CN101180817A - 信道质量以及执行调制/编码 - Google Patents

Abstract

对于短期链路自适应，基站获得订户站所见的信道条件的瞬时信息，而对于长期链路自适应，在一段时间内，基站获得订户站所见的信道条件的分布信息(901)。基于该分布，计算调制/编码方案(905)。随后输出数据以传输(909)。

Description

信道质量以及执行调制/编码

相关申请

本申请要求2005年5月3日提交的美国临时申请60/677228的优先权。

技术领域

本发明总体来说涉及通信系统，具体涉及用于在多载波通信系统中确定信道质量和执行自适应调制/编码的方法和装置。

背景技术

多载波调制，以及特别是正交频分复用(OFDM)，由于它们对于长延迟扩频具有强健的耐受力且与单载波系统相比具有较低的复杂度，是对于宽带高数据速率通信具有吸引力的技术。除了多载波调制之外，自适应调制/编码(AMC)也是无线宽带通信的基础技术。通过AMC，改变针对特定接收机的发射数据流的调制和编码方案(MCS)以便主要匹配正在发射的特定帧的当前接收信号质量(在接收机处)。接收信号质量是由信道质量决定的。(术语“接收信号质量”和“信道质量”可以互换地指代)。可以逐帧地改变调制和编码方案，以便追踪移动通信系统中出现的信道质量变化，或者其可以更不频繁地执行，例如每超级帧一次。因此，具有高质量的流通常被指派较高阶的调制和/或较高的信道编码速率，调制阶数和/或码率随着质量的降低而降低。对于那些经历高质量的接收机来说，使用诸如16QAM、64-QAM或256-QAM的调制方案，而对于那些经历低质量的接收机来说，使用诸如BPSK或QPSK的调制方案。对于每一调制方案可用多个编码速率，以提供更精细的AMC粒度，从而使得在质量和发射信号特性之间更接近匹配(例如，对于QPSK，R＝1/4、1/2和3/4；对于16-QAM，R＝1/2和R＝2/3等等)。AMC试图获取最高信令速率(调制阶数与码速率之积)，同时把误帧率保持在目标或目标之下。AMC通常生成比其他现有链路自适应技术(诸如功率控制)更高的系统吞吐量和更高的数据速率。

OFDM系统中的链路自适应包括选择调制和编码速率组合，有时候称为调制/编码方案(MCS)，其适合于当前信道条件。某些OFDM(或离散多频音(DMT))系统(诸如有线DSL)独立地处理邻近的子载波子组用于功率分配、编码或调制。如果选择具有足够小的粒度的子组，可以执行频率选择性(FS)链路自适应，其中，子组上的链路自适应可类似于AWGN信道。但是，大多数OFDM系统采用频率分集(FD)方法且在许多或所有OFDM子载波上执行码字的交织。由于每一子载波的SNR因为频率选择性的衰落而可以不同，不容易确定适当的MCS。例如，基于子载波上的平均SNR选择MCS通常带来不准确的结果，导致降低的吞吐量或增加的重发(延迟)。

已经发现的一种在已知每一子载波的瞬时SINR时为MCS选择提供准确结果的技术是指数ESM(EESM)方法。该方法在OFDM子载波上计算单独一个有效SNR，标为SNR_eff：

${\mathrm{SNR}}_{\mathrm{eff}}=\mathrm{EESM}\left(\right\{{\mathrm{\γ}}_1,...,{\mathrm{\γ}}_N\},\mathrm{\β})=-\mathrm{\β}\·\ln \left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp (-\frac{{\mathrm{\γ}}_i}{\mathrm{\β}})\right),---\left(1\right)$

其中N是子载波数，γ_i是在第i个子载波处的接收码元SNR，β是对于每一MCS可以不同的校准参数。SNR_eff是等效静态信道SNR，由此使得给出的MCS在具有SNR_eff的静态信道中获得与在具有{γ₁，...，γ_N}的频率选择性信道中相同的误帧率(FER)。EESM方法的好处在于，单独一个的、根据经验确定的β值对于宽范围的FS信道有效。宽范围的信道的典型准确率是＜0.5dB，其是针对1％的目标FER而评估的。通过为每一MCS替换合适的β值，可以获得一组SNR_eff，用于所有可用MCS。链路适配器随后能够基于这组SNR_eff为{γ₁，...，γ_N}信道准确地选择最佳MCS，其是使得对应于其SNR_eff的静态FER低于目标FER的最高MCS。

链路适配器可以在订户站(SS，也称为移动站、订户站、用户设备等等)处，其中，SS发送对最佳数据速率或MCS的请求。链路适配器可以在基站(BS)处，其中，SS发送一组SNR_eff到BS。

当在现实信道条件下应用EESM时存在若干问题。在EESM用于短期链路自适应时会出现一个问题。(这里使用的短期链路自适应的意思是信道频率响应在对其测量时和使用基于该测量结果所选的MCS进行发射时之间不会显著变化。)为了降低反馈量，通常不正确地假设：

(1)SNR_eff和β之间关系的现有校准对于当前发射来说是准确的。

(2)信道的功率延迟曲线的实现不会由于多普勒效应而在各帧之间显著变化。

(3)当信道SNR变化时，SNR_eff(dB)和β(dB)之间的关系可以从先前信道SNR的SNR_eff(dB)和β关系平行移动。

因此，需要用于在保持低反馈的同时改进短期链路自适应的准确性的方法和装置。

其次，EESM方法当前仅适用于短期链路自适应。对于长期链路自适应的情况，即，当信道响应在测量和下一发射之间显著变化时(例如，由于具有中到大的多普勒频率的Rayleigh衰落)，EESM方法不提供准确的MCS选择。由于移动系统中的许多SS对于短期链路自适应来说可能移动地太快，因此需要使BS能够针对长期链路自适应对适当的MCS选择进行更准确的确定的方法。因此，需要一种方法和装置，用于在适应长期链路自适应的多载波通信系统内准确地确定信道质量并且执行自适应调制/编码。

附图说明

图1是使用自适应调制和编码的多载波通信系统的框图。

图2图示说明在OFDM通信系统中使用的多载波。

图3图示说明作为频率的函数的信道质量。

图4图示说明缩放和移动SNR_ef vs.β_dB曲线的效果。

图5图示说明图4中E_s/N₀＝3dB和10dB的曲线。

图6图示说明如何使用三点来近似cdf。

图7示出对于Ped B信道的Ricean近似。

图8是使用AMC的多载波基站和订户站的框图。

图9是示出图8的发射机的操作的流程图。

图10是示出图8的订户站的操作的流程图。

图11是使用AMC的多载波基站和订户站的框图。

图12是示出图11的发射机的操作的流程图。

图13是示出图11的订户站的操作的流程图。

具体实施方式

为了解决上面提到的需要，这里提供一种用于在多载波通信系统中确定信道质量和执行自适应调制和编码的方法和装置。根据本发明的优选实施例，对于短期链路自适应，BS获得SS所见的信道条件的瞬时信息。对于长期链路自适应，在一段时间内，基站(BS)获得订户站(SS)所见的信道条件的分布信息。这段时间可以被规定为特定帧数、最小帧数、等等，或者以实际时间为单位。时间量优选足够大，使得信道体验由于Rayleigh衰落而带来的若干衰落，而足够短，使得长期信道特性(例如路径损耗、功率延迟曲线)不会显著变化。分布信息可以与概率密度函数(pdf)、累积分布函数(cdf)等等相关，且分布信息可以用于关注于MCS选择的一个或多个参数，诸如SNR_eff、SNR_band、误码率(BER)、FER等等。这里，SNR_band优选是对于特定接收OFDM码元的一组子载波(诸如所有占用的子载波或有代表性的一组子载波)上的平均信号与噪声加干扰之比。

分布信息优选是紧凑的形式，用以降低从SS到BS的反馈开销。紧凑形式的例子包括来自分布的一个或多个采样值(例如，cdf的5％点)、分布的分析模型的参数(例如，提供对采样分布的良好拟合的Ricean分布的参数)等等。而且，有关分布的部分信息可能被发送回来，诸如cdf的下半部(一直到0.5)，或者一直到中值的pdf。

现在转来看附图，其中相似的附图标记指示相似的部件，图1是多载波通信系统100的框图。通信系统100包括多个小区105(只示出了一个)，每个小区都具有与多个订户站101-103通信的基站104。订户站101-103也可以被称为订户站、移动站或用户设备。在本发明的优选实施例中，通信系统100使用利用自适应调制和编码(AMC)的正交频分复用(OFDM)无线协议。该架构还可以包括对多载波扩频技术的使用，诸如具有一维或二维扩频的多载波CDMA(MC-CDMA)、多载波直接序列CDMA(MC-DS-CDMA)、交织频域多址(IFDMA)、正交频分和码分复用(OFCDM)，或者也可以同更简单的时分和/或频分复用/多址技术相组合。

本领域技术人员将认识到，在OFDM系统的操作期间，使用多子载波(例如768个子载波)来发射宽带数据。这在图2中图示说明。如图2所示，宽带信道被划分为许多窄频带，或者子载波201，在子载波201上平行地发射数据。在发射时间，发射机通常被指派有多个子载波。

除了OFDM之外，通信系统100还使用AMC。通过AMC，将调制和编码形式改变为主要匹配接收机处的子载波的当前接收信号质量。接收信号质量可以逐帧地获得，或者可以在更长的时间标度上获得，诸如逐超级帧地获得，其中，超级帧由多个帧组成，或者可以按需要而获得。在第一实施例中，主要对于用于发射到特定订户站的所有子载波，指派相同的调制和编码方案，并且，在子载波上，于频域中完成信道编码。在可替换实施例中，可以按每子载波、或者每子载波组来指派调制和编码方案。调制和编码方案可以逐帧地变化，从而追踪移动通信系统中出现的信道质量变化，或者可以在更长的时间标度上变化，并且可以基于平均信号质量指标。具有高质量的流被指派有较高阶的调制和/或较高的信道编码速率，调制阶和/或码率随着质量的降低而降低。对于体验高质量的那些子载波，使用诸如16-QAM、64-QAM或256-QAM的调制方案，而对于体验低质量的那些，使用诸如BPSK或QPSK的调制方案。

在本发明的优选实施例中，对于每一调制方案，有多个编码速率可用，以提供更精细的AMC粒度，并且使得信道质量和发射信号特性之间更接近匹配(例如，对于QPSK的编码速率R＝1/4、1/2和3/4；对于16-QAM的R＝1/2和R＝2/3等等)。注意，AMC可以在时间维度中执行(例如每N_t个OFDM码元周期更新调制/编码)或者可以在频率维度中执行(例如每N_sc个子载波更新调制/编码)或二者的组合。在优选实施例中，AMC是在时间维度中对于每个订户站而执行的。

图3图示说明信号质量可以怎样基于频率而变化。更具体地，图3示出信号的质量301可能随频率或信道带宽而怎样变化。在这个例子中，随着频率增加，质量301下降。但是，应该注意到，作为信号301的具有相同的平均信噪比或信号与(噪声加干扰)之比(SNR)的不同信号可能具有非常不同的信道质量曲线。例如，质量302具有与301相同的平均SNR，但呈现出比质量301更平滑的变化。

如上所讨论的，为了获取高系统吞吐量，系统可以使用短期或长期链路自适应。对于短期链路自适应，基站从SS获得瞬时信道质量信息。更具体地，SS在多个子载波上汇编信道质量信息并将其发送到BS。

对于长期链路自适应，在一段时间上，基站获得针对订户站所见的信道条件的分布信息。更具体地，用于多个子载波的信道质量信息是由订户站在一段时间上确定的，关于随时间的信道质量的信息被发送回基站。这段时间可以被指定为特定帧数、最小帧数等等，或以实际时间为单位。时间量优选足够大，使得信道体验由于Rayleigh衰落而带来的若干衰落，而足够短，使得长期信道特性(例如路径损耗、功率延迟曲线)不会显著变化。信道质量信息可包括SNR信息、有效SNR信息、FER或BER信息等等，或者这些指标中一个或多个的组合。

信道质量信息及其时变特性被用于确定分布信息，诸如信道质量信息的累积分布函数(cdf)、信道质量信息的概率密度函数(pdf)、部分cdf或pdf信息(诸如一个或多个采样点)等等。该分布信息优选由订户站确定。下面给出了三种技术以针对MCS选择所关注的一个或多个参数来报告分布信息(例如，从订户站发射到基站)并且使用该分布信息(例如，在基站处)。但是，在描述用于针对MCS选择所关注的一个或多个参数来报告分布信息和使用分布信息的技术之前，提供下面的文字和公式，以便为本发明的优选实施例的使用设置必要的背景。

SNR_eff是有效的信号与噪声加干扰之比，是使用EESM方法或其变化形式而计算出的。

SNR_band是在关于接收到的OFDM码元的一组子载波(诸如所有占用的子载波或有代表性的一组子载波)上的平均的信号与噪声加干扰之比。注意，在高车速的情况下，SNR_band在每帧之间可能变化显著。注意，SNR_band可以被计算为 ${\mathrm{SNR}}_{\mathrm{band}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_i.$ 而且，注意，尽管在这里给出的例子中，假设与SNR_eff和SNR_band相关联的γ_i来自不同子载波，通常，它们可以与在其上交织FEC码字(例如，在子载波和OFDM码元周期的组合上交织)的子载波和码元周期相关联。根据发射方案，SNR_band可以是在多个子载波和多个码元周期上的平均值，码元周期可以互相邻近或不邻近。

EESM链路自适应

对于降低反馈的EESM链路自适应，在SS处确定SNR_eff(dB)vs.β(dB)曲线的模型(最佳拟合方程)并发送回BS。该模型和模型参数可以是例如线性模型、分段的线性模式、二次模型、三次模型等等。该模型是为在参考β值具有特定SNR_eff的特定信道实现(或者可替换地，有代表性的信道实现或平均信道实现)而确定的。曲线/最佳拟合参数从SS发送到BS。

在将曲线参数发送回BS之后，SS随后发送SNR_eff值到BS，诸如逐帧地发送。参考β值是SS和BS已知的，通过信令或隐含计算而先验，或者通过将其与SNR_eff包括在一起而得知。希望的是，只要信道功率延迟曲线不显著变化，应该不需要更新模型曲线参数。因此，尽管对于短期链路自适应，可能需要逐帧地报告SNR_eff，但因为模型通常适合于来自于相同功率延迟曲线的不同信道实现，潜在的曲线参数应该对许多帧保持有效，且由于多普勒效应，功率延迟曲线中的变化将发生得比瞬时复信道增益系数的变化慢得多。

通过简单曲线移动方法，对于在BS处的每一接收到的SNR_eff，假设通过最近发送到BS的曲线的简单移动而获得当前SNR_eff值的SNR_effvs.β曲线。例如，如果SS在当前帧中发送回10dB的SNR_eff值(针对预定的参考β值)，且SS先前发送到BS的曲线参数具有5dB的SNR_eff(针对相同的β值)，则通过向SS先前发送到BS的原始SNR_eff(dB)vs.β(dB)曲线的所有SNR_eff值添加5dB，将获得当前帧的SNR_effvs.β曲线。换句话说，模型曲线参数被假设为不变，而不管信道SNR的变化。

但是，上面所述的简单移动方法导致当前帧的SNR_eff vs.β曲线中的某些不准确。在β值附近，该方法可能足够准确，其中SS发送回当前SNR_eff值，但是对于其他β值，可能不准确。移动建模的曲线的准确性在本发明中改进如下。

下面，已知在相同信道选择性的情况下，接收SNR的变化可以被精确建模。BS具有原始SNR_eff vs.β曲线，其可以从分析上计算新曲线族，每一曲线都假设在参考β值处的不同SNR_eff值。

回想EESM的定义，

${\mathrm{SNR}}_{\mathrm{eff}}=\mathrm{EESM}\left(\right\{{\mathrm{\γ}}_1,...,{\mathrm{\γ}}_N\},\mathrm{\β})=-\mathrm{\β}\·\ln \left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp (-\frac{{\mathrm{\γ}}_i}{\mathrm{\β}})\right)$

考虑相同信道选择性但不同平均SNR的SNR_eff，即，每子载波SNR矢量被缩放到线性域中的{aγ₁，...，aγ_N}，a＞0，

$\mathrm{EESM}\left(\right\{a{\mathrm{\γ}}_1,...,a{\mathrm{\γ}}_N\},\mathrm{\β})=-\mathrm{\β}\·\ln \left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp (-\frac{a{\mathrm{\γ}}_i}{\mathrm{\β}})\right)$

$=a[-\frac{\mathrm{\β}}{a}\·\ln \left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp (-\frac{{\mathrm{\γ}}_i}{\mathrm{\β}/a})\right)]---\left(2\right)$

$=a\×\mathrm{EESM}\left(\right\{{\mathrm{\γ}}_1,...,{\mathrm{\γ}}_N\},\mathrm{\β}/a)$

当用dB来表示SNR_eff、β和a时，(2)变为：

EESM_dB({aγ₁，...，aγ_N}，β_dB)＝a_dB+EESM_dB({γ₁，...，γ_N}，β_dB-a_dB)，  (3)

其中，a_dB＝10log₁₀a，且EESM_dB被表达为β_dB和β_dB＝10log₁₀β的函数。

如果EESM_dB({γ₁，...，γ_N}，β_dB)vsβ_dB的曲线已知，则式(3)可以用来获得由于缩放a的任何SNR值的EESM_dB({aγ₁，...，aγ_N}，β_dB)曲线。

注意，为了使用式(3)来生成a≠1的曲线，不仅EESM_dB({γ₁，...，γ_N}，β_dB)vsβ_dB关系需要在对应于可用MCS集合的β_dB区域中可用，而且针对任何β_dB-a_dB值可用也是需要的。例如，基于β_dB的范围[0，15]获得曲线拟合参数，该范围对应于可用MCS集合。为了能够使用式(3)，如果a_dB＞0，在[-a_dB，15]范围中，以及如果a_dB＜0，在[0，15-a_dB]范围中，需要EESM_dB(γ₁，...，γ_N}，β_dB)vsβ_dB关系。根据a_dB的范围，二次近似可能不够，可能需要额外的三次参数来准确地建模在宽β_dB范围中的EESM_dB({γ₁，...，γ_N}，β_dB)vsβ_dB关系。可替换地，如果只需要小范围的β_dB，例如当功率波动较小且对于链路自适应只需要考虑小范围的MCS时，二次或甚至线性近似可能就足够了。

图4示出了缩放和移动SNR_ef vs β_dB曲线的效果。在图4中，使用GSM典型城市(TU)信道实现作为例子来示出使用简单曲线移动方法的误差，从而从EESM_dB({γ₁，...，γ_N}，β_dB)vsβ_dB获得EESM_dB({aγ₁，...，aγ_N}，β_dB)vsβ_dB。在图4中，示出用于信道E_s/N₀＝3dB和10dB的EESM_dB曲线。还示出了E_s/N₀＝3dB曲线的平行移动(即，简单曲线移动方法)。通过比较平行移动后的曲线和E_s/N₀＝10dB曲线，很明显，如果使用平行移动后的E_s/N₀＝3dB曲线来近似E_s/N₀＝10dB曲线，则将出现显著的误差。

在图5中，包括来自图4的E_s/N₀＝3dB和10dB的曲线。第三曲线是使用式(3)中的关系以及E_s/N₀＝3dB曲线的多项式近似来获得的。这表明，式(3)中的关系可以用来从EESM_dB({γ₁，...，γ_N}，β_dB)vsβ_dB曲线获得EESM_dB({aγ₁，...，aγ_N}，β_dB)vsβ_dB曲线的精确曲线。

所述的方法可以用来提供对需要多少功率增加的更准确的确定。也可以使用相同方法来计算在仍然提供充足误帧率(FER)给特定SS的同时可以降低多少发射功率。对于功率增加或功率降低计算的提高的准确性使得BS能够在相同OFDM码元中调度的多个SS上更有效地分配其可用功率预算。下行链路中的功率分配处理也被称作下行链路功率分配或下行链路功率控制。

注意，尽管优选实施例讨论了以dB衡量的SNR_eff和β的模型，但该模型也可以反映为用线性衡量的SNR_eff和/或β的特征。

增强EESM以使SS能够反馈规则SNR报告而不是EESM SNR_eff报告

在这个方法中，SS首先发射SNR_eff vs.β模型到BS(例如，对SNR_effvs.β曲线的线性或二次近似，其中SNR_eff和β可以是线性衡量的或者以dB衡量的SNR_eff，dB，β_dB)。此外，参考SNR_band值标为SNR_ref，在此值可以获得曲线参数，对模型曲线来说可能需要该值。有两种方法来提供SNR_ref。第一种方法是使SS发射用于曲线的SNR_ref值以及曲线参数。该方法的缺点在于其需要额外的开销。第二种方法是使SS计算对于BS和SS提早知道的预定SNR_ref值(例如10dB)的曲线。然后，BS知道曲线参数对于预定SNR_ref值是有效的。对于这种方法，SS将以相同的值q来缩放每一实际每子载波SNR，使得在缩放之后，SNR_band＝SNR_ref，并且然后将确定曲线参数以发送到BS。然后，在曲线参数更新之间的正常操作中，SS可以发送回正常SNR_band，而不进行任何缩放。

在BS具有关于在参考SNR_ref值的SNR_eff vs.β曲线的信息之后，SS可以(例如，在曲线参数更新之间逐帧地)发送回正常SNR_band，而不进行任何缩放，以代替正常操作中的SNR_eff，并且BS可以通过使用基于式(3)的关系而为每一从SS接收的SNR_band重新计算SNR_eff vs.β曲线：

SNR_eff(SNR_band，β)＝SNR_band/SNR_ref×SNR_eff(SNR_ref，β′)，whereβ′＝β×SNR_ref/SNR_band

用于SNR_band的CDF点

在本发明的第一实施例中，为用于子载波的频带的信噪比获得累积分布函数。对于这个实施例，SS对于优选大数量的信道瞬间的频带(SNR_band)值储存平均SNR，诸如对于最后的100帧。换句话说，SS监控每一子载波的SNR并且为整个频带(SNR_band)计算平均值。在一段时间上监控SNR_band，随时间获得多个SNR_band值。然后，SS将SNR_band的值以升序排序，在一些简单的计算之后，确定对于SNR_band值的分布(例如cdf)的估计。SS然后将来自基于采样的cdf的一个或多个点发送回BS。例如，可能有预定规则，使得SS将发送回来自cdf的三个特定点，诸如5％点(例如，使得5％的信道瞬间具有相等或更低值的SNR_band值)，20％点以及50％点。

图6描绘了在Ped B信道的情况下可以怎样使用三个点来近似cdf。如所能看到的，这个双线性近似对于0.02(2％)到0.7(70％)之间的cdf值来说十分出色。通常，不需要完全的cdf曲线，使得只需要一部分cdf(诸如用于0.05到0.5之间的cdf值的cdf)或其近似以反馈。

BS可以使用该信息来帮助为后续的到SS的发射选择MCS水平的过程。例如，如果BS知道，到SS的信道基本上是平坦衰落的，则BS知道其可以使用静态FER vs.SNR曲线来确定适当的MCS水平：通过在SS所报告的5％点的SNR_band值选择具有可忽略的FER，BS知道大约有5％的可能性使得使用该MCS水平的发射将出现错误(对于在X％点具有不可忽略的FER的MCS水平，帧错误的概率可以被预测为(1-(1-FER_ref)(1-0.01X))，其中，FER_ref是在对应于X％cdf点的SNR的静态FER)。这种类型的信息可以用来帮助BS决定在MCS选择中要多么主动以及预测对于后续帧的重发可能需要多少信道资源。

BS还可以在SS所提供的点之间内插值，以在BS处的分布信息中提供更精细的粒度，并且还可以外插值，以提供超越SS所报告的范围的近似分布信息。仿真结果表明，BS可以重新构建对于关注区域(例如1％到50％范围)中的分布的相当准确的近似，其通过使SS发送回来自该范围内的分布的两个或优选三个点而实现。BS随后可以通过“连接各点”且外插值而使用简单的双线段近似(对于三点的情况)。

注意，上面的描述假设SS在一段时间上测量cdf，随后发送回一些cdf信息到BS。可替换方法是SS在一段时间上频繁地(例如每帧或每几帧)发送回SNR报告，使得BS具有直接创建cdf所必需的信息。但是，后者的方法比基于SS的方法需要更多的反馈。

直到这里，迄今所述的方法对于平坦衰落信道是准确的，但是，在频率选择性信道中，将经受降低的准确性。因此，EESM改进用来通过不时地发送回SNR_eff vs.β曲线而使cdf技术可适用于任何信道类型。基本上，当BS具有SNR_eff vs.β曲线时，BS可以将SNR_band cdf上任意点转换成SNR_eff的cdf上的点。如果对于SNR_band已知X％cdf点，可以如下地在特定β值确定SNR_eff的X％点：

SNR_eff，X％(SNR_band，X％，β)＝SNR_band，X％/SNR_ref×SNR_eff(SNR_ref，β′)，

其中β′＝β·SNR_ref/SNR_band，X％

其中，SNR_eff，X％是对于指定β值的SNR_eff cdf的X％点，其中SNR_band，X％是SNR_band cdf的X％点。

基于这个方法，BS可以首先在关注区域中构建对SNR_band cdf曲线的近似(例如，基于从BS反馈的点以及曲线拟合或线段)并且可以随后将所希望数量的来自cdf的点转换成用于SNR_eff的cdf点，这可以针对每一关注的β(例如，每一MCS的β)来完成，以提供协助MCS选择所需的信息。在此情况下，SNR_eff用作静态FER曲线中的SNR值，以估计特定MCS水平的性能或出错概率。

该方法的一个替换实施例完全是在SNR_eff域中工作，而不是从SNR_band cdf值转换成SNR_eff cdf值。在这个替换实施例中，SS在一段时间上储存针对特定β值的SNR_eff值，并且在该β值确定SNR_eff值的cdf。然后，SS发送来自该cdf的采样到BS，BS可以直接对SNR_eff cdf工作。除了cdf采样之外，SS还需要发送SNR_eff vs.β曲线信息，诸如曲线参数。BS还需要知道什么β值关联于由SS发送的cdf信息(即，在确定cdf时SS所使用的β)。有两种方法来提供该信息。在第一种方法中，除了cdf采样之外，SS发送用于cdf的β值。在第二种方法中，β值是指定的并且是BS和SS预先知道的，使得SS不需要发送β值到BS。一旦BS具有cdf采样、SNR_eff vs.β曲线信息以及用于cdf的β值，其就可以计算其他β值的cdf采样，并且将其用于协助MCS选择过程。可能基于下面的方法来确定任意β值的X％cdf点。首先，让原始cdf对于标为β_ref的已知β值可用。接下来，确定通过原始cdf上的X％SNR_eff点的SNR_eff vs.β曲线(该曲线可以来源于较早前由SS发送的SNR_eff vs.β曲线信息，使用式(3)来适当地移动曲线)。这个新SNR_eff vs.β曲线被标为curve_X。最后，通过在关注的β值从curve_X中取SNR_eff值，获得任意β值的X％cdf点。该流程可以对于若干cdf点重复。

基于模型的分布近似

在基于模型的分布近似中，不是如前面章节中所提议的发送回来自分布函数的采样，而是假定分析的模型，并使其用于表现SNR分布的特征。在第二实施例中，所使用的特定模型是BS和SS已知的，SS确定一组参数来表现模型的特征并且将这些参数发送回BS。这样，SS监控每一子载波的SNR并且为整个频带计算平均值(SNR_band)。SNR_band是在一段时间上受到监控的，随时间获得多个SNR_band值。然后，SS试图将多个SNR_band值拟合为具体函数。然后将特定函数参数反馈到基站。

在第一实施例中，使用了用于SNR pdf的Ricean模型。另一潜在有用的模型是SNR pdf的高斯分布。如果发现多个模型对于特定系统有用的话，除了模型参数以外，SS还可以发送模型区分符(例如，如果模型索引＝1，SS正在使用Ricean模型，或者如果模型索引＝2，SS正在使用高斯模型)。

BS可以计算SNR_band cdf的近似(这时基于从SS接收的模型假设和模型参数)。该cdf可以随后以与上述相同的方式使用。

SS可以执行对SNR_eff而不是SNR_band的建模、参数计算以及模型参数的反馈，但是仿真指示出，更好的模型拟合通常是针对SNR_band而非SNR_eff获得的。如果对于SNR_eff完成了建模，注意，将需要使用式(3)来获得不同β值的cdf值。

Ricean模型：假设SNR_band的均值和标准偏差是μ和v。可以通过非中心chi平方(卡方)分布Y来近似SNR_band的分布：

$p_Y\left(y\right)=\frac{1}{2{\mathrm{\σ}}^2}{e}^{-(s^2+y)/2{\mathrm{\σ}}^2}{I}_o\left(\sqrt{y}\frac{s}{{\mathrm{\σ}}^2}\right)$

和

$\mathrm{\σ}=\sqrt{\frac{\mathrm{\μ}-\sqrt{{\mathrm{\μ}}^2-v^2}}{2}}$

通过变量 $Z=\sqrt{Y}$ 的变化而获得幅度的Ricean分布。

图7示出用于Ped B信道的Ricean近似。Ricean近似对于Ped B信道在10dB的平均SNR值处非常好。由于Ricean分布完全只由两个参数来指定，其具有最小的反馈要求。注意，SS可以发送SNR_band分布的均值和标准偏差，或者可以计算用于确定非中心chi平方分布的s和σ参数。可替换地，SS可以发送表现Ricean分布的特征的参数。

通常，可以使用当前SNR_eff vs.β的形状来确定有关信道的相对频率选择性的信息。例如，在平坦衰落中，曲线变为平坦线。在高频率选择性信道中，曲线斜率变得很大。曲线的斜率越大，各帧之间出现的SNR变化越小。可以使用曲线的形状，诸如在一个或多个β值的局部斜率，或者曲线的参数(例如二次和线性系数)，来协助链路自适应过程。在一个例子中，如果SNR_eff vs.β曲线接近于水平线(具有在水平轴上的β)，则信道具有低频率分集，分布可以近似为平坦Rayleigh衰落。如果曲线形状指示为大量信道频率分集，则分布将具有相对陡峭的斜率，指示帧之间的可能较低的SNR变化。类似地，SNR_band的cdf的形状可以用作为信道条件的指标。

基站随后可以将MCS选择基于SNR_eff vs.β曲线或SNR_band的cdf的形状。更具体地，知道cdf的形状允许BS更准确地为SS确定MCS水平。例如，如果cdf基本上是垂直线且SS正在接收不具有ARQ的实时服务，则BS知道SNR将不会在帧之间显著变化且MCS不需要包括任何显著数量的衰落余量。随着曲线斜率的减小，则BS可以计算适当量的衰落余量(或者可替换地，功率增加)，以包括在MCS选择中。

图8是使用AMC的多载波基站800和订户站801的框图。如上所讨论的，基站800接收要发射到接收机的数据，并且通过将其在多个子载波上编码而有效地发射数据。单一调制和编码方法被用于一组子载波(例如，使用子载波来发射到特定SS)并且主要取决于所有占用的子载波的信道质量。这样，数据进入发射机，并且经由自适应调制器和编码器803而被有效地调制和编码。在合适的调制和编码后，数据流在多个子载波上(经由发射机805)发射。

订户站801包括信道分析器813，从接收机809接收无线信号。信道分析器813用于为多个子载波或多组子载波中的每一个确定SNR值并且随时间得到宽带SNR量度(例如，SNR_band或SNR_eff)。在本发明的第一实施例中，量度(例如，SNR_band或SNR_eff)值被排列等级次序，并且基于等级次序来(由分布确定器815)确定分布函数。分布确定器815基于从信道分析器813的输入而生成SNR_band(或SNR_eff)的信号质量分布。

在本发明的第一实施例中，分布确定器815使用发射机811来将分布函数的一个或多个特定点传送回基站800。例如，分布确定器815可能确定5％点(例如，使5％的信道瞬间具有相等或更低值的SNR_band值)、20％点以及50％点，并且将这些值传送到基站800。尽管已经描述了SNR_band，分布确定器可以针对参考β值的SNR_band或SNR_eff值而工作。

在本发明的第二实施例中，分布确定器815将曲线拟合为得自排列等级的SNR_band值的分布。根据拟合为SNR_band值的曲线，将定义曲线的具体变量传送(经由发射机811)回基站800。例如，通过对Ricean分布的近似，SS可以发送回用于确定近似SNR_band分布的非中心chi平方分布的参数s和σ。此外，尽管针对SNR_band进行描述，该实施例可替换地可以使用关于参考β值的SNR_eff值。

在本发明的优选实施例中，在BS800处的调制器/编码器803使用取决于信道带宽的信道质量的调制和编码方案。根据使用第一还是第二实施例，分布重构器808将接收参数来定义随时间的SNR分布的最佳拟合曲线，或者将接收cdf曲线的各种值。如果提供了一个以上的分布点，重构器808可以重构信道质量指标的分布的一部分(如果只接收一个分布点，重构缺省提供与接收相同的值)。重构器808基于cdf曲线的值或定义最佳拟合曲线的参数来重构分布。分布重构器808可以使用SNR_X，该SNR使得对于X％的信道瞬间，实际SNR小于或等于SNR_X。例如，SNR₁₀是对应于0.1的cdf值的SNR值。

在从分布重构器接收分布信息之后，MCS选择器随后为可能数量的可用调制和编码方案计算预测信道质量(γ_eff)。MCS选择器807随后为想要的点选择最佳调制和编码方案。特别地，基站通常选择生成最高可能吞吐量的MCS，其中所选MCS通常具有低于目标FER的期望FER。此外，重构的分布的形状(例如，关注区域的斜率)可用于协助MCS选择过程。例如，陡峭的cdf斜率表示MCS选择很可能在短期基础上是准确的，因此，如果基于10％FER点来选择MCS，即使处于高多普勒效应中，有90％的可能在下一发射上正确地接收。另一方面，随着分布的形状接近高多普勒效应情形的平坦衰落的形状，基于10％FER点选择的MCS有90％的可能在衰落的平均值上、而不是在短期基础上接收。结果，陡峭斜率情况下的MCS选择可以被认为在短期基础上更准确，允许更主动的MCS选择(例如，更小的衰落余量)。

图9是示出图8的基站的操作的流程图。逻辑流程开始于步骤901，在此，重构器808接收信号质量分布信息。该分布信息可以包括用于表示分布的cdf的一个或多个点或者可能包括用于表示Ricean分布或其他基于模型的分布的情况下的分布的参数。在步骤903，分布重构器808根据分布信息来重构信道质量指标的分布，并且将其传递到MCS选择器807。例如，重构器808可计算在至少X％的采样上观察到的有效信道质量CQ_X(换句话说，观察到小于计算值的SNReff的概率是X％)。

在步骤905，选择器807基于由重构器808生成的分布而确定MCS。更具体地，在第一实施例中，选择器807针对CQ_X为所有候选MCS方案计算期望FER。在某些情况下，可能不需要计算FER。在此情况下，可以对来自所需SNReff表的1％或其他关注的FER进行阈值比较。候选MCS方案可能是全部可用MCS方案或其子集。可替换地，可以使用内插值技术来为某些MCS计算期望FER。在步骤905选取的MCS基于期望FER值。特别地，在低于目标值(通常为10^-1)的期望FER，选取具有最高可能吞吐量的MCS。在步骤907，数据流输入到调制器和编码器803，通过MCS进行适当地调制和编码，并且在步骤909，数据流经由发射机805而发射。

如所讨论的，重构分布的形状(例如，关注区域的斜率)可能被MCS选择器807用来协助MCS选择过程。例如，陡峭的cdf斜率表示MCS选择很可能在短期基础上是准确的，由此，如果基于10％FER点选择MCS，即使在高多普勒效应的情况下，有90％的可能在下一发射上正确地接收。另一方面，随着分布的形状接近高多普勒效应情形的平坦衰落的形状，基于10％FER点选择的MCS有90％的可能在衰落的平均值上、而不是在短期基础上接收。结果，陡峭斜率情况下的MCS选择可以被认为在短期基础上更准确，允许更主动的MCS选择(例如，更小的衰落余量)。

图10是示出订户站801的操作的流程图。逻辑流程开始于步骤1001，在此，由分析器813分析每一使用的子信道以确定其质量。为每一采样获得的信道质量储存在分析器813中。在步骤1003，信号质量的分布是由确定器815确定的，且计算表示至少一部分该分布所需的参数。在步骤1005，将表示至少一部分分布所需的参数报告回基站800以帮助确定适当的MCS。最后，在步骤1007，通过适当MCS，对数据进行接收、调制和编码。

如上所讨论的，发射机800和接收机801可以使用快速AMC而操作。在此情形下，不需要SNR的分布，分布确定器815和分布重构器808将被曲线确定器和曲线重构器分别取代。这在图11中示出。

图12是示出用于快速AMC的图11的发射机1100的操作的流程图。逻辑流程开始于步骤1201，在此，曲线重构器1108接收使用式(3)为参考SNR值SNR_ref获得的SNR vs.β曲线。可替换地，重构器1108可以接收SNR_eff vs.β曲线。在步骤1203，曲线重构器1108从SS1101接收指示当前SNR的SNR值。在步骤1205，MCS选择器1107基于在步骤1201发送的参考曲线和在步骤1203发送的SNR值来使用式(3)计算SNR vs.β曲线。在步骤1207，选择器1107通过使用在步骤1205计算出的SNR vs.β曲线为与给定MCS相关联的β值描绘SNR_eff而为多个候选MCS方案计算与FER有关的SNR_eff。候选MCS方案可以是全部可用MCS方案或其子集。可替换地，可以使用内插值技术来为某些MCS计算期望FER。在步骤1209，基于期望FER值来选取使用的MCS。特别地，在低于目标值(通常为10^-1)的期望FER，通常选取具有最高可能吞吐量的MCS。在步骤1209，数据流输入到发射机405，进行适当地调制和编码，并且在步骤1211，发射该数据流。

图13是示出用于快速AMC的接收机1101的操作的流程图。逻辑流程开始于步骤1301，在此，由曲线确定器1115确定SNR_eff vs.β曲线以及用于当前信道瞬间和参考SNR值的当前SNR。这是通过分析信道分析器1113所提供的SNF值而完成的。在步骤1303，由确定器1115将用于当前信道的SNR vs.β曲线与先前发送的当前由发射机800使用的SNR vs.β曲线进行比较。如果用于当前信道的曲线与先前发送的曲线足够不同(例如，在β值的预定范围上，最小平方差大于2dB)，将表示SNR vs.β曲线的参数报告至发射机。在步骤1305，经由发射机1111，将SNR报告至发射机1100。最后，在步骤1307，通过适当MCS对数据进行接收、调制和编码。

尽管已经结合特定实施例具体示出和描述了本发明，本领域技术人员应该理解，其中可以进行形式和细节上的各种变化，而不背离本发明的精神和范围。例如，本发明是针对OFDM而描述的，但可以适用于任何使用多载波调制的系统。此外，可以只在可用数据流的片段上使用MCS选择，对其他数据流使用已知的MCS选择技术(例如基于平均SNR值)。在另一例子中，SNR_band可以是一组接收到的码元SNR的平均值，其可能包括在混合ARQ环境中码组合的效果。希望的是，这样的变化落入所附权利要求的范围中。

Claims (9)

1.一种用于自适应调制和编码的方法，该方法包括如下步骤：

接收用于随时间的宽带信道的信噪比(SNR)的分布信息；

确定用于宽带信道的SNR的分布；

基于所述分布确定自适应调制和编码方案；以及

基于所述自适应调制和编码方案对数据进行调制和编码。

2.权利要求1的方法，其中所述接收用于SNR的分布信息的步骤包括从订户站接收所述分布信息的步骤。

3.权利要求1的方法，其中所述接收分布信息的步骤包括接收分布函数的一个或多个点的步骤。

4.权利要求3的方法，其中所述接收分布函数的一个或多个点的步骤包括接收概率密度函数的一个或多个点的步骤。

6.权利要求1的方法，其中所述接收分布信息的步骤包括接收用于拟合为随时间的宽带信道的SNR的已知函数的参数的步骤。

7.权利要求6的方法，其中所述接收用于拟合为随时间的宽带信道的SNR的已知函数的参数的步骤包括接收用于Ricean分布的参数的步骤。

8.一种方法，包括如下步骤：

接收宽带信号；

为所述信号计算随时间的SNR值；

确定用于所述信号的随时间的SNR值的分布；以及

提供分布信息给基站以用于自适应调制和编码中。

9.权利要求8的方法，其中所述提供分布信息给基站的步骤包括如下步骤：

计算到所述SNR值的最佳拟合函数；以及

提供关于所述最佳拟合函数的变量给所述基站。

10.权利要求8的方法，其中所述提供分布信息给基站的步骤包括如下步骤：

计算所述SNR值的概率密度函数；以及

提供关于所述概率密度函数的一个或多个数据点给所述基站。

Images