CN102469046B

CN102469046B - 一种时间提前量估计方法及系统

Info

Publication number: CN102469046B
Application number: CN201010537075.5A
Authority: CN
Inventors: 陈昱良; 侯晓辉
Original assignee: ZTE Corp
Current assignee: Shenzhen Fu Hai Sunshine Technology Co., Ltd.
Priority date: 2010-11-09
Filing date: 2010-11-09
Publication date: 2015-07-22
Anticipated expiration: 2030-11-09
Also published as: CN102469046A; WO2012062098A1

Abstract

本发明提供了一种时间提前量估计方法及系统，所述方法包括：根据各接收天线的初始信道估计结果进行自适应能量窗TA搜索，得到接收信号的粗搜索TA值后，在粗搜索TA值的基础上进行LS信道估计，并根据LS信道估计结果计算噪声方差矩阵；根据噪声方差矩阵得到白化矩阵，利用白化矩阵对初始信道估计结果进行白化校正，根据校正后的信道估计结果再次进行自适应能量窗TA搜索，最终得到接收信号的准确TA值。采用本发明方案，能够显著提高干扰受限模型下TA估计的准确性，从而提高信道估计准确性，显著提升解调性能。

Description

一种时间提前量估计方法及系统

技术领域

本发明涉及通信技术领域，更具体地，涉及一种时间提前量估计方法及系统。

背景技术

在GSM(Global System for Mobile Communications，全球移动通讯)系统中，TA(Timing Advance，时间提前量)估计是GSM系统的核心技术之一。对时间提前量的估计直接影响着信道估计，解调，天线合并等多项GSM关键技术的实现。

目前已有的相关技术中，中国专利申请CN200510087745.7公开了一种时间提前量估计方法，但该TA估计方法主要存在如下技术问题：该方法能够应对噪声受限的TA估计问题，但在干扰受限时估计效果却大大降低，很难得到准确的TA估计值，进而还影响了信道估计结果的准确性。

发明内容

本发明解决的技术问题是提供一种时间提前量估计方法及系统，能够显著提高干扰受限模型下TA估计的准确性。

为解决上述技术问题，本发明提供了一种时间提前量估计方法，所述方法包括：

根据各接收天线的初始信道估计结果进行自适应能量窗时间提前量(TA)搜索，得到接收信号的粗搜索TA值后，在所述粗搜索TA值的基础上进行最小二乘(LS)信道估计，并根据LS信道估计结果计算噪声方差矩阵；

根据所述噪声方差矩阵得到白化矩阵，利用所述白化矩阵对所述初始信道估计结果进行白化校正，根据校正后的信道估计结果再次进行自适应能量窗TA搜索，最终得到接收信号的准确TA值。

其中，所述根据初始信道估计结果进行自适应能量窗TA搜索，具体包括：

根据通过相关得到的所述各接收天线的初始信道估计结果，分别计算所述各接收天线信道估计的能量，并对所述各接收天线信道估计的能量进行等增益合并，根据合并后信道的能量进行自适应能量窗TA搜索，得到接收信号的粗搜索TA值。

其中，对于2根接收天线的接收信号，所述根据LS信道估计结果估计噪声方差矩阵，具体包括：

根据LS信道估计分别得到接收信号的主集信道估计h_M(l)和分集信道估计h_s(l)，其中l＝0～L；

对所述接收信号的训练序列部分(TSC)的信号进行重构，分别计算主集、分集的噪声和干扰混合信号：

u_M(k)＝y_M(k)-h_M*Tsc，

u_s(k)＝y_s(k)-h_s*Tsc，k＝L～N，其中y₀(k)，y₁(k)对应接收信号y_i(n)中的训练序列部分数据；

按照下式计算得到所述噪声方差矩阵R_uu：

R_{uu} = [\begin{matrix} E [u_{M} (k) u_{M}^{H} (k)] & E [u_{M} (k) u_{S}^{H} (k)] \\ E [u_{S} (k) u_{M}^{H} (k)] & E [u_{S} (k) u_{S}^{H} (k)] \end{matrix}] = [\begin{matrix} Q_{11} & Q_{12} \\ Q_{21} & Q_{22} \end{matrix}],

其中，为u_M(k)的共轭转制，E为内积的期望值。

其中，通过对所述噪声方差矩阵R_uu进行cholsky分解，按照下式得到白化矩阵w：

w = R^{- 1} = [\begin{matrix} g_{22} & 0 \\ - g_{21} & g_{11} \end{matrix}],

其中，R_uu＝RR^T，R为下三角矩阵，其中为实数；为复数；为实数，为g₂₁的共轭。

其中，利用所述白化矩阵w，按照以下方式对所述各接收天线的初始信道估计结果进行白化校正，得到校正后的信道估计结果

[\begin{matrix} h_{wM}^{'} (l) \\ h_{wS}^{'} (l) \end{matrix}] = w [\begin{matrix} h_{M}^{'} (l) \\ h_{S}^{'} (l) \end{matrix}] = [\begin{matrix} g_{22} & 0 \\ - g_{21} & g_{11} \end{matrix}] [\begin{matrix} h_{M}^{'} (l) \\ h_{S}^{'} (l) \end{matrix}] = [\begin{matrix} g_{22} \cdot h_{M}^{'} (l) \\ - g_{21} \cdot h_{M}^{'} (l) + g_{11} h_{S}^{'} (l) \end{matrix}],

其中，l＝0～N₀。

其中，所述根据校正后的信道估计结果再次进行自适应能量窗TA搜索，具体包括：

分别计算所述各接收天线校正后的信道估计能量，并对所述各接收天线信道估计的能量进行等增益合并，根据合并后信道的能量再次进行自适应能量窗TA搜索，得到接收信号的准确TA值。

此外，本发明还提供了一种时间提前量估计系统，所述系统包括：

粗搜索模块，用于根据各接收天线的初始信道估计结果进行自适应能量窗时间提前量(TA)搜索，得到接收信号的粗搜索TA值；

LS信道估计模块，用于在所述粗搜索TA值的基础上进行LS信道估计；

噪声方差矩阵估计模块，用于根据LS信道估计结果计算噪声方差矩阵；

矩阵分解模块，用于根据所述噪声方差矩阵得到白化矩阵；

白化校正模块，用于利用所述白化矩阵对所述初始信道估计结果进行白化校正；

精搜索模块，用于根据校正后的信道估计结果再次进行自适应能量窗TA搜索，最终得到接收信号的准确TA值。

其中，所述粗搜索模块进一步包括：

第一能量合并单元，用于根据通过相关得到的所述各接收天线的初始信道估计结果，分别计算所述各接收天线信道估计的能量，并对所述各接收天线信道估计的能量进行等增益合并；

第一TA搜索单元，根据合并后信道的能量进行自适应能量窗TA搜索，得到接收信号的粗搜索TA值。

其中，所述LS信道估计模块用于，对于2根接收天线的接收信号，根据LS信道估计分别得到接收信号的主集信道估计h_M(l)和分集信道估计h_s(l)，其中l＝0～L；

所述噪声方差矩阵估计模块用于，根据所述LS信道估计结果，对所述接收信号的训练序列部分的信号进行重构，分别计算主集、分集的噪声和干扰混合信号：u_M(k)＝y_M(k)-h_M*Tsc，u_s(k)＝y_s(k)-h_s*Tsc，k＝L～N，其中y₀(k)，y₁(k)对应接收信号y_i(n)中的训练序列部分数据；并按照下式计算得到所述噪声方差矩阵R_uu：其中，为u_M(k)的共轭转制，E为内积的期望值；

所述矩阵分解模块用于，通过对所述噪声方差矩阵R_uu进行cholsky分解，按照下式得到白化矩阵w：其中，R_uu＝RR^T，R为下三角矩阵，其中为实数；为复数；为实数，为g₂₁的共轭；

所述白化校正模块用于，利用所述白化矩阵w，按照以下方式对所述各接收天线的初始信道估计结果进行白化校正，得到校正后的信道估计结果其中，l＝0～N₀。

其中，所述精搜索模块进一步包括：

第二能量合并单元，用于分别计算所述各接收天线校正后的信道估计能量，并对所述各接收天线信道估计的能量进行等增益合并；

第二TA搜索单元，用于根据合并后信道的能量再次进行自适应能量窗TA搜索，得到接收信号的准确TA值。

本发明提出的TA估计方案主要针对NB脉冲(GMSK、8PSK)的TA搜索进行改进，能够改善干扰受限情况下的TA估计的性能。采用本发明方案，能够显著提高干扰受限模型下TA估计的准确性，从而提高信道估计准确性，显著提升解调性能。本发明方案对静态或者多径环境的语音或者数据业务都能以较低的复杂度完成高精度的TA估计。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例的TA估计方法的示意图。

具体实施方式

针对现有TA估计方法在干扰受限模型下准确性的问题，本发明提供一种TA估计方法，其核心思想在于，通过白化矩阵对天线的初始信道估计进行校正，从而对干扰成分进行抑制，再利用校正后的信道估计进行自适应能量窗的TA估计，因此，优化了TA估计的性能，进而提高了信道估计的准确性。

基于上述核心思想，本发明提供一种TA估计方法，具体采用如下技术方案：

根据初始信道估计结果进行自适应能量窗TA搜索，在得到的粗搜索TA值的基础上进行LS(Least Squarere，最小二乘)信道估计，并根据LS信道估计结果计算噪声方差矩阵；

根据噪声方差矩阵得到白化矩阵，利用所述白化矩阵对所述初始信道估计结果进行白化校正，根据校正后的信道估计结果重新进行自适应能量窗TA搜索。

进一步的，所述根据初始信道估计结果进行自适应能量窗TA搜索，具体包括：

通过相关得到各接收天线的初始信道估计；

分别计算各接收天线信道估计的能量，并对所述各接收天线信道估计的能量进行等增益合并，根据合并后信道的能量进行自适应能量窗TA搜索，得到接收信号的粗搜TA值。

进一步的，对于2根接收天线的接收信号，所述根据LS信道估计结果估计噪声方差矩阵，具体包括：

根据LS信道估计得到接收信号的主、分集信道估计h_M(l)，h_s(l)，l＝O～L；

对接收信号的TSC部分信号进行重构，计算主、分集的噪声和干扰混合信号：

u_M(k)＝y_M(k)-h_M*Tsc，

u_s(k)＝y_s(k)-h_s*Tsc，k＝L～N，其中y_M(k)，y_s(k)对应接收信号y_i(n)中的训练序列部分数据；

按照下式计算得到所述噪声方差矩阵R_uu：

R_{uu} = [\begin{matrix} E [u_{M} (k) u_{M}^{H} (k)] & E [u_{M} (k) u_{S}^{H} (k)] \\ E [u_{S} (k) u_{M}^{H} (k)] & E [u_{S} (k) u_{S}^{H} (k)] \end{matrix}] = [\begin{matrix} Q_{11} & Q_{12} \\ Q_{21} & Q_{22} \end{matrix}],

其中，是指u_M(k)的共轭转制；E表示u_M(k)内积的期望值。

进一步的，通过对所述噪声方差矩阵进行cholsky分解，得到所述白化矩阵。

进一步的，按照以下方式得到所述白化矩阵w：

w = R^{- 1} = [\begin{matrix} g_{22} & 0 \\ - g_{21} & g_{11} \end{matrix}],

其中，R_uu＝RR^T，R为下三角矩阵，其中实数；复数；实数，是g₂₁的共轭。

进一步的，利用所述白化矩阵w，校正初始信道估计结果；

再次分别计算两根接收天线白化校正后的信道估计能量，并对所述两根接收天线信道估计的能量进行等增益合并，根据合并后信道的能量再次进行自适应能量窗TA搜索，得到接收信号的准确TA值。

具体地，上述方案进一步可以分为如下步骤：

1)通过相关的方法得到2根天线的初始信道估计h′_M、h′_s，其中h′_M表示主集的初始信道估计，h′_s表示分集的初始信道估计；

2)计算2个信道估计的能量

3)对2个信道估计的能量进行等增益合并，合并后信道的能量为E＝E_M+E_s；

4)进行第1次自适应能量窗搜索，得到接收信号的粗搜索TA值，记为TA1；

5)在得到TA1的基础上，进行LS信道估计，得到接收信号的信道估计h_M，h_s，对接收信号的TSC(Training Sequence，训练序列)部分的信号进行重构，计算出噪声和干扰的相关矩阵R_uu。对R_uu进行cholesky(一种矩阵数学分解方法)分解，获得白化矩阵w；

6)用白化矩阵w，对初始信道估计进行IRC校正，得到校正后的信道估计h′_wM，h′_ws；

7)重新计算2个信道的能量

8)对2个信道的能量进行等增益合并，合并后信道的能量为E＝E_wM+E_ws；

9)进行第2次自适应能量窗搜索，得到接收信号的准确TA值。

为了便于阐述本发明，以下将结合附图及具体实施例对本发明技术方案的实施作进一步详细描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

实施例一

本发明提供一种GSM系统TA估计的方法，适用于N倍采样N根天线的系统，本实施例以双倍采样双天线为例对该方法进行说明。

如图1所示，本实施例方法主要包括如下步骤：

步骤一，对两天线接收信号的训练序列部分数据匹配滤波，得到2根天线各自的初始信道估计l＝0～N₀。其中，N₀为初始信道估计的长度。

步骤二，对2个信道的能量进行等增益合并，合并后信道的能量为：

E(l)＝|h′_M(l)|²+|h′_s(l)|²，l＝0～N₀。

本发明中，计算E(l)的目的在于，通过合并利用两天线带来的增益，使粗搜索的TA也更加准确。

步骤三，进行第1次自适应能量窗TA搜索，得到粗搜索TA值，记为TA1。

步骤四，在得到TA1的基础上，进行LS信道估计，得到较准确的信道估计h_M(l)，h_s(l)，l＝O～L；

步骤五，利用TSC进行信号重构，计算主、分集的噪声和干扰混合信号：

u_M(k)＝y_M(k)-h_M*Tsc，

u_s(k)＝y_s(k)-h_s*Tsc，k＝L～N，其中y_M(k)，y_s(k)对应接收信号y_i(n)中的训练序列部分数据，

进而得到噪声方差矩阵R_uu：

R_{uu} = [\begin{matrix} E [u_{M} (k) u_{M}^{H} (k)] & E [u_{M} (k) u_{S}^{H} (k)] \\ E [u_{S} (k) u_{M}^{H} (k)] & E [u_{S} (k) u_{S}^{H} (k)] \end{matrix}] = [\begin{matrix} Q_{11} & Q_{12} \\ Q_{21} & Q_{22} \end{matrix}] .

其中，是指u_M(k)的共轭转制。E表示u_M(k)内积的期望。

步骤六，由Cholesky分解理论，R_uu可表示为R_uu＝RR^T，其中R为下三角矩阵，R的计算公式可由Cholesky定义可得：

其中实数；复数；实数。其中，是指g₂₁的共轭。

最后根据R求得白化矩阵

步骤七，用白化矩阵w，对初始信道估计l＝0～N₀进行白化校正，得到校正后的信道估计：

[\begin{matrix} h_{wM}^{'} (l) \\ h_{wS}^{'} (l) \end{matrix}] = w [\begin{matrix} h_{M}^{'} (l) \\ h_{S}^{'} (l) \end{matrix}] = [\begin{matrix} g_{22} & 0 \\ - g_{21} & g_{11} \end{matrix}] [\begin{matrix} h_{M}^{'} (l) \\ h_{S}^{'} (l) \end{matrix}] = [\begin{matrix} g_{22} \cdot h_{M}^{'} (l) \\ - g_{21} \cdot h_{M}^{'} (l) + g_{11} h_{S}^{'} (l) \end{matrix}],

l＝0～N₀。

步骤八，合并白化后的信道能量为E(l)＝|h′_wM(l)|²+|h′_ws(l)|²，l＝0～N₀。

步骤九，进行第2次自适应能量窗TA估计，得到准确的TA值，记为TA。

此外，本发明实施例中还提供了一种时间提前量估计系统，该系统主要包括以下功能模块：

矩阵分解模块，用于根据所述噪声方差矩阵得到白化矩阵；

其中，所述粗搜索模块进一步包括：

其中，所述精搜索模块进一步包括：

以上仅为本发明的优选实施案例而已，并不用于限制本发明，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

Claims

1.一种时间提前量估计方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述根据初始信道估计结果进行自适应能量窗TA搜索，具体包括：

3.如权利要求1所述的方法，其特征在于，所述根据校正后的信道估计结果再次进行自适应能量窗TA搜索，具体包括：

4.一种时间提前量估计系统，其特征在于，所述系统包括：

矩阵分解模块，用于根据所述噪声方差矩阵得到白化矩阵；

5.如权利要求4所述的系统，其特征在于，所述粗搜索模块进一步包括：

6.如权利要求4所述的系统，其特征在于，所述精搜索模块进一步包括：