信道估计

信道估计（精选九篇）

信道估计 篇1

信道估计即是估计从发射天线到接收天线间的无线信道的频率响应,依据接收到的经信道影响而产生了相位和幅度畸变并叠加了高斯白噪声的接收序列来确定出信道的频域或者时域的传输特性。针对OFDM系统而言,即是估计出每个子载波上的频率的响应值Hk,k=0,1,2,...,N-1,换句话说,信道估计也即是信道对输入信号影响的一种数学表示。

二、信道估计方法

2.1导频估计方法

常见的估计准则包括最小二乘准则(LS)和最小均方差准则(MMSE)。

(1)基于LS准则的估计方法

根据LS准则,定义代价函数为:

其中,WP是在导频位置上的噪声干扰。该信道估计方法中的所有操作均在频域上进行,且其结构最简单,因此获得了广泛的应用。但是,LS准则忽略了噪声的消除,因此,噪声将会对信道估计的结果带来一定的影响。

(2)基于MMSE准则和DFT变换的估计算法

MMSE准则算法需要事先获知信道的相关特性,然而,信道实际的相关特性在实际应用中是不可能事先知道的。因此,在实际应用中通常仅使用基于MMSE准则的算法和基于DFT变换的算法,即:

其中,IL*L是单位矩阵,G是M阶的方阵。

2.2信道估计内插方法

内插法又称插值法。根据未知函数f(x)在某区间内若干点的函数值,作出在该若干点的函数值与f(x)值相等的特定函数来近似原函数f(x),进而根据此特定函数计算出该区间内其他各点的原函数f(x)的近似值。由于在信道估计中,内插方法无需信道的统计信息,且较易实现,因此其能够在实际的通信系统得到广泛的应用。常用的内插算法包括线性插值、常值内插、高斯插值、基于DFT的内插和sinc函数插值等。

三、信道估计专利技术的整体情况

1. 专利申请量趋势分析。

在CNABS数据库中,统计出的近几年有关信道估计技术的专利申请量变化情况。可见,自2010年开始,相关专利申请量逐年下降,其中最主要的原因在于该技术的研究已比较成熟。

2. 分类号分析。

在CNABS数据库中,得到的信道估计技术所属的主要分类号。可以看出,该项技术的申请主要被分入了H04L27/26(调制载波系统,·应用多频码元的系统),H04L25/02(基带系统,·零部件),H04L25/03(基带系统,·发射机或接收机中的整形网络)。

3. 专利申请主体分析。

在CNABS数据库中,得到的不同申请人有关信道估计技术的专利申请量。可以看出,国内外大公司都针对信道估计技术进行了大量研究,国内主要以中兴、华为两大设备商为主。此外,许多高校,例如,清华大学、东南大学、电子科技大学等在信道估计方面也进行了相关研究。

4. 领域分析。

在CNABS数据库中,统计得到的各领域有关信道估计的专利申请量。可以看出,针对信道估计技术的研究,大多集中于LET领域;但信道估计技术也是传感器网络、电力通信、水声通信、CMMB等领域中的关键技术之一。

5. 估计准则分析。

在CNABS数据库中,统计得到的信道估计技术中所采用的不同估计准则的专利申请情况。可以看出,基于最小均方差准则的信道估计技术申请量相对较多,其次是基于最小二乘准则的信道估计。

四、总结

信道估计 篇2

基于无人机下行链路的OFDM信道估计研究

该文将正交频分复用技术(OFDM)传输系统应用于无人机下行数据链路中,基于无人机通信信道的组成、冲激响应模型,构建了无人机链路中的OFDM通信系统.针对无人机信道快时变和高动态等特点.提出一种改进的.OFDM信道估计算法,给出了在无人机飞行状态下误码率性能的仿真结果.实验结果表明该OFDM信道估计算法可以满足未来无人机下行数据链路系统要求.

作 者：齐巍 常青 张其善 修春娣  作者单位：北京航空航天大学 刊 名：航空科学技术 英文刊名：AERONAUTICAL SCIENCE AND TECHNOLOGY 年，卷(期)： “”(4) 分类号：V2 关键词：无人机   数据链   OFDM   信道模型   信道估计  

基于LTE的OFDM导频信道估计 篇3

关键词:正交频分复用;LTE;信道估计;多径信道

中图分类号:TN929.5文献标识码:A文章编号:1007-9599 (2010) 09-0000-01

OFDM Pilot Channel Estimation Based on LTE

Wu YuzhangTang Puying

(School of Optoelectronic Information, University of Electronic Science and Technology of China,Chengdu610054,China)

Abstract:Orthogonal Frequency Division Multiplexing (OFDM) is one key technology of the LTE.On the LTE downlink OFDM system based on the reference signal assisted channel estimation algorithms are studied,focuses on a variety of interpolation algorithms,MATLAB simulation is given by multi-path channel estimation algorithm for performance comparison.

Keywords:Orthogonal frequency division multiplexing;LTE;Channel estimation;Multi-path channel

一、LTE系统模型

(一)LTE系统模型。LTE下行链路的物理信号在发送之前需要经过信道编码、加扰、调制、层映射、预编码以及OFDM信号的产生等处理。在接收端,采取与发送端相反的处理过程。

(二)LTE下行参考信号。LTE下行基本时频资源结构所示,在一个时隙内,常规CP情况下参考信号分为两列:第1参考信号和第2参考信号。第1参考信号位于每个时隙的第1个OFDM符号,第2参考信号位于每个时隙的倒数第3个OFDM符号,在频域上,每隔6个子载波插入一个参考信号。

二、LTE下行信道估计算法

在LTE下行链路基于参考信号的信道估计中,其过程一般为:接收端在接收到的信号中提取出参考信号,利用参考信号恢复出参考信号位置上的信道信息,然后利用某种手段获得所有子载波及符号上的信道信息。

(一)LS算法

假设LTE下行在频域的数学表达式: (1)

其中Y为接收端接收到的信号,X为发送端发送的信号,H和W分别为多径信道和加性高斯白噪声。

利用LS算法可以得到参考信号位置处的信道频域响应估计:

(2)

(二)LMMSE算法

利用LMMSE算法可以得到参考信号处的信道频域响应估计:

(3)

其中 是参考信号子载波位置处的信道频率响应, 是参考信号子载波与所有子载波的信道互相关函数, 是参考信号子载波的信道自相关函数, 是加性高斯白噪声的方差, 是信道频率响应的LS估计。

当OFDM信号使用单一调制时,式(3)中 可以被自身的期望值代替,即:

其中 是由调制类型决定的常量, 是信噪比。

(三)插值算法

1.线性插值算法。线性插值是利用相邻两个参考信号位置上的信道估计值,通过下面的线性表达式内插得到他们之间的数据位置处的信道响应值。

(4)

其中 为相邻参考信号的间隔, 为参考信号处的信道频率响应值

2.高斯插值算法。高斯插值是一种二维线性插值算法,需要用相邻的3个参考信号处的估计值进行二次多项式来拟合信道曲线。插值公式为:

(5)

其中:

三、仿真参数及结果分析

ITU VEA信道模型下LS算法和LMMSE算法BER性能比较,可以看出LMMSE算法在BER性能上要优于LS算法,但是LMMSE属于统计估计,需要信道的二阶统计特性进行估计,以及还存在矩阵求逆运算,复杂度相对比较高。LS算法属于确定性估计不需要信道信息,算法简单,在实际系统中,如果性能要求不是太高的话,可以考虑采用LS进行信道估计。

LS算法估计出参考信号位置的信道频率响应后,用各种插值算法恢复数据子载波位置处的信道频率响应的BER性能比较,Linear、Gauss、sinc、T-F、Spline、Cubic插值算法在BER性能上大体上是逐渐升高的,Linear插值算法,结构简单,性能最差;Spline、Cubic性能最好,但复杂度最高;因此在性能和复杂度方面取一个折中,T-F插值算一个比较不错的选择,在实际系统中可以优先考虑。

四、结语

本文针对LTE下行链路基于参考信号的信道估计进行了研究,重点介绍了各种插值算法,在性能和复杂度方面做了比较。LTE协议中没有规定任何具体的信道估計技术,如果性能满足要求和可允许的复杂性,其实现可以自由选择,因此LTE下行信道估计技术是一个重要的研究方向,为今后基于OFDM的新一代移动通信系统提供强有力的支持。

参考文献:

信道估计 篇4

在高速移动环境中, 无线信道的冲激响应会呈现时变特性, 在接收端解调信号中引入子载波间干扰 (ICI) , 使得系统性能严重恶化, 因此接收端的信道估计和ICI消除算法就显得十分重要[1,2,3]。信道估计可以分成盲估计和数据辅助型两大类。盲信道估计算法很难跟踪时变信道的变化情况, 因此OFDM系统中多采用基于导频的数据辅助型算法[4,5]。在时域和频域设计导频结构, 在导频点处插入已知序列, 在收端利用各种算法估计出传输信道响应。常用的导频辅助算法包括最小二乘 (LS) 算法[6]和最小均方误差 (MMSE) 算法[7]。LS算法复杂度低, 不依赖信道的统计特性;但由于没有考虑噪声对信道估计造成的影响, 并且不能对抗多普勒频移, 所以性能受限。MMSE算法理论上具有最好性能, 但由于需要求取逆矩阵, 复杂度高, 并且需要知道信道的统计特性, 实现困难。

本文提出一种OFDM系统的快速时变信道估计方法, 可以有效消除多普勒频偏引入的ICI, 在取得较好性能的同时能够避免MMSE算法过高的运算复杂度。

1 系统模型

假设OFDM系统包含N个子载波, 频域发送数据为X=[X0, X1, …, XN-1]T。通过逆快速傅里叶变换 (IFFT) 将频域数据转换为时域数据, 即x=FHX=[x0, x1, …, xN-1]。经过无线信道传输以后, 接收端数据y=[y0, y1, …, xN-1]为:

H表示N×N的时域信道冲击响应矩阵, 其中第n行第l列元素为表示求模运算, hn, l表示在时刻n (0≤n≤N-1) , 延时l (o≤l≤L-1) 处的信道冲击响应, v表示噪声向量。

假设理想时间同步, 接收端对式 (1) 做FFT变换, 得到

其中, 表示无线信道的频率响应矩阵, V表示噪声的频域形式。如果无线信道保持不变, 则H是一个循环矩阵, 那么G是对角阵。这种情况下子载波间没有干扰, 数据解调十分容易。如果无线信道由于多普勒效应而发生变化, 则H是不再是循环矩阵, G也不是对角阵。此时第k个子载波的输出[8]为:

式中, 第1项为希望解调的信号, 第2项为ICI。

2 ICI分析

将频率响应矩阵C中的元素Gk, n展开得到:

如果信道保持不变, 可以推导出[9]:

这种情况下矩阵G是对角阵, 不会引入ICI。

首先定义, 表示第m条多径分量冲击响应的平均值。然后用一个线性模型来模拟无线信道在时域的变化情况, 如图1所示。文献[7]证明在归一化多普勒频移不超过20%的条件下, 这个线性模型都很精确。假设αm表示第m条多径信道冲激响应的斜应, 那么第m条多径信道在时间r处的冲激响应可以写成:

将式 (4) 代入式 (6) , 可以推导出Gk, n的表达式为:

可以发现矩阵G的对角线由hmavg决定, 而非对角线元素由变化量Δhr, m决定。

3 频域均衡

根据式 (2) , 可以采用频域均衡的方法消除ICI, 这里采用MMSE准则。相应估计算法可以表示为:

式中, σ2是噪声能量, IN是N×N的单位矩阵。计算矩阵的逆, 需要数量级为 (N3) 的运算量, 复杂度很高。进一步分析可以发现对某个子载波而言, 绝大部分的ICI是由临近子载波引起的, 而与其距离较远的子载波影响可以忽略。因此可以将G近似为一个带状矩阵, 如图1所示。这个带状矩阵包含 (2D+1) 条主对角线和2个D×D的上三角和下三角矩阵, 表示ICI主要来自左右相邻的D个子载波。和传统频域均衡对整个ICI进行消除不同的是, 这种方法是对每一个子载波分别进行ICI消除, 所以只用考虑临近子载波的影响。为此构建一个G的子矩阵Gm, 大小为 (2D+1) × (4D+1) , 具体形式为:

利用子矩阵Gm进行频域均衡, 具体表示为:

其中, Q=2D+1, gm=Gm (:, 2D+1) 表示Gm的中间列。则经过均衡后的第m个子载波上的数据为:

4 信道估计

以上的频域均衡方法需要知道信道矩阵G, 这里采用导频辅助的方法对信道进行估计。假设一共有P=N/d个导频均匀分布在p (0) , …, p (P-1) 中, 彼此间隔为d。信道估计算法步骤如下:

(1) 暂时忽略掉ICI, 那么在有导频的子载波上可以进行信道估计, 具体为:

(2) 利用插值方法计算出整个G上的对角线元素, 然后再利用P点IFFT将频域信道相应转换成时域冲激响应向量, 其中t-1表示第t个OFDM符号。同理计算出

(3) 对t个OFDM符号, 假设无线信道变化的斜率有两个, 符号的前半部分为, 后半部分为, 分别的计算公式为:

(4) 有了斜率以后, 就可以计算出矩阵G中所有的非主对角线元素, 结合第一步中得到的主对角线元素, 对整个G的估计完成。然后就可以构造子矩阵Gm, 利用式 (9) 分别对每个子载波进行ICI补偿。

5 仿真结果与分析

为了验证本文所提算法的性能, 进行了算法仿真。仿真参照Wi MAX标准设计了OFDM的系统参数[10]。载波频率为2.4 GHz, 可用带宽为5 MHz。调制方式采用QPSK星座图映射。所有结果都是经过10 000次的蒙特卡洛仿真得到。本文采用服从瑞利衰落的5径信道模型[11], 信道冲击响应为:

信道的最大多普勒频移为1 000 Hz。

图2给出了本文信道估计算法的均方差仿真结果, 同时加入了LS、MMSE信道估计算法进行性能对比。本文算法中取D=1。从图中可以发现, 由于较大的多普勒频移会带来严重的ICI, 使得LS算法的性能恶化, 并且会出现平台现象, 即增大SNR, 算法MSE不会再降低。本文方法通过简化ICI矩阵, 可以达到与MMSE信道估计算法相近的性能, 同时算法复杂度大大降低。通过计算, 本文算法复杂度运算量级为N×O (53) , 而MMSE算法运算量级为O (N3) , 若取N=256, 则复杂度减少了99.81%。

图3对3种方法的误比特率进行了仿真对比。从图中可以看出, 本文提出的算法和MMSE信道估计误比特率性能十分接近, 并且与理想情况相比, 性能损失很小。对于LS算法而言, 由于其信道估计不准确, 导致误比特率性能相比于其他两种方法有明显恶化, 同时存在平台现象。

6 结束语

在快速时变信道下, 如何消除由多普勒频移引入的ICI是十分重要并且具有挑战性的。为了提高传统算法的性能, 通过分析ICI矩阵的特点, 提出了基于带状矩阵的简化MMSE信道估计算法。经过仿真分析, 在多普勒频移为1 000 Hz的时变信道中, 所提出的基于带状矩阵的信道估计算法相比于传统LS算法在估计精度上更为准确;同时在获得与MMSE算法相近性能的前提下, 计算复杂度大大降低, 表明算法在快速时变信道下是有效的, 并且能够在运算复杂度和估计精度之间很好地折中。

参考文献

[1]李敏, 黎锁平, 田秀丰.OFDM系统基于信道多径时延检测的自适应信道估计[J].无线电通信技术, 2009 (3) :1-5.

[2]王晗, 汪晋宽.OFDM系统LS信道估计中的最优导频设计[J].东北大学学报, 2008 (29) :673-676.

[3]席晓平, 张灿.移动OFDM系统中的ICI消除算法研究[J].电子与信息学报, 2009 (31) :653-656.

[4]张海滨.正交频分复用的基本原理与关键技术[M].北京:国防工业出版社, 2006:59-62.

[5]惠永涛, 李兵兵, 同钊, 等.时频双选信道OFDM系统的低复杂度MMSE-SD算法[J].电子与信息学报, 2013 (35) :261-266.

[6]李一杰, 周新力, 宋斌斌.OFDM系统中基于DFT的信道估计方法[J].无线电工程, 2014 (4) :73-76.

[7]YASAMINM, DONALD C C.ICI Mitigation for Pilot-Aided OFDM Mobile Systems[J].IEEE Transactions on Communications, 2005, 4 (2) :765-774.

[8]龚钢, 雷维嘉, 谢显中.基于梳状导频分布的OFDM信道估计改进算法[J].电讯技术, 2011 (4) :102-105.

[9]SI L U, Naofal A D.Coherent and Differential ICI Cancellation for Mobile OFDM with Application to DVB-H[J].IEEE Transactions on Wireless Communications, 2008, 7 (7) :1-7.

[10]ABICHAR Z, PENG Y, CHANG J M.Wi Max:The Emergence of Wireless Broadband[J].IEEE IT Prof., 2005, 8 (4) :44-48.

信道估计 篇5

MIMO信道的状态信息对于接收端和发射端来说, 都是未知的。因此为了获取信道的状态信息, 通常的方法是在数据传输之前发送一段发射端和接收端都已知的训练符号。Hassibi和Hochwald[1]在假定系统接收算法理想的情况下, 对此问题展开了研究, 并讨论了信道估计误差的特点。M.S.Baek[2]讨论了半盲信道估计算法及信道估计误差的性质。因此, 不管是采用基于导频的还是采用盲的信道估计, 通常都会存在一定的估计误差。信道估计误差的存在会引起MIMO系统的信道容量下降[3,4,5,6,7,8,9]。

Bhavani Shankar采用一阶扰动理论推导了存在信道估计误差情况下系统信道容量的上下限[7], 但其分析过程繁琐, 而且计算复杂度非常高。M.Medard详细推导了当接收端存在信道估计误差时, 单输入单输出 (SISO) 系统互信息的下限[10]。本文重点研究在相关Rayleigh衰落信道情况下, 接收端存在信道估计误差时MIMO系统信道容量的下限。

1 信道信号模型

考虑接收天线和发射天线数分别是M和N的MIMO系统, 接收信号模型为:

$\mathit{y}=\mathit{{\rm H}}\mathit{x}+\mathit{n}(1)$

式中:x为M×1维发射信号向量;y为N×1维接收信号向量;H为M×N维信道转移矩阵;n为N×1维加性白高斯噪声矢量。

发射端ULA天线阵上间距为d的两根天线空间相关系数约为:

$R(d)\approx \exp \left(\text{j}\frac{2\text{π}d}{\lambda }\sin \phi \right)\text{s}\text{i}\text{n}\text{c}\left(\frac{2\text{π}d\Delta }{\lambda }\cos \phi \right)(2)$

式中:λ为载波波长;φ为信号平均出发方向角;Δ为散射角。

MIMO系统信道矩阵分解为[7]:

$\mathit{{\rm H}}=\mathit{U}\mathit{R}{}^{\text{Η}/2}(3)$

式中:矩阵U的元素为独立同分布的均值为0, 方差为1的复高斯随机变量;R1/2RH/2=R。

设接收端能准确估计衰落空间相关矩阵R, 利用MMSE对矩阵U进行估计。

$\widehat{\mathit{U}}=\mathit{U}+\epsilon (4)$

式中:$\widehat{\mathit{U}}$为U的估计, 其元素为独立同分布的均值为0, 方差为1+σ${}_{\epsilon }^2$的复高斯随机变量;矩阵$\widehat{\mathit{U}}$和U为联合高斯分布;ε为信道估计误差, 其元素为独立同分布的均值为0, 方差为σ${}_{\epsilon }^2$的复高斯随机变量。$\widehat{\mathit{U}}$和U相应元素的相关系数为:

$\rho =1/\sqrt{1+\sigma {}_{\epsilon }^2}(5)$

利用二元正态分布性质, 可以得到:

$\begin{array}{l}E[\mathit{U}|\widehat{\mathit{U}}]=\mu =\widehat{\mathit{U}}/(1+\sigma {}_{\epsilon }^2)(6)\\ D[\mathit{U}|\widehat{\mathit{U}}]=\sigma {}_{\epsilon }^2/(1+\sigma {}_{\epsilon }^2)(7)\end{array}$

将矩阵U写成如下形式:

$\mathit{U}=\frac{1}{1+\sigma {}_{\epsilon }^2}\widehat{\mathit{U}}+\mathit{\eta }(8)$

式中:矩阵η的元素为独立同分布的复高斯随机变量, 均值为0, 方差为σ2η=σ${}_{\epsilon }^2$/ (1+σ${}_{\epsilon }^2$) 。

因此, 可以将存在信道估计误差时的MIMO信道模型构建为:

$\mathit{{\rm H}}=\left(\frac{1}{(1+\sigma {}_{\epsilon }^2)}\widehat{\mathit{U}}+\mathit{\eta }\right)\mathit{R}{}^{\frac{1}{2}}=\widehat{\mathit{{\rm H}}}+\mathit{\alpha }(9)$

式中:$\widehat{\mathit{{\rm H}}}=(\widehat{\mathit{U}}\mathit{R}{}^{1/2})/(1+\sigma {}_{\epsilon }^2)‚\mathit{\alpha }=\mathit{\eta }\mathit{R}{}^{1/2}$。

2 MIMO系统信道容量分析

接收信号向量可以写为:

当L=αx+n被视为高斯噪声时, 可得到MIMO系统信道容量下限为:

系统平均信道容量下限为:

将$\widehat{\mathit{{\rm H}}}$和σ2η的表达式代入式 (11) 中可得:

当发射端未知信道状态信息时, 发射端在各发射天线上采用等功率发射方案。假设发射的总功率为P, 则每根发射天线上分配的发射功率为P/N, 即Q=E (xxH) =P/NIN。这种情况下, 式 (12) 可简化为:

由于矩阵$\widehat{\mathit{U}}$的元素为独立同分布的均值为0, 方差为1+σ${}_{\epsilon }^2$的复高斯随机变量, 所以$\mathit{W}=\widehat{\mathit{U}}{}^{\text{Η}}\widehat{\mathit{U}}\sim W{}_{{\rm N}}({\rm M},(1+\sigma {}_{\epsilon }^2)\mathit{{\rm I}}{}_{{\rm N}})$。

由Wishart分布性质可得:

利用式 (14) 可得:

将式 (15) 代入式 (13) 中可得:

3 仿真结果与分析

仿真中, 假设散射物都位于天线阵的远场, 并且信道为准静态瑞利衰落信道;噪声为均值是0, 方差为1的加性高斯白噪声。

图1给出了存在信道估计误差时, 收发天线数对系统信道容量的影响, 其散射角Δ=π/6, 信道估计误差σ${}_{\epsilon }^2$=0.01, 发射天线采用ULA, 相邻天线间距d=λ/4。从图中可看出, 由于有了信道估计误差的影响, MIMO系统的平均信道容量随着信噪比的增大逐渐趋于恒定。当发射天线和接收天线数增加时, 系统的平均信道容量是增大的。

图2给出了MIMO信道矩阵满秩时, 信道估计误差大小对系统平均信道容量的影响, 其散射角Δ=π/6, 发射天线采用ULA, 相邻天线间距d=λ/4, M=N=4。从图中可看出, MIMO系统平均信道容量对信道估计误差很敏感。随着信道估计误差的增大, 平均信道容量逐渐减小。当信噪比较小时, 信道估计误差对系统平均信道容量的影响不明显。当信道估计误差一定时, 信噪比增大到一定程度后, 系统的信道容量达到饱和, 再增大信噪比, 信道容量基本保持不变。

4 结 论

接收端获取准确的信道状态信息是MIMO系统达到理论信道容量的前提。但是, 信道估计时通常会引入估计误差, 导致系统信道容量的下降。鉴于此, 研究了相关衰落环境中信道估计误差对系统信道容量的影响。在探讨了信道估计误差特点的基础上, 重新构建了MIMO信道的统计模型, 进而推导了当MIMO信道矩阵满秩时, 仅接收端已知信道CSI情况下系统信道容量的下限。

参考文献

[1] HASSIBI B, HOCHWALD B M. How much training is needed in multiple-antenna wireless links?[J]. IEEE Trans. Info. Theory, 2003, 49 (4) : 951-963.

[2]BARK MS, KI M MJ, YOU Y H.Semi-blind channel esti-mation and PAR reduction for MI MO-OFDMsystem withmultiple antennas[J].IEEE Trans.Broadcasting, 2004, 50 (4) :414-424.

[3] YOO T, YOON E, GIKDSMITH A. MIMO capacity with channel uncertainty: does feedback help? [C]//IEEE Proc. of Globecom′04. Dallas, USA: IEEE, 2004: 96-100.

[4]CHEN Y X, TELLAMBURA C.Performance analysis ofmaxi mumratio transmission withi mperfect channel esti ma-tion[J].IEEE Commun.Lett., 2005, 9 (4) :322-324.

[5]GU D, LEUNG C.Performance analysis of transmit diver-sity scheme with i mperfect channel esti mation[J].Electronics Letters, 2003, 39 (4) :402-403.

[6]BALTERSEE J, FOCK G, MEYR H.Achievable rate ofMI MOchannels with data-aided channel esti mation and per-fect interleaving[J].IEEE Select.Areas Commun., 2001, 19 (12) :2358-2368.

[7]SHANKAR M R B, HARI K VS.On the variations in ca-pacity of MI MO communication systems to channel pertur-bations[C]//Proc.2002 IEEE International Conference onPersonal Wireless Communications.New Delhi, India:IEEE, 2002:76-80.

[8]SAMARDZIJA D, .MANDAYAM N.Pilot-assisted esti ma-tion of MI MO fading channel response and achievable datarates[J].IEEE Trans.Signal Processing, 2003, 51 (11) :2882-2889.

[9]YAO Y W, GIANNAKIS G B.Rate-maxi mizing power al-locationin OFDM based on partial channel knowledge[J].IEEE Trans.Wireless Commun., 2005, 4 (3) :1073-1083.

信道估计 篇6

关键词：Turbo-TCM,Turbo-均衡,信道估计,递归最小二乘准则

1引言

Turbo信道编码出现之后,其卓越的译码方法-“Turbo译码”[1]受到了广泛的关注和研究,这种基于软输入软输出的MAP或维特比迭代译码方法已被应用于无线通信领域。

网格编码调制(TCM)技术1982年出现后,已被广泛应用于电话、卫星及微波通信中,在不损失带宽的情况下可获得3-6dB的编码增益[2]。把TCM技术和Turbo码结合起来可同时获得大的编码增益和高的带宽效率,因而出现了基于符号的Turbo-TCM信道编码。

基于Turbo方法的联合均衡和信道译码可以获得更高的增益,同时可更好地补偿带限信道的符号间干扰(ISI)[3]。带限信道可以看作码率为1的卷积码,因此,信道编码和ISI信道可以看作一个串行级联系统,和Turbo译码相似,利用迭代方法可以对ISI编码信号进行联合均衡和译码。

当信道特性确定时,Turbo联合均衡和信道译码在接收端可以获得非常低的误码率,反之,则不理想。大量的信道均衡方法已被研究和应用,如自适应线性均衡、判决反馈均衡等。另一方面,通过对信道的估计,在接收端近似模拟传输信道也可以获得很好的结果,如Monte Carlo法[4]、Baum-Welch法[5]等。这里采用软输入加重递归最小二乘法进行信道估计(WRLS)[6],这种方法具有快速收敛的特性。

本文首先给出传输模型,其次简单地给出MAP均衡准则、软输入递归最小二乘算

法以及TTCM译码方法,最后给出仿真结果和结论。

2传输模型

图1给出了发射端-信道-接收端的传输模型。来自信源的比特流{b}经过TTCM编码和映射后生成基带信号{d},假设{d}为MPSK信号。{d}经过外部交织器生成已交织信号{e},{e}和训练序列tn一起构成发射符号序列{z},并通过传递函数为h(t)的离散信道进行发射。接收端以符号速率进行采样后获得信号序列{y}。{z}和{y}可分别表示为:

T代表转置,A为训练序列长度,R为交织器长度。Wn为离散加性高斯白噪声(AWGN),其均值为0,方差为σ2。接收端{y}送入均衡器和信道估计器,均衡器采用软输入软输出LOG-MAP准则,根据卷积码的网格进行前向、后向计算。信道估计器首先根据训练序列进行软输入递归最小二乘[6]信道估计,之后丢弃训练序列,利用训练序列的收敛结果继续进行信道估计,并把信道信息送给均衡器。

均衡器输出的符号似然信息{e’}经外部解交织后进入解码器,根据LOG-MAP准则进行解码。TTCM解码器输出的比特似然信息经过处理后得到对应的符号概率信息{p’},并进行外部交织,之后,送入信道估计器和均衡器进行迭代估计和均衡。经过若干次迭代后通过TTCM解码器输出信息比特。

3LOG-MAP均衡准则

MAP准则通过最小化符号错误概率,并根据接收到的符号序列{y},以后验概率的形式获得软输出信息,如Pr(zt=q|yundefined)。对于某时刻t发射端发射的MPSK符号q可由0时刻到N-1时刻接收到的符号序列yundefined获得。

(1)式表明带限信道可以表示为码率为1的符号域卷积码,因此可以利用卷积码的网格图进行计算。对于MPSK信号,网格图有ML-1个状态。L为信道的符号间干扰长度,M为MPSK信号的集中信号个数。t时刻网格的第j个状态表示为St,j,该状态代表ML-1个信道的可能记忆状态之一{zt,zt-1,…,zt-L+1},以{undefinedt,undefinedt-1,…,undefinedt-L+1}代表接收端对这些记忆符号的假定值。则有:

Prundefined (2)

状态后验概率为λt,j=Pr(St,j|yundefined),前向变量为αt,j=Pr(St,j,yundefined),后向变量βt,j=Pr(St,j|yundefined),令U=ML-1,前向递归和后向递归根据(3)、(4)计算:

因为当前输入和当前信道状态无关,所以,Prundefined。在首次迭代时假定各符号的先验概率相等,所以有Prundefined,接下来的迭代过程中Prundefined等于译码器输出的外部概率信息经处理后得到的符号先验概率。又有

Prundefined

σ2为白噪声方差,undefinedt,ij为按照网格计算时从i状态转换到j状态转移对应的输出。某时刻输出符号q的后验概率为:

Prundefined (5)

均衡器输出的外部信息为:

Le(z′t = q) = lnPr(zt = q|y0N-1)-lnPrundefined

把以上各式按照(6)式进行计算便形成了完整的LOG-MAP准则。

log(eδ1+eδ2)=max(δ1+δ2)+log(1+e-|δ1-δ2|) (6)

因为卷积码有ML-1个状态,当信道符号间干扰较长时网格具有非常多的状态,计算将相当困难,所以在文献[7]中提出了BCJR法。这里仍采用通常的前向后向递归计算方法。

4软输入Weighted RLS信道估计

对于通常的判决反馈均衡器(DFE),如果把译码器的硬判决作为均衡器的反馈值,则错误判决值将导致均衡器产生连续错误,从而严重降低DFE的性能。因此人们对能够利用均衡器和译码器软输出的信道估计器进行了的研究,以期获得理想的接收机性能。文献[6]给出了WRLS信道估计算法。现简述如下:

设接收端外交织器输出的符号先验概率信息为Pt=(p0[t],p1[t],…,pM-1[t])T,undefined,X为MPSK对应的符号集,M为其元素个数。知道Pt后,每个采样时刻接收符号的均值和方差可以求得,undefined,undefined。式(1)中离散信道的系数可表示为h[t]=(h[t,0],h[t,1],…,h[t,L-1])T,又有undefined。则Weighted RLS准则可描述为:

其中,σ2为高斯白噪声的方差,λ为遗忘因子,H为共轭转置,*为共轭。初始时刻令h[t]=0,文献[8]对初始参数进行了讨论。

5Turbo-TCM译吗码准则[2,9]

图2给出了TTCM编码的原理框图。来自信源的比特流经过分量卷积码1后在映射器1根据TCM方法映射为基带信号。同时,信源比特流经过交织后进入分量卷积码2,并在映射器2内进行映射,之后通过符号解交织器。两路基带信号经过交替删余后输出,这样可以保证每一信息比特组仅对应MPSK信号集中的一个元素。

解码过程如图3,来自外交织器的符号先验概率{d’}被分为两路,分别送入逐符号MAP译码器1、2。在第n次迭代时,有:

undefined (12)

undefined (13)

对于二进制MAP译码器,其输出的软信息可以被分离成三部分(校验信息、外部信息和系统信息),外部信息在两个分量译码器间进行交换。而逐符号MAP译码器的软输出中外部信息和系统信息无法分离,因此外部信息和系统信息一起在两个分量译码器间进行交换。

undefined (14)

L2,es=L21-L12=L21-L1,es (15)

在译码器的迭代过程中L1,es被看作比特位先验概率比值的估计,经过内部交织器后被送入分量译码器2,分量译码器2输出的联合外部信息和系统信息为L2,es,在下一次迭代过程中,L2,es也作为比特位先验概率比值的估计参与分量译码器1的计算。两个分量译码器都根据MAP准则进行前向、后向递归计算。

把TTCM译码器的迭代过程称为“内部迭代”,把均衡器和译码器的联合迭代过程称为“外部迭代”。进行若干次内部迭代后利用译码器2输出的信息比特的后验概率和由接收端符号获得的校验位概率,可以求得发射符号的后验概率{p’}。经过若干次外部迭代后,译码器输出信息比特的硬判决{b’}。

6仿真结果

设离散带限信道符号间干扰长度L=4,信道模型中系数h(n)=[1,0.6,0.4,0.1],训练序列长度A=64,内、外交织器长度均为1024。WRLS衰落因子λ=0.99,P[0]=δ-1I, δ根据离散加性高斯白噪声的方差σ2手动调整。图4给出了信噪比为10dB时式(7)中v(t)的收敛曲线,可以看出软输入WRLS估计算法收敛速度非常快。图5给出了在不同信噪比情况下随内部迭代和外部迭代次数的不同误比特率的变化曲线。可以看到随内部迭代和外部迭代次数的增加其误码性能越来越好。

7结束语

本文给出了一种适合于带限信道的基于符号的联合Turbo-均衡、信道估计和信道译码模型。该接收机模型通过“Turbo”方法,利用Turbo-TCM译码所获得的增益来矫正信道估计,从而通过内部和外部迭代来改善接收机的性能。

参考文献

[1]C·Berrou,A·Glavieux,and P·Thitimajshima·Near Shannon Limit Error-Correcting Coding:Turbo Codes·IEEE Int,Conf·Com-munication,Geneva,Switzerland,1993·1064～1070

[2]Branka Vucetic,Jinhong Yuan·Turbo Codes principles and Applications·Kluwer Academic Publishers,2000·263

[3]C·Douillard,M·Jezequel,C·Berrou,A·Picart,P·Didier,and A·Glavieux·Iterative correction of intersymbol interference:Turbo-equalization·European Trans·on Telecommunications,1995,ETT-6,(5):507～511

[4]R·Chen,J·S·Liu,and X·Wang·Convergence analysis and comparisons of Markov chain Monte Carlo algorithms in digital com-munications·IEEE Trans·Signal Processing,2002,50·255～270

[5]L·E·Baum,and T·Petrie·A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chain·The Annals of Mathematical Statistics,1970·4(1):164～171

[6]Seongwook Song,Andrew C·Singer,and Koeng-Mo Sung·Soft input channel estimation for turbo equalization·IEEE Trans·on signal processing·2004,52(10):2885～2894

[7]Volker Franz and John B·Anderson·Concatenated decoding with a reduced-search BCJR Algorithm·IEEE Jour·On Sel·Areas in Commun·,vol·1998,16(2):186～195

[8]Simom Haykin·Adaptive filter thory(fourth edition)·Publishing house of electronics industry,2002,7:436

信道估计 篇7

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.

OFDM系统信道估计的研究 篇8

正交频分复用(OFDM)系统可等效为N个独立的并行相互正交的子信道。预先估计N个子信道的频率特性,同时用估计结果来抵消各个子信道衰落的影响,最后可以在接收端获得正确的解调。它具有较高的频谱利用率和良好的抗多径干扰能力,适用于高速率和多媒体数据传输,被广泛应用于众多领域,同时被认为是未来第四代移动通信的核心技术之一。OFDM系统的信道估计,就是从接受数据中将假定的各个信道模型的模型参数估计出来的过。

2 OFDM系统介绍

OFDM是一种特殊的多载波传输方案,它可以被看作是一种调制技术,也可以被当成一种复用技术。OFDM技术的主要思想是:在频域内将传输频带分成许多正交子信道,在每个子信道上使用一个子载波进行调制,并且各个子载波并行传输。由于各个子载波相互正交,所以扩频调制后的频谱可以相互重叠,不但减小了子载波间的相互干扰,还大大提高了频谱利用率。

3 OFDM信道估计的作用

OFDM信号在衰落信道中传输时,其幅度会发生衰落,相位会发生偏移。在接受端需要有一个包含信道特性的参考信号,才能正确恢复出原来的发送信号。而解决参考信号问题的一种方法就是采用相干检测。相干检测首先需要对参考信号的幅度和相位进行估计,即信道估计,然后用估计得到的信道信息进行均衡,从而消除或减小信道对信号造成的失真。

4 OFDM系统的信道估计算法介绍

OFDM系统的信道估计,有不同的分类方法。按信道估计算法输入数据的类型分类,可分为时域信道估计和频域信道估计;从估计算法先验信息的角度,还可分为非盲信道估计和盲信道估计。对信道基本上不会发生快速的变化,在一帧数据时间内,可以近似认为信道状态保持不变时,信道估计采用非盲估计。相反,当信道变化较快,而且一帧的长度较大时,可以利用OFDM符号中频域导频序列进行信道估计,可以跟踪信道的快速变化,但是导频频域上是离散的,而且数目不多,这样就要求信道具有较高的频率相关性。

其中信道的非盲估计,比如:基于训练序列或导频的估计;另外一类是信道的盲估计,即利用调制信号本身固有的、与具体承载信息比特无关的一些特征,或是采用判决反馈的方法来进行信道估计的方法,比如:判决信道估计。

4.1 基于训练序列的OFDM信道估计算法

基于训练序列的OFDM信道估计算法,包括:LS(最小二乘法)和LMMSE(线性最小均方误差法)。

其中,LS算法较简单,易于实现。但是受高斯白噪声和子载波间干扰(ICI)的影响很大,所以在低信噪比的情况下,它的精度会大大降低。因此,LS算法只能在高信噪比的情况下被使用。LS估计器的MSE较大,通过LS算法估计出来的信道带有较大的噪声,还需要用线性估计器进一步平滑。

LMMSE估计是对未知量建立一个线性模型,进行MMSE估计,得到的只是在这个线性假设下MMSE估计角度最好的估计值。LMMSE估计器复杂性较高,每次估计都是需要求矩阵的逆。MMSE算法对于ICI和高斯白噪声有很好的抑制作用,它的效果好于LS算法,在相同的MSE下,LMMSE算法在SNR上要优于LS算法10~15d B左右。但是LMMSE算法需要知道信道的先验知识,并且它的运算复杂度较高。

4.2 基于导频符号的信道估计

基于导频符号的信道估计中,其导频结构分为,在时间和频率两个方向插入导频的矩形结构。其实不管是矩形、对角或者随机分布,都是由块状导频和梳状导频这两种基本形式演化而来的。下图分别是梳状导频和块状导频下的OFDM符号的结构。

块状导频周期性的在时域内插入特定的OFDM符号。这种导频的插入方式适用于慢衰落的无线信道中,即在一个OFDM块中,信道视为准静止。因为这种训练序列包括所有的子载波,不需要在接收端进行频域内的插值,所以这种导频的设计方案对频率选择性不是很敏感。

梳状导频均匀的分布于每个OFDM块中。假设两种导频的导频载荷相同,梳状导频有更高的重传率,因此梳状导频在快衰落信道下估计的效果更好。但是在梳状导频的情况下,非导频子载波上的信道特性只有根据对导频子载波上的信道特性进行插值才能等到,所以这种导频方式对频率选择性衰落比较敏感。为了有效对抗频率选择性衰落,子载波间隔要求比信道的相关带宽小很多。

4.3 盲信道估计

在盲信道估计中,判决信道估计方法,要求导频符号在时间轴和频率轴方向的间隔为2的整数次方。这种估计方法先在频率方向做线性估计,然后利用频率方向的估计结果在时间方向做线性估计。此方法在做信道估计的同时进行衰落补偿,并利用补偿后的数据符号的判决结果继续进行信道估计。此方法具有实现简单的优点。在信噪比低时,由于误判带来的错误扩散,其均方误差较大;当信噪比较高时,这种方法消除了误差的累积。

5 结束语

在慢变化的信道环境中,信道的相关性比较强,LMMSE估计的性能比较好,但是复杂度相对比较高,LS估计性能次之,实现比较简单,判决估计由于存在错误传播的原因性能最差。

在快变的信道环境中,当信噪比逐渐增大时,由于信道的相关性很差,因此LS估计、LMMSE估计的性能变得很差,而判决估计由于具有很强的信道跟踪能力,因此性能优于其他几种算法。

综上所述,系统性能的提高是以系统的复杂度为代价的。因此,在实践中,应该根据实际系统的信道环境来选择适当的方法,从而找到系统的性能和复杂度的平衡点。

参考文献

[1]黄韬　袁超伟　杨睿哲 刘鸣编著.MIMO相关技术与应用.北京:机械工业出版社,2006

[2]彭木根　王文博等编著.下一代宽带无线通信系统OFDM&WIMAX.北京:机械工业出版社,2007

基于散射函数的短波信道参数估计 篇9

短波天波通信靠电离层反射进行, 由于电离层的时变性和电离层不均匀体的存在, 使得短波信道具有独特的传播特性。这些特性包括幅度衰落、多径传播、相位起伏, 以及存在信号的多种传播模式和最高可用频率。散射函数 ( SCF) 表示能量在时间轴和频率轴上的散布, 其实质是一个二维的功率谱密度函数。它与时延扩散、时延偏移、多普勒频移、多普勒扩展有关, 是一种展示信号能量分布的图形化方法[1]。多普勒散布谱表征了短波信道的频率散布特性, 其宽度称为信道的多普勒散布, 它与电离层状况、工作频率和通信距离等多种因素有关, 一般为几赫兹[2]。多径散布谱表示各时延分量所具有的强度分布, 其宽度称为多径散布, 一般是零点几至几毫秒[3]。由散射函数可以得到信道的多普勒散布谱、多径散布谱和信号的传播时延、多普勒频移等参数, 从而进一步估计出信道的多普勒散布、衰落相干时间、多径散布以及相关带宽。因此, 散射函数的测量对研究短波信道传播特性和信道建模具有重要意义。所以, 本文从理论上分析了短波信道散射函数及其测量方法, 并利用散射函数得到了短波信道的衰落带宽、衰落相干时间、多径散布、相关带宽, 以及信号的多普勒频移、传播时延等参数。

2 理论分析

Vogler短波宽带信道模型的冲激响应函数[4]可以表示为

其中t和τ分别是时间和传播时延; j表示虚部;P ( τ) 表示第n条传播路径的延时功率谱, 表征了信道的冲激响应是时延的函数, 可以表示为

其中A是最大接收功率, τc是中心频率处的平均时延 ( 它决定时延的偏移量) , τl是使Pn ( τl) = 0的点; 多普勒频移有fB表征:

其中fs是τc处的多普勒频移, fsL是延时扩散低端点τL处的多普勒频移; 多谱勒扩展的形状由ζ决定, 经统计分析, ζ有Gaussian型和Lorentizian型两种[5]:

其中A是最大接收功率, Ath为接收机门限, σD是多谱勒扩展的半带宽。

信道冲击响应的自相关函数为

其中C是归一化常数, * 表示复共轭, Δt是自相关函数的时间差。散射函数 ( SF) S ( τ, fd) 是冲激响应的自相关函数的傅立叶变换, 即

其中fd是多普勒频率。对应于两种类型的延时功率谱形状的散射函数[6]分别为

在实际的短波信道探测中, 信道的冲击响应是无法直接获得的, 只能通过利用自相关特性比较好的序列, 经调制对信道进行探测, 在接收端下变频后与发端上变频之前的序列作相关运算去估计信道的冲击响应[7,8,9]。设实际短波信道探测中上变频之后的信号为

将信号s ( τ) 与式 ( 1) 中的信道冲击响应相卷积后就得到了接收信号, 将接收信号下变频后得

式中* 表示卷积运算。将rd ( τ) 与插值后的m序列x ( τ) 作相关运算, 得

式中表示相关运算。如果序列x ( τ) 的相关特性足够好 ( 理想情况下为δ函数) , 则有

因此, 可以用相关函数C ( t, τ) 去估计信道的冲击响应h ( t, τ) 。经多次探测, 对估计得到的一系列冲击响应h ( t, τ) ( ti= 1, 2, …, M) 在时间轴t上作自相关运算, 再对所得自相关函数作傅里叶变换即得信道的散射函数S ( τ, fd) 。实际上, 要获得散射函数的一个估计, 需要考虑电离层信道在一定的时间内是平稳的, 实验表明这个平稳性可以持续10s到600s, 相关计算时间应小于这个时间长度[10]。

散射函数中的每一路径的最大值在频率轴上偏离零频的值即是信号的多普勒频移, 在时延轴上偏离零时延的值即是信号的传播时延。

散射函数S ( τ, fd) 在多普勒频率fd轴上的边际函数为信道的多普勒散布谱, 用P ( fd) 表示, 即

它表征了信道的频率散布特性。利用多普勒散布谱可以得到信道对各路径信号造成的多普勒频移。P ( fd) 的宽度称为信道的多普勒散布, 用Bd表示。由于Bd是时间衰落信号功率谱的宽度, 所以也称之为衰落带宽。信道的衰落相干时间Δtc与Bd互为倒数关系, 即

散射函数S ( τ, fd) 在多普勒频率τ轴上的边际函数为信道的多径散布谱, 用Q ( τ) 表示, 即

它表示信道的时延散布特性。利用多径散布谱可以得到信号传播路径的个数及各个路径的时延。Q ( τ) 的宽度称为多径散布, 用Tp表示。信道的相关带宽Δfc与多径散布成倒数关系, 即

3 实验结果

2011年7月20日至22日于湖北武汉 ( 30°35'N, 114°14'E) 和河南商丘 ( 34°24'N, 115°37'E) 利用自动扫频短波信道斜向探测系统 ( 如图1所示) 自动扫频模式采用三种不同速率信号进行了为期三天的短波信道探测实验, 其中, 发射站位于武汉, 接收站位于商丘, 两站间的直线距离约为440km, 探测信号为m序列调制的二进制移相键控 ( BPSK) 信号。

图2的 ( a) 、 ( b) 所示为格林威治时间2011年7月20日05时26分采集的探测数据估计得到的散射函数, 所用载频为6.22MHz, 数据速率为1000BD, 相应的信道的多普勒散布谱和多径散布谱如图2的 ( c) 、 ( d) 所示。从图2的 ( a) 、 ( b) 、 ( d) 中可以看出, 信号的传播路径只有一条, 传播时延为3ms, 通过计算得有效反射高度约为130km、196km或393km, 相应的传播模式为3Es、2F1或1F2。从图2的 ( b) 、 ( c) 可以看出, 多普勒频移接近于零赫兹, 为0. 0087Hz。信道的衰落带宽大约为1. 285Hz, 衰落相干时间约为0. 778s; 信道的多径散布约为2.15ms, 相关带宽约为465Hz。

图 2 格林威治时间2011 年7 月20 日05 时26 分信道的散射函数、多普勒散布谱和多径散布谱

图 3 格林威治时间2011 年7 月22 日12 时11 分信道的散射函数、多普勒散布谱和多径散布谱

图3的 ( a) 、 ( b) 所示为格林威治时间2011年7月22日12时11分采集的探测数据估计得到的散射函数, 所用载频为6.22MHz, 数据速率为2000BD, 相应的信道的多普勒散布谱和多径散布谱如图3的 ( c) 、 ( d) 所示。从图3的 ( a) 、 ( b) 、 ( d) 中可以看出, 信号的传播路径有两条, 传播时延分别为3.625ms和5. 5ms, 通过计算得第一条传播路径的有效反射高度约为249km, 传播模式为2F1, 第二条传播路径的有效反射高度约为398km, 传播模式为2F2。从图3的 ( b) 或 ( c) 可以看出, 多普勒频移接近于零赫兹信道的衰落带宽大约为1.3156Hz, 衰落相干时间约为0. 76s; 信道的多径散布约为3.375ms, 相关带宽约为296Hz。

4 结 论

信号的传播时延和多普勒频移在短波信道模型特性仿真中十分重要, 短波信道的多普勒散布、衰落相干时间、多径散布以及相关带宽等参数对新型短波通信系统的研制具有重要意义。从短波信道散射函数中不仅可以估计出信号的传播时延和多普勒频移, 还可以估计出信道的多普勒散布、衰落相干时间、多径散布以及相关带宽。因此, 短波信道散射函数的测量是短波信道探测研究中很重要的一个方面。所以, 本文首先从理论上分析了短波信道散射函数及其测量方法, 其次, 利用散射函数估计了实测短波信道的衰落带宽、衰落相干时间、多径散布、相关带宽以及信号的多普勒频移、传播时延等参数, 对短波信道模型特性仿真具有实用价值, 对新型短波通信系统的研制具有重要的指导意义。

摘要：理论分析了短波信道散射函数的计算, 给出了实际短波信道探测中散射函数的测量方法, 以及利用散射函数估计短波信道的衰落带宽、衰落相干时间、多径散布、相关带宽和信号的多普勒频移、传播时延等参数的方法。从实验数据中得到了短波信道的散射函数, 利用散射函数估计了上述参数, 给出了估计结果。

关键词：短波,散射函数,参数估计

参考文献

[1]DAVID A, SUTHERLAND Jr.Software implementation of a wideband HF channel transfer function[R].America:NTIA, 1998.

[2]刘月亮, 蒋宇中, 张四起.短波信道探测中多普勒频移的计算[J].计算机应用研究, 2012, 29 (3) :1070-1072.

[3]刘月亮.低信噪比条件下短波信道传播特性探测与建模研究[D].武汉:海军工程大学, 2012.

[4]Vogler L E, Hoffmeyer J A.A model for wideband HF propagation channels[J].Radio Science, 1993, 28 (6) :1131-1142.

[5]Mastrangelo J F, Lemmon J J, Vogler L E.A new wideband high frequency channel simulation system[J].IEEE Trans.on Commun., 1997, 45 (1) :26-34.

[6]孙萍, 辛刚, 张水莲.一种宽带短波信道建模方法的研究与仿真[J].息工程大学学报, 2009, 10 (3) :344-347.

[7]周晨, 赵正予, 杨国斌, 等.电离层高频信道互易性研究:中纬度电离层斜向探测实验[J].电子与信息学报, 2011, 33 (1) :142-145.

[8]石书祝, 赵正予, 黄硕, 等.小功率便携式电离层斜向返回探测雷达设计[J].中南大学学报 (自然科学版) , 2010, 41 (4) :1429-1434.

[9]石书祝, 赵正予, 李婷, 等.武汉电离层斜向返回探测系统波形发生器设计[J].深圳大学学报理工版, 2009, 26 (4) :415-419.