CN102255830A - 用于对带噪声的估计进行滤波来减小估计误差的方法和装置 - Google Patents

Abstract

描述了对带噪声的估计进行滤波来减小估计误差的技术。利用具有至少一个系数的无限冲击响应(IIR)滤波器对初始信道冲击响应估计(CIRE)的输入值序列进行滤波，获得(例如已滤波CIRE的)输出值序列。利用自适应滤波器、一组预测滤波器或者归一化偏差技术，基于所述输入值序列更新所述系数。为了利用自适应滤波器更新系数，基于输入值序列导出预测值序列。确定预测值序列和输入值序列之间的预测误差，并对其滤波，获得已滤波预测误差。然后基于预测误差和已滤波预测误差更新IIR滤波器的系数。

Description

用于对带噪声的估计进行滤波来减小估计误差的方法和装置

本申请要求2005年11月15日递交的，发明名称为“Prediction BasedOptimal Adaptation of Pilot Filter Coefficients for Improved ChannelEstimation”，转让给本发明受让人的第60/737,256号美国临时申请的优先权，在这里将它引入作为参考。

本申请是申请日为2006年11月15日、申请号为200680051011.6的中国专利申请的分案申请。

技术领域

本发明涉及通信。具体而言，本发明涉及滤波技术。

背景技术

在无线通信系统中，发射机通常都要处理(例如编码和调制)业务数据来产生数据码元。对于相干系统，发射机将导频码元和数据码元进行多路复用，对已复用数据和导频码元进行处理，产生射频(RF)信号，并通过无线信道发射射频信号。无线信道因为信道响应特性而使发射的射频信号发生失真，并且因为噪声和干扰而使信号进一步变差。

接收机接收发射的射频信号，并且处理收到的射频信号来获得样本。对于相干数据检测，接收机基于收到的导频估计无线信道的响应，导出信道估计。然后，接收机利用信道估计对样本进行数据检测(例如均衡)，来获得码元估计，这些码元估计是发射机发送的数据码元的估计。然后，接收机处理(例如解调和解码)码元估计来获得已解码数据。

信道估计的质量对数据检测性能会有很大影响，并且会影响码元估计的质量和已解码数据的可靠性。因此，在这个领域需要技术来导出无线通信系统中高质量的信道估计。

发明内容

在这里描述了对带噪声的估计进行滤波，减小估计误差，获得高质量估计的技术。这些技术可以用于各种应用，带噪声的估计可以是标量、矢量或矩阵。这些技术的一种示例性应用是对信道冲击响应(CIR)带噪声的估计进行滤波，这是一种通信信道的时域响应。

在一个实施例中，用具有至少一个系数的无限冲击响应(IIR)滤波器对输入值序列进行滤波。输入值序列可以是初始信道冲击响应估计(CIRE)，输出值序列可以是滤波后的CIRE。基于输入值序列利用这里描述的更新技术之一更新IIR滤波器的系数。IIR滤波器可以具有称为阿尔法的单一系数。

在一个实施例中，基于自适应滤波器更新IIR滤波器的系数。在这个实施例中，基于输入值序列导出预测值序列，前者可以等于输出值序列的延迟版本。确定预测值序列和输入值序列之间的预测误差并对其进行滤波(例如利用IIR滤波器的系数)，获得已滤波预测误差。然后基于预测误差和已滤波预测误差更新IIR滤波器的系数。

在另一个实施例中，基于一组预测滤波器更新IIR滤波器的系数。在这个实施例中，用单个预测滤波器对输入值序列进行滤波，获得多个预测值序列。每个预测滤波器都具有不同的一组至少一个系数。找出多个预测滤波器中具有最小预测误差的预测滤波器。将找出的预测滤波器的那组系数用于对输入值序列进行滤波。

在另一个实施例中，基于归一化偏差技术更新IIR滤波器的系数。在这个实施例中，基于输入值序列估计实际样本序列的偏差(例如CIR)。这可以通过估计输入值序列的能量，估计输入值序列中的噪声，估计输入样本序列的偏差来实现。然后可以基于输入值序列估计出来的能量、估计出来的噪声和估计出来的偏差来估计实际样本序列的偏差。例如，利用查阅表或通过直接计算，基于实际样本序列估计出来的偏差来确定IIR滤波器的系数。

下面详细描述本发明的各个方面和实施例。

附图说明

通过以下说明，并结合附图，会更加了解本发明的特征和本质。在这些附图中：

图1示出无线通信系统中的发射；

图2示出基站和无线设备的框图；

图3示出无线设备处均衡器的框图；

图4示出信道IIR滤波器的框图；

图5示出三个速度情形下吞吐量随阿尔法的变化曲线；

图6、7和8分别示出基于自适应滤波器、一组预测滤波器和归一化偏差(normalized variation)技术对阿尔法进行更新的单元；

图9示出对带噪声的估计进行滤波的过程；以及

图10、11和12分别示出基于自适应滤波器、一组预测滤波器和归一化偏差技术对阿尔法进行更新的过程。

具体实施方式

“示例性的”这个词表示“用作实例或说明”。不必将在这里被描述成“示例性的”任何实施例解释为优选的。

图1示出无线通信系统中的示例性发射。为了简单起见，图1只示出了一个基站110和一个无线设备120。基站一般是与无线设备通信的固定站，也可以叫做节点B、接入点、基地收发信机站(BTS)等。无线设备可以是固定的或移动的，也可以称为用户设备(UE)、移动台、用户终端或用户单元等。无线设备可以是蜂窝电话、个人数字助理(PDA)、无线调制解调器卡、手持设备或其它设备或装置。

基站110发射射频信号给无线设备120。这个射频信号通过一个或多个信号路径到达无线设备120，这些路径包括直接路径和/或反射路径。反射路径因为无线环境中的障碍物(例如建筑物、树木、车辆和其它结构)对无线电波发生反射而产生。无线设备120可以接收已发射射频信号的多个实例或副本。通过不同的信号路径获得每个接收信号实例，具有这条信号路径决定的特定复增益和特定时间延迟。无线设备120收到的射频信号是收到的所有信号实例的叠加。无线设备120还会收到来自其它发射台的干扰发射，这一干扰发射在图1中用虚线表示。

这里描述的滤波技术可以用于各种通信系统，例如码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波FDMA(SC-FDMA)系统等等。CDMA系统可以采用一种或多种无线电技术，例如宽带CDMA(W-CDMA)、cdma2000等等。cdma200覆盖IS-2000、IS-856和IS-95标准。TDMA系统可以采用全球移动通信系统(GSM)这种无线电技术。这些无线电技术和标准在本领域里都是公知的。在来自名称为“3^rd Generation PartnershipProject(第三代伙伴计划)”(3GPP)的组织的文件中描述了W-CDMA和GSM。在来自名称为“3^rd Generation Partnership Project 2(第三代伙伴计划2)”(3GPP2)的组织的文件中描述了cdma2000。大家都能获得3GPP和3GPP2文件。OFDMA系统利用OFDM在正交载波上在频域发射调制码元。SC-FDMA系统在正交子载波上在时域发射调制码元。

这里描述的滤波技术可以用于基站，也可以用于无线设备。为了清楚起见，下面针对CDMA系统(它可以是W-CDMA系统或cdma200系统)中的无线设备来描述这些技术。

图2示出基站110和无线设备120的框图。在基站100处，发射(TX)数据处理器210接收被服务的无线设备的业务数据，对这些业务数据进行处理(例如编码、交织和码元映射)，产生数据码元。如同这里所使用的一样，数据码元是数据的调制码元，导频码元是导频的调制码元，调制码元是(例如M-PSK或M-QAM)信号星座图中一个点的复值，导频是基站和无线设备双方事先知道的数据。CDMA调制器220处理数据码元和导频码元，提供输出码片给发射机(TMTR)230。发射机230处理(例如转换成模拟信号、放大、滤波和上变频)输出码片，产生射频信号，从天线232发射出去。

在无线设备120处，天线252接收通过直接和/或反射路径发射的射频信号，将收到的射频信号提供给接收机(RCVR)254。接收机254对收到的射频信号进行处理(例如滤波、放大、下变频和数字化)，获得接收码元。接收机254还可以对接收样本进行预处理，提供输入样本给均衡器/瑞克接收机260。预处理可以包括，例如自动增益控制(AGC)、频率矫正、数字滤波、采样率转换等等。均衡器/瑞克接收机260处理输入样本(例如用均衡器或瑞克接收机)并提供输出样本。CDMA解调器(Demod)270按照与CDMA调制器220的处理互补的方式处理输出样本，并提供码元估计，这些码元估计是基站110发送给无线设备120的数据码元的估计。瑞克接收机和CDMA解调器还可以合并。接收(RX)数据处理器280处理(例如码元去映射、去交织和解码)码元估计并提供已解码数据。总之，CDMA解调器270和RX数据处理器280的处理分别与基站110处CDMA调制器220和TX数据处理器210的处理互补。

控制器/处理器240和290分别控制基站110和无线设备120处各种处理单元的工作过程。存储器242和292分别为基站110和无线设备120储存数据和程序代码。

在无线设备120处，可以将来自接收机254的输入样本表示为：

$y\left(k\right)=h\left(k\right)\⊗[x\left(k\right)+p\left(k\right)]+w\left(k\right),$

$=\underset{i=-\∞}{\overset{\∞}{\mathrm{\Σ}}}h\left(i\right)\·[x(k-i)+p(k-i)]+w\left(k\right),---\left(1\right)$

其中：x(k)是无线设备120感兴趣的信号分量；

p(k)是来自基站110的导频；

h(k)是基站110和无线设备120之间无线信道的时域冲击响应；

w(k)是x(k)和p(k)经受的总噪声和干扰；

y(k)是无线设备120处的输入样本；以及

表示卷积。

在公式(1)中，x(k)是无线设备120感兴趣的物理信道的信号分量。w(k)可以包括来自基站110的其它物理信道的信号分量，来自各种源的噪声，以及来自其它发射台的干扰。为了简单起见，假设w(k)是均值为零，方差(variance)为σ²的加性高斯白噪声(AWGN)。可以用均衡器处理输入样本y(k)来获得所需信号x(k)的估计。

图3示出均衡器260a的框图，它是图2中均衡器/瑞克接收机260的一个实施例。在这个实施例中，将来自接收机254的输入样本y(k)提供给信道估计器310和数据有限冲击响应(FIR)滤波器360。信道估计器310为基站110和无线设备120之间的无线信道导出信道冲击响应估计(CIRE)

计算单元350接收CIRE基于这个CIRE并利用例如线性最小均方差(LMMSE)、最小均方(LMS)、递归最小二乘(RLS)、直接矩阵求逆(DMI)、强迫零或者一些其它技术来导出均衡器系数。FIR滤波器360利用均衡器系数对输入样本y(k)滤波，提供输出样本

它们是所需信号x(k)的估计。

可以把基站110和无线设备120之间的时域信道冲击响应(CIR)看成具有L个信道抽头h(1)到h(L)，其中L可以是任意值，例如L＝64。对于l＝1，...，L，每个信道抽头h(l)具有一个特定的复增益和特定的时间延迟，它们都由无线环境决定。CIR可以用下面的矢量形式给出：

h _n＝[h_n(1)h_n(2)...h_n(L)]^T                     (2)

其中：h _n是CIR在时间间隔n中的一个L×1矢量；以及

“^T”表示转置。

无线设备120试图导出CIR中L个信道抽头的准确估计。在信道估计器310中，初始信道估计器320基于从基站110收到的导频导出初始CIRE。在一个实施例中，可以按照如下方式导出初始CIRE：

${\tilde{h}}_n\left(l\right)=\frac{1}{K}\·\underset{i=0}{\overset{K-1}{\mathrm{\Σ}}}y(n\·K+l-1+i)\·p^{*}\left(i\right),l=1,...,L---\left(3\right)$

其中：

是在时间间隔n中信道抽头h(l)的初始估计；

K是累计长度；以及

“^*”表示复共轭。

公式(3)中“l-1”是因为下标l是从1开始而不是从0开始。

在公式(3)中，通过利用导频序列p(k)在时间偏移l-1处在时域对输入样本y(k)进行解扩来估计信道抽头h(l)。利用L个不同的时间偏移可以估计L个不同的信道抽头。每个时间偏移的解扩可以通过将这个时间偏移的输入样本y(k)乘以复共轭导频码片p^*(k)，并在K个码片上累加结果来实现。K是用于这个导频的正交码的长度的整数倍。在W-CDMA中，导频正交码的长度是256个码片，在cdma2000中，导频正交码的长度是128个码片。K可以等于一个导频码元、多个导频码元、一个时隙、多个时隙、一帧或者一些其它持续时间。在W-CDMA中，一个时隙覆盖2560个码片和10个导频码元，在cdma2000中覆盖768个码片和6个导频码元。

可以为每个时间间隔n导出初始CIRE。时间间隔可以是时隙、帧或者一些其它持续时间。初始CIRE由L个信道抽头估计组成，可以由

给出。初始CIRE包含估计误差和噪声，可以在多个时间间隔上进行滤波，以减小估计误差和噪声。

在图3所示的实施例中，信道IIR滤波器330按照如下方式对初始CIRE进行滤波：

${\underset{\‾}{\overset{^}{h}}}_n={\mathrm{\α}}_n\·{\underset{\‾}{\overset{~}{h}}}_n+(1-{\mathrm{\α}}_n)\·{\underset{\‾}{\overset{^}{h}}}_{n-1}---\left(4\right)$

其中：

是时间间隔n中已滤波CIRE的L×1矢量；

α_n是在时间间隔n的系数。

公式(4)中的IIR滤波针对L个信道抽头中的每一个分别进行。系数计算单元340导出IIR滤波器330的系数α_n。

图4示出图3所示信道IIR滤波器330的一个实施例的框图。在这个实施例中，对于这L个信道抽头，信道IIR滤波器330包括L个1抽头IIR滤波器410a～4101。每个IIR滤波器410针对一个抽头下标进行滤波。在抽头下标为l的1抽头IIR滤波器中，乘法器412接收初始信道抽头估计

并将它与系数α_n相乘，其中l∈{1，...，L}。加法器414用1.0减去系数α_n，提供(1-α_n)。乘法器416将来自寄存器420的已延迟信道抽头估计

乘以(1-α_n)。加法器418将乘法器412和416的输出相加，提供已滤波信道抽头估计寄存器420储存已滤波信道抽头估计供下一时间间隔使用。

公式(4)中的滤波能够减小噪声，提高估计准确度。因此，已滤波CIRE

一般都是CIR h _n的改进估计。系数α_n决定了滤波量。总之，1＞α_n＞0，较大的α_n对应于较少的滤波，反之亦然。在以下说明中，将系数α_n称为阿尔法。

可以看出，为不同工作环境的初始CIRE使用不同量的滤波能够提高性能。阿尔法的好值取决于速度、接收信号质量和其它因素。

图5画出了对于三种不同速度情形，吞吐量随阿尔法的变化曲线。曲线510示出了120km/hr的高速情况下吞吐量随阿尔法的变化情况，曲线512示出了30km/hr的中速情况下吞吐量随阿尔法的变化情况，曲线514示出了3km/hr的低速情况下吞吐量随阿尔法的变化情况。这三条曲线表明，对于高速情形，阿尔法在0.8至1.0之间时吞吐量最大，对于中速情形，阿尔法在0.5至0.7之间时吞吐量最大，对于低速情形，阿尔法在0.2至0.3之间时吞吐量最大。

图5表明，阿尔法的良好选择依赖于速度。对于缓慢改变的信道，较小的阿尔法(较多的滤波)较好，对于快速改变的信道，较大的阿尔法(较少的滤波)较好。还可以说明，阿尔法的良好选择还依赖于接收信号质量。对于给定速度，接收信号质量较低的情况采用较小的阿尔法(较多的滤波)较好，而接收信号质量较高的情况采用较大的阿尔法(较少的滤波)较好。从图5可以看出，如果阿尔法采用了不合适的值，性能会显著下降。

这里描述的滤波技术能够减小估计误差，为各种工作情形提供良好的性能。这些技术包括基于预测的技术以及归一化偏差技术。基于预测的技术可以用自适应滤波器或者一组预测滤波器来实现。

在基于预测的技术的一个实施例中，用自适应滤波器以很小的步长更新阿尔法。在一个实施例中，公式(4)中的IIR滤波器也被用作预测滤波器，为下一时间间隔预测信道抽头。因此，在时间间隔n-1中，IIR滤波器产生的已滤波CIRE

被用作时间间隔n的预测CIRE。

初始CIRE和预测CIRE之间的预测误差可以表示为：

${\underset{\‾}{e}}_n={\underset{\‾}{\overset{~}{h}}}_n-{\underset{\‾}{\overset{^}{h}}}_{n-1}---\left(5\right)$

其中：e _n＝[e_n(1)e_n(2)...e_n(L)]^T是时间间隔n中L个预测信道抽头的预测误差的L×1矢量。

可以按照如下方式在每个时间间隔n自适应地更新阿尔法：

${\mathrm{\α}}_{n+1}={\mathrm{\α}}_n-\mathrm{\χ}\·\frac{\∂{\left|\right|{\underset{\‾}{e}}_n\left|\right|}^2}{\∂\mathrm{\α}}---\left(6\right)$

其中：||e _n||²是预测误差矢量的模的平方；以及

χ是决定阿尔法自适应速率的系数。

公式(6)更新阿尔法，使预测误差的模的平方最小，以获得最小均方误差(MMSE)。偏导项

表示误差的梯度。根据预测误差模的平方的梯度，按照它的相反方向，来更新阿尔法。自适应速度取决于系数χ，可以对它加以选择来提供良好性能。可以将系数χ设置成0.01或者某个其它值。

可以将公式(6)中的偏导项表示为：

$\frac{{\∂\left|\right|{\underset{\‾}{e}}_n\left|\right|}^2}{\∂\mathrm{\α}}=-2\mathrm{Re}\{{\underset{\‾}{e}}_n^H\·\frac{\∂{\underset{\‾}{\overset{^}{h}}}_{n-1}}{\∂\mathrm{\α}}\}---\left(7\right)$

$=-2\mathrm{Re}\{{\underset{\‾}{e}}_n^H\·{\underset{\‾}{f}}_n\},$

其中：“^H”表示共轭转置。

公式(7)中的项

可以表示为：

$\frac{\∂{\underset{\‾}{\overset{^}{h}}}_{n-1}}{\∂\mathrm{\α}}={\underset{\‾}{f}}_n={\underset{\‾}{e}}_{n-1}+(1-{\mathrm{\α}}_n)\·{\underset{\‾}{f}}_{n-1}---\left(8\right)$

其中f _n＝[f_n(1)f_n(2)...f_n(L)]^T是时间间隔n中L个信道抽头已滤波预测误差的L×1矢量。

公式(7)表明可以基于计算出来的当前时间间隔n中的预测误差e _n和当前时间间隔n的已滤波预测误差f _n来导出

这一项。

于是可以将公式(6)中的偏导项表示为：

$\frac{\∂{\left|\right|{\underset{\‾}{e}}_n\left|\right|}^2}{\∂\mathrm{\α}}=-2\·\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Re}\{e_n^{*}\left(l\right)\·f_n\left(l\right)\}---\left(9\right)$

然后可以按照如下方式更新阿尔法：

${\mathrm{\α}}_{n+1}={\mathrm{\α}}_n+2\mathrm{\χ}\·\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Re}\{e_n^{*}\left(l\right)\·f_n\left(l\right)\}---\left(10\right)$

在公式(6)～(10)所示的实施例中，所有L个信道抽头使用单独一个阿尔法，基于所有L个信道抽头来更新这个阿尔法。在另一个实施例中，每个信道抽头使用独立的阿尔法，按照如下方式基于这个信道抽头的预测误差来更新这个阿尔法：

${\mathrm{\α}}_{n+1}\left(l\right)={\mathrm{\α}}_n\left(l\right)-\mathrm{\χ}\·\frac{\∂{\left|e_n\left(l\right)\right|}^2}{\∂\mathrm{\α}},$

$\frac{\∂{\left|e_n\left(l\right)\right|}^2}{\∂\mathrm{\α}}=-2\mathrm{Re}\{e_n^{*}\left(l\right)\·\frac{\∂{\hat{h}}_{n-1}\left(l\right)}{\∂\mathrm{\α}}\},$ 以及

$=-2\mathrm{Re}\{e_n^{*}\left(l\right)\·f_n\left(l\right)\}$

$\frac{\∂{\hat{h}}_{n-1}\left(l\right)}{\∂\mathrm{\α}}=f_n\left(l\right)=e_{n-1}\left(l\right)+(1-{\mathrm{\α}}_n\left(l\right))\·f_{n-1}\left(l\right)$

可以按照如下方式基于自适应滤波器来更新阿尔法。一开始，将已滤波CIRE和已滤波预测误差f _n初始化成零。将阿尔法初始化成为大多数工作情况提供良好性能的值，例如α_n＝0.6。然后，按照如下方式在每个时间间隔n中更新阿尔法：

1.获得初始CIRE

例如如公式(3)所示；

2.计算预测误差e _n，如公式(5)所示；

3.基于公式(9)所示的预测误差e _n和已滤波预测误差f _n来计算偏导项

4.基于偏导项和步长χ更新阿尔法，如公式(10)所示；以及

5.基于预测误差e _n和已更新阿尔法α_n+1来更新已滤波预测误差，如公式(8)所示。

在下一个时间间隔内可以用已更新阿尔法α_n+1来对初始CIRE进行滤波。

图6示出利用自适应滤波器更新阿尔法的系数计算单元340a的一个实施例。信道IIR滤波器330利用当前阿尔法α_n更新初始CIRE

提供已滤波CIRE

在单元340a中，预测误差计算单元610从寄存器616接收初始

和预测CIRE

单元610按照公式(5)计算预测误差e _n。阿尔法更新单元614接收预测误差e _n和已滤波预测误差f _n，按照公式(9)和(10)更新阿尔法，为下一时间间隔提供已更新阿尔法α_n+1。滤波器612按照公式(8)对预测误差e _n进行滤波，为下一时间间隔提供已滤波预测误差。寄存器616接收和储存已滤波CIRE

用作下一时间间隔的预测CIRE。

利用自适应滤波器来更新阿尔法具有很多优点。首先，可以用少量计算和存储器来导出已滤波CIRE、已滤波预测误差和阿尔法。其次，能够获得快速收敛速率，因为已滤波预测误差是基于公式(8)所示的可变IIR滤波器获得的。第三，通过选择系数χ的合适值能够控制自适应速度。

在基于预测的技术的另一个实施例中，从具有不同阿尔法的一组预测滤波器选择阿尔法。在这个实施例中，按照如下方式用M个不同预测滤波器对初始CIRE进行滤波：

${\underset{\‾}{\overset{^}{h}}}_n^{\left(m\right)}={\mathrm{\α}}^{\left(m\right)}\·{\underset{\‾}{\overset{~}{h}}}_n+(1-{\mathrm{\α}}^{\left(m\right)})\·{\underset{\‾}{\overset{^}{h}}}_{n-1}^{\left(m\right)},$ 其中m＝1，...，M         (11)

其中：

是时间间隔n中来自预测滤波器m的预测CIRE的L×1矢量；以及

α^(m)是预测滤波器m的阿尔法。

M个预测滤波器可以使用M个不同的阿尔法，一般情况下M＞1。在一个实施例中，M个阿尔法从0到1均匀分布，例如α^(m)＝m/M。例如，M可以等于10，10个预测滤波器采用10个等间隔阿尔法0.1，0.2，...，1.0。也可以将这M个阿尔法设置为其它值，例如更加集中于预计无线设备要在其中工作的特定范围。

可以将每个预测滤波器的预测误差表示为：

${\underset{\‾}{e}}_n^{\left(m\right)}={\underset{\‾}{\overset{~}{h}}}_n-{\underset{\‾}{\overset{^}{h}}}_{n-1}^{\left(m\right)},$ 其中m＝1，...，M               (12)

其中：

是时间间隔n中预测滤波器m的预测误差的L×1矢量。

在每个时间间隔n中，可以按照如下方式选择M个阿尔法之一来使用：

${\mathrm{\α}}_{n+1}={\mathrm{\α}}^{\left(m_n\right)}---\left(14\right)$

其中：

{}表示期望运算；

是预测滤波器m的预测均方误差(MSE)；以及

m_n是具有最小预测MSE的预测滤波器的下标。

在公式(13)中，选择对于所有L个信道抽头给出最小预测MSE的预测滤波器。在公式(14)中，提供所选预测滤波器的阿尔法作为用于对初始CIRE进行滤波的阿尔法。

可以按照如下方式为每个预测滤波器m估计预测MSE：

${\mathrm{MSE}}_n^{\left(m\right)}=\mathrm{\η}\·\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left|e_n^{\left(m\right)}\left(l\right)\right|}^2+(1-\mathrm{\η})\·{\mathrm{MSE}}_{n-1}^{\left(m\right)}---\left(15\right)$

其中：

是时间间隔n中预测滤波器m的估计出来的预测MSE；

η是决定预测MSE平均量的系数。

系数η可以被设置成0.05或者某个其它值。

可以按照如下方式基于一组预测滤波器来导出阿尔法。一开始，将M个预测滤波器中每一个的预测出来CIRE

以及估计出来的预测MSE，

初始化成零。然后按照如下方式在每个时间间隔n中选择阿尔法：

1.获得初始CIRE例如如公式(3)所示；

2.计算每个预测滤波器的预测误差

如公式(12)所示；

3.基于预测误差

来计算每个预测滤波器的估计出来的预测MSE，

如公式(15)所示；

4.选择估计出来的预测MSE最小的预测滤波器的阿尔法，如公式(13)和(14)所示；以及

5.更新每个预测滤波器，如公式(11)所示。

图7示出基于一组预测滤波器导出阿尔法的系数计算单元340b的一个实施例。单元340b包括M个不同阿尔法的M个处理段710a～710m，检测器720和选择器730。

在每个处理段710中，预测滤波器712以分配的阿尔法α^(m)来对初始CIRE

进行滤波，如同公式(11)所示，提供已滤波CIRE

寄存器714储存已滤波CIRE用作下一时间间隔的预测CIRE。单元716接收初始CIRE

和预测的CIRE

并计算预测误差

如同公式(12)所示。MSE估计器718基于预测误差

来导出估计出来的预测MSE，如同公式(15)所示。

检测器720从所有M个MSE估计器718a～718m接收估计出来的预测MSE，找出估计出来的预测MSE最小的最佳预测滤波器，提供最佳预测滤波器的阿尔法作为下一时间间隔的阿尔法α_n+1。选择器730提供来自最佳预测滤波器的已滤波CIRE作为已滤波CIRE

在一个实施例中，维持分开的信道IIR滤波器，基于每个时间间隔内最佳预测滤波器的阿尔法更新这个IIR滤波器的阿尔法。在另一个实施例中，提供来自最佳预测滤波器的已滤波CIRE作为已滤波CIRE

在这个实施例中，预测滤波器之一充当每个时间间隔中的信道IIR滤波器。

利用一组预测滤波器来导出阿尔法具有很多优点。首先，滤波器组迅速获得最佳阿尔法。其次，滤波器组能够适应变化的信道状况，收敛延迟依赖于用来估计公式(15)中的预测MSE的IIR滤波器。但是，与前面描述的自适应滤波器相比，滤波器组一般都需要更多的计算和存储器。

在归一化偏差技术的一个实施例中，基于估计出来的无线信道偏差来导出阿尔法。可以将无线信道建立成具有“记忆”的模型，它与初始CIRE的滤波的时间常数有关。无线信道的偏差与信道的记忆相反地相关。因此，可以估计信道的偏差或者信道的记忆，并且将它们用于确定阿尔法的好值。

初始CIRE是CIR的带噪声估计，可以表示为：

${\underset{\‾}{\overset{~}{h}}}_n={\underset{\‾}{h}}_n+{\underset{\‾}{w}}_n---\left(16\right)$

其中：w _n是时间间隔n中噪声和估计误差的L×1矢量。

无线信道的归一化偏差可以定义为：

其中：

是时间间隔n中CIR中的预期差；

是时间间隔n中预期的信道能量；以及

NV是无线信道的归一化偏差。

可以将公式(17)中的归一化偏差重新写成：

其中：

是时间间隔n中初始CIRE中的预期差；

是时间间隔n中初始CIRE的预期能量；以及

是时间间隔n中预期的噪声能量。

可以基于初始CIRE来估计公式(18)中三个不同预期量中的每一个。为了估计

可以首先按照下式计算这个量：

${\tilde{D}}_n={\left|\right|{\underset{\‾}{\overset{~}{h}}}_n-{\underset{\‾}{\overset{~}{h}}}_{n-1}\left|\right|}^2=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{|{\tilde{h}}_n\left(l\right)-{\tilde{h}}_{n-1}\left(l\right)|}^2---\left(19\right)$

其中是时间间隔n和n-1中初始信道抽头估计之差的模平方。

可以按照如下公式对差的模平方

进行滤波：

${\tilde{D}}_n={\left|\right|{\underset{\‾}{\overset{~}{h}}}_n-{\underset{\‾}{\overset{~}{h}}}_{n-1}\left|\right|}^2=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{|{\tilde{h}}_n\left(l\right)-{\tilde{h}}_{n-1}\left(l\right)|}^2---\left(20\right)$

其中：

是的估计；以及

μ是决定

的平均量的系数。

可以将系数μ设置成0.5或者某个其它值。

为了估计

首先可以按照如下方式计算量

${\tilde{H}}_n={\left|\right|{\underset{\‾}{\overset{~}{h}}}_n\left|\right|}^2=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left|{\tilde{h}}_n\left(l\right)\right|}^2---\left(21\right)$

其中

是时间间隔n的初始信道抽头估计的模的平方。

可以按照如下方式对信道模的平方

进行滤波：

${\hat{H}}_n=\mathrm{\μ}\·{\tilde{H}}_n+(1-\mathrm{\μ})\·{\hat{H}}_{n-1}---\left(22\right)$

其中是

的估计。

为了估计

可以假设初始CIRE的一端或两端处一些信道抽头包含纯噪声而没有任何信号。可以按照如下方式估计时间间隔n中表示为的噪声能量：

${\tilde{W}}_n=\frac{1}{A+B}\·(\underset{l=1}{\overset{A}{\mathrm{\Σ}}}{\left|{\tilde{h}}_n\left(l\right)\right|}^2+\underset{l=L-B+1}{\overset{L}{\mathrm{\Σ}}}{\left|{\tilde{h}}_n\left(l\right)\right|}^2)---\left(23\right)$

公式(23)中假设前面A个初始信道抽头估计和后面B个信道抽头估计是纯噪声。可以将A和B选择成获得良好的噪声估计性能。在一个实施例中，L＝64，A＝B＝4。L、A和B还可以用其它值。还可以用其它方式来估计噪声能量，例如基于具有低能量的初始信道抽头估计。

可以按照如下方式对噪声能量

进行滤波：

${\hat{W}}_n=\mathrm{\μ}\·{\tilde{W}}_n+(1-\mathrm{\μ})\·{\hat{W}}_{n-1}---\left(24\right)$

其中是

的估计。

可以用同样的系数μ来导出所有三个量和

如同公式(20)、(22)和(24)分别说明的一样。也可以将不同的系数用于不同的量。

可以按照如下方式用Gauss-Markov信道模型表示无线信道：

${\underset{\‾}{h}}_n=\mathrm{\γ}\·{\underset{\‾}{h}}_{n-1}+\sqrt{1-{\mathrm{\γ}}^2}\·{\underset{\‾}{u}}_n---\left(25\right)$

其中：γ∈[0，1]可以被看作无线信道的记忆；以及

u _n是独立相同分布(i.i.d.)高斯随机变量的L×1矢量。

信道记忆γ提供了对无线信道中的多普勒效应进行参数化的另一种途径。γ值较大意味着无线信道具有较长记忆，它对应于更多的滤波。

合并公式(17)和(25)，可以将归一化偏差表示为：

NV＝2(1-γ)                          (26)

于是可以将信道记忆表示为：

$\mathrm{\γ}=1-\frac{\mathrm{NV}}{2}---\left(27\right)$

可以按照上面描述的方式估计公式(18)中归一化偏差的三个预期量。于是可以按照如下方式估计信道记忆：

${\widehat{\mathrm{\γ}}}_n=1-\frac{1}{2}\left(\frac{{\hat{D}}_n-2{\hat{W}}_n}{{\hat{H}}_n-{\hat{W}}_n}\right)---\left(28\right)$

其中

是时间间隔n中估计出来的信道记忆。

在一个实施例中，为信道记忆γ或归一化偏差NV的不同值确定阿尔法(例如基于计算机仿真、计算和/或经验测量)，并将它们储存在查阅表中。然后，可以按照上面描述的方式估计信道记忆或归一化偏差，提供给查阅表。然后查阅表返回要使用的阿尔法值来对初始CIRE进行滤波。

在另一个实施例中，直接计算阿尔法。可以按照如下方式定义滤波器：

${\underset{\‾}{\overset{^}{h}}}_n=a\·{\underset{\‾}{\overset{~}{h}}}_n+b\·{\underset{\‾}{\overset{^}{h}}}_{n-1}---\left(29\right)$

其中a和b是两个系数。给定

和γ，可以确定a和b的值，使得预期的估计误差最小。

以上判据的解可以按照如下方式导出。定义变量r和ρ：

$\mathrm{\ρ}=\frac{2-r\·(1+{\mathrm{\γ}}^2)}{\mathrm{\γ}\·(r-1)}---\left(31\right)$

于是可以将a和b满足上述判据的值表示为：

$b^{*}=\frac{-\mathrm{\ρ}-\sqrt{{\mathrm{\ρ}}^2-4}}{2}---\left(32\right)$

$a^{*}=\frac{1-b^2}{2-r\·(1-b\·\mathrm{\γ})}---\left(33\right)$

于是可以将阿尔法表示为：

${\mathrm{\α}}_{n+1}=\frac{a}{a+b}---\left(34\right)$

可以基于如下所述的归一化偏差技术来导出阿尔法。一开始，将

和这些量初始化成零。然后，按照如下方式在每个时间间隔n内导出阿尔法：

1.获得初始CIRE

例如如公式(3)所示；

2.基于初始CIRE计算和

如公式(19)～(24)所示；

3.计算信道记忆的估计，

如公式(28)所示；

4.计算r的估计：

5.计算ρ的估计，如公式(31)所示；

6.计算a和b的估计，如公式(32)和(33)所示；以及

7.计算阿尔法，如公式(34)所示。

计算出来的阿尔法α_n+1可以被用于对下一时间间隔里的初始CIRE进行滤波。

图8示出基于归一化偏差技术导出阿尔法的系数计算单元340c的一个实施例。在单元340c中，将初始CIRE

提供给单元810、812和814以及寄存器816。寄存器816储存

并提供单元810导出

的估计，如公式(21)和(22)所示，提供这个估计作为单元812导出的估计，如公式(23)和(24)所示，提供这个估计作为单元814还从寄存器816接收

导出

的估计，如公式(19)和(20)所示，提供这个估计作为

在一个实施例中，信道记忆估计器820基于

和

估计信道记忆，如公式(28)所示，提供估计出来的信道记忆

查阅表822接收估计出来的信道记忆，为下一时间间隔提供阿尔法α_n+1。在另一个实施例中，计算单元830接收

和计算阿尔法α_n+1，如公式(30)～(34)所示。

为了清楚起见，具体描述了用于对初始CIRE进行滤波以减小估计误差的滤波技术。总之，这些技术可以被用于对任意类型的标量、矢量和矩阵进行滤波。例如，对于参数i的不同值，可以获得矢量序列v _i。参数i可以代表时间、频率等等。可以基于上面描述的任何技术对矢量序列v _i进行滤波，以减小估计误差，获得特性得到了改善的输出矢量序列。

图9示出对带噪声的估计进行滤波的过程900的一个实施例。用具有至少一个系数的IIR滤波器对输入值序列进行滤波来获得输出值序列(块910)。在一个实施例中，输入值序列是初始CIRE的，输出值序列是已滤波的CIRE。在另一个实施例中，输入值序列是初始频域信道频率响应估计，输出值序列是已滤波信道频率响应估计。输入和输出值也可以是其它量。例如利用这里描述的任何技术，基于输入值序列更新IIR滤波器的至少一个系数(块920)。

图10示出利用自适应滤波器更新IIR滤波器至少一个系数的过程920a的一个实施例。可以将过程920a用于图9中的块920。基于输入值序列导出预测值序列(块1012)。经过适当延迟，预测值序列可以等于输出值序列。确定预测值序列和输入值序列之间的预测误差(块1014)。对预测误差进行滤波(例如利用IIR滤波器的系数)来获得已滤波预测误差(块1016)。基于预测误差和已滤波预测误差更新IIR滤波器的系数(块1018)。还可以用其它方式确定预测误差的误差梯度，基于误差梯度更新IIR滤波器的系数。

图11示出利用一组预测滤波器导出IIR滤波器至少一个系数的过程920b的一个实施例。过程920b还可以用于图9中的块920。利用多个预测滤波器对输入值序列进行滤波，获得多个预测值序列(块1112)。每个预测滤波器具有不同的一组至少一个系数。找出多个预测滤波器中具有最小预测误差的预测滤波器。这可以通过按照如下方式实现：计算每个预测滤波器的输入值序列和预测值序列之间的误差(块1114)，基于预测滤波器的误差确定每个预测滤波器的均方误差(块1116)，找出具有最小均方误差的预测滤波器(块1118)。选择找出的预测滤波器的那组至少一个系数，用于对输入值序列进行滤波(块1120)。

图12示出基于归一化偏差技术更新IIR滤波器的至少一个系数的过程920c的一个实施例。过程920c也可以用于图9中的块920。输入样本序列是实际值序列的带噪声估计。基于输入值序列估计实际样本序列的偏差。这可以通过如下方式实现：估计输入值序列的能量(块1212)，估计输入值序列中的噪声(块1214)，并且估计输入样本序列的偏差(块1216)。然后基于输入值序列估计出来的能量、估计出来的噪声和估计出来的偏差来估计实际样本序列的偏差(块1218)。然后基于估计出来的实际样本序列的偏差确定IIR滤波器的至少一个系数，例如利用查阅表或者通过直接计算(块1220)。

这里描述的滤波技术可以用各种方式实现。例如，这些技术可以用硬件、固件、软件或其组合实现。对于硬件实现，用于滤波和更新的处理单元可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子设备，设计成实现这里描述的功能的其它电子单元，或者上述单元的组合中实现。

对于固件和/或软件实现，这种技术可以用实现这里描述的功能的模块(例如程序、函数等)实现。固件和/或软件代码可以储存在存储器中(例如图2所示存储器292)并由处理器执行(例如处理器290)。存储器可以在处理器中或存储器外。

给出本发明以上描述的目的是让本领域技术人员能够制造或使用本发明。各种改进都是显而易见的，可以将这里的一般原理用于其它实施例而不会偏离本发明的实质和范围。因此，本发明不限于这些实施例的范围，而是与这里公开的原理和新颖特征的最大范围一致。

Claims (20)

1.一种装置，包括：

至少一个处理器，用于：利用具有至少一个系数的无限冲击响应(IIR)滤波器对输入值序列进行滤波，以获得输出值序列；基于所述输入值序列导出预测值序列；确定所述预测值序列和所述输入值序列之间的预测误差；对所确定的预测误差进行滤波；基于所确定的预测误差和已滤波的所确定的预测误差计算偏导项；以及，基于所述偏导项更新所述至少一个系数；以及

存储器，耦合到所述至少一个处理器，

其中所述输入样本序列是实际值序列的有噪估计，其中所述至少一个处理器用于：基于所述输入值序列估计所述实际样本序列的偏差，并且基于所述实际样本序列的所估计的偏差确定所述至少一个系数。

2.如权利要求1所述的装置，其中所述至少一个处理器用于：估计所述输入值序列的能量，估计所述输入值序列中的噪声，估计所述输入样本序列的偏差，以及，基于所述输入值序列的所估计的能量、所估计的噪声以及所估计的偏差来估计所述实际样本序列的所述偏差。

3.如权利要求2所述的装置，其中所述至少一个处理器用于基于所估计的信道记忆、所述输入值序列中所估计的噪声以及所述输入值序列的所估计的能量来确定所述至少一个系数。

4.如权利要求1所述的装置，其中所述至少一个处理器用于基于所述实际样本序列的所估计的偏差并且利用查阅表，来确定所述至少一个系数。

5.如权利要求1所述的装置，其中，所述处理器用于利用所述IIR的系数来对所确定的预测误差进行滤波。

6.一种方法，包括：

利用具有至少一个系数的无限冲击响应(IIR)滤波器对输入值序列进行滤波，以获得输出值序列；

基于所述输入值序列导出预测值序列；

确定所述预测值序列和所述输入值序列之间的预测误差；

对所确定的预测误差进行滤波；

基于所确定的预测误差和已滤波的所确定的预测误差计算偏导项；

基于所述偏导项更新所述至少一个系数，

其中，所述更新所述至少一个系数包括：

基于所述输入值序列估计实际样本序列的偏差；以及

基于所述实际样本序列的所估计的偏差确定所述至少一个系数。

7.如权利要求6所述的方法，其中所述估计实际样本序列的偏差包括：

估计所述输入值序列的能量；

估计所述输入值序列中的噪声；

估计所述输入样本序列的偏差；以及

基于所述输入值序列的所估计的能量、所估计的噪声以及所估计的偏差，估计所述实际样本序列的所述偏差。

8.如权利要求7所述的方法，其中确定所述至少一个系数包括：使用所估计的信道记忆、所述输入值序列中的所估计的噪声以及所述输入值序列的所估计的能量。

9.如权利要求6所述的方法，其中确定所述至少一个系数包括：使用所述实际样本序列的所估计的偏差和查阅表。

10.如权利要求6所述的方法，其中，所确定的预测误差是使用所述IIR的系数进行滤波的。

11.一种装置，包括：

用于利用具有至少一个系数的无限冲击响应(IIR)滤波器对输入值序列进行滤波以获得输出值序列的模块；

用于基于所述输入值序列导出预测值序列的模块；

用于确定所述预测值序列和所述输入值序列之间的预测误差的模块；

用于对所确定的预测误差进行滤波的模块；

用于基于所确定的预测误差和已滤波的所确定的预测误差计算偏导项的模块；

用于基于所述偏导项更新所述至少一个系数的模块，

其中，所述用于更新所述至少一个系数的模块包括：

用于基于所述输入值序列估计实际样本序列的偏差的模块；以及

用于基于所述实际样本序列的所估计的偏差确定所述至少一个系

数的模块。

12.如权利要求11所述的装置，其中所述用于估计实际样本序列的偏差的模块包括：

用于估计所述输入值序列的能量的模块；

用于估计所述输入值序列中的噪声的模块；

用于估计所述输入样本序列的偏差的模块；以及

用于基于所述输入值序列的所估计的能量、所估计的噪声以及所估计的偏差来估计所述实际样本序列的所述偏差的模块。

13.如权利要求12所述的装置，其中所述用于确定所述至少一个系数的模块用于使用所估计的信道记忆、所述输入值序列中的所估计的噪声以及所述输入值序列的所估计的能量来确定所述至少一个系数。

14.如权利要求11所述的装置，其中所述用于确定所述至少一个系数的模块用于使用所述实际样本序列的所估计的偏差和查阅表来确定所述至少一个系数。

15.如权利要求11所述的装置，其中所述用于对所确定的预测误差进行滤波的模块用于使用所述IIR的系数来对所确定的预测误差进行滤波。

16.一种位于处理器可读的介质上的计算机程序产品，包括用于使处理器执行以下操作的处理器可读指令：

利用具有至少一个系数的无限冲击响应(IIR)滤波器对输入值序列进行滤波，以获得输出值序列；

基于所述输入值序列导出预测值序列；

确定所述预测值序列和所述输入值序列之间的预测误差；

对所确定的预测误差进行滤波；

基于所确定的预测误差和已滤波的所确定的预测误差计算偏导项；

基于所述偏导项更新所述至少一个系数，

其中，所述更新所述至少一个系数包括：

基于所述输入值序列估计实际样本序列的偏差；以及

基于所述实际样本序列的所估计的偏差确定所述至少一个系数。

17.如权利要求16所述的计算机程序产品，其中所述用于使处理器估计实际样本序列的偏差的指令用于使所述处理器执行以下操作：

估计所述输入值序列的能量；

估计所述输入值序列中的噪声；

估计所述输入样本序列的偏差；以及

基于所述输入值序列的所估计的能量、所估计的噪声以及所估计的偏差来估计所述实际样本序列的所述偏差。

18.如权利要求17所述的计算机程序产品，其中，所述用于使处理器确定所述至少一个系数的指令用于使所述处理器执行以下操作：使用所估计的信道记忆、所述输入值序列中的所估计的噪声以及所述输入值序列的所估计的能量。

19.如权利要求16所述的计算机程序产品，其中所述用于使处理器确定所述至少一个系数的指令用于使所述处理器执行以下操作：使用所述实际样本序列的所估计的偏差和查阅表。

20.如权利要求16所述的计算机程序产品，其中，所述用于使处理器对所确定的预测误差进行滤波的指令用于使所述处理器执行以下操作：使用所述IIR的系数。

Images