CN103428127A - 一种基于svd分解算法的ccfd系统自干扰信道估计方法和装置 - Google Patents

Abstract

本发明公开了一种基于SVD分解算法的CCFD系统自干扰信道估计方法和装置，估计方法包括以下步骤：S1：采用时分复用或频分复用的方式设计近端和远端正交的导引符；S2：接收基带干扰信号的导引向量并对其进行FFT变换，得到频域接收的干扰信号导引向量Y；S3：对Y进行最小二乘估计，得到LS估计输出向量；S4：对LS估计输出向量进行加权，得到SVD-based信道估计值。本发明提出了一种CCFD系统中SVD-based信道估计技术，解决了传统LS信道估计不具备噪声滤除能力，从而恶化信道估计精度的问题，在尽量保存信道能量的前提下充分滤除噪声影响，提高干扰信道的估计精度。

Description

一种基于SVD分解算法的CCFD系统自干扰信道估计方法和装置

技术领域

本发明涉及数字自干扰抑制技术中的干扰信道估计技术，特别涉及一种基于SVD分解算法的CCFD系统自干扰信道估计方法和装置。

背景技术

日益稀缺的频谱资源是制约现代无线通信发展的瓶颈。传统通信系统的双工方式分为时分双工(TDD)与频分双工(FDD)，分别在不同时隙和不同频率传输上下行数据。同时同频全双工(CCFD)系统，能够在同频率、同时刻传输上下行数据，获得了更高的系统容量及频谱利用率，成为近年来无线通信研究的热点之一。

CCFD系统中，本地发射信号会对本地接收信号产生的干扰，由于收发天线的位置关系，自干扰信号功率总是远大于期望接收信号功率。针对大功率的自干扰信号，已有的自干扰抑制方法包括：数字自干扰抑制、模拟自干扰抑制和天线自干扰抑制。干扰信道估计技术是影响数字自干扰抑制技术的关键因素。在发射端，近、远端信号导引采用正交导引符号设计，包括频分复用和时分复用两种方案，因此进行自干扰信道估计不会受到远端期望信号的影响。CCFD系统中常见的信道估计算法主要包括以下三类：

（1）LS(LeastSquares)算法：LS信道估计应用误差的平方和最小这一准则来对信道的冲激响应进行估计，是最简单的信道估计，LS信道估计值由H_LS=X^-1Y表示，X为设计的导引向量，(·)^-1表示矩阵的逆，Y为接收的导引向量。

（2）LMMSE(Linear Minimum Mean Square Error)算法：LMMSE算法是对LS算法的改进，该算法是以最小化均方误差为准则的线性信道估计，其本质是利用信道的自相关矩阵修正LS信道估计以抑制噪声，是线性最优的信道估计方法，其信道估计值由H_LMMSE=R_H(R_H+N₀I)^-1H_LS表示，R_H=E{HH^H}表示信道自相关矩阵，N₀表示噪声功率，I为单位矩阵。在CCFD系统中，近端干扰天线与接收天线相对静止，信道多径特征变化相对较慢，可通过时间平均技术获取R_H的估值。

（3）DFT-based算法：DFT-based信道估计基于LS信道估计技术，利用时域信道能量集中的特点实现降噪。DFT-based信道估计将LS信道估计值通过IDFT变换到时域，再进行时域加窗实现降噪，完成加窗降噪后，再通过DFT变换至频域。其信道估计由表示H_DFT-based=FDF^HH_LS，F表示DFT变换矩阵，(·)^H表示矩阵的共轭转置， $D=\left[\begin{array}{cc}{I}_m& 0\\ 0& 0\end{array}\right]$ 表示加窗矩阵，I_m表示m阶单位矩阵。

分析上面三种类型，分别具有以下特点：LS算法具有实现简单的优点，但不具备噪声消除能力，在低信噪比时性能较差；线性最优的LMMSE算法具有最佳的噪声消除效果，然而其计算复杂度过高，不适用于具有高计算负荷CCFD接收机。传统的DFT-based技术采用固定窗长的滤波矩阵，造成了噪声滤除不充分，或高信噪比条件下信号能量损失较大的问题。

为解决以上问题，本发明提出了一种基于SVD分解(SVD-based)的信道估计方案，该方案将DFT-Based方法视作一个加权过程，对权值矩阵分块后进行SVD分解（奇异值分解），利用信道能量的集中性得到SVD-based方法的干扰信道估计值。当窗长相等时，SVD-based方法与DFT-based方法具有相似的滤除噪声干扰能力，但SVD-based可收集更多的信道能量，从而达到更好的估计精度。其所需数据存储量略大于DFT-based方法，而其计算量相对DFT-based方法增加较少。

发明内容

本发明提出了一种基于SVD分解算法的CCFD系统自干扰信道估计方法和装置，在滤除噪声的同时充分地保留了信道能量，提高了干扰信道估计精度，同时，具有实现复杂度较低的优点。

本发明的目的是通过以下技术方案来实现的：一种基于SVD分解算法的CCFD系统自干扰信道估计方法，它包括以下步骤：

S1：采用时分复用或频分复用的方式设计近端和远端正交的导引符；

S2：接收基带干扰信号的导引向量并对其进行FFT变换，得到频域接收的干扰信号导引向量Y；

S3：对频域接收的干扰信号导引向量Y进行最小二乘估计，得到LS估计输出向量H_LS=X^-1Y，X为设计的干扰信号导引向量；

S4：对LS估计输出向量进行加权，得到SVD-based信道估计值。

所述的加权步骤S4包括以下子步骤：

S401：将事先计算好的U、V矩阵和设定的非零元数目Q1存入存储单元，其中，U、V和Q1计算过程如下：

设期望用户在整个频段的最小二乘估计为

记为：

${\hat{h}}_{\mathrm{LS}}=\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，h_LS=X^-1Y是期望用户在其所占子载波处的最小二乘估计，

为虚拟LS估值，无法得到，对

做IFFT：

${\hat{g}}_{\mathrm{LS}}=F_N^H{\hat{h}}_{\mathrm{LS}}$

可知，信道的时域抽头不超过的前M个元素，其中M为循环前缀CP的长度，因此选择时域窗，在保存所有信道能量的情况下滤除大部分的干扰及噪声，再将结果变换至频域，得到DFT-Based信道估计：

当Q的取值超过信道时域抽头长度时，会收集到信道的所有能量，将DFT-Based方法视作一个加权过程，即：

将权值矩阵分块，可将记为：

${\hat{h}}_D=\left[\begin{array}{c}{\hat{h}}_D^1\\ {\hat{h}}_D^2\end{array}\right]=\left[\begin{array}{cc}{T}_{11}& T_{12}\\ T_{21}& T_{22}\end{array}\right]\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，T₁₁为N_SC阶方阵（N_SC为用户占用子载波个数），

为需要得到的估计值，有：

${\hat{h}}_D^1=T_{11}{h}_{\mathrm{LS}}+T_{12}{\tilde{h}}_{\mathrm{LS}}$

其中，由于

无法得到，将其记为0，对T₁₁进行SVD分解，可得到：

T₁₁=UΛV^H

其中，Λ为对角阵，其非零元素数目为Q1，且Q1<Q；

S402：根据存储的U、V和Q1值计算权值矩阵并对最小二乘估计值进行加权，得到SVD-based信道估计值。

一种基于SVD分解算法的CCFD系统自干扰信道估计装置，它包括FFT装置和干扰信道估计装置，所述的干扰信道估计装置包括LS子模块、SVD-based加权子模块：

LS子模块：根据设计的导引符号和接收的导引符号进行LS信道估计得到输出LS信道估计值如下：H_LS=X^-1Y；

SVD-based加权子模块：计算权值向量作用于输入向量，得到SVD-based方法的干扰信道估计值。

本发明的有益效果是：

1、将DFT-Based方法视作一个加权过程，对权值矩阵分块后进行SVD分解，利用信道能量的集中性得到SVD-based方法的干扰信道估计值，当窗长相等时，SVD-based方法与DFT-based方法具有相似的滤除噪声干扰能力，从而达到更好的估计精度；

2、相对基于可变窗长的计算方法步骤少，计算量的增加较少。

附图说明

图1为本发明的导引符号结构图；

图2本发明的典型的CCFD系统基带接收机结构图；

图3为本发明的干扰信道估计装置结构图；

图4为本发明的SVD-based加权模块结构示意图；

图5为本发明与常见信道估计方法的性能对比图。

具体实施方式

下面结合附图进一步说明本发明的技术方案，但本发明所保护的内容不局限于以下所述。

一种基于SVD分解算法的CCFD系统自干扰信道估计方法，它包括以下步骤：

S1：采用时分复用或频分复用的方式设计近端和远端正交的导引符，如图1所示，为避免进行自干扰信道估计时受到远端期望信号的影响，本实施例中近、远端信号导引采用频分复用的正交导引符号设计，但本发明的方法不仅适用于此，并且适用于近端干扰信号和远端期望信号导引采用时分复用的方式；

S2：接收基带干扰信号的导引向量并对其进行FFT变换，得到频域接收的干扰信号导引向量Y；

S3：对频域接收的干扰信号导引向量Y进行最小二乘估计，得到LS估计输出向量H_LS=X^-1Y，X为设计的干扰信号导引向量；

S4：对LS估计输出向量进行加权，得到SVD-based信道估计值。

所述的加权步骤S4包括以下子步骤：

S401：将事先计算好的U、V矩阵和设定的非零元数目Q1存入存储单元，其中，U、V和Q1计算过程如下：

设期望用户在整个频段的最小二乘估计为

记为：

${\hat{h}}_{\mathrm{LS}}=\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，h_LS=X^-1Y是期望用户在其所占子载波处的最小二乘估计，为虚拟LS估值，无法得到，对

做IFFT：

${\hat{g}}_{\mathrm{LS}}=F_N^H{\hat{h}}_{\mathrm{LS}}$

可知，信道的时域抽头不超过

的前M个元素，其中M为循环前缀CP的长度，因此选择时域窗，在保存所有信道能量的情况下滤除大部分的干扰及噪声，再将结果变换至频域，得到DFT-Based信道估计：

当Q的取值超过信道时域抽头长度时，会收集到信道的所有能量，将DFT-Based方法视作一个加权过程，即：

将权值矩阵分块，可将

记为：

${\hat{h}}_D=\left[\begin{array}{c}{\hat{h}}_D^1\\ {\hat{h}}_D^2\end{array}\right]=\left[\begin{array}{cc}{T}_{11}& T_{12}\\ T_{21}& T_{22}\end{array}\right]\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，T₁₁为N_SC阶方阵（N_SC为用户占用子载波个数），

为需要得到的估计值，有：

${\hat{h}}_D^1=T_{11}{h}_{\mathrm{LS}}+T_{12}{\tilde{h}}_{\mathrm{LS}}$

其中，由于

无法得到，将其记为0，对T₁₁进行SVD分解，可得到：

T₁₁=UΛV^H

其中，Λ为对角阵，其非零元素数目为Q1，且Q1<Q；

S402：根据存储的U、V和Q1值计算权值矩阵并对最小二乘估计值进行加权，得到SVD-based信道估计值。

如图2所示，典型的CCFD系统基带接收机包括：FFT模块、干扰信道估计模块、解调模块和信宿模块，其中：

所述的FFT模块，将基带接收信号向量进行FFT变换；

所述的解调模块，对数据进行解调处理，得到比特级数据；

所述的信宿模块，将接收的比特数据与发射的比特级数据进行比较，计算误码率。

如图3所示，一种基于SVD分解算法的CCFD系统自干扰信道估计装置，它包括FFT装置和干扰信道估计装置，所述的干扰信道估计装置包括LS子模块、SVD-based加权子模块：

LS子模块：根据设计的导引符号和接收的导引符号进行LS信道估计得到输出LS信道估计值如下：H_LS=X^-1Y；

SVD-based加权子模块：计算权值向量作用于输入向量，得到SVD-based方法的干扰信道估计值。

如图4所示，本发明的SVD-based加权模块包括：存储单元和计算单元，存储单元用于存储先计算好的U、V矩阵和设定的非零元数目Q1；计算单元用于计算信道估计值。

图5为本发明与常见信道估计方法的性能对比图，从图中可以看出，LS信道估计后的性能则相对理想信道估计有2dB的性能恶化；DFT-based信道估计技术在低信噪比时，其性能接近于理想信道估计，而当信噪比较高时，与理想信道估计性能的差距变大；SVD-based信道估计技术具有介于理想信道估计与LS信道估计之间的性能表现，相对于理想信道估计有0.5-1dB的性能差异。

这里已经通过具体的实施例子对本发明进行了详细描述，提供上述实施例的描述为了使本领域的技术人员制造或适用本发明，这些实施例的各种修改对于本领域的技术人员来说是容易理解的。本发明并不限于这些例子，或其中的某些方面。本发明的范围通过附加的权利要求进行详细说明。

上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种基于SVD分解算法的CCFD系统自干扰信道估计方法，其特征在于：它包括以下步骤：

S1：采用时分复用或频分复用的方式设计近端和远端正交的导引符；

S2：接收基带干扰信号的导引向量并对其进行FFT变换，得到频域接收的干扰信号导引向量Y；

S3：对频域接收的干扰信号导引向量Y进行最小二乘估计，得到LS估计输出向量H_LS=X^-1Y，X为设计的干扰信号导引向量；

S4：对LS估计输出向量进行加权，得到SVD-based信道估计值。

2.根据权利要求1所述的一种基于SVD分解算法的CCFD系统自干扰信道估计方法，其特征在于：所述的加权步骤S4包括以下子步骤：

S401：将事先计算好的U、V矩阵和设定的非零元数目Q1存入存储单元，其中，U、V和Q1计算过程如下：

设期望用户在整个频段的最小二乘估计为

记为：

${\hat{h}}_{\mathrm{LS}}=\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，h_LS=X^-1Y是期望用户在其所占子载波处的最小二乘估计，为虚拟LS估值，无法得到，对

做IFFT：

${\hat{g}}_{\mathrm{LS}}=F_N^H{\hat{h}}_{\mathrm{LS}}$

可知，信道的时域抽头不超过

的前M个元素，其中M为循环前缀CP的长度，因此选择时域窗，在保存所有信道能量的情况下滤除大部分的干扰及噪声，再将结果变换至频域，得到DFT-Based信道估计：

当Q的取值超过信道时域抽头长度时，会收集到信道的所有能量，将DFT-Based方法视作一个加权过程，即：

将权值矩阵分块，可将

记为：

${\hat{h}}_D=\left[\begin{array}{c}{\hat{h}}_D^1\\ {\hat{h}}_D^2\end{array}\right]=\left[\begin{array}{cc}{T}_{11}& T_{12}\\ T_{21}& T_{22}\end{array}\right]\left[\begin{array}{c}{h}_{\mathrm{LS}}\\ {\tilde{h}}_{\mathrm{LS}}\end{array}\right]$

其中，T₁₁为N_SC阶方阵（N_SC为用户占用子载波个数），

为需要得到的估计值，有：

${\hat{h}}_D^1=T_{11}{h}_{\mathrm{LS}}+T_{12}{\tilde{h}}_{\mathrm{LS}}$

其中，由于

无法得到，将其记为0，对T₁₁进行SVD分解，可得到：

T₁₁=UΛV^H

其中，Λ为对角阵，其非零元素数目为Q1，且Q1<Q；

S402：根据存储的U、V和Q1值计算权值矩阵并对最小二乘估计值进行加权，得到SVD-based信道估计值。

3.一种基于SVD分解算法的CCFD系统自干扰信道估计装置，其特征在于：它包括FFT装置和干扰信道估计装置，所述的干扰信道估计装置包括LS子模块、SVD-based加权子模块：

LS子模块：根据设计的导引符号和接收的导引符号进行LS信道估计得到输出LS信道估计值如下：H_LS=X^-1Y；

SVD-based加权子模块：计算权值向量作用于输入向量，得到SVD-based方法的干扰信道估计值。

Images