CN101512940B - 用于存储器有效的噪声基底估计的方法和设备 - Google Patents

Abstract

给出了在无线通信系统中用于噪声上升估计的方法，该方法包括：测量至少接收的总宽带功率的样本。从至少接收的总宽带功率的测量的样本，估计对于第一功率量的概率分布(800)。这个第一功率量是接收的总宽带功率本身。对于第一功率量的概率分布(800)被使用来计算噪声基底度量的条件概率分布(803)。这个计算被递归地执行。最后根据对于噪声基底度量的条件概率分布计算噪声上升度量的数值。还给出具有以上功能的无线通信系统的节点。典型地，该节点是RNC。

Description

用于存储器有效的噪声基底估计的方法和设备

技术领域

本发明总的涉及用于估计蜂窝通信系统中的功率有关的量，具体地，用于估计噪声基底的方法和装置。

背景技术

宽带码分多址(WCDMA)电信系统具有许多有吸引力的特征，可被使用于将来的电信服务的开发。在例如WCDMA和类似的系统中具体的技术挑战是增强的上行链路信道到时间间隔的调度，其中干扰条件是有利的和其中在所讨论的小区的上行链路存在足够的容量用来支持增强的上行链路信道。众所周知，小区的存在的用户都为WCDMA系统的上行链路贡献干扰电平。而且，在相邻的小区中的终端也贡献相同的干扰电平。这是因为当使用CDMA技术时，小区的所有用户和公用信道在同一个频段中发送。小区的负荷直接涉及到同一个小区的干扰电平。在WCDMA中RNC的许可控制功能因此是集中的，由于过载导致差的服务质量和不稳定的小区，这些行为需要避免。

本发明涉及在码分多址蜂窝电话系统中的负载估计领域。几种无线电资源管理(RRM)算法，诸如调度和许可控制，依赖于上行链路负荷的精确估计。

许可控制算法需要平衡每个小区或RBS的可用资源与由用户请求的业务量。这意味着，到许可控制算法的重要输入包括可用的HW资源，以及关于在每个小区中瞬时的用户数目和他们的正在进行的业务量的信息。

为了保持小区稳定性和增加容量，快速增强上行链路调度算法用来保持负载低于某个水平。这是由于大多数上行链路用户信道，至少在WCDMA中，受到功率控制。这种功率控制的目的在于保持每个信道的接收的功率电平在某个信扰比(SIR)，以便使得能够满足特定的服务要求。这个SIR水平通常是使得在无线电基站(RBS)中的接收功率是比干扰电平低几dB。在所谓的RAKE接收机中的解扩频然后增强每个信道到这样的信号电平，其中发送的比特例如可以由位于信号处理链中后面的信道译码器和语音编译码器作进一步处理。

由于RBS尝试保持每个信道为它的特定的优选的SIR值，可能出现，附加的用户，或现有用户的突发数据业务量，造成干扰电平，由此瞬时减小对于其它用户的SIR。RBS的响应是命令所有的其它用户的功率增加，有时这造成干扰进一步增加。通常，这个过程在低于某个负荷水平下保持稳定。在高容量信道突然出现的情形下，干扰的上升变得很大，从而增加不稳定性的风险，所谓的功率涌现。因此有必要调度高容量上行链路信道，如在WCDMA中的增强上行链路(E-UL)信道，这样，可以保证避免不稳定性。为了做到这一点，必须估计在RBS中的瞬时负荷。这使能评估离不稳定点的容量余量。

特别有用的度量是根据热量的上升(或噪声上升)测量的上行链路(和下行链路)小区负荷。热量的上升(ROT)被定义为在瞬时宽带功率与热噪声基底电平之间的商。所有的噪声上升度量具有共同点：它们依赖于背景噪声的精确估计。按照现有技术的高度波动的功率量或噪声基底的确定典型地与相当大的不确定性相关联，这些不确定性甚至是与全部可用的容量余量相同的量级。因此，在不改进连接到它的负载估计的情况下，确实非常难实施增强的上行链路信道功能。

这时，可以提出，对于其控制需要负载估计的同样重要参数是小区的覆盖范围。该覆盖范围通常涉及到为了正常工作需要以特定的SIR运行的特定服务。上行链路小区边界然后通过以最大输出功率运行的终端被定义。在RBS中的最大接收信道功率通过终端的最大功率和到数字接收机的路径损耗被定义。由于路径损耗是在终端与RBS之间的距离的直接函数，得出离RBS的最大距离。在所有方向上离RBS取的这个距离定义覆盖范围。

现在得出，干扰电平的任何增加导致减小的SIR，它不能通过增加的终端功率被补偿。因此，需要减小路径损耗，以保持服务。这意味着，终端需要移到更靠近RBS，即，减小小区的覆盖范围。

从以上的讨论，可以清楚看到，为了保持运营商规划的小区覆盖范围，必须保持负荷低于特定的水平。这意味着，负荷估计对于覆盖范围也是重要的。具体地，从覆盖范围观点看来，在RBS中增强的上行链路业务量的快速调度中，负荷估计是重要的。

而且，在控制多个RBS的无线电网络控制器(RNC)中拥塞控制功能和许可控制也从关于它控制的每个小区的瞬时噪声上升的精确信息中获益。RNC功能通过其影响小区性能的带宽大大地慢于以上描述的对于增强的上行链路调度的带宽，然而，以上对于增强的上行链路讨论的小区稳定性的影响在某种程度上对于RNC的许可控制功能也是有效的。

许可控制保证，在小区中的用户的数目不会变为在硬件资源方面和在负荷方面大于可被操控的数目。太高的负荷首先表现为太差的服务质量，由外部功率控制环路操控达到SIR目标的增加的事实。在原则上，这个反馈环也可能引入功率涌现，正如以上描述的。

许可控制功能可以通过调整用户的数目和对于RNC所控制的每个小区所允许的对应业务量的类型而避免以上的影响。达到这个目标的特别重要的输入是小区的噪声上升的精确估计。

虽然在RBS中估计的噪声上升可以用信号通知给RNC，但所有的厂商可能不支持这种信令，或可能不提供足够精确的负荷估计。因此，需要估计在RNC中的噪声上升。

当增强的上行链路业务量的调度在RNC中被实施时，出现另外的问题。由于RNC今天可以控制约1000个小区，和在将来可能更多得多，关于存储器消耗和用于噪声上升估计的处理功率算法的相当适度要求也要乘以服务的小区的数目。具体地，存储器浪费的解决方案在RNC中很难实施。最后的非常重要的好处是，在本发明公开内容中公开的算法适用于ASIC实施方案。

发明内容

现有技术CDMA通信网的通常问题是，负荷估计用一种精度给出，这使得很难进行细心的负荷控制。具体地，在增强的上行链路信道方面噪声上升的确定受到主要是由于估计噪声基底或其它与功率有关的量的困难造成的大的不确定性。而且，在噪声基底估计期间的高存储器要求可能是附加的障碍。

本发明的总的目的是提供改进的、用于确定与功率有关的量，例如负荷估计的方法和设备。本发明的另外的目的是提供更精确地确定与功率有关的量的方法和设备。本发明的再一个目的是提供用于改进噪声上升估计的方法和设备。本发明的另一个目的是提供具有对于存储器的低要求的、用于确定与功率有关的量的方法和设备。

以上的目的是通过按照本公开的专利权利要求的方法和设备而完成的。总的说来，在第一方面，给出了在无线通信系统中用于噪声上升估计的方法，该方法包括：测量至少接收的总宽带功率的样本。从至少接收的总宽带功率的测量的样本，估计对于第一功率量的概率分布。典型地，这个第一功率量是接收的总宽带功率本身。对于第一功率量的概率分布被使用来计算噪声基底度量的条件概率分布。这个计算被递归地执行。最后根据对于噪声基底度量的条件概率分布计算噪声上升度量的数值。

在第二方面，给出无线通信系统的节点。典型地，该节点是RNC。该节点包括用于得到至少接收的总宽带功率的测量样本的装置和用于从至少接收的总宽带功率的至少测量样本估计对于第一功率量的概率分布的装置。该节点还包括以递归方式运行的、用于根据对于第一功率量的至少所述概率分布计算噪声基底度量的条件概率分布的装置。该节点还包括用于根据对于噪声基底度量的条件概率分布计算噪声上升度量的数值的装置。

本发明的一个优点是即使在存在相邻的小区干扰、外部干扰源和快速波动功率时，仍可以提供精确的噪声上升值。而且，本发明具有相当低的计算复杂性和存储器要求。另外的优点结合详细说明进行讨论。

附图说明

通过参考连同附图一起作出的以下说明，可以最好地理解本发明以及本发明的另外的目的和优点，其中：

图1示出执行负荷估计的无线电基站的信号链；

图2示出在小区中在噪声上升与总的比特速率之间的典型关系；

图3是在典型的移动通信网中出现的信号功率的示意图；

图4是接收的总宽带功率的时间图；

图5是按照本发明的噪声上升估计装置的实施例的框图；

图6是按照本发明的相互依赖递归算法的图示；

图7是示出按照本发明跟踪模拟的性能的图；

图8是示出跟踪在背景水平突然改变时的性能的图；

图9是示出从总接收功率测量得出的功率量的最小值的概率密度函数的图；

图10是按照本发明的系统的实施例的主要部分的框图；以及

图11是按照本发明的方法的实施例的主要步骤的流程图。

具体实施方式

在全部公开内容中，在公式中的粗体字母是指向量或矩阵量。

在本公开内容中，讨论了不同的分布函数的补数。定义为如下。累积分布函数F的补数被定义为1减去累积分布函数F。在例如累积误差分布函数的情形下，累积误差分布函数的补数变为 ${1-F}_{\mathrm{\Δx}\left(t^{\′}\right|t^{\′})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t^{\′})).$

本详细说明通过关于如何执行负荷估计和现有技术解决方案遇到的问题的稍微更深入的讨论而被引入，以便揭示其严重程度。这是参考典型的WCDMA系统完成的，但所述思想不限于WCDMA。而是这些思想可应用于许多类型的蜂窝系统，特别是所有种类的CDMA系统。

参考和测量点

RBS的典型信号链示于图1。从天线1接收的宽带信号首先通过包含电缆、滤波器等的模拟信号调节链2。部件之间的变化以及温度漂移，使得当该信号进入接收机3时，系统的这个部件的缩放因子有约2-3dB的未确定。这在下面进一步讨论。在接收机3中，发生多个操作。对于负荷估计，通常假设总接收的宽带功率在某一级处，在图1上用5表示，被测量。而且，在本实施例中假设代码功率测量，即小区的每个各个信道/用户的功率，在级6处可得到。用于估计的量的参考点被表示为4。在其上估计的量是有效的和在其上进行测量的、链上的点被示意地示出于图1。

很难估计热噪声基底功率，有几个原因。如以上指出的一个原因是热噪声基底功率，以及其它接收的功率，受到模拟接收机前端中部件不确定性影响。信号参考点根据定义是在天线连接器处。然而，在数字接收机中，在模拟信号调节链后得到测量。

模拟信号调节电子链在RBS(批)之间确实引入2-3dB的缩放因子误差，这是很难补偿的。被除以热噪声功率基底的缺省值的RTWP(接收的总宽带功率)测量因而可能与假设的热噪声功率基底相差2-3dB。影响是噪声上升估计也错误2-3dB。考虑到在WCDMA系统中允许的噪声上升间隔典型地是0-7dB，2-3dB的误差是不可接受的。

幸运地，形成总接收功率的所有功率受到缩放因子误差γ(t)同样的影响，这样当计算噪声上升比值N_R(t)时，缩放因子误差作为下式被取消：

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

(1)

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

其中

和

分别是在数字接收机3(图1)和在天线1(图1)处测量的噪声上升比值，P^{Total，Digital Receiver}(t)和P^{Total，Antenna}(t)分别是在数字接收机3和在天线1处的总接收功率，以及

和

分别是在数字接收机3和在天线1处测量的热噪声电平。然而，应当指出，(1)式需要在数字接收机中噪声基底

的测量。这是由本发明解决的一个困难。

功率测量

在详细说明中，使用了以下的通用记号：

总接收的宽带功率的测量在接收机中执行。这个测量用P^Total(t)表示，其中t表示离散时间。测量速率是T^-1Hz。

噪声上升

正如在背景一节中指明的，引入附加信道的结果变为总功率的增加。图2是示出这些条件的图。噪声上升N_R是负荷的度量，其被定义为在总功率与在天线连接器处测量的、也被称为噪声基底的热噪声电平P_N之间的比值。在超过噪声上升阈值N_R ^thr时，情形变为不稳定。在总的比特速率与噪声上升N_R之间的关系100是从控制环的设计已知的，以及一旦瞬时噪声上升N_R ^thr被确定，就可以执行附加信道的调度。极点容量C_pole表示以每秒比特计的最大比特速率容量。在阈值N_R ^thr与由热噪声电平P_N规定的电平之间的典型的差值ΔN是7dB。然而，噪声基底或热噪声电平P_N是不容易可得到的。例如，由于接收机中的缩放因子不确定性，如以上讨论的，大到2-3dB，因而可得到的余量的大部分受到这种引入的不确定性影响。

噪声基底的可观察性

现在出现很难估计热噪声基底功率的一个原因，由于即使在数字接收机中作出所有的测量，噪声基底不能被直接测量，至少不是在单个RBS中。解释是相邻的小区干扰和来自外部源的干扰也影响接收机，以及这样的源的任何平均值不能与噪声基底分隔开。在自己的小区信道上的功率测量可以在某些情形下执行，增加系统的复杂性。然而，这样的测量没有解决全部问题，虽然它们多少可以改进这种情形。

图3示出结合RBS 20对于功率测量的贡献。RBS 20与小区30相关联。在小区30内，存在大量移动终端25，它通过不同的链路与RBS 20通信，每个以

贡献到总的接收功率。小区30具有在同一个WCDMA系统内的多个相邻的小区31，每个小区与RBS 21相关联。相邻的小区也包括移动终端26。移动终端26发射射频功率，并且所有的这样的贡献的总和用P^N表示。还可以有其它网络外部辐射源，诸如，例如雷达站41。来自这样的外部源的贡献用P^E表示。最后，从接收机本身产生P_N项。RBS 20，21典型地被连接到RNC 172。

从以上可以清楚看到，P^N(t)和P_N是不可测量的，因此需要以某种方式被估计或被消除。如果仅仅总宽带功率的测量是可得到的，则情形甚至变为更坏。总宽带功率测量

可被表示为：

$P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i^{\mathrm{Code}}\left(t\right)+P^{E+N}\left(t\right)+P_N\left(t\right)+e^{\mathrm{Total}}\left(t\right),---\left(2\right)$

其中

P^E+N＝P^E+P^N，(3)

以及其中e^Total(t)给测量噪声建模。

可以在数学上证明，P^E+N(t)和P_N的线性估值不是可观察的问题。只有P^E+N+P_N的和是从可得到的测量中可观察的。这在执行代码功率测量的情形下也是如此的。问题是，没有传统的技术可被使用来把噪声基底与从相邻的小区干扰和在蜂窝系统外部的带内干扰源发源的功率平均值分隔开。而且，如果只有总接收的宽带功率的测量是可得到的，则各个代码功率贡献也是与其它贡献不能区分的。

噪声基底估计

噪声上升估计困难的再一个原因是，热噪声基底不总是寻求的量。有这样的情形，其中恒定的带内干扰显著地影响RBS的接收机。这些恒定的干扰源不影响以上讨论的稳定性，而是它们作为增加的噪声温度出现，即，增加的热噪声基底。

在现有技术中，一个替换例是在该领域中使用每个RBS的热噪声基底的高花费的和各个的确定，以便达到足够高的负荷估计性能。热噪声功率基底的缺省值的建立，正如在数字接收机中看到的，需要在工厂或在场地上在大量RBS上执行的参考测量。两个替换例是费钱的，而且只要硬件改变就需要重复进行。

解决问题的以上解决方案需要各个地校准每个RBS。然而，这是非常费钱的，因此是极其没有吸引力的。而且，在模拟信号调节电子电路中仍将保持或许0.7-1.0dB的温度漂移误差。

另一个方法是提供热噪声功率基底的估计。用于估计热噪声功率基底的一个原理是估计它作为包括热噪声基底的测量的或估计的功率量的最小值。如果没有任何代码功率测量是可得到的，则所讨论的功率量典型地是总接收的宽带功率。因而，一个方法是计算噪声上升作为瞬时的总接收的宽带功率与被估计为总接收的宽带功率的最小值的、确定的热噪声基底功率的相除。

这被示意地示于图4。接收的总宽带功率的瞬时值102在这里被示出为时间的函数。这个数值依赖于瞬时负荷很大地波动。众所周知，热噪声基底贡献总是存在的，因此可以下结论，如果测量不确定性被忽略，则噪声基底贡献必须等于或小于在一定的时间段内接收的总接收的宽带功率的最小值104。如果所有的代码功率贡献、相邻小区贡献和其它外部贡献在某个机会下等于零有合理的可能性，则最小值104是“真实的”噪声基底106的良好估计。然而，在所有的情形下，可以肯定，最小值104构成未知的噪声基底的上限。

为了改进噪声基底的估计，可以把递归估计滤波器应用到测量序列，提供接收的总宽带功率的估计以及它的方差。热噪声功率基底然后可以通过软算法被估计。

使用与所确定的热噪声基底功率的相除的原理具有多个特征，其中的某些特征可能至少在某些应用中是有缺点的。估计原理确定热噪声功率基底的特定数值作为输出变量。这既不是最佳的也不是必要的。真正需要的输出量是噪声上升，正如下面提到的，这个量可以直接被估计。而且，估值原理不提供估计的热噪声功率基底的精度的任何测量，也不提供噪声上升。这是由于只估计了热噪声功率基底的一个数值的结果。

而且，以上的估计原理没有考虑有关在RBS集合上例如真正的热噪声基底功率的概率分布可得到的现有信息。这具有进一步的结果。通过以上思想得到的热噪声功率基底的估计总是被偏置高于真正的数值。这是由于热噪声基底功率、相邻的小区WCDMA功率和非WCDMA带内干扰功率的和值总是至少与热噪声功率基底一样大。因此，当在确定的时间间隔上估计最小值时，总是得到大于真正的热噪声功率的数值。其结果是噪声上升是低估计的，即，小区的负荷是低估计的。结果可以是太攻击性的调度，这导致例如小区不稳定性。

如上所述，本发明允许直接估计噪声上升的条件概率分布。这如下地得到。在本发明中提出的递归算法估计噪声基底的条件概率分布。而且，接收的总宽带功率的概率分布是从下面进一步描述的处理中可得到的。通过考虑对于两个随机变量的商的分布的公式，可以容易地从这两个概率分布计算噪声上升的条件概率分布。

由此，本发明的附加的重要的好处是噪声上升的一维概率密度函数的估计，不仅仅是单个值，或确定至少噪声基底的概率密度函数。估计完全的概率分布的重要好处是计算估计的方差(标准偏差)的可能性。由此，估计过程的质量将被自动评估。像这一个的不确定性测量，当例如在以后的步骤中调度增强的上行链路信道时，可能是特别有用的。

在本发明中噪声基底的数值确实可以从噪声基底的条件概率分布被估计。这个估计的噪声基底值然后可被利用来通过把当前接收的总宽带功率的估值以传统的方式除以估计的噪声基底值而计算噪声上升度量值。然而，这样的实施例没有上述的优点。

估计噪声上升的实施例在图5中以框图形式被示意地示出。这个实施例涉及码分多址蜂窝电话系统中的负荷估计领域。优选实施例的公开内容是关于WCDMA类型的蜂窝系统中的增强的上行链路(E-UL)对于负荷估计功能撰写的。然而，应当指出，对于CDMA类型的其它蜂窝系统的情形应当是类似的，这样，详细讨论的大多数部分对于这些系统也是有效的。

应当指出，在以下的说明中，概率分布是由数字系统，典型地通过把分布离散化为直方图而被处理的。

噪声上升估计装置50包括三个主要的块60，70，80。在第一个功率估计块60中，Kalman滤波器装置接收输入61，即在本实施例中的测量的接收的总宽带功率RTWP。优选实施例的数学细节在附录A中被揭示。来自功率估计块60的输出69是功率量的估值和对应的方差，即在本实施例中的接收的总宽带功率RTWP的估值和对应的方差。由于输出是来自Kalman滤波器装置，这些参数是唯一需要定义由滤波器产生的估计的高斯分布的参数。因此，给出足够的信息来定义RTWP估值的总概率分布信息。滤波器细节在下面更详细地讨论。

在更先进的系统中，功率估计块60可以根据另外的功率参数62，例如不同信道i的测量的代码功率与干扰的比值(C/I)、用于信道i的β因子、用于信道i的代码数、和由快速功率控制环命令的对应的代码功率与干扰的比值，进行它的估计。在这种情形下，来自功率估计块60的输出69可以是另一个功率有关的量的估值和对应的方差。功率量的估值例如可以是相邻小区WCDMA干扰功率、带内非WCDMA干扰功率与热噪声基底功率的和值。

在第二个条件概率分布估计块70中，基于Bayesian统计学的装置接收功率量估值和对应的标准偏差69作为输入，并提供包括与噪声基底功率相关联的参数的输出79。这可以是噪声基底功率的单个数值或噪声基底功率的估计的概率分布的参数。表示噪声基底的概率分布函数的直方图的现有已知参数被存储在存储装置71，其提供有关噪声基底功率的现有的预期的概率分布的信息72到条件概率分布估计块70，以便达到最佳估值。

随后的噪声功率基底估计处理块的作用是有利的，但是难于理解。下面给出高度技术性的说明供感兴趣的读者阅读。

应当指出，当系统的长期平均负荷增加时，通常相邻的小区干扰增加。结果是估计的总功率的低数值的可能性随相邻的小区干扰增加而减小。通过施加估计的总功率的最小值的概率分布的计算而从以上去除热噪声功率基底的现有概率分布的部分来运行软噪声功率基底估计算法。这把现有分布的重心移向较低的数值，由此减小热噪声功率基底的最佳估值。去除的量由处在预定的、稀疏地采样的滑动窗内的估计的总功率的概率分布确定。然后具有更大的方差的总功率概率分布比起具有相同的均值和较小的方差的概率分布将明显地减去现有的概率分布的更大的部分。原因是具有较大方差的概率分布函数进一步延伸到现有概率分布的非零支持的区域中。

用于估计最小值的可能的直截了当的方法是计算在预定的时间间隔--所谓的滑动窗--上的估值。基于这样的滑动窗的条件概率分布的估计的详细的数学描述在附录B中给出。

在第三个、噪声上升估计块80中，噪声基底的估计的概率分布79和RTWP估值和对应的标准偏差68作为输入被接收，并初步提供包括噪声上升值的输出81。在本实施例中，优选的噪声上升度量按照下式被定义：

$\mathrm{RoT}\left(t\right)=\frac{P^{\mathrm{Total}}\left(t\right)}{P_N},---\left(4\right)$

其中P^Total(t)是接收的总宽带功率，然而，也可以利用其它噪声上升度量。正如以上进一步提到的，实际的噪声上升的确定，优选地可以通过确定RTWP的概率分布函数与噪声基底的概率分布函数的商的概率分布函数而被执行。

块60，70和80优选地可以集成到一个处理器中。然而，也有可能使用包括，但不限于，不同的分布式解决方案的任何装置，其中包括块60，70和80的处理器装置可被看作为分布式处理器装置。

在附录B中给出的热噪声基底的条件概率分布的估计是基于滑动窗。这些算法需要用于管理滑动窗尺寸的参数，因为窗口尺寸影响计算复杂性。更重要地，该算法需要存储两个矩阵变量，共同占用0.4-0.8Mbyte之多的存储器。具体地，对于被存储在滑动窗中的每个功率样本，在网格上需要计算一个概率分布函数和一个累积分布函数。典型地，网格在从-120dBm到-70dBm的范围上以0.1dB的步长被离散化，对于在滑动窗中的每个功率样本，导致1000个变量。对于在滑动窗中的100个功率样本，结果是需要存储400000-800000字节，取决于是使用4字节还是8字节变量。

RNC在今天可以控制约1000个小区，在将来还将控制更多小区。因此，在RNC中，可能需要1000个实例(每个小区一个)。存储器消耗达到1GB的动态存储器，这是禁止的。结论是这样的用于软噪声基底估计的算法的存储器消耗是不可接受的，至少对于RNC实施方案来说。然而，对于滑动窗方法的存储器要求可能是对于其中只需要并行运行4个实例(4个分集分支)的RBS实施方案是可实行的。

还应当指出，由于噪声基底的更新只需要每分钟发生几次，意味着对于不同小区的噪声基底更新可被调度在不同的时间间隔，实际的计算复杂性是不成问题的。

第二个问题还间接地涉及到用于最小值估计的滑动窗的使用。问题是由于进入滑动窗的、具有小数值的功率样本在整个窗口持续时间期间仍保持在其中。在这个时段期间，小的数值自然在最小值估计中占优势。因此，在噪声基底开始增加的情形下，这在具有小数值的功率样本最后移出滑动窗之前没有反映出来。

为了解决以上的问题，具体地存储器问题，以及使得负荷估值能够在RNC中用于许可控制的目的，本发明代之以使用用于软噪声基底估计的递归算法。

为了找出适用的递归算法的第一个主要的思想是在计算最小功率的概率分布，即，噪声基底估计时引入近似。

在这部分的说明中使用的所有的记号表示法在附录B中详细地解释。这个方法的理由是为了了解本节的细节必须阅读附录B。概略地，t表示时间，x表示(离散化的)功率，f表示概率密度函数，以及F表示累积分布函数。

得到递归公式的第一个步骤是通过考虑以下情形而去除滑动窗的瞬时影响：

T_Lag→∞，(5)

即，其中滑动窗的宽度变为无穷大。

然后，附录B的关键公式(B12)被变换成：

$f_{\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\≤t}|Y^t}\left(x\right)=\underset{t^{\′}\≤t}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))\underset{q\≠t^{\′}}{\underset{q\≤t}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|t))).---\left(6\right)$

对于下面的讨论，更新时间t被离散化，即，引入下标N，以便给出

$f_{\min }(t_N,x)\≡f_{\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\≤t_N}|Y^{t_N}}\left(x\right)$

$=\underset{t^{\′}\≤t_N}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t_N)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t_N))\underset{q\≠t^{\′}}{\underset{q\≤t_N}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|t_N)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|t_N))),---\left(7\right)$

其中t_N是更新的离散化时间。

要被引入的第一近似按照下式通过用滤波器估值

替换平滑的估值

而得到：

假设1： ${\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t_N)\≈{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}{|t}^{\′}\right)$

这个假设意味着，平滑增益被假设为小的。实际上，近似意味着，接受稍微坏的性能，以便得到计算上的简化。近似式1把公式(7)简化为：

$f_{\min }(t_N,x)\≈\underset{t^{\′}\≤t_N}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t^{\′})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t^{\′}))\underset{q\≠t^{\′}}{\underset{q\≤t_N}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q))).---\left(8\right)$

下一个步骤包括公式表示完备积(completed product)的递归更新。完备积Γ(t_N，x)被定义为：

$\mathrm{\Γ}(t_N,x)=\underset{q\≤t_N}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q))).---\left(9\right)$

然后，可以按照下式递归公式表示完备积：

$\mathrm{\Γ}(t_{N+1},x)=\underset{q\≤t_{N+1}}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$=(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))\underset{q\≤t_N}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q))).---\left(10\right)$

$=(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))\mathrm{\Γ}(t_N,x)$

这是第一个结果，其中应当指出，计算当前的完备积Γ(t_N+1，x)，即，第一功率量的累积的误差分布的补数的乘积，可被计算为以前计算的完备积Γ(t_N，x)(即，第一功率量的累积的误差分布的补数的以前计算的乘积)与第一因子

的乘积，第一因子是基于第一功率量的累积的概率分布的新的补数。

下一个步骤是得到最小功率本身的概率密度函数的递归更新，即，递归地写出f_min(t_N，x)。这可以如下地得出，从公式(8)开始。

$f_{\min }(t_{N+1},x)\≈\underset{t^{\′}\≤t_{N+1}}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t^{\′})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t^{\′}))\underset{q\≠t^{\′}}{\underset{q\≤t_{N+1}}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$=f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))\underset{q\≠t_{N+1}}{\underset{q\≤t_{N+1}}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$+\underset{t^{\′}\≤t_N}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t^{\′})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t^{\′}))\underset{q\≠t^{\′}}{\underset{q\≤t_{N+1}}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$=f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))\underset{q\≤t_N}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$+\underset{t^{\′}\≤t_N}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t^{\′})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t^{\′}))(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))$

$\×\underset{q\≠r^{\′}}{\underset{q\≤t_N}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(q\right|q)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(q\right|q)))$

$=f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))\mathrm{\Γ}(t_N,x)$

$+(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x).---\left(11\right)$

这里，可以看到，噪声基底度量f_min(t_N+1，x)的更新的条件概率分布的计算可被执行为两项的和值。第一项

是第一功率量的累积的误差分布的补数的以前计算的乘积Γ(t_N，x)与第二因子

的乘积。正如所看到的，这个第二因子是基于第一功率量的新概率分布。第二项 $(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x)$ 是噪声基底度量的以前计算的条件概率分布f_min(t_N，x)与已经在完备积的递归计算中被使用的第一因子 $1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))$ 的乘积。

作为结论，可以看到，噪声基底度量的条件概率分布的递归计算是基于噪声基底度量的以前计算的条件概率分布、第一功率量的以前计算的累积的误差分布的补数的以前计算的乘积、和第一功率量的新的概率分布。第一功率量的累积的误差分布的补数的乘积也是根据第一功率量的累积的误差分布的补数的以前计算的乘积和作为第一功率量的新的累积的概率分布的补数的因子被递归计算的。递归计算换句话说是两个量的耦合的递归计算，即，噪声基底度量本身的条件概率分布和第一功率量的累积的误差分布的补数的乘积。这些是从一个更新到下一个更新必须被存储的主要实体。所述主要实体在与由滑动窗算法所使用的相同的功率网格上被离散化(见附录B)，然而，滑动窗的时间尺度被去除。与基于滑动窗技术的软噪声基底算法相比较，可以实现存储器要求减小100倍。这使得能够在许可控制算法中，甚至在RNC中使用所公开的用于负荷估计的算法。

递归计算可以图形地示于图6的流程图。800表示第一功率量的当前的计算的误差分布。在801，计算第一功率量的累积的误差分布。根据累积的误差分布，把第一因子804连同补数的以前计算的乘积805输入到补数的乘积的递归计算802。补数的以前计算的乘积805也与第二因子809组合成第一项808，用于噪声基底度量的条件概率分布的递归计算803。到这个计算803中的第二项807包括第一因子804和噪声基底度量的以前计算的条件概率分布806。

目前提出的递归方法牵涉到近似。然而，正如在图7上看到的，近似的影响是几乎可忽略的。该附图是在滑动窗实施方案700与本文件中公开的递归算法701之间的比较。正如所看到的，一致性是优良的。变化仅仅是约0.05dB均方。所公开的算法的变化的性能是由于最好的跟踪性能的调节。

在它的基本形式中，递归方法具有一些缺点。最明显的一个缺点是决不完全忘记任何以前信息的特性。因而，算法收敛到稳态，并且任何漂移或改变的条件都将有在一会儿以后影响噪声基底估计的问题。因此，优选地包括某种数据忘记机制。

数据忘记的第一个简单的方法是仅仅中断该算法，并且令算法重新从初始值启动。这允许条件改变，但在启动后的第一时段期间降低性能。多多少少更精致的方法是令新的递归在老的递归停止后过一会儿启动。在这样的情形下，新的递归在它实际上被使用之前已很好地接近真正的噪声基底值。缺点是两个并行的递归有一会儿是都工作的，这使得实施方案复杂化。

数据忘记也可以通过递归离散时间滤波技术，例如藉助于标准递归一阶离散时间滤波器，而被引入。最终得到的算法的带宽由递归滤波器的滤波器常数直接控制。对于每个固定的功率网格点，递归公式(11)具有立即适用于数据忘记的引入的形式，把f_min(t_N，x)看作为状态和Γ(t_N，x)作为输入。使用0＜β＜1作为滤波器常数，导致递归：

$f_{\min }(t_{N+1},x)=\mathrm{\β}(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x)$

$+(1-\mathrm{\β})f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))\mathrm{\Γ}(t_N,x).---\left(12\right)$

递归(10)不能被做成线性递归滤波形式，因为它继续保持。然而，通过取对数，得到以下的递归：

$\ln \left(\mathrm{\Γ}(t_{N+1},x)\right)=\ln (1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))+\ln \left(\mathrm{\Γ}(t_N,x)\right).---\left(13\right)$

然后可以通过使用滤波器常数α而把数据忘记引入到(13)。结果是：

$\ln \left(\mathrm{\Γ}(t_{N+1},x)\right)=(1-\mathrm{\α})\ln (1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))+\mathrm{\α}\ln \left(\mathrm{\Γ}(t_N,x)\right)---\left(14\right)$

在取指数后，得到以下的几何滤波递归：

$\mathrm{\Γ}(t_{N+1},x)={(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))}^{1-\mathrm{\α}}\mathrm{\Γ}{(t_N,x)}^{\mathrm{\α}}.---\left(15\right)$

递归式(12)和(15)构成最终的结果。来自这两个耦合的递归式的输出与如在附录B的(B13)中的现有的信息相组合，以及计算从那里进行。

(12)和(15)的发起通过设置下式而达到：

$\mathrm{\Γ}(t_0,x)=1(\⇒\mathrm{\Γ}(t_1,x)=1-F_{\mathrm{\Δx}\left(t_1\right|t_1)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_1\right|t_1)))---\left(16\right)$

$f_{\min }(t_0,x)=0(\⇒f_{\min }(t_1,x)=f_{\mathrm{\Δx}\left(t_1\right|t_1)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_1\right|t_1))),---\left(17\right)$

这是正确的初始行为。

还有其它方法来引入数据忘记。一个可能的方法是使用(11)的概率密度函数的随机传播。这然后将需要概率密度函数的扩散的动态模型假设。所述方法相当复杂，在这里不作详细处理。

引入用于软噪声基底估计的递归算法具有几个优点。一个优点是，该算法只需要约每个小区0.005M字节的存储器，即，与滑动窗方法相比较的约1％。递归算法与滑动窗算法相比较，还减小计算复杂性。它们避免了用参数约束来控制计算复杂性的需要，由此也大大地减小用于管理的参数的数目。它们也允许通过考虑标准工程带宽，使用α和β调节参数进行调节。

递归算法的跟踪特征可被进一步改进。可以引入某些阈值参数的特定处理，以便在非常宽的动态范围上得到良好的跟踪特征。

为了说明第一个添加，应当指出，在迭代期间，最小功率的概率密度函数的数值在小区中测量的宽带功率以上很多的网格点处变为非常小。它甚至可以是零到计算机算术的分辨率内。只要热噪声基底不改变，这是可接受的。然而，在热噪声功率基底突然增加的情形下，在噪声基底改变后降低到低于测量的宽带功率的概率密度函数的非常小的数值在它们变为接近于1之前将需要非常长的时间来增长。结果，在噪声基底增加的情形下，跟踪能力将是很差的。实际的改变由此在被完全注意到之前会花费非常长的时间。

为了抵销这个不想要的性能，引入最小功率的概率密度函数的最小许可值。更小的数值的任何计算将被交换到最小值。典型地，发现约0.000001的数值是适当的。

已研究了提出的算法的跟踪性能。正如在图8上可以看到的，该算法成功地跟踪热噪声功率基底超过50dB。功率改变在1000s时引入。

噪声基底的概率密度函数被示出于图9。如果在计算中得到较小的数值，概率密度函数的所有的数值被改变到0.000001。所示出的情形图示其中概率密度函数在约-75dBm处600增加，而它在约-110dBm处601减小。虽然概率密度函数在约-110dBm处601是更大的，但在约-75dBm处600的概率密度函数超过概率分布的条件均值，其等于最佳估值。这是因为-75dBm，600，是大得多的功率，以及由于约-110dBm的峰值，601是较窄的。应当指出，在约-110dBm处601的峰值是来自开始时段的剩余物，它最终将消失。

然而，以上的改变的结果是，当热噪声功率基底的估值被估计时，引入不想要的偏移。所述偏移的起源是通常在大多数网格点中引入的最小功率的概率密度函数的人工的高数值。这些高的数值导致在条件均值中高功率网格点的支配，使自己表现为太高的估计的噪声功率基底的事实。

幸运地，这个后一个问题可以仅仅通过从条件均值的所有计算中去除处在最小值电平的功率网格点而被留意。换句话说，为了估计热噪声功率基底，降低到低于最小值的网格点代之以被设置为等于零。应当指出，当通过使用商分布来计算软噪声上升估值时，这也应当被应用。

算术加法使能跟踪大于50dB的输入功率。这又使得有可能有效地处理在WCDMA网络中经常发生的错误地配置的RBS。这样的错误地配置的RBS可以看见在-120dBm与-70dBm之间的人工噪声基底。而且，可以避免对于安全净值的需要，该安全净值是对于各种滑动窗算法所需要的。这些安全净值引入用于进一步控制估计的热噪声基底的逻辑。

应当强调指出，在RNC的许可控制功能中有对于有效的负荷估计的强烈的操作需要。由于在RBS中的配置错误和前端缩放因子错误，目前在当场系统中对于许可控制算法调节需要大量人工的工作。

重要的优点是在本发明公开内容中公开的算法适用于ASIC实施方案。这是由于算法作为递归滤波器工作，不需要动态存储器分配。这个事实使得所提出的算法适用于在以后的RBS释放中替换现在打算的基于滑动窗的RBS的算法，如果这应当被认为是花费经济的话。

在以上的说明中，假设功率估计涉及上行链路通信。功率测量在这样的情形下是由无线电接入网中的节点，典型地由无线电基站或无线电网络控制器执行。图10示出按照本发明的系统的实施例的主要部分，其中负荷估计在RNC中执行。无线通信系统170包括通用移动电信系统陆地无线电接入网(UTRAN)171。移动终端25与UTRAN171中的RBS20进行无线电联系。RBS 20由无线电网络控制器(RNC)172控制，它又被连接到核心网CN 173的移动服务交换中心/访问者位置寄存器(MSC/VLR)174和服务通用分组无线电系统支持节点(SGSN)175。

在本实施例中，RBS 20包括功率感测装置51，典型地，天线与前端电子电路，用于测量瞬时接收的总宽带功率。连接53，所谓的Iub接口，被使用于在RBS 20与RNC 172之间的通信。按照标准，Iub接口允许传送接收的总宽带功率的测量的样本。连接53因此是用于RNC 172得到代表接收的总宽带功率的测量的样本的数据的装置。噪声上升估计装置50是在RNC172中可得到的，被安排用于通过连接53接收所接收的总宽带功率的测量的样本。

图11示出按照本发明的方法的实施例的主要步骤的流程图。该程序在步骤200开始。在步骤202，测量至少接收的总宽带功率的多个样本。在步骤210，从至少接收的总宽带功率的测量的样本估计对于第一功率量的概率分布。第一功率量可以是接收的总宽带功率。在步骤214，根据至少对于第一功率量的概率分布计算噪声基底度量的条件概率分布。这个步骤被递归地执行。最后，在步骤218，至少根据对于噪声基底度量的条件概率分布计算噪声上升度量的数值。该程序在步骤299结束。

以上描述的实施例应当被理解为本发明的几个说明性例子。本领域技术人员将会理解，对于这些实施例可以作出修改、组合和改变，而不背离本发明的范围。具体地，在不同的实施例中的不同部件解决方案，在技术上可能的场合下，可被组合成其它配置。然而，本发明的范围由所附权利要求限定。

附录A：

用于RTWP测量的Kalman滤波器

对于其中测量总RTWP的情形提出的算法是预测-更新滤波器，

其中下标区分预测步骤和更新步骤。

$K_{\mathrm{Update}}\left(t\right)=\frac{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })}{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })+r_{\mathrm{Measurement}}}---\left(A1\right)$

$P_{\mathrm{Update}}^{\mathrm{Total}}\left(t\right)=P_{\mathrm{Prediction}}^{\mathrm{Total}}(t-T_{\min })+K_{\mathrm{Update}}\left(t\right)\×(P_{\mathrm{Measurement}}^{\mathrm{Total}}\left(t\right)-P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(t\right))---\left(A2\right)$

$P_{\mathrm{Update}}^{\mathrm{Cov}}\left(t\right)=P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })-\frac{P_{\mathrm{Prediction}}^{{\mathrm{Cov}}^2}(t-T_{\min })}{P_{\mathrm{Prediction}}^{\mathrm{Cov}}(t-T_{\min })+r_{\mathrm{Measurement}}}---\left(A3\right)$

$P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(t\right)=P_{\mathrm{Update}}^{\mathrm{Total}}\left(t\right)---\left(A4\right)$

$P_{\mathrm{Prediction}}^{\mathrm{Cov}}\left(t\right)=P_{\mathrm{Update}}^{\mathrm{Cov}}\left(t\right)+\frac{T_{\min }}{T_{\mathrm{Correlation}}}r---\left(A5\right)$

(A1)-(A5)通过把t增加T_min的步长而重复进行。

在t＝0通过下式进行初始化：

$P_{\mathrm{Prediction}}^{\mathrm{Total}}\left(0\right)=P_0^{\mathrm{Total}}---\left(A6\right)$

$P_{\mathrm{Prediction}}^{\mathrm{Cov}}\left(0\right)=P_0.---\left(A7\right)$

正如以上看到的，更新增益K_Update(t)是从模型参数r_Measurement和从在以前的采样实例中得到的预测的协方差

进行计算的。然后，通过使用预测

和新的测量

计算用最新的测量更新的总宽带功率

下一个步骤是从预测的协方差和r_Measurement计算更新的协方差

在最后的迭代步骤中，计算

和

的新数值，并且给时间加上步长。T_min表示采样周期。

        附录B

的条件概率分布的估计

应当指出：估计最小功率是非常自然的。然而，使用最小值的选择实际上是特定的(ad-hoc)。在通常的情形下，量的极端值以某种方式依赖于估计的P^Total量，有可能用作为用于另外的计算的基础。然而，作为最简单的实施例，这里考虑量

应当指出，在即将讨论中的P^Total指接收的总宽带功率。

表示法、条件概率和Baye法则

下面广泛地使用用于概率分布的Bayes法则和条件均值的定义。以下的定义和结果可以例如在T.

“Discrete Time StochasticSystems”，London，UK：Springer，2002，12-14页或任何其它关于估计的教科书中找到。

概率分布：考虑两个事件A和B，分别具有概率分布f_A(x)和f_B(y)。然后，A和B的联合概率分布被表示为f_A，B(x，y)。

应当指出，事件和调节由下标表示，而独立的变量出现在括号内。这个表示法仅仅在使用概率分布和累积的概率分布时被使用。当提到例如Kalman滤波器的状态估值和协方差时，在括号内也出现调节。

条件概率分布：条件概率分布f_A|B(x)和f_B|A(y)由下式定义：

f_A，B(x，y)＝f_A|B(x)f_B(y)＝f_B|A(y)f_A(x).(B1)

应当指出，作为用于概率分布的表示法的结果，调节也被表示为下标。

以上公式的解决方案现在导致著名的Bayes法则：

$f_{A|B}\left(x\right)=\frac{f_{B|A}\left(y\right)f_A\left(x\right)}{f_B\left(y\right)}.---\left(B2\right)$

应当指出，可以通过使用交叉的圆图而最好地理解以上的法则。得到概率分布的结果的形式证明例如可以使用用于概率情形的动机的无穷小的限制版本。

最小值的条件概率--模型和通用表达式

在本节中，推导最小值估计器的某些通用特征，为此，引入以下的表示法。Kalman滤波器或P^Total(t′)的Kalman平滑器的估值由下式表示：

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

$={\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|{\left\{y\left(s\right)\right\}}_{s\∈[t-T_{\mathrm{Lag}},t]},{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}(t-T_{\mathrm{Lag}}|Y^{t-T_{\mathrm{Lag}}})).---\left(B3\right)$

这里，t′表示在

内的某个时间。条件分布，在中等条件下，都是高斯足够统计，即，为了描述条件概率分布仅仅需要二阶特性。这被反映在[A3]的最后表达式中的调节上。随后条件分布为：

$f_{{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right)|Y^t}\left(x\right)\∈N({\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t),{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2),---\left(B4\right)$

其中Kalman表示估值是通过Kalman滤波器，或如果t′＜t，通过Kalman平滑器计算的。量和

分别表示功率估值和对应的协方差，即，到估计器的输入。应当指出，[B4]假设在时间t-T_Lag的对应估值被用作为Kalman滤波器的初始值。

然后，可以进一步开发功率估值的最小值的条件分布。为此，对于在代表真正的功率的

和代表估值的

之间的关系，假设以下的模型：

$x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)={\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)+{\mathrm{\Δx}}_{P^{\mathrm{Total}}}\left(t^{\′}\right|t)---\left(B5\right)$

$x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\∈N({\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t),{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2).---\left(B6\right)$

这是与以上对于足够统计的讨论一致的。对于

的分布的表示法因此被简化为：

f_Δx(x).(B7)

应当指出，这个分布不必被假设为高斯型(虽然这是最多地作出的假设)。

然后，通过使用从时间间隔[-∞，t]得到的数据y(t)估计

的最小值的条件概率分布。

图4给出示出总接收的宽带功率P^Total(t)的时间变化102的图。在某些时间间隔期间，总接收的宽带功率呈现高的数值。然而，在某些机会下，总接收的宽带功率变为小，表明对于测量功率的许多通常的贡献不存在。

正如下面将会看到的，理论上需要平滑器估值作为到用于在时间间隔上工作的最小功率的条件概率估值算法的输入。为了在开发中形式上保持最佳性，平滑器估值还应当通过使用在

内的所有数据进行计算。然而，在实际的实施方案中，这些平滑器估值典型地只通过使用在所选择的平滑时间点附近对数据的短暂快照进行计算。来自

的几个这样的平滑估值然后被组合，用来估计条件概率分布。在即将讨论中，尽管时间间隔

被保持在所有的量中，以使得开发不太复杂化。通过用Kalman滤波器估值替换平滑器估值，可以达到进一步的简化。模拟表明，这可以以非常小的性能损失来完成。

最小值的条件分布现在可以写为如下[参阅(B5)]：

$f_{\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag},t}]}|Y^t,{\min x}_{P^{\mathrm{Total}}}^0(t-T_{\mathrm{Lag}})}\left(x\right),---\left(B8\right)$

其中[B8]的最后量表示最小值的初始信息。在以下，Bayes法则和对于概率分布的条件均值的定义被广泛地使用。

然后，通过使用以下定义，把Bayes法则和条件概率的定义应用到(B8)：

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

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

C：＝Y^t

通过使用Bayes法则、条件概率分布的定义和结果f_B，C|A(x，y)＝f_{(B|A)，(C|A)}(x，y)，保持以下的等式链(后者的结果很容易通过三圆图的制图被检验)：

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

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

$=\frac{f_{B|A,C}\left(x\right)f_{A|C}\left(x\right)f_C\left(y\right)}{f_{B,C}(x,y)}.---\left(B9\right)$

最后的步骤再次很容易通过制图三圆图被验证。现在，按照以上的定义，(B9)的分子中的第一因子是先验的，因此调节消失。分子的第二因子将在下面进一步说明，而分子的最后因子和分母可以作为归一化常数的部分被对待。A，B和C的定义的回替换然后证明以下关系：

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

$=\frac{1}{c}{f}_{\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag},t}]}|Y^t}\left(x\right)f_{\min x_{P^{\mathrm{Total}}}^0(t-T_{\mathrm{Lag}})}\left(x\right).---\left(B10\right)$

需要记住的(B10)的一个结果是，平滑问题是即将到来的。以上对待的基于Kalman滤波的预处理步骤因此形式上需要包括Kalman平滑器步骤。实际上，然而Kalman滤波器通常是足够的。

最小功率的条件均值的最后扩展

这一子节的出发点是公式(B10)，它阐述条件pdf(概率分布函数)作为先前值(初始值)和依赖于测量的因子的乘积被给出。先前值由用户提供，并且它应当反映先前的关于P_N的不确定性。应当指出，无论何时滑动窗被移动和新的估值被计算时，再次应用同一个先前值。先前值因此在估计器的基本设置中不被更新。

为了阐述完全的条件pdf，需要(B10)的第一因子的某些进一步处理。(B7)的误差分布f_ΔP(x)以及定义(B5)和(B6)，为此将是中心的。而且，在以下的计算中，F()表示累积的分布，即，f的积分。Pr(.)表示事件的概率。

以下的等式现在对于(B10)的第一因子是成立的：

$F_{\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}|Y^t}\left(x\right)=\mathrm{Pr}(\min {\left\{x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)\right\}}_{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}\≤x|Y^t)$

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

$=1-\mathrm{Pr}(\∀t^{\′},{\mathrm{\Δx}}_{P^{\mathrm{Total}}}\left(t^{\′}\right|t)>x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))$

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

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

$=1-\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))).---\left(B11\right)$

(B11)的第四等式从Kalman平滑器提供足够的统计量的假设，即，从(B5)和(B6)得出。最后的等式从(B7)得出。显然，最自然的假设是使用对于F_ΔP(s)的高斯分布。然而，(B11)实际上也允许其它分布。

在分布函数的第一因子的推导中的最后步骤是微分(B11)，得到：

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

$=\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))\underset{q\≠t^{\′}}{\underset{q\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|q)))---\left(B12\right)$

与(B10)相组合，给出最终结果：

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

$=\frac{1}{c}\left(\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Σ}}{f}_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))\underset{q\≠t^{\′}}{\underset{q\∈[t-T_{\mathrm{Lag}},t]}{\mathrm{\Π}}}(1-F_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|q)))\right)f_{\min x_{P^{\mathrm{Total}}}^0(t-T_{\mathrm{Lag}})}\left(x\right)---\left(B13\right)$

这个结果构成结合图5涉及到的输出79。表达式看起来可能很复杂。幸运地，它可以直截了当地估计，因为它是一维高斯函数和累积的高斯分布，被给出为：

$f_{\mathrm{\Δx}\left(t^{\′}\right|t)}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}{e}^{-\frac{{(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}^2}{2{\left({\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)\right)}^2}}---\left(B14\right)$

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

$=\frac{1}{2}\mathrm{erfc}(-\frac{(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t))}{\sqrt{2}{\mathrm{\σ}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)}).---\left(B15\right)$

量

和容易地作为来自Kalman平滑器或较简单的Kalman滤波器的输出而可得到的。

如果要提供噪声基底值作为输出，则对于输出的分布执行均值计算。

Claims (16)

1.在无线通信系统中用于噪声上升估计的方法，包括以下步骤：

测量至少接收的总宽带功率的样本；

从至少接收的总宽带功率的至少所述测量的样本，估计第一功率量的概率分布，其中所述第一功率量是接收的总宽带功率；

根据至少所述第一功率量的所述概率分布计算噪声基底度量的条件概率分布；

所述计算的步骤递归地被执行；以及

根据所述噪声基底度量的所述条件概率分布计算噪声上升度量的数值，

其中所述递归计算所述噪声基底度量的所述条件概率分布的步骤按照下式执行：

$f_{\min }(t_{N+1},x)=f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1}))\mathrm{\Γ}(t_N,x)$

$+(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x),$

$\mathrm{\Γ}(t_{N+1},x)=(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}\left({x-\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})\right))\mathrm{\Γ}(t_N,x),$

其中t_N是至少接收的总宽带功率的样本N的测量时间，x表示离散化的功率，f_min(t_N，x)是在时间t_N上所述第一功率量的最小值的概率密度函数，Γ(t_N，x)是所述第一功率量的累积误差分布的补数的乘积，

是通过卡尔曼滤波器计算的在时间t_N+1上所述第一功率量的估值，

是在时间t_N+1上所述第一功率量的误差分布，以及

是在时间t_N+1上所述第一功率量的累积误差分布。

2.按照权利要求1的方法，包括引入数据忘记机制的另外步骤。

3.按照权利要求2的方法，其中所述引入数据忘记机制的步骤包括间歇地重新启动所述噪声上升估计。

4.按照权利要求2的方法，其中所述引入数据忘记机制的步骤包括随机传播所述噪声基底度量的条件概率密度函数。

5.按照权利要求2的方法，其中所述数据忘记机制在递归计算步骤中用滤波器常数来实施。

6.按照权利要求5的方法，其中所述数据忘记机制被实施为：

$\mathrm{\Γ}(t_{N+1},x)={(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))}^{1-\mathrm{\α}}\mathrm{\Γ}{(t_N,x)}^{\mathrm{\α}},$

$f_{\min }(t_{N+1},x)=\mathrm{\β}(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x)$

$+(1-\mathrm{\β})f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}\left({x-\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})\right)\mathrm{\Γ}(t_N,x),$

其中α和β滤波器常数。

7.按照权利要求1到6的任一项的方法，还包括引入所述噪声基底度量的所述条件概率分布的最小值的另外步骤。

8.按照权利要求7的方法，其中所述最小值是0.000001的数量级。

9.按照权利要求7的方法，其中具有所述最小值的所述噪声基底度量的所述条件概率分布的功率网格点从所述根据噪声基底度量的所述条件概率分布计算噪声上升度量的数值的步骤中被去除。

10.按照权利要求1到6的任一项的方法，其中所述计算噪声上升度量的数值的步骤是基于噪声基底的估值，它又基于所述噪声基底度量的所述条件概率分布。

11.按照权利要求1到6的任一项的方法，其中所述计算噪声上升度量的数值的步骤是基于所述噪声上升度量的条件概率分布，它又基于所述噪声基底度量的所述条件概率分布。

12.无线通信系统的节点，包括：

用于得到至少接收的总宽带功率的测量的样本的装置；

用于从至少总宽带功率的至少所述测量的接收样本估计第一功率量的概率分布的装置，被连接到用于得到至少接收的总宽带功率的测量的样本的所述装置，其中所述第一功率量是接收的总宽带功率；

用于根据所述第一功率量的至少所述概率分布计算噪声基底度量的条件概率分布的装置，被连接到所述用于估计第一功率量的概率分布的装置；

所述用于计算噪声基底度量的条件概率分布的装置被安排来递归地执行所述计算；以及

用于根据所述噪声基底度量的所述条件概率分布计算所述噪声上升度量的数值的装置，被连接到所述用于计算噪声基底度量的条件概率分布的装置，

其中所述用于计算噪声基底度量的条件概率分布的装置被安排来按照下式递归地执行所述计算：

$f_{\min }(t_{N+1},x)=f_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}\left({x-\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})\right)\mathrm{\Γ}(t_N,x)$

$+(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}(x-{\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})))f_{\min }(t_N,x),$

$\mathrm{\Γ}(t_{N+1},x)=(1-F_{\mathrm{\Δx}\left(t_{N+1}\right|t_{N+1})}\left({x-\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t_{N+1}\right|t_{N+1})\right))\mathrm{\Γ}(t_N,x),$

其中t_N是至少接收的总宽带功率的样本N的测量时间，x表示离散化的功率，f_min(t_N，x)是在时间t_N上所述第一功率量的最小值的概率密度函数，Γ(t_N，x)是所述第一功率量的累积误差分布的补数的乘积，

是通过卡尔曼滤波器计算的在时间t_N+1上所述第一功率量的估值，

是在时间t_N+1上所述第一功率量的误差分布，以及是在时间t_N+1上所述第一功率量的累积误差分布。

13.按照权利要求12的节点，其中所述用于得到接收的总宽带功率的测量的样本的装置包括用于通过通信接口接收代表至少接收的总宽带功率的测量的样本的数据的装置。

14.按照权利要求12或13的节点，其中所述节点是无线电网络控制器。

15.按照权利要求12或13的节点，其中所述节点是WCDMA系统的节点。

16.无线通信系统，包括：

至少一个按照权利要求12到15的任一项的节点。

Images