CN101803250A - 用于噪声上升估计的方法和设备 - Google Patents

Abstract

用于无线通信系统中的噪声上升估计的设备(90)包括用于测量所接收总宽带功率的功率测量装置(45)。用于计算噪声基底度量的估计的装置(52)使其计算基于多个测量的所接收总宽带功率。用于运算有偏噪声上升度量的值的装置(80)使其运算基于多个所接收总宽带功率或由此得到的估计以及噪声基底度量的估计中的相应一个估计。提供了用于提供表示有偏噪声上升度量的值的长期特性的度量的装置(91)。用于获得当前无偏噪声上升度量的值的装置(93)使其功能基于表示有偏噪声上升度量的值的长期特性的度量。还公开了对应的方法。

Description

用于噪声上升估计的方法和设备

技术领域

本发明大体上涉及用于估计蜂窝通信系统中的负载的方法和设备，并且尤其涉及用于码分多址通信系统中的噪声上升(noise rise)估计。

背景技术

宽带码分多址(WCDMA)电信系统具有许多有吸引力的能够被用于电信服务的未来发展的特性。在例如WCDMA和类似系统中的特定技术难题是将增强的上行链路信道调度到这样的时间间隔，其中干扰条件是有利的，并且其中在所讨论的小区的上行链路中存在足够支持增强的上行链路信道的容量。公知的是，小区的现有用户全都助长了WCDMA系统的上行链路中的干扰电平。此外，相邻小区中的终端也助长了相同的干扰电平。这是因为当使用CDMA技术时小区的所有用户和公共信道在相同频带进行传输。小区的负载与相同小区的干扰电平直接相关。

为了保持小区的稳定性，需要将负载保持在某一水平之下。因为大多数上行链路用户信道(至少在WCDMA中)受到功率控制，所以需要这样做。该功率控制旨在将每个信道的接收功率电平保持在某一信号干扰比(SIR)，以便能够满足特定服务要求。该SIR水平通常是这样的以使得无线电基站(RBS)中的接收功率比干扰电平低若干dB。所谓的RAKE接收机中的解扩然后将每个信道增强到某一信号电平，其中所传输的比特能够例如通过位于信号处理链中更后位置的信道解码器和语音编解码器而被进一步处理。

因为RBS尝试将每个信道保持在其特定优选的SIR值，所以可能发生以下情况：另外的用户，或现有用户的突发(bursty)数据业务提升了干扰电平，由此瞬时地降低了其他用户的SIR。RBS的响应是命令对所有其他用户进行功率增加，这越发增加了干扰。通常该过程在某一负载水平之下保持稳定。在高容量信道会突然出现的情况下，干扰上升变得很大并且不稳定的风险(所谓的功率骤增)增加。因此所必需的是调度高容量上行链路信道，例如WCDMA中的增强的上行链路(E-UL)信道，以使得能够确保不稳定性被消除。为了这样做，必须在RBS中估计瞬时负载。这实现了对不稳定点左侧的容量裕度的评估。

例如CDMA系统中的小区的负载通常指的是与功率相关的某个量，典型地为噪声上升。存在着多种噪声上升度量(measure)。最重要的一种可能是被定义为小区的总干扰与RBS的接收机的热噪声功率基底(floor)的商的热增量(Rise over Thermal，RoT)。其他度量包括相对于热噪声基底的带内非WCDMA干扰。因此，功率量-例如总功率电平和噪声基底(理想地热噪声基底)必须被确定。

此外还可以提到的是就其控制而言需要负载估计的同样重要的参数是小区的覆盖。所述覆盖通常与为了正常运转而需要工作在特定SIR的特定服务有关。上行链路小区边界于是由以最大输出功率工作的终端来限定。RBS中的最大接收信道功率由终端的最大功率以及到数字接收机的路径损耗来限定。因为路径损耗是终端与RBS之间的距离的直接函数，所以就产生了距RBS的最大距离。从RBS的所有方向取该距离，限定了所述覆盖。

由此可见，干扰电平的任何增加引起不能通过增加终端功率来补偿的降低的SIR。因此，需要降低路径损耗以保持服务。这意味着终端需要移动到更接近于RBS，即小区的覆盖减小。

从以上讨论很明显的是，为了保持运营商已经规划的小区覆盖，有必要将负载保持在特定水平之下。这意味着负载估计对于覆盖也是很重要的。特别地，从覆盖的角度看，负载估计在RBS中对增强上行链路业务的快速调度中是重要的。

此外，控制着多个RBS的无线电网络控制器(RNC)中的接纳控制和拥塞控制功能也受益于有关小区的瞬时噪声上升的准确信息。就硬件资源而言以及就负载而言，接纳控制确保小区中的用户数目不会大于能够处理的数目。过高的负载首先表现为过差的服务质量，该事实由外部功率控制回路通过增加SIR目标来处理。原理上，该反馈回路还可能引入功率骤增，如在之前的部分中描述的那样。

接纳控制功能能够通过调节就RNC所控制的每个小区而言允许的用户数目和对应业务类型来防止以上两种影响。

为了调节用户的数目，RNC需要具有用于计算小区的负载的度量的装置。然后将小区的负载的该度量与阈值进行比较，并且如果在假设添加新用户之后小区的负载预计会保持在阈值之下，则接受新用户。要求一种用于接纳控制功能的改进的负载度量，以使得在不牺牲小区稳定性极限的情况下能够接受更高数目的用户。

在所公布的国际专利申请WO 2006/076969中公开了一种用于改进负载估计的方法。功率量的最小值，优选地瞬时总接收宽带功率与在相同小区中使用的所有链路的瞬时功率和之差，被用作热噪声基底的上限的估计。在所公布的国际专利申请WO 2007/024166中公开了用于基于类似的最小值的基本思想进行噪声上升估计的最优且软算法。在所公布的国际专利申请WO 2007/055626中进一步公开了涉及此类算法的复杂度简化过程。

用于估计热噪声功率基底的这些原理通过以下方式执行：将热噪声功率基底作为包括热噪声基底的所测量或所估计的功率量的最小值来估计。该最小值一般在预定时间间隔上计算。如果没有码功率测量可用，则所讨论的功率是总接收宽带功率。因此一种用于获得噪声上升度量的方法将是通过将瞬间总接收宽带功率除以所确定的热噪声基底功率来运算噪声上升，所述热噪声基底功率是作为在预定时间间隔上的总接收宽带功率的最小值来估计的。在所有情况下，肯定的是最小值构成未知噪声基底的上限。

然而，例如当仅仅接收总宽带功率可用但单独码功率不可用时，所有码功率贡献(contribution)、相邻小区贡献以及在某种场合下的其他外部贡献等于零的概率随着平均负载而变化。如果存在着所有码功率贡献、相邻小区贡献以及在某种场合下的其他外部贡献等于零的合理概率，则最小值是对“真实”噪声基底的良好估计。然而，在较高的负载处，结果是总功率测量或估计在真实噪声基底附近的可能性将会降低并且最小值成为稍差的估计。因此，基于这样的噪声基底估计所确定的噪声上升度量通常将被低估，这又增加了例如功率骤增的风险。

发明内容

现有技术负载估计的一般问题是对噪声上升的确定受到重大不确定性的影响，所述不确定性主要起因于难以估计真实的噪声基底。

本发明的主要目的是提供用于确定例如用于负载估计的与功率相关的量的改进的方法和设备。本发明的另一目的是提供给出更准确地确定独立于负载的噪声基底度量的机会的方法和设备。

上述目的利用根据所附专利权利要求的方法和设备来实现。一般而言，在第一方面，一种用于无线通信系统中的噪声上升估计的方法包括多次测量至少所接收总宽带功率。噪声基底度量的多个估计被计算。所述计算至少基于多个测量的所接收总宽带功率。有偏(biased)噪声上升度量的多个值被运算。所述运算至少基于多个所述测量的所接收总宽带功率以及噪声基底度量的估计中的相应一个估计。表示有偏噪声上升度量的值的长期特性的度量被提供。至少基于表示有偏噪声上升度量的值的长期特性的度量来获得当前、无偏(unbiased)噪声上升度量的值。

在第二方面，一种用于无线通信系统中的噪声上升估计的设备包括用于多次测量至少所接收总宽带功率的功率测量装置。用于至少基于多个测量的所接收总宽带功率来计算噪声基底度量的估计的装置连接到功率测量装置。用于至少基于多个测量的所接收总宽带功率或由此得到的量以及噪声基底度量的估计中的相应一个估计来运算有偏噪声上升度量的值的装置连接到用于计算的装置。用于提供表示有偏噪声上升度量的值的长期特性的度量的装置连接到用于运算的装置。用于至少基于表示有偏噪声上升度量的值的长期特性的度量来获得当前无偏噪声上升度量的值的装置连接到用于提供的装置。

在第三方面，一种用于无线通信系统中的节点包括根据第二方面的设备。

在第四方面，一种无线通信系统包括根据第二方面的设备。

本发明的优点在于：适当的性能被扩展至宽得多的操作负载范围且同时复杂度仍保持很低并且同时不需要提供附加的测量信号，就此意义而言热噪声基底估计的准确度得到改进。能够针对每个小区并且在天线多支路应用的情况下针对每个天线支路单独地估计偏差函数。

附图说明

通过参考以下与附图结合所给出的描述，将会最佳地理解本发明及其进一步的目的和优点，在附图中：

图1图示了小区中的噪声上升与总比特率之间的典型关系。

图2是在典型的移动通信网络中出现的信号功率的示意图；

图3A-B是在两个不同站点(site)通信吞吐量级别的所接收总宽带功率的时间图；

图4是图示出作为小区中的负载的函数的噪声基底估计的偏差(bias)的图；

图5是根据本发明的噪声上升估计设备的实施例的框图；

图6是根据本发明的噪声上升估计设备的另一实施例的框图；

图7是根据图5的噪声上升估计设备的一部分的实施例的框图；

图8是根据本发明的系统的实施例的主要部分的框图；并且

图9是根据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

在整个本公开中，等式中的黑体字指的是矢量或矩阵量。

在附图中，对应的附图标记用于指代类似或对应部分。

这里的详细说明受益于略微更深入地理解如何执行负载估计以及与之有关的问题。关于参考和测量点、功率测量、功率控制回路、噪声上升、噪声基底的可观察性和噪声上升估计的描述可以在WO2007/024166中找到并且在一般意义上也适用于本公开。

在下文中首先还给出了对无线通信系统中的负载估计的非常简要的概述。

图1是图示出与负载估计有关的状态的图。噪声上升N_R，被定义为总功率与在天线连接器处测量的热噪声电平之间的比率，也被称为噪声基底，是负载的度量。在噪声上升阈值N_R ^thr之上，情况变得不稳定。总比特率与噪声上升N_R之间的关系100从控制回路的设计得知，并且一旦瞬时噪声上升N_R已经被确定，就能够执行对附加信道的调度。极容量(pole capacity)C_pole表示单位为每秒比特的最大比特率容量。阈值N_R ^thr与由热噪声电平定义的电平之间的典型差ΔN通常为7dB。然而，本发明的目的之一是提高对噪声基底或热噪声电平的确定的准确度。

图2图示了结合无线通信系统170中的RBS 20所进行的功率测量的贡献。RBS 20与小区30相关联。在小区30内，存在通过不同链路与RBS 20通信的多个移动终端20，每个移动终端对总接收功率的贡献为P_i ^Code(t)。小区30具有处于相同WCDMA系统内的多个相邻小区31，每个相邻小区与RBS 21相关联。所述相邻小区还包括移动终端26。移动终端26发射射频功率并且所有这样的贡献的总和由P^N表示。还可能存在其他网络外部辐射源，例如像雷达站41。来自这样的外部源的贡献由P^E表示。最后，表示噪声基底功率的P_N项产生自接收机自身。

总的宽带功率测量P_Measurement ^RTWP(t)能够由下式表示：

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

其中

P^E+N＝P^E+P^N，                                    (2)

并且其中e^RTWP(t)对测量噪声建模。

在数学上能够证明P^E+N(t)和P_N的线性估计不是可观察到的问题。只有总和P^E+N+P_N能够从可获得的测量观察到。

现有技术解决方案的一些问题在背景技术部分中被简要提及。为了更深入地理解，这在图3A中示意性地示出。所接收或估计的总宽带功率的瞬时值102在此被图示为时间的函数。所述值根据瞬时负载而大幅地波动。众所周知热噪声基底贡献总是存在的，并且因此能够推断出如果忽略测量不确定性，则噪声基底贡献必须等于或小于在某一时段内所接收的总接收宽带功率的最小值104。如果存在着所有码功率贡献、相邻小区贡献以及在某种场合下的其他外部贡献都等于零的合理概率，则最小值104是对“真实”噪声基底106的良好估计。然而，在所有情况下，肯定的是最小值104构成未知噪声基底的上限。

为了改进对噪声基底的估计，递归估计滤波器能够被应用于一系列测量，从而提供对所接收总宽带功率的估计，以及其方差。热噪声功率基底然后可以通过软算法来估计。

当仅仅所接收总宽带功率可用但单独码功率不可用时，所有码功率贡献、相邻小区贡献以及在某种场合下的其他外部贡献等于零的概率随着平均负载而变化。图3B图示了其中所讨论的RBS的平均负载大于图3A的测量情形。这是很明显的，因为能够很容易看到平均接收总宽带功率显著增加。所有的码功率贡献等于或接近于零的概率变得更低。另一影响将是当系统的长期平均负载增加时，则通常相邻小区干扰也会增加。其结果是，总功率测量或估计在真实噪声基底106附近的可能性将降低。非常接近于真实噪声基底的测量结果的可能性也将较小。所有这些影响合起来将引起：所确定的最小值104将不太适合作为用于高负载情形的噪声基底估计。因此，基于这样的噪声基底估计所确定的噪声上升度量通常将被低估，这又增加了例如功率骤增的风险。

图4图示了作为小区中的负载或提供的业务的函数的热噪声基底的偏差的模拟结果。所述业务在这种模拟中是话音业务。所述算法仍然适用于中等负载的系统，如当前和近期的WCDMA系统。然而，对于当对高上行链路吞吐量的需求增加时所预见的很高的负载而言，先前所使用的算法不能完全成功找到与零瞬时负载相对应的真实最小值。如图4中所看到的，结果是估计的噪声基底过高，对于高负载而言一般在0.5和1.0dB之间。

根据本发明，表示噪声上升度量的长期特性的度量被记录。因此，这种表示长期特性的度量在某种意义上对应于在进行噪声上升度量所基于的对应噪声基底确定的时段期间存在的一般负载水平或与之相关联。噪声基底确定的偏差与长期特性的度量之间的相关性能够在理论上或凭经验获得。长期特性的当前度量然后被用于校正由于负载而引起的当前出现在噪声基底确定或者由此确定的量中的任何偏差。

用于确定噪声上升的设备90的实施例在图5中作为框图示出。功率测量装置45被安排用于多次测量至少所接收总宽带功率。表示所接收总宽带功率的度量61被提供给负载估计器51，在当前实施例中被提供给噪声上升估计器设备50。用于计算噪声基底度量的估计的装置52接收度量61并且被安排成使噪声基底度量的估计至少基于度量61。用于计算的装置52向噪声上升估计块80提供所接收总宽带功率的估计69以及噪声基底度量的估计79。噪声上升估计块80是被安排用于运算有偏噪声上升度量81的值的装置。噪声上升估计块80由此被安排用于使所述运算基于估计的所接收总宽带功率69，由此间接地基于测量的所接收总宽带功率61，以及噪声基底度量的估计79。

根据本发明，有偏噪声上升度量81被用作可以对其执行偏差校正的信息。

作为负载的函数或更具体地作为当前噪声上升度量的函数的偏差能够以不同的方式来提供。一种方式是例如结合小区规划活动来模拟干扰情形。偏差与负载之间的预定关系于是能够被使用。然而，这必须针对每个小区单独地执行。另一方法是通过使用所设计的信令(signalling)条件来实际地测量该关系并且实际地测量干扰特性。然而，这将会非常复杂并且将占用网络信令资源。

在优选方法中，每个小区在正常操作条件期间创建其自己的偏差与负载之间的个体关系。为此，有偏噪声上升度量81被提供给用于提供表示有偏噪声上升度量81的值的长期特性的度量的装置91。在当前实施例中，用于提供表示长期特性的度量95的装置91是长期平均部92。这里，所获得的度量95表示在与其间获得噪声基底值的时间相关联的时段上的有偏噪声上升度量81。换言之，在这样的时段期间获得的噪声基底值与所获得的长期特性之间存在联系。实际上，这意味着在平均中使用的时间常数通常需要比噪声基底估计器的适应时间常数稍快。在当前实施例中，选择平均值来表示长期特性。然而，表征典型长期特性的其他度量，例如与典型值相联系的中值(median)或任何其他统计度量都能够被使用。

为了生成用于估计噪声基底偏差的自变量，在偏差补偿之前所估计的上行链路热增量的平均因此在当前实施例中被使用。对于具有多于一个天线支路的系统，针对每个天线支路使用单独的平均。为了避免表示复杂，以下等式仅仅示出用于一个天线支路的过程。当前实施例中热增量(RoT)被用作示例性噪声上升度量。所述平均能够例如利用传统的自回归滤波器来执行，即：

MeanRoT(t)＝γMeanRoT(t-1)+(1-γ)RoTEstimate(t).       (3)

这里γ表示滤波器常数，MeanRoT(t)表示在时间t的平均热增量并且RoTEstimate(t)是所估计的有偏热增量，即在偏差补偿前。

(3)的平均滤波器需要被调谐以使得它反映在其中噪声基底估计器起作用的有效时间窗上的平均负载。这意味着，从γ产生的时间常数优选地需要比噪声基底估计器的适应时间常数稍快。

同样重要的是，为了获得高估计准确度，优选的是在所选择的平均热增量(振幅)间隔之间均衡用于估计偏差的MeanRoT采样的数目。换言之，如果很高数目的MeanRoT采样将被用于低平均热增量间隔而很少的MeanRoT采样用于较高平均热增量间隔，则在所述高平均热增量间隔中结果将会不准确。这是因为以下所应用的估计器使偏差模型的准确度集中于存在最多采样的间隔。因此，为了获得在大的MeanRoT信号范围上是准确的噪声基底偏差模型，至关重要的是应用预滤波以使得在每个平均热增量间隔中的MeanRoT采样的数目不被允许完全占优势。换言之，选择采样以使得表示有偏噪声上升度量的值的长期特性的度量遍布在不同的度量间隔。在一个实施例中这能够通过如下方式获得。首先引入将MeanRoT范围划分成子间隔：

MeanRoTGrid_i＝(i-1)meanRoTBinSize，i＝1，....M    (4)

该划分可以在对数域或线性域中完成，并且可以被一般化为是非均匀的。优选的选择是使用对数域。这定义了范围间隔：

I_i＝[MeanRotGrid_i，meanRoTGrid_i+1]，i＝1，...，M-1.(5)

以下变量于是被定义：

BiasUpdateAllowed_i，i＝1，...，M-1                    (6)

NumberOfBiasUpdates_i，i＝1，...，M-1.                 (7)

(6)的变量是布尔型的。它被控制成使得当已经执行了更新(进一步参见下文)时，在某一间隔I_i中使用meanRoT的值，于是

NumberOfBiasUpdates_i：＝NumberOfBiasUppdates_i+1       (8)

BiasUpdateAllowed_i：＝′false′

BiasUpdateAllowed_j：＝′true′，j≠i.                 (9)

等式(9)指示下次执行更新时，则不允许使用与先前振幅间隔相关的数据。等式(8)对在每个间隔I_i中到目前为止已经执行的偏差估计更新的次数进行计数。该信息被用于控制偏差补偿的应用(进一步参见下文)。

再次参考图5，表示有偏噪声上升度量的长期特性的度量95被提供给用于获得无偏噪声上升度量的装置93。基于表示有偏噪声上升度量的长期特性的度量95，运算噪声上升度量的校正值。在当前实施例中，用于获得无偏噪声上升度量的装置93包括模型滤波器94和补偿部97。当前实施例的模型滤波器94包括卡尔曼滤波器，其中该卡尔曼滤波器使用将噪声基底偏差表示为长期特性的函数的模型。除了表示有偏噪声上升度量的长期特性的度量95之外，模型滤波器94还需要噪声基底79的相关联值。然而，这能够很容易从用于计算噪声基底度量的估计的装置52获得。对采样的优选选择在上文中被进一步描述。

模型滤波器，即噪声基底估计模型能够具有许多种类。不过，在此描述的线性模型目前被认为是优选实施例。然而，本领域技术人员认识到还可以使用许多其他滤波器模型方法。因此，在每个时刻t，噪声基底偏差模型能够被表示为

N_Bias(t)＝b₀+b₁meanRoT(t)+e(t)                        (10)其中b₀和b₁是模型参数，被如以下描述的那样来估计。量e_N(t)是测量干扰。注意到，如果在对数域(优选)中计算meanRoT(t)，则也将在对数域中给出N_Bias(t)。

因为在下文中使用卡尔曼滤波器形式的递归估计方案，所以对于参数而言需要动态模型。例如本说明书中，使用具有随机走动模型的最简单的情况，然而，本领域技术人员会认识到还能够使用更复杂的动态模型。

为了描述这些模型，引入的新的时间索引k，当偏差估计器的更新发生时k步进(step)。所述动态模型变为

$\left(\begin{array}{c}{b}_0(k+1)\\ b_1(k+1)\end{array}\right)=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)\left(\begin{array}{c}{b}_0\left(k\right)\\ b_1\left(k\right)\end{array}\right)+\left(\begin{array}{c}{w}_0\left(t\right)\\ w_1\left(t\right)\end{array}\right).---\left(11\right)$

这里(w₀(t)w₁(t))^T表示系统噪声(漂移)项，其统计特性由下式给出：

$E\left[\left(\begin{array}{c}{w}_0\left(t\right)\\ w_1\left(t\right)\end{array}\right){\left(\begin{array}{cc}{w}_0\left(t\right)& w_1\left(t\right)\end{array}\right)}^T\right]=\left(\begin{array}{cc}{r}_{\mathrm{1,11}}& 0\\ 0& r_{\mathrm{1,22}}\end{array}\right),---\left(12\right)$

其中[.]表示统计期望值。

为了应用卡尔曼滤波器，需要规定状态空间模型。遵循传统标记法则，在本发明中使用以下状态空间模型

$\begin{array}{c}x(k+1)=A\left(k\right)x\left(k\right)+w\left(k\right)\\ y\left(k\right)=C\left(k\right)x\left(k\right)+e\left(k\right)\end{array},---\left(13\right)$

其中x(k)是状态向量，A(k)是系统矩阵，w(k)是系统噪声，y(k)是测量向量，C(k)是测量矩阵并且其中e(k)是测量噪声。所述噪声满足

其中^T表示矩阵转置。利用以上状态空间模型，卡尔曼滤波器估计通过以下这样的现有技术中公知的递归方程来获得，

K_f(k)＝P(k|k-1)C^T(k)(C(k)P(k|k-1)C^T(k)+R₂(k))^-1

$\hat{x}\left(k\right|k)=\hat{x}\left(k\right|k-1)+K_f\left(k\right)(y\left(k\right)-C\left(k\right)\hat{x}\left(k\right|k-1))$

P(k|k)＝P(k|k-1)-K_f(k)C(k)P(k|k-1)

$\hat{x}(k+1|k)=A\left(k\right)\hat{x}\left(k\right|k)$

P(k+1|k)＝A(k)P(k|k)A^T(k)+R₁.                            (16)

通过滤波器迭代(16)所引入的量如下。表示状态预测，基于直到偏差更新时间k-1的数据；

表示滤波器更新，基于直到偏差更新时间k的数据；P(k|k-1)表示状态预测的协方差矩阵，基于直到偏差更新时间k-1的数据；并且P(k|k)表示滤波器更新的协方差矩阵，基于直到偏差更新时间k的数据。C(k)表示测量矩阵，K_f(k)表示时变卡尔曼增益矩阵，R₂(k)表示测量协方差矩阵，并且R₁(k)表示系统噪声协方差矩阵。能够注意到，R₁(k)和R₂(k)经常被用作滤波器的调谐变量。在原理上滤波器的带宽由R₁(k)和R₂(k)的矩阵商来控制。

现在，通过使用(10)-(16)来实现关联，因而偏差模型产生以下变量，然后能够根据这些变量来执行卡尔曼滤波器：

$x\left(k\right)=\left(\begin{array}{c}{b}_0\left(k\right)\\ b_1\left(k\right)\end{array}\right),---\left(17\right)$

$A\left(k\right)=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right),---\left(18\right)$

$w\left(k\right)=\left(\begin{array}{c}{w}_0\left(k\right)\\ w_1\left(k\right)\end{array}\right),---\left(19\right)$

y(k)＝N_bias(k)，                                     (20)

C(k)＝(1 meanRoT(K))，                               (21)

e(k)＝e_N(k)，                                        (22)

$R_1=\left(\begin{array}{cc}{r}_{\mathrm{1,11}}& 0\\ 0& r_{\mathrm{1,22}}\end{array}\right),---\left(23\right)$

R₂＝E[e_n(t)]².                                       (24)

作为附加的安全网，仅在b₀(k)和b₁(k)的估计值保持在预先指定的上下限内的情况下才使用(16)的更新是有益的。

如此，提供这样的模型，该模型具有根据平均有偏噪声上升度量和噪声基底估计而估计的模型参数96。在以上数学实施例中表示为b₀(k)和b₁(k)的这些模型参数96被提供给补偿部97。在该实施例中的补偿部97从噪声上升估计块80接收当前有偏噪声上升度量81，并且基于模型参数96，获得无偏噪声上升度量98。

在当前实施例中，偏差补偿部的第一动作是使用在变量numberOfBiasUpdates_i中存储的信息。为了确保对于特定小区，存在准确的估计，需要满足以下两个条件。首先，偏差估计更新的总次数需要高于预定阈值。这通过对numberOfBiasUpdates_i的分量求和来检查，即通过计算：

$\mathrm{TotalNumberOFUpdates}=\underset{i=1}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{numberOfBiasUpdates}}_i.---\left(25\right)$

其次，其中numberOfBiasUpdates_i大于第二阈值的间隔I_i的数目需要大于第三阈值。

该逻辑的其他变体当然也是可能的。

在已经借助通过以上讨论的测试而激活偏差补偿之后，在输出端执行对RoT的实际补偿。在当前实施例中，这假设未补偿的RoT估计在对数域中给出并且以上运算与相同的域有关。

于是

RoT_{BiasCompensated}(t)＝RoT(t)+b₁(k)meanRoT(k)，            (26)

N_{BiasCompensated}(t)＝N(t)-b₁(k)meanRoT(k).                 (27)

这会出现，是因为将要从(对数)噪声基底估计中减去(对数)偏差。因此，由于RoT的定义(其在线性域中被给出)的缘故，于是产生(26)和(27)。

多个观察值就绪。噪声基底和RoT的平均值在对噪声基底偏差进行补偿之前根据RoT的未补偿值来计算。这消除了以下可能性：偏差补偿开始影响其自身以及噪声基底的估计。此外，注意到在(25)中应用了不同的时标。

在上面描述的实施例中，直接对噪声上升值执行最后的补偿。图6图示了可替换的实施例，其中作为替代噪声基底被补偿，并且基于经补偿的噪声基底值来运算新的噪声上升值。换言之，噪声基底度量的当前估计被调整成无偏噪声基底度量。所述调整基于表示有偏噪声上升度量的长期特性的度量。当前无偏噪声上升度量的值是至少基于所接收总宽带功率测量或估计以及基于新的无偏噪声基底度量来运算的。用于计算噪声基底度量的估计的装置52在该实施例中包括功率估计块60。来自功率估计块60的输出69是所接收总宽带功率RTWP的估计以及对应方差。以下将更详细地描述优选实施例。来自功率估计块60的输出69被提供给条件概率分布估计块70，在块70中获得噪声基底度量79。以下将更详细地描述优选实施例。

当在模型滤波器94中获得补偿模型时，所获得的模型参数96被提供给补偿部97。然而，在该实施例中，补偿部97对接收自条件概率分布估计块70的有偏噪声基底值69进行补偿。该经补偿的无偏噪声基底值连同来自功率估计块60的所接收总宽带功率的估计69一起在噪声上升运算部99中被使用来运算无偏噪声上升度量98。注意到长期平均和模型滤波基于有偏噪声上升度量81。

噪声基底的基本确定能够通过至少基于所接收总宽带功率的测量的任何方法来执行。能够使用WO 2006/076969的方法，其中与所接收总宽带功率相关联的功率量的最小值被用作热噪声基底的上限的估计。然而，在优选实施例中，在所公布的国际专利申请WO2007/024166中公开的用于噪声基底估计的最优且软算法被使用。图7图示了这种结构的实施例的框图。

噪声上升估计设备50包括三个主块60、70、80。在第一功率估计块60中，卡尔曼滤波器设备接收输入61，在当前实施例中，所述输入是测量的所接收总宽带功率RTWP。在附录A中公开了优选实施例的数学细节。来自功率估计块60的输出69是所接收总宽带功率RTWP的估计以及对应方差。因为所述输出来自卡尔曼滤波器设备，所以这些参数是仅有的定义由该滤波器产生的所估计高斯分布所需的参数。因此，提供了足够的信息来定义RTWP估计的整个概率分布信息。

在第二条件概率分布估计块70中，基于贝叶斯统计的设备接收RTWP估计和对应标准偏差69作为输入，并且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值或噪声基底功率的估计概率分布的参数。先前已知的表示噪声基底的概率密度函数的直方图的参数被存储在存储装置71中，存储装置71向条件概率分布估计块70提供关于噪声基底功率的先验预期概率分布的信息72，以便实现最优估计。

对后续的噪声功率基底估计处理块的效果是有益的，但是难以理解。以下为感兴趣的读者提供了高度技术性的解释。

注意到当系统的长期平均负载增加时，则通常相邻小区干扰也会增加。其结果是所估计的总功率的低值的可能性随着相邻小区干扰的增加而减小。软的噪声功率基底估计算法通过以下方式运行：通过应用对所估计的总功率的最小值的概率分布的运算来从以上除去热噪声功率基底的先验概率分布的部分。这将先验分布的重心移向更低值，从而减小了热噪声功率基底的最优估计。被切掉的量通过落入预先确定的稀疏采样的滑动窗内的所估计的总功率的概率分布来确定。然后，具有较大方差的总功率概率分布与具有相同平均值和较小方差的总功率概率分布相比显然将切掉先验概率分布的更大部分。其原因是具有较大方差的概率分布函数进一步扩展到先验概率分布的非零支持区域。

条件概率分布的估计的详细数学描述在附录B中给出。

功率估计块60、条件概率分布估计块70和存储装置71合起来构成了用于计算噪声基底度量的估计的装置52。

在第三噪声上升估计块80中，噪声基底79的估计概率分布和RTWP估计以及对应标准差69被作为输入接收，并且主要提供包括噪声上升值的输出81。在该实施例中，根据下式来定义优选的噪声上升度量：

$\mathrm{RoT}\left(t\right)=\frac{P^{\mathrm{Total}}\left(t\right)}{P_N},---\left(28\right)$

其中P^Total(t)是所接收总宽带功率，然而，如上所述也能够使用其他噪声上升度量。

块60、70和80优选地被集成到一个处理器中。用于获得无偏噪声上升度量的装置93(图5和6)和用于提供表示有偏噪声上升度量的值的长期特性的度量的装置91(图5和6)优选地也被集成到相同的处理器中。术语“连接”于是具有以下含义：“具有交换数据的可能性”。然而，还可以使用包括但不限于不同的分布式解决方案的任何设备，其中包括块60、70和80的处理器装置可以被认为是分布式处理器装置。

在以上描述中，假设功率估计涉及上行链路通信。在这样的情况下功率测量由无线电接入网络中的节点(通常为无线电基站)来执行。然而，该过程的至少部分，例如提供、计算、运算和/或获得步骤还可以在通信网络的其他部分中执行，例如在无线电网络控制器中执行。图8是图示了根据本发明的系统的实施例的主要部分。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络(UTRAN)171。移动终端25与UTRAN 171中的RBS 20进行无线电联系。RBS 20由无线电网络控制器(RNC)172控制，无线电网络控制器(RNC)172又连接到核心网CN 173的移动服务交换中心/访问位置寄存器(MSC/VLR)174和服务通用分组无线系统支持节点(SGSN)175。

在该实施例中，RBS 20包括用于测量瞬时的所接收总宽带功率的功率测量装置45(通常为天线和前端电子设备)，以及用于确定噪声上升估计的设备90。这些装置45和90能够被实现为单独单元或实现为至少部分集成的单元。

在可替换的实施例中，作为替代，装置45、90至少部分被包括在RNC 172中。由于天线的接近性的缘故，实际测量的至少一部分一般留在RBS 20中。而且，其他的替换配置是可能的，如本领域技术人员所认识到的那样。

图9图示了根据本发明的方法的实施例的主要步骤的流程图。该过程开始于步骤200。在步骤202中，多次进行对至少所接收总宽带功率的测量。在步骤204中，至少基于多个测量的所接收总宽带功率来计算噪声基底度量的估计。在步骤206中至少基于多个测量的所接收总宽带功率来运算有偏噪声上升度量的多个值。这能够例如通过中间步骤(例如估计的所接收总宽带功率)来执行。在步骤208中，表示有偏的噪声上升度量的值的长期特性的度量被提供。最后，在步骤210中，至少基于表示噪声上升度量的值的长期特性的度量来获得当前、无偏噪声上升度量的值。该过程结束于步骤299。

在上面描述的实施例中，原始输入包括所接收总宽带功率的测量。然而，如例如在WO 2007/024166中所指示的那样，当确定噪声基底值时还能够使用附加测量和/或信息。通过多次测量与功率相关的附加量，这样的信息能够连同所接收总宽带功率一起被使用。噪声基底的估计以及所接收总宽带功率的估计值的计算能够进一步基于所测量的附加量。这样的量的示例有码功率和所接收的调度增强上行链路功率(RSEPS)。

同样，在上面描述的实施例中，用于例示的噪声上升度量是热增量(RoT)度量。然而，尤其是当附加的功率相关量可用时，还可以以类似方式使用其他噪声上升度量。另一噪声上升度量包括例如相对于热噪声基底的带内非WCDMA干扰。

上面描述的实施例应被理解为本发明的一些说明性示例。本领域技术人员将会理解，可以在不偏离本发明范围的情况下对实施例进行各种修改、组合和改变。特别地，在技术上可能的情况下，不同实施例中的不同部分解决方案能够被组合在其他配置中。然而本发明的范围由所附权利要求书来限定。

                        附录A

             用于RTWP测量的卡尔曼滤波器

针对测量总RTWP的情形所建议的算法是预测更新滤波器，其中用下标来区别预测和更新步骤。

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

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

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

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

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

重复(A1)-(A5)，以T_min的步长增加t。

在t＝0进行初始化：

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

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

如上所示，更新增益K_Update(t)如上所示是根据模型参数r_Measurement并且根据在先前采样实例处获得的预测协方差P_Prediction ^Cov(t-T_min)而计算的。然后使用预测P_Prediction ^Total(t)和新测量P_Measurement ^Total(t)来计算以最近的测量P_Update ^Total(t)来更新的总宽带功率。下一步骤是根据预测协方差并根据r_Measuremnent来计算更新的协方差P_Update ^Cov(t)。在迭代的最后步骤中，运算P_Prediction ^Total(t)和P_Prediction ^Cov(t)的新值并且时间步进。T_min表示采样周期。

                        附录B

$\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\min }{P}^{\mathrm{Total}}\left(t^{\′}\right)$ 的条件概率分布的估计

注意：估计最小功率是非常自然的。然而，选择使用最小值实际上是特别的(ad-hoc)。在一般意义上，在某种程度上依赖于估计的P^Total量的某一量的极值将有可能用作进一步计算的基础。然而，作为最简单的实施例，在此考虑量 $\underset{t^{\′}\∈[t-T_{\mathrm{Lag}},t]}{\min }{P}^{\mathrm{Total}}\left(t^{\′}\right).$ 注意，在接下来的论述中P^Total指的是所接收总宽带功率。

标记法，条件概率和贝叶斯规则

在下文中，对于概率分布，贝叶斯规则和条件平均的定义被广泛地使用。以下定义和结果能够在例如[1]第12-14页或有关估计的任何其他教科书中找到。

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)。于是A和B的联合概率分布被表示为f_A，B(x，y)。

注意事件和条件通过下标来表示，而自变量出现在括号内。这种标记法仅在概率分布和累积概率分布被使用时才使用。当涉及例如卡尔曼滤波器的协方差和状态估计时，条件也可能出现在括号内。

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)

注意，作为概率分布的标记的结果，条件也被表示为下标。

以上方程的解现在产生著名的贝叶斯规则：

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

注意以上规则可以通过使用相交圆图而被最佳地理解。用于获得概率分布的结果的形式证法能够例如使用概率情形的激励(motivation)的无穷小极限版本。

最小值的条件概率-模型和通式

在该部分中，得到最小值估计器的一些一般特性。为此，引入以下标记。P^Total(t′)的卡尔曼滤波器或卡尔曼平滑器(smoother)估计由下式表示：

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

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

这里，t′表示[t-T_Lag，t]内的某一时间。条件分布在非极端条件(mildconditions)下都是高斯的充分统计，即仅需要二阶特性来描述条件概率分布。这在(A3)的最后的表达式中的条件中反映出。条件分布如下：

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

其中^Kalman指示该估计是利用卡尔曼滤波器或者如果t′＜t则用卡尔曼平滑器来计算的。量和

分别表示功率估计和对应的协方差，即对估计器的输入。注意，(B4)假设在时间t-T_Lag的对应估计被用作卡尔曼滤波器的初始值。

然后功率估计的最小值的条件分布能够被进一步推导(develop)。为此，针对表示真实功率的 $x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)=P^{0,\mathrm{Total}}\left(t^{\′}\right)$ 与表示估计的 ${\hat{x}}_{P^{\mathrm{Total}}}^{\mathrm{Kalman}}\left(t^{\′}\right|t)={\hat{P}}^{\mathrm{Total}}\left(t^{\′}\right|t)$ 之间的关系，假设以下模型：

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

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

这与以上关于充分统计的论述一致。对于的分布的标记此后被简化为：

f_Δx(x).                                        (B7)

注意该分布不必假设是高斯的(尽管通常进行该假设)。

$x_{P^{\mathrm{Total}}}^0\left(t^{\′}\right)=P^{0,\mathrm{Total}}\left(t^{\′}\right),$ t′∈[t-T_Lag，t]的最小值的条件概率分布然后使用从时间间隔[-∞，t]获得的数据y(t)来估计。此时，适合参考图4a，图4a示出在推导以下的估计算法中所使用的时间间隔。

图9图示了总的接收宽带功率P^Total(t)的时间变化110的图。在一些时间间隔期间，总的接收宽带功率呈现高值。然而，在一些情况下，总的接收宽带功率变得很小，这表明所测量功率的许多通常贡献不存在。

如以下所示，在理论上需要平滑器估计来作为对在时间间隔[t-T_Lag，t]上起作用的最小功率的条件概率估计算法的输入。为了在形式上保持推导中的最优性，平滑器估计也应该使用[t-T_Lag，t]中的所有数据来运算。然而，在实际实施中，这些平滑器估计通常仅使用所选择的平滑时间实例周围的数据的快照(short snapshot)来计算。来自[t-T_Lag，t]的若干此类平滑估计然后被组合以估计条件概率分布。不过在以下论述中，间隔[t-T_Lag，t]被保留在所有量中，以便不会使得推导过于复杂。进一步简化能够通过用卡尔曼滤波器估计来替换平滑器估计来获得。模拟表明这能够以非常小的性能损失来完成。

最小值的条件分布现在能够被写成如下：(比较(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)的最后的量表示最小值的初始信息。在下文中，对于概率分布，贝叶斯规则和条件平均的定义被广泛地使用。

然后使用以下定义来对(B8)应用贝叶斯规则和条件概率的定义：

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

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

C：＝Y^t

然后，使用贝叶斯规则、条件概率分布的定义以及结果f_B，C|A(x，y)＝f_{(B|A)，(C|A)}(x，y)， 以下的等式链成立(后一结果可通过绘制三圆图而很容易地检查)

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

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

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

最后的步骤同样能够通过绘制圆图而被很容易地验证。现在，根据以上定义，(B9)的分子的第一因子是先验的并且因此条件消失。分子的第二因子在以下将被进一步展开，而分子的最后的因子和分母能够被当做归一化常数的部分。A、B和C的定义的回代然后显示出以下关系：

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

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

需要记住的(B10)的一个结果是即将出现平滑问题。以上处理的基于卡尔曼滤波的预处理步骤因此在形式上需要包括卡尔曼平滑器步骤。不过实际上，卡尔曼滤波器通常就足够了。

最小功率的条件平均的最终展开

该小节的起始点是等式(B10)，该等式声明：条件pdf(概率分布函数)作为先验(初始值)和依赖于测量的因子的积来给出。所述先验由用户提供并且应该反映关于P_N的先验不确定性。注意，每当滑动窗被移动并且新的估计被运算时，都再次应用相同的先验。该先验因此不在估计器的基本设置中被更新。

为了给出完整的条件pdf，需要对(B10)的第一因子进行某一进一步处理。(B7)的误差分布f_ΔP(x)以及(B5)和(B6)的定义一起将是为此目的核心所在。此外，在以下运算中，F()表示累积分布，即f的积分。Pr.()表示事件的概率。

对于(B10)的第一因子以下等式现在成立：

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

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

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

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

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

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

根据假设卡尔曼平滑器提供充分统计，即(B5)和(B6)，可得到(B11)的第四等式。最后的等式根据(B7)而得到。显然，最自然的假设是针对F_ΔP(s)使用高斯分布。然而，(B11)实际上也允许其他分布。

分布函数的第一因子的导出的最后步骤是对(B11)求微分，获得：

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

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

与(B10)组合，给出最终结果：

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

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

该结果构成结合图7所提及的输出79。该表达式看起来很复杂。幸运的是能够直接对其进行评估，因为它是高斯和累积高斯分布的一维函数，由下式给出：

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

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

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

量和

能够很容易地作为卡尔曼平滑器或更简单的卡尔曼滤波器的输出而获得。

如果噪声基底值将被提供作为输出，则对输出分布执行平均值计算。

Claims (23)

1.用于无线通信系统(170)中的噪声上升估计的方法，包括以下步骤：

多次测量(202)至少所接收总宽带功率(61)；

至少基于多个所述测量的所接收总宽带功率(61)来计算(204)噪声基底度量的多个估计(79)；

至少基于多个所述测量的所接收总宽带功率(61)和噪声基底度量的所述估计(79)中的相应一个估计来运算(206)有偏噪声上升度量(81)的多个值；

提供(208)表示所述有偏噪声上升度量(81)的所述值的长期特性的度量(95)；

至少基于表示所述有偏噪声上升度量(81)的所述值的长期特性的所述度量(95)来获得(210)当前无偏噪声上升度量(98)的值。

2.根据权利要求1所述的方法，其中所述获得(210)步骤包括：基于表示所述长期特性的所述度量(95)来将有偏噪声上升度量(81)的所述多个值中的当前值调整成所述当前无偏噪声上升度量(98)。

3.根据权利要求1所述的方法，其中所述获得(210)步骤包括：基于表示所述长期特性的所述度量(95)来将所述噪声基底度量的当前估计(79)调整成无偏噪声基底度量以及至少基于多个所述测量的所接收总宽带功率(61)和所述无偏噪声基底度量来运算当前无偏噪声上升度量(98)的所述值。

4.根据权利要求2或3所述的方法，其中所述获得(210)步骤进一步包括：

创建将噪声基底偏差表示为所述有偏噪声上升度量(81)的所述值的所述长期特性的函数的模型；以及

使用所述模型对所述噪声基底度量的估计(79)和表示所述长期特性的对应度量(95)的多个采样进行滤波，提供经滤波的模型参数(96)；

由此所述调整包括减去作为所述经滤波的模型参数(96)和有偏噪声上升度量(81)的所述值的当前所述长期特性的函数的量。

5.根据权利要求4所述的方法，其中所述采样被选择成使得表示所述有偏噪声上升度量的所述值的所述长期特性的度量(95)遍布在不同的度量间隔。

6.根据权利要求4或5所述的方法，其中用于对多个采样进行所述滤波的时间常数比用于计算所述噪声基底度量的所述估计(79)之一的所述步骤的特征时间常数长得多。

7.根据权利要求1到6中任何一项所述的方法，其中表示所述有偏噪声上升度量(81)的所述值的所述长期特性的所述度量(95)是所述有偏噪声上升度量(81)的所述值的长期平均和所述有偏噪声上升度量(81)的所述值的长期中值之一。

8.根据权利要求1到7中任何一项所述的方法，其中所述计算所述噪声基底度量的多个估计(79)的步骤包括：至少根据所述测量的所接收总宽带功率(61)来估计所接收总宽带功率的概率分布(69)，由此所述噪声基底度量的所述估计(79)基于所接收总宽带功率的所述概率分布(69)。

9.根据权利要求1到8中任何一项所述的方法，进一步包括多次测量与功率相关的附加量，由此所述计算所述噪声基底度量的多个估计(79)的步骤进一步基于所述测量的与功率相关的附加量。

10.根据权利要求1到9中任何一项所述的方法，其中所述有偏噪声上升度量和所述无偏噪声上升度量是从以下列表中选择的：

热增量；和

相对于热噪声基底的带内非WCDMA干扰。

11.用于无线通信系统(170)中的噪声上升估计的设备(90)，包括：

功率测量装置(45)，用于多次测量至少所接收总宽带功率(61)；

用于至少基于多个所述测量的所接收总宽带功率(61)来计算噪声基底度量的估计(79)的装置(52)，其连接到所述功率测量装置(45)；

至少基于多个所述测量的所接收总宽带功率(61)和噪声基底度量的所述估计(79)中的相应一个估计来运算有偏噪声上升度量(81)的值的装置(80)，其连接到所述用于计算的装置(52)；

用于提供表示所述有偏噪声上升度量(81)的所述值的长期特性的度量(95)的装置(91)，其连接到所述用于运算的装置(80)；以及

用于至少基于表示所述有偏噪声上升度量(81)的所述值的长期特性的所述度量(95)来获得当前无偏噪声上升度量(98)的值的装置(93)，其连接到所述用于提供的装置(91)。

12.根据权利要求11所述的设备，其中所述用于获得的装置(93)被安排用于基于表示所述长期特性的所述度量(95)来将所述有偏噪声上升度量(81)的所述值中的当前值调整成所述当前无偏噪声上升度量(98)。

13.根据权利要求11所述的设备，其中所述用于获得的装置(93)被安排用于基于表示所述长期特性的所述度量(95)来将所述噪声基底度量的当前估计(97)调整成无偏噪声基底度量并且用于至少基于多个所述测量的所接收总宽带功率(61)和所述无偏噪声基底度量来运算当前无偏噪声上升度量(98)的所述值。

14.根据权利要求12或13所述的设备，其中所述用于获得的装置(93)被进一步安排用于：

创建将噪声基底偏差表示为所述有偏噪声上升度量(81)的所述值的所述长期特性的函数的模型(94)；以及

使用所述模型对所述噪声基底度量的估计(79)和表示所述长期特性的对应度量(95)的采样进行滤波，提供经滤波的模型参数(96)；

由此所述用于获得的装置(93)被安排用于减去作为所述经滤波的模型参数(96)和有偏噪声上升度量(81)的所述值的当前所述长期特性的函数的量。

15.根据权利要求14所述的设备，其中所述用于获得的装置(93)被进一步安排用于选择所述采样以使得表示所述长期特性的度量(95)遍布在不同的度量间隔。

16.根据权利要求14或15所述的设备，其中用于对采样进行所述滤波的时间常数比用于由所述用于计算的装置(52)所执行的计算所述噪声基底度量的所述估计(79)之一的特征时间常数长得多。

17.根据权利要求11到16中任何一项所述的设备，其中表示所述有偏噪声上升度量(81)的所述值的所述长期特性的所述度量是所述有偏噪声上升度量(81)的所述值的长期平均和所述有偏噪声上升度量(81)的所述值的长期中值之一。

18.根据权利要求11到17中任何一项所述的设备，其中所述用于计算的装置(52)被安排用于至少根据所述测量的所接收总宽带功率(61)来估计所接收总宽带功率的概率分布(69)，由此所述噪声基底度量的所述估计(79)基于所接收总宽带功率的所述概率分布(69)。

19.根据权利要求11到18中任何一项所述的设备，其中所述功率测量装置(45)被进一步安排用于多次测量与功率相关的附加量，由此所述用于计算(52)的装置被进一步安排用于基于所述测量的与功率相关的附加量来计算所述噪声基底度量的所述估计(79)。

20.根据权利要求11到19中任何一项所述的设备，其中所述有偏噪声上升度量和所述无偏噪声上升度量是从以下列表中选择的：

热增量；和

相对于热噪声基底的带内非WCDMA干扰。

21.用于无线通信系统(170)中的节点，包括根据权利要求11到20中任何一项所述的设备(90)。

22.根据权利要求21所述的节点，其中所述节点是无线电基站(20)。

23.无线通信系统(170)，包括根据权利要求11到20中任何一项所述的设备。

Images