CN101594322B - 多天线信道估计方法和装置及相应的基站系统 - Google Patents

Abstract

本发明公开了一种多天线信道估计方法、装置及基站系统。方法包括：A、对通信系统的各天线进行初步的信道估计；B、根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；C、对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果。装置包括：初步信道估计模块、方向性信道估计模块和方向性信道估计结果变换模块，分别用于执行上述方法的各步骤。所述基站系统包括所述装置。利用本发明，可以联合多个天线的信号进行信道估计，从而更好地抑制噪声和干扰，提供更加准确的信道估计性能。

Description

多天线信道估计方法和装置及相应的基站系统

技术领域

本发明涉及移动通信技术，尤其设计移动通信系统中的信道估计方法和装置及相应的基站系统。

背景技术

目前在多数通信系统中，为了提高传输可靠性，需要得到信号传输过程中通过的信道冲击响应，即信道估计。例如，在时分-同步码分多址(TD-SCDMA)系统中，为了实现联合检测、波束赋形和一些测量过程，信道估计过程必不可少。

目前的信道估计方法主要包括盲信道估计方法和发送训练序列进行信道估计的方法。由于采用盲信道估计方法的计算量非常大，而且估计结果往往不够准确，因此，在现有的通信系统中，更多采用发送训练序列(一般为导频序列)的方法进行信道估计，这里的导频序列往往为已知的伪随机序列。收发两端需要约定相同的导频序列，发送端发送的导频序列通过信道之后由接收端接收，接收端根据收到的导频序列和本端记录的已知导频序列(即与发送端发送时的导频序列相同)，通过解卷积或者相关运算即可求得所述导频序列到达接收端所经历的信道冲击响应，完成信道估计。

下面以TD-SCDMA系统为例，对上述信道估计方法进行详细说明。

TD-SCDMA系统主要采用适用于同步码分多址(CDMA)系统的低代价信道估计方法，用简单的快速傅氏变换(FFT)运算完成了最小均方差意义上的信道估计。

在TD-SCDMA系统中，选用了如下用户训练序列(Midamble)码序列的构造方法，即按公式(1)定义的基本Midamble码：

m_data＝(m₁，m₂，...，m_KW，m₁，m₂，...，m_KW-1)^T    (1)

图1为TD-SCDMA系统中多用户Midamble选取的示意图。参见图1，m_data为基本训练序列，各用户k(k＝1，......，K-1，K)发送的Midamble码m^(k)在m_data中移位选取，即所有用户的Midamble码都是同一个长为K×W的Midamble码的循环移位版本，其中W表示每个用户的窗长。这样，可以利用FFT算法来计算天线k_a，k_a＝1...K_a上的信道冲击响应具体计算方法如公式(2)所示：

${\underset{\‾}{\overset{^}{h}}}^{\left(k_a\right)}=\mathrm{IFFT}\left(\frac{\mathrm{FFT}\left({\underset{\‾}{e}}_m^{\left(k_a\right)}\right)}{\mathrm{FFT}\left(m\right)}\right)---\left(2\right)$

其中，

表示第k_a根天线单元上接收到的训练序列，m表示所发送的训练序列。

在这种方式中，对于本小区内所有用户，都采用相同的基本训练序列，只是不同用户使用经过不同移位后的训练序列，因此本小区内各用户之间不存在干扰。但是邻小区用户之间则采用不同的基本训练序列，不同小区所使用的基本训练序列之间虽有一定的正交性，但往往并不完全正交，由于采用同频组网后，不同小区发送的训练序列在时间上是重叠的，因而会互相干扰。

因此，现有信道估计方法存在以下缺陷：

现有信道估计方法中，各个天线完全是独立进行估计的，也没有考虑对噪声和干扰的抑制，特别是对外小区同频干扰的抑制，因而现有信道估计方法在没有同频干扰、且噪声较低的条件下具有较好的性能，但是在具有同频干扰、或噪声比较大的情况下，对抗噪声和干扰的能力比较弱，特别是公式(2)的过程对噪声还有恶化效果，导致信道估计结果恶化严重，最终导致系统性能的严重恶化。

发明内容

有鉴于此，本发明所要解决的技术问题在于提供一种多天线信道估计方法，以联合多个天线的信号进行信道估计，从而更好地抑制噪声和干扰，提供更加准确的信道估计性能。

本发明所要解决的另一技术问题在于提供一种多天线信道估计装置，以联合多个天线的信号进行信道估计，从而更好地抑制噪声和干扰，提供更加准确的信道估计性能。

本发明所要解决的再一技术问题在于提供一种基站系统，可以联合多个天线的信号进行信道估计，从而更好地抑制噪声和干扰，提供更加准确的信道估计性能。

为了实现上述发明目的，本发明的主要技术方案为：

一种多天线信道估计方法，包括：

A、对通信系统的各天线进行信道估计，获得初步的信道估计结果；

B、根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

C、对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果。

优选的，步骤B具体包括：

B1、根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量；

B2、根据所述小区用户的各来波方向赋形合并矢量构造针对小区用户的赋形合并矩阵；

B3、根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵；

B4、根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计。

优选的，步骤B1中，确定小区用户的各来波方向赋形合并矢量的具体过程包括：

B11、根据小区用户各天线的初步信道估计结果确定该小区用户的空间协方差矩阵；

B12、确定所述空间协方差矩阵的特征值及其对应的特征向量；

B13、选择大于预设门限值的特征值，将所选特征值对应的特征向量作为该小区用户的各来波方向赋形合并矢量。

优选的，步骤B1中，确定小区用户的各来波方向赋形合并矢量的具体过程包括：

B11’、根据小区用户各天线的初步信道估计结果确定该小区用户的空间协方差矩阵；

B12’、根据所述空间协方差矩阵估计该小区用户的有效来波方向；

B13’、确定各个有效来波方向对应的阵列响应矢量，将所述阵列响应矢量作为该小区用户的各来波方向赋形合并矢量。

优选的，步骤B3具体包括：

构造小区用户所发训练序列的L×W维Toeplitz矩阵，所述L为接收信号抽样点个数，W表示用户的窗长；

根据公式 $G_d^u=[A_{(1,u)}\⊗G_{\left(1\right)}^u,A_{(2,u)}\⊗G_{\left(2\right)}^u,...,A_{(k_u,u)}\⊗G_{\left(k_u\right)}^u],$ u＝1...U构造所述方向性用户矩阵，其中，G_d ^u为第u个小区的方向性用户矩阵，

为步骤B2所确定的第u个小区的第K_u个用户的赋形合并矩阵；

为第u个小区的第K_u个用户所发训练序列的L×W维Toeplitz矩阵。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计所述多天线上接收噪声的空时协方差矩阵R_m；

根据公式 ${\tilde{h}}_d={\left(G_d^{*T}{R}_m^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_m^{-1}{e}_m$ 确定所述小区用户的方向性信道估计，其中为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空间协方差矩阵R_d；

根据公式 ${\tilde{h}}_d={\left(G_d^{*T}{R}_d^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_d^{-1}{e}_m$ 确定所述小区用户的方向性信道估计。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；

根据公式 ${\tilde{h}}_d={\left(G_d^{*T}{G}_d\right)}^{-1}{G}_d^{*T}{e}_m$ 确定所述小区用户的方向性信道估计。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空时协方差矩阵R_m；

根据公式 ${\tilde{h}}_d=G_d^{*T}{R}_m^{-1}{e}_m$ 确定所述小区用户的方向性信道估计。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空间协方差矩阵R_d；

根据公式 ${\tilde{h}}_d=G_d^{*T}{R}_d^{-1}{e}_m$ 确定所述小区用户的方向性信道估计。

优选的，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；

根据公式 ${\tilde{h}}_d=G_d^{*T}{e}_m$ 确定所述小区用户的方向性信道估计。

优选的，步骤C具体包括：利用所述赋形合并矩阵的共轭转置对所述小区用户的方向性信道估计进行变换分解得到小区用户各天线的信道估计结果。

优选的，在步骤B2所述构造赋形合并矩阵以及步骤B3所述构造方向性用户矩阵的过程中，只对当前各小区活动用户进行构造。

优选的，所述当前各小区活动用户包括本小区活动用户和邻小区活动用户，其中邻小区活动用户的信息从基站控制器获得或者从邻小区的基站获得。

优选的，步骤B1中只确定小区用户的一个主径来波方向的赋形合并矢量，所述赋形合并矩阵退化为该赋形合并矢量。

优选的，所述步骤A中进一步包括：对所述初步信道估计结果进行降噪处理；在后续步骤中，根据该降噪处理后的初步信道估计结果确定所述赋形合并矢量。

优选的，所述通信系统包括一个或一个以上小区，且所述小区用户为本小区用户，或者为本小区用户和外小区用户。

优选的，步骤C后进一步包括：对步骤C处理后的各小区用户各天线的信道估计结果进行排列，得到各小区各天线的信道估计结果。

优选的，所述步骤C后进一步包括：对步骤C得到的信道估计结果进行降噪处理。

一种多天线信道估计装置，该装置包括：

初步信道估计模块，用于对通信系统的各天线进行信道估计，获得初步的信道估计结果；

方向性信道估计模块，用于根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

方向性信道估计结果变换模块，用于对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果。

优选的，所述方向性信道估计模块具体包括：

赋形合并矢量确定模块，用于根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量；

合并矩阵构造模块，用于根据所述小区用户的各来波方向赋形合并矢量构造针对该小区用户的赋形合并矩阵；

用户矩阵构造模块，用于根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵；

信道估计确定模块，用于根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计。

优选的，该装置在初步信道估计模块和方向性信道估计模块之间进一步包括第一降噪处理模块，用于对所述初步信道估计结果进行降噪处理，输出降噪处理后的初步信道估计结果给方向性信道估计模块用于确定所述赋形合并矢量。

优选的，该信道估计装置进一步包括排列模块，用于对所述方向性信道估计结果变换模块处理后的各小区各用户各天线的信道估计结果进行排列，得到各小区各天线的信道估计结果。

优选的，该信道估计装置进一步包括第二降噪处理模块，用于对所述方向性信道估计结果变换模块处理后的信道估计结果进行降噪处理。

一种基站系统，具有多天线信道估计装置，该多天线信道估计装置包括：

初步信道估计模块，用于对通信系统的各天线进行信道估计，获得初步的信道估计结果；

方向性信道估计模块，用于根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

方向性信道估计结果变换模块，用于对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果。

相对于现有技术，本发明具有以下有益效果：

本发明可以适用于安装有智能天线的通信系统，先对信道进行初步的信道估计，通过初步的信道估计结果求得各小区各个用户的来波方向(DOA)估计结果，然后通过各用户DOA估计结果和各天线接收信号，联合多天线求得各小区各用户的方向性信道估计结果，再进行变换分解得到各个天线的最终信道估计。本发明中，由于通过将多天线的接收信号统一联立方程进行计算，增加了信道估计求解过程中的有用信息量，从而更好地抑制噪声和干扰，增强了信道估计准确性。

本发明在进行信道估计时，既可以利用本小区用户的信号进行信道估计，也可以利用本小区和外小区用户的信号进行信道估计，因此本发明既可以适用于单小区环境，又可以适用于多小区环境。在单小区环境下，能有效抑制信道估计中的噪声和干扰。对于同频多小区环境，除了进行本小区的信道估计，还进行外小区各用户的信道估计，不但能有效抑制信道估计中的噪声和干扰，还能提供较为准确的多小区信道估计结果，因而能够明显改善系统性能，提升系统容量和吞吐量。

此外，本发明实现也并不复杂，成本低，具有很高的实现价值。

附图说明

图1为TD-SCDMA系统中多用户Midamble选取的示意图；

图2为本发明所述信道估计方法的第一实施例的主要流程图；

图3为本发明所述信道估计装置的一种实施例的组成示意图；

图4为不同信道估计方法得到的信道估计性能对比示意图；

图5为采用了各种算法信道估计的联合检测结果未编码的误比特率曲线对比的示意图。

具体实施方式

下面通过具体实施例和附图对本发明做进一步详细说明。

本发明的基本思想是利用多天线进行联合信道估计，其主要适用于具有阵列天线的通信系统。

图2为本发明所述信道估计方法的第一实施例的主要流程图。参见图2，该流程包括：

步骤201：确定通信系统中各小区各用户各天线的初步信道估计结果。

本步骤主要按照现有的方法进行计算确定，例如可以通过训练序列进行信道估计或者进行盲信道估计等。

假设当前各小区各天线的信道估计结果如公式(3)、(4)、(5)所述：

${\hat{h}}_{\left(u\right)}=\left[\begin{array}{c}{\hat{h}}_{\left(u\right)}^1\\ {\hat{h}}_{\left(u\right)}^2\\ \·\\ \·\\ \·\\ {\hat{h}}_{\left(u\right)}^{K_a}\end{array}\right],u=1...U---\left(3\right)$

${\hat{h}}_{\left(u\right)}^{k_a}=[{\hat{h}}_{(1,u)}^{k_a},{\hat{h}}_{(2,u)}^{k_a},...,{\hat{h}}_{(K_u,u)}^{k_a}],,u=1...U,k_a=1...K_a---\left(4\right)$

${\hat{h}}_{(k_u,u)}^{k_a}=[{\hat{h}}_{(k_u,u)}^{(k_a,1)},{\hat{h}}_{(k_u,u)}^{(k_a,2)},...,{\hat{h}}_{(k_u,u)}^{(k_a,W)}],u=1...U,k_u=1...K_u---\left(5\right)$

其中，u表示总的同频邻小区个数，k_a＝1...K_a表示天线，K_u表示小区u＝1...U的窗总个数，k_u＝1...K_u，u＝1...U对应于各个小区的各个用户，W表示每个用户的窗长，其标识了一定的多径时延。所述

为第u个小区的信道估计结果，

为第u个小区、第k_a个天线的信道估计结果，

为第u个小区、第k_a个天线、第k_u个用户的信道估计结果。

对于第u个小区的第k_u个用户的各个天线的初步信道估计，可以表示为：

${\hat{h}}_{(k_u,u)}=\left[\begin{array}{c}{\hat{h}}_{(k_u,u)}^1\\ {\hat{h}}_{(k_u,u)}^2\\ \·\\ \·\\ \·\\ {\hat{h}}_{(k_u,u)}^{K_a}\end{array}\right],u=1...U,k_u=1...K_u---\left(6\right)$

那么，第u个小区各用户的各天线信道估计结果可用以下公式(7)表示：

${\hat{h}}_{\left(u\right)}=[{\hat{h}}_{(1,u)},{\hat{h}}_{(2,u)},...,{\hat{h}}_{(k_u,u)}],u=1...U,k_u=1...K_u---\left(7\right)$

步骤202：对步骤201的信道估计结果进行降噪处理。

本步骤中，可以采用现有的噪声门限法进行降噪处理，即利用公式(4)中各小区各天线信道估计结果计算信道估计中的噪声功率，并通过噪声设定一定的门限，将信道估计中抽头功率与该门限进行比较，低于该门限的则判断为噪声并且置零。

假设降噪处理后的，各当前各小区各天线的信道估计结果为：

$h_{\left(u\right)}=\left[\begin{array}{c}{h}_{\left(u\right)}^1\\ h_{\left(u\right)}^2\\ \·\\ \·\\ \·\\ h_{\left(u\right)}^{K_a}\end{array}\right],u=1...U---\left(8\right)$

$h_{\left(u\right)}^{k_a}=[h_{(1,u)}^{k_a},h_{(2,u)}^{k_a},...,h_{(K_u,u)}^{k_a}],,u=1...U,k_a=1...K_a---\left(9\right)$

$h_{(k_u,u)}^{k_a}=[h_{(k_u,u)}^{(k_a,1)},h_{(k_u,u)}^{(k_a,2)},...,h_{(k_u,u)}^{(k_a,W)}],u=1...U,k_u=1...K_u---\left(10\right)$

所述h_(u)为经过降噪处理后的第u个小区的信道估计结果，

为经过降噪处理后的第u个小区、第k_a个天线的信道估计结果，为经过降噪处理后的第u个小区、第k_a个天线、第k_u个用户的信道估计结果。

对于降噪处理后的第u个小区、第k_u个用户各天线的信道估计，可以写为：

$h_{(k_u,u)}=\left[\begin{array}{c}{h}_{(k_u,u)}^1\\ h_{(k_u,u)}^2\\ \·\\ \·\\ \·\\ h_{(k_u,u)}^{K_a}\end{array}\right],u=1...U,k_u=1...K_u---\left(11\right)$

那么第u个小区各天线的信道估计结果可用以下公式(12)表示：

$h_{\left(u\right)}=[h_{(1,u)},h_{(2,u)},...,h_{(K_u,u)}],u=1...U,k_u=1...K_u---\left(12\right)$

出于计算复杂度考虑，本步骤202也可以跳过，即直接采用步骤201得到的初步信道估计结果输入到步骤203中进行赋形合并矢量计算。

步骤203：利用各小区信道估计结果确定对应于各个小区各个用户各个来波方向的赋形合并矢量

$w_{(k_u,u)}^{\left(k_d^u\right)}=[w_{k_u}^1,w_{k_u}^2,...,w_{k_u}^{k_a}],u=1...U,k_u=1...K_u,k_d^u=1...k_d^u---\left(13\right)$

并依据所述

构造各小区用户的赋形合并矩阵

$A_{(k_u,u)}=[w_{(k_u,u)}^{\left(1\right)T},w_{(k_u,u)}^{\left(2\right)T},...,w_{(k_u,u)}^{{\left(K_d^{k_u}\right)}^T}{]}^T,u=1...U,k_u=1...K_u---\left(14\right)$

这里 $k_d^u=1...K_d^{k_u}$ 表示第u个小区的第k_u个用户的第k_d ^u个来波方向，其中k_u＝1...K_u，u＝1...U，

表示第u个小区的第k_u个用户的所有来波方向，其中k_u＝1...K_u，u＝1...U，所述上标T表示对矩阵进行转置。

这里用户k_u＝1...K_u，u＝1...U即第u个小区的第k_u个用户，对应于各个来波方向的赋形合并矢量

可以根据前面得到的信道估计求得。

这里的求解方法主要有两种：

(1)特征值法：

即首先求得用户k_u＝1...K_u，u＝1...U的空间协方差矩阵

根据公式： $R_{(k_u,u)}=h_{(k_u,u)}{h}_{(k_u,u)}^H,$ u＝1...U，k_u＝1...K_u确定，其中

根据公式(11)确定，为

的共轭转置，上标H表示共轭转置，如果没有步骤202的降噪处理则直接根据公式(6)的

及其共轭装置确定

然后求得

的所有特征值

i＝1...K_a及其特征向量

i＝1...K_a，这里的特征值和特征向量一一对应；根据智能天线理论，这里的特征值

i＝1...K_a中最大的若干值同若干个有效的来波方向相关联，最小的若干个值同噪声相关联，因而可以预先设定一个门限Γ，并判定大于这个门限Γ的特征值对应着一个来波方向，否则其对应着噪声；选择大于门限Γ的特征值，将所选特征值对应的特征向量作为用户k_u＝1...K_u，u＝1...U的各来波方向赋形合并矢量，即取： $V_{(k_u,u)}^{\left(i\right)}{|}_{{\mathrm{\λ}}_{(k_u,u)}^{\left(i\right)}\≥\mathrm{\Γ},i=1...K_a}$ 作为赋形合并矢量。

实际上，当这里的有效向量个数为一时，即为上述第一个实施例所述的特征波束赋形法(EBB算法)求得的赋形合并矢量。

(2)来波方向(DOA)法：

这种方法一般也需要先求得用户k_u＝1...K_u，u＝1...U的空间协方差矩阵

根据公式： $R_{(k_u,u)}=h_{(k_u,u)}{h}_{(k_u,u)}^H,u=1...U,$ k_u＝1...K_u确定；然后根据

估计用户k_u＝1...K_u，u＝1...U的有效来波方向： ${\mathrm{\θ}}_{(k_u,u)}^{\left(k_d^u\right)},k_d^u=1...K_d^{k_u};$ 然后再确定各个有效来波方向对应的阵列响应矢量，将所述阵列响应矢量作为对应于各个来波方向的赋形合并矢量

此处，需要估计用户k_u＝1...K_u，u＝1...U的多个有效来波方向，对于角度扩散较小的环境需要较高分辨率的DOA估计方法，这里的DOA估计方法可以是现有的任何DOA估计方法，如Bartlett谱方法，Capon最小方差法，MUSIC算法，ESPRIT算法等，有效DOA个数也可以通过已有的方法计算得到如ESPRIT算法中的AIC(Akaike’s information criterion)准则和MDL(Rissanen’s minimum description length)准则等。显然，当有效来波方向个数为一，则退化为上述第一个实施例提到的固定波束赋形法(GOB算法)得到的赋形矢量。

步骤204：根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵。

现假设构造第k_u个用户的midamble训练序列为L×W维Toeplitz矩阵的形式为

k_u＝1...K_u。这里L表示接收信号抽样点个数，只跟midamble训练序列有关，而跟用户数据无关；W表示用户的窗长。这样，在接收端，按如下公式(15)和(16)构造用于联合多天线求信道估计的方向性用户矩阵：

$G_d=[G_d^1,G_d^2,...,G_d^U]---\left(15\right)$

$G_d^u=[A_{(1,u)}\⊗G_{\left(1\right)}^u,A_{(2,u)}\⊗G_{\left(2\right)}^u,...,A_{(K_u,u)}\⊗G_{\left(K_u\right)}^u],u=1...U---\left(16\right)$

其中，G_d ^u为第u个小区的方向性用户矩阵，下标d表示该用户矩阵具有方向性，

为步骤203所确定的第u个小区的第K_u个用户的赋形合并矩阵；

为第u个小区的第K_u个用户的训练序列的L×W维Toeplitz矩阵形式，所述L为接收信号抽样点个数，W表示每个用户的窗长。

步骤205：根据多天线的接收信号和所述方向性用户矩阵确定各小区各用户的方向性信道估计。

假设每个天线单元接收到的midamble码训练序列信号为

k_a＝1...K_a，这里K_a个向量以列向量的形式排列为一个L×K_a维矩阵E_m。进一步假定，在每个天线单元上接收到的噪声为

k_a＝1...K_a，并且K_a个噪声向量排列为L×K_a矩阵N_m。并定义：

e_m＝vec{E_m}

n_m＝vec{N_m}

这里vec{ }表示将L×K_a维矩阵按列顺序排列，映射到一个L×K_a维列向量。

也就是说，此处需要确定K_a个训练序列信号排列为L×K_a矩阵E_m，对E_m按列顺序排列，映射得到接收信号向量，其为L×K_a维列向量e_m。

具体的，本步骤205的方向性信道估计可以采用如下几种方法，其计算复杂度各不相同：

方法(1)：ZF算法。

在一种ZF算法中，可以预先估计多天线上接收噪声的空时协方差矩阵 $R_m=E\left\{n_m{n}_m^{*T}\right\},$ 其维度为LK_a×LK_a，其估计方法可以采用现有技术，接着按照公式(19)确定所述各小区各用户的方向性信道估计：

${\tilde{h}}_d={\left(G_d^{*T}{R}_m^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_m^{-1}{e}_m---\left(19\right)$

其中，为各小区各用户的方向性信道估计，G_d为对应的方向性用户矩阵，所述上标^*T表示共轭转置，所述上标-1表示求逆

在另一种ZF算法中，为了简化运算，还可按照公式(20)进行计算，即令 ${\tilde{R}}_m=I^L,$ 这里I^L表示L×L维单位阵。这需要预先估计多天线上接收噪声的空间协方差矩阵R_d；其估计方法比R_m的估计较为简单，并且维度为K_a×K_a，求逆比较方便。

${\tilde{h}}_d={\left(G_d^{*T}{R}_m^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_m^{-1}{e}_m$

$={\left(G_d^{*T}{(R_d\⊗{\tilde{R}}_m)}^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{(R_d\⊗{\tilde{R}}_m)}^{-1}{e}_m$

$={\left(G_d^{*T}{R}_d^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_d^{-1}{e}_m---\left(20\right)$

此外，在一种更常用的ZF算法中，是按照公式(21)进行计算，即令 ${\tilde{R}}_m=I^L,R_d={\mathrm{\σ}}^2{I}^{K_a},$ 这里I^L表示L×L维单位阵，表示K_a×K_a维单位阵，在利用公式(21)计算时，不需要预先估计多天线上接收噪声的空间协方差矩阵R_d或R_m，因而计算量大为减少。

${\tilde{h}}_d={\left(G_d^{*T}{R}_m^{-1}{G}_d\right)}^{-1}{G}_d^{*T}{R}_m^{-1}{e}_m$

$={\left(G_d^{*T}{G}_d\right)}^{-1}{G}_d^{*T}{e}_m---\left(21\right)$

方法(2)：MF算法

在一种MF算法中，可预先估计多天线上接收噪声的空时协方差矩阵 $R_m=E\left\{n_m{n}_m^{*T}\right\};$ 其维度为LK_a×LK_a，其估计方法可以认为是现有技术，然后按照公式(22)计算各小区各用户的方向性信道估计：

${\tilde{h}}_d=G_d^{*T}{R}_m^{-1}{e}_m---\left(22\right)$

为了简化运算，在另一种MF算法中还可按照如下公式(23)进行计算，即令 ${\tilde{R}}_m=I^L,$ 这里I^L表示L×L维单位阵，这种算法中需要预先估计多天线上接收噪声的空间协方差矩阵R_d，其估计方法比R_m的估计较为简单，并且维度为K_a×K_a，求逆比较方便。

${\tilde{h}}_d=G_d^{*T}{R}_m^{-1}{e}_m$

$=G_d^{*T}{(R_d\⊗{\tilde{R}}_m)}^{-1}{e}_m$

$=G_d^{*T}{R}_d^{-1}{e}_m---\left(23\right)$

此外，一种更常用的MF算法是按照公式(24)进行计算，即令 ${\tilde{R}}_m=I^L,$ $R_d={\mathrm{\σ}}^2{I}^{K_a},$ 这里I^L表示L×L维单位阵，

表示K_a×K_a维单位阵，这种方法不需要预先估计多天线上接收噪声的空间协方差矩阵R_d或R_m，因而计算量大为减少。

${\tilde{h}}_d=G_d^{*T}{R}_m^{-1}{e}_m---\left(24\right)$

$=G_d^{*T}{e}_m$

步骤206：对所述方向性信道估计结果进行变换分解得到各个小区各个用户各个天线通过联合空间信道估计的结果。

在步骤205中求得了各个小区各个用户的方向性信道估计

这里

包含了各个小区各个用户各个方向的信道估计结果，此处可以写为：

${\tilde{h}}_d=[{\tilde{h}}_{\left(\mathrm{1,1}\right)},{\tilde{h}}_{\left(\mathrm{2,1}\right)},...,{\tilde{h}}_{(K_1,1)},...,{\tilde{h}}_{(1,u)},{\tilde{h}}_{(2,u)},...,{\tilde{h}}_{(k_u,u)},...,{\tilde{h}}_{(k_u,u)},...,{\tilde{h}}_{(1,1)}{\tilde{h}}_{\left(\mathrm{2,1}\right)},...,{\tilde{h}}_{(k_U,U)}{]}^T---\left(25\right)$

其中，k_u＝1，2，...，K_u；u＝1，2，...，U；

${\tilde{h}}_{(k_u,u)}=[h_{(k_u,u)}^{(1,1)},h_{(k_u,u)}^{\left(\mathrm{1,2}\right)},...,h_{(k_u,u)}^{(1,W)},...,h_{(k_u,u)}^{(k_d^u,1)}{h}_{(k_u,u)}^{(k_d^u,2)},...,h_{(k_u,u)}^{(k_d^u,W)},...,h_{(k_u,u)}^{(K_d^{k_y},1)}{h}_{(k_u,u)}^{(K_d^{k_u},2)},...,h_{(k_u,u)}^{(K_d^{k_u},W)}]---\left(26\right)$

其中，k_d ^u表示第u个小区的第k_d ^u个方向， $k_d^u=1,2,...,K_d^u;$ 将对应于各个小区各个用户的方向性信道估计

进行重新组织为矩阵形式

即：

${\tilde{H}}_{(k_u,u)}=\left[\begin{array}{c}{h}_{(k_u,u)}^{\left(\mathrm{1,1}\right)},h_{(k_u,u)}^{\left(\mathrm{1,2}\right)},...,h_{(k_u,u)}^{(1,W)}\\ ...\\ h_{(k_u,u)}^{(k_d^u,1)},h_{(k_u,u)}^{(k_d^u,2)},...,h_{(k_u,u)}^{(k_d^u,W)}\\ ...\\ h_{(k_u,u)}^{(K_d^{k_u},1)},h_{(k_u,u)}^{(K_d^{k_u},2)},...,h_{(k_u,u)}^{(K_d^{k_u},W)}\end{array}\right]---\left(27\right)$

然后，对各个小区各个用户的方向性信道估计结果进行变换分解得到各小区各用户各个天线的通过联合空间信道估计的结果。具体的，对于第u个小区第k_u个用户，根据公式(28)进行变换分解成多个，得到该小区用户各天线的信道估计结果，这个信道估计结果就是通过联合空间信道估计出的信道估计结果：

${\stackrel{\‾}{h}}_{(k_u,u)}=A_{(k_u,u)}^H{\tilde{H}}_{(k_u,u)},u=1...U,k_u=1...K_u---\left(28\right)$

步骤207：对公式(28)中的信道估计结果，按照公式(7)所述的方法进行排列，得到各小区各天线的信道估计结果，随后对其进行降噪处理，降噪处理的方法可以采用现有的噪声门限处理方法，从而得到最终的信道估计结果。

通过上述过程，先对信道进行初步的信道估计，通过初步的信道估计结果求得各小区各个用户的来波方向(DOA)估计结果，然后通过各用户DOA估计结果和各天线接收信号，联合求得各小区各用户的信道估计结果。其通过将多天线的接收信号统一联立方程，增加了信道估计求解过程中的有用信息量，从而更好地抑制噪声和干扰，增强了信道估计准确性。

对于步骤203和步骤204中，在求各用户赋形合并矩阵的过程以及构造用于联合多天线求信道估计的用户矩阵的过程中，还可以只对当前各小区活动用户进行构造，此时，对于本小区基站侧已知本小区用户占用情况，但对于邻小区，则需要通过专用信令通道传输过来，例如在TD-SCDMA系统中，由于RNC存储了当前管辖范围内所有小区内用户占用情况，因而可以从RNC获取邻小区用户活动信息，对于没有RNC的系统，则可以通过基站间的信令通道从邻小区的基站获取邻小区用户活动信息。

以上实施例中给出了考虑多小区情况的实施例，即U＞1，其中的小区用户包括本小区用户和外小区用户。对于单小区的情况，只是总的同频小区个数U＝1，其具体实现步骤与上述实施例相同。

由于实际环境中，能量往往集中在主径，因而本发明在实际实施的时候，步骤203可以只考虑主径的来波方向的赋形合并矢量，所选来波方向个数为1，此时步骤203中的赋形合并矩阵直接退化为赋形合并矢量。

通过本发明的方法，给出了同频多小区环境下多个小区信道估计的最小二乘解，从而能有效抑制信道估计中的噪声和干扰，大幅提升了信道估计的准确性。

与上述方法对应，本发明还公开了一种多天线信道估计装置，用于执行上述方法。图3为本发明所述信道估计装置的一种实施例的组成示意图。参见图3该装置包括：

初步信道估计模块301，用于对通信系统的各天线进行信道估计，获得初步的信道估计结果。

第一降噪处理模块302，用于对所述初步信道估计结果进行降噪处理，输出降噪处理后的初步信道估计结果给方向性信道估计模块303用于确定赋形合并矢量。该第一降噪处理模块302为可选模块，也可以省略。

方向性信道估计模块303，用于根据所述初步信道估计结果确定联合多天线的方向性信道估计结果。

方向性信道估计结果变换模块304，用于对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果。

如图3所示的实施例中，所述方向性信道估计模块303具体包括：

赋形合并矢量确定模块311，用于根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量。

合并矩阵构造模块312，用于根据所述小区用户的各来波方向赋形合并矢量构造针对该小区用户的赋形合并矩阵。

用户矩阵构造模块313，用于根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵。

信道估计确定模块314，用于根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计。

该信道估计装置还可以进一步包括排列模块305，用于对所述方向性信道估计结果变换模块处理后的各小区各用户各天线的信道估计结果进行排列，得到各小区各天线的信道估计结果。

该信道估计装置还可以进一步包括第二降噪处理模块306，用于对所述方向性信道估计结果变换模块处理后的信道估计结果进行降噪处理。

本发明所述的信道估计方法可以由基站系统执行，因此本发明还公开了一种基站系统，该基站系统包括上述的多天线信道估计装置，以在进行信道估计时更好地抑制噪声和干扰，从而提供更加准确的信道估计性能。

下面根据本发明所述方法的仿真验证结果对本发明的有益效果进行证明。在该仿真验证中，考虑TD-SCDMA系统上行链路，仿真主要分两类：(1)信道估计性能对比，(2)误比特率对比。此处主要考察以下几种算法：

(a)理想DOA，多天线信道估计ZF算法(DOA为主径的理想DOA)，并且按公式(21)的方法简化，即multi-ant-zf法。

(b)理想DOA，多天线信道估计MF算法(DOA为主径的理想DOA)，并且按照公式(24)的方法简化，即multi-ant-mf法.

(c)迭代方法求信道估计。采用一种特殊的迭代算法，求信道估计，即iter-ic法。

(d)传统信道估计方法，即raw法。

(e)实际理想信道估计，即ideal法

(f)估计DOA，多天线信道估计ZF算法，并且按公式(21)的方法简化，即multi-ant-zf-est法。

(g)估计DOA，多天线信道估计MF算法，并且按公式(24)的方法简化，即multi-ant-mf-est法。

在仿真中，选用4个同频小区，每个小区3个用户，各个用户在[30，150]度扇区内等间距分布，选用3gpp Case3信道环境，UE运动速度为30km/h，角度扩散为10度，

为简单起见，以上算法(a)、(b)、(f)和(g)中每个用户只关注主径。并且信道估计降噪后处理算法选用理想时延后处理，即根据信道模型，只保留有用径位置的信道估计结果，这是一种最理想的降噪后处理方案。

图4为不同信道估计方法得到的信道估计性能对比示意图，其中标识出了不同信道估计方法得到的信道估计同理想信道估计之间的归一化均方误差(RMSE)，这里的RMSE随每chip信息平均SNR(Ec/No)变化。图5为采用了各种算法信道估计的联合检测结果未编码的误比特率曲线对比的示意图。

从图4和图5可以看出，本发明所述的方法还略优于采用理想DOA的方法的性能，这是由于本发明的方法估计的DOA综合了各条径的角度，而理想DOA只考虑了主径的角度，因此本发明可以更好地抑制噪声和干扰，提供更加准确的信道估计性能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (21)

1.一种多天线信道估计方法，其特征在于，包括：

A、对通信系统的各天线进行信道估计，获得初步信道估计结果；

B、根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

C、对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果，

其中，步骤C具体包括：利用赋形合并矩阵的共轭转置对所述小区用户的方向性信道估计进行变换分解得到小区用户各天线的信道估计结果，

其中，步骤B具体包括：

B1、根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量；

B2、根据所述小区用户的各来波方向赋形合并矢量构造针对小区用户的赋形合并矩阵；

B3、根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵：

B4、根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计，

其中，步骤B3具体包括：

构造小区用户所发训练序列的L×W维Toeplitz矩阵，所述L为接收信号抽样点个数，W表示用户的窗长；

根据公式 $G_d^u=[A_{(1,u)}\⊗G_{\left(1\right)}^u,A_{(2,u)}\⊗G_{\left(2\right)}^u,...,A_{(K_u,u)}\⊗G_{\left(K_u\right)}^u],$ u＝1...U构造所述方向性用户矩阵，其中，为第u个小区的方向性用户矩阵，

为步骤B2所确定的第u个小区的第K_u个用户的赋形合并矩阵；

为第u个小区的第K_u个用户所发训练序列的L×W维Toeplitz矩阵，U为总的同频邻小区个数。

2.根据权利要求1所述的方法，其特征在于，步骤B1中，确定小区用户的各来波方向赋形合并矢量的具体过程包括：

B11、根据小区用户各天线的初步信道估计结果确定该小区用户的空间协方差矩阵；

B12、确定所述空间协方差矩阵的特征值及其对应的特征向量；

B13、选择大于预设门限值的特征值，将所选特征值对应的特征向量作为该小区用户的各来波方向赋形合并矢量。

3.根据权利要求1所述的方法，其特征在于，步骤B1中，确定小区用户的各来波方向赋形合并矢量的具体过程包括：

B11’、根据小区用户各天线的初步信道估计结果确定该小区用户的空间协方差矩阵；

B12’、根据所述空间协方差矩阵估计该小区用户的有效来波方向；

B13’、确定各个有效来波方向对应的阵列响应矢量，将所述阵列响应矢量作为该小区用户的各来波方向赋形合并矢量。

4.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计所述多天线上接收噪声的空时协方差矩阵R_m；

根据公式确定所述小区用户的方向性信道估计，其中为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

5.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空间协方差矩阵R_d；

根据公式

确定所述小区用户的方向性信道估计，其中

为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

6.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：确定所述多天线接收的训练序列的接收信号向量e_m；

根据公式

确定所述小区用户的方向性信道估计，其中

为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

7.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空时协方差矩阵R_m；

根据公式

确定所述小区用户的方向性信道估计，其中

为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

8.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：

确定所述多天线接收的训练序列的接收信号向量e_m；估计多天线上接收噪声的空间协方差矩阵R_d；

根据公式

确定所述小区用户的方向性信道估计，其中

为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

9.根据权利要求1所述的方法，其特征在于，步骤B4中，具体包括：确定所述多天线接收的训练序列的接收信号向量e_m；

根据公式

确定所述小区用户的方向性信道估计，其中

为小区用户的方向性信道估计，G_d为对应的方向性用户矩阵。

10.根据权利要求1所述的方法，其特征在于，在步骤B2所述构造赋形合并矩阵以及步骤B3所述构造方向性用户矩阵的过程中，只对当前各小区活动用户进行构造。

11.根据权利要求10所述的方法，其特征在于，所述当前各小区活动用户包括本小区活动用户和邻小区活动用户，其中邻小区活动用户的信息从基站控制器获得或者从邻小区的基站获得。

12.根据权利要求1所述的方法，其特征在于，步骤B1中只确定小区用户的一个主径来波方向的赋形合并矢量，所述赋形合并矩阵退化为该赋形合并矢量。

13.根据权利要求1至12任一项所述的方法，其特征在于，所述步骤A中进一步包括：对所述初步信道估计结果进行降噪处理；在后续步骤中，根据该降噪处理后的初步信道估计结果确定所述赋形合并矢量。

14.根据权利要求1至12任一项所述的方法，其特征在于，所述通信系统包括一个或一个以上小区，且所述小区用户为本小区用户，或者为本小区用户和外小区用户。

15.根据权利要求14所述的方法，其特征在于，步骤C后进一步包括：对步骤C处理后的各小区用户各天线的信道估计结果进行排列，得到各小区各天线的信道估计结果。

16.根据权利要求1至12任一项所述的方法，其特征在于，所述步骤C后进一步包括：对步骤C得到的信道估计结果进行降噪处理。

17.一种多天线信道估计装置，其特征在于，该装置包括：

初步信道估计模块，用于对通信系统的各天线进行信道估计，获得初步的信道估计结果；

方向性信道估计模块，用于根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

方向性信道估计结果变换模块，用于对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果，

其中，所述方向性信道估计模块具体包括：

赋形合并矢量确定模块，用于根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量；

合并矩阵构造模块，用于根据所述小区用户的各来波方向赋形合并矢量构造针对该小区用户的赋形合并矩阵；

用户矩阵构造模块，用于根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵；

信道估计确定模块，用于根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计，

其中，根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵具体包括：

构造小区用户所发训练序列的L×W维Toeplitz矩阵，所述L为接收信号抽样点个数，W表示用户的窗长；

根据公式 $G_d^u=[A_{(1,u)}\⊗G_{\left(1\right)}^u,A_{(2,u)}\⊗G_{\left(2\right)}^u,...,A_{(K_u,u)}\⊗G_{\left(K_u\right)}^u],$ u＝1...U构造所述方向性用户矩阵，其中，

为第u个小区的方向性用户矩阵，为步骤B2所确定的第u个小区的第K_u个用户的赋形合并矩阵；

为第u个小区的第K_u个用户所发训练序列的L×W维Toeplitz矩阵，U为总的同频邻小区个数，

其中，所述方向性信道估计结果变换模块利用赋形合并矩阵的共轭转置对所述小区用户的方向性信道估计进行变换分解得到小区用户各天线的信道估计结果。

18.根据权利要求17所述的装置，其特征在于，该装置在初步信道估计模块和方向性信道估计模块之间进一步包括第一降噪处理模块，用于对所述初步信道估计结果进行降噪处理，输出降噪处理后的初步信道估计结果给方向性信道估计模块用于确定所述赋形合并矢量。

19.根据权利要求17或18所述的装置，其特征在于，该信道估计装置进一步包括排列模块，用于对所述方向性信道估计结果变换模块处理后的各小区各用户各天线的信道估计结果进行排列，得到各小区各天线的信道估计结果。

20.根据权利要求17或18所述的装置，其特征在于，该信道估计装置进一步包括第二降噪处理模块，用于对所述方向性信道估计结果变换模块处理后的信道估计结果进行降噪处理。

21.一种基站系统，其特征在于，具有多天线信道估计装置，该多天线信道估计装置包括：

初步信道估计模块，用于对通信系统的各天线进行信道估计，获得初步的信道估计结果；

方向性信道估计模块，用于根据所述初步信道估计结果确定联合多天线的方向性信道估计结果；

方向性信道估计结果变换模块，用于对所述方向性信道估计结果进行变换分解得到各天线的信道估计结果，

其中，所述方向性信道估计模块具体包括：

赋形合并矢量确定模块，用于根据所述初步信道估计结果确定小区用户的各来波方向赋形合并矢量；

合并矩阵构造模块，用于根据所述小区用户的各来波方向赋形合并矢量构造针对该小区用户的赋形合并矩阵；

用户矩阵构造模块，用于根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵；

信道估计确定模块，用于根据多天线的接收信号和所述方向性用户矩阵确定小区用户的方向性信道估计，

其中，根据各天线的接收信号和所述赋形合并矩阵构造用于联合多天线求信道估计的方向性用户矩阵具体包括：

构造小区用户所发训练序列的L×W维Toeplitz矩阵，所述L为接收信号抽样点个数，W表示用户的窗长；

根据公式 $G_d^u=[A_{(1,u)}\⊗G_{\left(1\right)}^u,A_{(2,u)}\⊗G_{\left(2\right)}^u,...,A_{(K_u,u)}\⊗G_{\left(K_u\right)}^u],$ u＝1...U构造所述方向性用户矩阵，其中，

为第u个小区的方向性用户矩阵，

为步骤B2所确定的第u个小区的第K_u个用户的赋形合并矩阵；

为第u个小区的第K_u个用户所发训练序列的L×W维Toeplitz矩阵，U为总的同频邻小区个数，

其中，所述方向性信道估计结果变换模块利用赋形合并矩阵的共轭转置对所述小区用户的方向性信道估计进行变换分解得到小区用户各天线的信道估计结果。

Images