CN103763222B - 一种mimo信号盲检测中的信道模糊度去除方法 - Google Patents

Abstract

本发明公开了一种MIMO信号盲检测中的信道模糊度去除方法，其特征在于，包括以下步骤：将MIMO系统的信道矩阵划分为M_t个SIMO系统的信道；截取每个SIMO系统的接收信号；根据截取到的接收信号利用基于二阶统计量的子空间盲信道估计算法分别估计各个SIMO系统的信道；估计得到的各个SIMO系统的信道和接收信号利用迫零法均衡出每个发射天线上的训练序列；利用第一帧内均衡得到的训练序列和截取到的信号，对后续的数据块进行信道的估计，将M_t个SIMO系统的信道参数组成MIMO系统的信道矩阵，获得MIMO系统的信道估计值。本发明的有益之处在于：计算量小、复杂度低；消除了排序模糊度问题；降低了系统的归一化均方根误差和误码率，提高了非合作通信系统的可靠性。

Description

一种MIMO信号盲检测中的信道模糊度去除方法

技术领域

本发明涉及一种盲信道估计技术，具体涉及一种MIMO信号盲检测中的信道模糊度去除方法，可以应用于各种多天线信号、协作通信信号的盲识别、盲检测，属于通信技术领域。

背景技术

信道估计是指接收端获得信道状态信息（ChannelStateInformation,CSI）的过程和方法。信道估计的准确性影响着接收性能和数据的传输质量。由于接收端的解码需要已知信道状态信息才能完成，因此无线移动信道的估计和辨识是无线通信信号处理中一个主要的研究领域。传统的非盲信道估计一般通过设计训练序列或在数据包中插入导频实现信道估计，这些方法的缺点在于明显的降低了信道容量和频谱利用率。尽管对于时不变信道来讲，这一损失很小，然而在高速无线通信中，信道是时变的，这种损失就不可忽略。在合作通信系统中，接收端已知全部或者部分训练序列，可采用非盲或半盲的信道估计，而在非合作通信系统中，由于接收端对发射端所采用的训练序列是完全未知的，为了实现MIMO信号的盲检测，必须利用盲信道估计方法估计信道状态信息。由于MIMO信道盲估计技术可进一步提高通信容量和频带率用率，尤其在高速无线通信中所导致的时变信道场景中，MIMO信道盲估计技术表现出了极大的优越性，近年来引起了广泛关注与探索。

MIMO系统的盲信道估计问题中，仅根据观测信号实现信道矩阵的完全辨识及源信号的恢复是无法实现的，得到的信道信道值与实际的信道之间存在模糊度矩阵，SIMO系统下的模糊度是一个标量因子，只存在相位旋转的问题，在MIMO系统下则是一个矩阵，包括顺序模糊度和相位模糊度，即估计得到的不同天线上的信道顺序发生错位，且使均衡得到的信号星座图与原始星座图发生相位的旋转；如果不能将该模糊度去除，则严重影响信道的估计值。在已有的算法中，一般都是插入部分训练序列或者导频来进行信道估计值的矫正来提高算法的性能，但是在信号盲检测场景下，接收端无法获知训练序列或者导频，所以模糊度的问题是盲信道估计中的一大难点。

ChangyongShin等人在“BlindChannelEstimationforMIMO-OFDMSystems”中提出一种基于子空间算法的信道估计算法。该算法对收发端天线数目没有要求，具有准确度高，收敛快等特点，仅需要信道阶数上限即可，即对信道阶数不敏感。然而对于估计得到的信道矩阵存在排序模糊度和相位模糊度问题，是在已知实际信道的前提下利用最小均方误差消除模糊度矩阵。在非合作通信中，实际信道值是未知的，所以该方法不能应用于盲信道估计中。

GaoF,NallanathanA等人在文章“Subspace-basedblindchannelestimationforSISO,MISOandMIMOOFDMsystems”中提出了一种子空间法的盲信道估计算法，再利用预编码矩阵解决模糊度问题。在非合作通信中，预编码矩阵是发端设计的，对接收端是未知的，所以不能利用预编码矩阵解决非合作MIMO通信中的模糊度问题。

发明内容

本发明的目的在于克服上述已有技术的不足，针对MIMO系统，提出一种MIMO信号盲检测中的信道模糊度去除方法，该算法计算量小、复杂度低，可以消除排序模糊，降低系统的归一化均方根误差和误码率，提高非合作通信系统的可靠性。

为了实现上述目标，本发明采用如下的技术方案：

一种MIMO信号盲检测中的信道模糊度去除方法，其特征在于，包括以下步骤：

（1）将MIMO系统的信道矩阵划分为M_t个SIMO系统的信道；

（2）截取每个SIMO系统的接收信号；

（3）根据截取到的接收信号，利用基于二阶统计量的子空间盲信道估计算法分别估计各个SIMO系统的信道；

（4）估计得到的各个SIMO系统的信道和接收信号利用迫零法均衡出每个发射天线上的训练序列；

（5）利用前端数据块的第一帧内均衡得到的训练序列和截取到的信号，对后续的数据块进行信道的估计；

（6）将M_t个SIMO系统的信道参数组成MIMO系统的信道矩阵，获得MIMO系统的信道估计值。

前述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，在步骤（3）中，估计SIMO系统的信道包括以下步骤：

a.假设SIMO系统是平坦瑞利衰落信道，在同一个数据块内连续的N_f帧信号经历的信道状态相同，则n时刻SIMO系统的第i根接收天线的接收数据y_i(n)表示为：

y_i(n)=h_i(k)s(n-k)+b_i(n)

式中，1≤i≤M_r，h_i为发送天线到第i根接收天线的信道衰落系数；s(n-k)为n-k时刻第i根发射天线上的发射数据；b_i(n)是均值为0、方差为σ²的高斯白噪声；

b.对接收信号进行连续N个采样，得到：

式中，

H_N是信道传输矩阵，维数为M_rN×N，是托普利兹结构的矩阵，H_N满足列满秩rank(H_N)=N；

H是SIMO系统实际的信道向量，其维数为M_r×1；

Y、S、B分别是观测样本矩阵、发送信号矩阵和噪声矩阵；

c.对观测样本矩阵进行自相关：

$\begin{array}{c}{R}_{\mathrm{YY}}=E\left\{{\mathrm{YY}}^H\right\}\\ =H_N{R}_{\mathrm{SS}}{H_N}^H+E\left\{{\mathrm{BB}}^H\right\}\\ =H_N{R}_{\mathrm{SS}}{H_N}^H+{\mathrm{\σ}}^{2}I\end{array}$

式中，R_SS表示发射信号的自相关矩阵；

d.对自相关矩阵R_SS进行奇异值分解，奇异值的大小顺序将自相关矩阵R_SS分为信号子空间S和噪声子空间G，基于信号子空间和噪声子空间的正交性构造二次型代价函数：

$\begin{array}{c}C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{\left|\right|g_k^H{H}_N\left|\right|}^2\\ =\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{g}_k^H{H}_N{H}_N^H{g}_k\end{array}$

式中，S=[s₀,…,s_L+N-1]，s_i是信号子空间的特征值向量，g_i是噪声子空间的特征值向量，H_N是信道传输矩阵；

e.将维数为M_rN×1的噪声特征向量g_k平均分为N个相等的段，每段长度为M_r×1，如下式：

${\hat{g}}_k=\left[\begin{array}{c}{\hat{g}}_{k0}\\ {\hat{g}}_{k1}\\ \·\\ \·\\ \·\\ {\hat{g}}_{k(N-1)}\end{array}\right]$

f.根据托普利兹矩阵结构的特殊性，将代价函数转换为只包含信道参数H的形式：

$C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{H}_N^H\stackrel{^^}{G_k}{G}_k^H{H}_N$

式中，是一个托普利兹结构的矩阵：

g.令当估计的信道值H为矩阵最小的特征值对应的特征向量时，二次型代价函数取得最小值，获得信道的估计值如下：

$\hat{H}=\underset{\left|\right|\hat{H}\left|\right|=1}{\arg \min }\left(H^H\mathrm{QH}\right).$

前述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，

前述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，信道估计值与实际的信道值H存在一个标量的模糊因子α，有下式：

$\hat{H}=\mathrm{\αH}.$

本发明的有益之处在于：

1、由于本发明是将MIMO系统划分为若干SIMO系统进行单独的盲信道估计，所以消除了排序模糊度问题；

2、本发明能使每根发射天线上的相位模糊保持一个固定值，降低了系统的归一化均方根误差和误码率，提高了非合作通信系统的可靠性；

3、本发明是基于二阶统计特性的盲信道估计，具有计算量小、复杂度低的优点。

附图说明

图1是本发明发送信号的帧结构图；

图2是本发明的时间正交训练序列框图；

图3是本发明的信道估计图；

图4是本法明的算法流程图；

图5是本发明在加性高斯白噪声下的归一化均方误差的仿真图；

图6是第一根发射天线的原始信号星座图；

图7是第一根发射天线均衡后得到的信号星座图；

图8是第二根发射天线的原始信号星座图；

图9是第二根发射天线均衡后得到的信号星座图；

图10是在已知真实信道的情况下，第一根发射天线的原始信号星座图；

图11是在已知真实信道的情况下，第一根发射天线消除相位模糊后均衡得到的信号星座图；

图12是在已知真实信道的情况下，第二根发射天线的原始信号星座图；

图13是在已知真实信道的情况下，第二根发射天线消除相位模糊后均衡得到的信号星座图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1至图4，本发明的MIMO信号盲检测中的信道模糊度去除方法，其实现步骤如下：

步骤1.将MIMO系统的信道矩阵划分为M_t个SIMO系统的信道

假设一个M_t×M_r的MIMO系统，每根发射天线到所有的接收天线是一个SIMO系统，我们可以把一个MIMO系统看成是M_t个SIMO系统构成的，因而可以将MIMO系统的信道矩阵划分为M_t个SIMO系统的信道进行单独估计。

步骤2.截取每个SIMO系统的接收信号

基于训练序列的时域正交性，利用时间同步技术可以确定每根发射天线上训练序列发送的起始位置和截止位置接收端可以在时间内分别截取天线k所形成SIMO系统的接收信号，其中1≤k≤M_t，T是训练序列的持续时间。

步骤3.估计各个SIMO系统的信道

根据截取到的接收信号，利用基于二阶统计量的子空间盲信道估计算法，分别估计各个SIMO系统的信道。

3a.对于一个M_t×M_r的MIMO系统，为推导方便我们设置M_t=2，将MIMO系统划分为2个1×M_r的SIMO系统进行信道的单独估计。

假设SIMO系统是平坦瑞利衰落信道，在同一个数据块内连续的N_f帧信号经历的信道状态相同，即一个数据块由N_f帧组成，则n时刻SIMO系统的第i根接收天线的接收数据y_i(n)表示为：

y_i(n)=h_i(k)s(n-k)+b_i(n)

式中，1≤i≤M_r，h_i为发送天线到第i根接收天线的信道衰落系数；s(n-k)为n-k时刻第ⁱ根发射天线上的发射数据；b_i(n)是均值为0、方差为σ²的高斯白噪声。

3b.对接收信号进行连续N个采样，得到：

式中，

H_N是信道传输矩阵，维数为M_rN×N，是托普利兹结构的矩阵，H_N满足列满秩rank(H_N)=N；

H是SIMO系统实际的信道向量，其维数为M_r×1；

Y、S、B分别是观测样本矩阵、发送信号矩阵和噪声矩阵。

3c.对观测样本矩阵进行自相关：

$\begin{array}{c}{R}_{\mathrm{YY}}=E\left\{{\mathrm{YY}}^H\right\}\\ =H_N{R}_{\mathrm{SS}}{H_N}^H+E\left\{{\mathrm{BB}}^H\right\}\\ =H_N{R}_{\mathrm{SS}}{H_N}^H+{\mathrm{\σ}}^{2}I\end{array}$

式中，R_SS表示发射信号的自相关矩阵。

3d.对自相关矩阵R_SS进行奇异值分解，奇异值的大小顺序将自相关矩阵R_SS分为信号子空间S和噪声子空间G，基于信号子空间和噪声子空间的正交性构造二次型代价函数：

$\begin{array}{c}C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{\left|\right|g_k^H{H}_N\left|\right|}^2\\ =\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{g}_k^H{H}_N{H}_N^H{g}_k\end{array}$

式中，S=[s₀,…,s_L+N-1]，s_i是信号子空间的特征值向量，g_i是噪声子空间的特征值向量，H_N是信道传输矩阵。

3e.将维数为M_rN×1的噪声特征向量g_k平均分为N个相等的段，每段长度为M_r×1，如下式：

${\hat{g}}_k=\left[\begin{array}{c}{\hat{g}}_{k0}\\ {\hat{g}}_{k1}\\ \·\\ \·\\ \·\\ {\hat{g}}_{k(N-1)}\end{array}\right]$

3f.根据托普利兹矩阵结构的特殊性，将代价函数转换为只包含信道参数H的形式：

$C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{H}_N^H\stackrel{^^}{G_k}{G}_k^H{H}_N$

式中，是一个托普利兹结构的矩阵：

3g.令则根据随机矩阵理论可得，当估计的信道值H为矩阵最小的特征值对应的特征向量时，二次型代价函数可以取得最小值，即获得信道的估计值，如下：

$\hat{H}=\underset{\left|\right|\hat{H}\left|\right|=1}{\arg \min }\left(H^H\mathrm{QH}\right).$

为避免出现零向量这个无意义解，加入恒模约束条件，即由该算法估计得到的信道估计值与实际的信道值H存在一个标量的模糊因子α，即：

$\hat{H}=\mathrm{\αH}.$

步骤4.均衡出每个发射天线上的训练序列

由于每根发射天线上的训练序列不变，所以不同的数据块上有相同的训练序列，由估计得到的各个SIMO系统的信道和接收信号，利用迫零法均衡出每个发射天线上的训练序列。

$\mathrm{tr}\_\mathrm{est}=\mathrm{pinv}\left({\hat{H}}_{\mathrm{front}}\right)\×y_{\mathrm{front}}$

由于信道估计值存在标量模糊，所以均衡得到的训练序列也存在标量模糊，会导致相位旋转，即：

tr_est=α^-1tr_org

其中tr_est表示均衡得到的训练序列，tr_org表示原始的训练序列，为一个数据块估计得到的信道，y_front为第一帧内的训练序列经过信道得到的接收信号,α是标量模糊因子，pinv(·)表示矩阵的伪逆。

步骤5.对后续的数据块进行信道的估计

利用前端数据块的第一帧内均衡得到的训练序列和截取到的信号，对后续的数据块进行信道的估计，有下式：

${\hat{H}}_{\mathrm{back}}=y_{\mathrm{back}}\×\mathrm{pinv}(\mathrm{tr}\_\mathrm{est}),$

其中，为后续数据块估计得到的信道，y_back为后续数据块内的训练序列经过不同的信道得到的接收信号。

由以上方法可以看出，与实际的信道值由于相差一个相同的标量因子，所以能够保持相同的相位旋转。

步骤6.获得MIMO系统的信道估计值

将M_t个SIMO系统的信道参数组成MIMO系统的信道矩阵，即获得MIMO系统的信道估计值，此法不仅可以消除排序模糊，同时还可以使每根天线上的慢变信道保持相同的相位旋转。

本发明的效果可通过以下仿真来说明。

为了验证MIMO信号盲检测中的信道模糊度去除方法的有效性，本节将通过蒙特卡罗仿真来分别验证系统信道估计和均衡得到的星座图性能，其中估计信道的性能用归一化均方误差（NRMSE）来评价。仿真假设为2×4的MIMO系统，发射天线数是2，接收天线数为4，发送信号是QPSK调制，信道独立同分布服从准静态瑞利平坦衰落，且在信道估计过程中保持时不变，不同的收发天线之间的信道衰落相互独立。噪声为加性高斯白噪声，观测窗长为10，进行10000次Monte-Carlo仿真，训练序列的长度为100。

图5为高斯信道中，在不同的信噪比下的本算法的NRMSE曲线图，其中，横轴表示接收端信噪比，单位dB，纵轴表示归一化均方根NRMSE。

图6至图9给出了在信噪比为25dB时，两根发射天线上的原始信号星座图与均衡后得到的信号星座图。

图10至图13为在信噪比为25dB时，假设已知真实信道的情况下，两根发射天线上的原始信号星座图与消除相位模糊后均衡得到的信号星座图。

由图5的仿真结果可以看出，在高斯信道中，当信噪比增加时，MIMO系统的NRMSE不断减小，在信噪比为25dB时可以达到10^-2。

由图6至图9的仿真结果可以看出，在信噪比为25dB时，由估计信道均衡得到的发送信号与源信号之间存在固定的相位旋转，但是从星座图无法判断出旋转的角度。

由图10至图13的仿真结果可以看出消除排序模糊后，相位模糊虽然保持在一个固定的值，但是依然存在，只有将相位模糊完全消除之后才能完全的恢复发送信号，实现系统的解码。

由此可见，由于本发明是将MIMO系统划分为若干SIMO系统进行单独的盲信道估计，所以消除了排序模糊度问题。

另外，本发明能使每根发射天线上的相位模糊保持一个固定值，降低了系统的归一化均方根误差和误码率，提高了非合作通信系统的可靠性。

除此之外，由于本发明是基于二阶统计特性的盲信道估计，因此本发明的方法具有计算量小、复杂度低的优点。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种MIMO信号盲检测中的信道模糊度去除方法，其特征在于，包括以下步骤：

(1)将MIMO系统的信道矩阵划分为M_t个SIMO系统的信道；

(2)截取每个SIMO系统的接收信号；

(3)根据截取到的接收信号，利用基于二阶统计量的子空间盲信道估计算法分别估计各个SIMO系统的信道；

(4)估计得到的各个SIMO系统的信道和接收信号利用迫零法均衡出每个发射天线上的训练序列；

(5)利用前端数据块的第一帧内均衡得到的训练序列和截取到的信号，对后续的数据块进行信道的估计；

(6)将M_t个SIMO系统的信道参数组成MIMO系统的信道矩阵，获得MIMO系统的信道估计值。

2.根据权利要求1所述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，在步骤(3)中，估计SIMO系统的信道包括以下步骤：

a.假设SIMO系统是平坦瑞利衰落信道，在同一个数据块内连续的N_f帧信号经历的信道状态相同，则n时刻SIMO系统的第i根接收天线的接收数据y_i(n)表示为：

y_i(n)＝h_i(k)s(n-k)+b_i(n)

式中，1≤i≤M_r，h_i为发送天线到第i根接收天线的信道衰落系数；s(n-k)为n-k时刻第i根发射天线上的发射数据；b_i(n)是均值为0、方差为σ²的高斯白噪声；

b.对接收信号进行连续N个采样，得到：

Y＝H_NS_信号+B

式中，

H_N是信道传输矩阵，维数为M_rN×N，是托普利兹结构的矩阵，H_N满足列满秩rank(H_N)＝N；

H是SIMO系统实际的信道向量，其维数为M_r×1；

Y、S_信号、B分别是观测样本矩阵、发送信号矩阵和噪声矩阵；

c.对观测样本矩阵进行自相关：

R_YY＝E{YY^H}

＝H_NR_SSH_N ^H+E{BB^H}

＝H_NR_SSH_N ^H+σ²I

式中，R_SS表示发射信号的自相关矩阵；

d.对自相关矩阵R_SS进行奇异值分解，奇异值的大小顺序将自相关矩阵R_SS分为信号子空间S_子空间和噪声子空间G，基于信号子空间和噪声子空间的正交性构造二次型代价函数：

$\begin{array}{c}C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\Σ}}\left|\right|g_k^H{H}_N|{|}^2\\ =\underset{k=0}{\overset{M_{r}N-N-1}{\mathrm{\Σ}}}{g}_k^H{H}_N{H}_N^H{g}_k\end{array}$

式中，S_子空间＝[s₀,…,s_L+N-1]，s_i是信号子空间的特征值向量，g_i是噪声子空间的特征值向量，H_N是信道传输矩阵；

e.将维数为M_rN×1的噪声特征向量g_k平均分为N个相等的段，每段长度为M_r×1，如下式：

${\hat{g}}_k=\left[\begin{array}{c}{\hat{g}}_{k0}\\ {\hat{g}}_{k1}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\hat{g}}_{k(N-1)}\end{array}\right];$

f.根据托普利兹矩阵结构的特殊性，将代价函数转换为只包含信道参数H的形式：

$C\left(H\right)=\underset{k=0}{\overset{M_{r}N-N-1}{\Σ}}{H}_N^H{\hat{G}}_k{\hat{G}}_k^H{H}_N$

式中，是一个托普利兹结构的矩阵：

g.令当估计的信道值H为矩阵最小的特征值对应的特征向量时，二次型代价函数取得最小值，获得信道的估计值如下：

$\hat{H}=\underset{\left|\right|\hat{H}\left|\right|=1}{\arg \min }\left(H^{H}QH\right).$

3.根据权利要求2所述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，

4.根据权利要求2或3所述的MIMO信号盲检测中的信道模糊度去除方法，其特征在于，信道估计值与实际的信道值H存在一个标量的模糊因子α，有下式：

$\hat{H}=\mathrm{\α}H.$