发明内容
技术问题:本发明所要解决的技术问题是:提供一种应用于正交频分复用系统的信道估计方法,该信道估计方法利用了边界子载波附近的强相关导频点信息,很好地降低了边界效应;还考虑到直流子载波存在的特殊情况,使用虚拟导频点代替那些间距不等的真实导频点,有效抑制了直流子载波效应,解决现有信道估计方法边界子载波附近和直流子载波附近性能较差的问题。
技术方案:为解决上述技术问题,本发明采用的技术方案是:
一种应用于正交频分复用系统的信道估计方法,该信道估计方法包括以下步骤:
10)设正交频分复用系统的导频点的数量为N,直流子载波的位置处于第D号导频点和第D+1号导频点之间,N为大于等于3的整数,且D+1<N;根据导频点已知的发送信号和接收信号,估计导频点的信道值;
20)根据步骤10)估计的导频点的信道值预测边界外的虚拟导频点的信道值;
30)根据步骤10)估计的导频点的信道值预测直流子载波两侧的虚拟导频点的信道值;
40)利用步骤10)得到的真实导频点的信道值以及步骤20)和步骤30)得到的虚拟导频点的信道值,估计数据点的信道值。
有益效果:与现有技术相比,本发明具有以下有益效果:
1.降低了边界效应。本发明所提出的信道估计方法对于边界附近数据点进行信道估计时,利用已知导频点预测边界外的虚拟导频点信道值,并将虚拟导频点与真实导频点结合共同用于数据点的信道估计,这样充分利用了边界子载波附近的强相关导频点信息,很好地降低了边界效应。
2.有效抑制了直流子载波效应。本发明对直流子载波附近数据点信道估计时充分考虑到了直流子载波导致的导频点间距不等的情况,对估计进行了特殊处理:先利用已知导频点预测直流子载波两侧的虚拟导频点信道值,然后将虚拟导频点与真实导频点结合组成的间距相等的导频序列,再利用此导频序列进行数据点的信道估计,可以有效抑制直流子载波效应。
3.信道估计方法更加高效简便。针对边界效应和直流子载波效应,本方法统一采用了预测虚拟导频点的方法,在进行信道估计的时候,使用虚拟导频点与真实导频点结合的方法,使得边界附近数据点和直流子载波附近数据点能够与一般数据点采用同样的滤波系数,使得信道估计更加高效简便。
4.本发明中预测同一边界外虚拟导频点时,每预测一个虚拟导频点时所用到的导频点序列之间的距离特征不变,因此预测所用滤波系数相同,从而减少了存储量。
5.本发明中预测直流子载波同一侧的虚拟导频点时,每预测一个虚拟导频点时所用到的导频点序列之间的距离特征不变,因此预测所用滤波系数相同,从而减少了存储量。
6.本发明中,若待估计的数据子载波与所用到的导频点序列之间的距离特征相同,则这些待估计的数据子载波信道估计时所用滤波系数相同,从而减少了存储量。
具体实施方式
下面结合附图,以一具体实例说明本发明的具体实施方式,但是本发明的保护范围不局限于所述实施例。
如图1所示,一种应用于正交频分复用系统的信道估计方法,包括以下步骤:
10)设正交频分复用系统的导频点的数量为N,直流子载波的位置处于第D号导频点和第D+1号导频点之间,N为大于等于3的整数,且D+1<N;根据导频点已知的发送信号和接收信号,估计导频点的信道值。
在步骤10)中,采用如式(1)所示的最小二乘准则估计导频点的信道值,
式(1)
其中,为最小二乘准则估计出的导频点信道值,Y(k)为第k个导频点的接收信号,X(k)为第k个导频点的发送信号,k=1,2,…N,T为数学符号,表示转置。D为整数。导频点的数量为N。导频点按照从1到N编号,为第1号导频点,第2号导频点,…,第N号导频点。
20)根据步骤10)估计的导频点的信道值预测边界外的虚拟导频点的信道值。
步骤20)包括如下步骤:
201)采用M阶的自回归模型进行前向预测:首先,利用估计出的第1号至第M号导频点的信道值,预测位于第1号导频点前一个虚拟导频点的信道值,标记为第0号导频点的信道值;M的取值范围为1<M<N,且M为整数;然后,利用估计出的第0号至第M-1号导频点的信道值,预测位于第0号导频点前一个虚拟导频点的信道值,标记为第-1号导频点的信道值;依次递推,直至预测出第-M/2+1号导频点的信道值;
202)采用M阶的自回归模型进行后向预测:首先,利用估计出的第N-M+1号至第N号导频点的信道值,预测位于第N号导频点后一个虚拟导频点的信道值,标记为第N+1号导频点的信道值;然后,利用估计出的第N-M+2号至第N+1号导频点的信道值,预测位于N+1号导频点后一个虚拟导频点的信道值,标记为第N+2号导频点的信道值;依次递推,直至预测出第N+M/2号导频点的信道值。
预测同一边界外虚拟导频点时,每预测一个虚拟导频点时所用到的导频点序列间距离特征不变,因此预测所用滤波系数相同,对存储量的增加可以忽略。
30)根据步骤10)估计的导频点的信道值预测直流子载波两侧的虚拟导频点的信道值。
所述的步骤30)包括以下步骤:
301)采用M阶的自回归模型进行前向预测:
3011)利用估计出的第D+1号至第D+M号导频点的信道值,估计位于第D+1号导频点前一个数据子载波上的虚拟导频点的信道值;
3012)利用估计出的第D+2号至第D+M+1号导频点的信道值,估计位于第D+2号导频点前一个数据子载波上的虚拟导频点的信道值;
3013)依此类推,直到预测出第D+M/2号导频点前一个数据子载波上的虚拟导频点的信道值,从而得到第D+1号至第D+M/2号共M/2个位于直流子载波后面的虚拟导频点的信道值;
302)采用M阶的自回归模型进行后向预测:
3021)利用估计出的第D-M+1号至第D号导频点的信道值,估计位于第D号导频点后一个数据子载波上的虚拟导频点的信道值;
3022)利用估计出的第D-M号至第D-1号导频点的信道值,估计位于第D-1号导频点后一个数据子载波上的虚拟导频点的信道值;
3023)依此类推,直到估计出第D-M/2+1号导频点后一个数据子载波上的虚拟导频点的信道值,从而得到第D-M/2+1号至第D号共M/2个位于直流子载波前面的虚拟导频点的信道值。
预测直流子载波同侧虚拟导频点时,每预测一个虚拟导频点时所用到的导频点序列间距离特征不变,因此预测所用滤波系数相同,对存储量的增加可以忽略。
40)利用步骤10)得到的真实导频点的信道值以及步骤20)和步骤30)得到的虚拟导频点的信道值,估计数据点的信道值。
步骤40)根据M阶自回归滑动平均模型,对于位于第k号导频点和第k+1号导频点之间的子载波,其信道值由位于该子载波两边各M/2个导频点的信道值加权相加得到,加权系数为滤波系数。具体来说,若k<M/2,选择第k-M/2+1号至第0号的边界外虚拟导频点与第1号至第k+M/2号真实导频点组合成的导频序列,进行滤波,得到信道值;若k>N-M/2,选择第k-M/2+1号至第N号真实导频点与第N+1号至第k+M/2号的边界外虚拟导频点组合成的导频序列,进行滤波,得到信道值;若k>D-M/2,且待估计数据点子载波位于直流子载波之前,选择第k-M/2+1号至第D号的真实导频点与第D+1号至第k+M/2号直流子载波后虚拟导频点组合成的导频序列,进行滤波,得到信道值;若k<D+M/2,且待估计数据点子载波位于直流子载波之后,选择第k-M/2+1号至第D号的直流子载波前虚拟导频点与第D+1号至第k+M/2号真实导频点组合成的导频序列,进行滤波,得到信道值;对于位于其他位置的数据点子载波,选择两边各M/2个真实导频点为导频序列,进行滤波,得到信道值。
自回归模型和自回归滑动平均模型为最小均方意义上的线性滤波,采用自回归模型和自回归滑动平均模型进行信道估计时,采用M阶线性最小均方误差准则,如式(2)所示,
式(2)
其中,为数据点的信道值;c为M×1阶滤波系数向量;为M×1阶用于滤波的导频点的信道值向量;为1×M阶数据点与导频点向量的互相关向量;为M×M阶导频点的自相关矩阵;β为调制系数;SNR为信噪比;I为单位阵;c的上标H为数学记号,表示共轭转置。
上述信道估计方法,是为了降低正交频分复用系统中边界效应和直流子载波效应。本发明提出了一种通过自回归(英文全称为:Auto-Regressive,简称为:AR)模型预测虚拟导频点、并与实际导频点共同进行信道估计。本方法充分利用了边界子载波附近的强相关导频点信息,很好地降低了边界效应。本方法还考虑到直流子载波存在的特殊情况,使用虚拟导频点代替那些间距不等的真实导频点,有效抑制了直流子载波效应。本方法预测虚拟导频点时充分利用了数据点与导频点之间的位置特征,大大减少了预测系数的计算复杂度和存储量,适合于在目前的硬件平台中实现。本方法在保证了低计算复杂度和低存储量的条件下,获得了良好信道估计性能,便于硬件实现,从而可使接收机获得了更好的接收性能。另外,本发明所提出的预测虚拟导频点的预测系数和信道估计的滤波系数为几组固定的事先计算好的取值,可以直接存储在硬件存储器之中,需要使用时,直接调用即可,无需对信道统计特性做实时估计,从而大幅降低信道估计器的计算复杂度,利于硬件实现。
下面例举一实例。
如图2所示,设某OFDM系统可用子载波数目为600,选用1/3导频图案,即每3个子载波有一个导频点,共得到200个导频点。即N为200。导频点对应子载波序号为3k-2,其中k=1,…,200。直流子载波位于第300号子载波和第301号子载波之间,即D为100。采用本发明提出的信道估计方法估计信道值。利用式(1)估计导频点的信道值M取24。
如图3所示,采用24阶的自回归模型进行前向预测,预测出第0号导频点至第-11号导频点,共计12个导频点的信道值。采用24阶的自回归模型进行后向预测:预测出第201号导频点至第212号导频点,共计12个导频点的信道值。
如图4所示,采用24阶的自回归模型进行前向预测:预测出第101号导频点至第112号导频点,共计12个导频点的信道值。采用24阶的自回归模型进行后向预测,得到第89号至第100号共12个位于直流子载波前面的虚拟导频点的信道值。
采用24阶ARMA模型估计数据点的信道值,对于位于第k号导频点和第k+1号导频点之间的子载波,其信道值的估计由两边各12个导频点信道值加权相加得到,加权系数即滤波系数。对于不同k值,用于滤波的导频点序列选取如下:
若k<12,选择第k-11号至第0号的边界外虚拟导频点与第1号至第k+12号真实导频点组合成的导频序列,进行滤波,得到信道值;
若k>188,选择第k-11号至第200号真实导频点与第201号至第k+12号的边界外虚拟导频点组合成的导频序列,进行滤波,得到信道值;
若k>88,且待估计数据点子载波位于直流子载波之前,选择第k-11号至第100号的真实导频点与第101号至第k+12号直流子载波后虚拟导频点组合成的导频序列,进行滤波,得到信道值;
若k<112,且待估计数据点子载波位于直流子载波之后,选择第k-11号至第100号的直流子载波前虚拟导频点与第101号至第k+12号真实导频点组合成的导频序列,进行滤波,得到信道值;
对于其他位置的数据点子载波,选择两边各12个真实导频点为导频序列,进行滤波,得到信道值。
若待估计的数据子载波与所用到的导频点序列间距离特征相同,则这些待估计的数据子载波信道估计时所用滤波系数相同,可以减少滤波系数存储量。
在上述的方法中,预测虚拟导频点所用的AR模型和进行信道估计所用的ARMA模型都是最小均方意义上的线性滤波,则信道估计可统一使用24阶LMMSE公式:
其中,为估计的信道值,c为24×1阶滤波系数向量,为24×1阶用于滤波的导频点信道值向量,为1×24阶数据点与导频点向量的互相关向量,为24×24阶导频点的自相关矩阵,β为调制系数,SNR为信噪比,I为单位阵。
求解相关函数时,使用矩形模型和时延参数计算信道相关矩阵,计算方法为
其中,m、n均为子载波标号,Rmn表示信道相关函数,τ(l)为第l个延时径的时延,Ts为采样周期,NFFT为离散傅里叶变换大小,g(l)为第l个延时径的功率谱,L为延时径总数。j表示虚数单位,e表示自然对数。
预测虚拟导频点以及信道估计所用的LMMSE滤波参数均为线下计算,并且存储在存储器中,无需做矩阵求逆工作,大大简化了信道估计的计算复杂度。另外,由于利用了一些距离特征,只需存储很少的几组滤波系数,大大降低了信道估计的存储量。因此,本发明的信道估计方法容易在硬件平台中实现。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。