CN101610227A - 基于两个一维估计级联的信道估计方法 - Google Patents

Abstract

本发明针对IEEE802.16e标准下行链路的导频分配模式，提出了一种适用于IEEE802.16e标准下行链路的信道估计方法。该发明方法采用两个级联的一维信道估计器的方法，首先利用LS算法估计出导频处的信道响应，在时域进行内插滤波，得到梳状导频结构；然后在频域采用ML算法得到整个频域的信道响应。该方法基于IEEE802.16e特定的导频结构，将两个一维估计结合，由于梳状导频结构在频域上均匀分布，在时域上连续分布，更加适合于快衰落信道下的信道估计，因此该方法可提高高速移动环境下的系统性能。

Description

基于两个一维估计级联的信道估计方法

技术领域

本发明涉及基于IEEE802.16e标准的导频分配模式，属于IEEE802.16e系统下行链路信道估计技术领域。

背景技术

IEEE802.16e是同时支持固定和移动的宽带无线接入系统空中接口规范，被业界视为目前唯一能与3G竞争的下一代宽带无线接入方案。正交频分复用多址(Orthogonal frequency division multiplexing access，简称OFDMA)技术是802.16e系统的物理层核心技术之一，其将正交频分复用技术与多址技术结合起来，允许多个用户同时共享有限的频谱资源，从而获得较高的系统容量。

导频辅助的信道估计方法是正交频分复用技术(Orthogonal FrequencyDivision Multiplexing，简称OFDM)中应用最为广泛的一类方法。对于OFDM系统，导频可以同时在时域和频域上插入，因此可以充分利用信道的时频特性，采用二维滤波的信道估计方法。其中，二维维纳滤波算法是最小均方误差意义下的最佳估计器，但是该算法需要已知信道的最大多径时延、最大多普勒频移和噪声方差，应用在实际系统中复杂度相当高。

发明内容

为了克服现有技术结构的不足，针对IEEE802.16e规范的下行链路导频分配模式，本发明提出了一种适用于IEEE802.16e规范下行链路的信道估计方法。该方法采用两个级联的一维信道估计器，首先利用LS算法估计出导频处的信道响应，在时域进行内插滤波，得到梳状导频结构；然后在频域采用ML算法得到整个频域的信道响应。该方法基于IEEE802.16e特定的导频结构，并将两个一维估计算法结合起来，由于梳状导频结构在频域上均匀分布，在时域上连续分布，更加适合于快衰落信道下的信道估计，因此该方法可提高高速移动环境下的系统性能。本发明解决其技术问题所采用的技术方案是：

基于两个一维估计级联的信道估计方法，其利用信道的时频特性，采用两个级联的一维滤波器同时在时域和频域上插入：首先，采用LS算法得到导频子载波上的信道响应，利用一维估计器先在其中一维进行内插滤波，将估计出的数据作为已知导频，再在时域进行内插滤波；然后，在频域用ML算法估计出所有子载波上的信道响应。

假设总共有N个子载波，接收信号频域表达式为：

Y_p＝X_pH_p+W_p，p＝0，L，N-1  (1)

其中，X_p为频域发送信号，H_p为第p个子载波上的信道频域响应，W_p为频域的加性高斯白噪声。将OFDM系统等效成发送数据经过一组平行的高斯信道，令

Y＝[Y₀，L，Y_N-1]^T          (2)

X＝diag(X₀，L，X_N-1)       (3)

h＝[h(0)，L，h(L-1)]^T      (4)

H＝[H₀，L，H_N-1]^T＝Fh      (5)

W＝[W₀，L，W_N-1]^T          (6)

则可以得到频域接收信号的矩阵表达形式，

Y＝XFh+W                   (7)

其中，F是DFT矩阵，其矩阵表达式为：

$F=\left(\begin{array}{ccc}{W}_N^{00}& L& W_N^{0(L-1)}\\ .& & .\\ .& W_N^{\mathrm{nk}}& .\\ .& & .\\ W_N^{(N-1)0}& L& W_N^{(N-1)(L-1)}\end{array}\right),$ 其中 $W_N^{\mathrm{nk}}=\frac{1}{\sqrt{N}}{e}^{-j2\mathrm{\π}\frac{\mathrm{nk}}{N}}.$

由以上假设，该基于两个一维估计级联的信道估计方法具体步骤如下：

步骤1采用LS算法，得到所有导频子载波上的信道响应

为：

${\hat{H}}_{\mathrm{pls}}=F{\hat{h}}_{\mathrm{ls}}---\left(8\right)$

其中， ${\hat{h}}_{\mathrm{ls}}={\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p$

则

${\hat{H}}_{\mathrm{pls}}=F{\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p$

$=F{\left(X_{p}F\right)}^{-1}{Y}_p$

$=X_p^{-1}{Y}_p$

步骤2采用ML算法估计出前导符号整个频域上的信道响应，从而得到梳状导频结构：

${\hat{H}}_{\mathrm{preamble}}(1,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_{\mathrm{preamble},\mathrm{pls}}(1,k_{\mathrm{preamble}}),k=1,L,N-1$

其中， ${\left[G\right]}_{n,k}=(1/\sqrt{N})e^{-j2\mathrm{\πnk}/N},$ 为LS算法得到的前导符号导频子载波上的信道响应，k_preamble为前导符号导频子载波的序号。

步骤3在时域进行内插滤波：

首先，由前导符号的频域响应得到第二个符号导频子载波处的频率响应

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{preamble}}(m-1,k_p),m=2$

其次，将前一个符号导频处的频率响应作为下一个符号相同子载波处的频率响应

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{pls}}(m-1,k_p),m=3,L,M$

其中，M为下行帧OFDM符号总数，k_p为簇中导频的序号。这样，从第二个OFDM符号开始，整个导频样式变成了梳状导频样式，导频间隔变小，每隔3个子载波就有一个导频子载波，更适合于时变快衰落信道。

步骤4采用ML算法得到每个符号整个频域的信道响应：

$\hat{H}(m,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_p(m,k_p),k=0,L,N-1;m=2,L,M$

将前导符号和簇的导频两种导频分配模式相结合，进行信道估计，从而跟踪信道变化以较好地适应高速移动环境下信道响应的变化。

本发明的有益效果：

(1)本发明首先利用一维估计器先在其中一维进行内插滤波，将估计出的数据作为已知导频，然后在另一维进行内插滤波，由于导频同时在时域和频域上插入，因此充分利用了信道的时频特性，提高了系统的误码率性能。

(2)本发明将前导符号和簇的导频两种导频分配模式相结合，进行信道估计，结合了两种导频的优点；同时克服了若数据突发，一旦位于帧结构中靠后的符号或信道变化较快，前导符号信道估计结果将不太适合作为数据突发的信道响应，其性能将迅速下降的不足，从而较好地跟踪信道变化，并且能够较好地适应高速移动环境下信道响应的变化。

(3)本发明方法首先在时域平滑滤波，采用LS方法得到相邻导频处的信道响应，其次在频域滤波，采用ML算法得到整个频域的信道响应。两个一维的估计只是利用了LS算法和ML算法，计算复杂度并不高。

附图说明

图1为本发明的基于两个一维估计级联的信道估计方法的工作流程图；

图2a为若干簇的导频子载波图；

图2b为时域滤波后的导频子载波图；

图3为车速A 60km/h信道下系统误码率性能仿真结果比较；

图4为车速A 120km/h信道下系统误码率性能仿真结果比较。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述：

实施例1本发明的方法首先采用LS算法得到导频子载波上的信道响应，再在时域进行内插滤波，然后在频域用ML算法估计出所有子载波上的信道响应。如图1所示，该发明方法实现的步骤描述如下：

步骤1，采用LS算法，得到所有导频子载波上的信道响应

，具体做法为：

${\hat{H}}_{\mathrm{pls}}=F{\hat{h}}_{\mathrm{ls}}$ 其中 ${\hat{h}}_{\mathrm{ls}}={\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p$

所以

${\hat{H}}_{\mathrm{pls}}=F{\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p$

$=F{\left(X_{p}F\right)}^{-1}{Y}_p$

$=X_p^{-1}{Y}_p$

步骤2，为了得到梳状导频结构，采用ML算法，估计出前导符号整个频域上的信道响应，

${\hat{H}}_{\mathrm{preamble}}(1,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_{\mathrm{preamble},\mathrm{pls}}(1,k_{\mathrm{preamble}}),k=1,L,N-1$

其中， ${\left[G\right]}_{n,k}=(1/\sqrt{N})e^{-j2\mathrm{\πnk}/N},$

为LS算法得到的前导符号导频子载波上的信道响应，k_preamble为前导符号导频子载波的序号。

步骤3，在时域进行内插滤波；首先由前导符号的频域响应得到第二个符号导频子载波处的频率响应，即

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{preamble}}(m-1,k_p),m=2$

其次将前一个符号导频处的频率响应作为下一个符号相同子载波处的频率响应，即

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{pls}}(m-1,k_p),m=3,L,M$

其中，M为下行帧OFDM符号总数，k_p为簇中导频的序号。

步骤4，采用ML算法得到每个符号整个频域的信道响应。

$\hat{H}(m,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_p(m,k_p),k=0,L,N-1;m=2,L,M$

图3和图4给出了采用本发明算法分别在ITU车速A 60km/h和120km/h的多径信道下性能仿真结果。在仿真过中，系统带宽采用10MHz，子载波数为1024，循环前缀为128，采样频率11.2MHz，子载波间隔10.94kHz，OFDM符号时间102.86us，有用符号时间91.43us，CP时间11.43us，调制编码方式QPSK-CTC-1/2。

仿真比较了信道估计采用两个一维级联的算法、基于簇的ML算法和基于前导符号的ML算法时系统的误码率性能。如图3和图4分别为车速A 60km/h和120km/h下系统的误码率(Burst Error Rate)随信噪比(Es/No)的变化曲线。从两图可以看出，利用前导符号进行信道估计的性能最差，在车速60km/h的移动环境下，系统的误码率只能下降到10^-2左右，在车速120km/h的移动环境下，已经不能再利用前导符号进行信道估计。因此可知，虽然前导符号的导频子载波具有的9dB功率增益，导频密度较大，但是由于前导符号只占下行帧的第一个符号，利用其进行信道估计只适合于慢衰落信道，对于车载移动速度，信道变化迅速，估计出的前导符号子载波处信道响应不再适合作为下行帧其它符号上的信道响应，信道估计性能受到严重影响。

利用簇的导频进行信道估计性能比前导符号好，随着信噪比的增加，系统误码率下降到10^-3以下。这说明簇的导频分散在整个下行帧的数据中，在高速移动环境下也能较好地跟踪信道变化。

与现有技术相比，本发明的两个一维信道估计级联的算法性能最好，而且随着信噪比的增加，系统的误码率曲线始终收敛，因为快速变化的信道使得相邻OFDM符号的信道响应也发生了变化，在达到相同误码率的情况下该方法比基于簇的ML算法性能提高2dB左右。以上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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于两个一维估计级联的信道估计方法，其特征在于，利用信道的时频特性，采用两个级联的一维滤波器同时在时域和频域上插入：首先，采用LS算法得到导频子载波上的信道响应，再在时域进行内插滤波；然后，在频域用ML算法估计出所有子载波上的信道响应；其步骤包括：

步骤1采用LS算法，得到所有导频子载波上的信道响应

步骤2采用ML算法估计出前导符号整个频域上的信道响应，从而得到梳状导频结构；

步骤3在时域进行内插滤波；

步骤4采用ML算法得到每个符号整个频域的信道响应。

2.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，假设总共有N个子载波，接收信号频域表达式为：

Y_p＝X_pH_p+W_p，p＝0，L，N-1

其中，X_p为频域发送信号，H_p为第p个子载波上的信道频域响应，W_p为频域的加性高斯白噪声；将OFDM系统等效成发送数据经过一组平行的高斯信道，令

Y＝[Y₀，L，Y_N-1]^T

X＝diag(X₀，L，X_N-1)

h＝[h(0)，L，h(L-1)]^T

H＝[H₀，L，H_N-1]^T＝Fh

W＝[W₀，L，W_N-1]^T

则可以得到频域接收信号的矩阵表达形式，

Y＝XFh+W

其中，F是DFT矩阵，其矩阵表达式为：

$F=\left(\begin{array}{ccc}{W}_N^{00}& L& W_N^{0(L-1)}\\ .& & .\\ .& W_N^{\mathrm{nk}}& .\\ .& & .\\ W_N^{(N-1)0}& L& W_N^{(N-1)(L-1)}\end{array}\right),$ 其中 $W_N^{\mathrm{nk}}=\frac{1}{\sqrt{N}}{e}^{-j2\mathrm{\π}\frac{\mathrm{nk}}{N}}$

该基于两个一维估计级联的信道估计方法具体步骤1采用LS算法，得到所有导频子载波上的信道响应

为：

${\hat{H}}_{\mathrm{pls}}=F{\hat{h}}_{\mathrm{ls}}$

其中， ${\hat{h}}_{\mathrm{ls}}={\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p,$ 则

${\hat{H}}_{\mathrm{pls}}={F\left({\left(X_{p}F\right)}^H\left(X_{p}F\right)\right)}^{-1}{\left(X_{p}F\right)}^H{Y}_p$

$=F{\left(X_{p}F\right)}^{-1}{Y}_p$

$=X_p^{-1}{Y}_p$

3.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，步骤2中所述采用ML算法估计出前导符号整个频域上的信道响应，从而得到梳状导频结构：

${\hat{H}}_{\mathrm{preamble}}(1,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_{\mathrm{preamble},\mathrm{pls}}(1,k_{\mathrm{preamble}}),$ k＝1，L，N-1

其中， ${\left[G\right]}_{n,k}=(1/\sqrt{N})e^{-j2\mathrm{\πnk}/N},$

为LS算法得到的前导符号导频子载波上的信道响应，k_preamble为前导符号导频子载波的序号。

4.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，步骤3中所述在时域进行内插滤波具体分为：

首先，由前导符号的频域响应得到第二个符号导频子载波处的频率响应，即

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{preamble}}(m-1,k_p),$ m＝2

其次，将前一个符号导频处的频率响应作为下一个符号相同子载波处的频率响应为：

${\hat{H}}_p(m,k_p)={\hat{H}}_{\mathrm{pls}}(m-1,k_p),$ m＝3，L，M

其中，M为下行帧OFDM符号总数，k_p为簇中导频的序号；从而，从第二个OFDM符号开始，整个导频样式变成了梳状导频样式，导频间隔变小，每隔3个子载波就有一个导频子载波，更适合于时变快衰落信道。

5.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，步骤4中所述采用ML算法得到每个符号整个频域的信道响应为：

$\hat{H}(m,k)=G{\left(F^{H}F\right)}^{-1}{F}^H{\hat{H}}_p(m,k_p),$ k＝0，L，N-1；m＝2，L，M

6.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，其利用一维估计器先在其中一维进行内插滤波，将估计出的数据作为已知导频，然后在另一维进行内插滤波，由于导频同时在时域和频域上插入，从而充分利用了信道的时频特性，提高了系统的误码率性能。

7.根据权利要求1所述的一种基于两个一维估计级联的信道估计方法，其特征在于，将前导符号和簇的导频两种导频分配模式相结合，进行信道估计，从而跟踪信道变化以较好地适应高速移动环境下信道响应的变化。

Images