CN101056295A - 一种基于子载波交织分配的ofdma系统频偏估计方法 - Google Patents

Abstract

本发明针对现有OFDMA系统上行链路盲频偏估计方法中的定时同步与频偏估计割裂、频谱利用率低的问题，公开了一种不需要预先定时同步，频谱利用率高的基于功率谱叠加的子载波频偏盲估计方法。本发明利用同一用户在各个子载波上具有相同载波频偏这一特点以及最后一个循环前缀，对自相关函数进行适当的抽取，将同一用户的多个子载波进行功率谱叠加，从而使得频谱利用率更高，估计复杂度降低，估计更精确。

Description

一种基于子载波交织分配的OFDMA系统频偏估计方法

技术领域

本发明涉及OFDMA无线通信中的载波频偏估计方法，特别涉及一种基于子载波交织分配的OFDMA的频偏估计方法。

背景技术

OFDMA(Orthogonal Frequency Division Multiplexing Access，正交频分多址)是OFDM(正交频分复用)与FDMA(频分多址)技术的结合，通过为每个用户提供部分可用子载波的方法来实现多用户接入。在OFDMA系统中，用户占用不同的子载波，因此多个用户同时进行数据传输，实现多址；同时由于各个子载波之间的正交性，不需要为不同用户间插入保护频带，且用户频带互相交叠，从而比FDMA的频谱利用率有较大的提高；子载波间的正交性还可以减少载波间干扰(inter-carrier interference，ICI)及用户间干扰(multiuser interference，MUI)。因此，OFDMA引起了越来越多的关注，并被选作IEEE802.16a的多址技术之一。

由于OFDMA采用了OFDM技术，其继承了OFDM的诸多优点，但也同样易受载波频率偏移(carrier frequency offset，CFO)的影响。在OFDMA系统中，频率偏移CFO不仅会引起载波间干扰ICI，同样由于没有保护频带而引起用户间干扰MUI。因此，性能良好的频率偏移CFO的估计及校正就显得尤为重要。

OFDMA上行链路的载波频偏估计方法主要有两种，一种是采用训练序列的数据辅助估计方法，一种是盲频偏估计方法。前者由于采用训练序列，会使频谱效率降低。盲估计方法不需要利用已知训练序列，且大都基于子空间的方法，具有超分辨的估计性能。2003年IEEE国际会议论文集(IEEEInternational Conference on Communications)第5卷中《Efficient structure-basedcarrier frequency offset estimation for interleaved OFDMA uplink》提出了一种盲频偏估计方法，但该方法事先假设定时同步已完成，即已知符号起点，将定时同步与频偏估计割裂开来，且需要虚拟子信道，用以估计噪声空间，同样使得频谱利用率降低。

发明内容

本发明针对现有OFDMA系统上行链路盲频偏估计方法中的定时同步与频偏估计割裂、频谱利用率低的问题，利用子载波交织OFDMA系统上行信号频谱特点，提出了一种不需要预先定时同步，频谱利用率高的基于功率谱叠加的子载波频偏盲估计方法。

为达到以上目的，本发明是采取如下技术方案予以实现的：

一种基于子载波交织分配的OFDMA系统频偏估计方法，包括下述步骤：

步骤1：假定接收数据第n个采样值为某符号CP部分最后一个采样，从位置n开始，将接收数据分成长度为N+N_cp的数据块，并取每个数据块的前N+1个数据，构造矩阵X，即取得假设的干净数据：

其中N为系统子载波个数，N_cp为一个OFDM符号中CP个数；

步骤2：抽取矩阵X中第iP+1，i＝0，...，Q行，得矩阵Y；

步骤3：求抽取后的自相关矩阵R＝Y Y^H/N_symbol即完成功率谱叠加，其中N_symbol是一帧内可用符号数或矩阵Y的列数，然后对R进行特征分解，得特征向量{u₁，...，u_Q+1}，取{u₁，...，u_Q}为信号空间特征向量，最小特征值对应特征向量u_Q+1为噪声空间特征向量；当U＜Q时，取噪声特征相量{u_U+1，...，u_Q+1})；

步骤4：利用步骤3所得噪声特征向量或信号特征向量进行叠加后的功率谱估计，记录下该点叠加后功率谱估计结果中尖峰个数；

步骤5：当叠加后的功率谱估计中有U个剧烈的峰值，记录下各峰值大小和位置，并与前一点叠加后的功率谱估计峰值比较，如果出现了急剧的下降，那么执行步骤6，否则返回步骤1，并更新起始点为点n+1；

步骤6：记录下此时的位置n，n-1为当前符号最后一个干净CP的位置，实现定时同步，并根据出现急剧下降前记录的各峰值对应频率 $\hat{f}=\{{\hat{f}}_1,\·\·\·,{\hat{f}}_U\}$ 估计载波频偏 $\mathrm{\Δ}{\hat{f}}_i=[{\hat{f}}_i-(i-1)/U_i]U.$

上述技术方案中，所述步骤4中的叠加后的功率谱估计采用下式表示：

P(ω)=1/{E^Huu^HE})(U＜Q时 $P<\left(\mathrm{\&omega;}\right)=1/\left\{\underset{i=U+1}{\overset{Q+1}{\mathrm{\&Sigma;}}}{E}^H{u}_i{u}_i^{H}E\right\}$ )

其中E＝{1，e^j2πω，...，e^j2π(U-1)ω}；所述步骤5中的峰值为平均值的100倍以上；所述步骤6中的定时同步是指找到各用户最后一个公共CP。定时同步的性能用下式表征：

$\mathrm{Ti}\min \mathrm{gError}\left(\mathrm{TE}\right)=\frac{1}{M}\sqrt{\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\hat{n}}_m-n_{\mathrm{cp}})}^2}$

其中 是估计的某OFDM符号最后一个CP的位置，n_cp为设定的某符号中最后一个CP的位置。

与现有技术相比，本发明的优点在于，本发明方法利用欠采样造成的频谱混叠现象和同一用户在各个子载波上具有相同载波频偏，以及结合交织分配OFDMA的子载波分布的特点，对自相关函数值进行欠采样，将属于同一用户的不同子载波在功率谱中进行叠加，使能量得到集中，减小计算复杂度；仅利用一个循环前缀(CP)，而不是整段CP，避免了符号间干扰(inter-symbolinterference，ISI)对估计性能的影响；使用一个干净CP，增加了相关函数子空间个数，用作噪声空间估计，提高了频谱利用率。此外，按照本发明的盲频偏估计方法，定时同步与频偏估计实现了统一，定时偏差精度很高。

附图说明

图1为子载波交织分配方式示意图。

图2为上行链路接收信号示意图。其中，图2(1)为两用户情况下接收信号图示；图2(2)为两用户情况下接收数据可能会出现的八种情况；图2(3)为图2(1)、图2(2)的图例。

图3为图2(2)中的八种情况下叠加后的功率谱图。其中，图3I对应于图2(2)中的CaseI，图3II对应于图2(2)中的CaseII，图3III对应于图2(2)中的CaseIII，图3IV对应于图2(2)中的CaseIV，图3V对应于图2(2)中的CaseIV，图3VI对应于图2(2)中的CaseVI，图3VII对应于图2(2)中的CaseVII，图3VIII对应于图2(2)中的CaseVIIII。

图4为本发明频偏估计方法的流程示意图。

图5为本发明方法在一帧中符号数不同时在不同信噪比条件下的仿真性能结果。

图6为本发明方法与传统方法的仿真性能比较。

具体实施方式

下面结合附图及具体实例对本发明作进一步的详细说明。

在OFDMA系统中，主要有两种子载波分配方式：块(Block)分配和交织(Interleaved)分配。交织分配方式可以提供最大的频率分集和信道分集，但是由于不同用户的子载波相距较近，因此也容易引起用户间干扰。

交织分配方式如图1所示：  假设子载波总数为N的子载波交织OFDMA系统，用户个数为U。将N个子载波分成Q个子信道{SC₁，SC₂，...，SC_Q}每个子信道包含P＝N/Q个子载波{SC_i，1，SC_i，2，...，SC_i，P}。各子信道中第p个子载波构成第p个子载波组SC group p，p＝1，...，P。假设用户i(i≤U)占用某个子信道q⁽ⁱ⁾，其对应子载波为pQ+q⁽ⁱ⁾，p＝1，...，P，其中q⁽ⁱ⁾是第一个子载波组中分配给用户i的子信道，且q⁽ⁱ⁾≠q^(j)，i≠j。

由于每个用户占用P个子载波，因此各用户数据流被分成长度为P的数据块{s_i，1，s_i，2，...，s_i，P}，i＝1，2，...，U(U为用户数，U≤Q)。各用户数据块被分配到相应的子载波pQ+q⁽ⁱ⁾上，经过IFFT(快速付利叶反变换)运算转化为时域OFDM信号，然后插入CP，并/串转换，调制到射频并发射出去。

接收端接收到的信号是带有不同时延和频偏，经过不同信道的各用户信号之和。基带接收信号为

$r\left(n\right)=\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{\&Delta;}{f}_i(n-n_i)}\underset{l=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_i(n-n_i-l)x_i\left(l\right)+\mathrm{\&omega;}\left(n\right)---\left(1\right)$

其中 $x_i\left(n\right)=\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{s}_{i,k}{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{kn}}$ 是用户i的基带发射信号，s_i，k为用户i在载波k上的调制符号，Δf_i是用载波间隔Δf归一化后的用户i的载波频偏，h_i(n)是用户i信道冲击响应，n_i为用户i的时延。L是信道阶数，ω(n)是谱密度为N₀的加性高斯白噪声。

把接收信号中未受上一符号干扰的数据称为干净数据。则干净的接收信号可表示为

$r\left(n\right)=\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{\&Delta;}{f}_i(n-n_i)}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{s}_{i,k}{H}_{i,k}{e}^{j\frac{2\mathrm{\&pi;}}{N}k(n-n_i)}+\mathrm{\&omega;}\left(n\right),n=-N_{\mathrm{clean}},\&CenterDot;\&CenterDot;\&CenterDot;,N-1---\left(2\right)$

其中H_i，k(i＝1，...，U)为用户i信道在载波k上的频率响应 $H_{i,k}=\underset{l=1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_{i,l}{e}^{-j\frac{2\mathrm{\&pi;}}{N}\mathrm{kl}},$ N_clean为CP部分各用户均未受上一符号干扰的采样数。

当各用户随机产生一组数据且周期传输的时候，由于各符号传送的信息相同，多径信道造成的符号间干扰仅是信道与发送信号主值序列的周期卷积，接收信号可表示为

$r\left(n\right)=\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{\&Delta;}{f}_i(n-n_i)}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{s}_{i,k}{H}_{i,k}{e}^{j\frac{2\mathrm{\&pi;}}{N}k(n-n_i)}+\mathrm{\&omega;}\left(n\right)---\left(3\right)$

其自相关函数为

$E\left\{r\left(n\right)r^{*}(n-\mathrm{\&tau;})\right\}=\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{\&Delta;}{f}_i\mathrm{\&tau;}}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}E\left\{s_{i,k}{s}_{i,k}^{*}\right\}|H_{i,k}{|}^2{e}^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{k\&tau;}}+N_0\mathrm{\&delta;}\left(\mathrm{\&tau;}\right)---\left(4\right)$

由上式可见接收信号为平稳随机信号。比较(2)式和(3)式，干净数据可看作是周期性发送数据时接收到的N+N_clean个数据。

当|Δf_i|＜0.5时，通过分析信号的功率谱，可以正确估计每个子载波上的载波频偏，进而得出各用户的频偏估计值。接收的干净信号为平稳随机信号，可采用特征结构法进行功率谱估计。如果对各个子载波分别进行载波频偏估计，需要对N×N矩阵求逆，计算复杂度较高。

本发明利用同一用户在各个子载波上具有相同载波频偏这一特点，对自相关函数进行适当的抽取，将同一用户的多个子载波进行功率谱叠加，从而使得估计复杂度大大降低，估计更精确。

假设N_cp＞L+N_off，N_off是用户间最大时延，因此在一个OFDM符号中至少可以获得N+1个干净的采样值。首先对每个符号中的干净信号间隔P进行抽取并组成一列Y＝[r(n)，r(n+P)，...，r(n+N)]^T，为Q+1个数据。

由(3)式可知，接收端干净信号中来自用户i的信号为

$r^{\left(i\right)}\left(n\right)=e^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{\&Delta;}{f}_i(n-n_i)}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{s}_{i,k}{H}_{i,k}{e}^{j\frac{2\mathrm{\&pi;}}{N}k(n-n_i)}$

$=e^{j\frac{2\mathrm{\&pi;}}{N}(\mathrm{\&Delta;}{f}_i+q^{\left(i\right)})(n-n_i)}\underset{p=0}{\overset{P-1}{\mathrm{\&Sigma;}}}{s}_{i,\mathrm{pQ}+q^{\left(i\right)}}{H}_{i,\mathrm{pQ}+q^{\left(i\right)}}{e}^{j\frac{2\mathrm{\&pi;}}{P}p(n-n_i)}---\left(6\right)$

$=e^{j\frac{{\mathrm{\&omega;}}_i}{P}(n-n_i)}\underset{p=0}{\overset{P-1}{\mathrm{\&Sigma;}}}{s}_{i,\mathrm{pQ}+q^{\left(i\right)}}{H}_{i,\mathrm{pQ}+q^{\left(i\right)}}{e}^{j\frac{2\mathrm{\&pi;}}{P}p(n-n_i)}$

其中ω_i＝2π(Δf_i+q⁽ⁱ⁾)/Q。可以推出

$r^{\left(i\right)}(n+\mathrm{mP})=e^{{\mathrm{jm\&omega;}}_i}{r}^{\left(i\right)}\left(n\right)---\left(7\right)$

此时Y可表示为

$Y={[\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{r}^{\left(i\right)}\left(n\right)+\mathrm{\&omega;}\left(n\right),\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{r}^{\left(i\right)}\left(n\right)e^{{\mathrm{j\&omega;}}_i}+\mathrm{\&omega;}(n+P),\&CenterDot;\&CenterDot;\&CenterDot;,\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{r}^{\left(i\right)}\left(n\right)e^{{\mathrm{jQ\&omega;}}_i}+\mathrm{\&omega;}(n+N)]}^T---\left(8\right)$

令|r⁽ⁱ⁾(n+mP)|＝a_i，m，那么此时相关矩阵为

显然，对应于最小特征值的特征向量即为噪声向量，可用此向量进行功率谱估计。

前面分析了干净信号叠加后的功率谱，但未作定时同步之前，并不知道哪部分是干净的。当以接收到的任意一点为各用户最后一个公共CP时，以两用户情况为例，该点及其以后抽取到的Q个数据，将会有以下八种情况出现，分别如图2(3)中的caseI～caseVIII所示。

当该点位于图2(2)中A或B部分时，即图2(3)的caseI或caseII，在点a，用户1为受污染的CP，用户2在上一OFDM符号中(caseI)或为受污染的CP(caseII)，频域弥散使得功率谱不可能为线谱。两用户在点a，b间如式(7)关系不再存在。那么，对一个符号进行抽取所得Q+1个数据形成列：

$Y=\left[\begin{array}{c}{r}^{\left(1\right)}\left(n\right)+r^{\left(2\right)}\left(n\right)+\mathrm{\&omega;}\left(n\right)\\ r^{\left(1\right)}(n+N/2)+r^{\left(2\right)}(n+N/2)+\mathrm{\&omega;}(n+N/2)\\ r^{\left(1\right)}(n+N/2)e^{{\mathrm{j\&omega;}}_1}+r^{\left(2\right)}(n+N/2)e^{{\mathrm{j\&omega;}}_2}+\mathrm{\&omega;}(n+N)\end{array}\right]$

则相关矩阵：

$R=E\left\{{\mathrm{YY}}^H\right\}=\left[\begin{array}{ccc}{a}_{\mathrm{1,0}}^2+a_{\mathrm{2,0}}^2+N_0& 0& 0\\ 0& a_{\mathrm{1,1}}^2+a_{\mathrm{2,1}}^2+N_0& a_{\mathrm{1,1}}^2{e}^{-{\mathrm{j\&omega;}}_1}+a_{\mathrm{2,1}}^2{e}^{{-\mathrm{j\&omega;}}_2}\\ 0& a_{\mathrm{1,1}}^2{e}^{{\mathrm{j\&omega;}}_1}+a_{\mathrm{2,1}}^2{e}^{{\mathrm{j\&omega;}}_2}& a_{\mathrm{1,1}}^{+}+a_{\mathrm{2,1}}^2+N_0\end{array}\right]$

此时对上式中的R进行特征分解，最小特征值对应特征向量不再是噪声空间特征向量，进而不能得到正确的功率谱，也得不到线谱。其它几种情况也可进行类似分析，得到各种情况下的自相关矩阵R＝Y Y^H/N_symbol。当信噪比SNR＝20dB，两用户相对时延为3时，图2(3)中对应的八种情况下叠加后的功率谱估计结果如图3所示。

以上分析表明只有当抽取的第一点在图2(2)中C部分内时，也就是说所有抽取的数据均不受其余符号的影响时，才能得到线谱。基于此可以判断出各用户公共干净CP区的范围。假设一帧内有多个OFDM符号，且各用户的相对时延和载波频偏不发生改变，那么统计平均可用一帧内多个符号的平均获得。

本实施例中对载波数N＝64的OFDMA系统进行了仿真，子信道数Q＝U＝4，采用前述子载波交织分配方式。各用户数据采用QPSK调制，独立同分布(i.i.d.)。信噪比定义为 $\mathrm{SNR}=10{\log }_{10}({\mathrm{\&sigma;}}_c^2/N_0),$ 其中σ_c ²为发射信号的功率。不同用户的载波频偏随机产生，且

信道为L＝5的瑞利信道。接收机端缓存连续的N_symbol个符号进行每次频偏估计。所有的仿真结果均通过M＝2000次的独立蒙特卡罗实验获得。仿真性能用归一化的均方根误差表示 $\sqrt{\frac{1}{\mathrm{MU}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{U}{\mathrm{\&Sigma;}}}{(\mathrm{\&Delta;}{\hat{f}}_{m,i}-\mathrm{\&Delta;}{f}_{m,i})}^2},$ 其中

Δf_m，i分别为某次实验的频偏估计值和设定值，M为统计次数。

如图4所示，本发明频偏估计方法的具体步骤如下：

a.接收机缓存接收到N_symbol个OFDM符号块；

b.假设接收数据第n个采样值为某符号CP部分最后一个采样，从位置n开始，将接收数据分成长度为N+N_cp的数据块，并取每个数据块的前N+1个数据，构造矩阵X，即取得假设的干净数据，即未受上一OFDM符号干扰的数据：

c.抽取矩阵X中第iP+1，i＝0，...，Q行，得矩阵Y，用以估计抽取后的自相关矩阵R；

d.计算抽取后的自相关矩阵R＝Y Y^H/N_symbol并完成功率谱叠加，其中N_symbol是一帧内可用符号数或矩阵Y的列数，然后对R进行特征分解，得特征向量{u₁，...，u_Q+1}，取最小特征值对应特征向量u_Q+1(当U＜Q时，取噪声特征相量{u_U+1，...，u_Q+1})；

e.用P(ω)＝1/{E^Huu^HE})(U＜Q时 $P\left(\mathrm{\&omega;}\right)=1/\left\{\underset{i=U+1}{\overset{Q+1}{\mathrm{\&Sigma;}}}{E}^H{u}_i{u}_i^{H}E\right\}$ )对叠加后的功率谱进行估计，记录下该点尖峰个数，其中E＝{1，e^j2πω，...，e^j2π(U-1)ω}；

f.如果叠加后的功率谱估计结果中有U个剧烈的峰(峰值为平均值100倍以上)，记录下各峰值大小和位置，并与前一点次叠加后的功率谱估计峰值比较。如果出现了急剧的下降，那么到步骤g，否则到步骤b并更新起始点为点n+1；

g.记录下此时的位置n，n-1为当前符号最后一个干净CP的位置，实现定时同步，并根据出现急剧下降前记录的各峰值对应频率 $\hat{f}=\{{\hat{f}}_1,\&CenterDot;\&CenterDot;\&CenterDot;,{\hat{f}}_U\}$ 估计载波频偏 $\mathrm{\&Delta;}{\hat{f}}_i=[{\hat{f}}_i-(i-1)/U_i]U.$

图5中列出了一帧中符号数不同(N_symbol值不同)时在不同信噪比条件下的仿真性能情况。可以看出，信噪比越高，载波频偏估计性能越好，一帧中可用符号数越多，载波频偏估计性能越好。

由于在循环前缀余量不大(N_clean≤P)情况下，原有盲估计方法无法对Q＝U的情况进行有效频偏估计，本发明还就U＝3，Q＝4的情况进行了仿真。

如图6示出了新算法与原算法的仿真性能比较。在一帧内相同的符号数情况下，当符号数较小时，原算法性能较好，而在符号数较大时，两者性能几乎无差，甚至在N_symbol＝64的情况下，新算法性能略优于原算法。这是因为原算法首先在同一符号多个抽取点时间平均，增加了平均次数，但当N_symbol较大，时间平均足够代替统计平均时，由于新算法噪声子空间较原算法多一维，噪声子空间估计更准确。但必须注意的是，原算法要求预先做好定时同步，且当循环前缀余量不大时，必须有虚拟子信道存在，造成频谱利用率的降低。

如前分析，本发明步骤g中所述的定时同步是指找到各用户最后一个公共CP。定时同步的性能用下式表征：

$\mathrm{Ti}\min \mathrm{gError}\left(\mathrm{TE}\right)=\frac{1}{M}\sqrt{\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\hat{n}}_m-n_{\mathrm{cp}})}^2}$

其中 是估计的某OFDM符号最后一个CP的位置，n_cp为设定的某符号中最后一个CP的位置。表1中列出了M＝2000次时不同信噪比条件下定时同步的偏差。当信噪比SNR≥20dB时，没有定时偏差。

               表1  不同信噪比条件下的定时偏差

SNR(dB)	5	10	15	20	25	30
							TE	0.019	0.0041	0.0029	0	0	0

Claims (4)

1.一种基于子载波交织分配的OFDMA系统频偏估计方法，其特征是，包括下述步骤：

步骤1：假定接收数据第n个采样值为某符号CP部分最后一个采样，从位置n开始，将接收数据分成长度为N+N_cp的数据块，并取每个数据块的前N+1个数据，构造矩阵X，即取得假设的干净数据：

其中N为系统子载波个数，N_cp为一个OFDM符号中CP个数；

步骤2：抽取矩阵X中第iP+1，i＝0，...，Q行，得矩阵Y；

步骤3：求抽取后的自相关矩阵R＝YY^H/N_symbol即完成功率谱叠加，其中N_symbol是一帧内可用符号数或矩阵Y的列数，然后对自相关矩阵R进行特征分解，得特征向量{u₁，...，u_Q+1}，取{u₁，...，u_Q}为信号空间特征向量，最小特征值对应特征向量u_Q+1为噪声空间特征向量；当U＜Q时，取噪声特征相量{u_U+1，...，u_Q+1})；

步骤4：利用步骤3所得噪声特征向量或信号特征向量进行叠加后的功率谱估计，记录下该点估计的叠加后的功率谱尖峰个数；

步骤5：当叠加后的功率谱估计中有U个剧烈的峰值，记录下各峰值大小和位置，并与前一点叠加后功率谱估计峰值比较，如果出现了急剧的下降，那么执行步骤6，否则返回步骤1，并更新起始点为点n+1；

步骤6：记录下此时的位置n，n-1为当前符号最后一个干净CP的位置，实现定时同步，并根据出现急剧下降前记录的各峰值对应频率 $\hat{f}=\{{\hat{f}}_1,\&CenterDot;\&CenterDot;\&CenterDot;,{\hat{f}}_U\}$ 估计载波频偏 $\mathrm{\&Delta;}{\hat{f}}_i=[{\hat{f}}_i-(i-1)/U_i]U.$

2.根据权利要求1所述的基于子载波交织分配的OFDMA系统频偏估计方法，其特征是，所述步骤4中叠加后的功率谱估计采用下式表示：

P(ω)=1/{E^Huu^HE})(U＜Q时 $P\left(\mathrm{\&omega;}\right)=1/\left\{\underset{i=U+1}{\overset{Q+1}{\mathrm{\&Sigma;}}}{E}^H{u}_i{u}_i^{H}E\right\}$ )

其中E＝{1，e^j2πω，...，e^j2π(U-1)ω}。

3.根据权利要求1所述的基于子载波交织分配的OFDMA系统频偏估计方法，其特征是，所述步骤5中的峰值为平均值的100倍以上。

4.根据权利要求1所述的基于子载波交织分配的OFDMA系统频偏估计方法，其特征是，所述步骤中6中的定时同步是指找到各用户最后一个公共CP，定时同步的性能用下式表征：

$\mathrm{Ti}\min \mathrm{g\; Error}\left(\mathrm{TE}\right)=\frac{1}{M}\sqrt{\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\hat{n}}_m-n_{\mathrm{cp}})}^2}$

其中 是估计的某OFDM符号最后一个CP的位置，n_cp为设定的某符号中最后一个CP的位置。

Images