CN103326966B - 适用于无线局域网ofdm系统的信道估计方法 - Google Patents

Abstract

本发明涉及通信领域，公开一种适用于无线局域网OFDM系统的信道估计方法，该方法在接收信号精确同步条件下，首先将经过OFDM解调的频域数据送入数据分离单元，输出为两路信号，一路为长训练序列，一路为OFDM符号，将长训练序列送入卡尔曼迭代估计单元进行初始信道估计，再将OFDM符号中梳状导频送入迭代估计单元进行信道信息更新，最后将用户数据和信道估计结果用于下一级的信道均衡。本发明充分利用PPDU中的长训练序列和各个OFDM符号中都包含的梳状导频进行信道估计，提高了信道估计的准确度，并具有对应用环境的鲁棒性，即对于准静态信道或慢时变信道环境下的OFDM系统有很好的适用性。

Description

适用于无线局域网OFDM系统的信道估计方法

技术领域

本发明涉及通信领域，更具体地，涉及一种适用于无线局域网OFDM系统的信道估计方法。

背景技术

无线局域网(WirelessLocalAreaNetwork，WLAN)技术的发展与应用已经深深的改变了人们的交流方式和工作方式，带给人们前所未有的便捷，加之各种智能终端(如SmartPhone、iPad、IPTV等)的快速普及，和“SmartHome”概念的提出与实施，人们对WLAN所带来的便捷性正在产生一种依赖。无线局域网的发展离不开其标准的制定与推广应用，我国的无线局域网配套标准主要涉及IEEE802.11系列和HiperLAN1/2，根据目前我国WLAN市场实际和产品情况，IEEE802.11系列是主要标准，主要有IEEE802.11、IEEE802.11b/a/g和IEEE802.11h/i，其中除IEEE802.11和IEEE802.11b外其他标准均采用正交频分复用(OrthogonalFrequencyDivisionMultiplexing，OFDM)技术作为物理层核心技术。

信道估计是所有通信系统接收机中重要的数据处理单元，具体就是根据接收端数据在一定准则下对发射信号经过信道所产生的影响进行估算的过程。信道估计的本质就是对信道状态信息进行的估计，获得信道的状态信息可以通过两种方式：一种方式是在时域和(或)频域内，在数据子载波里插入已知信息(导频)，通过信道对已知信息干扰来估计出信道信息，这种方法虽然对系统带宽有一定的损耗，但是可获得到较优性能，已被广泛应用；另一种就是通过大量接收信号的统计信息来进行信道信息的估计，这种方式不需要导频信息。

在上述应用OFDM技术作为核心的WLAN标准中，一个共同特点是接在物理层协议数据单元(PhyProtocolDataUnit，PPDU)中规定了可用于信道估计的训练序列与梳状导频，如图1所示。

当前各种应用于无线局域网OFDM通信系统接收机的基于导频的信道估计算法中，要么是采用基于块状导频(标准长训练序列)的方法，要么是采用基于OFDM数据段符号中梳状导频的方法，然而这两种方法都没有充分利用PPDU中的已知信息，并且都有各自的应用局限性。对于前者，基于长训练序列的方法，信道估计准确度高，实现简单，但是该种方法只在每帧开始处进行信道估计，由于信道的慢时变性，信道状态可能会随着OFDM符号周期变化，这样会导致离长训练序列较远的OFDM符号间隔处对应的信道估计值不准确；相对于后者而言，信道估计应用每个OFDM符号中都有的梳状导频，先求出导频位置的信道响应，再通过各种插值策略求出对应于整个OFDM符号的信道响应，然而这种方法虽然每次估计都应用到实时的信道信息，但是为了保证OFDM子载波利用率，往往导频都比较少，这样一来就对插值后信道估计准确度产生了严重影响。

发明内容

本发明提出一种适用于无线局域网OFDM系统的信道估计方法，根据WLAN中通信系统的应用环境，在准静态或慢时变信道环境下，有效利用PPDU中已知信息来进行准确信道估计，结合工程上已成熟运用的Kalman滤波理论，提升传统信道估计方法性能，扩大其适用范围。

本发明的技术方案如下：

一种适用于无线局域网OFDM系统的信道估计方法，包括：

S1.将经过OFDM解调的频域数据送入数据分离单元，数据分离单元在准确同步的前提下，将输入信号分离，输出两路信号，一路为长训练序列，另一路为梳状导频的OFDM符号；

S2.确定信道频域响应的AR模型阶数p＝1、系数a和误差e；根据AR模型及OFDM系统线性系统描述，将OFDM系统用状态空间描述；

S3.初次信道估计，将长训练序列送入Kalman迭代估计单元进行初次信道估计，所述长训练序列是标准中PPDU规定的特殊OFDM符号；

S4.将带有实时信道信息的梳状导频引入到Kalman迭代估计单元进行信道信息更新，最后输出有效用户数据和信道估计结果，用于下一级的信道均衡。

Kalman滤波是在对系统状态空间描述下推导得出的，Kalman滤波适用于平稳或非平稳多维随机信号的处理，在此为了在信道估计中利用Kalman滤波，则需要对OFDM系统进行状态空间描述。

确定信道频域响应的自回归(AutoRegressive，AR)模型阶数。AR模型阶数与模型误差以及信道估计复杂度息息相关，在具体的应用系统中，需要充分考虑OFDM系统应用环境和实现复杂度，在模型误差和复杂度之间进行平衡，确定适合于特定通信系统的AR模型阶数p＝1。

AR模型相关参数求解。根据Jakes信道模型下的信道自相关函数，利用Yale-Walker方程进行AR信号模型的求解，包括模型系数a和误差e。

初次信道估计主要利用长训练序列完成，长训练序列是标准中PPDU规定的特殊OFDM符号，在无线局域网IEEE802.11a/g标准中长训练序列长度为2个OFDM符号，常用于信道估计和频率同步等，利用长训练序列的初次信道估计可以采用Kalman滤波过程来实现。

将带有实时信道信息的梳状导频引入Kalman迭代过程。由于无线局域网标准中PPDU包含多个OFDM符号，若只根据帧头的长训练序列进行信道响应的估计，则在发射多个OFDM符号后信道响应的估计误差会因没有及时引入实时信道信息而增大。考虑到单独运用长训练序列或梳状导频的进行信道估计的所带来的局限性，本发明中，在初次信道估计的基础上，通过每个OFDM符号中都包含的梳状导频引入实时信道信息来进行信道响应的更新。

具体地，所述OFDM系统的状态空间描述为：

H(n)＝aH(n-1)+W(n)

Y(n)＝X(n)H(n)+V(n)

其中W(n)是N×1的误差向量，方差为和模型系数a通过求解Yule-Walker方程得出，其中H(n)是n时刻信道频域响应的一阶AR模型，Y(n)为频域接收信号，X(n)为频域发射信号，V(n)是方差为均值为0的加性高斯噪声序列。

所述Kalman迭代估计单元的实现方式为：初始化、迭代和收敛判断，具体为：

S11.初始化，n＝0：信道估计值初始值为Y^LT为接收到长训练序列的平均值，X^LT为发射端标准长训练序列，X^LT是由X^LT为对角元素构成的对角阵，记为diag(X^LT)；计算加性噪声序列的协方差矩阵R、中间变量P₀；

S12.迭代：n＝n+1

当输入数据为长训练序列，其迭代过程为：

S121.根据初始的中间变量P₀和方差求矩阵M_n，其中I表示N阶单位矩阵，

S122.由长训练序列X^LT和噪声序列的协方差矩阵R，以及矩阵M_n求解矩阵G_n，G_n＝X^LTM_n(X^LT)^H+R；

S123.根据长训练序列X^LT以及矩阵M_n和G_n求解迭代增益矩阵K_n；

$K_n=M_n{\left(X^{LT}\right)}^H{G}_n^{-1};$

S124.利用矩阵M_n，迭代增益矩阵K_n和发送的长训练序列X^LT更新中间变量P_n，P_n＝(I-K_nX^LT)M_n；

S125.根据信道估计值初始值发送的长训练序列X^LT和接收的长训练序列Y^LT求解误差向量e_n，

S126.由迭代增益矩阵K_n和误差向量e_n求第n次迭代信道估计输出结果 是指第n-1次迭代信道估计输出结果；

当输入数据为含梳状导频的有效数据，其迭代过程为：

通过梳状导频引入实时信道信息，将步骤S125中的误差向量e_n采用下式获得， 其余步骤与输入长训练序列的迭代过程相同；

S13.收敛判断，对信道估计输出结果进行收敛判断，达到所设定的迭代精度则停止迭代输出信道估计，否则继续迭代，直至满足条件。

为了提高迭代滤波过程的收敛速度，所述步骤S126后还包括对信道估计输出结果进行时域低通滤波处理，W_N为N×N的DFT矩阵；

其中I_L表示L阶单位矩阵。

所述收敛判断的判定方式为：计算第n次迭代信道估计输出结果与第n-1次迭代信道估计输出结果的欧式距离ξ_n，即判断ξ_n与设定的迭代精度ξ，ξ_n≤ξ时则停止迭代输出信道估计，否则继续迭代，直至满足条件。

与现有技术相比，本发明技术方案的有益效果是：充分利用PPDU中的长训练序列和各个OFDM符号中都包含的梳状导频进行信道估计，前者用于初始信道估计，后者作为实时信道信息的携带者引入Kalman估计过程中，提高了信道估计的准确度，并且具有对应用环境的鲁棒性，即对于准静态信道或慢时变信道环境下的OFDM系统有很好的适用性。

附图说明

图1为IEEE802.11a/g标准中帧结构示意图。

图2为无线局域网发射帧中已知信息分布图。

图3为本发明的信道估计总体结构示意图。

图4为本发明的迭代信道估计数据处理示意图。

图5为本发明的迭代过程初始化过程图。

图6为本发明的迭代过程图。

图7为本发明的收敛过程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰，以下结合附图1～7及实施例，对本发明的信道估计方法进一步详细说明。值得注意的是，以下所描述的具体实例仅用于解释发明内容，并不用于限定本发明。

如图1，PLCP(PhysicalLayerConvergenceProtocol，PLCP)前导码共有12个符号构成，包括10个短训序列和2个长训练符号。信号字段主要由24个二进制比特构成，在BPSK调制方式，1/2编码率情况下，该字段为一个OFDM符号，主要包括4比特的数据段速率位，1比特保留位，12比特的帧长度位，1比特的奇偶校验位，以及用于维特比译码6个尾比特。接着16比特的服务比特、PSDU(PresentationServiceDataUnit，PSDU)以及尾比特和填充比特构成数段。

图2为无线局域网发射帧中长训练序列和导频分布图，该图仅对长训练序列和梳状导频在PPDU中的位置做了描述，具体为2长训练序列之后便为携带有效数据的OFDM符号，且每个OFDM符号中都包含着一定数量的导频。

图3为信道估计总体结构示意图，主要对本发明的信道估计方法数据处理流程进行了说明，首先将经过OFDM解调的频域数据送入数据分离单元，数据分离单元在准确时间同步的前提下，将输入信号分离，输出为两路信号，一路为长训练序列，另一路为OFDM符号，然后将长训练序列送入Kalman迭代估计单元进行初始信道估计，接着提取OFDM符号中的梳状导频，送入迭代估计单元进行信道信息更新，最后输出有效用户数据和信道估计结果，用于下一级的信道均衡。

设无线局域网中某OFDM系统子载波数N＝64，循环前缀N_cp＝16，图1所示帧头处2个长训练序列(块状导频)皆为X_LT＝[p₀,p₁,…,p_N-1]^T，数据段梳状导频个数N_p＝8，为了描述方便，在此令梳状导频位置处的值与长训练序列对应位置处的值相等，N_p个导频分别为在准静态或慢时变信道环境下，显然有在一个OFDM符号内信道时不变的结论，因此在接收端OFDM解调后的信号可以描述为：

Y＝H_fX+V(1)

其中为频域信道矩阵，W_N为N×N的DFT矩阵，0≤n,k≤N-1，X为频域发射信号，Y为频域接收信号，V是方差为均值为0的加性高斯噪声序列，H_t为时域信道矩阵，设长度为L的信道冲击响应为h＝[h₀,h₁,…,h_L-1,0,…,0]^T，其中L可以为最大值，即标准中规定的循环前缀长度N_cp，则时域信道矩阵为

由式(2)可知，信道时域矩阵H_t为以信道冲击响应h为第1列元素的循环矩阵，则信道频域矩阵为其中

$H_k=\underset{l=0}{\overset{L-1}{\Σ}}{h}_l{e}^{-j2\mathrm{\π}\frac{kl}{N}}---\left(3\right)$

接下来在频域内运用Kalman滤波理论对信道响应进行估算，首选需要将式(1)所示的OFDM系统运用状态空间进行描述。已知任何的稳态随机过程都可以利用信号的自回归(AutoRegressive，AR)模型来表示，因此n时刻信道频域响应H(n)的p阶AR模型如下式(4)所示：

$H\left(n\right)=\underset{k=1}{\overset{p}{\Σ}}A\left(k\right)H(n-k)+W\left(n\right)---\left(4\right)$

其中W(n)是N×1的误差向量，方差为A(k)是N×N的系数矩阵，和模型系数A(k)可以通过求解Yule-Walker方程得出，由于本发明所涉及的信道估计算法是应用于准静态或慢时变的WLAM环境下的，考虑到信道估计复杂度，设置信道冲击响应AR模型阶数p＝1。则OFDM系统的状态空间描述为：

H(n)＝AH(n-1)+W(n)(5)

Y(n)＝X(n)H(n)+V(n)(6)

由上式可知，n时刻频域信道响应由n-1时刻的信道响应和n时刻的模型噪声决定，接收信号由n时刻的发射信号经过带有加性噪声的信道得出。由Yule-Walker方程可知，在一阶的情况下，如下所示：

$\left[\begin{array}{cc}r\left(0\right)& r\left(1\right)\\ r\left(1\right)& r\left(0\right)\end{array}\right]\left[\begin{array}{c}1\\ A\end{array}\right]=\left[\begin{array}{c}{\mathrm{\σ}}_v^2\\ 0\end{array}\right]---\left(7\right)$

其中r(·)表示信道频域自相关函数。假设接收信号入射角服从均匀分布，且信道是高斯广义平稳不相关散射(Gaussianwide-sensestationaryuncorrelatedscatting，GWSSUS)信道条件下，根据关于功率谱密度和多普勒衰落谱的修正Jakes模型，可以得出对于不同时间不同频率的信道响应自相关函数：

$E\left\{H_k\left(m\right)H_l^{*}\[n\]\right\}=J_0\left(2{\mathrm{\πf}}_d\left(m-n\right)T\right)\frac{1-j2\mathrm{\π}\left(l-k\right){\mathrm{\σ}}_t/T}{1+4{\mathrm{\π}}^2{\left(l-k\right)}^2{\mathrm{\σ}}_t^2/T^2}---\left(8\right)$

对式(7)进行简单计算，便可计算出模型方差和AR模型系数A(k)，具体表达式见下：

$\left\{\begin{array}{c}{\mathrm{\σ}}_v^2=r\left(0\right)-\frac{r^2\left(1\right)}{r\left(0\right)}\\ A=J_0\left(2{\mathrm{\πf}}_d{T}_s\right)\stackrel{\mathrm{\Δ}}{=}a\end{array}\right.---\left(9\right)$

其中J₀(·)为零阶第一类贝塞尔函数，根据式(5)和式(6)对OFDM系统状态空间描述，基于长训练序列和导频的Kalman滤波信道估计方法如下所示：

图4所示的迭代信道估计数据处理示意图着重对本发明的核心单元Kalman迭代估计进行了说明，主要包括是三部分，变量计算和初始化，迭代估计以及收敛判断。

1、初始化：n＝0

如图5所示，迭代初始化过程包括噪声协方差矩阵R计算，长训练序列均值计算，信道响应初始值计算，以及根据每次迭代中间结果更新矩阵P_n。初始化变量有：信道估计值初始值为图5(a)所示，其中Y^LT为接收到的2个长训练序列的平均值见图5(b)；X^LT为发射端标准长训练序列，X^LT是由X^LT为对角元素构成的对角阵，记为diag(X^LT)；计算加性噪声序列的协方差矩阵R，见图5(c)；中间变量P₀初始值(I)及其更新，如图5(d)。

2、迭代：n＝n+1

图6所示为一次迭代过程数据处理流图，首先将初始化参数以及标准长训练序列送入迭代单元，求解矩阵M_n和G_n，为计算迭代增益矩阵K_n做准备，与此同时，根据输入数据为长训练序列或导频的不同进行迭代误差e_n的计算。然后根据上次迭代输出结果，迭代增益矩阵K_n和误差e_n对本次迭代输出进行更新，最后为了提高迭代收敛速度，对迭代结果进行时域滤波，因此第n次迭代输出结果为滤波后输出结果。图6(a)所示为迭代过程数据流图，其中详细计算过程如下。

1)若输入数据为长训练序列

(1)根据初始的中间变量P_n(n＝0)和式(9)所计算出的求矩阵M_n

$M_n=|a{|}^2{P}_{n-1}+{\mathrm{\σ}}_v^{2}I---\left(10\right)$

(2)由长训练序列X^LT和噪声序列W的协方差矩阵R，以及矩阵M_n求解矩阵G_n

G_n＝X^LTM_n(X^LT)^H+R(11)

(3)根据长训练序列X^LT以及矩阵M_n和G_n求解迭代增益矩阵K_n

$K_n=M_n{\left(X^{LT}\right)}^H{G}_n^{-1}---\left(12\right)$

(4)利用矩阵M_n，迭代增益矩阵K_n和发送的长训练序列X^LT更新中间变量P_n

P_n＝(I-K_nX^LT)M_n(13)

(5)根据信道估计值初始值发送的长训练序列X^LT和接收的长训练序列Y^LT求解误差向量e_n

$e_n=Y^{LT}-{\mathrm{aX}}^{LT}{\hat{H}}_{n-1}---\left(14\right)$

(6)由迭代增益矩阵K_n和误差向量e_n求第n次迭代信道估计输出结果

${\hat{H}}_n=a{\hat{H}}_{n-1}-K_n{e}_n---\left(15\right)$

(7)为了加速整个Kalman迭代的收敛过程，在迭代过程中加入变换域滤波来对信道估计输出结果在时域进行处理，示意图如图6(b)所示，详细计算过程描述如下式(16)，其中F为

${\hat{H}}_n^{\′}=W_N{\mathrm{FW}}_N^H{\hat{H}}_n---\left(16\right)$

2)若输入数据为含梳状导频的有效数据

通过梳状导频引入实时信道信息，将1)中(5)的误差计算方法改写为：

$e_n=Y^{\′}-{\mathrm{aX}}^{LT}{\hat{H}}_{n-1}---\left(18\right)$

其余步骤与1)中各步骤一致。

3)收敛判断

首先将图6单元处理结果送入进行欧氏距离求解，然后将欧氏距离与设定的迭代精度ξ进行比较，若满足迭代精度要求，则输出迭代停止信号给迭代单元，否则继续迭代直至满足收敛条件。

图7所示为收敛判断单元示意图，其中图7(a)和图7(b)为两向量欧氏距离的输入输出示意图和收敛判断示意，具体的数学描述如式(19)。式(19)的欧式距离求解是针对1)中(7)迭代输出结果进行的，这决定是否继续进行迭代，本发明中判定条件为

$\left|\right|{\hat{H}}_n-{\hat{H}}_{n-1}\left|\right|\≤\mathrm{\ξ}---\left(19\right)$

其中迭代精度ξ＝10^-3，若满足上述条件，则输出结果即为信道估计结果，否则继续进行的迭代，直至满足条件。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种适用于无线局域网OFDM系统的信道估计方法，其特征在于，包括：

S1.将经过OFDM解调的频域数据送入数据分离单元，数据分离单元在准确同步的前提下，将输入信号分离，输出两路信号，一路为长训练序列，另一路为带梳状导频的正交频分复用OFDM符号；

S2.确定信道频域响应的自回归AR模型阶数p＝1、系数a和误差e；根据AR模型及正交频分复用OFDM系统线性系统描述，将正交频分复用OFDM系统用状态空间描述；

S3.初次信道估计，将长训练序列送入Kalman迭代估计单元进行初次信道估计，所述长训练序列是标准中物理层协议数据单元PPDU规定的特殊正交频分复用OFDM符号；

S4.将带有实时信道信息的梳状导频引入到Kalman迭代估计单元进行信道信息更新，最后输出有效用户数据和信道估计结果，用于下一级的信道均衡；

所述正交频分复用OFDM系统的状态空间描述为：

H(n)＝aH(n-1)+W(n)

Y(n)＝X(n)H(n)+V(n)

其中W(n)是N×1的误差向量，方差为和模型系数a通过求解Yule-Walker方程得出，其中H(n)是n时刻信道频域响应的一阶自回归AR模型，Y(n)为频域接收信号，X(n)为频域发射信号，V(n)是方差为均值为0的加性高斯噪声序列；

所述Kalman迭代估计单元的实现方式为：初始化、迭代和收敛判断，具体为：

S11.初始化，n＝0：信道估计值初始值为Y^LT为接收到长训练序列的平均值，X^LT为发射端标准长训练序列，X^LT是由X^LT为对角元素构成的对角阵，记为diag(X^LT)；计算加性噪声序列的协方差矩阵R、中间变量P₀；

S12.迭代：n＝n+1

当输入数据为长训练序列，其迭代过程为：

S121.根据初始的中间变量P₀和方差求矩阵M_n，其中I表示N阶单位矩阵，

S122.由长训练序列X^LT和噪声序列的协方差矩阵R，以及矩阵M_n求解矩阵G_n，G_n＝X^LTM_n(X^LT)^H+R；

S123.根据长训练序列X^LT以及矩阵M_n和G_n求解迭代增益矩阵K_n；

$K_n=M_n{\left(X^{\mathrm{LT}}\right)}^H{G}_n^{-1};$

S124.利用矩阵M_n，迭代增益矩阵K_n和发送的长训练序列X^LT更新中间变量P_n，P_n＝(I-K_nX^LT)M_n；

S125.根据信道估计值初始值发送的长训练序列X^LT和接收的长训练序列Y^LT求解误差向量e_n，

S126.由迭代增益矩阵K_n和误差向量e_n求第n次迭代信道估计输出结果 是指第n-1次迭代信道估计输出结果；

当输入数据为含梳状导频的有效数据，其迭代过程为：

通过梳状导频引入实时信道信息，将步骤S125中的误差向量e_n采用下式获得， 其余步骤与输入长训练序列的迭代过程相同；

S13.收敛判断，对信道估计输出结果进行收敛判断，达到所设定的迭代精度则停止迭代输出信道估计，否则继续迭代，直至满足条件。

2.根据权利要求1所述的适用于无线局域网OFDM系统的信道估计方法，其特征在于，所述步骤S126后还包括对信道估计输出结果进行时域低通滤波处理，W_N为N×N的DFT矩阵；

其中I_L表示L阶单位矩阵。

3.根据权利要求2所述的适用于无线局域网OFDM系统的信道估计方法，其特征在于，所述收敛判断的判定方式为：计算第n次迭代信道估计输出结果与第n-1次迭代信道估计输出结果的欧式距离ξ_n，即判断ξ_n与设定的迭代精度ξ，ξ_n≤ξ时则停止迭代输出信道估计，否则继续迭代，直至满足条件。