CN101808369A - 一种基于cqi预测的自适应调制编码方法 - Google Patents

Abstract

本发明公开一种基于CQI预测的自适应调制编码方法，其包括以下步骤：a)在Node B中，根据UE反馈的上一帧数据传输的CQI值和Node B保存的CQI历史记录通过该CQI预测算法计算得到的CQI预测值，为下一帧选择合适的调制编码方案MCS；b)由Node B产生的二进制信息帧通过PN发生器加扰，根据所选的MCS进行编码调制，然后发送出去；c)UE经过和b)的逆过程，如接收正确则返回ACK指示给Node B，否则返回NACK；同时计算该帧的CQI值，报告给Node B。本发明克服HSDPA系统的UE高速运动时AMC性能的下降。

Description

一种基于CQI预测的自适应调制编码方法

技术领域

本发明涉及通信技术领域，尤其涉及一种基于CQI预测的自适应调制编码方法。

背景技术

现实的无线通信信道具有时变和衰落两大特性，因而其信道容量是一个时变的随机变量。为了最大限度的利用信道容量，HSDPA中采用自适应调制编码技术(AMC)，使得NodeB(基站)可以根据UE(用户端)反馈的当前无线信道状况及时地调整调制方式(QPSK/16QAM)和Turbo编码效率，从而使数据传输速率与时变的随机信道容量变量相匹配，获得高的小区吞吐量和频谱利用率。结合Turbo码和MQAM(QPSK/16QAM)的AMC技术是未来移动通信提高系统容量和传输质量的关键技术之一。

根据信道状态的不同，AMC技术可以分为两大类，即探索类AMC技术和基于信噪比估计的AMC技术：

1)探索类AMC技术是NodeB统计每帧数据的重传次数来调整调制编码方案，实现比较简单，但是不能适应信道的变化。

2)基于信噪比估计的AMC技术是以信道信噪比估计值为参考度量，UE在接收数据的同时，根据所接收数据信号的幅值变化以及错误率等因素来估计和预测下一数据帧传输时的信道状况并将其反馈回NodeB，NodeB再根据反馈值决定应该采用的调制编码方式，从而更好的适应信道的变化。

AMC技术对信道质量的测量误差和时延十分敏感。信道估计的误差会导致NodeB选用错误的调制编码方式，选择过低的传输速率，浪费了系统容量；或者过高的传输速率，导致了过高的误帧率。对于用户高速移动的快变衰落信道，多普勒频移成为一个不可忽视的衰落因素，其值越大，信道变化就越快，用户衰落值之间的相关性就越差，信道测量报告的时延就不可忽略。它降低了信道估计的可靠性，对AMC技术的最终应用大大增加了误差(关山，张新程，田韬，李坤江等，“HSDPA网络技术”.机械工业出版社，2007)。

对于时间快变的单载波系统，快衰落是时间选择性衰落造成的，快衰落的速度和用户的运动速度成正比。在HSDPA系统中，从UE根据数据传输测量得到CQI(信道质量指示)到NodeB应用该CQI数值调度下一次数据传输，最少存在10ms的延时。由于信道的快变效应，UE测量到的CQI与Node B调度后的数据传输时刻的实际信道质量存在较大的误差。在用户高速移动的条件下，该误差不可忽略，影响了AMC技术，降低了系统性能。

发明内容

针对现有技术的缺点，本发明的目的是提供一种克服HSDPA系统的UE高速运动时AMC性能下降的基于CQI预测的自适应调制编码方法。

为实现上述目的，本发明的技术方案是：一种基于CQI预测的自适应调制编码方法，其包括以下步骤：a)NodeB根据UE反馈的上一帧数据传输的CQI值和NodeB保存的CQI历史记录，通过CQI预测算法计算得到CQI预测值，并根据CQI预测值为下一帧数据选择对应的调制编码方式；b)NodeB根据所选的调制编码方式进行编码调制，并发送至UE；c)UE经过解码解调和去扰码的处理过程，如接收正确则返回ACK指示给NodeB，否则返回NACK；同时计算该帧的CQI值，报告给NodeB。

在步骤b)中，由NodeB产生的该帧数据先通过PN发生器加扰，再发送至UE。UE将CQI值反馈回NodeB的传输时间为2ms。NodeB采用5步递归线性自适应预测算法对CQI值进行预测，根据CQI预测值为下一帧选择对应的调制编码方案。5步递归线性自适应预测算法通过最小均方误差准则对CQI值进行预测。

5步递归线性自适应预测算法具体为：

$\widehat{\mathrm{SIR}(i+1)}=-\underset{k=1}{\overset{+p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}\mathrm{SIR}((i+1)-k),20\≤k\≤30,---\left(1\right)$

其中，

是第(i+1)个2ms信噪比的预测值，SIR((i+1)-k)是信道信噪比的历史记录，a_pk是线性模型参数，p是线性模型的阶，预测误差功率为：

${\mathrm{\σ}}^2=E\left[{\left|e(i+1)\right|}^2\right]=E\left[e^{*}(i+1)(\mathrm{SIR}(i+1)-\widehat{\mathrm{SIR}}(i+1))\right]---\left(2\right)$

根据最小均方误差准则，为使均方误差最小，要求

$\frac{\mathrm{\δE}\left[{\left|e\left(n\right)\right|}^2\right]}{{\mathrm{\δa}}_{\mathrm{pl}}}=0,l=\mathrm{1,2},...,p$ a_pl指线性模型参数(3)

得到E[e^*(i+1)SIR(i+1-l)]＝0  l＝1，2，...，p    (4)

由(4)式可以得到： $r_{\mathrm{xx}}\left(l\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}(l-k)=0,l=\mathrm{1,2},...,p---\left(5\right)$

预测误差的最小均方值 ${\mathrm{\σ}}_{\min }^2=E\left[e^{*}(i+1)\mathrm{SIR}(i+1)\right]=r_{\mathrm{xx}}\left(0\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}\left(k\right)---\left(6\right)$

采用r_xx(l)的估计值 $\widehat{r_{\mathrm{xx}}}\left(l\right)=\frac{1}{N-l}\underset{n=(i-N+1)}{\overset{i-l}{\mathrm{\Σ}}}\mathrm{SIR}\left(n\right)\mathrm{SIR}(n+1),0\≤l\≤N-1,$ N为样本数据长度，r_xx(l)指样本数据的自相关系数，

得出线性模型参数： $a_{\mathrm{1,1}}=\frac{-r_{\mathrm{xx}}\left(1\right)}{r_{\mathrm{xx}}\left(0\right)}---\left(8\right),$ ${\mathrm{\σ}}_1^2=(1-a_{\mathrm{1,1}}^2)r_{\mathrm{xx}}\left(0\right)---\left(9\right)$

根据线性模型参数a_pk和预测误差功率σ²的递推公式如下： $k_p=-[r_{\mathrm{xx}}\left(p\right)+\underset{k=1}{\overset{p-1}{\mathrm{\Σ}}}{a}_{p-1,k}{r}_{\mathrm{xx}}(p-k)]/{\mathrm{\σ}}_{p-1}^2---\left(10\right),$ a_p，p＝k_p(11)，

a_p，k＝a_p-1，k+k_pa_p-1，p-k    k＝1，2，...，p-1(12)， ${\mathrm{\σ}}_p^2=(1-k_p^2){\mathrm{\σ}}_{p-1}^2---\left(13\right)$

根据最终预测误差准则： $\mathrm{FPE}\left(k\right)={\mathrm{\σ}}_k^2*(P+k+1)/(P-k+1),$ P为设置的线性模型的最大阶数，自适应确定最佳阶数p，然后将线性模型参数代入(1)式得到

将

添加在信噪比历史记录…，SIR(i-N)，…，SIR(i)中，递归重复以上的处理方法，则得到

最后对以上5个估计值取加权平均得到信道最终预测值：

$\widehat{\mathrm{SIR}{(i+5)}^{*}}=\frac{1}{5}\underset{k=1}{\overset{5}{\mathrm{\Σ}}}\widehat{\mathrm{SIR}(i+k)}---\left(14\right)$

将信噪比预测值映射成CQI，完成CQI的5步递归线性自适应预测算法。

当0≤CQI≤15时，NodeB选择QPSK调制编码方式，当16≤CQI≤30时，NodeB选择16-QAM调制编码方式。

与现有技术相比较，本发明达到的效果如下：

本发明提出5步递归AR自适应预测算法，通过预测快变信道的变化来降低UE测量CQI到Node B调度数据传输的时延对系统性能的影响，对在高速移动环境下提高HSDPA用户终端的通信速率和质量具有很高的应用性。

附图说明

图1是HSDPA中的数据传输过程。

图2是HSDPA实现AMC的原理框图。

图3是信道相关性与移动速度、时间间隔的关系图。

图4是CQI预测的示意图。

图5是80km/h移动速度条件下，HSDPA中系统时延导致的CQI误差示意图。

图6是80km/h移动速度条件下，采用本发明的CQI预测后CQI误差示意图。

图7是120km/h移动速度条件下，HSDPA中系统时延导致CQI误差示意图。

图8是120km/h移动速度条件下，采用本发明CQI预测后CQI误差示意图。

图9是HS-DSCH的信道编码框图，其中CQI是采用本发明方法CQI预测产生。

图10是移动速度为80km/h时，AMC采用CQI预测后的系统吞吐量增益图。

图11是移动速度为80km/h时，AMC采用CQI预测后的误码率增益图。

图12是移动速度为120km/h时，AMC采用CQI预测后的系统吞吐量增益图。

图13是移动速度为1200km/h时，AMC采用CQI预测后的误码率增益图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

AMC的工作原理是根据UE的反馈来了解当前的信道情况，具体过程是UE根据高速物理下行共享信道HS-DPSCH上的数据传输进行信道估计，并将SNR估计值映射成CQI，然后通过上行专用物理信道HS-DPCCH反馈给Node B，Node B根据接收到的CQI为下一数据帧选择合适的调制编码方式，如图2所示。

在3GPP中CQI的定义如下：

在不受限制的观测时间内，UE上报一个最高的CQI值，该值满足：UE能在3个时隙的参考时间内，接收高速下行链路共享信道HS-DSCH的传输块大小、码字数量和调制方式形成的HS-DSCH子帧，该HS-DSCH与上报CQI值或者较低CQI值相对应，该参考时间结束于传输CQI的HS-DPCCH子帧的第一个时隙的1个时隙以前；并且保证传输块差错率小于10％。由于UE无法直接测量HS-PDSCH，则UE通常通过测试导频信道CPICH的E_c/N₀可以估计相应的HS-PDSCH的信道质量CQI：

CQI＝SNR_hs-pdsch+16＝(E_c/N₀)_CPICH·Г·Δ+16

(E_c/N₀)_CPICH表示CPICH的E_c/N₀，其中E_c为接收到CPICH的功率谱密度，N₀为噪声，Г是测量功率偏移，参数由RRC层定义并发送到NodeB和UE；Δ是规范定义中的CQI表中参考功率偏移RPA。

3GPP规范中定义了30种CQI级别，不同的CQI级别表征在UE侧检测到不同的下行信道质量条件。由于不同UE类别(1～12种类别)的结构区别，在相同条件下不同UE的测试结果可能不同。针对不同级别的CQI，每种类别的UE分别规定了不同的传输格式，包括：所使用的传输块大小(Transport Block Size，TBS)、码道数、调制方式、参考功率调整、NIR、XRV等参数，表1示例1～6类UE的CQI映射关系。

CQI的反馈周期可以为2ms，10ms，20ms，40ms，80ms，160ms，对于2ms的最短反馈周期，从UE测量CQI到Node B调度下一帧数据传输经历的时延如下所示：

i.T_meas(UE计算CQI的时延)：从HS-DSCH TTI结束到在上行HS-DPCCH发送CQI的间隔共计7.5时隙。

ii.T_tran(CQI的上行传输时间)：ACK/NACK和CQI的传输大约需要3个时隙，为2ms。

iii.T_pro(Node B的解调/解码和选择调制编码方式的处理时间)：2.5个时隙。

iv.T_tx(HS-PDSCH相对HS-SCCH的发送时延)：2个时隙。

因此，CQI的产生到最终应用于数据传输，系统至少存在10ms的固有时延。在信道相关性很高时，该时延可以忽略，AMC可以有效工作；而信道相关性很低时，AMC性能将受很大影响。信道相关性ρ：

$\mathrm{\ρ}\≈J_0^2\left(2\mathrm{\π}{f}_d\mathrm{\Δt}\right)$ (多普勒频移f_d＝v/λ_c)

显然，信道的相关性是由用户的移动速度决定的，如图2所示。

本发明在HSDPA系统的Node B端加入CQI预测算法，如图1至图4所示，提供了一种基于CQI预测的自适应调制编码方法，其包括以下步骤：

a)NodeB根据UE反馈的上一帧数据传输的CQI值和NodeB保存的CQI历史记录，通过CQI预测算法计算得到CQI预测值，并根据CQI预测值为下一帧数据选择对应的调制编码方式；

b)NodeB根据所选的调制编码方式进行编码调制，并发送至UE；

c)UE经过解码解调和去扰码的处理过程，如接收正确则返回ACK指示给NodeB，否则返回NACK；同时计算该帧的CQI值，报告给NodeB。

用UE端解调解码的数据直接与NodeB的原始数据相比较，当数据一致，即接收正确，返回ACK指示给NodeB；当数据不一致，即为传输失败，返回NACK指示给NodeB。

在步骤b)中，由NodeB产生的该帧数据先通过PN发生器加扰，再发送至UE，其中PN发生器加扰可以避免数据在传输过程中产生长‘0’或长‘1’的情况。

UE将CQI值反馈回NodeB的传输时间为2ms，从UE开始计算一个CQI值到该值在Node B进行应用，至少需要经过10ms的时延，则在Node B端采用5步递归AR自适应预测算法对CQI值进行预测，根据CQI预测值为下一帧选择合适的调制编码方案MCS。5步递归线性自适应预测算法通过最小均方误差准则对CQI值进行预测。

5步递归线性自适应预测算法具体为，

令： $\widehat{\mathrm{SIR}(i+1)}=-\underset{k=1}{\overset{+p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}\mathrm{SIR}((i+1)-k),20\≤k\≤30,---\left(1\right)$

其中，

是第(i+1)个2ms信噪比的预测值，SIR((i+1)-k)是信道信噪比的历史记录，a_pk是AR模型参数，p是AR模型的阶，预测误差功率为：

${\mathrm{\σ}}^2=E\left[{\left|e(i+1)\right|}^2\right]=E\left[e^{*}(i+1)(\mathrm{SIR}(i+1)-\widehat{\mathrm{SIR}}(i+1))\right]---\left(2\right)$

根据最小均方误差最小原则，要使最小均方误差最小，要求 $\frac{\mathrm{\δE}\left[{\left|e\left(n\right)\right|}^2\right]}{{\mathrm{\δa}}_{\mathrm{pl}}}=0,$ l＝1，2，...，p  其中a_pl指线性模型参数(3)

可以得到

E[e^*(i+1)SIR(i+1-l)]＝0    l＝1，2，...，p    (4)

由(4)式可以得到：

$r_{\mathrm{xx}}\left(l\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}(l-k)=0,l=\mathrm{1,2},...,p---\left(5\right)$

预测误差的最小均方值

${\mathrm{\σ}}_{\min }^2=E\left[e^{*}(i+1)\mathrm{SIR}(i+1)\right]=r_{\mathrm{xx}}\left(0\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}\left(k\right)---\left(6\right)$

(5)、(6)式就是有名的Yule-Walker方程，它有p+1个方程，对应地可以确定a_pk，k＝1，2，…p和σ_min ²，共计p+1个未知数，因此可以用来求解AR模型参数。

现实计算中我们采用r_xx(l)的估计值

$\widehat{r_{\mathrm{xx}}}\left(l\right)=\frac{1}{N-l}\underset{n=(i-N+1)}{\overset{i-l}{\mathrm{\Σ}}}\mathrm{SIR}\left(n\right)\mathrm{SIR}(n+1)---\left(7\right),$ 0≤l≤N-1，N为样本数据长度，r_xx(l)指样本数据的自相关系数，

根据参考文献(丁美玉，阔永红，高新波等，“数字信号处理”.西安电子科技大学出版社，2002)第三章，根据Levinson-durbin算法可以类推出AR模型的参数：

$a_{\mathrm{1,1}}=\frac{-r_{\mathrm{xx}}\left(1\right)}{r_{\mathrm{xx}}\left(0\right)}---\left(8\right)$

${\mathrm{\σ}}_1^2=(1-a_{\mathrm{1,1}}^2)r_{\mathrm{xx}}\left(0\right)---\left(9\right)$

根据线性模型参数a_pk和预测误差功率σ²的递推公式如下：

$k_p=-[r_{\mathrm{xx}}\left(p\right)+\underset{k=1}{\overset{p-1}{\mathrm{\Σ}}}{a}_{p-1,k}{r}_{\mathrm{xx}}(p-k)]/{\mathrm{\σ}}_{p-1}^2---\left(10\right)$

a_p，p＝k_p    (11)

a_pp，k_p为在递推过程用到的中间参数，

a_p，k＝a_p-1，k+k_pa_p-1，p-k    k＝1，2，...，p-1(12)

${\mathrm{\σ}}_p^2=(1-k_p^2){\mathrm{\σ}}_{p-1}^2---\left(13\right)$

根据最终预测误差准则： $\mathrm{FPE}\left(k\right)={\mathrm{\σ}}_k^2*(P+k+1)/(P-k+1)$ (P为设置的AR模型的最大阶数)，自适应确定最佳阶数p，然后将AR模型参数代入(1)式即可以得到

将

添加在信噪比历史记录…，SIR(i-N)，…，SIR(i)中，递归重复以上的处理方法，则得到

最后对以上5个估计值取加权平均得到最终预测值：

$\widehat{\mathrm{SIR}{(i+5)}^{*}}=\frac{1}{5}\underset{k=1}{\overset{5}{\mathrm{\Σ}}}\widehat{\mathrm{SIR}(i+k)}---\left(14\right)$

实验仿真：通过在MATLAB平台上做该算法仿真实验

表1  1～6类UE的CQI映射表

为了仿真分析在高速移动移动环境下CQI预测算法的性能，我们对UE观测无线信道上报CQI的处理过程进行了仿真，通信系统的基本参数如表2所示，HS-DSCH的配置参数如表3所示：

表2  系统参数

表3  HS-DSCH的配置参数

由图5和图6可以看到，在80km/h的高速环境下，CQI预测处理大大减小了10ms时延导致的CQI误差，将大约75％的误差控制在2个数值以内上下浮动，这对于后面AMC技术实时地选择最合适的传输格式是非常有利的。由图7和图8可以看到，在120km/h的高速环境下，CQI预测处理同样也减小了CQI误差。

对比图5和图7，可以看到120km/h条件下的CQI误差要比80km/h条件下的要大很多。同样观察图6和图8，对比80km/h条件下的CQI预测效果，120km/h条件下的效果下降了很多，这是由于移动速度越大，信道衰落的相关性就越差即相邻CQI的相关性越差，导致预测效果下降。

观察图10可以看到，在移动速度为80km/h时，引入CQI预测技术取得系统吞吐量的平均增益达到了23％，最小增益为10％，最大增益达到了60％，同时从图11可以看到系统误码率整体得到很好的改善，平均增益为28％，最大增益达到了60％。可见，CQI预测技术实现了系统吞吐量和系统误码性能的双重性能优化。可见，CQI预测技术实现了不仅提高系统吞吐量而且改善系统误码性能的双重性能优化，应用意义较大。

观察图12可以看到，在移动速度为120km/h时，采用CQI预测技术后系统吞吐量的改善状况不是太好，平均增益约为12％，最大增益为40％，而且小部分时间点出现了负增益，不过负增益的幅度控制在10％以内。从图13可以看到系统误码率的平均增益为16％，最大增益约为40％，也出现了少许的负增益时间点。可见，在移动速度为120km/h时，CQI预测技术可以改善系统性能，但是改善程度有限。

对比移动速度分别为80km/h和120km/h时的系统性能改善效果，改进算法在运动速度为80km/h时取得比较好的效果；在运动速度增加到120km/h时，改效果下降。这是由于CQI预测算法也需要依据一定的信道衰落相关性，在速度增加到一定程度后，在克服信道快衰落方面就存在了一定的局限性。

Claims (7)

1.一种基于CQI预测的自适应调制编码方法，其特征在于包括以下步骤：

a)NodeB根据UE反馈的上一帧数据传输的CQI值和NodeB保存的CQI历史记录，通过CQI预测算法计算得到CQI预测值，并根据CQI预测值为下一帧数据选择对应的调制编码方式；

b)NodeB根据所选的调制编码方式进行编码调制，并发送至UE；

c)UE经过解码解调和去扰码的处理过程，如接收正确则返回ACK指示给NodeB，否则返回NACK；同时计算该帧的CQI值，报告给NodeB。

2.如权利要求1中所述的基于CQI预测的自适应调制编码方法，其特征在于：在步骤b)中，由NodeB产生的该帧数据先通过PN发生器加扰，再发送至UE。

3.如权利要求1中所述的基于CQI预测的自适应调制编码方法，其特征在于：UE将CQI值反馈回NodeB的传输时间为2ms。

4.如权利要求1中所述的基于CQI预测的自适应调制编码方法，其特征在于：NodeB采用5步递归线性自适应预测算法对CQI值进行预测，根据CQI预测值为下一帧选择对应的调制编码方案。

5.如权利要求4中所述的基于CQI预测的自适应调制编码方法，其特征在于：上述5步递归线性自适应预测算法通过最小均方误差准则对CQI值进行预测。

6.如权利要求5中所述的基于CQI预测的自适应调制编码方法，其特征在于：上述5步递归线性自适应预测算法具体为：

$\widehat{\mathrm{SIR}(i+1)}=-\underset{k=1}{\overset{+p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}\mathrm{SIR}((i+1)-k)$ 20≤k≤30，(1)

其中，

是第(i+1)个2ms信噪比的预测值，SIR((i+1)-k)是信道信噪比的历史记录，a_pk是线性模型参数，p是线性模型的阶，预测误差功率为：

${\mathrm{\σ}}^2=E\left[{\left|e(i+1)\right|}^2\right]=E\left[e^{*}(i+1)(\mathrm{SIR}(i+1)-\widehat{\mathrm{SIR}}(i+1))\right]---\left(2\right)$

根据最小均方误差准则，为使均方误差最小，要求

$\frac{\mathrm{\δE}\left[{\left|e\left(n\right)\right|}^2\right]}{\mathrm{\δ}{a}_{\mathrm{pl}}}=0$ l＝1，2，...，p    a_pl指线性模型参数(3)

得到E[e^*(i+1)SIR(i+1-l)]＝0  l＝1，2，...，p    (4)

由(4)式可以得到： $r_{\mathrm{xx}}\left(l\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}(l-k)=0,$ l＝1，2，...，p    (5)

预测误差的最小均方值 ${\mathrm{\σ}}_{\min }^2=E\left[e^{*}(i+1)\mathrm{SIR}(i+1)\right]=r_{\mathrm{xx}}\left(0\right)+\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{pk}}{r}_{\mathrm{xx}}\left(k\right)---\left(6\right)$

采用r_xx(l)的估计值

$\widehat{r_{\mathrm{xx}}}\left(l\right)=\frac{1}{N-l}\underset{n=(i-N+1)}{\overset{i-l}{\mathrm{\Σ}}}\mathrm{SIR}\left(n\right)\mathrm{SIR}(n+l),$ 0≤l≤N-1，N为样本数据长度，r_xx(l)指样本数据的自相关系数，

得出线性模型参数： $a_{1,1}=\frac{-r_{\mathrm{xx}}\left(1\right)}{r_{\mathrm{xx}}\left(0\right)}---\left(8\right),$ ${\mathrm{\σ}}_1^2=(1-a_{\mathrm{1,1}}^2)r_{\mathrm{xx}}\left(0\right)---\left(9\right)$

根据线性模型参数a_pk和预测误差功率σ²的递推公式如下：

$k_p=-[r_{\mathrm{xx}}\left(p\right)+\underset{k=1}{\overset{p-1}{\mathrm{\Σ}}}{a}_{p-1,k}{r}_{\mathrm{xx}}(p-k)]/{\mathrm{\σ}}_{p-1}^2---\left(10\right),$ a_p，p＝k_p(11)

a_p，k＝a_p-1，k+k_pa_p-1，p-k    k＝1，2，...，p-1  (12)， ${\mathrm{\σ}}_p^2=(1-k_p^2){\mathrm{\σ}}_{p-1}^2---\left(13\right)$

根据最终预测误差准则： $\mathrm{FPE}\left(k\right)={\mathrm{\σ}}_k^2*(P+k+1)/(P-k+1),$ P为设置的线性模型的最大阶数，自适应确定最佳阶数p，然后将线性模型参数代入(1)式得到

将

添加在信噪比历史记录…，SIR(i-N)，…，SIR(i)中，递归重复以上的处理方法，则得到

最后对以上5个估计值取加权平均得到信道最终预测值：

$\mathrm{SIR}{\left(\widehat{i+5}\right)}^{*}=\frac{1}{5}\underset{k=1}{\overset{5}{\mathrm{\Σ}}}\widehat{\mathrm{SIR}(i+k)}---\left(14\right)$

将信噪比预测值映射成CQI，完成CQI的5步递归线性自适应预测算法。

7.如权利要求1至6任一项所述的基于CQI预测的自适应调制编码方法，其特征在于：当0≤CQI≤15时，NodeB选择QPSK调制编码方式，当16≤CQI≤30时，NodeB选择16-QAM调制编码方式。

Images