CN101888353B - 一种多小区ofdma下行链路载波频偏的估计方法 - Google Patents

Abstract

一种多小区0FDMA下行链路载波频偏的估计方法属移动宽带接入技术领域步骤如下：1)建立系统模型；2)从系统模型中得到接收信号，形成矩阵F；3)载波频偏的估计。根据接收信号的特性，及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏。本发明方法的特点是：在频域信号是交织但不重叠的，在时域形成四段周期性的序列，利用这种周期性形成一个4×N/4形式的矩阵F，应用MUSIC算法，可以很好的估计出多个基站的载波频偏，具有合理可行性，该方法计算量相比大大的减少，且估计性能良好。

Description

一种多小区OFDMA下行链路载波频偏的估计方法

技术领域

本发明涉及一种多小区OFDMA下行链路载波频偏的估计方法，属移动宽带接入技术领域。 

技术背景

移动宽带接入技术是近年来移动通信领域内发展最快、最受关注的一大热门。目前，宽带移动化的代表技术为WiMAX，移动宽带化的代表技术为LTE，且两者的应用场景已经交叉融合。WiMAX和LTE是眼下最有潜力和商业应用价值的两种技术，两者又都是向4G演进的主流技术。其中，由于WiMAX制定规范较早，商用化进程较LTE快，理所当然的成为了4G的先锋。根据中国移动设计院无线研究所的研究结果，在业务能力方面，WiMAX技术在固定接入时可以在3.5MHz带宽下提供约11Mbit/s的有效业务速率，移动情况下可以在10NHz带宽下提供约20Mbit/s的有效业务速率。相比之下，WCDMA增强型HSDPA仅能在5MHZ带宽下提供最大14.4Mbit/s有效业务速率。从总体性能上来看，WiMAX性能要优于包括HSDPA在内的现有3G系统，WiMAX是当前无线宽带的最佳选择之一，也将成为未来移动宽带的主流制式之一。因此，在市场的需求和技术的推进下，对于WiMAX技术的研究有着重要的实际意义。 

移动WiMAX物理层的核心技术是正交频分多址(OFDMA)技术。OFDMA是以OFDM调制为基础的无线接入技术，它将接入和调制有效地结合在一起。作为一项备受瞩目的宽带移动通信技术，良好的同步性能对系统的整体性能有着重要的影响。但是，OFDMA继承了OFDM的弱点，对同步的需求很高，对载波频偏很敏感。因此，有效的估计出载波频偏，实现系统同步，显得尤为重要。Z.Zhang，W.Jiang，H.Zhou，Y.Liu&J.Gao提出的载波频偏估计方法，只能估计单基站(BS)情况下的载波频偏，并且在干扰受限的环境下性能很差(High accuracy frequencyoffset correction with adjustable acquisition range in OFDM systems，IEEE Trans.Wireless.Commun.，vol.4，No.1，pp.228-237，Jan.2005.)；Liu&Lin提出的方法，在两个基站的情况下是可行的，但是在三个基站的情况下，提出的通过延长循环前缀，使接收信号形成四段近似重复的序列，用此接收信号并不能估计出子载波频偏，并且计算复杂度很高(Initial Synchronization for Multi-Cell OFDMA Systems，Communications，2009.ICC’09.IEEE International Conference，pp.1-5，June.2009.)。 

发明内容

针对现有技术的不足，本发明提供一种多小区OFDMA下行链路载波频偏的估计方法，此方法的主要特征在于前导字结构的设计，用新的前导字可以估计出多个基站的载波频偏，并且计算复杂度很低，具有合理可行性。 

本发明的技术方案如下。 

一种多小区OFDMA下行链路载波频偏的估计方法，步骤如下： 

1)建立系统模型； 

1a)假设N个子载波分给Q个子信道进行数据的传输，每个子信道包含P＝N/Q个子载波；在频域子载波是相互交叉的，子信道{q}包含的子载波为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，即子信道{q}对应的子载波集就为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，这些子载波集在频域是不重叠的； 

1b)不同的BS利用不同的子载波集：当N可以被Q整除时，在时域是周期为P的周期序列，否则就是伪周期的，当Q＝4时，在时域前导字是4个重复的序列，周期为P＝N/4；对一个小区中三个扇区来说，每个扇区利用一个子载波集； 

1c)用户(MS)接收到的时域信号可以表示为： 

$x_m\left(n\right)=\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{X}_m\left(k\right)e^{\frac{j2\mathrm{\πn}}{N}k}$

k∈{0，1，2，...，N-1}，m∈{0，1，2}，-N_g≤n≤N-1，N是子载波数，N_g是循环前缀(CP)的长度，X_m(k)是从第m个扇区的BS传输来的第k个子载波，这里的每个扇区利用三个互不重叠的子载波集之一； 

1d)当MS在小区或扇区的边界处时，接收信号可以表示为： 

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_m\left(l\right)x_m(n-l)+w\left(n\right)$

其中：{w(n)}是均值为零和方差为σ_m ²的高斯噪声，L是MS和BS之间路径数的最大值， 

ε_m和h_m(1)分别为归一化载波频偏，相位偏移，MS和第m个BS之间的第1条路径增益； 

2)从系统模型中得到接收信号，形成矩阵F； 

2a)相位偏移ε_m包括整数部分ε_m，int和小数部分ε_m，fr，即ε_m＝ε_m，int+ε_m，fr，其中-0.5＜ε_m，fr＜0.5，得到 

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\left\{\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{H}_m\left(k\right)X_m\left(k\right)e^{j\frac{2\mathrm{\πn}}{N}k}\right\}$

其中，N是子载波的个数，H_m(k)是第m个BS和MS之间频域的路径增益，X_m(k)是x_m(n)变换到频域的信号； 

2b)当Q＝4时，根据接收信号的特性得到4×N/4的矩阵形式， 

$F=\left[\begin{array}{cccc}r\left(0\right)& r\left(1\right)& ...& r(N/4-1)\\ r(N/4)& r(N/4+1)& ...& r(N/2-1)\\ r(N/2)& r(N/2+1)& ...& r(3N/4-1)\\ r(3N/4)& r(3N/4+1)& ...& r(N-1)\end{array}\right];$

3)载波频偏的估计； 

根据接收信号的特性及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏； 

3a)由F矩阵可得到协方差矩阵ψ， 

$\mathrm{\Ψ}=\frac{1}{P}{\mathrm{FF}}^H$

其中，P为每个子信道的子载波个数； 

3b)对协方差矩阵ψ进行奇异值分解， 

$\mathrm{\Ψ}=\left[\begin{array}{cc}{U}_s& U_z\end{array}\right]\left[\begin{array}{cc}{\mathrm{\Σ}}_s& 0\\ 0& {\mathrm{\Σ}}_z\end{array}\right]\left[\begin{array}{c}{U}_s^H\\ U_z^H\end{array}\right]$

其中∑_s＝Diag[λ₁，...，λ_M]，∑_Z＝Diag[λ_M+1，...，λ_Q]，U_s是一个Q×M矩阵，包含M个特征值对应M个特征向量λ₁，...，λ_M，U_z包含Q-M个特征值，对应Q-M个特征向量λ_M+1，...，λ_Q； 

3c)由噪声空间和信号空间的特性，可得到峰值表达式G(ξ)的M个最大峰值， 

$G\left(\mathrm{\ξ}\right)=\frac{1}{{\left|\right|e^H\left(\mathrm{\ξ}\right)U_z{U}_z^{H}e\left(\mathrm{\ξ}\right)\left|\right|}^2}$

其中，e(ξ)＝[1，e^j2πξ，...，e^j2π(Q-1)ξ]^T。M个峰值对应于M个基站的载波频偏 

在实际仿真计算时，找1/G(ξ)的M个最小峰值效果是等同； 

3d)计算出小数位CFO估计值， 

${\widehat{\mathrm{\ξ}}}_{m,\mathrm{fr}}=Q{\widehat{\mathrm{\ξ}}}_m-{\hat{q}}_m$

其中， 

是第m个基站的载波频偏， 

是估计出的第m个基站利用的子信道，Q是子信道的个数。 

上述估计方法步骤3)的3d)中的CFO是载波频偏。 

本发明方法的优点：可以估计出多基站情况下的多个载波频偏，计算量相比以前的方法减少了很多，并且估计性能很好，并没有因为子载波个数的减少而影响估计的性能。 

附图说明

图1是本发明方法的流程框图，其中1)-3)是该方法中的各个步骤。 

图2是用本发明方法分别估计的两个和三个基站的载波频偏的效果比较。其中点线表示三个基站载波频偏估计的RMSE性能，方格线表示两个基站载波频偏估计的RMSE性能。从图中可以看出，利用新提出的前导字结构估计出来的CFOs的性能是很好的。利用新提出的前导字结构可以估计出三个基站的CFOs，Liu&Lin提出的方法只能估计两个基站的CFOs。本文中的F是4×N/4的矩阵形式而Liu&Lin提出的估计两个基站CFOs的方法中F矩阵形式3×N，因此本发明的计算量减少很多。从图中可以看到，利用新设计的前导字估计出的两基站的RMSE性能比三基站的有大约6dB的增益。 

具体实施方式

实施例： 

本发明实施例如图1所示，一种多小区OFDMA下行链路载波频偏的估计方法步骤如下： 

1)建立系统模型； 

1a)假设N个子载波分给Q个子信道进行数据的传输，每个子信道包含P＝N/Q个子载波；在频域子载波是相互交叉的，子信道{q}包含的子载波为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，即子信道{q}对应的子载波集就为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，这些子载波集在频域是不重叠的； 

1b)不同的BS利用不同的子载波集：当N可以被Q整除时，在时域是周期为P的周期序列，否则就是伪周期的，当Q＝4时，在时域前导字是4个重复的序列，周期为P＝N/4；对一个小区中三个扇区来说，每个扇区利用一个子载波集； 

1c)用户(MS)接收到的时域信号可以表示为： 

$x_m\left(n\right)=\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{X}_m\left(k\right)e^{\frac{j2\mathrm{\πn}}{N}k}$

k∈{0，1，2，...，N-1}，m∈{0，1，2}，-N_g≤n≤N-1，N是子载波数，N_g是循环前缀(CP)的长度，X_m(k)是从第m个扇区的BS传输来的第k个子载波，这里的每个扇区利用三个互不重叠的子载波集之一； 

1d)当MS在小区或扇区的边界处时，接收信号可以表示为： 

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_m\left(l\right)x_m(n-l)+w\left(n\right)$

其中：{w(n)}是均值为零和方差为σ_m ²的高斯噪声，L是MS和BS之间路径数的最大值， ε_m和h_m(1)分别为归一化载波频偏，相位偏移，MS和第m个BS之间的第1条路径增益； 

2)从系统模型中得到接收信号，形成矩阵F； 

2a)相位偏移ε_m包括整数部分ε_m，int和小数部分ε_m，fr，即ε_m＝ε_m，int+ε_m，fr，其中-0.5＜ε_m，fr＜0.5，得到 

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\left\{\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{H}_m\left(k\right)X_m\left(k\right)e^{j\frac{2\mathrm{\πn}}{N}k}\right\}$

其中，N是子载波的个数，H_m(k)是第m个BS和MS之间频域的路径增益，X_m(k)是x_m(n)变换到频域的信号； 

2b)当Q＝4时，根据接收信号的特性得到4×N/4的矩阵形式， 

$F=\left[\begin{array}{cccc}r\left(0\right)& r\left(1\right)& ...& r(N/4-1)\\ r(N/4)& r(N/4+1)& ...& r(N/2-1)\\ r(N/2)& r(N/2+1)& ...& r(3N/4-1)\\ r(3N/4)& r(3N/4+1)& ...& r(N-1)\end{array}\right];$

3)载波频偏的估计； 

根据接收信号的特性及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏； 

3a)由F矩阵可得到协方差矩阵ψ， 

$\mathrm{\Ψ}=\frac{1}{P}{\mathrm{FF}}^H$

其中，P为每个子信道的子载波个数； 

3b)对协方差矩阵ψ进行奇异值分解， 

$\mathrm{\Ψ}=\left[\begin{array}{cc}{U}_s& U_z\end{array}\right]\left[\begin{array}{cc}{\mathrm{\Σ}}_s& 0\\ 0& {\mathrm{\Σ}}_z\end{array}\right]\left[\begin{array}{c}{U}_s^H\\ U_z^H\end{array}\right]$

其中∑_s＝Diag[λ₁，...，λ_M]，∑_Z＝Diag[λ_M+1，...，λ_Q]，U_s是一个Q×M矩阵，包含M个特征值对应M个特征向量λ₁，...，λ_M，U_z包含Q-M个特征值，对应Q-M个特征向量λ_M+1，...，λ_Q； 

3c)由噪声空间和信号空间的特性，可得到峰值表达式G(ξ)的M个最大峰值， 

$G\left(\mathrm{\ξ}\right)=\frac{1}{{\left|\right|e^H\left(\mathrm{\ξ}\right)U_z{U}_z^{H}e\left(\mathrm{\ξ}\right)\left|\right|}^2}$

其中，e(ξ)＝[1，e^j2πξ，...，e^j2π(Q-1)ξ]^T。M个峰值对应于M个基站的载波频偏 

在实际仿真计算时，找1/G(ξ)的M个最小峰值效果是等同； 

3d)计算出小数位CFO估计值， 

${\widehat{\mathrm{\ξ}}}_{m,\mathrm{fr}}=Q{\widehat{\mathrm{\ξ}}}_m-{\hat{q}}_m$

其中， 

是第m个基站的载波频偏， 

是估计出的第m个基站利用的子信道，Q是子信道的个数。 

本实施例中的参数为总的子载波个数即N＝1024；子信道个数Q＝4；基站个数M₁＝3，M₂＝2；每个子信道的包含的子载波个数为204；在序列的开头和结尾的虚载波的个数K＝104；蒙特卡洛仿真次数∏＝1000。 

Claims (1)

1.一种多小区OFDMA下行链路载波频偏的估计方法，步骤如下：

1)建立系统模型；

1a)假设N个子载波分给Q个子信道进行数据的传输，每个子信道包含P＝N/Q个子载波；在频域子载波是相互交叉的，子信道{q}包含的子载波为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，即子信道{q}对应的子载波集就为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，这些子载波集在频域是不重叠的；

1b)不同的BS利用不同的子载波集：当N可以被Q整除时，在时域是周期为P的周期序列，否则就是伪周期的，当Q＝4时，在时域前导字是4个重复的序列，周期为P＝N/4；对一个小区中三个扇区来说，每个扇区利用一个子载波集；

1c)用户(MS)接收到的时域信号可以表示为：

$x_m\left(n\right)=\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{X}_m\left(k\right)e^{\frac{j2\mathrm{\πn}}{N}k}$

k∈{0，1，2，...，N-1}，m∈{0，1，2}，-N_g≤n≤N-1，N是子载波数，N_g是循环前缀(CP)的长度，X_m(k)是从第m个扇区的BS传输来的第k个子载波，这里的每个扇区利用三个互不重叠的子载波集之一；

1d)当MS在小区或扇区的边界处时，接收信号可以表示为：

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_m\left(l\right)x_m(n-l)+w\left(n\right)$

其中：{w(n)}是均值为零和方差为σ_m ²的高斯噪声，L是MS和BS之间路径数的最大值，

ε_m和h_m(l)分别为归一化载波频偏，相位偏移，MS和第m个BS之间的第1条路径增益；

2)从系统模型中得到接收信号，形成矩阵F；

2a)相位偏移ε_m包括整数部分ε_m，int和小数部分ε_m，fr，即ε_m＝ε_m，int+ε_m，fr，其中-0.5＜ε_m，fr＜0.5，得到

$r\left(n\right)=\underset{m=0}{\overset{2}{\mathrm{\Σ}}}{e}^{j\frac{2\mathrm{\π}{\mathrm{\ϵ}}_m}{N}n}{e}^{j{\mathrm{\φ}}_m}\left\{\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{H}_m\left(k\right)X_m\left(k\right)e^{j\frac{2\mathrm{\πn}}{N}k}\right\}$

其中，N是子载波的个数，H_m(k)是第m个BS和MS之间频域的路径增益，X_m(k)是x_m(n)变换到频域的信号；

2b)当Q＝4时，根据接收信号的特性得到4×N/4的矩阵形式，

$F=\left[\begin{array}{cccc}r\left(0\right)& r\left(1\right)& ...& r(N/4-1)\\ r(N/4)& r(N/4+1)& ...& r(N/2-1)\\ r(N/2)& r(N/2+1)& ...& r(3N/4-1)\\ r(3N/4)& r(3N/4+1)& ...& r(N-1)\end{array}\right];$

3)载波频偏的估计；

根据接收信号的特性及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏；

3a)由F矩阵可得到协方差矩阵Ψ，

$\mathrm{\Ψ}=\frac{1}{P}{\mathrm{FF}}^H$

其中，P为每个子信道的子载波个数；

3b)对协方差矩阵Ψ进行奇异值分解，

$\mathrm{\Ψ}=\left[\begin{array}{cc}{U}_s& U_z\end{array}\right]\left[\begin{array}{cc}{\mathrm{\Σ}}_s& 0\\ 0& {\mathrm{\Σ}}_z\end{array}\right]\left[\begin{array}{c}{U}_s^H\\ U_z^H\end{array}\right]$

其中∑_s＝Diag[λ₁，...，λ_M]，∑_Z＝Diag[λ_M+1，...，λ_Q]，U_s是一个Q×M矩阵，包含M个特征值对应M个特征向量λ₁，...，λ_M，U_z包含Q-M个特征值，对应Q-M个特征向量λ_M+1，...，λ_Q；

3c)由噪声空间和信号空间的特性，可得到峰值表达式G(ξ)的M个最大峰值，

$G\left(\mathrm{\ξ}\right)=\frac{1}{{\left|\right|e^H\left(\mathrm{\ξ}\right)U_z{U}_z^{H}e\left(\mathrm{\ξ}\right)\left|\right|}^2}$

其中，e(ξ)＝[1，e^j2πξ，...，e^j2π(Q-1)ξ]^T，M个峰值对应于M个基站的载波频偏在实际仿真计算时，找1/G(ξ)的M个最小峰值效果是等同的；

3d)计算出小数位CFO估计值，

${\widehat{\mathrm{\ξ}}}_{m,\mathrm{fr}}=Q{\widehat{\mathrm{\ξ}}}_m-{\hat{q}}_m$

其中，

是第m个基站的载波频偏，

是估计出的第m个基站利用的子信道，Q是子信道的个数。

Images