CN101521556B - 一种低复杂度的均衡方法 - Google Patents

Abstract

本发明公开了一种低复杂度的信道均衡方法，在该方法中，接收信号通过预滤波器进行信道缩短和能量集中之后，采用两类低复杂度均衡方法进行信道均衡，其中：利用所述两类低复杂度均衡方法之第一类均衡方法抵消ISI的尾部干扰；利用所述两类低复杂度均衡方法之第二类均衡方法得到幸存状态的累积状态度量，同时保留剩余的舍弃状态的累积状态度量，然后利用所述幸存状态的累积状态度量和舍弃状态的累积状态度量产生对应输入符号的比特软信息。

Description

一种低复杂度的均衡方法

技术领域

本发明涉及一种通信系统中的信道均衡方法。 

背景技术

非理想信道的频率响应会引起幅度和延时失真，而时间弥散则会引入符号间干扰(ISI)。 

许多有线信道存在严重的符号间干扰，比如电话信道，其符号间干扰往往延伸到20-30个符号。 

无线信道，比如短波电离层信道、对流层散射信道和移动信道，也是时间弥散信道。无线信道中的符号间干扰主要是由于不同延时的多个传播路径造成，这些路径的数量及相对延时随时间变化，称这类信道为时变多径信道。 

对于信道失真引起的符号间干扰，若不加补偿，会产生高的差错率。在接收机中采用一种方法补偿或减小接收信号中的ISI，这类ISI补偿器称为均衡器。即采用均衡技术抑止ISI。 

在对存在ISI的信道的处理中，比较方便的做法是研究连续时间系统的等效离散时间模型。因为发送机以时间T周期性发送离散符号，接收机中滤波器的抽样输出也是离散时间信号，且具有速率为每秒1/T的样值，因此发送滤波器、信道、接收滤波器及抽样器的级联结构可以用图1所示的L+1阶等效离散时间横向滤波器来表示。其输入是信息符号序列{x_k}，抽头系数为{h_k}，输出{y_k}表示为 

$y_k=\underset{i=0}{\overset{L}{\mathrm{\Σ}}}{h}_i{x}_{k-i}+n_k---\left(1\right)$

即{y_k}为输入序列{x_k}和等效信道{h_k}的卷积，n_k表示高斯白噪声。 

信道的冲激往往是先验未知的，接收端需要进行信道估计，若信道变化很快，需要动态调整滤波器系数，进行自适应均衡。 

大约有以下几类均衡方法。一种是基于最大似然序列检测准则(MLSE)，从错误概率的观点来看，这是最优的，当然，也是最复杂的。另外一种是线性均衡(LE)，通过最优化线性滤波器的抽头系数来抵消ISI，这种方法比较简单，但会引起噪声的放大。还有一种是判决反馈均衡(DFE)，利用已检测的符号来抑止当前被检测符号中的ISI，这种方法的错误传播现象比较严重。 

最大似然序列估计(MLSE)算法很容易由(1)式描述。在ISI覆盖L+1个符号(L个干扰)的情况下，MLSE准则等价为离散时间有限状态机的状态估计问题，这时的有限状态机即是系数为{h_k}的等效离散时间信道。在任何时刻，它的状态由L个最近的输入确定，即在k时刻状态为S_k＝(x_k-1，x_k-2，…，x_k-L)，k≤0时x_k＝0。因此，如果信息符号是M元的，则信道滤波器有M^L个状态。从而信道可由M^L个状态、每个状态M个分支的网格图描述，维特比算法可用来计算通过该网格的最大似然路径。 

每一时刻，MLSE有M^L个状态，其复杂度随M呈指数增长。对于一些采用非二元调制的系统，比如EDGE，其采用8PSK调制，M＝8，HT信道的长度L＝7，这时MLSE每时刻需要计算的路径度量数为8⁷＝2097152，显然不可实现。因此，需要采用一些低复杂度的MLSE算法。 

一类方法是直接缩短ISI的有效长度，将其从L减少到L₀，对前L₀长度的ISI进行MLSE，而对尾部的L-L₀长度的ISI直接采用判决反馈来合成。这样，复杂度就由M^L降低到了 

这种方法称为延迟判决反馈均衡(DDFSE)。显然，若L₀＝0，则DDFSE就是MLSE。 

另外一类方法是减少每次搜索的网格图状态数，仅处理一部分状态而不是全状态搜索。这一类方法包括简状态序列均衡(RSSE)、M算法、T算法等。 

相关的现有技术有： 

最大似然序列估计(Maximum likelihood sequence estimation，简称MLSE)：Forney，G.D.Jr.，Maximum likelihood sequence estimation of digital sequences in the presence of intersymbol interference，IEEE Trans.Inf.Theory，VOL.IT-17，May 1972. 

延迟判决反馈均衡(Delayed decision-feedback sequence estimation，简称DDFSE)：Duel-Hallen，A.and Heegard，C.，Delayed decision-feedback sequence estimation，IEEE Trans.Commun.，VOL.37，May 1989. 

简状态序列均衡(Reduced-state sequence estimation，简称RSSE)：Eyuboglu，A.and Qureshi，S.U.H.，Reduced-state sequence estimation withset partitioning and decision feedback，IEEE Trans.Commun.，VOL.46，NO.1，Jan.1988. 

M算法、T算法：J.B.Anderson and S.Mohan，Sequential codingalgorithms：A survey and cost analysis，IEEE Trans.Commun.，VOL.COM-32，NO.2，Feb.1984. 

发明内容

本发明的目的是提供一类低复杂度的均衡方法，这类均衡方法可以减少网格图状态数，进而降低均衡复杂度，同时，结合软输入译码后，不损失系统性能或者系统性能损失很小。 

根据本发明的一个方面，所提供的低复杂度的信道均衡方法包括以下步骤： 

接收信号通过预滤波器进行信道缩短和能量集中之后，采用两类低复杂度均衡方法进行信道均衡，其中： 

利用所述两类低复杂度均衡方法之第一类均衡方法抵消ISI的尾部干扰； 

利用所述两类低复杂度均衡方法之第二类均衡方法得到幸存状态的累积状态度量，同时保留剩余的舍弃状态的累积状态度量。 

其中，所述第一类均衡方法是对ISI尾部的L-L₀条径进行处理的判决反馈均衡方法。 

其中，所述第二类均衡方法是仅处理一部分网格图状态的简状态序列均衡算法或M算法或T算法。 

本发明的低复杂度的信道均衡方法还包括利用所述幸存状态的累积状态度量和舍弃状态的累积状态度量产生对应输入符号的比特软信息。 

根据本发明的另一方面，所提供的另一低复杂度的信道均衡方法包括以下步骤： 

A)对于M元调制符号，利用预滤波器对长度为L的信道进行处理，将能量集中到前L₀条径，从而使均衡中的信道网格图状态数为M^L0以及使有限状态机 的记忆长度为L₀； 

B)采用判决反馈均衡处理符号间干扰ISI尾部的L-L₀条径，得到下式， 

$y_k=\underset{i=0}{\overset{L_0}{\mathrm{\Σ}}}{h}_i{x}_{k-i}+\underset{i=L_0+1}{\overset{L}{\mathrm{\Σ}}}{h}_i{\stackrel{\‾}{d}}_{k-i}+n_k---\left(2\right)$

其中，x_k是输入的信息符号序列，h_i是抽头系数，y_k是输出， 

是向后延迟判决的L-L₀个判决值，n_k是白斯噪声； 

C)采用简状态序列均衡算法或M算法或T算法仅处理一部分网格图状态，以降低网格图中搜索的状态数，同时保留通过对上述(2)式中第一个求和项的处理得到的幸存状态的累积状态度量和舍弃状态的累积状态度量，以产生供软输入译码的比特软信息。 

其中所述步骤A)包括以下步骤： 

在k-1时刻，对于M^L0个状态，积累状态度量为D(k-1，i)，其中i＝0，1，L M^L0-1； 

选取上述累积状态度量D(k-1，i)最小的1个，其状态记为S，定义所述S及其之前的路径为到k-1时刻为止的最大似然路径； 

以所述S为起点，进行后向延迟判决，得到L-L₀个判决值 

作为延迟判决值直接抵消ISI的尾部干扰。 

其中，对于k时刻的各个状态，均采用相同的延时判决值 

其中，所述步骤B)包括以下步骤： 

利用k-1时刻的幸存状态及k时刻的分支度量，对(2)式中的第1个求和项进行处理，得到k时刻幸存状态的积累状态度量； 

同时利用近似方法保留剩余的舍弃状态的积累状态度量。 

其中，根据k时刻的幸存状态累积状态度量和舍弃状态的积累状态度量，产生对应输入符号的比特软信息，具体步骤包括： 

对于M＝2^m的m比特的符号，依据积累状态度量，对0≤i≤m-1的第i个比特，通过比较M/2个状态，分别找出其为0和为1时的对应的最大似然状态； 

将这M/2个状态的积累状态度量差确定为比特软信息的绝对值；以及 

通过硬判决结果得到所述绝对值的正负符号。 

附图说明

图1是具有AWGN的符号间干扰信道的等效离散时间模型； 

图2是EDGE系统中的8PSK符号映射； 

图3是RSSE4中的集分割方法。 

具体实施方式

本发明主要针对高阶调制系统，即M元调制符号，M＞2。 

接收信号通过预滤波器进行信道缩短和能量集中之后，进行均衡，均衡采用前面提到的两类低复杂度的均衡方法的结合。 

设信道长度为L，经滤波器处理后能量集中到前L₀条径，即均衡中的网格图状态数为M^L0，有限状态机的记忆长度为L₀。 

设网格图中状态为S_i，i表示编号。对于每个状态S_i，在网格图中有M条输出分支，分支度量表示接收信号与当前分支的欧式距离。 

某时刻k，状态S_i对应的状态度量为D(k，i)，状态度量表示当前时刻网格图中各状态出现的可能性，是一个积累值，由之前似然路径上的各个分支度量积累得到。 

具体方法分为以下几步： 

1.采用判决反馈均衡处理ISI尾部的L-L₀条径。 

在k-1时刻，对于M^L0个状态，得到积累状态度量为D(k-1，i)，i＝0，1，L M^L0-1。选取其中最小的1个，其状态记为S，S及其之前的路径即为到k-1时刻为止的最大似然路径。以S为起点，进行后向延迟判决，得到L-L₀个判决值 

作为延迟判决值直接抵消ISI的尾部干扰。这时，(1)式改写为 

$y_k=\underset{i=0}{\overset{L_0}{\mathrm{\Σ}}}{h}_i{x}_{k-i}+\underset{i=L_0+1}{\overset{L}{\mathrm{\Σ}}}{h}_i{\stackrel{\‾}{d}}_{k-i}+n_k---\left(2\right)$

对于k时刻的各个状态，均采用相同的延时判决值 

即在(2)式中，对于第1个求和项中不同的x的组合，第2个求和项均相同，因此每个时刻第2个求和只需计算一次。 

2.降低网格图中搜索的状态数，保留所有状态度量。 

采用简状态序列均衡算法、M算法或T算法等仅处理一部分网格图状态的 方法，通过k-1时刻的幸存状态及k时刻的分支度量，对(2)式中的第1个求和项进行处理，得到k时刻幸存状态的积累状态度量。与此同时，通过近似方法也保留剩余的舍弃状态的积累状态度量。 

3.产生比特软信息，供软输入译码。 

由步骤1、2对输入信号进行处理，每个时刻得到所有(幸存状态和舍弃状态)的积累状态度量。根据k时刻的积累状态度量，可产生对应输入符号的比特软信息。具体地，设M＝2^m，则1个符号表示m比特。由积累状态度量，对第i个比特，0≤i≤m-1，分别找出其为0和为1时的对应的最大似然状态，显然，分别需要比较M/2个状态，则其比特软信息的绝对值即为这2个状态的积累状态度量差，而软值符号(+、-)则由硬判决结果得到。 

均衡得到的比特软信息经过解交织后，进行软输入译码。 

下面将结合实例详细说明本发明的基本原理、数学描述及具体实施方式。 

以EDGE系统为例，对EGPRS MCS5，为8PSK调制，0.37码率的卷积编码，信道为COST207_TU50。 

预滤波器采用20阶的线性预测滤波器，其输出的ISI长度L＝4，此滤波器可将整个信道转化为最大相位/最小相位，分别对应1个burst中的前半个突发和后半个突发，L₀＝1。以后半个突发的处理进行说明，前半个突发的处理类似。 

由于L₀＝1，所以网格图中每时刻的状态数为8¹＝8，采用RSSE进一步降低待处理的状态数，降到4状态甚至2状态，分别记为RSSE4和RSSE2，以RSSE4为例。 

采用集分割方法，将8个状态分为4个子集，每个子集2个状态，同一子集中的2个状态在星座图上的欧式距离相距最远，如图3。 

由已知的训练序列，可确定网格图的起始状态，从起始状态开始前向进行处理，剩余3条径的ISI由步骤1中的方法进行抵消。 

每时刻每个子集中只保留1个幸存状态，舍弃其余的状态。但是，要保留舍弃状态的状态度量，用于比特软值的产生。 

对于8PSK调制，每个符号包含3比特信息。因此，每个比特的软值的生成需要分别比较4个积累状态度量。比如对于图2中的d_3i，其为“0”时对应的符号分别为(0，1，1)，(0，1，0)，(0，0，0)和(0，0，1)，比较这4个状态对应的积 累度量，找出最小值；d_3i为“1”时对应的符号分别为(1，0，1)，(1，0，0)，(1，1，0)，(1，1，1)，同样的，比较这4个状态找出最小值，而d_3i的软值绝对值则为这2个最小值之差。 

均衡末尾有3个尾比特“0”，这里只需要1个就可以使网格图归零。然后从零状态回溯找出最大似然路径，进行硬判决，再由图2的比特符号之间的映射关系得到比特软值的符号。 

每4个突发的均衡数据经过解交织后送入维特比译码器进行软输入译码，最后硬判决输出。 

Claims (4)

1.一种低复杂度的信道均衡方法，包括以下步骤：

A)对于M元调制符号，利用预滤波器对长度为L的信道进行处理，将能量集中到前L₀条径，从而使均衡中的信道网格图状态数为以及使有限状态机的记忆长度为L₀；

B)采用判决反馈均衡处理符号间干扰ISI尾部的L-L₀条径，得到下式，

$y_k=\underset{i=0}{\overset{L_0}{\mathrm{\Σ}}}{h}_i{x}_{k-i}+\underset{i=L_0+1}{\overset{L}{\mathrm{\Σ}}}{h}_i{\stackrel{\‾}{d}}_{k-i}+n_k---\left(2\right)$

其中，x_k是输入的信息符号序列，h_i是抽头系数，y_k是输出，

是向后延迟判决的L-L₀个判决值，n_k是白斯噪声；

C)采用简状态序列均衡算法或M算法或T算法仅处理一部分网格图状态，以降低网格图中搜索的状态数，同时保留通过对上述(2)式中第一个求和项的处理得到的幸存状态的累积状态度量和舍弃状态的累积状态度量，以产生供软输入译码的比特软信息。

2.根据权利要求1所述的方法，其中所述步骤B)包括以下步骤：

利用k-1时刻的幸存状态及k时刻的分支度量，对(2)式中的第1个求和项进行处理，得到k时刻幸存状态的积累状态度量；

同时利用近似方法保留剩余的舍弃状态的积累状态度量。

3.根据权利要求2所述的方法，其中根据k时刻的幸存状态累积状态度量和舍弃状态的积累状态度量，产生对应输入符号的比特软信息。

4.根据权利要求3所述的方法，其中

对于M＝2^m的m比特的符号，依据积累状态度量，对0≤i≤m-1的第i个比特，通过比较M/2个状态，分别找出其为0和为1时的对应的最大似然状态；

将这M/2个状态的积累状态度量差确定为比特软信息的绝对值；以及

通过硬判决结果得到所述绝对值的正负符号。

Images