{}_n+\cdots +e{}_{n+k-1}+e{}_{n+k}}{2*k+1}(9)$

式中0≤k≤Np/2-1,在计算过程中,若首次得到$\tilde{e}{}_n\le \partial E$时,则Nmax=n。这里可以根据系统需要的精确度来设置k值和∂值。得到Nmax后,即可得到信道冲激响应$\tilde{h}$(n),将$\tilde{h}$(n)变换回频域,即可得到改进后的基于DFT的参考信号的频域信道估计值。

3.2 最终的信道估计方法

上述改进方法虽能有效地保留有用能量,改善高信噪比下的地板效应问题,但是在低信噪比下,噪声的影响依然很大。基于此,提出了将小波变换与上述提出的改进的基于DFT的估计方法相结合的信道估计方法。

与傅里叶变换相比,小波变换是在时频域上的局部的变换,能有效地提取信号中的有用信息。小波变换在不同尺度上的信号和噪声具有不同特征,因此可以利用小波变换进行信号去噪及重构。如果把包含噪声的信号进行小波变换,则噪声细节信号的系数的幅度和方差都会随着分解尺度的增加而有规律地减小,但是有用的信号的系数不会受到分解尺度的影响[9]。基于此,可以采用阈值去噪法降低噪声影响,即选择一个阈值,利用该阈值对信道估计值进行小波变换后的细节系数和近似系数进行阈值处理,然后进行反变换,最后重构得到去噪处理后的信道估计值。

式(4)中得到的LS的估计值$\widehat{{\rm H}}$p是信道的频域响应值,设$\widehat{{\rm H}}{}_p=c{}_{0,k}$,根据多分辨率分析理论,则可得到$\widehat{{\rm H}}$p离散小波变换公式为:

$\begin{array}{l}c{}_{j,k}={\displaystyle \sum c}{}_{j-1,n}h{}^{*}(n-2k)\\ d{}_{j,k}={\displaystyle \sum c}{}_{j-1,n}g{}^{*}(n-2k)\end{array}(10)$

式中:j=1,2,…,J为分解层数;cj,k是近似小波系数;dj,k是细节小波系数;h(n),g(n)为分析小波滤波器组。分别对cj,k和dj,k进行阈值处理后,得到新的系数dj,k′ 和cj,k′ ,最后$\widehat{{\rm H}}$p的重构公式为:

$\widehat{{\rm H}}{}_{\text{p}}={\displaystyle \sum _{j=1}^J{\displaystyle \sum _{k\in \mathbf{{\rm Z}}}d}}{}_{j,k}´\tilde{g}{}_j(n-2{}^{j}k)+{\displaystyle \sum _{k\in \mathbf{{\rm Z}}}c}{}_{j,k}´\tilde{h}{}_j(n-2{}^{j}k)(11)$

式中$\tilde{h}$(n),$\tilde{g}$(n)是综合小波滤波器组。

基于以上分析,最终的信道估计方法的步骤如下:

(1) 首先对参考信号做LS估计,得到频域信道估计值$\widehat{{\rm H}}$p(k);

(2) 对$\widehat{{\rm H}}$p(k)进行小波分解,然后将小波系数经过启发式阈值去噪处理,处理完后,进行重构得到去噪后的估计值$\stackrel{⌢}{{\rm H}}{}_{\text{p}}(k)$;

(3) 通过IDFT将$\stackrel{⌢}{{\rm H}}{}_{\text{p}}(k)$变换到时域,在时域按照提出的部分加权平均算法选择合适的窗函数,进行时域滤波得到时域冲击响应$\tilde{h}$(n),最后将$\tilde{h}$(n)通过DFT变换到频域,得到参考信号的子载波上的频域估计值$\widetilde{{\rm H}}$p(k);

(4)最后通过线性插值得到整个数据信道上的频域信道估计值$\widetilde{{\rm H}}$(k)。

4仿真结果与性能分析

基于Matlab平台仿真最终提出的信道估计方法,仿真参数如表1所示,其中仿真基于普通循环前缀的PUSCH信道,带宽为10 MHz,Np=600,采样速率为15.36 MHz,Ts=1/15.36 ns=65 ns,无线信道模型为低时延扩展中EPA(扩展步行A)信道,由表1可知[10],EPA信道的时延不都是Ts的整数倍,因此EPA信道为非采样间隔信道,多普勒频移为5 Hz。

图4给出了在不同的控制因子∂下本文提出的将小波去噪与改进的DFT估计方法相结合的方法的均方误差和信噪比之间的仿真图。其中k=2。由图可以看到随着∂的减小,高信噪比下的地板效应有很大缓解,且在低信噪比下的性能也有很大提升。同时由图可以看出,当信噪比小于10 dB时,∂=0.005和∂=0.001的均方误差基本一致。为减小算法复杂度,这里将∂设置为0.005。

如图5所示,对不同的分解层数进行了仿真,此时采用的小波为8阶消失矩的Daubechies小波。分解层数为6时,在低信噪比下,去噪效果比分解层数为2和4时的要好,但是在高信噪比当信噪比大于6 dB时,去噪效果开始下降。这是因为,当分解层数增大时,在去噪的同时,也会消除更多的有用信号的高频信息,随着信噪比的增大,虽然有用信号的比例变大,但同时有用信号的高频信号被去掉的也越多,因此,均方误差就出现了地板效应。所以经过仿真与分析,设置小波变换的分解层数为4。

图6,图7分别给出了四种估计方法的均方误差MSE和误码率BER与不同的信噪比SNR之间的关系曲线。四种方法分别为LS估计方法、传统的基于DFT的估计方法、本文提出的改进的基于DFT的估计方法和将小波去噪与改进的基于DFT的估计方法相结合的估计方法。其中使用部分加权平均方法时,k=2,∂=0.005,小波去噪采用的小波是8阶消失矩的Daubechies小波,选取阈值方式为启发式阈值,分解层数为4。

从图6和图7可以看出,在高信噪比情况下,即SNR大于5 dB时,相比较传统的DFT估计方法,改进的基于DFT的估计方法通过利用加权平均选择时间窗参数,避免了高阶能量的泄漏,因此其MSE的地板效应出现的较晚。但是在低信噪比下,估计性能有所下降。而本文最终提出的估计算法很好地解决了这个问题,由于在改进的DFT之前算法采取了小波去噪的方法,抑制了加性白噪声和载波间干扰,无论在低信噪比还是在高信噪比下,相较于改进的DFT的估计方法和传统的DFT估计算法,均方误差和误码率都有明显的下降,当SNR为10 dB时,误码率较传统DFT估计方法降低了5 dB左右,提高了整体的信道估计性能。

5结论

在LTE上行系统中,考虑到非采样间隔信道的频谱泄漏和高斯白噪声的干扰,本文提出了一种将小波变换与改进的基于DFT的估计方法相结合的信道估计新方法。首先对参考信号经LS估计后的信道频域值进行小波阈值去噪, 然后变换到时域,根据系统精度的需要利用部分加权平均的方法设置时间窗参数,经过时域滤波,最终通过DFT得到参考信号的信道频域响应值。仿真结果表明,该方法有效降低了传统的基于DFT的估计方法在高信噪比时的地板效应,提高了低信噪比时的信道估计精度,具有一定的研究价值。

摘要：为了解决非采样间隔信道的冲激响应能量泄漏和低信噪比下高斯白噪声的干扰问题,采用一种将小波去噪技术与改进的基于DFT的估计方法相结合的LTE上行系统信道估计的新方法。仿真结果表明,基于部分加权估计的时间窗函数的正确选择能有效地改善原有方法在高信噪比下的地板效应,与小波去噪结合能有效提高低信噪比下的信道估计性能。

关键词：单载波频分多址接入,信道估计,非采样间隔信道,地板效应,离散傅里叶变换,小波变换

参考文献

[1]3GPP Organizational Partner.3GPP TS36.211physicalchannels and modulation(V8.9.0)[S].Valbonne:3GPPOrganizational Partner,2009.

[2]赵超,岳喜顺.基于小波去噪与变换域的信道估计方法[J].计算机工程与设计,2010,31(7):1409-1412.

[3]OZDEMIR Mehmet Kemal,ARSLAN H.Channel estima-tion for wireless OFDM Systems[J].IEEE Communica-tions Surveys&Tutorials,2007,9(2):18-48.

[4]MYUNG H G,LIM J,GOODMAN D J.Single carrier FD-MA for uplink wireless transmission[J].IEEE VehicularTechnology Magazine,2006,1(3):30-38.

[5]SESIA Stefania,BAKER Matthew,TOUFIK Issam.LTE:the UMTS long term evolution from theory to practice[M].London,UK:John Wiley&Sons Ltd.,2009.

[6]李小文,潘迪.基于DSP的LTE-TDD上行信道估计实现[J].重庆邮电大学学报:自然科学版,2010,22(1):14-18.

[7]EDFORS O,SANDELL M,VAN DE BEEK J J,et al.Analysis of DFT-based channel estimation for OFDM[J].Wireless Personal Communications,2000,12(1):55-70.

[8]YEH Yen-Hui,CHEN Sau-Gee.DCT-based channel esti-mation for OFDM systems[C]//2004IEEE Conference onCommunications.Paris,France:IEEE,2004:2442-2446.

[9]郑宝玉,张继东.基于小波去噪的OFDM信道估计新方法[J].电子与信息学报,2006,28(3):415-418.

LTE上行控制信道设计策略探讨 篇2

LTE(Long Term Evolution)作为准4G无线高速数据的承载技术，从2010年正式商用以来，得到了全球各大运营商、设备商、终端厂商和芯片厂商的高度支持和大力发展。根据GSA的统计数据，截至2016年1月，全球已商用LTE网络480个，用户数突破6亿，网络部署之迅速超过以往任何一种移动通信技术。

在LTE架构中，高速率、低时延、多天线是其主要的技术特征，为了实现这些目标，上行控制信道PUCCH也必须采用新的设计方法和策略。在移动通信的信道中，上行控制信道作为辅助网络完成业务信道的搭建、反馈信号质量信息以辅助相干解调和系统调度、确认下行数据包等方面起着至关重要的作用，控制信道如果设计不好，将直接影响业务信道的性能。

在LTE空中接口技术中，上行控制信道与业务信道共用时频资源，因此在设计时，需要平衡控制信道与业务信道的资源占用。既要保证控制信息的充分和承载更多的用户，又要保证宝贵的空口资源不受到过分的挤占，提高业务信道的承载量；同时，与业务信道不同的是，控制信道本身没有HARQ机制，因此，在健壮性能方面存在天然的不足，需要通过冗余编码等其他方式来弥补。

2 PUCCH信道结构

2.1 上行信道结构

LTE上行物理信道有3个，PUCCH作为唯一的公共控制信道，用来承载下行信道质量指示、MIMO方式指示、下行数据包反馈等多项内容。与3G不同的是，LTE在考虑上行控制信息的承载时，并没有针对这些不同类别的信息而采用不同的控制信道来分别承载，而是采用单一的PUCCH统一来承载控制信息。这样做的好处是简化了系统设计的程序、降低了信道设计的复杂度，但由于大量信息在单一信道里传输，增加了信息处理和系统实现的难度，如图1所示。

2.2 承载信息构成

根据信息传递的目的，可以将PUCCH承载的信息分成三大类：

(1）与信号质量类相关的信息

(2）与下行数据包相关的信息

(3）与调度请求类相关的信息

如图2所示。

PUCCH承载的信号质量类信息包括两部分，一部分是指CQI、PMI、RI等下行信道质量相关信息，是终端测量下行参考信号得到的信道质量反映，包括信道强度、相关性、预编码矩阵等；而另一部分是指上行信道质量信息是DM＿RS，这些信息携带了上行信道的质量，能够帮助基站正确地解调对应的PUCCH;

下行数据包信息主要是指终端对下行数据包解调正确与否的反馈，即HARQ;

调度类信息是指终端向网络申请上行资源前发送的调度申请，因为基站掌握着上下行资源的调度权限，因此，终端要发送数据必须先向基站申请空口资源，这就必须用到调度类信息，即SR。

可以看到，PUCCH上承载的控制信息种类广、含量多、作用大，在系统资源调度、数据包确认和上行资源申请等多方面都非常重要，因此，在系统设计时需考虑各个方面的需求，如表1所示。

3 PUCCH健壮性设计

PUCCH作为控制信道，对健壮性要求非常严格，因为如果控制信道解调失败，将直接影响业务信道的性能，比如，如果基站没有正确收到终端反馈的信号质量指示，那么在调度时就可能选用不合适的MCS，从而导致终端误码率升高，重传增加。为此，健壮性是我们首先要考虑的因素。通常，在移动通信系统设计时，控制信道的健壮性需要重点考虑2个方面：

(1）边缘覆盖需求：小区边缘路损大，信号差，传递信息所需的功率大，控制信道设计时需考虑功率分配或控制机制；

(2）容错纠错需求：不同于业务信道，控制信道自身没有HARQ机制，因此在容错方面需要通过其他方式进行弥补。

3.1 参考导频实现相干解调

通信系统中对于信号的调制解调有相干解调和非相干解调两种方式，相干解调由于引入了可参考的振幅和相位信息，基站解调更加容易和准确，终端所需要的功率也较小，因此，从3G开始，反向信道均采用了相干解调方式，PUCCH也不例外，在每个时隙的OFDM符号中选择性插入参考信号，既能起到相干解调作用，又不占用过多的符号，在性能与负荷两者间取得良好的平衡，如图3所示。

3.2 跳频方式实现频率增益

在时频资源的放置上，PUCCH被设计放在频带的最边缘，并且在相同子帧的2个时隙间采用跳频的方式，这样相同的信息在跨越大带宽后（LTE最大支持带宽为20MHz）重传2次，可以充分利用频率分集的增益，提高PUCCH的健壮性能。

如图4所示，在20M带宽下，用户1的PUCCH信息在slot0时放在RB0中，而在slot1中则被放置在RB99中，相差了20M带宽，而LTE中设计的最小带宽为1.4MHz，远大于相干带宽，因此可以认为，slot0和slot1中m=0的信息经历了不同的信道衰落特性，具备良好的频率选择性增益。

3.3 冗余编码提高信道增益

PUCCH在对信息位进行编码时进行了冗余编码的方式，以多个符号表达1个信息位，从而增加了信道的健壮性能。以forma1为例，携带的信息为HARQ，信息量只有1位，而在物理资源上却安排了2个RB共96个RE进行高冗余度编码，96倍的增益大大提升了信道的抗干扰性能。

3.4 功率控制补偿信道衰落

功率控制是PUCCH提高健壮性的另一大有力武器。在移动通信中，由于无线环境的时变性，信号衰落呈现瑞丽分布和高斯分布的双重特性，这时，如果没有良好的功率控制机制，信号的起伏波动将非常大，甚至导致无法正确检测出信号。在LTE系统中，PUCCH采取了功率控制的方式，基站设置期望接收到的标称功率P0＿PUCCH，通过比较实际的接收功率和标称功率，对PUCCH发出降低或提高功率的指示，从而改善PUCCH的健壮性能。

终端的实际发射功率受到最大允许发射功率、路径损耗、基站期望接收功率、PUCCH格式、以及功控比特的共同影响，终端离基站越远（路损越大）、需要发送的信息位数越多，发射功率越大。

4 PUCCH高效性设计

PUCCH作为控制信道，其目的是为业务信道服务的，因此在设计时必须考虑到对业务信道资源的占用比例，高效性是其追求的一大目标。LTE在上行控制信道设计时采用了多种技术来节约时频资源的占用，正常情况下，PUCCH对整体资源的占用率不超过10%，是较为理想的。

4.1 码分复用减少资源独占

尽管LTE主要采用OFDM多址方式区分不同的用户，但在PUCCH信道的设计上还是引入了码分复用的方式，相较于OFDM独占资源的方式，CDMA能够共用资源，最大化减小控制信道对有限资源的占用，如表2所示。

以Format1/1a/1b为例，在频域上占用12个子载波，通过频域上的位移，最多可以复用12个不同的用户；在时域上占用3个OFDM符号，最多可以复用3个用户；综合频域和时域，则最多可以复用36个用户，也既是说在当Format1占用1个RB时，其可以复用的用户数最多可以达到36个。

4.2 周期性发送减少资源消耗

终端通过PUCCH向基站反馈信息时，可以采用连续性反馈方式，但这会占用较多的RB资源，这样留给PUSCH的RB数将减少，业务速率也会下降。基于此，PUCCH被设计成周期性发送的方式，以减少对RB资源的占用，提高上行业务信道速率。

在周期时长方面，如果周期过长，则不能够及时反映信道质量，导致基站不能恰当地选择相应的MCS，造成编码效率低下或误码升高；周期过短，则会过多占用业务信道的资源。

在PUCCH携带的信息中，CQI和SR信息都是以周期性的方式进行发送的，在优化这些周期时要考虑2个因素：

(1）信道的相干时间

信道的相干时间决定了CQI最大周期，如果CQI上报周期超出相干时间，则意味着终端上报的CQI已经不能完全体现当前的信道质量了。

(2）用户面时延

根据LTE系统设计需求，用户面双向时延目标为100 ms，因此，SR周期也必须参照该要求进行设置。

4.3 基于包的反馈机制节约资源

与3G技术不同的是，LTED的HARQ机制中，并没有采用传统的基于用户的确认，而是采用了基于数据包的确认。一个简单的例子可以说明这种做法对于节约资源方面所带来的好处。假设某个子帧中，同时存在100个连接，但只有10个连接产生了数据包，按传统的基于用户的HARQ机制，需要为这100个连接都分配并预留HARQ资源，但如果仅仅对当前子帧产生的数据包进行确认，则只需要10个HARQ资源，两者对资源的消耗差距明显。

4.4 层次化调度申请减少了资源消耗

由于基站掌握了上行资源的调度权，因此终端要发送数据包时必须先向基站申请，通常可以有两种实现方法：

终端根据缓存数据量大小，向基站申请最大可用资源；

终端先报告基站有数据发送，之后再通过PUSCH申请具体的资源需求。

方法1的缺点在于每个终端都通过PUCCH向基站申请最大所需资源，一方面会导致PUCCH承载的信息位数急剧增长，另一方面是基站在分配资源时并不单纯根据终端的申请，而是会综合考虑负荷程度、信号质量、承载类别等因素，这种方式会造成信息的浪费，因此，在控制信道上承载过多不必要的信息是不可取的。

LTE中采用递增式的资源请求方法，刚开始时在PUCCH上发送SR请求，作用是请求基站为UE分配上行资源（基站会给UE发送一个UL grant),SR只代表1 bit的信息，即指明UE是否有数据要发，但具体需要发送多少数据，这是通过后续的BSR来指定的，BSR在PUSCH上传送，不会占用PUCCH的资源。

5 PUCCH灵活性设计

5.1 资源的按需配置

PUCCH占用的RB数是可以灵活配置的，根据当前的连接数而按需配置，基站只需要在系统消息sib2中下发给终端即可；当用户数减少时，系统可以按需减少PUCCH的资源，将结余的资源分配给PUSCH。

5.2 信息的复用

为了进一步节省资源，PUCCH可以将原本独立的信息进行复用，主要有2种形式。

(1)CQI与HARQ复用

对于扩展CP而言，由于可用的符号位较普通CP少，因此用HARQ去调制CQI的参考信号，可以节省HARQ比特位。

(2)SR与HARQ复用

用HARQ去调制SR信道。由于SR本身不携带信息位，基站仅根据SR信道的能量来实现终端调度请求的判断，因此当HARQ和SR同时出现时，可以将HARQ调制在SR信道上，达到信息复用、节省开销的目的。

6 总结

总而言之，移动通信中控制信道作为帮助业务信道建立、维系和拆除的角色，在业务的整个生命周期中起到至关重要的作用，如果控制信道性能不佳，将直接影响业务信道的质量和效率。LTE系统在PUCCH上行控制信道设计时充分考虑了健壮性、高效性和灵活度需求，能够在系统开销、网络性能和用户感知之间取得良好的平衡。

摘要：对LTE上行控制信道设计策略进行了探讨,围绕无线信道设计所遵循的可靠、高效原则,从健壮性、高效性和灵活性3个方面详细分析了PUCCH信道设计时所采用的增强技术和实现方式,并探讨了它们在发挥LTE网络大容量、低时延和低成本组网优势方面所起的作用。

关键词：LTE,控制信道,PUCCH,设计策略

参考文献

[113]GPP TS 36.213 Technical Specification Group Radio Access Network;Evolved Universal Terrestrial Radio Access(E-UTRA);Physical layer procedures,Version 10.12.0Release 10

[2]Stefania Sesia,Issam Toufik,Matthew Baker.LTE-The UMTS Long Term Evolution From Theory to Practic(Second Edition)

[3]Ghosh A,Zhang J,Andrews G J,et al.LTE权威指南.李莉,孙成功,王向云译.北京:人民邮电出版社,2012

[4]蒋峥,赵勇,朱雪田.LTE与CDMA网络覆盖性能分析与比较[A],中国通信学会信息通信网络技术委员会2011年年会论文集(上册)[C],2011

[5]胡耀,李方伟.LTE及其关键技术介绍[J],广东通信技术,2006年05期

上行信道 篇3

信噪比(SIR)就是指接收信号中信号的平均功率和干扰噪声的平均功率之比。在WCDMA系统中,干扰一般远大于噪声,因此也信噪比称为信干比。在WCDMA系统中,信干比的估计是基于导频符号的信噪比测量方法。

1 WCDMA上行基带信号模型

图1给出了WCDMA上行基带信号模型[1]。

DPDCH和DPCCH分别表示上行链路中物理数据信道和物理控制信道;βd和βc分别表示数据信道和控制信道上的增益因子;Cd和Cc分别表示上行信道中数据信道和控制信道所采用的正交扩频码;c表示上行复扰码,G表示发射机的发射增益;w(n)为每条多径上的干扰和噪声;y(m)为接收机收到的信号。

由图可得接收信号的表达式

yl(m)=d(l)(jβcCcDc+βdCdDd)cGc(m-τl)+w(m) (1)

其中Dc和Dd分别为控制信道和数据信道上承载的数据,l表示传输中的半径编号,a(l)为每条多径的衰落因子,τl为每条多径的时延系数。

由于DPCCH信道和DPDCH信道的数据是由严格正交的扩频码分开的,因此可通过解扩运算DPCCH信道上承载的数据从基带信号中提取出来。在接收端对DPCCH信道进行解扰解扩后的基带信号可表示为

yl′(m)=a(l)Dc(i)βcGc+w′(m) (2)

第l个多径上的DPCCH信道解扩后的数据为yl′(m),Dc(i)为发送的DPCCH信道上的第i个数据。上行信道中的pilot字段是由DPCCH信道承载的,因此有pl(i)=yl′(i)。

2 SIR估计算法

2.1 SIR估计算法的原理

根据3GPP协议中要求[2]的

$\left|\text{S}\text{Ι}\text{R}=\frac{\text{R}\text{S}\text{C}\text{Ρ}}{\text{L}\text{S}\text{C}\text{Ρ}}\right|(3)$

其中:RSCP为接收信号的码功率,是一个码片功率的无偏估计;ISCP为接收信号中干扰噪声的功率,是一个码片上的干扰噪声的功率;

由上式可得,去极性后的第p条径的导频符号用p(k)表示,每个时隙总共N个导频,总共L条多径。并且,在同一帧中,所有导频符号的能量认为是相等的。因为,在导频符号传播过程中,慢衰落的影响可以忽略不计。

根据式(2)可设导频信号为p(i)=S+wi,其中,S为每个码片上的信号能量,wi为每个符号上的干扰噪声,则可得ISCP和RSCP的估计为

$\text{Ι}\text{S}\text{C}\text{Ρ}=\frac{1}{4*({\rm N}-1)*L}*{\displaystyle \sum _{l=1}^L{\displaystyle \sum _{i=1}^{{\rm N}-1}\left|p(i)-p(i+1)\right|}}{}^2(4)$

$\text{R}\text{S}\text{C}\text{Ρ}=\left\{\mathrm{Re}\left(\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}p}(i)\right)\right\}{}^2(5)$

分别对式(4)和式(5)求期望,可得

$E\{\text{Ι}\text{S}\text{C}\text{Ρ}\}=\frac{2}{2*({\rm N}-1)*L}*{\displaystyle \sum _{l=1}^L{\displaystyle \sum _{i=1}^{{\rm N}-1}E}}\{\left|w{}_i\right|{}^2\}=\sigma {}^2$

(其中σ2是噪声方差) (6)

$E\{\text{R}\text{S}\text{C}\text{Ρ}\}=S{}_{{\rm I}}^2+\frac{1}{{\rm N}{}^2}E\{w{}_i^2\}+\frac{2S{}_{{\rm I}}}{{\rm N}}E\{w{}_i\}=S{}_{{\rm I}}^2+\frac{1}{2{\rm N}}$ISCP (7)

由式(6)和式(7)可以看出,式(4)的ISCP是噪声的无偏估计。而式(5)中的RSCP不是信号能量的无偏估计,根据式(7)的结果,RSCP的无偏估计应该在式(5)的基础上减去无偏估计量$\frac{1}{2}\text{Ι}\text{S}\text{C}\text{Ρ}$,则可得RSCP的无偏估计值算法如下

$\text{R}\text{S}\text{C}\text{Ρ}=\left\{\mathrm{Re}\left(\frac{1}{2}{\displaystyle \sum _{i=1}^{{\rm N}}p}(i)\right)\right\}{}^2-\frac{1}{2{\rm N}}$ISCP (8)

由式(3)、式(4)和式(8)可得SIR的无偏估计算法。

2.2 SIR估计算法的性能评估方法

在上述算法中,考虑的只是理想的情况,即可以得到信号和噪声的期望值,此时可以得到平稳的信干比估计。但是这在真实环境中是不可能实现的,即真实环境中的SIR估计不可能得到完全无偏的估计。所以,为了考察SIR估计算法的性能,在仿真中引入了SIR估计的方差var,即SIR估计值与真实值的误差,用来衡量SIR估计的性能[4]。

$\mathrm{var}=\frac{1}{{\rm N}-1}{\displaystyle \sum _{i=1}^{{\rm N}}\left(\frac{\text{S}\text{Ι}\text{R}(i){}_{est}-\text{S}\text{Ι}\text{R}{}_{lin}}{\text{S}\text{Ι}\text{R}{}_{lin}}\right)}{}^2(9)$

其中的SIRlin为SOR的真实值(在仿真中可用),SIR(i)est为第i个导频符号的SIR估计值,var为计算得到的估计值与真实值之间的方差。通过var参数来衡量估计值与真实值之间的误差。

3 SIR算法性能仿真和问题的发现

设仿真信号采用QPSK调制方式,信道的Chip速率为3.84 Mchip/s,DPCCH信道中导频数为6[3],DPDCH的扩频因子为16,并且只有一个DPDCH信道,信号经过的信道为加性高斯白噪声信道。这里假设Rake接收机知道确切的时延信息,仿真时假设接收端的Chip、符号及帧已经完全同步,并且不考虑卷积码和交织器。

经过仿真可得到如图1所示的SIR估计曲线和此时的SIR估计的方差var曲线。

在图2中的SIR估计曲线中,L1是采用上述算法得出的信干比估计均值曲线,L0给出的是实际信干比曲线,实际信干比即输入信干比,是在SIR估计中利用产生噪声干扰和信号的参数计算得到的。由图可见,在输入信干比大于15 dB时该算法得到的SIR与实际信干比曲线基本重合,可见此时该算法得到的估计值较为准确。再看图2中的var曲线,可以看出估计出的SIR值并不是完全与理论值相等,而是有一定的误差,并且会随着噪声的起伏变化而变化。

由上可见,SIR估计值虽然很接近真实值,但是却不稳定,起伏很大。在WCDMA系统中,功控的命令是通过SIR估计值与门限值SIR_target进行比较得出来的,如果SIR估计值起伏不稳定的话,可能会导致系统产生较多的功率控制命令。但是在这种情况下所产生的功率控制命令并不是由于信道的变化而引起的,而是由于SIR估计的误差而造成的。这将产生大量功控命令而给整个系统造成负担,因而影响整个系统的性能。

4 算法的改进

为了解决上面所发现的问题,需要对上述算法进行进一步的处理。

在上述的估计算法仿真中,信号的发射功率是不变的,因而导致SIR估计值起伏不定的原因就是信道中噪声的起伏。在无线通信中,信道中的噪声干扰变化多为缓慢变化的,所以可通过对得到的噪声干扰估计进行平滑滤波,来使噪声干扰估计的变化趋于平稳,进一步使得SIR的估计值趋于平稳,从而减少功率控制命令的产生。

根据上述的分析,对ISCP估计值引入IIR滤波进行处理,处理如下

ISCP=α×ISCP+(1-α)×ISCP_new

其中α的取值范围可为[0,1]。

接照上述的思路,取α为[0,0.5,0.95],对ISCP进行滤波的算法,再重做上面的仿真,可得到如图3所示的结果。

如图3所示,当α为0时,噪声估计的方差起伏较大;而当α增加到0.95时,SIR估计的方差曲线变得平滑,并且此时估计的方差也较α为0时的较小些。因此可以得出这样的结论:经过IIR滤波后,SIR的估计值逐渐趋于平稳。

由此可见,ISCP的估计值经过IIR滤波后,得到的SIR估计趋于平稳。当SIR估计值变化不大时,系统不会生成功率控制命令,也就不会增加整个系统的处理负担。因此,改进后的SIR估计值更适合WCDMA系统的要求。

5 结束语

在WCDMA系统中,为了提高系统容量,通常要在保证性能要求的条件下控制发射功率最低,而只有做到SIR的估计值比较平稳且误差较小时才得到准确的功控命令。文中针对WCDMA系统上行接收机中解扩后基带信号进行处理,在得出信干比估计公式的基础上,对其噪声估计进行IIR滤波以得到比较平稳的SIR估计。

参考文献

[1]TSAC.3GPP TS25.213V6.7.0[S].Spreading and Modulation,2005.

[2]TSAC.3GPP TS25.215V6.7.0[S].Physical Layer-Measurements,2005.

[3]TSAC.3GPP TS25.211V6.7.0[S]Physical Channels and Mapping of Transport Channels onto Physical Chan-nels,2005.

[4]任光亮,常义林,张会宁,等.一种新的CDMA系统信干比估计方法[J].电子学报,2003,31(10):1461-1464.

[5]张辉.曹丽娜.现代通信原理与技术[M].西安:西安电子科技大学出版社,2002.

上行信道 篇4

导频辅助的信道估计一直以来是移动通信方向学者研究信道估计的热点[3]。这种算法通过在发射端发送相对于接收端已知的时域、频域和空域信号即导频信号, 在接收端处理信号时首先根据这些已知信号利用重构算法来获取信道冲激响应以估计全部信道状态。然而, 这些导频信号并不是进行通信包含信息的数据, 但却占用相当数量的时频域资源, 使有效数据的可用资源减小, 带来系统资源利用率的下降。压缩感知 (Compressed Sensing, CS) 理论正是解决这一矛盾所需要的技术基础, 该理论能够利用较少数量的样本高概率地恢复原始信号[4,5]。因此, 将压缩感知理论运用于LTE上行链路信道估计之中, 可以实现用相对较少的导频信号来进行较为精确的信道估计, 这一联合应用势必带来信道估计准确性和有效性的同时提高, 对整个通信系统性能的进一步改善具有重大意义[6,7,8]。

1 系统架构

LTE上行链路采用单载波频分多址 (Single Carrier Frequency Division Multiple Access, SC-FDMA) 体制。采用SC-FDMA体制的系统在发送端是利用单载波对输入信息进行调制, 接收端利用频域均衡技术以提升系统性能, 这种传输体制与正交频分多址 (OFDMA) 体制有相似的整体架构和近似的系统性能。SC-FDMA可以被看作是DFT-S-OFDMA, 即可以被看作在OFDMA调制模块之前进行时域数字符号的离散傅里叶变换 (DFT) 以转换到频域, 这项处理将信息扩展到所有子载波上, 并在空口中通过多个子载波传送数据, 这种利用DFT变换的预编码技术, 实现了单载波的传输方案。与OFDMA在接收端的多个子载波上进行检测不同的是, SC-FDMA需经过IF-FT模块将多个子载波上的数据转换成时域信号后通过单独的检测模块再现原始信息。因此, SC-FDMA具有单载波的低峰均比和多载波能有效消除多径效应影响的高鲁棒性两大优点。图1所示为LTE系统上行链路中SC-FDMA的系统框图。在标准中, LTE系统采用的基本调制方式有BPSK, QPSK, 16QAM和64QAM。已调制信号进行串并转换后经过N点DFT生成频域的输入码元, 然后通过某种子载波映射方式将N路DFT输出信号转换成M路正交子载波信号用于传输。进行逆傅里叶变换之后、未经信道之前, 要插入循环前缀 (Cyclic Prefix, CP) 码元作为保护时间间隔, 以对抗多径衰落信道所带来的码间干扰。在接收部分, 为了消除信道对传输信号带来的不利影响, 实现补偿信道衰落, 因此对接收到的傅里叶变换信号进行频域均衡。其中, SC-FDMA涉及了集中式和分布式两种载波映射方式。

2 稀疏信道估计

在传统的信道估计算法研究中并没有利用无线多径衰落信道时域响应是稀疏的这一意义重大的已知信息。本文基于压缩感知理论来利用这一有利条件, 并将其应用于信道估计中, 可以减少导频符号的数量, 提高频谱利用率, 同时信道估计的准确性和抗噪性有所增强。

2.1 稀疏信道描述

实际的无线信道中, 丰富的多径分量并非在时域上均匀分布, 而是呈现簇状的集中分布, 并且这些脉冲簇之间的相互间隔很大, 导致信道系数当中非零元素的个数较少, 使得这类多径信道具有稀疏特性。

无线移动通信系统当中, 最常用的信道模型是多径信道模型, 此类信道的时域冲激响应为

式中:L为信道的多径数目;hn (t) 表示在t时刻的第n条路径的信道增益;τn (t) 是在t时刻的第n条路径的信道时延, 且0≤τn (t) ≤τmax, τmax表示的是所有路径中的最大信道时延。

假定在一个SC-FDMA符号周期中, 信道的时域冲激响应维持恒定, 并且设定起始时间为零, 则可以用h (τ) 来代替式 (1) 的h (τ, t) 。基于信道多径时延扩展等于整数倍的采样周期Ts这一前提, 因此可按系统时钟来对h (τ) 进行采样可得

式中:定义为信道长度, 表示信道抽头延时的个数即多径数。[h0, h1, …, hL-1]中非零元素或者取值较大的元素个数相对较少, 即取值为零或者接近于零的元素个数较多, 说明了无线通信多径信道具有稀疏特性。

2.2 传统LS估计算法

最为普遍应用于实现信道估计算法的最小二乘 (Least Square, LS) 准则, 可以用以下矩阵表达式描述

从中可以看出, LS估计并没有考虑到噪声的影响, 因而其受噪声的影响较大, 导致估计的均方误差较大。针对LS估计抗噪声性能差的问题, 可以利用信道的一些先验信息来改善这一状况, 接下来介绍一种基于LS估计准则的一种改进算法。首先, 将LS频域估计结果转换到时域, 即

表示信道的时域脉冲响应。据研究得知, 一般情况下, 信道的长度L要远远小于系统符号的长度N, 因此, 当中只有当k=0, 1, …, L-1时才是有价值的信道信息, 其余的取值部分只含有噪声。于是, 在得到后, 接下来把置为0。这样的改进处理方式相对于单纯的LS估计会明显提高估计的准确度。从中获得的信噪比的好处为

在接下来对应的仿真性能验证分析当中, 其LS算法均采用此种处理方式以提高估计性能。

2.3 压缩感知估计算法

由于LTE上行链路所采用的SC-FDMA体制和具有多载波特性OFDMA体制具有相似的性质, 其采用的多载波并行传输, 因此易形成测量矩阵, 这就使得压缩感知理论和LTE信道估计算法的结合浑然天成[1]。通过与压缩感知理论结合, 不难得出其中的相应联系, DFT的变换矩阵相当于基矩阵Ψ, 选取的导频对应的接收信号相当于观测矩阵Θ, 并且可以用IFFT/FFT来快速实现DFT。因此, 在LTE上行链路系统中, 如果所历经的信道模型具有稀疏特性, 那么处理当中可以将压缩感知的相应理论应用于信道估计当中, 并且由于SC-FDMA采用IFFT使其避免了算法计算过程中使用循环卷积, 因此, 若要实现测量矩阵的构造, 仅需通过导频符号和部分傅里叶变换矩阵即可。这样, 就能实现用较少数量的时域导频来恢复出待估信道的频域响应, 其余节省下来的导频载波可以用来传输数据为用户有效数据使用, 进而降低了整个系统的开销。

假设系统有N个子载波即在发送端对数据信号做N点IFFT变换, 其中, 导频信号占用P个子载波, 本节用N×1维的向量x来表示全部发送信息子载波, 接收信号的全部子载波用N×1维的向量r来表示, 并且用N×1维的向量H来表示所有子载波所对应的全部信道响应, 用N×1维向量W来表示信道噪声, 故此, 整个系统的收发过程可表示为

式中:F代表傅里叶变换矩阵, 且F (n) 表示傅里叶变换矩阵的第n行。

采用矩阵形式, 可以得到

式中:X是一个对角矩阵, 可表示为

当系统使用块状导频时, S为N×P维的选择矩阵, 其作用是从N×N维的发送信号矩阵X中选出P列作为导频信号。因此, 将接收到的导频表示为

式中:rP=Sr;Xp=SXST;FP=SF;WP=SW;rP, XP, FP对于接收端来说, 均是已知量。

通常在运用压缩感知理论时, 观测量采用M×1维的向量y来表示, 初始量采用N×1维的向量s来表示, 测量矩阵为M×N维向量T且N≥M, n∈CM为噪声信号。若同时满足s是稀疏向量、T符合有限等距特性, 则通过压缩感知理论, 可以从低维信号y重构得到高维原始信号

对比可知, 原始信号s=h, 测量信号y=rP, 测量矩阵T=XPFP。因此, 可将对信道h的估计过程转换为根据压缩感知方法对稀疏信号s进行重构的过程。

接下来, 本文提出基于正交匹配追踪 (Orthogonal Matching Pursuit, OMP) 算法重构的时域稀疏信道估计以重构稀疏向量h, 即最终得出h当中非零元素的取值和位置。鉴于LTE上行链路系统中各个子载波间具有正交性, 因而恢复矩阵T=XPWP中由各原子所组成的完备库是正交的, 因而, 简化了算法实现过程中需对基进行Gram-Schmidt正交化处理的过程, 进而降低了算法复杂度。对SC-FDMA系统采用OMP算法的基本思想和LS算法的估计原理相结合, 可得出基于OMP思想的一种低开销的LTE系统上行链路压缩感知信道估计。此算法的具体步骤如下:

1) 首先, 选定参数并进行初始化。迭代次数用j来表示, 令j=0;剩余量用r表示, 且初始剩余量设为r0=y, 索引集用S表示, 且初始值S0为空集。

2) 其次, 当迭代次数j=1, 2, …时, 通过选择确定索引集合Sj, 使其满足|〈rj-1, rsj〉|=max|〈rj-1, τs〉|, 其中, τs代表恢复矩阵T的第s列向量。

3) 再次, 增大索引值集合, 使Sj=Sj-1∪{sj}。

4) 接下来, 根据最小二乘法计算得到一个估计新值对应的索引集合内估计可由下式计算得到, 且其在索引集合Sj外的对应位置为零。其中, Tsj是M×j维的矩阵, 该矩阵包含恢复矩阵T中其索引为Sj的所有列。

5) 最后, 通过和rj=y-yj来更新采样值和剩余量。当操作中迭代的次数达到了预先分析后所设定的次数, 或其误差几乎满足给定要求, 即可停止迭代, 整个算法操作结束。

3 仿真

本文所进行的仿真目的在于对比分析本文所提出的低开销信道估计算法与广为应用的LS信道估计算法的性能, 进而验证本文所提出的算法是一种低开销的适用于LTE上行信道估计的算法。

3.1 仿真信道模型

进行本文理论仿真信道估计算法性能涉及的一个重要参数是信道长度, 在进行仿真时需要对此参数进行设置。信道长度值和其中非零信道响应值的个数之间的比例大小反映了信道稀疏特性的强弱。通过对衰落信道的研究可知, 只有少数径的幅度较大, 相比之下, 其他幅度较小或接近于零的径, 实现中可以直接将其看作零值。然而, 信道长度的设定与具体的信道参数相关, 本文采用3GPP 36.101提出的适用于LTE的3种信道场景作为仿真信道模型, 其具体参数特性如表1所示。

3.2 仿真性能分析

本文使用仿真的均方误差 (Mean Square Error, MSE) 性能曲线来比较信道估计算法性能的好坏, 且各种情况下算法性能的好坏均以归一化均方误差作为依据, 其定义如下

在仿真性能比较中, 本文选择了实际中应用最多的LS传统估计算法和本文所提出的基于压缩感知的低开销信道估计算法进行比较。导频数目分别取16, 32和48的3种情况用于两种信道估计中。因而, 对于每个信道模型, 就有6种组合所产生的估计精度性能曲线对比, 从中不但可以比较传统LS算法与本文所提出的CS算法估计性能的优劣, 同时还可以得出不同导频数目对于信道估计性能的影响及导频数量和信道长度、稀疏度的联系, 此外, 还得出CS算法较之LS算法减少开销的程度。

图2仿真对比了传统算法与压缩感知算法在EPA信道模型下的估计均方误差性能。其中, 信道长度为16, 稀疏度为7。由图可见, 不但相同导频下CS算法明显好于LS算法, 几乎达到10 d B的性能增益, 而且16导频的CS算法能与48导频的LS算法相媲美, 32导频的CS算法较之48导频的LS算法还会带来5 d B的增益。在EPA信道场景下, CS信道估计算法的性能优势非同一般。图3仿真比较了传统算法与本文所提的压缩感知算法在EVA信道模型下的估计性能。其中, 信道长度为32, 稀疏度为9。由图3可知, 16导频的CS算法与32导频的LS算法性能相当。图4仿真比较了传统算法与本文的低开销算法在ETU信道模型下的估计性能。其中, 信道长度为64, 稀疏度为9。由图可见, LS算法性能大幅下降, 16导频和32导频的LS算法已完全不能进行通信。各种导频数目的CS算法几乎一致, 且在30 d B时MSE仍能达到10-4。

综上可知, 当导频数目较少时, 传统的LS算法已不能满足基本通信要求, 然而本文所提出的CS算法仍具有较好的信道估计性能。CS算法较传统算法, 信道估计大大减少了所需的导频数量, 以较低开销实现信道估计这一优势得到充分验证。此外, 对于CS算法, 当导频数目大于信道长度时, 导频数目越多, 估计精度越高;当导频数目小于信道长度或者与其相当时, 估计精度几乎维持在一个固定的水平, 增多导频并不会带来估计精度的提高。

4 小结

本文利用无线移动信道的稀疏特性, 针对LTE上行链路提出了基于一种结合压缩感知理论的信道估计算法, 其中, 通过OMP算法来重构无线多径衰落信道时域响应以对系统实现低开销的信道估计。仿真结果表明, 在LTE标准中建议的3种特定信道环境下, 与传统信道估计算法相比, 本文所提出的算法具有更高的估计精度和更低的导频开销以及更高的频谱利用率。

参考文献

[1]MYUNG H G, LIM J, GOODMAN D J.Single carrier FDMA for uplink wireless transmission[J].IEEE Vehicular Technology Magazine, 2006, 1 (3) :30-38.

[2]JEONG B J, CHUNG H K.Pilot structures for the uplink single carrier FDMA transmission systems[C]//Proc.Vehicular Technology Conference.[S.l.]:IEEE Press, 2008:2552-2556.

[3]ZHOU M, JIANG B, ZHONG W, et al.Efficient channel estimation for LTE uplink[C]//Proc.Wireless Communications&Signal Processing, 2009.[S.l.]:IEEE Press, 2009:1-5.

[4]DONOHO D L.Compressed sensing[J].IEEE Trans.Information Theory, 2006, 52 (4) :1289-1306.

[5]BAJWA W U, SAYEED A M, NOWAK R.Learning sparse doubly-selective channels[C]//Proc.Communication, Control, and Computing.[S.l.]:IEEE Press, 2008:575-582.

[6]BAJWA W U, HAUPT J, SAYEED A M, et al.Compressed channel sensing:a new approach to estimating sparse multipath channels[J].Proceedings of the IEEE, 2010, 98 (6) :1058-1076.

[7]ZHANG T.Sparse recovery with orthogonal matching pursuit under RIP[J].IEEE Trans.Information Theory, 2011, 57 (9) :6215-6221.

上行信道 篇5

作为3GPP定义的下一个移动宽带网络标准,LTE最重要的改进在于采用全新的空中接口技术,而准确的信道估计则是保证LTE系统传输质量,发挥其优越性的关键,因此本文将重点研究TD-LTE系统的上行信道估计技术。信道估计从大的角度可以分为非盲估计和盲估计。盲信道估计由于不需要导频辅助,一般收敛速度较慢,故限制了在实际系统中的应用。有导频辅助的非盲信道估计通常能克服精度低、统计时间长等缺点,因此在移动通信中被广泛采用。本文讨论的是基于导频的非盲信道估计算法。基于导频的非盲信道估计算法包括LS,MMSE等算法。LS是一种实现简单、较通用的算法;MMSE算法则是利用维纳滤波器来实现估计性能的最佳化,但这种方法需要信道统计特性的先验知识,在移动通信中难以实现,且计算量较大。

针对以上不足,提出了在系统进行信道估计之前,可以对接收信号先采用时域降噪的方法进行处理,仿真结果表明,经过处理后的信号再进行LS算法估计后的结果和直接进行MMSE算法进行信道估计的估计性能接近,甚至要优于后者,但是其计算复杂度要远远小于MMSE算法。

1 导频符号处的信道估计算法

假设LTE系统中发送的信号用s(n)表示,接收信号用r(n)表示,由于信道的影响,接收信号与发送符号之间的关系为:

$r(n)=h(n)\otimes s(n)+w(n)(1)$

式中:h(n)为信道冲激响应。在完成系统中的OFDM时频同步后,将接收的信号经过FFT变换到频域得到:

$R{}_{i,k}={\rm H}{}_{i,k}S{}_{i,k}+W{}_{i,k},k=0,1,2,\cdots ,{\rm N}-1(2)$

其中:i表示接收到的第i个符号,为一个符号中的子载波号,Hi,k和Wi,k为第i个符号的第k个子载波上的信道传输函数和附加的加性高斯白噪声。

1.1 LS算法

在接收端:

$Y(k)=X(k){\rm H}(k)+{\rm I}(k)+W(k)(3)$

式中:X(K)表示发送信号;Y(k)表示接收信号;H(k)是信道响应函数;I(k)为因多普勒频偏产生的ICI;W(k)为加性高斯白噪声,因此:

$\widehat{{\rm H}}(k)=Y(k)/X(k)(4)$

LS算法虽然计算复杂度较低,但该算法的估计均方误差较高,估计的结果易受ICI和高斯噪声的影响,性能较差,且系统的性能严重依赖于导频信号的估计结果。

1.2 MMSE算法

MMSE是在LS估计的基础上进行的,对于ICI和高斯白噪声有很好的抑制作用,它的均方误差为:

$E\{|e|{}^2\}=E\{|\mathit{{\rm H}}-\widehat{\mathit{{\rm H}}}|{}^2\}=E\{(\widehat{\mathit{{\rm H}}}-\mathit{{\rm H}})(\widehat{\mathit{{\rm H}}}-\mathit{{\rm H}}){}^{\text{Η}}\}(5)$

MMSE算法是使均方差$E\{(\widehat{\mathit{{\rm H}}}-\mathit{{\rm H}})(\widehat{\mathit{{\rm H}}}-\mathit{{\rm H}}){}^{\text{Η}}\}$最小:

$\begin{array}{l}\widehat{{\rm H}}{}_{\text{Μ}\text{Μ}\text{S}\text{E}}=\mathit{R}{}_{\mathit{{\rm H}}\mathit{{\rm H}}}\mathit{R}{}_{\mathit{{\rm H}}\mathit{{\rm H}}}^{-1}\widehat{{\rm H}}{}_{LS}\\ =\mathit{R}{}_{\mathit{{\rm H}}\mathit{{\rm H}}}(\mathit{R}{}_{\mathit{{\rm H}}\mathit{{\rm H}}}+\delta {}_n^2(\mathit{X}\mathit{X}{}^{\text{Η}}){}^{-1}){}^{-1}\widehat{{\rm H}}{}_{\text{L}\text{S}}(6)\end{array}$

对于一个多径衰落信道,信道冲击响应CIR为$g(\tau )={\displaystyle \sum _{i=0}^{{\rm M}-1}\alpha }{}_i\delta (\tau -\tau {}_i{\rm T}{}_{\text{s}})$,其中M为CIR长度,αi为高斯随机变量且互相独立,其功率延时谱为θ(τi),且假设为指数衰减性谱,即θ(τi)=Ce-τk/τrms,τk在CP长度内均匀分布。

CIR对应的第k个子载波表示为:

${\rm H}{}_k={\displaystyle \sum _{i=0}^{{\rm M}-1}\alpha }{}_i\text{e}{}^{-\text{j}\frac{2\text{π}k}{{\rm N}}\tau {}_i}$

信道的相关矩阵为:

$\begin{array}{l}\mathit{R}{}_{\mathit{{\rm H}}\mathit{{\rm H}}}=E\{\mathit{{\rm H}}\mathit{{\rm H}}{}^{\text{Η}}\}=[r{}_{m,n}]{}^{r{}_{m,n}}=E\{{\rm H}{}_m{\rm H}{}_n^{*}\}\\ =E\{{\displaystyle \sum _{i=0}^{{\rm M}-1}\alpha }{}_i\text{e}{}^{-\text{j}\frac{2\text{π}m}{{\rm N}}\tau {}_i}{\displaystyle \sum _{k=0}^{{\rm M}-1}\alpha }{}_k\text{e}{}^{-\text{j}\frac{2\text{π}n}{{\rm N}}\tau {}_k}\}\\ =\frac{1-\text{e}{}^{-L((1/\tau {}_{\text{r}\text{m}\text{s}})+2\text{π}\text{j}(m-n)/{\rm N})}}{\tau {}_{\text{r}\text{m}\text{s}}(1-\text{e}{}^{-L/\tau {}_{\text{r}\text{m}\text{s}}}(1/\tau {}_{\text{r}\text{m}\text{s}}+2\text{π}\text{j}(m-n)/{\rm N})}(7)\end{array}$

在实际仿真时L的长度未知,一般取为循环前缀长度;N为子载波数;τrms一般取为1/4的CP长。为了提高实际仿真性能,L的值可以在信道估计的过程中自适应地调整,从而更加接近真实的CIR长度。

MMSE估计是在均方误差最小准则意义上的最佳滤波器,可以提供在实际信号运行环境中企业达标的性能标准。但是在比较复杂的应用环境中信道可能随时都在变化,要得到统计知识是很困难的,因此它的应用也有很大的困难。而且它的主要缺点是计算量要比LS算法大得多,随子载波数N呈指数增长,并随导频信号X的变化需要实时进行矩阵的逆运算(XXH)-1,导致系统效率很低。

1.3 基于时域降噪的改进算法

在相同MSE下,MMSE算法在SNR上要优于LS算法10～15 dB。然而MMSE算法运算复杂度太高,同时需要知道信道的一些先验信息,所以在实际系统中很少用。LS算法由于其运算量低而在实际系统中应用广泛,然而LS算法受高斯白噪声和子载波干扰的影响很大,从而制约了系统的性能。

对于每一个OFDM符号,发射信号与接收信号的频域关系如下:

$Y(k)={\rm H}(k)X(k)+W(k),k=0,1,2,\cdots ,{\rm N}-1(8)$

式中:Y(k)是接收OFDM符号的第k个子载波;H(k)是OFDM符号的第k个子载波上的频响;X(k)是发射OFDM符号的第k个子载波。

由LS算法的结论知,导频位置处的信号估计为:

$\begin{array}{l}\widehat{{\rm H}}(k)=\frac{Y(k)}{X(k)}=\frac{{\rm H}(k)X(k)+W(k)}{X(k)}\\ ={\rm H}(k)+\frac{W(k)}{X(k)}(9)\end{array}$

LS算法信道估计的误差为:

$e(k)=\widehat{{\rm H}}{}_{\text{L}\text{S}}(k)-{\rm H}(k)=\frac{W(k)}{X(k)}(10)$

从以上可以看出,估计误差与白噪声和|X(k)|有关,为了防止|X(k)|过小导致某些子载波上估计误差太大,一般系统中均采用频域幅度恒定的导频信号,比如LTE系统中用于信道估计的参考信号就是如此。由于导频处信道估计受到噪声的影响,所以之后直接通过插值等方法得到其他数据子载波上的估计值也同样受到噪声的影响而导致误差过大。

由于以上原因,提出了一种基于时域降噪的改进算法:

基于时域降噪的改进的LS算法在得到导频处信道估计后,先将$\widehat{{\rm H}}$LS(k)由IFFT变换到时域进行降噪,降完噪后再由FFT变换到频域,这时候导频处的信道估计值受噪声的影响已经明显减小,之后再通过插值等方法得到数据子载波处的信道估计就比较准确,图1所示为降噪算法的原理图。这种方法运算量小,算法性能改进较明显,所以易于在实际系统中使用。

2 仿真结果与分析

为了验证以上的分析结果,对物理层仿真平台以模块化的方式设计,每个模块依据功能划分,可独立灵活配置参数,并且具有较好的扩展性和重用性。在此通用平台上,结合3GPP TS36.211规定的空中接口规范LTE SC-FDMA PUSCH信道,搭建物理层仿真平台。

本文研究的信道估计的仿真是采用LTE系统的上行链路仿真平台。LTE上行链路仿真采用的参数配置情况如下:

调制方式为16QAM/QPSK;载波频率为2 GHz;带宽为2 MHz;子载波个数为128;子载波间隔为15.625 kHz;循环前缀长度为16;FFT点数为128;MIMO方式为1×2。

图2是采用LS,MMSE算法以及LS算法通过在时域进行加窗处理后的性能曲线,结果表明对LS改进后的性能可以达到采用MMSE算法的性能,甚至比采用MMSE算法时更好;而计算复杂度却远小于后者。

MMSE算法在时域采用加窗降噪后的仿真结果与LS算法在时域采用加窗降噪后的仿真结果对比如图3所示。可以看出,加窗处理后的MMSE算法性能改善不明显,这是因为该算法本身对加性高斯白噪声和子载波间的干扰就具有很好的抑制作用;而LS算法则不然,进行时域加窗后的性能得到很大提高。

3 结 语

主要介绍了LTE上行信道的检测,在原有算法基础上有针对性地提出了一种改进算法。根据仿真结果对不同算法的性能进行了分析, MMSE算法的性能要比LS算法的性能好,但通过在时域进行加窗降噪后,LS算法的性能可以得到很大程度的改进,可以接近或者达到采用MMSE算法时的性能,但是其计算复杂度要远小于MMSE算法。而MMSE算法在时域进行加窗降噪后,其性能并没有多大的提升,这是因为MMSE算法本身对噪声就有很好的抑制作用。仿真结果与理论分析结果一致。

参考文献

[1]MYUNG H G,LIM Junsung,GOODMAN D J.Single car-rier FDMA for uplink wireless transmission[J].VehicularTechnology Magazine,2006(3):30-38.

[2]3GPP.TS36.211V8.4.0.3rd generation partnership pro-ject;technical specification group radio access network;e-volved universal terrestrial radio access(E-UTRA);physi-cal channels and modulation(release 8)[S].[S.l.]:3GPP,2008.

[3]田永毅.OFDM系统中信道估计技术的研究[D].西安:西安电子科技大学,2007.

[4]张新程,田韬,周晓津,等.LTE空中接口技术与性能[M].北京:人民邮电出版社,2009.

[5]韦惠民,李国民,暴宇.移动通信技术[M].北京:人民邮电出版社,2006.

上行信道 篇6

关键词：信道依赖调度,SC-FDMA,信道状态信息,数据吞吐量

0 引言

在宽带多用户通信中,每个用户的信道增益由时间和频率而定。任何时候,一个用户频段的强衰落可能很难引起其他用户的注意。基站里的资源调度器能分配时频率资源给适合的用户,将会增加整个系统的吞吐量[1],这种自适应资源调度方案就是CDS。

自适应调制和编码(AMC)能动态适应调制星座和依赖信道环境的信道编码速率,改善了能效和数据速率[2]。对于时间和频率选择性衰落信道,将AMC应用于子频段或子载波,能够改善链路性能和提高数据速率。笔者主要研究信道信息非理想的上行链路SC-FDMA系统的CDS,首先对SC-FDMA系统做一个综合的概述,阐述资源调度的集中式和分布式两种子载波映射方案,接着研究非理想CSI对CDS的影响,具体来说就是有反馈延时时,通过仿真研究具有未编码自适应调制和CDS的SC-FDMA系统数据吞吐量。

1 单载波频分多址介绍

SC-FDMA具有与OFDM系统相似的复杂度,是一种单载波调制和频域均衡的技术。SC-FDMA由于其内在的单载波结构,跟OFDMA比有较低的峰值平均功率比(PA-PR)[3]。SC-FDMA作为OFDMA的对比方案,已引起广泛注意,特别在上行链路通信,较低的PAPR在发射功率效率方面有利于移动终端,已被3GPP LTE选为上行链路多址方案[4]。

SC-FDMA发射机和接收机的结构如图1所示。SC-FDMA系统发射机第一组调制符号导入包含N个符号的模块里,执行N点离散傅里叶变换(DFT),把它变成频域信号,然后把N点DFT的输出映射到对应的M(M﹥N)个正交子载波,这样才能传输。M点的离散傅里叶反变换(IDFT)把子载波幅值转换为复时域信号。

在传输之前发射机先执行另外的两个信号处理操作:1)插入循环前缀(CP),避免由于多径传播造成的符号间干扰;2)进行脉冲整形(PS),减少波段外的信号能量。接收机通过DFT、子载波逆映射和频域均衡,把接收到的信号转换到频域。一些所熟知的时域均衡技术,如最小均方差(MMSE)均衡、判决反馈均衡(DFE)和Turbo均衡,都可以应用在频域均衡[5,6]。通过IDFT把均衡的符号转换到时域,并且在时域进行检测和译码。

2 子载波映射方式

子载波分配具有两种方式:分布式子载波映射(DFDMA)和集中式子载波映射(LFDMA),如图2所示。集中式映射为DFT的输出映射到连续的子载波上;分布式映射为DFT的输出映射到离散的子载波上,等间隔地分散到整个系统带宽,未使用的子载波赋予值0。当M/N是整数时,被占用的子载波等间隔地分开,DFDMA分配称为同交织频分多址(IFDMA)。对于IFDMA,发射机在时域里能够精确地调制信号而无须使用DFT和IDFT。

从资源分配角度来看,子载波映射方式可分为静态调度和CDS。CDS依据每个用户的信道频率响应,分配子载波给用户。由于被传输的信号扩展到整个带宽,分布式子载波映射能提供频率分集增益。对于DFDMA,CDS逐渐地改善了性能。相比之下,CDS能利用信道的频率选择性地把终端分配给具有良好传播条件的频段,这将非常有利于LFDMA。

3 信道状态信息过时的上行链路SC-FDMA系统的信道依赖调度

在知道CSI的情况下,研究上行链路SC-FDMA系统的信道依赖资源调度。具体来说,对于基于效用调度SC-FDMA的两种不同子载波映射,从CDS来分析信道容量增益[7]。通过仿真得知,对于集中式子载波映射,CDS相对于静态调度,增加系统吞吐量多达80%,而对于分布式子载波映射,增加系统吞吐量仅为26%。

实际的无线系统里,由于有限的反馈和信道估计误差的存在,CSI常不知或仅知部分信息,由于反馈的延时,CSI可能会过时。在集中式的资源管理方案里,基站执行基于信道质量的上行链路资源分配,并且发射传输参数信息给移动终端,实际系统反馈机制里的延时是不可避免的,特别是当信道快速衰落时,反馈延时对系统性能有很大的影响。

考虑到反馈延时会造成CSI过时,研究上行链路通信里非理想CSI对CDS的影响。假定信道估计正确且在发送的信号反馈期间无误差,具有过时CSI的信道容量没有闭式结构,需要模拟一个具有未编码自适应调制的SC-FDMA系统来测量数据吞吐量。

3.1 具有自适应调制和CDS的上行链路SC-FDMA系统

多用户上行链路传输系统如图3所示,有k个具有相互独立信道传输函数的终端,为向基站提供信道状态信息,终端在子载波上传输的导频信号跨越整个频段。在为所有终端获得信道信息的基础上,基站上的调度器首先搜寻一组最优化整个信道容量的用户。对于每一用户,它决定了以分配给用户的子载波块的SNR为依据的调制星座。调度器给每个终端分配一组N个子载波,并且给每个用户传输组块分配和调制信息。

当反馈信道有延时,到终端发射信号时,给用户的组块分配和调制星座可能不再最优。当信道随时间快速变化时,这两个因素降低了整个信道容量。

引入信道估计时间t1和移动终端实际的数据传输时间t2之间的时延,时差△t=t2-t1,考虑到一个准静态多径衰落信道里,它的信道响应在通过一个传输时间间隔(TTI)里恒定不变,但从一个TTI到另一个TTI却会发生改变。对于Rayleigh衰落信道,利用相关系数来描述两个TTI之间的信道响应的变化

式中:J0(·)是零阶贝赛尔(Bessel)函数,fD=v/λ是最大多普勒频率,v是移动终端的速度,λ是载波的波长。在t1时刻,模拟具有R条路径的衰落信道的离散时间信道脉冲响应h(t1)(n)为

式中:{wr(t1)}是一组独立同分布的零均值复高斯分布噪声过程,路径r延时τr,Ts是符号持续时间,A是标准化参数,使信道的平均功率为1,Prel(τr)是路径r延时侧面模型的相对功率,δ(n)是离散时间的Dirac-Delta函数,{τr}′s是Ts的整数倍。

由式(1)可以得出在t2时刻多径衰落信道的离散时间信道脉冲响应h(t2)(n)为

式中:nr是零均值复高斯噪声过程。

利用式(2)和式(3)分析过时的信道信息对系统的影响,导出用户k的SNR,当一组子载波Isub,k分配给用户时,对于MMSE均衡器,γk表示为

式中:N是分配给用户的子载波数量,γi,k是用户k的第i个子载波的SNR。对于等功率分配方案,可以表示为

式中:Pk是用户k的总发射功率,Hi,k是用户k的第i个子载波的信道增益,σi2是子载波i的噪声功率,H是h(n)的频域表示。

在仿真中,考虑反馈期间时间延时的影响,首先为子载波分配计算接收到的SNR,并且在t1时刻选择基于信道的调制星座,在t2时刻为基于信道的吞吐量,计算出接收到的SNR。对于数值仿真,其参数设置为:

1)2 GHz载频。

2)5 MHz传输带宽。

3)TTI持续时间为0.5 ms。

4)每TTI模块为7,假定在模块里没有CP。

5)子载波组块大小在所有用户当中是相同的,并且每个用户仅占用一个子载波组块。

6)用户数为K,子载波总数为M,一个组块的大小为N,块的数量为Q,M=Q·N。

7)信道模型。3GPP TU6独立同分布的准静态Rayleigh衰落信道[8],假定在TTI的持续时间期间信道恒定不变,而且所有用户到基站有相同的平均路径损耗。

8)调制格式。正交幅度调制(QAM),考虑S-QAM,其中S=2B,B是每符号的比特数目,有8个种类的QAM,B∈{1,2,…,8},B=1对应于BPSK,B=2对应于QPSK。

9)假定对于所有用户等发射功率和等接收噪声功率。

3.2 系统吞吐量计算

系统吞吐量定义为每秒接收到的无差错信息位的数目。假定用户k使用Sk-QAM[9],其中Sk=2Bk,Bk是每符号位的数目,则用户k的系统吞吐量TPk表示为[10]

式中:TTTI是TTI的持续时间,γk是用户k接收到的SNR,PSR(·)是信息包成功率,即正确接收信息包的概率,总吞吐量TPtotal是k个单独吞吐量测量值的总和。

对于一个大小为L bit的未编码的信息包,PSR可变为

式中:Pe(S,γ)是一个给定星座大小S和信噪比γ的误码率。

对于用S-QAM调制和理想相干检测的加性高斯白噪声(AWGN)信道,Pe(S,γ)的上边界表示为

利用这一上边界,式(8)里的PSR变为

用户k的系统吞吐量变为

k个用户的总的系统吞吐量为

对于8种类型的QAM,系统吞吐量和SNR的关系如图4所示。采用的每个信息包为L=100位,且每个组块为N=32个子载波,为自适应调制设定SNR边界,其情况如表1所示。

3.3 仿真结果

Monte Carlo仿真结果如图5所示。子载波总数M=256,16个频率组块,并且每个组块子载波数为N=16,有64个用户,在每一TTI里有16个用户同时传输,进行2 000次独立的仿真迭代(1次迭代指的是经过一个TTI的传输和相应吞吐量的计算)[11]。

图5a和图5b显示了对于移动速度为3 km/h和60 km/h,具有CDS和自适应调制的总吞吐量。对于3 km/h的移动速度,反馈延时没有影响到系统的吞吐量;60 km/h的速度移动时,吞吐量随反馈延时的增加而减少,而且对具有CDS的LFDMA,吞吐量的降低非常明显。另一种情况就是静态轮询调度也遭受吞吐量减少的影响,这是由于即使没有组块分配不当,过时的CSI也会引起自适应调制和当前信道条件的不匹配。

图5c显示了对于移动速度为60 km/h以及用恒定不变调制(16-QAM)代替自适应调制情况下,具有CDS的总吞吐量情况。对于静态调度,进一步查验图5b的观测发现导致吞吐量减少的是自适应调制过程。当所用调制恒定不变时,对于静态调度未发现任何吞吐量的减少。

图5d显示了对于反馈延时为3 ms以及不同移动速度情况下,具有CDS和自适应调制的总吞吐量情况。可以看到用户移动性在每一类型调度方式上对系统性能的影响。类似于图5b,当移动速度很高时,具有CDS的LFDMA遭受吞吐量大量减少。

4 小结

对于SC-FDMA的两种不同类型的子载波映射,分析了来自CDS的信道容量增益,并且考虑到CSI的反馈延时,研究了非理想CSI对CDS的影响。对于CDS,集中式子载波分配产生最高的总数据吞吐量。对于快速变化的信道,集中式映射对CSI的质量非常敏感,并且信道容量增益迅速减少。对于高速移动性的用户,具有静态轮询调度的分布式子载波映射会更合适。分析探讨了自适应调制的影响而没有考虑信道编码的影响,将来还需要做的就是检测混合自动重传请求(HARQ)方案的影响。

参考文献

[1]GRANDHI S A,YATES R D,GOODMAN D J.Resource allocationfor cellular radio systems[J].IEEE Trans.Vehicular Technology,1997,46(3):581-587.

[2]CAVERS J.Variable-rate transmission for rayleigh fading channels[J].IEEE Trans.Communications,1972,20(1):15-22.

[3]MYUNG H G,LIM J,GOODMAN D J.Peak-to-average powerratio of single carrier FDMA signals with pulse shaping[EB/OL].[2010-01-24].http://eeweb.poly.edu/faculty/goodman/docs/scfdmaPapr_pimrc06.pdf.

[4]EKSTROM H,FURUSKAR A,KARLSSON J,et al.Technicalsolutions for the 3G long-term evolution[J].IEEE Trans.Commun-ications,2006,44(3):38-45.

[5]TUCHLER M,HAGENAUER J.Linear time and frequency domainturbo equalization[EB/OL].[2010-01-24].http://citeseerx.ist.psu.edu/viewdoc/downloaddoi=10.1.1.144.783&rep=rep1&type=pdf.

[6]BENVENUTO N,TOMASIN S.Iterative design and detection of aDFE in the frequency domain[J].IEEE Trans.Communications,2005,53(11):1867-1875.

[7]GOODMAN D,MANDAYAM N.Power control for wireless data[EB/OL].[2010-01-24].http://citeseerx.ist.psu.edu/viewdoc/downloaddoi=10.1.1.40.8071&rep=rep1&type=pdf.

[8]3GPP TS 45.005,Technical specification group GSM/EDGE radioaccess network;radio transmission and reception[S].2009.

[9]晏飞,吴建辉,黄伟.一种适合高阶QAM的快速载波恢复电路[J].电视技术,2006,30(8):32-35.

[10]GOODMAN D,MARANTZ Z,ORENSTEIN P,et al.Maximizingthe through put of CDMA data communications[EB/OL].[2010-01-24].http://citeseerx.ist.psu.edu/viewdoc/downloaddoi10.1.1.79.9205&rep=rep1&type=pdf.