CN101753170A - 多小区信道估计方法和装置 - Google Patents

Abstract

多小区信道估计方法和装置。一种多小区信道估计方法实施例，包括：获得本小区和邻小区中各用户的导频训练序列，并将获得的导频训练序列构造矩阵；利用所述导频训练矩阵求得信道估计结果；从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。利用本发明，可以准确求出本小区信道估计，并求解出邻小区信道估计结果，进而能有效提升信道估计性能，提升系统容量和吞吐量。

Description

多小区信道估计方法和装置

技术领域

本发明涉及无线通信技术领域，特别涉及一种多小区信道估计方法和装置。

背景技术

在很多通信系统中，为了提高传输可靠性，需要得到信号传输过程中通过信道的信道冲击响应，即信道估计。例如，在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。

很多系统中，信道估计往往通过训练序列(如midamble码)实现，这样可以有针对性的抑制噪声和干扰，从而提高了数据检测性能。但用作信道估计的训练序列本身也会受到噪声和干扰的影响，使得信道估计不够准确。特别的，如果采用同频组网，则信道估计不可避免的要受到外小区信号的干扰。

例如在TD-SCDMA系统中，通过发送特殊的midamble码进行信道估计。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序列，因而本小区内各用户之间不存在干扰，具有较好的性能。但相邻小区的用户则采用不同的基本训练序列。图1示出了小区的基本训练序列以及不同用户的使用的经过移位后的序列示意图。图1中Basic Code为基本训练序列，用户1到用户K的训练序列分别取自基本训练序列的循环移位。通过将基本序列重复2次，串行排列，则用户1到用户K的训练序列分别取自基本训练序列的不同位置。

互为相邻关系的小区所使用的训练序列往往并不完全正交，加上采用同频组网后不同小区发送的训练序列在时间上的重叠，会造成互相干扰。如TD-SCDMA系统中，采用简单的快速傅里叶变换(Fast Fourier Transfer，FFT)和快速傅里叶逆变换(Inverse Fast Fourier Transfer，IFFT)运算完成最小均方差意义上的信道估计。

天线k_a(k_a＝1，...，K_a)上的信道冲击响应可以由如下公式计算：

${\underset{\‾}{\overset{^}{h}}}^{\left(k_a\right)}=\mathrm{IFFT}\left(\frac{\mathrm{FFT}\left({\underset{\‾}{e}}_m^{\left(k_a\right)}\right)}{\mathrm{FFT}\left(m\right)}\right)---\left(1\right)$

其中，m表示基本midamble码，

表示发送端(如用户终端或基站)发送的信号通过信道传输到达接收端(如基站或用户终端)之后，接收端天线上接收的信号。

存在同频干扰的情况下，公式中的

中除包含本小区的信号外，还包含邻小区的信号，而邻小区信号此时构成了对本小区信号的干扰。特别是在采用同频组网时，

中包括构成干扰的邻小区的信号。因此，现有技术中认为

只包含本小区的信号，并没有对存在的干扰予以考虑，因此，现有技术无法准确的估计本小区的信道估计结果，并且无法计算出邻小区的信道估计结果。

发明内容

本发明实施例的目的是提供一种多小区信道估计方法和装置，以实现准确计算出多小区信道估计结果。

为解决上述技术问题，本发明实施例提供一种多小区信道估计方法和装置是这样实现的：

一种多小区信道估计方法，包括：

获得本小区和邻小区中各用户的导频训练序列，并将获得的导频训练序列构造矩阵；

利用所述导频训练矩阵求得信道估计结果；

从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

一种多小区信道估计装置，包括：

获得单元，用于获得本小区和邻小区中各用户的导频训练序列，

矩阵构造单元，用于将获得的导频训练序列构造矩阵；

信道估计结果计算单元，用于利用所述导频训练矩阵求得信道估计结果；

分离单元，用于从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

由以上本发明实施例提供的技术方案可见，获得本小区和邻小区中各用户的导频训练序列，并将获得的导频训练序列构造矩阵，利用所述导频训练矩阵求得信道估计结果，从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果将多个小区的信道估计联合建立方程，是通过联合检测的思路，求解各个小区信道估计结果，而具备本行业专业技术知识的人都知道，联合检测方法是一种理想的干扰消除方法，因而能有效提升信道估计性能，提升系统容量和吞吐量。

附图说明

图1为现有技术小区的基本训练序列以及不同用户的使用的经过移位后的序列示意图；

图2为本发明小及邻区示意图；

图3为本发明多小区信道估计方法实施例的流程图；

图4为本发明多小区信道估计装置实施例的框图。

具体实施方式

本发明实施例提供一种多小区信道估计方法和装置。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

下面以TD-SCDMA系统中的信道估计方法为例，首先对本发明的数学原理进行详细阐述。

假定系统采用同频组网方案，并且已经实现了同步。并假设在接收端(如用户终端或基站)配备了阵列天线，并且接收端已知本小区和邻小区每个用户窗(即Midamble码)的使用情况。数据符号按照如下方式约定：

U     同频多小区个数

K_u    小区u中在同一频点和时隙中活动的用户个数

k_u＝1...K_u      小区u中的用户

K_a              天线阵列个数

k_a＝1...K_a      依次表示各个天线单元

小区u中用户k_u和每个天线单元k_a，k_a＝1...K_a之间的信道冲击响应矢量可以写为一个W×K_a维矩阵：

${\underset{\‾}{H}}_{\left(k_u\right)}^{\left(u\right)}=[{\underset{\‾}{h}}^{(k_u,1)},{\underset{\‾}{h}}^{(k_u,2)},...,{\underset{\‾}{h}}^{(k_u,K_a)}],k_u=1,...,K_u---(1-1)$

即： $\left[\begin{array}{c}{h}^{\left(\mathrm{1,1}\right)},h^{\left(\mathrm{1,2}\right)},...,h^{(1,K_a)}\\ h^{\left(\mathrm{2,1}\right)},h^{\left(\mathrm{2,2}\right)},...,h^{(2,K_a)}\\ \·\·\·\\ h^{(w,1)},h^{(w,2)},...,h^{(w,K_a)}\end{array}\right].$

其中，每个

都是一个列向量。

这样，来自于小区u的各个用户的信道冲击响应可以排成一个K_uW×K_a维矩阵：

${\underset{\‾}{H}}^{\left(u\right)}={[{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T},{\underset{\‾}{H}}_{\left(2\right)}^{\left(u\right)T},...,{\underset{\‾}{H}}_{\left(K_u\right)}^{\left(u\right)T}]}^T---(1-2)$

等号左边的H^(u)表示一个小区中的所有用户对应的信道冲击响应。

现假设第k_u个用户的midamble训练序列写成L×W维Toeplitz矩阵的形式为这里L表示接收信号抽样点个数，只跟midamble训练序列有关。这样，在接收端，对应于第u个小区，用来做联合信道估计的用户midamble码训练序列G ^(u)可以表示为下式：

${\underset{\‾}{G}}^{\left(u\right)}=[{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u]---(1-3)$

假设每个天线单元接收到的midamble码训练序列信号为

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

并且K_a个噪声向量排列为L×K_a矩阵N _m。

下式表示了K_a个天线单元上接收信号同来自于U个小区

个用户的信道冲击响应之间的关系。

${\underset{\‾}{E}}_m={\underset{\‾}{G}}^{\left(1\right)}\×{\underset{\‾}{H}}^{\left(1\right)}+{\underset{\‾}{G}}^{\left(2\right)}\×{\underset{\‾}{H}}^{\left(2\right)}+...+{\underset{\‾}{G}}^{\left(U\right)}\×{\underset{\‾}{H}}^{\left(U\right)}+{\underset{\‾}{N}}_m=\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\underset{\‾}{G}}^{\left(u\right)}\×{\underset{\‾}{H}}^{\left(u\right)}+{\underset{\‾}{N}}_m---(1-4)$

通过构建1-4这个公式，通过进一步的运算，可以求解出公式1-2中的每个用户对应的信道冲击响应。

进一步的运算包括下面过程：

令：

H＝[H ^(1)T，H ^(2)T，...，H ^(U)T]^T    (1-5)

定义：

e _m＝vec{E _m}                       (1-6)

h＝vec{H}                         (1-7)

n _m＝vec{N _m}                       (1-8)

这里vec{}表示将m×n维矩阵按列顺序排列，映射到一个mn维列向量[22]。根据这个定义，再通过Kronecker积，则公式1-4可以简化为：

e _m＝G·h+n _m                       (1-9)

这里

表示Kronecker积，表示一个K_a×K_a的单位阵。

$\underset{\‾}{G}=[I^{\left(K_a\right)}\⊗{\underset{\‾}{G}}^{\left(1\right)},I^{\left(K_a\right)}\⊗{\underset{\‾}{G}}^{\left(2\right)},...I^{\left(K_a\right)}\⊗{\underset{\‾}{G}}^{\left(U\right)}]---(1-10)$

这样，公式1-9中的G即展开为公式1-10中所示。

公式1-4和公式1-5将K_a个天线单元上的接收信号进行了联立。这里G为K_aL×K_aWK维矩阵。且有：

$K=\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{K}_u---(1-11)$

此外，对于公式1-9，在理论上，只要G满秩，则方程具有唯一解，此时，即能求得多小区信道估计结果，即能求得公式1-9中的h，再参见公式1-7和公式1-5，则公式1-5中的每个H就有唯一解。

在实际系统中，L＝128(基本码长度)，W＝16(移位长度，或用户窗长度)是一种最常见配置，此时只有满足以下条件时，G才可能满秩。

$K=\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{K}_u\≤8---(1-12)$

即本小区和同频邻小区所有用户个数之和小于8。如果认为本小区以外第一圈(如图2中，设小区0为本小区，则本小区外第一圈小区包括小区1、2、3、4、5、6)以外的小区(如图2，包括小区7、8、9等)的信号到本小区已经很弱了，则总共可以选取7个同频邻小区(包括本小区即周围第一圈的共7个小区)，此时只要每个小区(如图2中本小区及周围第一圈的6个小区)用户数不超过一个即可满足要求。

当每个小区只有一个用户时，公式(1-2)退化为：

${\underset{\‾}{H}}^{\left(u\right)}={\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)}---(1-13)$

公式(1-3)退化为：

${\underset{\‾}{G}}^{\left(u\right)}={\underset{\‾}{G}}_{\left(1\right)}^u---(1-14)$

公式(1-4)退化为：

${\underset{\‾}{E}}_m={\underset{\‾}{G}}^{\left(1\right)}\×{\underset{\‾}{H}}^{\left(1\right)}+{\underset{\‾}{G}}^{\left(2\right)}\×{\underset{\‾}{H}}^{\left(2\right)}+...+{\underset{\‾}{G}}^{\left(U\right)}\×{\underset{\‾}{H}}^{\left(U\right)}+{\underset{\‾}{N}}_m$

$={\underset{\‾}{G}}_{\left(1\right)}^1\×{\underset{\‾}{H}}^{\left(1\right)}+{\underset{\‾}{G}}_{\left(1\right)}^2\×{\underset{\‾}{H}}^{\left(2\right)}+...+{\underset{\‾}{G}}_{\left(1\right)}^U\×{\underset{\‾}{H}}^{\left(U\right)}+{\underset{\‾}{N}}_m$

$={\underset{\‾}{G}}^O\×{\underset{\‾}{H}}^O+{\underset{\‾}{N}}_m---(1-15)$

其中：

${\underset{\‾}{G}}^O=[{\underset{\‾}{G}}_{\left(1\right)}^1,{\underset{\‾}{G}}_{\left(1\right)}^2,...,{\underset{\‾}{G}}_{\left(1\right)}^U]---(1-16)$

${\underset{\‾}{H}}^O={[{\underset{\‾}{H}}_{\left(1\right)}^{\left(1\right)T},{\underset{\‾}{H}}_{\left(1\right)}^{\left(2\right)T},...,{\underset{\‾}{H}}_{\left(1\right)}^{\left(U\right)T}]}^T---(1-17)$

根据公式(1-15)，只要G ^O可逆，则可以求取各个小区各个用户的信道估计的最小二乘理论解。

H ^O＝((G ^O)^H G ^O)^-1(G ^O)^H E _m                       (1-18)

这样，最终求得了1-18的H ^O的解。

G ^O为一个L×UW位矩阵，而如果系统采用Kcell＝8，L＝128，则对于同频8个小区，每个小区只要不超过一个用户，则G ^O可满足可逆。这里可以认为每个用户占用一个窗。

下面说明TD-SCDMA的HSDPA情况下的计算，可以利用上面的计算方法。对于TD-SCDMA的HSDPA情况，如果midamble采用default分配方式，且下行每个用户占用满码道，则每个用户会占用8个窗，此时依然可以采用如上方法，下面进行推导。

由于每个用户所有窗对应的信道估计是一样的，此时公式1-2变为：

${\underset{\‾}{H}}^{\left(u\right)}={[{\underset{\‾}{H}}_1^{\left(u\right)T},{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T},...,{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T}]}^T---(1-19)$

此外：

${\underset{\‾}{G}}^{\left(U\right)}\·{\underset{\‾}{H}}^{\left(U\right)}=[{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u]{[{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T},{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T},...,{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T}]}^T$

$=\underset{k_u=1}{\overset{K_u}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{\left(k_u\right)}^u{\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T}=\left(\underset{k_u=1}{\overset{K_u}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{\left(k_u\right)}^u\right){\underset{\‾}{H}}_{\left(1\right)}^{\left(u\right)T}---(1-20)$

因此，依然可以采用公式1-15中的方法计算信道估计：

此时 ${\underset{\‾}{G}}^O=[{\underset{\‾}{G}}_{\left(m\right)}^1,{\underset{\‾}{G}}_{\left(m\right)}^2,...,{\underset{\‾}{G}}_{\left(m\right)}^U],$ ${\underset{\‾}{G}}_{\left(m\right)}^u=\underset{k_u=1}{\overset{K_u}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{\left(k_u\right)}^u.---(1-21)$

结论：根据如上分析，如果采用Kcell＝8，L＝128的配置，则只要本小区和同频邻小区所有用户个数之和小于8，则可以求得各小区各用户的理论最小二乘信道估计(参看公式1-18)，这信道估计是多小区信道估计“联合检测”得到的，因而相当于已经做了理想干扰消除。

对于TD-SCDMA常规的语音业务，如上这个条件一般不能满足(对于语音业务，同一时隙会被多个用户占用是么，所以不能满足同一时隙内本小区和同频邻小区所有用户个数之和小于8)。但对于HSDPA的下行，往往同一个时隙只调度一个用户(分配给一个用户用)，此时上述条件很容易满足，对于HSUPA的上行，如果在调度过程中，一个时隙只调度一个用户，则也可以采用如上算法进行信道估计。

根据如上原理，以下给出本发明多小区信道估计方法第一实施例，在所选本小区及同频邻小区中用户总数不超过8个的情况下，该实施例的流程如图3所示，包括：

S31：获得本小区和邻小区中各用户的导频训练序列，并将获得的导频训练序列构造矩阵。

本小区用户(基站，或终端)需要知道邻小区用户(终端，或基站)情况和窗占用情况，在实际中，可以通过基站直接互传信令实现，或者在无线网络控制器(Radio Network Controller，RNC)通过专门的信令传输到基站或者终端。

所述获得本小区中各用户的导频训练序列，如对于基站来说，其可以是获得本身具有的本小区各用户的导频训练矩阵或者导频训练序列编号和移位长度。

所述获得邻小区中各用户的导频训练序列，如对于基站来说，其可以是接收邻小区基站发来的邻小区中各用户的导频训练序列。另外，也可以是接收RNC发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。上述基站通过导频训练序列编号和移位长度就能知道响应的导频训练序列，下面与此类似。

所述获得本小区中各用户的导频训练序列，如对于终端来说，其可以是接收本小区基站发来的本小区各用户的导频训练矩阵或者导频训练序列编号和移位长度。

所述获得邻小区中各用户的导频训练序列，如对于终端来说，其可以是接收邻小区基站通过本小区基站传来的所述邻小区中各用户的导频训练序列。另外，也可以是通过本小区基站接收RNC发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

特别的，对于高速分组接入业务(High Speed Packet Access，HSPA)中，由于一个时隙仅用于调度一个用户，则该用户会占用所有的窗，即该用户对每个移位的训练序列都会占用，因而无需专门传输这些信息。而由于小区号与训练序列的唯一绑定关系，可以通过小区号获得基本训练序列，从而可以获得每个移位的训练序列。

因此，对于HSPA中，如对于基站来说，其获得邻小区中各用户的导频训练序列，可以是通过邻小区的小区号获得邻小区中各用户的导频训练序列。对于HSPA中，如对于终端来说，由于终端为了实现常规的切换等功能，必然会具有邻小区的小区号，因此，其获得邻小区中各用户的导频训练序列，可以是根据邻小区的小区号获得邻小区中各用户的导频训练序列。

需要指出的是，所述每个用户使用多个训练序列，在TD-SCDMA系统中，具体为每个用户占用多个窗。

对于第u个小区的第ku个用户，如果每个用户只使用一个训练序列，将其导频训练序列写成L×W维Toeplitz矩阵的形式为

对于第u个小区的第k_u个用户，如果每个用户使用多个训练序列，则获取小区u中用户k_u的导频训练序列矩阵如下：

${\underset{\‾}{G}}_{\left(k_u\right)}^u=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{(k_u,m)}^u,k_u=1,...K_u---(1-22)$

这里

为用户使用的每个训练序列所对应的L×W维Toeplitz矩阵。

其中，u表示第u个小区，k_u表示第k_u个用户，K_u表示用户总数，m表示第m个训练序列，N表示每个用户使用的训练序列的数目，

表示用户使用的每个训练序列所对应的L×W维Toeplitz矩阵，L表示训练序列长度，W表示各个用户所使用的训练序列移位长度。

对于上述每个用户只使用一个训练序列或每个用户使用多个训练序列情况的，可以将各个小区各个用户导频训练序列所对应的矩阵联合构造为一个矩阵，

$G=[{\underset{\‾}{G}}_{\left(1\right)}^1,{\underset{\‾}{G}}_{\left(2\right)}^1,...,{\underset{\‾}{G}}_{\left(K_1\right)}^1,...,{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u,...,{\underset{\‾}{G}}_{\left(1\right)}^U,{\underset{\‾}{G}}_{\left(2\right)}^U,...,{\underset{\‾}{G}}_{\left(K_U\right)}^U]---\left(\text{1-23}\right)$

特别的，如果每个小区只有一个用户，则上公式1-23中的矩阵可以简化为：

$G=[{\underset{\‾}{G}}_{\left(1\right)}^1,...,{\underset{\‾}{G}}_{\left(1\right)}^u,...,{\underset{\‾}{G}}_{\left(1\right)}^U]---(1-24)$

S32：利用所述导频训练矩阵求得信道估计结果。

求得信道估计的方法包括如下两种方法：

方法1：ZF算法

其基本过程按照下面的公式1-25进行计算，这需要预先估计多天线上接收噪声的空时协方差矩阵

其维度为L×L，其估计方法同现有技术。

$\underset{\‾}{H}={\left({\left(G\right)}^H{R}_m^{-1}G\right)}^{-1}{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m---(1-25)$

为了简化运算，还可按照公式1-26进行计算，即令R_m＝I^L，这里I^L表示L×L维单位阵。

H＝((G)^HG)^-1(G)^H E _m                   (1-26)

采用公式1-26进行计算，可以使计算量大为减少。

方法2：MF算法

其基本过程按照公式1-22进行计算，这需要预先估计多天线上接收噪声的空时协方差矩阵其维度为L×L，其估计方法可以认为是现有技术。

$\underset{\‾}{H}={\mathrm{\σ}}^2{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m---(1-27)$

σ²表示接收噪声的功率。

为了简化运算，还可按照如下公式(1-28)进行计算，即令R_m＝I^L，这里I^L表示L×L维单位阵。采用公式1-28进行计算，可以使计算量大为减少。

H＝(G)^H E _m                                   (1-28)

上面的E _m为某天线接收到的训练序列排成的列向量。

除上述两种方法以外，还可以采用MMSE(Minimum mean square error，最小均方误差解)算法，不再赘述。

S33：从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

上述S32步骤中，信道估计H中各小区各用户的信道估计结果排列方式可以分离为如下形式：

$\underset{\‾}{H}={[{\underset{\‾}{h}}_{\left(1\right)}^1,{\underset{\‾}{h}}_{\left(2\right)}^1,...,{\underset{\‾}{h}}_{\left(K_1\right)}^1,...,{\underset{\‾}{h}}_{\left(1\right)}^u,{\underset{\‾}{h}}_{\left(2\right)}^u,...,{\underset{\‾}{h}}_{\left(K_u\right)}^u,...,{\underset{\‾}{h}}_{\left(1\right)}^U,{\underset{\‾}{h}}_{\left(2\right)}^U,...,{\underset{\‾}{h}}_{\left(K_U\right)}^U]}^T---(1-29)$

则即为第u个小区中第k_u用户的信道估计结果。

得到了接收天线的本小区信道估计结果和邻小区信道估计结果，进而，可抑制邻小区信号构成的干扰，从而可以提高系统性能。

需要说明的是，如果系统采用了多天线，则只需对每天线重复S32和S33，即能获得各个天线对应的本小区信道估计结果和邻小区信道估计结果。

此外，本领域技术人员都知道，如上构造矩阵的方法，实际上等同于构造了一个方程组，因此，如果采用先构造多小区联合方程组，然后通过解方程组的方法联合求解多小区信道估计的方法也应当包含于本发明的保护范围。

此外，如果在NodeB侧应用本发明，并且对于某些特殊的系统，如TD-SCDMA的HSUPA，同一个时刻各个小区往往只配一个用户，此时由于上行各个小区的用户信息、码字信息和频点信息是固定的，因而可以通过预算计算的方法，从而能大大节省实时计算的复杂度。具体的，根据公式1-26，由于上行各个小区的用户信息、码字信息和频点信息是固定的，矩阵G也是确定的，这样，可以预先计算好((G)^HG)^-1(G)^H，因此公式(1-26)中就只有乘法，计算量可以大大减小。

如上述实施例中，将多个小区的信道估计联合建立矩阵(或方程组0，通过联合检测的思路，求解各个小区信道估计结果，而具备本行业专业技术知识的人都知道，联合检测方法是一种理想的干扰消除方法，因而能有效提升信道估计性能，提升系统容量和吞吐量。

以下介绍本发明多小区信道估计装置实施例，图4示出了该装置的框图，如图，包括：

获得单元41，用于获得本小区和邻小区中各用户的导频训练序列，

矩阵构造单元42，用于将获得的导频训练序列构造矩阵；

信道估计结果计算单元43，用于利用所述导频训练矩阵求得信道估计结果；

分离单元44，用于从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

优选地，所述装置应用于基站中，且，

所述获得单元41获得单元获得邻小区中各用户的导频训练序列，具体包括接收邻小区基站发来的邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；或，

所述获得单元41获得邻小区中各用户的导频训练序列，具体包括通过接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

优选地，所述装置应用于终端中，且，

所述获得单元41获得邻小区中各用户的导频训练序列，具体包括接收邻小区基站通过本小区基站传来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；或，

所述获得单元41获得邻小区中各用户的导频训练序列，具体包括通过本小区基站接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

优选地，所述装置应用于高速分组接入业务中，且，

所述获得单元41获得邻小区中各用户的导频训练序列，具体包括根据邻小区的小区号获得邻小区中各用户的导频训练序列。

优选地，所述装置中，所述矩阵构造单元42将获得的导频训练序列构造矩阵，包括：

所述矩阵构造单元42对于上述每个用户只使用一个训练序列或每个用户使用多个训练序列情况的，将各个小区各个用户导频训练序列所对应的矩阵联合构造为一个矩阵，

$G=[{\underset{\‾}{G}}_{\left(1\right)}^1,{\underset{\‾}{G}}_{\left(2\right)}^1,...,{\underset{\‾}{G}}_{\left(K_1\right)}^1,...,{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u,...,{\underset{\‾}{G}}_{\left(1\right)}^U,{\underset{\‾}{G}}_{\left(2\right)}^U,...,{\underset{\‾}{G}}_{\left(K_U\right)}^U],$

其中，u表示第u个小区，k_u表示小区u中的第k_u个用户，K_u表示小区u中在同一频点和时隙中活动的用户个数，U表示同频多小区个数；

(1)对于第u个小区的第k_u个用户，如果每个用户只使用一个训练序列，其导频训练序列为L×W维Toeplitz矩阵的形式：

(2)对于第u个小区的第k_u个用户，如果每个用户使用多个训练序列，小区u中用户k_u的导频训练序列矩阵如下：

${\underset{\‾}{G}}_{\left(k_u\right)}^u=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{(k_u,m)}^u,k_u=1...K_u,$

其中，

为用户使用的每个训练序列所对应的L×W维Toeplitz矩阵。

优选地，所述装置中，所述信道估计结果计算单元43利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元43按照下式求得导频估计结果：

$\underset{\‾}{H}={\left({\left(G\right)}^H{R}_m^{-1}G\right)}^{-1}{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计的多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

优选地，所述((G)^HG)^-1(G)^H为预先计算的值。

优选地，所述装置中，所述信道估计结果计算单元43利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元按照下式求得导频估计结果：

$\underset{\‾}{H}={\mathrm{\σ}}^2{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

优选地，所述装置中，所述信道估计结果计算单元43利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元按照下式求得导频估计结果：

H＝(G)^H E _m。

优选地，所述装置中，所述分离单元44从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果，包括：

所述分离单元44按照下式分离信道估计H中各小区各用户的信道估计结果的排列方式：

$\underset{\‾}{H}={[{\underset{\‾}{h}}_{\left(1\right)}^1,{\underset{\‾}{h}}_{\left(2\right)}^1,...,{\underset{\‾}{h}}_{\left(K_1\right)}^1,...,{\underset{\‾}{h}}_{\left(1\right)}^u,{\underset{\‾}{h}}_{\left(2\right)}^u,...,{\underset{\‾}{h}}_{\left(K_u\right)}^u,...,{\underset{\‾}{h}}_{\left(1\right)}^U,{\underset{\‾}{h}}_{\left(2\right)}^U,...,{\underset{\‾}{h}}_{\left(K_U\right)}^U]}^T.$

利用上述本发明提供的实施例，能够有效抑制信道估计中的同频干扰，对于同频多小区环境，则能提供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，本发明实施例实现简单，具有很高的应用价值。

虽然通过实施例描绘了本发明实施例，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。

Claims (21)

1.一种多小区信道估计方法，其特征在于，包括：

获得本小区和邻小区中各用户的导频训练序列，并将获得的导频训练序列构造矩阵；

利用所述导频训练矩阵求得信道估计结果；

从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

2.如权利要求1所述的方法，其特征在于，所述获得邻小区中各用户的导频训练序列，对于基站，包括：

接收邻小区基站发来的邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；或，

接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

3.如权利要求1所述的方法，其特征在于，所述获得邻小区中各用户的导频训练序列，对于终端，包括：

接收邻小区基站通过本小区基站传来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；

通过本小区基站接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

4.如权利要求1所述的方法，其特征在于，在高速分组接入业务中，所述获得邻小区中各用户的导频训练序列，对于基站或终端，包括：

根据邻小区的小区号获得邻小区中各用户的导频训练序列。

5.如权利要求1所述的方法，其特征在于，所述将获得的导频训练序列构造矩阵，包括：

对于上述每个用户只使用一个训练序列或每个用户使用多个训练序列情况的，将各个小区各个用户导频训练序列所对应的矩阵联合构造为一个矩阵，

$G=[{\underset{\‾}{G}}_{\left(1\right)}^1,{\underset{\‾}{G}}_{\left(2\right)}^1,...,{\underset{\‾}{G}}_{\left(K_1\right)}^1,...,{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u,...,{\underset{\‾}{G}}_{\left(1\right)}^U,{\underset{\‾}{G}}_{\left(2\right)}^U,...,{\underset{\‾}{G}}_{\left(K_U\right)}^U],$

其中，u表示第u个小区，k_u表示小区u中的第k_u个用户，K_u表示小区u中在同一频点和时隙中活动的用户个数，U表示同频多小区个数；

(1)对于第u个小区的第k_u个用户，如果每个用户只使用一个训练序列，其导频训练序列为L×W维Toeplitz矩阵的形式：

k_u＝1...K_u；

(2)对于第u个小区的第k_u个用户，如果每个用户使用多个训练序列，小区u中用户k_u的导频训练序列矩阵如下：

${\underset{\‾}{G}}_{\left(k_u\right)}^u=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{(k_u,m)}^u,k_u=1...K_u,$

其中，k_u＝1...K_u，m＝1...N为用户使用的每个训练序列所对应的L×W维Toeplitz矩阵，L表示导频序列长度，W表示区分各用户导频序列的移位长度。

6.如权利要求5所述的方法，其特征在于，利用所述导频训练矩阵求得信道估计结果，包括：

按照下式求得信道估计结果：

$\underset{\‾}{H}={\left({\left(G\right)}^H{R}_m^{-1}G\right)}^{-1}{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计的多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

7.如权利要求6所述的方法，其特征在于，利用所述导频训练矩阵求得信道估计结果，包括：

按照下式求得信道估计结果：

H＝((G)^HG)^-1(G)^H E _m。

8.如权利要求7所述的方法，其特征在于，所述((G)^HG)^-1(G)^H为预先计算的值。

9.如权利要求5所述的方法，其特征在于，利用所述导频训练矩阵求得信道估计结果，包括：

按照下式求得导频估计结果：

$\underset{\‾}{H}={\mathrm{\σ}}^2{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

10.如权利要求9所述的方法，其特征在于，利用所述导频训练矩阵求得信道估计结果，包括：

按照下式求得导频估计结果：

H＝(G)^H E _m。

11.如权利要求6至10中任一项所述的方法，其特征在于，所述从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果，包括：

信道估计H中各小区各用户的信道估计结果排列方式按照如下形式分离：

$\underset{\‾}{H}={[{\underset{\‾}{h}}_{\left(1\right)}^1,{\underset{\‾}{h}}_{\left(2\right)}^1,...,{\underset{\‾}{h}}_{\left(K_1\right)}^1,...,{\underset{\‾}{h}}_{\left(1\right)}^u,{\underset{\‾}{h}}_{\left(2\right)}^u,...,{\underset{\‾}{h}}_{\left(K_u\right)}^u,{\underset{\‾}{h}}_{\left(1\right)}^U,...,{\underset{\‾}{h}}_{\left(2\right)}^U,...,{\underset{\‾}{h}}_{\left(K_U\right)}^U]}^T.$

12.一种多小区信道估计装置，其特征在于，包括：

获得单元，用于获得本小区和邻小区中各用户的导频训练序列，

矩阵构造单元，用于将获得的导频训练序列构造矩阵；

信道估计结果计算单元，用于利用所述导频训练矩阵求得信道估计结果；

分离单元，用于从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果。

13.如权利要求12所述的装置，其特征在于，所述装置应用于基站中，且，

所述获得单元获得单元获得邻小区中各用户的导频训练序列，具体包括接收邻小区基站发来的邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；或，

所述获得单元获得单元获得邻小区中各用户的导频训练序列，具体包括通过接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

14.如权利要求12所述的装置，其特征在于，所述装置应用于终端中，且，

所述获得单元获得邻小区中各用户的导频训练序列，具体包括接收邻小区基站通过本小区基站传来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度；或，

所述获得单元获得邻小区中各用户的导频训练序列，具体包括通过本小区基站接收无线网络控制器发来的所述邻小区中各用户的导频训练序列或者导频训练序列编号和移位长度。

15.如权利要求12所述的装置，其特征在于，所述装置应用于高速分组接入业务中，且，

所述获得单元获得邻小区中各用户的导频训练序列，具体包括根据邻小区的小区号获得邻小区中各用户的导频训练序列。

16.如权利要求12所述的装置，其特征在于，所述矩阵构造单元将获得的导频训练序列构造矩阵，包括：

所述矩阵构造单元对于上述每个用户只使用一个训练序列或每个用户使用多个训练序列情况的，将各个小区各个用户导频训练序列所对应的矩阵联合构造为一个矩阵，

$G=[{\underset{\‾}{G}}_{\left(1\right)}^1,{\underset{\‾}{G}}_{\left(2\right)}^1,...,{\underset{\‾}{G}}_{\left(K_1\right)}^1,...,{\underset{\‾}{G}}_{\left(1\right)}^u,{\underset{\‾}{G}}_{\left(2\right)}^u,...,{\underset{\‾}{G}}_{\left(K_u\right)}^u,...,{\underset{\‾}{G}}_{\left(1\right)}^U,{\underset{\‾}{G}}_{\left(2\right)}^U,...,{\underset{\‾}{G}}_{\left(K_U\right)}^U],$

其中，u表示第u个小区，k_u表示小区u中的第k_u个用户，K_u表示小区u中在同一频点和时隙中活动的用户个数，U表示同频多小区个数；

(1)对于第u个小区的第k_u个用户，如果每个用户只使用一个训练序列，其导频训练序列为L×W维Toeplitz矩阵的形式：

k_u＝1...K_u；

(2)对于第u个小区的第k_u个用户，如果每个用户使用多个训练序列，小区u中用户k_u的导频训练序列矩阵如下：

${\underset{\‾}{G}}_{\left(k_u\right)}^u=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{\underset{\‾}{G}}_{(k_u,m)}^u,k_u=1...K_u,$

其中，

k_u＝1...K_u，m＝1...N为用户使用的每个训练序列所对应的L×W维Toeplitz矩阵。

17.如权利要求16所述的装置，其特征在于，所述信道估计结果计算单元利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元按照下式求得导频估计结果：

$\underset{\‾}{H}={\left({\left(G\right)}^H{R}_m^{-1}G\right)}^{-1}{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计的多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

18.如权利要求17所述的装置，其特征在于，所述((G)^HG)^-1(G)^H为预先计算的值。

19.如权利要求16所述的装置，其特征在于，所述信道估计结果计算单元利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元按照下式求得导频估计结果：

$\underset{\‾}{H}={\mathrm{\σ}}^2{\left(G\right)}^H{R}_m^{-1}{\underset{\‾}{E}}_m$

其中，

为预先估计多天线上接收噪声的空时协方差矩阵，维度为L×L；E _m为某天线接收到的训练序列排成的列向量。

20.如权利要求19所述的装置，其特征在于，所述信道估计结果计算单元利用所述导频训练矩阵求得信道估计结果，包括：

所述信道估计结果计算单元按照下式求得导频估计结果：

H＝(G)^H E _m。

21.如权利要求17至20中任一项所述的装置，其特征在于，所述分离单元从信道估计结果中分离出各个小区各个用户对应于接收天线的信道估计结果，包括：

所述分离单元按照下式分离信道估计H中各小区各用户的信道估计结果的排列方式：

$\underset{\‾}{H}={[{\underset{\‾}{h}}_{\left(1\right)}^1,{\underset{\‾}{h}}_{\left(2\right)}^1,...,{\underset{\‾}{h}}_{\left(K_1\right)}^1,...,{\underset{\‾}{h}}_{\left(1\right)}^u,{\underset{\‾}{h}}_{\left(2\right)}^u,...,{\underset{\‾}{h}}_{\left(K_u\right)}^u,...,{\underset{\‾}{h}}_{\left(1\right)}^U,{\underset{\‾}{h}}_{\left(2\right)}^U,...,{\underset{\‾}{h}}_{\left(K_U\right)}^U]}^T.$

Images