CN101248590B - 用于噪声增量估计的方法和装置 - Google Patents

Abstract

在一定时间间隔内多次测量无线通信系统中的已接收的总宽带功率(61A)。优选地，也直接或间接地测量码功率((C/I)_i)。从一组测量中，优选地使用卡尔曼滤波技术来估计一般为总接收功率的第一功率量(63A，63B)的概率分布，并且优选地，也估计与噪声和干扰信号有关的第二功率量(62A，62B)的概率分布。要确定的噪声增量度量的条件概率分布至少基于总功率(63A，63B)的概率分布。从该条件概率分布，可计算噪声增量度量的值。在优选实施例中，噪声增量度量是基于总功率与背景噪声之间的商，并旦因此噪声增量的条件概率分布基于背景噪声量(64)的条件概率分布。背景噪声量(64)的条件概率分布又基于与噪声和干扰信号有关的第二功率量(62A，62B)的极值的概率分布和噪声背景功率的先验概率分布。

Description

用于噪声增量估计的方法和装置

技术领域

本发明大致涉及用于在蜂窝通信系统中估计与功率有关的量的方法和装置。

背景技术

宽带码分多址(WCDMA)电信系统具有可用于电信服务的将来发展的许多引人注目的性质。例如WCDMA和类似系统中的特定技术挑战是将增强型上行链路信道调度到干扰条件有利的时间间隔，并且在此时间间隔中在涉及小区的上行链路中有足够的容量以支持增强的上行链路信道。众所周知，小区的全部现有用户对WCDMA系统上行链路中的干扰级别有影响。此外，相邻小区中的终端也对相同的干扰级别有影响。这是因为在使用CDMA技术时，小区的所有用户和公共信道在同一频带发射。小区负载与同一小区的干扰级别直接有关。

为保持小区的稳定性，负载需要保持低于某个级别。这是由于至少在WCDMA中大部分上行链路用户信道要进行功率控制。此功率控制旨在将每个信道的已接收功率级别保持在某个信噪比(SIR)，以便能够满足特定的服务要求。此SIR通常使得无线基站(RBS)中的已接收功率要比干扰级别低几dB。随后在所谓RAKE接收机中的解扩将每个信道增强到某个信号级别，在该信号级别，发射的比特可由例如位于信号处理链后面的信道解码器和语音编解码器进一步处理。

由于RBS试图将每个信道保持在其特定的优选SIR值，因此，可能出现一个另外的用户或现有用户的突发数据业务增加了干扰级别的情况，由此暂时降低了其它用户的SIR。RBS的响应是命令所有其它用户增大功率，这会使干扰增大更多。通常，此进程在某个负载级别下保持稳定。如果高容量信道突然出现，则干扰增加变大，并且所谓功率突升的不稳定风险就增大。因此，必须调度高容量上行链路信道，比如WCDMA中的增强型上行链路(E-UL)信道，以便可确保避免不稳定。为此，必须估计在RBS中的瞬时负载。这允许评估离开不稳定点的容量裕量。

例如CDMA系统中小区的负载通常表示为与功率有关的某个数量，一般为噪声增量或热噪声增量(ROT)。诸如总功率级别和背景噪声(noise floor)(理想热噪声)等功率量要确定。根据现有技术确定波动大的功率量或背景噪声一般有着较大的不确定性，这甚至可能与整个可用的容量裕量在同一量级别。因此，在未改进与增强型上行链路信道有关的负载估计的情况下，要实现该信道功能实际上很困难。

多个噪声增量的度量确实存在。最重要的一个度量可能是定义为小区总干扰和RBS接收机热噪声背景功率(power floor)之商的热噪声增量(RoT)。其它度量例如包括相对于热背景噪声的带内非WCDMA干扰。

在此方面，要提及的一个同样重要的参数是小区覆盖，它需要负载估计以实现其控制。覆盖一般与需要在特定SIR操作才可正常运行的特定服务有关。上行链路小区边界因而由工作在最大输出功率的终端定义。RBS中的最大已接收信道功率由终端的最大功率和到数字接收机的路径损失(pathloss)定义。由于路径损失直接随终端与RBS之间的距离而变化，因此，可得出离RBS的最远距离。在所有方向得到的离RBS的此距离定义了覆盖范围。

随之而来的是任何干扰级别的增大将导致无法通过增大终端功率而补偿的降低的SIR。因此，路径损失需要降低以保持服务。这意味着终端需要移近RBS，即，小区的覆盖缩小。

从以上论述可明显看到，为保持运营商已计划的小区覆盖，必需保持低于特定级别的负载。这意味着负载估计对覆盖也很重要。具体而言，从覆盖角度而言，负载估计对在RBS中快速调度增强型上行链路业务来说是很重要的。此外，在控制多个RBS的无线网络控制器(RNC)中许可控制和拥塞控制功能也可从有关小区瞬间噪声增量的准确信息中受益。

发明内容

现有技术CDMA通信网络的一个常见问题是提供的负载估计的准确性难以实现精细的负载控制。具体而言，确定的与增强型上行链路信道有关的噪声增量有着很大的不确定性，这主要是由于难以估计背景噪声或其它功率有关的量引起的。

本发明的一般目的是提供用于确定例如负载估计等功率有关的量的改进方法和装置。本发明的又一目的是提供可给出更准确的功率有关的量确定的方法和装置。本发明的另一目的是提供用于改进估计的噪声增量的方法和装置。

上述目的通过如随附权利要求书所述的方法和装置而得以实现。一般而言，在一个时间间隔内将多次测量无线通信系统中的已接收的总宽带功率。优选是也测量码功率或对应的无线链路功率。优选使用卡尔曼滤波技术(Kalman filtering technique)，从一组测量中估计第一功率量的概率分布，在一个特定实施例中该量为已接收的总宽带功率量。优选的是也估计与干扰和噪声有关的第二功率量的概率分布。要确定的噪声增量度量的条件概率分布至少要基于第一功率量的估计概率分布。从噪声增量度量的条件概率分布中，计算噪声增量度量，并且优选也计算其标准偏差。在优选实施例中，噪声增量度量是基于总功率与背景噪声之间的商，并且噪声增量度量的条件概率分布因此基于已接收的总宽带功率量的概率分布和背景噪声量的条件概率分布。背景噪声量的条件概率分布又基于与干扰和噪声有关的功率量的极值的概率分布和噪声背景功率的先验(prior determined)概率分布。

因此，本发明的优点是即使存在相邻小区干扰、外部干扰源和快速波动的功率，也可提供准确的噪声增量。

附图说明

通过结合附图，参照以下说明，可最好地理解本发明及其其它目的和优点，其中：

图1示出执行负载估计的无线基站信号链；

图2示出功率控制的简化典型模型；

图3示出噪声增量与小区总比特率之间的典型关系；

图4是典型移动通信网络中出现的信号功率的示意图；

图5是本发明优选实施例的功能示意图；

图6是根据本发明的系统实施例的主要部分的方框图；

图7示出根据本发明实施例的模拟噪声增量的估计结果；

图8A是根据本发明的方法实施例的主要步骤的流程图；

图8B是根据本发明的方法实施例的主要步骤的流程图；以及

图9示出从总接收功率测量中得到的功率量的典型时间变化。

具体实施方式

在整篇公开内容中，等式中的粗体字母表示向量或矩阵量。

所述详细说明在介绍时稍微更深地论述了如何执行负载估计和现有技术解决方案遇到的问题，以便揭示问题的严重性。这通过参照典型的WCDMA系统进行，但这些想法并不限于WCDMA。它们当然在许多类型的蜂窝系统中也适用。

参考和测量点

图1示出了RS的典型信号链。从天线1接收的宽带信号先通过由电缆、滤波器等组成的模拟信号条件链2。在信号进入的接收机3时，分量之间的变化及温度漂移使得系统此部分的比例因子有大约2-3dB未能确定。这将在下面进一步论述。在接收机3中，进行了多个操作。为进行负载估计，一般假设在某一级测量已接收的总宽带功率，图1中表示为5。此外，假设在此实施例中可在第6级进行码功率测量，即，小区每个单独信道/用户的功率。估计量的参考点表示为4。图1以示意图方式示出估计量有效且进行测量的链中的点。

估计热背景噪声功率困难有几个原因。如上所述的一个原因是热背景噪声功率及其它已接收功率受模拟接收机前端中分量不确定性的影响。根据定义，信号参考点在天线连接器。然而，测量在数字接收机中的模拟信号条件链之后获得。这些不确定性也具有热漂移。

模拟信号条件电子器件链确实在RBS(批)之间产生了难以补偿的2-3dB的比例因子误差。除以热噪声背景功率默认值的RTWP(已接收的总宽带功率)测量因此可能与假设的热噪声背景功率有2-3dB的不一致。结果将是也有2-3dB误差的估计的噪声增量。考虑到在WCDMA系统中允许的噪声增量间隔一般为0-7dB的事实，因此，2-3dB的误差是不可接受的。

不过，形成总接收功率的所有功率(参见附录A)同样受比例因子γ(t)的影响，因此，在计算噪声增量率N_R(t)(参见附录A)时，可将如以下所示的比例因子误差取消为：

$N_R\left(t\right)=N_R^{\mathrm{DigitalReceiver}}\left(t\right)=\frac{P^{\mathrm{Total},\mathrm{DigitalReceiver}}\left(t\right)}{P_N^{\mathrm{DigitalReceiver}}}=\frac{\mathrm{\γ}\left(t\right)P^{\mathrm{Total},\mathrm{Antenna}}\left(t\right)}{\mathrm{\γ}\left(t\right)P_N^{\mathrm{Antenna}}}=$

$=\frac{P^{\mathrm{Total},\mathrm{Antenna}}\left(t\right)}{P_N^{\mathrm{Antenna}}}=N_R^{\mathrm{Antenna}}\left(t\right)---\left(1\right)$

其中，N_R ^{DigitalReceiver}(t)和N_R ^Antenna(t)分别是如在数字接收机3(图1)和天线1(图1)测量的噪声增量率，P^{Total，DigitalReceiver}(t)和P^{Yotal，Antenna}(t)分别是如在数字接收机3和天线1处的总接收功率，以及P_N ^{DigitalReceiver}和P_N ^Antenna是分别如在数字接收机3和天线1处测量的热噪声级别。然而需要注意的是(1)要求测量在数字接收机中的背景噪声P_N ^{DigitalReceiver}。这是本发明解决的主要困难。

功率测量

在详细说明中，使用了下面的通用符号：

已接收的总宽带功率的测量在接收机中执行。此测量表示为P^Total(t)，其中，t表示离散时间。测量速率为T^-1Hz。

码功率在本公开内容中用于表示与WCDMA系统中使用的每个单独码相关联的无线链路功率。然而，在以WCDMA为示范系统的本公开内容中，通用术语“无线链路功率”视为包括通用术语“码功率”，然而，这两个术语可视为等同。对于小区受控信道，码功率的测量可在接收机中执行。这些测量表示为P_{i，Measuremert} ^Code(t)。测量速率为T_i ^-1Hz。

数据信道i(CS或PS)的码功率表示为P_i ^Code，Data(t)，对应于控制信道i表示为P_i ^{Code，Control}的功率，不直接测量。相反，它从动于表示如下的实际已接收码信号功率：

$P_i^{\mathrm{Code},\mathrm{Data}}\left(t\right)=n_{\mathrm{Code}}{({\mathrm{\β}}_i^{\mathrm{Data}}\left(t\right)/{\mathrm{\β}}_i^{\mathrm{Control}}\left(t\right))}^2{P}_i^{\mathrm{Code},\mathrm{Control}}\left(t\right)\≡{\mathrm{\η}}_i\left(t\right)P_i^{\mathrm{Code},\mathrm{Contral}},---\left(2\right)$

其中，比例因子η_i(t)取决于服务，且在可能延迟到TFCI解码后的时间的任何给定实例均已知，n_Code表示在连接中使用的有效代码数量，并且β_i ^Data(t)和β_i ^Control(t)是所谓的β因子，其平方商(squared quotient)为用户定义了控制信令与数据业务之间的功率关系。

所有采样期间中有一个最小采样期间，所有其它采样期间是此采样期间的整数倍。

在整篇公开内容中将使用量P_i ^Code(t)，该量用于表示总信道i的控制信号功率和数据信道功率之和。注意，测量P_{i，Measurement} ^Code(t)只测量控制信道功率。因此，在理想的无噪声情况下，

$P_{i,\mathrm{Measurement}}^{\mathrm{code}}\left(t\right)=\frac{1}{1+{\mathrm{\η}}_i\left(t\right)}{P}_i^{\mathrm{Code}}\left(t\right).---\left(3\right)$

功率控制环

在图2中，示出了信道i的简单功率控制环模型。示为(C/l)^Tar的码功率与干扰比目标10已被提供，并且基于此计算(11)负载因子L_i ^Tar，该因子表示总功率(示为P^Total)12与信道的码功率(示为P_i ^CodeRef)参考值14之间的关系。因此，负载因子L_i ^Tar乘以(13)总功率12以提供码功率参考值14。码功率参考值14减去(15)码功率P_i ^Code以得到与所需值的任何偏差，并且该差用作内环控制器16的输入。内环控制器操作以便例如实现零稳态误差。参照上述内容，误差项18一般加(17)到内环控制器16的输出，产生信道i的测量输出信道功率19，示为P_i ^Code。此输出功率19随后用作到减法器15的反馈。

由于输出信道功率19的改变影响总功率12，因此，也存在连接所有输出信道功率和总功率12的输出功率控制环。

噪声增量

如背景部分所述，引入另外的信道结果是总功率12增大。正如从图2可看到的一样，总功率12的增大使得输出信道功率19增大。经外部功率控制环，这又将进一步增大总功率12。对于较小的负载以及对于较小的额外负载，此控制行为在一定的阈值下一般是稳定的。然而，在大于此阈值时，或者对于非常大的额外负载，就可能会出现不稳定。

图3是示出这些状况的图形。噪声增量N_R定义为在如天线连接器处测量的总功率和热噪声级别P_N之间的比，也称为背景噪声，是负载的度量。高于噪声增量阈值N_R ^thr时，情况变得不稳定。总比特率与噪声增量N_R之间的关系100从控制环的设计已知，并且另外信道的调度可在一旦确定瞬间噪声增量NR后便执行。极点容量C_pole表示以每秒比特数为单位的最大比特率容量。阈值N_R ^thr与由热噪声级别P_N定义的级别之间一般的差ΔN为7dB。然而，背景噪声或热噪声级别P_N不容易得到。例如，由于如上所述的接收机中比例因子的不确定性可大到2-3dB，因此，大部分的可用裕量受此类引入的不确定性影响。

附录A介绍了功率和干扰测量估计的数学方法。

背景噪声的可观测性

现在出现的难以估计热背景噪声功率的一个原因是，即使在数字接收机进行了所有测量，也无法直接测量背景噪声，至少在单个RBS中无法测量。原因是相邻小区干扰和外部源的干扰也影响接收机，并且此类源的任何均值无法与背景噪声分开。功率测量可在自有小区的信道上执行。然而，此类在测量并未解决问题，但它们可稍微改善情况。

图4结合RBS20示出功率测量的成分。RBS20与小区30相关联。在小区30内存在多个移动终端25，这些终端通过不同链路与RBS20通信，每个链路以P_i ^Code(t)影响总接收功率。小区30在同一WCDMA系统内有多个相邻小区31，每个相邻小区与一个RBS21相关联。相邻小区也包括移动终端26。移动终端26发射射频功率，并且所有此类成分之和表示为P^N。也可能有其它网络外部辐射源，如雷达站41。此类外部源的成分表示为P^E。最后，P_N项由接收机本身产生。

很明显示，上面的P^N(t)和P_N是不可测量的，因此需要以某个方式估计或消除。这在附录B中进一步描述。

如附录B中所示，总宽带功率测量可表示为：

$P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{\mathrm{Code}}\left(t\right)+P^{E+N}\left(t\right)+P_N\left(t\right)+e^{\mathrm{Total}}\left(t\right),---\left(4\right)$

其中

P^E+N＝P^E+P^N，

并且其中e^Total(t)为测量噪声的建模。

可以用数学方式证明，P^E+N(t)和P_N的线性估计不是可观测到的问题。只有它们的和P^E+N+P_N可从可用测量中观察到。在执行码功率测量时，情况也是如此。由于P^E+N(t)和P_N两者均是正值量，因此，明显无法从两者之和估计它们。结果也证明无数学建模可用于消除P^E+N(t)和P_N之一。换而言之，问题在于没有常规技术可用于分开背景噪声和源于相邻小区干扰与在蜂窝系统外部带内干扰源的功率均值。正如结果证明的一样，只有背景噪声功率和邻区与外部干扰功率之和可观察到。指明这种情况的一种简化方式是如果两个(正)数之和已知，则此信息本身并不足以确定两个数字中的每个数字。

背景噪声估计

估计的噪声增量困难的另一个原因是热背景噪声并不总是找到的量。存在的情况是恒定的带内干扰严重影响了RBS的接收机。这些恒定干扰不会影响上述稳定性，相反，它们好象是增大的噪声温度一样，即增大的热背景噪声。

在现有技术中，一个备选方案是以高成本单独确定现场中每个RBS的热背景噪声，以便实现足够高的负载估计性能。如在数字接收机中看到的热噪声背景功率的默认值的确定，需要对工厂或现场中大量的RBS执行参考测量。两种备选方案成本都高，并需要在硬件更改时尽快重复进行。

解决问题的上述方案将需要单独校准每个RBS。然而，这将产生非常高的成本，并且极其不令人喜欢。此外，模拟信号条件电子器件中可能仍将存在0.7-1.0dB的温度漂移误差。

在接受只有和P^E+N+P_N可从所有信道的总宽带功率和码功率的测量中观察到的事实下，必须研究是否仍可推断出任何有用信息。本发明旨在实现避免上列问题的解决方案。必须避免的一个特定问题是，背景噪声是不可从在RBS中可进行的测量中观察到的量。

热噪声背景功率估计的一个原理是将它估计为测量或估计功率量的最小值。此最小值一般在预定的时间间隔上计算。所涉及功率优选为背景噪声功率与邻区和外部干扰功率之和，或已接收的总宽带功率。一个方案因此将是，通过用已确定热背景噪声功率的瞬间已接收的总宽带功率进行分割，而从上述两个最小量之一计算噪声增量。

利用已确定的热背景噪声功率而使用分割的原理具有多个性质，其中一些至少在某些应用中可能是缺点。估计原理将热噪声背景功率的特定值确定为输出变量。这既不是最佳的，也不是必需的。实际需要的输出量是噪声增量，并且正如下面将看到的一样，此量可直接估计。此外，该估计原理并未提供估计热噪声背景功率准确性的任何度量，也未提供噪声增量。这是由于事实是只估计了热噪声背景功率一值的原因。

另外，该估计原理未考虑有关例如在多个RBS内真实热背景噪声功率概率分布的先验信息。这有其它后果。通过上述想法获得的热噪声背景功率的估计始终偏向于比实际值更高。这是由于热背景噪声功率、相邻小区WCDMA功率和非WCDMA带内干扰功率之和始终至少要热噪声背景功率一样大。因此，在确定的时间间隔内估计最小值时，总是得到比实际热噪声功率更大的值。这带来的结果是噪声增量被低估，即小区的负载被低估。该结果可能使得调度过多，导致例如小区不稳定。

根据本发明的装置优选实施例

在本发明中，确定的目标是估计噪声增量的一维概率密度函数，而不是单个值。估计完整概率分布事实的一个重要益处在于可能计算估计差异(标准偏差)。由此将自动评估估计进程的质量。好像这样的不确定性度量在例如以后步骤中调度增强型上行链路信道时可能非常有用。

本发明的一个优选实施例在图5以示意图方式示为方框图。优选实施例涉及在码分多址蜂窝电话系统中的负载估计领域。优选实施例的公开内容是为关于WCDMA类型蜂窝系统中的增强型上行链路(E-UL)的负载估计功能而撰写的。然而，注意CDMA类型的其它蜂窝系统情况应类似，因此，大部分详细论述将对这些系统也有效。

注意，在下面的说明中，概率分布一般通过将分布离散为直方图而由数字系统处理。

最佳的非线性估计的噪声增量装置包括三个主要方框。在第一个功率估计方框51，卡尔曼滤波器装置接收多个输入61A-E，例如测量的已接收的总宽带功率RTWP61A，并提供输出62A、62B、63A、63B，它们是功率估计62A、63A和对应的标准偏差62B、63B。在当前的优选实施例中，输入61A如上所述是测量的已接收的总宽带功率RTWP61A。此外，输入61B是信道i的测量的码功率与干扰比(C/I)；输入61C是信道i的beta因子；输入61D是信道i的码数量；以及输入61E是快速功率控制环命令的对应码功率与干扰比。输出62A是相邻小区WCDMA干扰功率、带内非WCDMA干扰功率和热背景噪声功率之和的功率量估计，输出63A是估计的已接收总带宽功率，以及输出63B是对应的偏差。由于输出来自卡尔曼滤波器装置，因此，这些参数是定义滤波器产生的估计的高斯分布的仅有参数。因此，提供了足够的信息以定义功率估计的完整概率分布信息。附录C中更详细地描述了动态空间模型65和时变卡尔曼滤波器51。

在第二条件概率分布估计方框52中，基于贝叶斯统计的装置接收作为输入的功率估计62A和对应的标准偏差62B，并且提供输出64A，该输出包括是相邻小区干扰功率、外部带内干扰功率和热噪声功率之和估计的P_Estimate ^E+N+Noise极值估计概率分布，极值一般为最小值。给出有关背景噪声功率的在先预期概率分布信息的参数66被提供到条件概率分布估计方框52，以便实现最佳估计。附录D中提供了条件概率分布估计的更详细说明。

在第三估计的噪声增量方框53中，基于贝叶斯统计的装置接收作为输入的P_Estimate ^E+N+Noise64最小值估计概率分布、功率估计63A和对应的标准偏差63B，并且主要提供包括估计噪声增量RoT_Estimate和对应标准偏差σ_{RoT，Estimate}的输出67。在此实施例中，优选噪声增量度量根据以下等式定义：

$\mathrm{RoT}\left(t\right)=\frac{P^{\mathrm{Total}}\left(t\right)}{P_N},---\left(6\right)$

其中，P^Total(t)是总接收功率；

然而，也可利用其它噪声增量度量。

给出有关要使用哪个噪声增量度量信息的参数68在此实施例中提供到估计的噪声增量方框53，并且优选也提供噪声增量69在先预期的概率分布。附录E中提供了条件概率分布的更详细说明。

估计噪声增量RoT_Estimate和对应的标准偏差σ_{RoT，Estimate}一般基于噪声增量的估计条件概率分布而计算为条件均值。这是噪声增量的最佳估计，并且它在附录F中有进一步描述。

优选实施例的当前公开内容揭示了理论上最佳的详细非线性算法。在优选实施例的第一个方框51中，自有小区(own cell)的无线链路功率不直接从已接收的总宽带功率中去除。相反，在此实施例中为卡尔曼滤波的最佳状态空间滤波技术被应用，以估计为相邻小区WCDMA功率、非WCDMA带内干扰和热噪声背景功率之和的信号。存在如下风险：在高功率无线链路上的测量扰动将产生会妨碍以上信号最小值的任何计算的异常值值，本方案可将此风险将到最低。

卡尔曼滤波方案还具有以下优点。它通过在卡尔曼模型中引入预测变化而可处理快速时变的系统。这在过滤高功率WCDMA无线链路的突发数据业务时是很理想的。用于过滤强时变信号的其它技术一般会产生拖尾(smearing)。相反，即使生成信号的系统以已知方式快速时变，卡尔曼滤波器也能够过滤出测量误差。在本申请中，快速时变性通过各解码的无线链路的实际beta因子来建模(modelled)。这些beta因子描述了例如在WCDMA系统中高突发数据业务的时变。

此外，卡尔曼滤波能够使用物理先验信息以提供最佳时变滤波增益的自动计算。具体而言，优选实施例中提议的卡尔曼滤波包含控制每个无线链路的快速功率控制环的嵌入式模型。有关模型准确性和建模误差的先验估计用于自动计算卡尔曼滤波器的增益。

卡尔曼滤波方框的输出包括，由估计以及估计偏差参数化的高斯概率分布。

当前方法优选使用已接收宽带功率(RTWP)61A的频繁测量(frequent measurement)和从码功率与干扰比值61B推断的自有小区的所有无线链路的各自功率的测量(可能是间接的)。

此外，根据本发明，方框53中的估计的噪声增量直接执行，而不必确定热噪声功率的中间值。此估计也允许考虑任何先验信息，有可能避免过估计问题。从卡尔曼滤波输出的两个高斯概率分布之一用于执行概率分布的已接收样本的最小功率的概率分布估计。估计在从形成滑动窗口的预定时间间隔收集的样本上执行。另外，估计进程考虑(如)为RBS代表性集合(representative collection)而确定的热噪声背景功率的先验概率分布。这具有一些值得注意的益处。

单纯确定最小功率值必然会高估热噪声背景功率。这可通过上述方案避免。原因是在处理的高斯概率分布的已测量样本的最大值接近先验概率分布的最大值时，通过去除(cut out)多段先验分布而进行最小功率概率分布估计。这又将估计的概率分布重心推向更低值。实际上，可能获得比特定RBS真实热背景噪声功率稍低的重心值。在技术上，这是使用的贝叶斯统计方法的性质，并且这产生了在RBS的典型集合上进行评估时的最佳的较小误差。

此外，由于最小功率概率分布估计是软类型(soft type)的算法，因此，对异常值数据的灵敏度被降低。

在优选实施例的最后部分，先计算噪声增量的条件概率分布的确切估计。这通过利用两个随机变量的商的分布的精确表达而执行。分子由直接从卡尔曼滤波器获得的瞬间已接收的总宽带功率的估计的高斯分布来表示。分母则由最小功率的估计条件概率分布来表示。一个重要的益处是可能也对估计的标准偏差的计算使用估计的噪声增量概率分布，由此提供估计器准确性的估计。

本发明的实现示例

除上述算法外，将它们接口至现有RBS系统需要一些增强。本部分的目的是讨论这些增强。

在上述说明中，假设功率估计涉及上行链路通信。此类情况下，功率测量由无线电接入网络中的节点(一般是无线基站)来执行。然而，例如确定和/或估计步骤等至少部分过程也可在例如无线网络控制器等通信网络的其它部分中执行。图6示出根据本发明的系统实施例的主要部分。无线通信系统70包括移动电信系统地面无线电接入网络(UTRAN)71。移动终端25与UTRAN71中的RBS20通过无线电联系。RBS20由无线网络控制器(RNC)72控制，而该控制器又连接到核心网络CN73的移动服务交换中心/访问位置寄存器(MSC/VLR)74和服务通用分组无线电系统支持节点(SGSN)75。

在此实施例中，RBS20包括用于获得至少瞬间已接收的总宽带功率测量，并且在此特定实施例也获得码功率测量的部件80，用于从已测量功率估计已接收的总宽带功率量的概率分布的部件81。RBS20还包括用于基于已接收的总宽带功率量的估计概率分布而提供噪声增量度量的条件概率分布的部件82，及用于基于噪声增量度量提供的条件概率分布而计算噪声增量度量的部件83。这些部件80-83可作为单独的单元或至少部分集成的单元而实现。

在根据图5实现评估时，用于估计的部件81还设置为也提供总和P^E+N+Noise的估计概率分布，即完整的卡尔曼功率估计功能。此外，用于提供的部件82还设置为能够估计背景噪声的条件概率分布，即P^E+N+Noise量的最小值。噪声增量条件概率分布估计由此也基于此背景噪声条件概率分布。用于提供的部件82由此包括估计功能52(图5)和部分估计功能53(图5)。用于计算的部件83因而包括剩余部分的估计功能53(图5)。

在图6中，除其它功能外，无线网络控制器包括用于许可控制的部件85。用于许可控制的部件85优选包括用于增强型上行链路控制的功能。用于许可控制的部件85连接到RBS20以进行信息交换，尤其是涉及噪声增量估计的信息。

在备选实施例中，部件81-83实际上包括在RNC72中，如图6虚线框中所示。由于接近天线，因此，至少部分实际测量一般保持在RBS20中。然而，存在用于接收表示至少已接收的总宽带功率的数据的通信部件80。正如本领域的技术人员认识到的一样，部件80-83的其它备选配置也是可能的。如果部件80-83存在于无线网络控制器72中，则部件80-83优选与部件85集成。

备选实施例

正如迄今为止论述中陈述的一样，根据(6或A4)，噪声增量估计的过程旨在估计小区的总噪声增量。然而，可直接在同一框架内处理其它有关备选方案。例如，考虑以下噪声增量度量，描述了只由于自有小区无线链路引起的噪声增量。此类情况下，对应于(6)的噪声增量定义变为

$N_R^{\mathrm{TPC}}=\frac{P_N+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{\mathrm{Code}}\left(t\right)}{P_N}.---\left(7\right)$

无线链路功率之和的分布可通过使用以下等式从卡尔曼滤波器中获得：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\hat{P}}_i^{\mathrm{Code}}\left(t\right)=\left(\begin{array}{cccc}1& \·\·\·& 1& 0\end{array}\right)\hat{x}\left(t\right|t),---\left(8\right)$

其中，是估计状态向量，从中得到和的高斯概率分布。如附录E所述，

的条件分布由背景噪声的条件概率分布得出。随后，过程是通过应用两个独立概率分布之和Z＝X+Y分布的公式，先计算分子的分布。

$f_Z\left(z\right)=\underset{-\∞}{\overset{\∞}{\∫}}{f}_X\left(x\right)f_Y(z-x)\mathrm{dx}.---\left(9\right)$

这样获得的分布替代根据等式(E7)导出的要使用的(E1)分子的高斯分布。剩余的过程与上述计算噪声增量的条件概率分布相同。注意，由于事实是所有涉及的概率分布都是一维的，因此，该过程同样具有低复杂性。

其它噪声增量度量也是可能的。一个备选方案是排除或忽略非通信系统干扰的任何成分。这可通过选择比用于RoT估计短得多的滑动窗口来实现。与此相反，也可以只考虑由外部干扰和相邻小区干扰引起的噪声增量。此外，也可以使用只包括增强型上行链路的小区的噪声增量，即无外部干扰、无WCDMA相邻小区干扰和无非增强型上行链路TPC无线链路功率。

在优选实施例中，RTWP和所有无线链路的单独功率均在卡尔曼滤波过程中测量并结合于其中。然而，备选的是可以只使用RTWP61A的频繁测量。随后，可执行卡尔曼滤波而无需对应于各个无线链路的状态，这将简单处理。然而，背景噪声人估计随后必须要基于反映总功率的概率分布的卡尔曼估计，这使得估计更不准确。

此类实施例的功率模型和卡尔曼滤波器在后面附录B和附录C部分中介绍。

要测量的功率的选择可根据例如要估计的请求噪声增量度量而发生变化。然而，所有备选方案的共同之处在于测量噪声增量度量依据的功率量。

另外的特性

无线链路添加

添加无线链路时，卡尔曼滤波器/卡尔曼平滑器的维数会更改(参见附录C)。这例如可通过重新初始化更高维数的新估计器(estimator)来处理。随后，从先前的估计器获得先前存在状态的初始值，并为添加的状态设定新初始值。这适用于状态估计和协方差。

注意，此进程对(F1)或(F2)无影响。

无线链路删除

删除无线链路时，卡尔曼滤波器/卡尔曼平滑器的维数会更改。这例如可通过重新初始化更低维数的新估计器来处理。随后，从先前的估计获得先前存在状态的初始值。这适用于状态估计和协方差。

注意，此进程对(F1)或(F2)无影响。

随机接入功率抑制

当终端连接到网络时，其功率在进行检测前自动斜升(ramp)，参见[1]第111页。这会导致P^E+N+Noise(t)和P^Total(t)中的功率尖峰。除非对此情况进行处理，不必要的瞬间误差会产生在对应的估计中。

不过，这种类型的功率峰值可通过另外的逻辑、估计的更改速率的限制来处理，或者通过引入多模式类型卡尔曼滤波器/卡尔曼平滑器来处理。此类滤波器例如可围绕最初开发用于目标跟踪应用的IMM滤波器概念来构建。

重新启动

在重新启动时，背景噪声概率分布估计步骤的初始瞬态使自身变得明显，直至P^E+N+Noise(t)的估计支持(back up)到等于滑动窗口持续时间的一段时间。

数字示例

一组MATLAB脚本已开发用于显示提议算法的性能。示例模拟执行超过30分钟。

在图7中，示出了模拟生成并由算法评估使用的估计和真实噪声增量。

模拟示例显示提议的算法可能产生准确到小于真实噪声增量1dB内的估计的噪声增量。然而，需要更详细的模拟研究确定更广泛操作条件下的性能，并将结果与其它方法进行比较。

注意，在整体RBS上热噪声级别先验分布的应用可为提议的方法带来益处。原因是即使功率测量保持远高于寻找的背景噪声，但该热噪声级别也可能到达。随后，测量去除先验分布的高功率部分，由此将条件分布的重心移到更低功率。条件均值因此不限于大于或等于用于形成最小值的功率测量的值。结果减小了高估背景噪声的趋势。由于它对应于减小低估噪声增量的趋势，事实上减小了调度过多的风险，因此，这是有益的。

根据本发明的方法优选实施例

图8A是根据本发明的方法实施例的主要步骤流程图。此过程从步骤200开始。在步骤210，在接收机中测量瞬间已接收的总宽带功率。在步骤212中，从已测量已接收的总宽带功率估计已接收的总宽带功率量的概率分布。在步骤214中，至少基于已接收的总宽带功率量的估计的概率分布，而提供噪声增量度量的条件概率分布。在步骤220中，基于噪声增量度量的条件概率分布，而计算噪声增量度量。此过程在步骤299中结束。

图8B是根据本发明的方法略微更详细的实施例流程图。与图8A中类似的步骤不再详细论述。在步骤211中，测量自有小区的瞬间无线链路功率或直接连接到那的数量。在步骤213中，从已测量的瞬间无线链路功率和已测量的总功率估计P^E+N+Noise的概率分布。在步骤214，在此实施例中包括两个小步骤。在步骤216中，估计P^E+N+Noise最小值的条件概率分布。在步骤217中，通过估计已接收的总宽带功率量的概率分布与P^E+N+Noise最小值的条件概率分布之间的商的条件概率分布，而估计噪声增量估量的条件概率分布。

发明优点

本发明的一些优点如下：

噪声增量估计的公开算法通过在数字接收机中估计相对负载度量(“噪声增量”)而避免了RBS前端比例因子误差的问题。

公开的算法可设定用于不同的测量集。一个重要的情况是只有已接收的总宽带功率用于噪声增量估计。另一情况是也单独地为小区的各个无线链路执行无线链路的附加测量。

公开的算法可考虑：

瞬态beta因子和SIR目标设置；以及

在RBS典型集合上确定的热噪声背景功率的先验分布。

由于应用了时变卡尔曼滤波器，因此，可准确地跟踪高突发功率信号。

算法的软操作及最佳滤波应用于自有小区无线链路功率的功率减少的事实降低了，例如由于高功率无线链路测量误差而引起的热噪声背景功率估计性能较差的风险。

通过第一卡尔曼滤波步骤，将噪声增量估计问题降低到一维问题，可使算法的计算复杂性保持相当低。

通过细小的修改，算法可用于多个特定噪声增量估计的估计。这例如包括：

·如以RoT表示的小区完整噪声增量。

·不包括非WCDMA干扰的小区噪声增量。这可通过选择比用于RoT估计短得多的滑动窗口而实现。

·仅由外部干扰和WCDMA相邻小区干扰引起的小区噪声增量。

·仅包括普通无线链路的小区噪声增量，即无外部干扰，无WCDMA相邻小区干扰和无增强型上行链路干扰。

·仅包括增强型上行链路无线链路的小区噪声增量，即无外部干扰，无WCDMA相邻小区干扰和无非增强型上行链路TPC无线链路功率。

一般而言，本发明可概括如下：

“基于软先验值和功率测量的最佳的噪声增量估计算法估计噪声增量的条件概率分布，之后是计算最佳估计。”

上述实施例要理解为只是本发明的少数几个说明性示例。本领域的技术人员将理解，在不脱离本发明范围的情况下，可对实施例进行不同的修改、组合和更改。具体地说，不同实施例中的不同部分解决方案可在技术上可行的情况下在其它配置中组合在一起。然而，本发明的范围由随附权利要求书定义。

附录A

功率、负载因子和噪声增量

此处介绍了一种功率和干扰测量的数学方法。功率和干扰测量在解扩前定义。如果寻求解扩后的值，则需要具有扩频因子的比例调整。类似的比例调整可应用以便将量转换到信号处理链的任何级别。为与上述主要假设一致，下面引用的码功率与干扰比(C/I)指解扩前的码功率与干扰比。这有时由符号(C/I)_chip表示，其中，下标_chip指在码片级别的功率。

根据定义，控制信道i的干扰级符合以下方程：

${(C/I)}_{\mathrm{chip},i}\left(t\right)=\frac{P_i^{\mathrm{Code},\mathrm{Control}}\left(t\right)}{P^{\mathrm{Total}}\left(t\right)-P_i^{\mathrm{Code},\mathrm{Control}}\left(t\right)}\⇔$

$P_i^{\mathrm{Code},\mathrm{Control}}\left(t\right)=\frac{1}{1+\frac{1}{{(C/I)}_{\mathrm{chip},i}\left(t\right)}}{P}^{\mathrm{Total}}\left(t\right)\⇔---\left(A1\right)$

$P_i^{\mathrm{Code}}\left(t\right)=\frac{1+{\mathrm{\η}}_i\left(t\right)}{1+\frac{1}{{(C/I)}_{\mathrm{chip},i}\left(t\right)}}{P}^{\mathrm{Total}}\left(t\right)$

其中，P_i ^{Code，Control}(t)是控制信道i的码信道功率(code channel power)，P^Total(t)是已接收的总功率，并且η_i(t)是控制与数据信道功率之间的已知比例因子，参见(2)。

因此，可得出由外部功率控制环(参见图2)命令的负载因子L_i ^Tar可表示为：

$L_i^{\mathrm{Tar}}\left(t\right)=\frac{1+{\mathrm{\η}}_i\left(t\right)}{1+\frac{1}{{(C/I)}_{\mathrm{chip},i}^{\mathrm{Tar}}\left(t\right)}},---\left(A2\right)$

其中，^Tar指目标值。

同样要注意的是，时间标号指示相对干扰值的(慢)外部功率控制环更新。

也要注意的是，解扩前的码功率P_i ^Code(t)与总功率P^Total(t)之间定义在解扩之后依照SIR(信干比)值表示的对应关系为：

$P_i^{\mathrm{Code}}\left(t\right)=\frac{1+{\mathrm{\η}}_i\left(t\right)}{1+\frac{N_i}{\mathrm{SI}{R}_i\left(t\right)}}{P}^{\mathrm{Total}}\left(t\right)---\left(A3\right)$

其中，N_i是扩频因子。

如上所述负载估计的寻找量一般为噪声增量N_R(t)，定义为

$N_R\left(t\right)=\frac{P^{\mathrm{Total}}\left(t\right)}{P_N},---\left(A4\right)$

其中，P_N是如天线连接器测量的热噪声级别。它保持以数学方式定义P^Total(t)的含意。此处使用的定义为：

$P^{\mathrm{Total}}\left(t\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i^{\mathrm{Code}}\left(t\right)+P^{E+N}\left(t\right)+P_N,---\left(A5\right)$

P^E+N(t)＝P^E(t)+P^N(t)    (A6)

它测量于天线连接器。此处P^N(t)表示如从相邻小区接收的功率，并且P^E(t)表示如从WCDMA系统外部源接收的功率。此处主要的困难是需要将热噪声功率P_N与相邻小区和外部源的干扰P^E+N(t)分开。

附录B

功率模型

在目标信干比SIR_i ^Tar(t)及因此(C/I)_chip，i ^Tar未更改以及功率在正常操作的期间，控制信道和对应的稳定状态数据信道的已接收的码信道功率在假设为快速功率控制环高效操作的情况下将相对恒定。因此，码功率P_i ^Code的合适动态模型用离散时间随机游动(random walk)表示：

$P_i^{\mathrm{Code}}(t+T_{\min })=P_i^{\mathrm{Code}}\left(t\right)+w_i^{\mathrm{Code}}\left(t\right).---\left(B1\right)$

此处，w_i ^Code(t)假定为零均值白高斯干扰。T_min是系统的最小采样周期。

注意，由于功率P_i ^Code(t)是正量，因此随机游动是适合的模型。如果包括具有时间常数的模型，则可得出也需要引入到该模型的正输入信号以及估计其值。具体而言，随机游动是表示估计数量为“几乎恒定”的方式。

另一方面，在(C/I)_chip，i ^Tar(t)例如由于较差的信道条件、无线电接入承载(RAB)的更改或者变化的分组业务而更改的情况下，需要更普通的模型。此类模型可通过引入根据图2的快速功率控制环的简单模型而包括进。

(C/I)_chip，i ^tar(t)由外部功率控制环更新。通过将信道的控制和数据信道部分之和的负载因子乘以总功率P^Total(t)，可得到信道的码功率参考值P_i ^CodeRef(t)。

在此更普通的情况下，假设控制器16(图2)包含积分器运算以便达到零稳定状态误差。如果使用纯积分器，则码功率的差分方程变为：

$P_i^{\mathrm{Code}}(t+T_{\min })=P_i^{\mathrm{Code}}\left(t\right)+K(P_i^{\mathrm{CodeRef}}\left(t\right)-P_i^{\mathrm{Code}}\left(t\right))+w_i^{\mathrm{Code}}\left(t\right),---\left(B2\right)$

$E\left[w_i^{\mathrm{Code}}\left(t\right)w_i^{\mathrm{Code}}\left(s\right)\right]={\mathrm{\δ}}_{i,s}\frac{T_{\min }}{T_i}{r}_i^{\mathrm{Code}},---\left(B3\right)$

$P_i^{\mathrm{CodeRef}}\left(t\right)=\frac{1+{\mathrm{\η}}_i\left(t\right)}{1+\frac{1}{{(C/I)}_{\mathrm{chip},i}^T\left(t\right)}}{P}^{\mathrm{Total}}\left(t\right),i=1,...,n.---\left(B4\right)$

E[]表示统计期望，δ_i，s表示克罗内克符号(Kronecker delta)，r_i ^Code类似在T_i时间内的P_i ^Code(t)的平均漂移，以及K是积分器增益。

此处，(1-k)应类似于快速功率控制环的真实时间常数。因此，(B1)和(B2-4)构成小区控制和业务信道建模中的两个备选。要注意的是，模型(B2-4)计算如接收机中看到的参考功率P_i ^CodeRef(t)。此参考功率与快速功率控制环尝试实现的值相同。因此，在命令(C/I)_chip，i ^Tar(t)更改时，应相当适当地为信道功率的瞬态建模。但由于功率命令的比特差错使实际命令的终端功率不确定，因此，此模型是不确定的。这需要由(B2)的附加系统噪声w_i ^Code(t)捕捉。

由于没有有关外部功率P^E(t)和相邻小区功率P^N(t)的先验信息可用，因此，自然将它们一起作为随机游动而建模，即，

P^E+N(t+T_min)＝P^E+N(t)+w^E+N(t)(B5)

其中，w^E+N(t)是高斯系统噪声(参见(B1)-(B3))。

此外，热噪声P_N(t)通过随机游动模型建模，但带有很小的高斯系统噪声w_N(t)。

P_N(t+T_min)＝P_N(t)+w_N(t)   (B6)

在数字接收机中执行的测量包括已接收的总宽带功率P^Total(t)及服务小区中所有相关信道i的已接收的控制码功率P_i ^{Code，Control}(t)。热噪声级别P_N(t)和来自相邻小区与外部源的干扰P^E+N(t)无法直接测量。码功率测量可描述为：

$P_{i,\mathrm{Measurement}}^{\mathrm{Code}}\left(t\right)=\frac{1}{1+{\mathrm{\η}}_i\left(t\right)}{P}_i^{\mathrm{Code}}\left(t\right)+e_i^{\mathrm{Code}}\left(t\right),$ i＝1，...，n    (B7)

$E\left[e_i^{\mathrm{Code}}\left(t\right)e_i^{\mathrm{Code}}\left(s\right)\right]={\mathrm{\δ}}_{i,s}{r}_{i,\mathrm{Measurement}}^{\mathrm{Code}},---\left(B8\right)$

其中，e_i ^Code(t)是高斯测量噪声。除以1+η_i(t)是因为实际情况是只测量的控制信道功率。

总宽带功率测量可表示为：

$P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{\mathrm{Code}}\left(t\right)+P^{E+N}\left(t\right)+P_N\left(t\right)+e^{\mathrm{Total}}\left(t\right)---\left(B9\right)$

$E\left[e^{\mathrm{Total}}\left(t\right)e^{\mathrm{Total}}\left(s\right)\right]={\mathrm{\δ}}_{i,s}{r}_{\mathrm{Measurement}}^{\mathrm{Total}}.---\left(B10\right)$

因此，e^Total(t)为影响总宽带功率测量的测量噪声建模。要注意的是，增强型上行链路信道可在此框架内处理。

对于基于RTWP频繁测量的实施例，可应用随机游动模型：

P^Total(t+T_min)＝P^Total(t)+w(t)(B11)

$E\left[w\left(t\right)w\left(s\right)\right]={\mathrm{\δ}}_{i,s}\frac{T_{\min }}{T_{\mathrm{Correlation}}}r---\left(B12\right)$

其中，

类似在T_correlation时间内的P^Total(t)的平均漂移。P^Total(t)表示要估计的RTWP的当前(未知)实际值。

测量方程为：

$P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)=P^{\mathrm{Total}}\left(t\right)+e\left(t\right)---\left(B13\right)$

E[e(t)e(s)]＝δ_i，sr_Measurement，(B14)

其中，测量噪声e(t)具有等于r_Measurement的偏差。

附录C

基于卡尔曼滤波器的功率估计

动态空间模型

P^E+N(t)+P_N(t)之和表示为P^E+N+Noise(t)。根据(B5)和(B6)，P^E+N+Noise(t)的模型变为：

P^E+N+Nolse(t+T_Min)＝P^E+N+Noise(t)+w^E+N+Noise)   (C1)

$E\left[w^{E+N+\mathrm{Noise}}\left(t\right)w^{E+N+\mathrm{Noise}}\left(s\right)\right]={\mathrm{\δ}}_{i,s}\frac{T_{\mathrm{Min}}}{T^{E+N+\mathrm{Noise}}}{r}^{E+N+\mathrm{noise}}.---\left(C2\right)$

状态向量选择为：

$x\left(t\right)=\left(\begin{array}{c}{P}_1^{\mathrm{Code}}\left(t\right)\\ .\\ .\\ .\\ P_n^{\mathrm{Code}}\left(t\right)\\ P^{E+N+\mathrm{Noise}}\left(t\right)\end{array}\right)---\left(C3\right)$

并且测量向量选择为：

$y\left(t\right)=\left(\begin{array}{c}{P}_{1,\mathrm{Measurement}}^{\mathrm{Code}}\left(t\right)\\ .\\ .\\ .\\ P_{n,\mathrm{Measurement}}^{\mathrm{Code}}\left(t\right)\\ P_{\mathrm{Measurement}}^{\mathrm{Toial}}\left(t\right)\end{array}\right).---\left(C4\right)$

关系(B2)、(B3)、(B4)、(B7)、(B8)、(B9)、(B10)、(C1)、(C2)、(C3)和(C4)因而产生以下状态空间模型：

时变卡尔曼滤波器

对于状态空间模型，如在上一附录末给出的模型，最小均方(LLMS)方面的线性最佳估计由卡尔曼滤波器给出。卡尔曼滤波器的一个优点在于这种最佳性仍保持用于时变的线性系统。这正是上面遇到的情况。

根据[2]第142页和第247页，用于状态空间模型的卡尔曼滤波器：

x(t+T_Min)＝Ax(t)+Bu(t)+w(t)

y(t)＝C(t)x(t)+e(t)(C9)

用以下递归向量和矩阵关系表示：

K_f(t)＝P(t|t-T_Min)C^T(t)(C(t)P(t|t-T_Min)C^T(t)+R₂(t))^-1

$\hat{x}\left(t\right|t)=\hat{x}\left(t\right|t-T_{\min })+K_f\left(t\right)(y\left(t\right)-C\left(t\right)\hat{x}\left(t\right|t-T_{\mathrm{Min}}))$

P(t|t)＝P(t|t-T_Min)-K_f(t)C(t)P(t|t-T_Min)

$\hat{x}(t+T_{\mathrm{Min}}|t)=\mathrm{Ax}\left(t\right|t)+\mathrm{Bu}\left(t\right)$

P(t+T_Min|t)＝AP(t|t)A^T+R₁     (C10)

矩阵A、B、C(t)、R₁和R₂明确在(C5)-(C8)中给出，或者它们可通过与(C9)的直接比较得出。输入向量u(t)表示为：

$u\left(t\right)=\left(\begin{array}{c}{P}_1^{\mathrm{CodeRef}}\left(t\right)\\ .\\ .\\ .\\ P_n^{\mathrm{codeRef}}\left(t\right)\end{array}\right)=\begin{array}{c}\left(\begin{array}{c}\frac{(1+{\mathrm{\η}}_1\left(t\right)){(C/I)}_{\mathrm{chip},1}^{T\arg \mathrm{et}}\left(t\right)}{1+{(C/I)}_{\mathrm{chip},1}^{T\arg \mathrm{et}}\left(t\right)}{P}^{\mathrm{Total}}\left(t\right)\\ .\\ .\\ .\\ \frac{(1+{\mathrm{\η}}_n\left(t\right)){(C/I)}_{\mathrm{chip},n}^{T\arg \mathrm{et}}\left(t\right)}{1+{(C/I)}_{\mathrm{chip},n}^{T\arg \mathrm{et}}\left(t\right)}{P}^{\mathrm{Total}}\left(t\right)\end{array}\right)\end{array}$

$\≈\begin{array}{c}\left(\begin{array}{c}\frac{(1+{\mathrm{\η}}_1\left(t\right)){(C/I)}_{\mathrm{chip},1}^{T\arg \mathrm{et}}\left(t\right)}{1+{(C/I)}_{\mathrm{chip},1}^{T\arg \mathrm{et}}\left(t\right)}{P}^{\mathrm{Total}}\left(t\right|t)\\ .\\ .\\ .\\ \frac{(1+{\mathrm{\η}}_n\left(t\right)){(C/I)}_{\mathrm{chip},n}^{T\arg \mathrm{et}}\left(t\right)}{1+{(C/I)}_{\mathrm{chip},n}^{T\arg \mathrm{et}}\left(t\right)}{P}^{\mathrm{Total}}\left(t\right|t)\end{array}\right)---\left(C11\right)\end{array}$

由于总功率未知，因此，在(C11)中它可替代为滤波器估计，参见(C14)。一个备选是直接将总功率估计作为测量。要注意的是，使用估计可视为较小更改，然而，要强调的是它不是更改。原因是引入了来自状态向量的反馈。

为运行卡尔曼滤波器，状态向量和协方差矩阵迭代需要初始值。这通常假设为高斯，并且要由用户供应。需要的值为：

$\hat{x}\left(t_0\right|t_0-T_{\mathrm{Min}})=x_0---\left(C12\right)$

P(t₀|t₀-T_Min)＝P₀.(C13)

在提供先验信息的情况下，状态迭代的初始值应选择为最可能的值。状态协方差矩阵的初始值应选择为反映初始状态向量估计中的不确定性。

在继续到最小值的估计器前，指出总功率的滤波器估计。例如，它在输入信号生成中需要。这得出：

${\hat{P}}^{\mathrm{Total}}\left(t\right|t)=\begin{array}{c}\left(\begin{array}{cccc}1& \·\·\·& 1& 1\end{array}\right)\hat{x}\left(t\right|t)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\hat{P}}_i^{\mathrm{Code}}\left(t\right|t)+{\hat{P}}^{E+N+\mathrm{Noise}}\left(t\right|t).---\left(C14\right)\end{array}$

对应的协方差可通过类似的方式计算：

${\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\right)}^2=E{[P^{\mathrm{Total}}\left(t\right)-{\hat{P}}^{\mathrm{Total}}\left(t\right)]}^2=$

$\left(\begin{array}{cccc}1& \·\·\·& 1& 1\end{array}\right)E[x\left(t\right)-\hat{x}\left(t\right|t)]{[x\left(t\right)-\hat{x}\left(t\right|t)]}^T{\left(\begin{array}{cccc}1& \·\·\·& 1& 1\end{array}\right)}^T$

要注意的是，卡尔曼滤波器产生状态估计和状态估计协方差的估计。与卡尔曼滤波器已知属性一起，结果是表示已估计状态高斯概率分布样本的信号集。

结合图5参考的输出62A、62B、63A和63B随后分别表示为：

${\hat{x}}_{n+1}\left(t\right|t)={\hat{P}}^{E+N+\mathrm{Noise}}\left(t\right|t)---\left(C16\right)$

$P_{n+1,n+1}\left(t\right|t)={\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t\right|t)---\left(C17\right)$

${\hat{P}}^{\mathrm{Total}}\left(t\right|t)=\left(\begin{array}{cccc}1& \·\·\·& 1& 1\end{array}\right)\hat{x}\left(t\right|t)---\left(C18\right)$

${\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)=\sqrt{E{[P^{\mathrm{Total}}\left(t\right)-{\hat{P}}^{\mathrm{Total}}\left(t\right|t)]}^2}---\left(C19\right).$

此处，

是滤波器估计的第n+1个分量，P_n+1，n+1(t|t)是对应的协方差分量。P^Total(t)和

是真实且已估计的总功率。

卡尔曼平滑器延伸

最小值理论上的最佳估计要求计算卡尔曼平滑器估计。虽然卡尔曼滤波器需要用于总功率的快速估计，但平滑器可以低得多的速率更新，由此降低计算复杂性。例如，每隔几分钟计算一次平滑器可能已足够，之后是在最小值估计进程中软组合(soft combine)这些估计。这在后面的附录中进一步描述。

要注意的是，如后面在模拟中证明的一样，卡尔曼平滑器性能增益不大可能是重要的。然而，为完整性起见和为保持理论一致，此处推导出平滑器。

卡尔曼平滑器旨在计算估计

t′∈

t-T_Lag，t

。这是在例如[2]第149-150页论述的定点平滑器(fixed point smoother)。它可通过常规卡尔曼滤波器状态向量的延伸来计算。需要的状态向量延伸定义为：

$\stackrel{\‾}{x}\left(t\right)=\left(\begin{array}{c}x\left(t\right)\\ P^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t)\end{array}\right)---\left(C20\right)$

$\stackrel{\‾}{u}\left(t\right)=\left(\begin{array}{c}u\left(t\right)\\ 0\end{array}\right)---\left(C21\right)$

$\stackrel{\‾}{A}=\left(\begin{array}{cc}A& 0\\ 0& 0\end{array}\right)---\left(C22\right)$

$\stackrel{\‾}{B}=\left(\begin{array}{c}B\\ 0\end{array}\right)---\left(C23\right)$

$\stackrel{\‾}{C}\left(t\right)=\left(\begin{array}{cc}C\left(t\right)& 0\end{array}\right)---\left(C24\right)$

${\stackrel{\‾}{R}}_1=\left(\begin{array}{cc}{R}_1& 0\\ 0& 0\end{array}\right)---\left(C25\right)$

${\stackrel{\‾}{R}}_2=R_2.---\left(C26\right)$

平滑器方程推导随后由考虑控制协方差预测矩阵时间演化的Riccati方程继续。

$\stackrel{\‾}{P}\left(t\right|t-T_{\mathrm{Min}})=\left(\begin{array}{cc}{P}_{11}\left(t\right|t-T_{\mathrm{Min}})& P_{12}\left(t\right|t-T_{\mathrm{Min}})\\ P_{12}^T\left(t\right|t-T_{\mathrm{Min}})& P_{22}\left(t\right|t-T_{\mathrm{Min}})\end{array}\right).---\left(C27\right)$

Riccati方程和对应的增益(此增益为卡尔曼预测器增益，不要误认为是(C14)表示的卡尔曼滤波器增益)表示为(参阅[2]第149-150页)：

$\stackrel{\‾}{P}(t+T_{\mathrm{Min}}|t)=\stackrel{\‾}{\mathrm{AP}}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{A}}^T+{\stackrel{\‾}{R}}_1$

$-A\stackrel{\‾}{P}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{C}}^T\left(t\right){(\stackrel{\‾}{C}\left(t\right)\stackrel{\‾}{P}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{C}}^T\left(t\right)+{\stackrel{\‾}{R}}_2)}^{-1}\stackrel{\‾}{C}\left(t\right)\stackrel{\‾}{P}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{A}}^T---\left(C28\right)$

$\left(\begin{array}{c}{k}_1\left(t\right)\\ k_2\left(t\right)\end{array}\right)=\stackrel{\‾}{K}\left(t\right)=\stackrel{\‾}{\mathrm{AP}}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{C}}^T\left(t\right){(\stackrel{\‾}{C}\left(t\right)\stackrel{\‾}{P}\left(t\right|t-T_{\mathrm{Min}}){\stackrel{\‾}{C}}^T\left(t\right)+{\stackrel{\‾}{R}}_2)}^{-1}---\left(C29\right)$

要注意的是，由于有不止一次测量，因此，k₂(t)是行向量。在(C28)和(C29)中插入(C20)-(C27)得出以下块方程：

P₁₁(t+T_Min|t)＝AP₁₁(t|t-T_Min)A^T+R₁

-AP₁₁(t|t-T_Min)C^T(t)(C^T(t)+R₂)^-1C(t)P₁₁(t|t-T_Min)A^T(C30)

P₁₂(t+T_Min|t)＝(A

-AP₁₁(t|t-T_Min)C^T(t)(C(t)P₁₁(t|t-T_Min)C^T(t)+R₂)^-1C(t))P₁₂(t|t-T_Min)(C31)

$P_{22}(t+T_{\mathrm{Min}}|t)=P_{22}\left(t\right|t-T_{\mathrm{Min}})-P_{12}^T\left(t\right|t-T_{\mathrm{Min}})C^T\left(t\right)$

$\×{(C\left(t\right)P_{11}\left(t\right|t-T_{\mathrm{Min}})C^T\left(t\right)+R_2)}^{-1}C\left(t\right)P_{12}\left(t\right|t-T_{\mathrm{Min}})---\left(C32\right)$

k₁(t)＝AP₁₁(t|t-T_Min)C^T(t)(C(t)P₁₁(t|t-T_Min)C^T(t)+R₂)^-1  (C33)

$k_2\left(t\right)=P_{12}^T{C}^T\left(t\right){(C\left(t\right)P_{11}\left(t\right|t-T_{\mathrm{Min}})C^T\left(t\right)+R_2)}^{-1}---\left(C34\right)$

因此，右上方块如预期般降为常规卡尔曼预测(predictor)。

它保持定义这些迭代的初始值。在t＝t′从卡尔曼滤波器估计开始，可得出延伸状态向量的初始值为：

$\stackrel{\‾}{x}\left(t^{\′}\right|t^{\′}-T_{\mathrm{Min}})=\left(\begin{array}{c}{P}_1^{\mathrm{Code}}\left(t^{\′}\right|t^{\′}-T_{\mathrm{Min}})\\ .\\ .\\ .\\ P_n^{\mathrm{Code}}\left(t^{\′}\right|t^{\′}-T_{\mathrm{Min}})\\ P^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t^{\′}-T_{\mathrm{Min}})\\ P^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t^{\′}-T_{\mathrm{Min}})\end{array}\right).---\left(C35\right)$

因此，可得出P₂₂(t′|t′-T_Min)等于P₁₁(t′|t′-T_Min)的右下角元素，而P₁₂(t′|t′-T_Min)等于P₁₁(t′|t′-T_Min)的最右行。

${\hat{P}}^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t)={\hat{P}}^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t-T_{\mathrm{Min}})+k_2\left(t\right)(y\left(t\right)-C\left(t\right)\hat{x}\left(t^{\′}\right|t-T_{\mathrm{Min}}))$

$={\hat{P}}^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t^{\′})+\underset{s=t^{\′}+T_{\mathrm{Min}}}{\overset{t}{\mathrm{\Σ}}}{k}_2\left(s\right)(y\left(s\right)-C\left(t\right)\hat{x}\left(s\right|s-T_{\mathrm{Min}})).---\left(C36\right)$

仅用于RTWP测量的卡尔曼滤波器

提议仅用于测量总RTWP情况的算法是预测更新滤波器，其中，下标区分预测和更新步骤。

$K_{\mathrm{Update}}\left(t\right)=\frac{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })}{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })+r_{\mathrm{Measurement}}}---\left(C37\right)$

$P_{\mathrm{Update}}^{\mathrm{Total}}\left(t\right)=P_{\mathrm{Prediction}}^{\mathrm{Total}}(t-T_{\min })+K_{\mathrm{Update}}\left(t\right)\×(P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)-P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(t\right))---\left(C38\right)$

$P_{\mathrm{Update}}^{\mathrm{Cov}}\left(t\right)=P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })-\frac{P_{\mathrm{Prdeiction}}^{\mathrm{Co}{v}^2}(t-T_{\min })}{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })+r_{\mathrm{Measurement}}}---\left(C39\right)$

$P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(t\right)=P_{\mathrm{Update}}^{\mathrm{Total}}\left(t\right)---\left(C40\right)$

$P_{\mathrm{Prediction}}^{\mathrm{Cov}}\left(t\right)=P_{\mathrm{Update}}^{\mathrm{Cov}}\left(t\right)+\frac{T_{\min }}{T_{\mathrm{Corrciation}}}r---\left(C41\right)$

(C37)-(C41)随以步长T_min增大的t而重复。初始化在t＝0根据以下方程进行：

$P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(0\right)=P_0^{\mathrm{Total}}---\left(C42\right)$

P_Prediction(0)＝P₀.(C43)

如上所示，更新的增益K_update(t)如上所示从模型参数r_Measurement和从在先采样实例获得的预测协方差P_Prediction ^Cov(t-T_min)而计算。随后，通过使用预测P_Prediction ^Total(t)和新测量P_Measurement ^Total(t)，而计算随最新测量P_Update ^Total(t)更新的总宽带功率。下一步骤是从预测的协方差和从r_Measurement计算更新的协方差P_Update ^Cov(t)。在迭代的最终步骤中，P_Prediction ^Total(t)和P_Prediction ^Cov(t)的新值会计算得出，并且时间步进。

附录D

的条件概率分布的估计

注：估计最小功率是极其自然的。然而，选择使用最小值确实是特别的(ad-hoc)。通常，一定程度上取决于估计的P^E+N+Noise量的量的极值将可能用作其它计算的基础。然而，作为最简单的实施例，此处考虑数量

符号、条件概率和贝叶斯规则

在下文中，广泛使用了概率分布的贝叶斯规则和条件均值定义。下面的定义和结果可在例如[2]第12-14页或有关估计的任何其它文本书籍中找到。

概率分布：假设有两个事件A和B，概率分布分别为f_A(x)和f_B(y)。随后，A和B的联合概率分布表示为f_A，B(x，y)。

要注意的是，事件和条件限制表示为下标，而自变量显示在括号内。仅在使用概率分布和累积概率分布时才使用此符号。在参考例如卡尔曼滤波器的状态估计和协方差时，条件限制也显示在括号内。

条件概率分布：条件概率分布f_A\B(x)和f_B\A(y)定义为：

f_A，B(x，y)＝f_A\B(x)f_B(y)＝f_B\A(y)f_A(x).   (D1)

注意，由于概率分布的符号，条件限制也表示为下标。

上述方程的解现在产生著名的贝叶斯规则：

$f_{A|B}\left(x\right)=\frac{f_{B|A}\left(y\right)f_A\left(x\right)}{f_B\left(y\right)}.---\left(D2\right)$

要注意的是，通过使用相交圆图可最好地理解上述规则。获得概率分布结果的正式证明例如可为概率情况使用促动(motivation)的无限小限制版本。

最小值条件概率-模型和一般表达式

在此部分中，推导出最小值估计器的一些常规属性。针对该目的，引入了以下符号。P^E+N+Noise(t’)的卡尔曼滤波器或卡尔曼平滑器估计表示为：

${\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|Y^t)\≡{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|{\left\{y\left(s\right)\right\}}_{s\∈[-\∞,t]})$

$={\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|{\left\{y\left(s\right)\right\}}_{s\∈[t-T_{\mathrm{Lag}},t]},{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}(t-T_{\mathrm{Lag}}|Y^{t-T_{\mathrm{Lag}}})).---\left(D3\right)$

此处，t′表示在

t-T_Lag，t

内的某个时间。如果t′＝t，则使用附录C的卡尔曼滤波器。在适度条件下，条件分布全部为高斯充分统计，即，只需要二阶属性以便描述条件概率分布。这反映在上一(D3)表达式的条件限制中。条件分布随后为：

$f_{{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right)|Y^{\′}}\left(x\right)\∈N({\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t),{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2),---\left(D4\right)$

其中，^Kalman指示使用卡尔曼滤波器，或在t′＜t时使用卡尔曼平滑器计算的估计。量

和(σ_PE+N+Noise ^Kalman(t′|t))²分别表示功率估计和对应的协方差，即，到估计器的输入。要注意的是，(D4)假设在时间t-T_Lag的对应估计用作卡尔曼滤波器的初始值。

随后，可进一步进行功率估计最小值的条件分布。针对该目的，为表示实际功率的 $x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)=P^{0,E+N+\mathrm{Noise}}\left(t^{\′}\right)\≡P^{E+N}\left(t^{\′}\right)+P_N\left(t^{\′}\right)$ 与表示估计的 ${\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)={\hat{P}}^{E+N+\mathrm{Noise}}\left(t^{\′}\right|t)$ 之间的关系假设以下模型：

$x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)={\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)+\mathrm{\Δ}{x}_{P^{E+N+\mathrm{Noise}}}\left(t^{\′}\right|t)---\left(D5\right)$

$x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\∈N({\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t),{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2).---\left(D6\right)$

这与有关充分统计的上面论述一致。自此以后，Δx_PE+N+Noise(t′|t)分布的符号简化为：

f_Δx(x).     (D7)

要注意的是，此分布不必假设为具有高斯性(虽然这通常是所做的假设)。

随后，要使用从时间间隔[-∞，t]获得的数据y(t)来估计 $x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)=P^{0,E+N+\mathrm{Noise}}\left(t^{\′}\right),$ t′∈

t-T_Lag，t

的最小值条件概率分布。此时，适合参照图9，该图显示在下面的估计算法发展中使用的时间间隔。

图9是显示功率有关量P^*的时变110的图形。在典型的情况下，功率有关量由P^E+N+Noise(t)表示。在某些时间间隔内，功率有关量P^*表示较高的值。然而，在一些情况下，功率有关量变小，指示已测量功率的许多通常成分不存在。

正如下面将看到的一样，平滑器估计在理论上需要作为在时间间隔t-T_Lag，t内操作的最小功率的条件概率估计算法的输入。为在形式上保持开发中的最佳性，平滑器估计也应使用

t-T_Lag，t

中的所有数据计算。然而，在实际实现中，这些平滑器估计一般只使用在选定平滑时间实例周围的短数据快照(short snapshot of data)来计算。从

t-T_Lag，t

的几个此类平滑估计随后组合以估计条件概率分布。但在随后的论述中，在所有数量中保持了间隔

t-T_Lag，t

，以便不会使开发太复杂。通过将平滑器估计替换为卡尔曼滤波器估计，可获得进一步的简化。模拟指示这可以实现，而性能损失极小。

最小值的条件分布现在可编写如下(参见(D5))：

$f_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{|Y}^{\′},\min x_{P^{E+N+\mathrm{Noise}}}^0(i-T_{\mathrm{Lag}})}\left(x\right),---\left(D8\right)$

其中，(D8)的最后量表示最小值的初始信息。在下文中，广泛使用了概率分布的贝叶斯规则和条件均值定义。

随后，将贝叶斯规则和条件概率定义被应用到(D8)，使用定义：

$A:=\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}$

$B:=\min x_{P^{E+N+N}(t-T_{\mathrm{Lag}})}^0$

C：＝Y^t

随后，使用贝叶斯规则、条件概率分布定义和结果f_B，C\A(x，y)＝f_{(B\A)，(C\A)}(x，y)(通过三圆图形图可轻松检查后一结果)，可保持以下等式链：

$f_{A|B,C}\left(x\right)=\frac{f_{B,C|A}(x,y)f_A\left(x\right)}{f_{B,C}(x,y)}=\frac{f_{\left(B\right|A),\left(C\right|A)}(x,y)f_A\left(x\right)}{f_{B,C}(x,y)}$

s

$=\frac{f_{B|A,C}\left(x\right)f_{A|C}\left(x\right)f_C\left(y\right)}{f_{B,C}(x,y)}.---\left(D9\right)$

通过绘制圆图，同样可轻松验证最后的步骤。现在，根据上面的定义，(D9)分子的第一个因子是先验值，并且因此条件限制消失。分子的第二个因子将在下面进一步扩展，而分子的最后因子和分母可视为标准化常数部分。随后，A、B和C的定义回代可证实关系：

$f_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{|Y}^{\′},\min x_{P^{E+N+\mathrm{Noise}}}^0(i-T_{\mathrm{Lag}})}\left(x\right)$

$=\frac{1}{c}{f}_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}e{[t-T_{\mathrm{Lag}}.t]}^{|Y^{\′}}}}\left(x\right)f_{\min x_{P^{E+N+\mathrm{Noise}}}^0(t-T_{\mathrm{Lag}})}\left(x\right).---\left(D10\right)$

需要记住的(D10)的一个后果是即将到来的平滑问题。上面论述的基于卡尔曼滤波的预处理步骤因此在形式上需要包括卡尔曼平滑器步骤。但实际上，卡尔曼滤波器通常已经足够。

最小功率条件均值的最终扩展

此小节的开始是方程(D10)，该方程指出条件pdf(概率分布功能)给定为先验值(初始值)和测量相关因子的乘积。先验值由用户给定，并且应反映有关PN的先验的不确定性。要注意的是，无论何时移动滑动窗口和计算新估计，都可再次应用相同的先验值。先验值因此在估计器基本设置中不更新。

为指明完整的条件pdf，需要(D10)第一因子的一些进一步论述。(D7)的误差分布FΔ_P(x)与(D5)和(D6)的定义一起将成为此目的的中心。此外，在下面的计算中，F()表示累积分布，即f的积分。Pr(.)表示事件的概率。

下面的等式现在适用于(D10)的第一因子：

$F_{\min {\left\{{\text{x}}_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}e{[t-T_{\mathrm{Lag}},t]}^{|Y^{\′}}}}\left(x\right)=\mathrm{Pr}(\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}e[t-T_{\mathrm{Lag}},t]}\≤x|Y^{\′})$

$=1-\mathrm{Pr}(\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}>x|Y^{\′})$

$=1-\mathrm{Pr}(\∀t^{\′},\mathrm{\Δ}{x}_{P^{E+N+\mathrm{Noise}}}\left(t^{\′}\right|t)>x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))$

$=1-\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}\mathrm{Pr}(\mathrm{\Δ}{x}_{P^{E+N+\mathrm{Noise}}}\left(t^{\′}\right|t)>x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))$

$=1-\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}(1-\mathrm{Pr}(\mathrm{\Δ}{x}_{P^{E+N+\mathrm{Noise}}}\left(t^{\′}\right|t)x\≤{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)))$

$=1-\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))).---\left(D11\right)$

(D11)的第四个等式依照如下假设：卡尔曼平滑器能够提供充分统计，即(D5)和(D6)。最后的等式来源于(D7)。很明显，最自然的假设是使用FΔ_P(s)的高斯分布。然而，(D11)实际也允许其它分布。

分布函数第一因子的推导中的最终步骤是对(D11)求微分，得出：

$f_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{|Y}^{\′}}\left(x\right)=\frac{{\mathrm{dF}}_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈{[t-T_{\mathrm{Lag}},t]}^{|Y^{\′}}}}\left(x\right)}{\mathrm{dx}}$

$=\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))\underset{\underset{g\≠t^{\′}}{q\∈[t-T_{\mathrm{Lag}},t]}}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)))---\left(D12\right)$

与(D10)组合得出最后结果：

$f_{\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}|Y^t,\min x_{P^{E+N+\mathrm{Noise}}}^0(i-T_{\mathrm{Lag}})}\left(x\right),$

$=\frac{1}{c}\left(\underset{t^{\′}\∈(t-T_{\mathrm{Lag}},t)}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}}\left(t^{\′}\right|t)(x-{\hat{x}}_{P^{E+N+\mathrm{Naise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))\underset{\underset{q\≠t^{\′}}{q\∈[t-T_{\mathrm{Lag}},t]}}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)))\right)f_{\min x_{P^{E+N+\mathrm{Noise}}}^0(t-T_{\mathrm{Lag}})}\left(x\right)---\left(D13\right)$

此结果构成结合图5参考的输出64。表达式可能看上去复杂。不过，由于它是表示如下的高斯和累积高斯分布一维函数，因此，评估可直接进行：

${\text{f}}_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}{e}^{-\frac{{(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}^2}{2{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2}}---\left(D14\right)$

$F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))=\underset{-\∞}{\overset{x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}{\∫}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t)}\left(y\right)\mathrm{dy}$

$=\frac{1}{2}\mathrm{erfc}(-\frac{(x-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}{\sqrt{2}{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}).---\left(D15\right)$

可轻松得到作为卡尔曼平滑器或更简单的卡尔曼滤波器的输出的量

和σp_E+N+Noise ^Kalman(t′|t)。

附录E

噪声增量的条件概率分布的估计

实际的噪声增量表示为：

$N_R\left(t\right)=\frac{P^{0,\mathrm{Total}}\left(t\right)}{P_N^0\left(t\right)}.---\left(E1\right)$

由于上面的量需要替代为本发明公开内容前面部分中推导的条件概率分布描述的随机变量。输入由结合图5参考的量63A、63B和64或表达式(C18)、(C19)和(D13)构成。

要注意的是，分母分布可预期变化缓慢，因此，其更新率也可大大慢于分子分布的更新率。分子分布的更新率需要较快以便跟踪例如由于小区中突发高速率数据业务引起的快速功率变化。

为指明模型，为总功率进行了类似(D5)和(D6)的假设，即：

$P^{0,\mathrm{Total}}\left(t\right)={\hat{P}}^{\mathrm{Total}}\left(t\right|t)+\mathrm{\Δ}{P}^{\mathrm{Total}}\left(t\right)---\left(E2\right)$

$P^{0,\mathrm{Total}}\left(t\right)\∈N({\hat{P}}^{\mathrm{Total}}\left(t\right|t),{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)\right)}^2)---\left(E3\right)$

到噪声增量条件概率分布推导的第二输入是最低功率的条件分布，即，(D13)。

到噪声增量的条件概率分布的推导的最后输入是先验值：

f_Nro(z).    (E4)

下一步骤如(D9)和(D10)推导中继续进行。引入以下定义：

A：＝N_r(t)，自变量z。

$B:=N_r^0,$ 自变量z。

B：＝P^0，Total(t)，自变量，x。

$C:=\min {\left\{x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}}]},$ 自变量y。

从这些定义中，可得出(参见(D9)的推导)：

$f_{A|B,C,D}\left(z\right)=\frac{f_{B,C,D|A}(z,x,y)f_A\left(z\right)}{f_{B,C,D}(z,x,y)}=\frac{f_{\left(B\right|A),(C,D|A)}(z,x,y)f_A\left(z\right)}{f_{B,C,D}(x,y,z)}$

$=\frac{f_{\left(B\right|A)|(C,D|A)}\left(z\right)f_{C,D|A}(x,y)f_A\left(z\right)}{f_{B,C,D}(x,y,z)}=\frac{f_{B|C,D,A}\left(z\right)f_{C,D|A}(x,y)f_A\left(z\right)}{f_{B,C,D}(x,y,z)}$

$=\frac{f_{B|C,D,A}\left(z\right)f_{A|C,D}\left(z\right)f_{C,D}(x,y)}{f_{B,C,D}(x,y,z)}.---\left(E5\right)$

现在，根据上面的定义，(E5)分子的第一个因子是先验值，并且因此条件消失。分子的第二个因子将在下面进一步扩展，而分子的最后因子和分母可视为标准化常数部分。随后，A、B和C的定义回代可证实关系：

$f_{N_r\left(t\right)|N_r^0,P^{0,\mathrm{Total}}\left(t\right),\min {\left\{x_{P^{E+N+N}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}}\left(z\right)$

$=\frac{1}{C_{N_r}}{f}_{N_r\left(t\right)|P^{0,\mathrm{Total}}\left(t\right),\min {\left\{x_{P^{E+N+N}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}}\left(z\right)f_{N_r}\left(z\right)---\left(E6\right)$

由于P^0，Total(t)的条件分布可从(C14)和(C15)轻松计算得出，并且由于min(x_PE+N+Noise ⁰(t′))_t’∈

t-TLag的条件分布在(D13)中可用，因此可将(E6)的第一因子的条件分布直接计算为对应两个随机变量的商。

为显示如此完成此操作，先推导出商的概率分布。两个独立随机变量X和Y的商Z概率分布从以下方程得出：

$F_Z\left(z\right)=\mathrm{Pr}(Z\≤z)=\mathrm{Pr}(X/Y\≤z)=\mathrm{Pr}(X\≤\mathrm{Yz})=\underset{-\∞}{\overset{\∞}{\∫}}\underset{-\∞}{\overset{\mathrm{yz}}{\∫}}{f}_{X,Y}(x,y)\mathrm{dxdy}$

$=\underset{-\∞}{\overset{\∞}{\∫}}\left(\underset{-\∞}{\overset{\mathrm{yz}}{\∫}}{f}_X\left(x\right)\mathrm{dx}\right)f_Y\left(y\right)\mathrm{dy}\⇒$

$f_Z\left(z\right)=\frac{d{F}_Z\left(z\right)}{\mathrm{dz}}=\underset{-\∞}{\overset{\∞}{\∫}}\left(\frac{d}{\mathrm{dz}}\underset{-\∞}{\overset{\mathrm{yz}}{\∫}}{f}_X\left(x\right)\mathrm{dx}\right)f_Y\left(y\right)\mathrm{dy}=\underset{-\∞}{\overset{\∞}{\∫}}y{f}_X\left(\mathrm{yz}\right)f_Y\left(y\right)\mathrm{dy}.---\left(E7\right)$

此处，P^0，Tptal(t)和分别对应于X和Y。备选地，如果总功率估计用于最小值的条件分布的评估，则P^0，Total(t)和分别对应于X和Y。

因此，通过变量y和z的离散化，可得出：

$f_{N_r\left(t\right)|N_r^0,P^{0,\mathrm{Total}}\left(t\right),\min {\left\{x_{P^{E+N+N}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag},t}]}}\left(z_l\right)$

$\≈\frac{1}{C_{N_r}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{y}_j\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)}{e}^{-\frac{1}{2}\frac{{(y_j{z}_i-x_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t))}^2}{{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)\right)}^2}}$

$\×\frac{1}{c\sqrt{2\mathrm{\π}}}\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Σ}}\frac{1}{{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}(y_j{e}^{-\frac{{(y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}^2}{2{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2}}$

$\×\underset{\underset{q\≠t^{\′}}{q\∈[t-T_{\mathrm{Lag}},t]}}{\mathrm{\Π}}(1-\frac{1}{2}\mathrm{erfc}(-\frac{y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}{\sqrt{2}{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}))f_{\min x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)}\left(y_j\right))\mathrm{\Δy}{f}_{N_r^0}\left(z_i\right),$

i＝1，...，N.(E8)

要注意的是，离散化是评估无法以分析方式求解的表达式中的积分所必需的。离散化意味着确切的条件概率分布由直方图近似表示。

附录F

噪声增量和对应标准偏差的估计

参照[2]第123-126页，最佳噪声增量的估计由噪声增量的条件概率分布的均值(E8)给出。因此，可直接获得估计和方差：

${\hat{N}}_R\left(t\right|Y^t)=\underset{-\∞}{\overset{\∞}{\∫}}z{f}_Z\left(z\right)\mathrm{dz}=\underset{-\∞}{\overset{\∞}{\∫}}z\underset{-\∞}{\overset{\∞}{\∫}}y{f}_X\left(\mathrm{yz}\right)f_Y\left(y\right)\mathrm{dydz}$

$\≈\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{z}_i\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{y}_j\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)}{e}^{-\frac{1}{2}\frac{{(y_j{z}_i-x_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t))}^2}{{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)\right)}^2}}$

$\×\frac{1}{c\sqrt{2\mathrm{\π}}}\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Σ}}\frac{1}{{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}(y_j{e}^{-\frac{{(y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}^2}{2{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2}}$

$\×\underset{\underset{q\≠t^{\′}}{q\∈[t-T_{\mathrm{Lag}},t]}}{\mathrm{\Π}}(1-\frac{1}{2}\mathrm{erfc}(-\frac{y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}{\sqrt{2}{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}))f_{\min x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)}\left(y_j\right))\mathrm{\Δy\Δz}---\left(F1\right)$

${\widehat{\mathrm{\σ}}}_{N_R}^2\left(t\right|Y^t)\≈\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(z_i-{\hat{N}}_R\left(t\right|Y^t))}^2\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{y}_j\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)}{e}^{-\frac{1}{2}\frac{{(y_j{z}_i-x_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t))}^2}{{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t\right|t)\right)}^2}}$

$\×\frac{1}{c\sqrt{2\mathrm{\π}}}\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Σ}}\frac{1}{{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}(y_j{e}^{-\frac{{(y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}^2}{2{\left({\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2}}$

$\×\underset{\underset{q\≠t^{\′}}{q\∈[t-T_{\mathrm{Lag}},t]}}{\mathrm{\Π}}(1-\frac{1}{2}\mathrm{erfc}(-\frac{y_j-{\hat{x}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}{\sqrt{2}{\mathrm{\σ}}_{P^{E+N+\mathrm{Noise}}}^{\mathrm{Kalman}}\left(q\right|t)}))f_{\min x_{P^{E+N+\mathrm{Noise}}}^0\left(t^{\′}\right)}\left(y_j\right))\mathrm{\Δy\Δz}.---\left(F2\right)$

要注意的是，(F1)和(F2)对于取而代之以使用总功率的最小值的条件分布的情况也有效。修改很少。

(F1)和(F2)是估计的最后结果。应注意的是，在没有任何背景噪声的任何中间估计的情况下可获得这两个量。也要注意的是，估计器是最佳的和软的(soft)。

参考文献

用于UMTS的WCDMA技术：第三代移动通信的无线接入(H.Holma and A.Toskala，WCDMA for UMTS-Radio Access for ThirdGeneration Mobile Communications.Chichester，UK：Wiley，2000，page111)。

离散时间随机系统(T.S

derstr

m，Discrete Time StochasticSystems.London，UK：Springer，2002，pp.12-14，123-126，142，149-150，247)。

Claims (29)

1. 一种在无线通信系统(70)中用于噪声增量估计的方法，包括以下步骤：

测量(210)已接收的总宽带功率；

从至少所述测量的已接收的总宽带功率(61A)估计(212)第一功率量(63A，63B)的概率分布；

基于至少所述测量的已接收的总宽带功率(61A)，而计算(216)背景噪声度量(64)的条件概率分布；

基于至少所述第一功率量的所述概率分布和所述背景噪声度量(64)的所述条件概率分布，而提供(214)噪声增量度量的条件概率分布；以及

基于所述噪声增量度量的所述条件概率分布，而计算(220)所述噪声增量度量的值。

2. 如权利要求1所述的方法，其特征在于，包括如下又一步骤：基于所述噪声增量度量的所述条件概率分布，而计算所述噪声增量度量值的标准偏差。

3. 如权利要求1或2所述的方法，其特征在于，所述第一功率量是已接收的总宽带功率量。

4. 如权利要求3所述的方法，其特征在于，计算条件概率分布的所述步骤是基于已接收的总宽带功率量的估计的概率分布和已接收的总宽带功率量的在先估计的概率分布。

5. 如权利要求1到2任一项所述的方法，其特征在于，还包括以下步骤：

测量与所述无线通信系统(70)的自有小区(30)的无线链路功率有关的量；以及

从所述测量的已接收的总宽带功率(61A)和与无线链路功率有关的所测量的量，而估计第二功率量(62A，62B)的概率分布；

所述第二功率量(62A，62B)是相邻小区干扰功率、带内非通信系统干扰功率和热背景噪声功率之和；

由此，所述计算背景噪声度量的条件概率分布的步骤还基于所述第二功率量(62A，62B)的所述概率分布和所述第二功率量的在先估计的概率分布，

其中，与无线链路功率有关的所述量是干扰级别，由此无线链路功率可通过将干扰级别和关联到所述已接收的总宽带功率(61A)的量相关而导出。

6. 如权利要求5所述的方法，其特征在于，估计第一功率量的概率分布的步骤和估计第二功率量的概率分布的步骤通过时变卡尔曼滤波而执行。

7. 如权利要求6所述的方法，其特征在于，所述第一功率量对应于卡尔曼滤波器的至少一种状态。

8. 如权利要求7所述的方法，其特征在于，所述时变卡尔曼滤波具有以下等式的状态向量x(t)：

，

其中，

，...， 

是无线链路功率，而P ^E+N+Noise (t)是相邻小区干扰功率、带内非通信系统干扰功率和热背景噪声功率的所述之和。

9. 如权利要求7或8所述的方法，其特征在于，所述时变卡尔曼滤波还包括平滑处理，以实现所述第二功率量的估计概率分布。

10. 如权利要求5所述的方法，其特征在于，计算所述背景噪声度量的条件概率分布的所述步骤还基于所述第二功率量(62A，62B)的极值的条件概率分布。

11. 如权利要求10所述的方法，其特征在于，所述极值是所述第二功率量(62A，62B)的最小值。

12. 如权利要求10所述的方法，其特征在于，计算背景噪声度量的条件概率分布的所述步骤在滑动窗口内执行。

13. 如权利要求1到2任一项所述的方法，其特征在于，所述噪声增量度量是分子和分母的商，所述分子至少包括对应于所述第一功率量(63A，63B)的估计的概率分布的随机变量，并且所述分母包括对应于所述背景噪声度量(64)的所述条件概率分布的随机变量。

14. 如权利要求13所述的方法，其特征在于，所述分子从具有以下项的列表中选择：

已接收的总宽带功率；

相邻小区干扰功率、外部带内干扰功率和热噪声功率之和；

所述自有小区的无线链路功率与热噪声功率之和； 

所述自有小区的发射功率控制无线链路功率与热噪声功率之和；以及

所述自有小区的增强型上行链路无线链路功率与热噪声功率之和。

15. 如权利要求13所述的方法，其特征在于，所述背景噪声度量(64)的所述分母包括以下列表中的一项：

相邻小区干扰功率、外部带内干扰功率和热噪声功率之和；

相邻小区干扰功率和热噪声功率之和；以及

已接收的总宽带功率。

16. 如权利要求1到2任一项所述的方法，其特征在于，所述背景噪声度量(64)考虑了通过无线基站的典型集合而确定的噪声背景功率的先验概率分布。

17. 如权利要求1到2任一项所述的方法，其特征在于，还包括以下步骤：

获得背景噪声值的先验概率分布；

由此计算条件概率分布的所述步骤还基于所述背景噪声值的所述先验概率分布。

18. 如权利要求1到2任一项所述的方法，其特征在于，计算所述噪声增量度量值的所述步骤包括计算所述噪声增量度量的所述条件概率分布的条件均值。

19. 如权利要求1到2任一项所述的方法，其特征在于，还包括如下步骤：基于所述噪声增量度量的所述条件概率分布，而计算所述噪声增量度量的所述值的标准偏差。

20. 如权利要求1到2任一项所述的方法，其特征在于，所述无线通信系统(70)是WCDMA系统。

21. 一种在无线通信系统(70)中用于许可控制的方法，包括以下步骤：

根据权利要求1到20任一项，在所述无线通信系统(70)中估计噪声增量；

基于所述估计的噪声增量而执行许可控制，

其中，所述许可控制包括增强型上行链路控制。

22. 一种无线通信系统(70)的节点装置(20，72)，包括：

用于获得已接收的总宽带功率(61A)的度量的部件(80)；

用于从已接收的总宽带功率(61A)的所述度量来估计第一功率量(63A，63B)的概率分布的部件(81)；

基于至少所述测量的已接收的总宽带功率(61A)，而计算背景噪声度量(64)的条件概率分布的部件(82)；

用于至少基于所述第一功率量(63A，63B)的所述概率分布和所述背景噪声度量(64)的所述条件概率分布，而提供噪声增量度量的条件概率分布的部件(82)；以及

用于基于所述噪声增量度量的所述条件概率分布，而计算所述噪声增量度量值的部件(83)。

23. 如权利要求22所述的节点装置，其特征在于，用于获得已接收的总宽带功率的度量的所述部件(80)包括用于测量已接收的总宽带功率的部件。

24. 如权利要求22或23所述的节点装置，其特征在于，所述节点装置是无线基站(20)。

25. 如权利要求22所述的节点装置，其特征在于，用于获得已接收的总宽带功率的度量的所述部件(80)包括用于接收表示已接收的总宽带功率的数据的部件。

26. 如权利要求22到23任一项所述的节点装置，其特征在于，所述节点装置是WCDMA系统的节点。

27. 一种无线通信系统(70)，包括：

根据权利要求22到26任一项的至少一个第一节点装置(20，72)；

连接到所述至少一个第一节点装置或与其集成以便交换信息的第二节点装置(72)；

所述第二节点装置(72)又包括用于许可控制的部件(85)，

其中，所述许可控制包括增强型上行链路控制。

28. 如权利要求27所述的无线通信系统，其特征在于，所述至少一个第一节点装置是无线基站(20)，并且所述第二节点装置是无线网络控制器(72)。

29. 如权利要求27到28任一项所述的无线通信系统，其特征在于，所述无线通信系统(70)是利用WCDMA的系统。

Images