CN101292481A - 一种基于隐训练序列的估计信道的方法和装置 - Google Patents

Abstract

本发明提供一种用于无线通信系统中基于隐训练序列的估计信道的方法和装置，其特征在于：在发射端将平稳的训练序列叠加在信息序列上发送，在接收端利用训练序列与信息序列的不相关特性对信道进行估计，即利用当发送信号中训练序列与信息序满足不相关的条件下，信道参数的估计结果收敛于维纳解的原理对信道进行估计。根据本发明所提供的方法，包括步骤：获取一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个已知的初始训练序列和预定的信道阶数产生；计算所述训练序列子集的互相关矩阵及其逆矩阵；计算所述训练序列集与接收信号的互相关矩阵；和根据所述训练序列子集的互相关逆矩阵和所述训练序列集与接收信号的互相关矩阵，估算信道参数。

Description

一种基于隐训练序列的估计信道的方法和装置

发明领域

本发明涉及无线通信系统，尤其涉及一种估计信道的方法和装置。

背景技术

信号在无线信道上传输通常会经历因传输距离、障碍物阻挡以及接收机与发射机之间的相对运动而产生的信号衰落和畸变，使得接收端接收到的数据与发射端发送的数据存在差异。为正确地在接收端恢复数据，通常采用在发送的通信数据段中的特定位置插入已知训练序列的方式，以便于接收端通过对预期的、产生了信号畸变的训练序列进行处理，获得用于数据恢复的信道参数估计。图1示出了第三代移动通信系统中的一个典型的突发信号结构，该通信突发包括通信数据段1、通信数据段2和训练序列3。其中，通信数据段1、2承载用户数据，训练序列3为已知的伪随机码序列，主要用于信道参数估计。为叙述简单起见，图中省略了可能插入在突发信号两端或其它部位的控制段或保护间隔。

由图1可知，利用训练序列可非常方便地用于估计恢复通信数据的信道参数。然而，训练序列占据一定的带宽，降低了信号传输速率，特别是在快速变化的环境中，为了能够跟踪信道的变化，这种训练序列的发送需要周期性地进行，从而导致大量的频带资源被浪费在发送和接收不承载任何数据信息的训练序列上。如何寻找一种既能有效地估计信道而又不浪费频带资源的信道估计方法成为本领域技术人员非常关注的技术问题。在众多的技术方案中，基于隐训练序列(Implicit training sequence)的信道估计方法以其独特的发送方式与性能潜力成为十分有竞争力的信道估计方法之一。

图2为包含隐训练序列的通信突发示意图。由图2可见，基于隐训练序列的信道估计方法的特点是将训练序列叠加于信息序列之上一起发送，使得在数据传输过程中，用于信道估计的训练序列不占用专门的时隙，因而将训练序列所导致的传输率损失降低至0。参考文献A.G.Orozco-Lugo，M.M.Lara，and D.C.McLernon，“Channel estimation using implicit training，”IEEE Trans.Signal Processing，vol.52，No.1，pp.240-254，Jan.2004.中对于单输入单输出系统中使用隐训练序列及其性能进行了详细的分析，其主要内容可概括为：在发送端的信息序列上叠加周期序列后与数据序列一起发送，然后在接收端利用接收信号的循环平稳特性对信道进行估计。该文献还提出了训练序列的优化方法，即如何选择序列以降低估计的均方误差，以及克服隐训练序列与信息序列叠加所产生的峰均值比大的问题。该文献所提出的方法的缺点是训练序列的优化的前提是需要知道实际系统的信道阶数，当信道阶数改变或错误估计时，训练序列构成的循环矩阵结构改变，原先的序列也就失去其最优特性，同时当接收端存在未知的直流分量干扰时，该文献的方法需要另外引入极其复杂的运算处理来消除直流干扰。此外，参考文献J.K.Tugnait and W.Luo，“On channel estimation usingsuperimposed training and first-order statistics，”in Proc.IEEE ICASSP’03，vol.4，pp.624-627，Apr.2003揭示了利用隐训练序列对单输入多输出的系统进行估计信道方法，所提出的算法采用了类似DFT的变换。值得一提的是，该算法中采用的指数基扩展模型可用于描述时变信道，因而算法可以估计时变和非时变信道。然而，该方法在估计时变信道时，假定每个到达径的相移已知，这是不现实的，且指数基扩展模型的待估参数多，不能实时跟踪信道的变化。

综上所述，需要提供一种基于隐训练序列的更为有效的信道估计方法与装置，以克服上述现有技术中存在的问题。

发明内容

本发明的目的之一是提供一种用于无线通信系统中的信道估计方法，以提高信道参数估计的效率。

为此，本发明提供一种基于隐训练序列的信道估计方法，该方法包括以下步骤：获取一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个已知的初始训练序列和预定的信道阶数产生；计算所述训练序列子集的互相关矩阵及其逆矩阵；计算所述训练序列集与接收信号的互相关矩阵；和根据所述训练序列子集的互相关逆矩阵和所述训练序列集与接收信号的互相关矩阵，估算信道参数。

在根据本发明提供的优选实施列中，该接收信号为接收到的经历了信道衰落的发送信号，该发送信号为所述初始训练序列与信息序列的叠加信号，其中，该初始训练序列为平稳信号，且与所述信息序列不相关。

本发明的目的另一个目的是提供一种用于无线通信系统中的信道估计装置，以提高信道参数估计的效率。

为此，本发明提供一种基于隐训练序列的信道估计装置，该装置包括：一个产生装置，用于产生一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个已知的初始训练序列和预定的信道阶数产生；一个第一计算装置，用于计算所述训练序列子集的互相关矩阵及其逆矩阵；一个第二计算装置，用于计算所述训练序列集与接收信号的互相关矩阵；和一个估算装置，用于根据所述训练序列子集的互相关逆矩阵和所述训练序列集与接收信号的互相关矩阵，估算信道参数。

本发明还提供了一种接收机，该接收机包括本发明所提供的信道估计装置。

通过参考以下结合附图的说明以及权利要求书中的内容，并且随着对本发明的更全面的理解，本发明的其他目的及效果将变得更加清晰和易于理解。

附图说明

图1是的训练序列插入通信数据段的通信突发结构的示意图；

图2是包含隐训练序列的通信突发示意图；

图3是利用隐训练序列估计信道的MIMO通信系统的示意图；

图4是根据本发明的一个实施例的信道估计方法的流程图；和

图5是根据本发明的一个实施例的信道估计装置的方框图。

在所有附图中，相同的标号表示相似或相应的特征或功能。

具体实施方式

本发明所提供的基于隐训练序列的信道估计方法，与现有的将周期的训练序列叠加在信息序列上发送、在接收端利用信号的循环平稳性进行信道估计的不同之处在于，本发明将平稳的训练序列叠加在信息序列上发送，在接收端主要利用训练序列与信息序列的不相关特性对信道进行估计，即利用当发送信号中训练序列与数据序列在满足不相关的条件下，信道参数的估计结果收敛于维纳解的原理，对信道进行估计。根据本发明所提供的方法，采用伪随机信号构成的训练序列可以很容易地满足最优化的相关函数的要求，并且其估计性能与信道阶数无关。

上述信道阶数可以定义为经过信道衰落的接收信号中可分辨的多径信号分量的数目。具体而言，在宽带通信中，信号带宽W远大于信道相干带宽Fc，使得信道呈现为频率选择性信道特性。此时，信号的多径分量是可分辨的，其分辨率为1/W，由于多径时延扩展为T＝1/Fc，可产生T*W个可分辨信号分量。因此，频率选择性信道可建模为阶数(即抽头数)为L＝T*W+1的抽头延时线(FIR)滤波器。

下面结合附图，以通信系统中较为复杂的多输入多输出(MIMO)系统为例，详细描述本发明所提供的基于隐训练序列对信道进行估计的原理、方法及其装置。

图3示出了在多输入多输出MIMO无线通信系统中利用隐训练序列对信道进行估计的系统框图。

根据图3，考虑一个有Nt个发射天线(2-1，...，2-Nt)和Nr个接收天线(4-1，...，4-Nr)的多天线无线通信系统，为简单起见，图中仅示出了基带信号的等效部分。如图3所示的通信系统中信道估计的基本原理可概括为：假定第i个发射天线(4-i，i＝1，…，Nt)上的信息序列为s_i(n)，定义矢量s(n)＝[s₁(n)，…，s_Nt(n)]^T为相应于各发射天线的信息序列，可以假设s_i(n)是零均值的，且各个发射天线之间的信息序列是独立同分布的。将训练序列{t_i(n)}即已知的初始训练序列与信息序列{s_i(n)}在加法器(1-i，i＝1，…，Nt)中同步叠加，以形成发送序列{x_i(n)＝s_i(n)+t_i(n)}，i＝1，…，Nt，并由相应的第i个发射天线发射。其中，初始训练序列为平稳信号，其个数与有效发射天线的个数相同，且不同的发射天线上发送的序列序列不同，即训练序列与发射天线一一对应。

在接收端，信道估计装置5对接收天线(4-1，...，4-Nr)接收的信号进行处理以估计信道参数，信号检测装置6利用所获得的信道参数对接收信号进行处理，即可检测并恢复相应的信息序列。

图4示出了本发明所提供的基于隐训练序列的信道参数估计方法的流程图。该方法包括步骤：获取一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个已知的初始训练序列和预定的信道阶数产生(S10)；计算所述训练序列子集的互相关矩阵及其逆矩阵(S20)；计算所述训练序列集与接收信号的互相关矩阵(S30)；和根据所述训练序列子集的互相关矩阵和所述训练序列集接收信号的互相关矩阵，估算信道参数(S40)。下面结合图3和图4，对本发明所依据的信道估计优化原理以及所提供的方法进行详细的说明。

由于初始训练序列和信息序列是由彼此独立的物理过程产生，可以假设初始训练序列与信息序列是不相关的。从第i个发射天线到第j个接收天线之间的信道可以被建模为一个FIR滤波器h_ji＝[h_ji(0)，…，h_ji(L-1)]^T，其中L为信道最大阶数，则第j个接收天线上的等效基带接收信号为：

$y_j\left(n\right)=h_{j1}^T\left[\begin{array}{c}{x}_1\left(n\right)\\ \·\\ \·\\ \·\\ x_1(n-L+1)\end{array}\right]+\·\·\·+h_{\mathrm{jNt}}^T\left[\begin{array}{c}{x}_{\mathrm{Nt}}\left(n\right)\\ \·\\ \·\\ \·\\ x_{\mathrm{Nt}}(n-L+1)\end{array}\right]+w_j\left(n\right)---\left(1\right)$

式中w_j(n)为加性高斯白噪声。定义 $h_j={[h_{j1}^T,\·\·\·,h_{\mathrm{jNt}}^T]}^T,$ 结合h_ji的定义可以确定h_j为L×Nt维矢量。定义x(n)＝[x₁(n)，…，x₁(n-L+1)，…，x_Nt(n)，…，x_Nt(n-L+1)]^T为相应于信道h_j的发送信号，则x(n)为L×Nt维矢量，则式(1)可以简化为矢量形式：

$y_j\left(n\right)=h_j^{T}x\left(n\right)+w_j\left(n\right)---\left(2\right)$

考虑Nr个接收天线，则在时刻n的接收信号为：

$\left[\begin{array}{c}{y}_1\left(n\right)\\ \·\\ \·\\ \·\\ y_{\mathrm{Nr}}\left(n\right)\end{array}\right]=\left[\begin{array}{c}{h}_1^T\\ \·\\ \·\\ \·\\ h_{\mathrm{Nr}}^T\end{array}\right]x\left(n\right)+\left[\begin{array}{c}{w}_1\left(n\right)\\ \·\\ \·\\ \·\\ w_{\mathrm{Nr}}\left(n\right)\end{array}\right]---\left(3\right)$

式(3)的矩阵形式可写为：

y(n)＝H^Tx(n)+w(n)                       (4)

其中，y(n)＝[y₁(n)，…，y_Nr(n)]^T，H＝[h₁，…，h_Nr]，相应的加性白噪声向量为w(n)＝[w₁(n)，…，w_Nr(n)]^T。

将信道h_ji的参数估计结果用矢量表示，定义 ${\hat{h}}_j={[{\hat{h}}_{j1}^T,\·\·\·,{\hat{h}}_{\mathrm{jNt}}^T]}^T$ 为信道参数估计的滤波器系数。将初始训练序列集作为估计信道滤波器的输入，则得到输出结果为：

$b_j\left(n\right)={\hat{h}}_j^{T}t\left(n\right)---\left(5\right)$

式中，t(n)为基于一组已知的、叠加在相应信息序列上的初始训练序列和最大信道阶数所产生的训练序列集，可以进一步表示为：

t(n)＝[t₁(n)，t₂(n)，…，t_Nt(n)]^T

t₁(n)＝[t₁(n)，t₁(n-1)，…，t₁(n-L+1)]；

t₂(n)＝[t₂(n)，t₂(n-1)，…，t₂(n-L+1)]；    (6)

…      …

t_Nt(n)＝[t_Nt(n)，t_Nt(n-1)，…，t_Nt(n-L+1)]

其中，t_i(n)由已知的初始训练序列t_i(n)循环移位0，1，...，L-1个单位形成。将此滤波器的输出与接收信号相比较，可以得到误差信息e_j(n)：

$e_j\left(n\right)=y_j\left(n\right)-b_j\left(n\right)=h_j^{T}x\left(n\right)+w_j\left(n\right)-{\hat{h}}_j^{T}t\left(n\right)---\left(7A\right)$

根据式(7A)，用均方误差作为代价函数，可获得：

${\mathrm{\ξ}}_j=E\left\{{\left|e_j\left(n\right)\right|}^2\right\}=E\left\{{|h_j^{T}x\left(n\right)+w_j\left(n\right)-{\hat{h}}_j^{T}t\left(n\right)|}^2\right\}---\left(7B\right)$

根据最优化理论，当式(7B)的代价函数ξ_j最小时，信道参数的估计结果收敛于维纳解，即估计器的系数将收敛为信道参数，根据参考文献SimonHayhin，“Adaptive Filter Theory，Fourth Edition，”Prentice-Hall，Inc.2002可知，使ξ_j最小的充要条件是ξ_j相对于h_ji ^*(k)的偏导数为零，将式(2)代入，得到：

$\frac{{\∂\mathrm{\ξ}}_j}{\∂h_{\mathrm{ji}}^{*}\left(k\right)}=\frac{\∂E\left\{{|y_j\left(n\right)-{\hat{h}}_j^{T}t\left(n\right)|}^2\right\}}{{\∂h}_{\mathrm{ji}}^{*}\left(k\right)}=0---\left(8\right)$

其中，[]^*表示共轭运算，i＝1，…，Nt；k＝0，…，L-1。求解式(8)继而可以得到：

E{[y_j(k)-b_j(k)]t^*(n-k)}＝0   i＝1，…，Nt；k＝0，…，L-1     (9)

即在k时刻的接收信号与估计滤波器输出之间的误差必须正交于该时刻估计滤波器输入的每一个初始训练序列。

根据上述分析，信道估计的任务可以重新定义为：利用接收信号y_j(n)和基于叠加在信息序列上的初始训练序列{t_i(n)}的训练序列集t(n)对信道参数滤波器的系数

进行估计，使其收敛于信道参数h_j。

将训练序列子集的互相关矩阵记为R_t，接收信号y_j(n)与训练序列集的互相关矩阵记为则相应的相关矩阵可分别表示为：

$R_t=\left[\begin{array}{ccc}{R}_{t_1{t}_1}& \·\·\·& R_{t_1{t}_{\mathrm{Nt}}}\\ \·& & \\ \·& & \\ \·& & \\ R_{t_{\mathrm{Nt}}{t}_1}& & R_{t_{\mathrm{Nt}}{t}_{\mathrm{Nt}}}\end{array}\right]---\left(10A\right)$

$R_{y_{j}t}=\left[\begin{array}{c}{R}_{y_j{t}_1}\\ \·\\ \·\\ \·\\ R_{y_j{t}_{\mathrm{Nt}}}\end{array}\right]---\left(10B\right)$

式(10A)中：

为训练序列子集t_i1(n)＝{t_i1(n)，t_i1(n-1)，…，t_i1(n-L+1)}与t_i2(n)＝{t_i2(n)，t_i2(n-1)，…，t_i2(n-L+1)}之间的互相关矩阵，i1，i2＝1，2，…，Nt。式(10B)中：

$R_{y_j{t}_i}=E\left[\begin{array}{c}{y}_j\left(n\right)t_i^{*}\left(n\right)\\ \·\\ \·\\ \·\\ y_j\left(n\right)t_i^{*}(n-L+1)\end{array}\right]---\left(12\right)$

为接收信号{y_j(n)}，j＝1，2，…，Nr与训练序列子集{t_i(n)，t_i(n-1)，…，t_i(n-L+1)}，i＝1，2，…，Nt之间的互相关矢量，综合式(5)、(9)-(12)可获得(9)式相应的矩阵表达式：

$R_t{\hat{h}}_j=R_{y_{j}t}---\left(13\right)$

同理，将结果扩展到接收端的Nr个天线上的接收信号，式(10B)及(13)可分别推广为：

$R_{\mathrm{yt}}=\left[\begin{array}{c}{R}_{y_{1}t}\\ \·\\ \·\\ \·\\ R_{y_{\mathrm{Nr}}t}\end{array}\right]---\left(14\right)$

$R_t\hat{H}=R_{\mathrm{yt}}---\left(15\right)$

式中， $R_{\mathrm{yt}}={[R_{y_{1}t},\·\·\·,R_{y_{\mathrm{Nr}}t}]}^T.$

对训练序列子集的互相关矩阵记为R_t求逆，可得到MIMO信道估计或滤波器的收敛系数为：

$\hat{H}=R_t^{-1}{R}_{\mathrm{yt}}---\left(16\right)$

以上对本发明所提出的基于隐训练序列的信道参数估计的基本原理进行分析，并以此为基础对信道估计的任务进行了重新定义并提供了相应的解决方案。下面结合上述信道参数估计的优化原理，对图4所描述的估计方法进行进一步的介绍。

在步骤S10中，基于叠加在相应信息序列上的一组已知的初始训练序列{t_i(n)，i＝1，2，…，Nt}和已知的预定的信道阶数L，产生如式(6)所示的训练序列集t(n)。该训练序列集t(n)包含Nt个训练序列子集，即t(n)＝[t₁(n)，t₂(n)，…，t_Nt(n)]^T，各训练序列子集t_i(n)分别由与经由不同天线发送的信息序列相对应的一个已知初始训练序列循环移位0，1，...，L-1个单位而成，即有t_i(n)＝[t_i(n)，t_i(n-1)，…，t_i(n-L+1)]。其中，预定的信道阶数L为已知的最大信道阶数，可以根据传输信道特性预先确定，也可以在该步骤执行前通过其它方式对接收信号进行估计获得。

在步骤S20中，计算训练序列子集的互相关矩阵R_t及其逆矩阵R_t ^-1，以获得如式(10A)及式(11)所描述的相关矩阵。当叠加在发送信息序列上的训练序列固定且最大信道阶数L相对稳定时，该训练序列子集的互相关矩阵及其逆矩阵可以预先计算并存储在接收机中信道估计装置的缓冲区，以加速信道估计的速度。当叠加在发送信息序列上的初始训练序列或最大信道阶数L之一发生变化时，该互相关矩阵R_t及其逆矩阵R_t ^-1矩阵则需要实时计算，以适应系统参数的动态变化。

在步骤S30中，根据式(10B)、(12)及式(14)所描述的方法计算接收信号与训练序列集的互相关矩阵R_yt。

在步骤S40中，根据式(16)所描述的方式估算信道参数，该信道参数为信道滤波器以均分误差为代价函数进行最优化时的收敛系数。

上述结合附图4所述的基于隐训练序列的估计信道的方法，可以采用软件方式实现，也可以采用硬件方式实现，还可以采用软硬件结合的方式实现。相应的实现上述方法的装置如附图5所示，下面结合附图5描述根据本发明一个实施例的用于估计信道参数的装置。

如图5所示的信道估计装置100包括产生装置10，用于基于叠加在相应信息序列上的一组已知训练序列{t_i(n)}和已知的最大信道阶数L，产生如式(6)所示的训练序列集t(n)；第一相关计算装置20，用于计算训练序列子集的互相关矩阵R_t及其逆矩阵R_t ^-1，以获得如式(10A)及式(11)所描述的矩阵；第二相关计算装置30，用于根据式(10B)、(12)及式(14)所描述的方法计算接收信号与训练序列集的互相关矩阵R_yt；以及估算装置40，用于根据式(16)所描述的方式估算信道参数

，该信道参数为信道滤波器的收敛系数。

本发明还提供了一种用于无线通信系统的接收机，该接收机包括：一个接收装置，用于接收信号；一个估计装置，用于基于隐训练序列与所述接收信号估计信道参数，该估计装置为本发明所提供的估计装置；和一个检测装置，用于根据所述的信道参数检测相应的数据。

综上所述，根据本发明所提供的基于隐训练序列估计信道的方法和装置，其特征在于将平稳的训练序列叠加在信息序列上发送，在接收端主要利用训练序列与信息序列的不相关特性对信道进行估计。根据本发明所提出的方法，采用伪随机信号构成的训练序列可以很容易地满足最优化的相关函数要求，并且只需知道最大的信道阶数，其性能与实际的信道信道阶数无关。

本领域技术人员应当理解，本发明所提供的方法和装置既可以用于非时变信道的估计，也可以用于时变信道的实时跟踪，还可以与接收机的其它部分相结合构成完整的相干检测机，对多个发送单元的数据进行检测。

本领域技术人员应当理解，本发明所提供的用于移动通信系统的、基于隐训练序列的估计信道的方法和装置不仅可以用于多输入多输出的无线通信系统，还可以用于单输入单输出、单输入多输出和多输入单输出的其它无线通信系统。

本领域技术人员应当理解，基于隐训练序列的估计信道的方法和装置可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (15)

1.一种基于隐训练序列的估计信道的方法，包括步骤：

(a)获取一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个己知的初始训练序列和预定的信道阶数产生；

(b)计算所述训练序列子集的互相关矩阵及其逆矩阵；

(c)计算所述训练序列集与接收信号的互相关矩阵；和

(d)根据所述训练序列子集的互相关逆矩阵和所述训练序列集与接收信号的互相关矩阵，估算信道参数。

2.如权利要求1所述的方法，其中，所述的接收信号为接收到的经历了信道衰落的发送信号，所述发送信号为所述初始训练序列与信息序列的叠加信号，其中，所述初始训练序列为平稳信号，且与所述信息序列不相关。

3.如权利要求2所述的方法，其中，所述预定的信道阶数为已知的最大信道阶数，所述信道阶数为经过信道衰落的接收信号中可分辨多径信号分量的数目。

4.如权利要求2或3所述的方法，假设所述的已知初始训练序列表示为{t_i，(n)，i＝1，2，…，Nt}，Nt为有效的发射天线个数，所述预定的信道阶数表示为L，所述训练序列集表示为t(n)，则步骤(a)所述的训练序列集的产生方法如下：

t(n)＝[t₁(n)，t₂(n)，…，t_Nt)]^T

t₁(n)＝[t₁(n)，t₁(n-1)，…，t₁(n-L+1)]；

t₂(n)＝[t₂(n)，t₂(n-1)，…，t₂(n-L+1)]；

…       …

t_Nt(n)＝[t_Nt(n)，t_Nt(n-1)，…，t_Nt(n-L+1)]

其中，t_i(n)＝{t_i(n)，t_i(n-1)，…，t_i(n-L+1)}为训练序列子集，分别由所述已知的初始训练序列t_i(n)循环移位0，1，...，L-1个单位获得。

5.如权利要求4所述的方法，其中，步骤(b)所述计算该训练序列子集的互相关矩阵R_t为：

$R_t=\left[\begin{array}{ccc}{R}_{t_1{t}_1}& \·\·\·& R_{t_1{t}_{\mathrm{Nt}}}\\ \·& & \\ \·& & \\ \·& & \\ R_{t_{\mathrm{Nt}}{t}_1}& & R_{t_{\mathrm{Nt}}{t}_{\mathrm{Nt}}}\end{array}\right]$

式中，

为训练序列子集t_i1(n)＝{t_i1(n)，t_i1(n-1)，…，t_i1(n-L+1)}与t_i2(n)＝{t_i2(n)，t_i2(n-1)，…，t_i2(n-L+1)}之间的互相关矩阵，i1，i2＝1，2，…，Nt，[]^*表示共轭运算。

6.如权利要求5所述的方法，假定有效接收天线数为Nr，相应的接收信号表示为{y_j(n)，j＝1，2，…，Nr}，步骤(c)中所述接收信号与所述训练序列集的互相关矩阵R_yt由下式获得：

$R_{\mathrm{yt}}=\left[\begin{array}{c}{R}_{y_{1}t}\\ \·\\ \·\\ \·\\ R_{y_{\mathrm{Nr}}t}\end{array}\right]$

式中，

$R_{y_{j}t}=\left[\begin{array}{c}{R}_{y_j{t}_1}\\ \·\\ \·\\ \·\\ R_{y_j{t}_{\mathrm{Nt}}}\end{array}\right]$

其中，

$R_{y_j{t}_i}=E\left[\begin{array}{c}{y}_j\left(n\right)t_i^{*}\left(n\right)\\ \·\\ \·\\ \·\\ y_j\left(n\right)t_i^{*}(n-L+1)\end{array}\right]$

为接收信号{y_j(n)}，j＝1，2，…，Nr与训练序列子集{t_i(n)，t_i(n-1)，…，t_i(n-L+1)}，i＝1，2，…，Nt之间的互相关矢量，[]^*表示共轭运算。

7.如权利要求6所述的方法，假定所述信道参数可用信道估计矩阵表示，所述信道矩阵

为Nt*L*Nr阶矩阵由从第i个发射天线到第j个接收天线之间的信道矢量

构成，即

$\hat{H}=[{\hat{h}}_1,\·\·\·,{\hat{h}}_{\mathrm{Nr}}]$

式中， ${\hat{h}}_j={[h_{j1}^T,\·\·\·,h_{\mathrm{jNt}}^T]}^T,$ 则相应的信道参数估计矩阵

可由下式获得：

$\hat{H}=R_t^{-1}{R}_{\mathrm{yt}}$

式中，R_t ^-1为所述训练序列子集的互相关矩阵R_t的逆矩阵，R_yt为所述训练序列集与接收信号的互相关矩阵。

8.一种基于隐训练序列的估计信道的装置，包括：

一个产生装置，用于产生一个训练序列集，所述训练序列集包含多个训练序列子集，所述各训练序列子集分别由一个已知的初始训练序列和预定的信道阶数产生；

一个第一计算装置，用于计算所述训练序列子集的互相关矩阵及其逆矩阵；

一个第二计算装置，用于计算所述训练序列集与接收信号的互相关矩阵；和

一个估算装置，用于根据所述训练序列子集的互相关逆矩阵和所述训练序列集与接收信号的互相关矩阵，估算信道参数。

9.如权利要求8所述的装置，其中，所述的接收信号为接收到的经历了信道衰落的发送信号，所述发送信号为所述初始训练序列与信息序列的叠加信号，其中，所述初始训练序列为平稳信号，且与所述信息序列不相关。

10.如权利要求9所述的装置，其中，所述预定的信道阶数为已知的最大信道阶数，所述信道阶数为经过信道衰落的接收信号中可分辨多径信号分量的数目。

11.如权利要求9或10所述的装置，假设所述的已知初始训练序列表示为{t_i(n)，i＝1，2，…，Nt}，Nt为有效的发射天线个数，所述预定的信道阶数表示为L，所述训练序列集表示为t(n)，则在所述产生装置中执行的训练序列集的产生方法如下：

t(n)＝[t₁(n)，t₂(n)，…，t_Nt(n)]^T

t₁(n)＝[t₁(n)，t₁(n-1)，…，t₁(n-L+1)]；

t₂(n)＝[t₂(n)，t₂(n-1)，…，t₂(n-L+1)]；

…      …

t_Nt(n)＝[t_Nt(n)，t_Nt(n-1)，…，t_Nt(n-L+1)]

其中，t_i(n)＝{t_i(n)，t_i(n-1)，…，t_i(n-L+1)}为训练序列子集，分别由所述已知的初始训练序列t_i(n)循环移位0，1，...，L-1个单位获得。

12.如权利要求11所述的装置，其中，由所述第一计算装置获得的所述训练序列子集的互相关矩阵R_t为：

$R_t=\left[\begin{array}{ccc}{R}_{t_1{t}_1}& \·\·\·& R_{t_1{t}_{\mathrm{Nt}}}\\ \·& & \\ \·& & \\ \·& & \\ R_{t_{\mathrm{Nt}}{t}_1}& & R_{t_{\mathrm{Nt}}{t}_{\mathrm{Nt}}}\end{array}\right]$

式中，

为训练序列子集t_i1(n)＝{t_i1(n)，t_i1(n-1)，…，t_i1(n-L+1)}与t_i2(n)＝{t_i2(n)，t_i2(n-1)，…，t_i2(n-L+1)}之间的互相关矩阵，i1，i2＝1，2，…，Nt，[]^*表示共轭运算。

13.如权利要求12所述的装置，假定有效接收天线数为Nr，相应的接收信号表示为{y_j(n)，j＝1，2，…，Nr}，由所述第二计算装置中获得的所述接收信号与所述训练序列集的互相关矩阵R_yt为：

$R_{\mathrm{yt}}=\left[\begin{array}{c}{R}_{y_{1}t}\\ \·\\ \·\\ \·\\ R_{y_{\mathrm{Nr}}t}\end{array}\right]$

式中，

$R_{y_{j}t}=\left[\begin{array}{c}{R}_{y_j{t}_1}\\ \·\\ \·\\ \·\\ R_{y_j{t}_{\mathrm{Nt}}}\end{array}\right]$

其中，

$R_{y_j{t}_i}=E\left[\begin{array}{c}{y}_j\left(n\right)t_i^{*}\left(n\right)\\ \·\\ \·\\ \·\\ y_j\left(n\right)t_i^{*}(n-L+1)\end{array}\right]$

为接收信号{y_j(n)}，j＝1，2，…，Nr与训练序列子集{t_i(n)，t_i(n-1)，…，t_i(n-L+1)}，i＝1，2，…，Nt之间的互相关矢量，[]^*表示共轭运算。

14.如权利要求13所述的装置，假定所述信道参数可用信道估计矩阵

表示，所述信道矩阵

为Nt*L*Nr阶矩阵由从第i个发射天线到第j个接收天线之间的信道矢量

构成，即

$\hat{H}=[{\hat{h}}_1,\·\·\·,{\hat{h}}_{\mathrm{Nr}}]$

式中， ${\hat{h}}_j={[h_{j1}^T,\·\·\·,h_{\mathrm{jNt}}^T]}^T,$ 则相应的信道参数估计矩阵

可由所述估算装置根据下式获得：

$\hat{H}=R_t^{-1}{R}_{\mathrm{yt}}$

式中，R_t ^-1为所述训练序列子集的互相关矩阵R_t的逆矩阵，R_yt为所述训练序列集与接收信号的互相关矩阵。

15.一种用于无线通信系统的接收机，包括：

一个接收装置，用于接收信号；

一个估计装置，用于基于隐训练序列与所述接收信号估计信道参数，所述的估计装置为权力要求8-14中任一权利要求所述的估计装置；和

一个检测装置，用于根据所述的信道参数检测相应的数据。

Images