CN104160643A - 迭代式干扰消除方法 - Google Patents

Abstract

本发明涉及一种蜂窝式无线通信系统的接收器节点中的迭代式导频符号干扰消除方法，所述接收器节点用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加信号，所述方法包括以下步骤：a）接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；b）从所述叠加的信号提取第一集合，其中第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自一个或多个干扰小区的干扰的影响；c）估计所述第一集合的干扰；d）通过经估计的干扰移除来自所述第一集合的干扰；e)估计所述多个数据符号；f）从所述第一集合减去经估计的多个数据符号；以及g）重复步骤c）-f）i次，其中i≥1。此外，本发明还涉及一种接收器节点设备、一种计算机程序以及一种计算机程序产品。

Description

迭代式干扰消除方法

技术领域

本发明涉及一种接收器节点中的干扰消除方法。此外，本发明还涉及一种接收器节点设备、以及一种计算机程序产品。

背景技术

在如LTE（长期演进）和LTE-A（增强型LTE）等OFDM（正交频分复用）系统中，导频符号根据预先设计的图样插入到数据符号中并且和数据一起发送出去。在接收器侧，根据已知的导频符号，UE（用户设备）可以对数据检测至关重要的CSI（信道状态信息）进行估计。为了减少通信系统的开销，导频符号的量通常较少，这使CSI估计变的更困难。

原则上，UE首先会在导频位置上进行CSI估计，然后根据维纳（Winner）滤波准则对导频位置的CSI估计值进行滤波插值得到数据位置上的CSI估计。为了保证估计性能，导频符号的发射功率通常会得到提高并且要高于数据符号的发射功率。

因此，当UE在多小区场景中操作时，来自干扰小区的导频符号传输将会比来自干扰小区的数据传输带来更多的干扰。同样地，LTE/LTE-A中已经引入了ABS（Almost Blank Subframe子帧）的概念用于相邻eNB（演进型网络基站）之间的合作以减少下行链路传输。服务小区在干扰小区进行传输ABS时将会调度下行链路传输。在这种情况下，来自干扰小区的数据符号不会产生干扰。然而，仍然传输来自干扰小区的导频符号用于信道测量和在接收器侧报告，在接收器侧报告意味着接收器节点只会受到来自干扰小区的导频符号的干扰。上述内容表明，在多小区场景下，这种基于导频的OFDM系统中需要一种更好的导频干扰的IC（干扰消除）。

根据多小区场景下的网络配置，干扰小区的已传输的导频图样可以与服务小区的导频图样相同或不同。这意味着，当服务小区受到干扰小区的导频符号干扰时，该干扰可以干扰服务小区的导频符号或数据符号。在存在一个以上的干扰小区的情况下，来自不同小区的导频干扰可同时与服务小区的数据符号和导频符号相冲突。

根据第一现有技术解决方案，在接收器侧，UE估计干扰小区的CSI并随后在解调服务小区数据之前从已接收的信号中减去再生干扰信号。然而，由于服务小区的已传输的数据符号在接收节点处是未知的，该第一现有技术解决方案存在干扰小区的CSI估计不准的问题。在没有来自服务小区已传输的数据符号的任何信息时，已传输的数据符号只好视为噪声，所以其将会降低干扰估计性能。

根据第二现有技术解决方案，在进行编码之前，UE将受干扰数据位置上所有LLR（对数似然比）的值设置为零。然而，该第二现有技术解决方案受限于以下事实：由于LLR值在受干扰位置上被设置为零，因此在受干扰位置上的数据信息正在丢失。因此，解码性能将会降低。此外，如果所有数据位置都受到干扰，LLR置零将不再适用。

发明内容

本发明的一个目的是提供一种消除或解决现有技术解决方案中的缺点和问题的解决方案。

另一目的是提供一种相比于现有技术解决方案具有改进的性能的解决方案。

根据本发明的第一方面，上文提到的目的通过一种蜂窝式无线通信系统的接收器节点中的迭代式导频符号干扰消除方法实现，所述接收器节点用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加的信号，所述方法包括以下步骤：

a）接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；

b）从所述叠加的信号中提取第一集合，其中所述第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自所述一个或多个干扰小区的干扰的影响；

c）估计所述第一集合的干扰；

d）通过经估计的干扰移除来自所述第一集合的干扰；

e)估计所述多个数据符号；

f）从所述第一集合减去经估计的多个数据符号；以及

g）重复步骤c）-f）i次，其中i≥1。

根据本发明的第一方面，上文提到的目的通过一种蜂窝式无线通信系统的接收器节点设备实现，所述接收器节点包括处理单元和存储器单元并且用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加的信号，以及所述接收器节点设备进一步包括：

a）接收单元，用于接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；

b）提取单元，用于从所述叠加的信号中提取第一集合，其中所述第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自所述一个或多个干扰小区的干扰的影响；

c）估计单元，用于估计所述第一集合的干扰；

d）移除单元，用于通过经估计的干扰移除来自所述第一集合的干扰；

e)估计单元，用于估计所述多个数据符号；

f）减法单元，用于从所述第一集合减去经估计的多个数据符号；以及

g）重复单元，使得步骤c）-f）重复i次，其中i≥1。

本解决方案提供了一种相比之下改进的性能，这是因为利用了来自解调器或解码器的已传输的数据信息反馈，并在干扰估计之前减去了服务小区的数据。这样，提高了干扰估计准确性，因此提供了一种更好的下行链路性能。

同样地，本解决方案根据一些实施例采用基于SAGE（空间交替的广义期望最大化）-MAP（最大后验概率）的算法用于进行服务小区CSI估计和干扰估计，这种算法在存在一个以上的干扰小区时能提供良好性能。该SAGE-MAP算法可以在硬件中或DSP上实施，CSI估计和干扰消除可以重用所述组件。

此外，根据实施例，本发明采用LMMSE（线性最小均方误差）-PIC（并行干扰消除）算法作为检测器用于MIMO（多入多出）情况，可进一步提高数据检测性能。

本发明的其他应用和优点从以下具体说明中显而易见。

附图说明

附图旨在阐明和解释本发明的各个实施例，其中：

图1示出了数据的提取，该数据受到干扰的影响，即，受到源于干扰小区的干扰；

图2示出了本发明的第一实施例；

图3示出了本发明的第二实施例；

图4示出了本发明的第三实施例；

图5所示为本发明的性能结果；以及

图6所示为本发明的性能结果。

具体实施方式

为了实现上述和更多的目的，本发明涉及一种蜂窝式无线通信系统的接收器节点中的迭代式导频符号干扰消除方法。接收器节点用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加的信号，这些干扰小区通常都是服务小区的相邻小区。服务小区服务于接收器节点，这意味着接收器节点对从服务小区传输来的数据符号进行检测。为了实现更好的数据检测性能，在检测服务小区的数据符号时应该考虑来自一个或多个干扰小区的干扰。

根据本发明的实施例，蜂窝式系统可以为使用时/频资源元素（RE）用于进行无线信号传输的系统（例如，OFDM系统）。上述无线信号可包括不同信道和/或导频符号，该信道可以为，例如，广播信道、控制信道、同步信道和数据信道，而导频符号可以为在系统中使用的CRS（公共参考信号）或任何其他导频符号。该蜂窝式系统可以根据相关规范优选为由3GPP指定的系统，例如LTE或增强型LTE。

本迭代式干扰消除方法包括以下步骤：a）接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；b）从所述叠加的信号提取第一集合，其中第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自一个或多个干扰小区的干扰的影响；c）估计第一集合的干扰；d）通过经估计的干扰移除来自第一集合的干扰；e)估计多个数据符号；f）从第一集合减去经估计的多个数据符号；以及g）重复步骤c）-f）i次，其中i≥1。较大的i值将会提供更好的下行链路性能，因为接收器将会迭代多次，但其代价是接收器中的复杂度较高以及处理延迟。由于迭代次数的增加，性能增益也变得越来越小，所以，实际上，迭代次数i可以设置为1或2，这样可以在代价合理的前提下提供具良好的性能增益。

本迭代式方法提供了一种相比于现有解决方案具有改进的性能的解决方案。这是因为该迭代式方法提高了干扰估计，产生更好的解码性能。

根据本发明的优选实施例，根据基于最大后验概率的空间交替的广义期望最大化（SAGE-MAP）算法执行估计干扰和移除干扰的步骤。

参考图2所示的实施例：一般来说，在接收器侧已接收的叠加的信号可以划分为3个集合，即：

·第一集合，包括与服务小区相关联的多个数据符号，所述数据符号受到来自一个或多个干扰小区的干扰的影响；

·第二集合，包括与服务小区相关联的导频符号，所述导频符号受到干扰的影响；以及

·第三集合，包括与服务小区相关联的多个数据符号，所述多个数据符号不受干扰影响。

已接收的第二集合用于服务小区的CSI估计。当其受到来自干扰小区的导频干扰时，需要从已接收的叠加的信号中获取CSI估计。由于所有已传输的导频信息在接收器侧是已知的，SAGE-MAP算法可以用于分解已叠加的信号并且获得用于导频位置上服务小区的CSI估计。通过维纳（Wiener）过滤，可以获得第一和第三集合中数据位置的CSI估计。

此外，已接收的第一和第三集合用于通过从第二集合获得的CSI估计进行数据检测。已接收的第三集合是没有干扰的，所以数据符号检测在单个小区情况下是相同的。已接收的第一集合受到干扰小区的导频干扰。SAGE-MAP算法可以用于分解已叠加的信号并移除干扰。然而，由于已传输的服务小区数据在接收器侧是未知的，所以降低了干扰估计的准确性，因此本发明提出了迭代式干扰消除算法利用来自检测器或解码器的数据信息反馈以提高干扰估计。应注意，对于第二集合的处理，所有已传输的导频符号在接收器侧都已知并且不需要迭代式结构，而对于第三集合的处理，不需要干扰消除而只进行数据检测。

迭代式导频干扰消除结构主要是指已接收的第一信号集的处理，其包括两部分：基于SAGE-MAP的干扰估计和实施例所述的基于LMMSE-PIC的数据检测。在迭代式结构中，来自数据检测部分的数据反馈首先在干扰估计之前从最初已接收的信号中移除，在此之后，经估计的干扰也在数据检测之前从已接收的信号中移除。其可在迭代式方案中实施以提高干扰估计准确性并提供更好的数据性能。因此，根据本发明的另一实施例，根据LMMSE-PIC方法可执行估计多个数据符号的步骤。

进一步地，为了透彻了解本发明，下面的描述中将更详细地展现无线信号传播模型以及SAGE-MAP和LMMSE-PIC算法。

A、无线信号传播方面

一般来说，干扰小区和服务小区之间可能存在一定的时延。假设，接收器节点处已接收的信号与服务小区同步，干扰小区和服务小区之间的时延为τ个样本（τ小于循环前缀（CP）长度），在移除CP以及进行N（根据特定网络配置的可用子载波数目）点FFT到UE侧已接收的时域样本中，在频点k处的干扰小区的已传输的信号将会被旋转一个因子，这个旋转因子取决于指数k和时延τ，如下：

$\tilde{s}\left(k\right)=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}S(i+\mathrm{\τ})e^{-j2\mathrm{\πik}/N}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}s\left(m\right)e^{j2\mathrm{\π}(i+\mathrm{\τ})m/N}{e}^{-j2\mathrm{\πik}/N}=s\left(k\right)e^{j2\mathrm{\π\τk}/N}---\left(1\right).$

干扰小区和服务小区之间还可能存在一定的发射功率偏移。在本模型中，假设每个小区的发射功率均等地分配到每个发射天线，这种假设在大多数情况下是一种常见的假设以及服务小区的总发射功率标准化为1。如果干扰小区和服务小区之间存在功率偏移因子Δp，在接收器节点侧功率因数Δp和每个频点上的旋转因数e^j2πτk/N都建模在“有效”传输导频（0≤k＜N）中，用来代替原来的导频s(k)。在本发明的其余部分中，除非另有说明，为了简单的描述，所述“导频”通常是指“有效导频”，这意味着干扰小区和服务小区之间的时延和功率偏移影响隐性地包括在已接收的信号模型的有效导频中。

B、基于SAGE-导频MAP的CSI估计

对于线性已接收的信号模型：

$Y=\underset{c=0}{\overset{C-1}{\mathrm{\Σ}}}{S}_c{H}_c+W---\left(2\right),$

其中Y＝(y(0),y(1),…y(K-1))^T为已接收信号的列向量。K为用于估计的已接收样本的数目。S_c＝diag(s_c(0),s_c(1),…s_c(K-1))为在第c个小区（c=0对应于服务小区）的UE侧（即，有效导频）已知的已传输的导频符号的对角矩阵，满足关系S_c(S_c)^H＝Δp_cI_K。Δp_c(1≤c＜C)为干扰小区和服务小区之间的功率偏移，服务小区的功率Δp₀为1。列向量H_c＝(h_c(0),h_c(1),…,h_c(K-1))^T为需要估计的第c个小区的CSI。列向量W＝(w(0),w(1),…w(K-1))^T为AWGN（加性高斯白噪声），服从概率分布W～N(0,Σ)，Σ＝diag(ε(0),ε(1),…ε(K-1))为K×K方差矩阵。

通过应用常用的噪声分解方法并定义如下：

Y_c＝S_cH^c+W_c   （3），

其中并满足 $\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{W}_c=W$ 和 ${\mathrm{\&beta;}}_c=\frac{\mathrm{var}\left(w_c\left(k\right)\right)}{\mathrm{\&epsiv;}\left(k\right)},$ 0≤k<K。β_c可以是任意正值并只需要满足定义对角矩阵Β=diag(β₀,β₁,…β_C-1)，Ω=diag(S₀,S₁,…S_C-1)以及列向量Φ＝((Y₀)^T,(Y₁)^T,…,(Y_C-1)^T)Λ＝((H₀)^T,(H₁)^T,…,(H_C-1)^T)，和Δ＝((W₀)^T,(W₂)^T,…,(W_C-1)^T)。

这时，Φ称为“完整数据”，Y为“非完整数据”。与噪声向量Δ和信道向量Λ对应的方差矩阵分别为和R_Λ＝diag(R₀,R₁,…R_C-1)。这里的R_c为H_c（0≤c＜C）的方差矩阵。在EM（期望最大化）-MAP算法中，第(i+1)次迭代的E步骤为根据第i次迭代的CSI估计计算条件期望值。

$\begin{array}{c}{E}_{\mathrm{\&Phi;}}\left(\log p\left(\mathrm{\&Phi;}\right|\mathrm{\&Lambda;})\right|Y,{\mathrm{\&Lambda;}}^i)\log p\left(\mathrm{\&Lambda;}\right)=\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\left(\log p\left(\mathrm{\&Phi;}\right|\mathrm{\&Lambda;})\right)p\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)+\log p\left(\mathrm{\&Lambda;}\right)\\ =\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}(-\frac{1}{2}(\mathrm{\&Phi;}-\mathrm{\&Lambda;\&Omega;})R_{\mathrm{\&Delta;}}^{-1}{(\mathrm{\&Phi;}-\mathrm{\&Lambda;\&Omega;})}^H+\log \left({\left(2\mathrm{\&pi;}\right)}^{\mathrm{CK}/2}{\left|R_{\mathrm{\&Delta;}}\right|}^{1/2}\right))p\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)-\frac{1}{2}{\mathrm{\&Lambda;R}}_{\mathrm{\&Lambda;}}^{-1}{\mathrm{\&Lambda;}}^H+\log \left({\left(2\mathrm{\&pi;}\right)}^{\mathrm{CK}/2}{\left|R_{\mathrm{\&Lambda;}}\right|}^{1/2}\right)\\ =-\frac{1}{2}\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\left((\mathrm{\&Phi;}-\mathrm{\&Lambda;\&Omega;})R_{\mathrm{\&Delta;}}^{-1}{(\mathrm{\&Phi;}-\mathrm{\&Lambda;\&Omega;})}^{H}p\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)\right)-\frac{1}{2}{\mathrm{\&Lambda;R}}_{\mathrm{\&Lambda;}}^{-1}{\mathrm{\&Lambda;}}^H+\log \left({\left(2\mathrm{\&pi;}\right)}^{\mathrm{CK}}{\left|R_{\mathrm{\&Delta;}}{R}_{\mathrm{\&Lambda;}}\right|}^{1/2}\right)\end{array}---\left(4\right)$

Λ^H的推导引起最大化第(i+1)次迭代的条件期望值的估计：

$\begin{array}{c}{\mathrm{\&Lambda;}}^{i+1}=\left(\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\mathrm{\&Phi;p}\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)\right)R_{\mathrm{\&Delta;}}^{-1}{\mathrm{\&Omega;}}^H{(\mathrm{\&Omega;}{R}_{\mathrm{\&Delta;}}^{-1}{\mathrm{\&Omega;}}^H+R_{\mathrm{\&Lambda;}}^{-1})}^{-1}\\ =\left(\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\mathrm{\&Phi;p}\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)\right){({\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\mathrm{\&Omega;}+R_{\mathrm{\&Delta;}})}^{-1}{\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\end{array}---\left(5\right).$

假设Φ和Y为联合高斯分布的（Gaussian）并利用高斯-马尔科夫（Gaussian-Markov）定理，

$\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}{\mathrm{\&Phi;}}^{T}p\left({\mathrm{\&Phi;}}^T\right|Y,{\mathrm{\&Lambda;}}^i)=E\left({\mathrm{\&Phi;}}^T\right|Y,{\mathrm{\&Lambda;}}^i)=E\left({\mathrm{\&Phi;}}^T\right|{\mathrm{\&Lambda;}}^i)+C_{{\mathrm{\&Phi;}}^{T}Y}{C}_{\mathrm{YY}}^{-1}(Y-E\left(Y\right|{\mathrm{\&Lambda;}}^i))---\left(6\right),$

因为

$\begin{array}{c}E{\left({\mathrm{\&Phi;}}^T\right|Y,{\mathrm{\&Lambda;}}^i)=\left({\mathrm{\&Lambda;}}^i\mathrm{\&Omega;}\right)}^T\\ Y-E\left(Y\right|{\mathrm{\&Lambda;}}^i)=Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i\\ C_{{\mathrm{\&Phi;}}^{T}Y}=E\left(({\mathrm{\&Phi;}}^T-E\left({\mathrm{\&Phi;}}^T\right)){(Y-E\left(Y\right))}^H\right|{\mathrm{\&Lambda;}}^i)={({\mathrm{\&beta;}}_0,{\mathrm{\&beta;}}_1,...{\mathrm{\&beta;}}_{C-1})}^T\&CircleTimes;\mathrm{\&Sigma;}\\ C_{\mathrm{YY}}=E\left((Y-E\left(Y\right)){(Y-E\left(Y\right))}^H\right|{\mathrm{\&Lambda;}}^i)=\mathrm{\&Sigma;}\end{array}---\left(7\right)$

所以

$\begin{array}{c}\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\mathrm{\&Phi;p}\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)={\left(\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}{\mathrm{\&Phi;}}^{T}p\left({\mathrm{\&Phi;}}^T\right|Y,{\mathrm{\&Lambda;}}^i)\right)}^T={\mathrm{\&Lambda;}}^i\mathrm{\&Omega;}+{\left(({({\mathrm{\&beta;}}_0,{\mathrm{\&beta;}}_1,...{\mathrm{\&beta;}}_{C-1})}^T\&CircleTimes;\mathrm{\&Sigma;}){\mathrm{\&Sigma;}}^{-1}(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i)\right)}^T\\ =({\left(S_0{H}_0^i\right)}^T,{\left(S_1{H}_1^i\right)}^T,...,{\left(S_{C-1}{H}_{C-1}^i\right)}^T)+({\mathrm{\&beta;}}_0,{\mathrm{\&beta;}}_1,...{\mathrm{\&beta;}}_{C-1})\&CircleTimes;{(Y-\underset{C=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i)}^T\\ =({(S_0{H}_0^i+{\mathrm{\&beta;}}_0(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i))}^T,{(S_1{H}_1^i+{\mathrm{\&beta;}}_1(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i))}^T,...,{(S_{C-1}{H}_{C-1}^i+{\mathrm{\&beta;}}_{C-1}(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i))}^T)\end{array}---\left(8\right)$

又因为

$\begin{array}{c}{({\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\mathrm{\&Omega;}+R_{\mathrm{\&Delta;}})}^{-1}{\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\\ =\mathrm{diag}({(S_0{R}_0{S}_0^H+{\mathrm{\&beta;}}_0\mathrm{\&Sigma;})}^{-1}{S}_0^H{R}_0,{(S_1{R}_1{S}_1^H+{\mathrm{\&beta;}}_1\mathrm{\&Sigma;})}^{-1}{S}_1^H{R}_1,...,{\left(S_{C-1}{R}_{C-1}{S}_{C-1}^H\mathrm{\&Sigma;}\right)}^{-1}{S}_{C-1}^H{R}_{C-1})\end{array}---\left(9\right)$

表示 ${\hat{Y}}_c={(S_c{H}_c^i+{\mathrm{\&beta;}}_c(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i))}^T,U_c={(S_c{R}_c{S}_c^H+{\mathrm{\&beta;}}_c\mathrm{\&Sigma;})}^{-1}{S}_c^H{R}_c,0\&le;c<C,$ 并与等式（5）结合，得到

$\begin{array}{c}{\mathrm{\&Lambda;}}^{i+1}=\left(\underset{\mathrm{\&Phi;}}{\mathrm{\&Sigma;}}\mathrm{\&Phi;P}\left(\mathrm{\&Phi;}\right|Y,{\mathrm{\&Lambda;}}^i)\right){({\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\mathrm{\&Omega;}+R_{\mathrm{\&Delta;}})}^{-1}{\mathrm{\&Omega;}}^H{R}_{\mathrm{\&Lambda;}}\\ =({\hat{Y}}_0{U}_0,{\hat{Y}}_1{U}_1,...,{\hat{Y}}_{C-1}{U}_{C-1})\end{array}---\left(10\right).$

也就是说：

$\begin{array}{c}{H}_c^{i+1}={\left({\hat{Y}}_c{U}_c\right)}^T=R_c{S}_c^H{(S_c{R}_c{S}_c^H+{\mathrm{\&beta;}}_c\mathrm{\&Sigma;})}^{-1}(S_c{H}_c^i+{\mathrm{\&beta;}}_c(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i))\\ =R_c{(R_c+{\mathrm{\&beta;}}_c{\left(S_c\right)}^{-1}\mathrm{\&Sigma;}{\left(S_c^H\right)}^{-1})}^{-1}{\left(S_c\right)}^{-1}(S_c{H}_c^i+{\mathrm{\&beta;}}_c(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i)),0\&le;c<C.\end{array}---\left(11\right)$

因此，EM-MAP算法可以总结如下

for i=1:EMIterNum

$\begin{array}{c}E-\mathrm{Step}:{\hat{Y}}_c=S_c{H}_c^i+{\mathrm{\&beta;}}_c(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i),0\&le;c<C\\ M-\mathrm{Step}:H_c^{i+1}=R_c{(R_c+{\mathrm{\&beta;}}_c{\left(S_c\right)}^{-1}\mathrm{\&Sigma;}{\left(S_c^H\right)}^{-1})}^{-1}{\left(S_c\right)}^{-1}{\hat{Y}}_c,0\&le;c<C\end{array}---\left(12\right).$

end

“EMIterNum”为EM算法的预定义的迭代次数。作为并行处理整个叠加信号的替代，SAGE-MAP算法在迭代式方案中更新不同小区的估计并且比EM算法更快收敛，因为该算法在每个迭代步骤中使用替代性的完整数据（Jeffrey A.Fessler and Alfred O.Hero，“Space-Alternating Generalized0Expectation-Maximization Algorithm”，1994，IEEE Trans，第42卷第10期，第2664-2677页）。因此，本发明采用了SAGE-MAP算法，其总结如下：

for i=1:SAGEIterNum

for c=0:C-1

$\begin{array}{c}E-\mathrm{Step}:{\hat{Y}}_c=S_c{H}_c^i+(Y-\underset{c=0}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^i)\\ M-\mathrm{Step}:H_c^{i+1}=R_c{(R_c+{\left(S_c\right)}^{-1}\mathrm{\&Sigma;}{\left(S_c^H\right)}^{-1})}^{-1}{\left(S_c\right)}^{-1}{\hat{Y}}_c---\left(13\right)\\ H_t^{i+1}=H_t^i,0\&le;t<\mathrm{Candt}\&NotEqual;c\end{array}$

end

end

“SAGEIterNum”为SAGE算法的预定义的迭代次数。如果噪声方差矩阵Σ是未知的，需要实时进行估计。在每一迭代中，Σ可以通过Σ＝E(ee^H)和来估计。由于每个导频位置上的噪声密度可以近似于相等，该估计可以简化为：

$\mathrm{\&Sigma;}=E\left({\mathrm{ee}}^H\right)=\frac{1}{K}\left(e^{H}e\right)I_K---\left(14\right)$

其中I_K是K×K单位矩阵。

C、基于SAGE-MAP的IC

在基于导频的OFDM系统（例如LTE/LTE-A）中，为了方便接收器侧进行信道估计，来自不同发射天线的导频在不同的位置进行传输，彼此之间没有干扰。这意味着，当一个发射天线传输导频符号时，其他发射天线将不会在同一位置上传输信号。所以，来自同一干扰小区的不同发射天线的导频可以视为来自单一“虚拟”发射天线的的组合导频图样，该组合导频图样包含了来自所有不同发射天线的导频。因此，在UE侧，对于每个接收天线来说，从干扰小区接收的干扰可以视为SISO（单收单发）模型。然而，服务小区的数据仍然包含不同发射天线的多个信号。

考虑一个有M个发射天线和R个接收天线的MIMO系统，对于接收器侧的每根接收天线，从特定时频块大小提取受到干扰的已接收的数据用于进行数据检测。在LTE/LTE-A中，块大小可以基于一个PRB（物理资源块）或若干个PRB。块大小选择是性能和复杂度之间的折衷。如果选定较大的块大小，可以获得更好的干扰估计，但是复杂度较高。图1是LTE/LTE-A中的示例，该系统用于在一个PRB中提取污染数据（即，受到干扰的数据）以形成与服务小区相关联的多个数据符号的第一集合。

对于每个块大小，在污染位置上提取已接收的数据之后，已接收的信号模型可以描述为：

$Y^r=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{D}^m{H}_0^{m,r}+\underset{c=1}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^r+W,0\&le;r<R---\left(15\right)$

其中 $H_0^{m,r}={(h_0^{m,r}\left(0\right),H_0^{m,r}\left(1\right),...,h_0^{m,r}(K-1))}^T$ 为与服务小区的第m个发射天线和第r个接收天线对应的CSI的列向量，D^m＝diag(d^m(0),d^m(1),…d^m(K-1))为在服务小区的第m个发射天线上传输的数据的对角矩阵，S_c和Δp_c的定义与等式（2）中的相同。列向量为需要估计的第r个接收天线的干扰小区中的CSI，列向量W＝(w(0),w(1),…w(K-1))^T为AWGN，以及K为从块区域中提取的总数，该块区域用于如图1所示的干扰估计。

服务小区CSI已经通过第二集合的基于导频的CSI估计获得。由于干扰小区的导频符号S_c（1≤c＜C）在接收器侧是已知的，SAGE-MAP算法可以通过将其余服务小区数据加噪声部分视为噪声来估计CSI 

for r＝0:R-1

Initialization:

$\mathrm{Initialize}{H}_c^r(1\&le;c<C);$

$e=Y^r-\underset{c=1}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^r;$

for i=0:SAGEIterNum

for c=1:C-1

E-Step: ${\hat{Y}}_c=e+S_c{H}_c^r$

$\mathrm{\&Sigma;}=E\left({\mathrm{ee}}^H\right)\&ap;\frac{1}{K}\left(e^{H}e\right)I_K={\mathrm{\&sigma;}}^2{I}_K$

M-Step: ${\stackrel{\&OverBar;}{H}}_c^r=R_c{(R_c+\frac{{\mathrm{\&sigma;}}^2}{\mathrm{\&Delta;}{p}_c}{I}_K)}^{-1}\frac{S_c^H}{{\mathrm{\&Delta;p}}_c}{\hat{Y}}_c$

$e={\hat{Y}}_c-S_c{\stackrel{\&OverBar;}{H}}_c^r$

$H_c^r={\stackrel{\&OverBar;}{H}}_c^r$

end

end

e^r＝e;

end

Output e^r,1≤c＜C,0≤r＜R

表1：SAGE-MAP算法

在该算法开始的时候，初始化为零，之后，初始化其为先前迭代的SAGE-MAP的输出。在SAGE-MAP迭代中获得CSI估计之后，因此可以在进行服务小区数据检测之前，从已接收的信号中移除导频干扰。

$Y^r-\underset{c=1}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{\stackrel{\&OverBar;}{H}}_c^r=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{D}^m{H}_0^{m,r}+\underset{c=1}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c(H_c^r-{\stackrel{\&OverBar;}{H}}_c^r)+W=e^r---\left(16\right)$

表1还可以通过将等式（15）替换为等式（2）用于进行服务小区导频的基于SAGE-MAP的CSI估计。对于基于SAGE-MAP的CSI估计算法，只需要输出服务小区的CSI估计，对于基于SAGE-MAP的IC算法，还需要同时输出已经移除了所估计的干扰之后的数据e^r。

D、迭代数据检测和干扰估计

在第r个接收天线的频率指数k上移除所估计的干扰之后，已接收的信号（从基于SAGE-MAP的IC模型输出e^r的获取）可以描述为：

${\stackrel{\&OverBar;}{y}}_r\left(k\right)=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{d}_m\left(k\right)h_{\mathrm{rm}}\left(k\right)+n_r\left(k\right)---\left(17\right)$

其中d_m(k)为来自发射天线m的频率指数k上的已传输的信号，h_rm(k)为对应的发射天线m和接收天线r的信道。n_r(k)为残留干扰加噪声，其中为了简化处理，噪声视为AWGN。

表示为R个接收天线的已接收信号向量，D(k)＝(d₀(k),d₁(k),…,d_M-1(k))^T表示为M个发射天线的已传输信号向量，H_m(k)＝(h_0m(k),h_1m(k),…h_(R-1)m(k))^T表示为与发射天线m对应的R个接收天线的CSI向量，以及N(k)＝(n₀(k),n₁(k),…n_R-1(k))^T表示为R个接收天线的噪声向量。因此，用于频率指数k上的R个接收天线的已接收信号模型描述为：

$\tilde{Y}\left(k\right)=(H_0\left(k\right),H_1\left(k\right),...,H_{M-1}\left(k\right))D\left(k\right)+N\left(k\right)---\left(18\right)$

利用标准化的LMMSE用于数据检测，给出如下：

${\stackrel{\&OverBar;}{d}}_n\left(k\right)=\frac{{\left(H_n\left(k\right)\right)}^H{(\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_m\left(k\right){\left(H_m\left(k\right)\right)}^H+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}}{{\left(H_n\left(k\right)\right)}^H{(\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_m\left(k\right){\left(H_m\left(k\right)\right)}^H+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}{H}_n\left(k\right)}\tilde{Y}\left(k\right)---\left(19\right)$

在对接收信号进行均衡之后，根据等式（19）可以反馈并从已接收的信号中移除所有污染位置上的服务小区数据估计。假设为等式（15）中Dm所获的估计，因此可以移除服务小区数据，

${\stackrel{\&OverBar;}{Y}}^r=Y^r-\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{D}}^m{H}_0^{m,r}=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}(D^m-{\stackrel{\&OverBar;}{D}}^m)H_0^{m,r}+\underset{c=1}{\overset{C-1}{\mathrm{\&Sigma;}}}{S}_c{H}_c^r+W---\left(20\right)$

由于从已接收的信号中已经部分移除了服务小区的数据，如果根据新的输入数据重新运用表1中的SAGE-MAP算法，可以获得改进的干扰估计。因此，根据本发明，等式（19）、等式（20）和表1给出了用于导频干扰消除的迭代式方案。

E、基于LMMSE-PIC的数据检测

此外，从解调器或解码器单元输出的比特LLR可以用于重构发射符号 $\stackrel{\&OverBar;}{D}\left(k\right)={({\stackrel{\&OverBar;}{d}}_0\left(k\right),{\stackrel{\&OverBar;}{d}}_1\left(k\right),...,{\stackrel{\&OverBar;}{d}}_{M-1}\left(k\right))}^T$ （即，“软符号”），与等式（19）给出的数据估计相比，其具有更好的估计质量。同时，可以采用LMMSE-PIC算法来提高数据检测性能，简述如下。

从解调器或解码器输出的比特LLR可以定义为从比特b₀,b₁,...,b_Q-1映射来的符号s的概率通过计算，b_q等于0或1，Q为映射到一个符号的比特数目。软符号通过计算，而Θ为格雷（Gray）映射集。符号估计方差通过 $\mathrm{var}\left(s\right)=E\left({\left|s\right|}^2\right)-{\left|E\left(s\right)\right|}^2=\underset{s\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}({\left|s\right|}^2*p(s\&LeftArrow;b_0{b}_1...b_{Q-1}))-|\underset{s\&Element;\mathrm{\&Delta;}}{\mathrm{\&Sigma;}}s*p(s\&LeftArrow;b_0{b}_1...b_{Q-1})|$ 给出。

假设 $\stackrel{\&OverBar;}{D}\left(k\right)={({\stackrel{\&OverBar;}{d}}_0\left(k\right),{\stackrel{\&OverBar;}{d}}_1\left(k\right),...,{\stackrel{\&OverBar;}{d}}_{M-1}\left(k\right))}^T$ 为软符号，var(d_m(k))为软符号 ${\stackrel{\&OverBar;}{d}}_m\left(k\right)$ （0≤m＜M）的符号方差。首先，在等式（18）中，从已接收的信号移除软符号，并表示为然后，基于归一化LMMSE-PIC的D(k)估计表示为：

$\begin{array}{c}{\tilde{d}}_n\left(k\right)={\stackrel{-}{d}}_n\left(k\right)+\frac{{\left(H_n\left(k\right)\right)}^H{\left(\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\mathrm{var}\left(d_m\left(k\right)\right)H_m\left(k\right){\left(H_m\left(k\right)\right)}^H\right)+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}}{{\left(H_n\left(k\right)\right)}^H{(\underset{m\&NotEqual;m}{\overset{M-1}{\mathrm{\&Sigma;}}}\mathrm{var}\left(d_m\left(k\right)\right)H_m\left(k\right){\left(H_m\left(k\right)\right)}^H+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}{H}_n\left(k\right)}\mathrm{\&Delta;}\tilde{Y}\left(k\right)\\ ={\stackrel{\&OverBar;}{d}}_n\left(k\right)+\frac{{\left(H_n\left(k\right)\right)}^H{(\underset{m\&NotEqual;n}{\overset{M-1}{\mathrm{\&Sigma;}}}\mathrm{var}\left(d_m\left(k\right)\right)H_m\left(k\right){\left(H_m\left(k\right)\right)}^H+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}}{{\left(H_n\left(k\right)\right)}^H{(\underset{m\&NotEqual;n}{\overset{M-1}{\mathrm{\&Sigma;}}}\mathrm{var}\left(d_m\left(k\right)\right)H_m\left(k\right){\left(H_m\left(k\right)\right)}^H+{\mathrm{\&sigma;}}_N^{2}I)}^{-1}{H}_n\left(k\right)}\mathrm{\&Delta;}\tilde{Y}\left(k\right)\end{array},0\&le;n<M---\left(21\right)$

公式（21）中最后一个等式来自这样的事实，对于任意复标量α：其可以从谢尔曼-莫里森（Sherman-Morrison）公式直接证明。这也意味着，当M=1，对于任何的数据反馈信息，等式（21）和等式（19）等价。所以，当M=1（即，单个发射天线情况）时，LMMSE-PIC自身不会向数据检测提供任何帮助，但是，由于已经改进了干扰估计（意味着输入到均衡器的数据包含少量干扰），均衡性能仍然得到了改善。

F、迭代式导频干扰消除方案

结合上述A-E小节中的分析，本发明所述的迭代式导频干扰消除方案描述如下：

●步骤0：使用表1所述的SAGE-MAP算法来处理已接收的第二信号集以获得导频符号的CSI估计。随后，根据导频符号的CSI估计获得数据部分的CSI估计和噪声密度估计σ²；

●步骤1：在第一迭代步骤中，不存在数据反馈，因此，将服务数据视为噪声并且将表1中的SAGE-MAP使用在最初已接收的信号Yr（0≤r＜R）上以估计干扰以及从已接收的第一信号集中移除该干扰。对于已接收的第三信号集，不需要处理，所以将其直接发送到均衡器。

●步骤2：等式（19）中的标准化LMMSE用于对已接收的第一和第二信号集进行数据检测。

●步骤3：

○根据表示为“方法1”实施例，直接反馈均衡化后的数据，并在第一和第三信号集中从最初已接收的信号Y^r（0≤r＜R）中移除对应的反馈的均衡化后的数据；

○根据实施例，表示为“方法2”，将均衡化后的数据发送到解调器模块并计算比特LLR。根据输出的比特LLR，重构服务小区数据的软符号，并在第一和第三信号集中从最初已接收的信号Y^r（0≤r＜R）中移除对应的重构的软符号；

○根据实施例，表示为“方法3”，将均衡化后的数据发送到解调器模块，然后进一步发送到解码器。根据从解码器输出的比特LLR，重构服务小区数据的软符号，并在第一和第三信号集中从最初已接收的信号Y^r（0≤r＜R）中移除对应的重构的软符号；

●步骤4：将移除了服务小区的反馈数据后的数据表示为然后根据数据重复步骤1和步骤2；

●步骤5：重复步骤3和步骤4，直到达到预定义的迭代次数。在步骤3中移除的服务小区数据的软符号估计在每次进入解调器之前需要重新加到步骤4中输出的数据中。

图3的实施例：方法2

本方法根据实施例（即，方法2）包括如下更多的步骤：解调第一集合以及重构解调的第一集合以获得多个数据符号的软估计和它们各自的估计方差。因此，在此实施例中，从数据解调器输出的比特LLR值用于重构已传输的符号。重构的符号用于替换使用在主要迭代方法（即，方法1）中的符号。由于从数据解调器输出的比特LLR重构的数据符号比均衡化后获得的数据符号更准确，因此，方法2提供的性能比方法1更好。此外，在低SNR区域下，均衡化后获得的数据符号可能会很差，这样限制了方法1的性能并使方法2更为合适。

此外，LMMSE-PIC方法用于均衡器中以改善数据检测性能。该实施例是干扰估计模块、服务小区数据均衡模块和解调器之间的迭代方案。这意味着从叠加的信号中提取第三集合，其中第三集合包括多个与服务小区相关联的数据符号，所述数据符号不受干扰影响。解调第三集合，并和解调的第一集合合并。最后，解码合并的集合。

图3中示出了此实施例的接收器结构。已接收的信号首先分成上面所阐述的3部分。第二集合包含服务小区的导频符号，如表1所述的基于SAGE-MAP的信道估计算法用于进行服务小区CSI估计。第三集合包含没有干扰的服务小区数据符号，LMMSE-PIC用于进行数据检测。第一集合包含受到干扰的服务小区数据符号，如表1所述的基于SAGE-MAP的IC用于进行干扰估计和消除，LMMSE-SPIC还用于进行数据检测。服务小区数据符号反馈利用解调器输出的比特LLR进行重构。在迭代预定义的迭代次数之后，最后将比特LLR发送到解码器进行解码。在实际场景中，第一集合或第三集合可以是空的，这意味着可以绕过对应的处理步骤。

图4的实施例：方法3

本方法根据另一实施例（即，方法3）包括以下更多的步骤：从叠加信号中提取第三集合，其中第三集合包括多个与服务小区相关联的数据符号，所述数据符号不受干扰影响。之后解调第三集合。主要方法中的步骤e）进一步包括解调第一集合，组合第一和第三解调的集合，以及解码组合的集合。最后，重构已解码的第一集合，以获得多个数据符号的软估计和它们各自在第一集合中的方差。

在此实施例中，从解码器而不是解调器输出的比特LLR值用于重构已传输的符号。由于解码器中的比特LLR比解调器中的比特LLT更准确，重构的数据符号优于方法2中的数据符号。该实施例是如图4所示的干扰估计模块、服务小区数据均衡模块、解调器和解码器之间的迭代方案。

图4所示为此实施例的接收器结构。整个结构与图3相似，除了数据符号反馈从解码器输出的比特LLR中重构。在这之前，执行CRC校验。如果所有数据流的CRC都是正确的，则结束迭代过程；否则继续进行迭代过程，直到CRC正确或达到预定义的迭代次数为止。在实际场景中，第一集合或第三集合可以是空的，这意味着可以绕过对应的处理步骤。

某些性能结果

在10MHz带宽配置的FDD LTE系统中的ABS场景下，对本发明的和现有技术的性能做了比较。传输模式为OLSM（开环空间复用）以及激活HARQ（混合自动重传请求），HARQ包含最多4次重传。进一步地，使用了16QAM（正交幅度调制）调制，编码率为0.5。使用了2根发射天线和2根接收天线用于模拟，信道类型为具有5Hz多普勒（Doppler）的EVA。

在如图5所示的第一个测试场景中，考虑到两个具有小区ID[7,1]的干扰小区。两个小区都受到服务小区的数据符号的干扰。干扰小区的发射功率比噪声密度高[6,6]dB。方法1、方法2和方法3中的迭代干扰消除均使用了两次迭代。SAGE-MAP算法的迭代次数设为4用于每个迭代步骤中的干扰估计，用于干扰估计的块大小为一个PRB。对于服务小区，假设理想的CSI和噪声估计用于进行数据检测。

如图5所示，本发明优于本发明早前描述的现有技术1（表示为图5中的“CRSIC”）和现有技术2（表示为图5中的“置零”）。与没有干扰消除接收器（表示为图5中的“NoIC”）相比，可以观测到明显增益。进一步地，如预测的那样，方法3具有最佳性能，方法2的性能超过方法1的性能。但是，由于方法3具有最高的复杂度，所以，对于详细的接收器节点设计来说，方法2或甚至方法1可以用来替代方法3用于减少计算复杂度和处理延迟。尽管方法1和方法2相对于方法3会产生性能损失，但是它们相对于现有技术和没有带干扰消除功能的接收器仍然可以提供性能增益。

在第二个测试场景中，研究了4个具有小区ID[6,7,13,14]的干扰小区。干扰小区的发射功率比噪声密度高[6,12,10,6]dB。方法3中的迭代干扰消除使用了两次迭代。SAG_MAP算法的迭代次数为2，使用的块大小为5个PRB，用于服务小区CSI估计以及干扰估计。与没有干扰消除（表示为图6中的“NoIC”）相比，可以获得巨大增益，并且与同样具有两次LMMSE-PIC迭代的单个小区情况（即，图6中的“没有干扰”）相比，其损失仅小于2dB。

此外，所属领域的技术人员理解到，根据本发明的任何方法也可以在计算机程序中实施，所述计算机程序具有代码单元，当处理单元运行这种代码单元时，致使处理单元执行所述方法的步骤。计算机程序包含于计算机程序产品的计算机可读媒介中。计算机可读媒质本质上上可由任何存储器组成，例如ROM（只读存储器）、PROM（可编程只读存储器）、EPROM（可擦除PROM）、闪存存储器、EEPROM（电可擦PROM）或硬盘驱动器。

本发明还涉及一种用于执行本发明的任何实施例所述的方法步骤的接收器节点设备。图2-4示出了3项显性实施例。

本设备包括合适的单元并用于执行包括所有显性和隐形实施例的本发明所述的任何方法。合适单元的示例包括：用于不同单元或任何其他功能单元之间的信号传输的处理单元，存储器单元、天线单元、发射单元、分割/提取单元、输入单元、输出单元、干扰移除单元、估计单元、减法单元，以及连接单元。接收器单元可以为移动站或中继设备。

接收单元用于接收一种叠加信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；提取单元用于从叠加信号提取第一集合，其中第一集合包括多个与服务小区相关联的数据符号，该数据符号受到来自一个或多个干扰小区的干扰的影响；估计单元用于估计第一集合的干扰；移除单元用于通过所估计的干扰消除来自第一集合的干扰；估计单元用于估计多个数据符号；减法单元用于从所述第一集合减去所估计的多个数据符号；以及重复单元用于重复步骤c）-f）i次，其中i≥1。

最后，应了解，本发明并不局限于上述实施例，而是同时涉及且并入所附独立权利要求书的范围内的所有实施例。

Claims (12)

1.蜂窝式无线通信系统的接收器节点中的迭代式导频符号干扰消除方法，其特征在于，所述接收器节点用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加信号，所述方法包括以下步骤：

a)接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；

b)从所述叠加的信号中提取第一集合，其中所述第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自所述一个或多个干扰小区的干扰的影响；

c)估计所述第一集合的干扰；

d)通过经估计的干扰移除来自所述第一集合的干扰；

e)估计所述多个数据符号；

f)从所述第一集合减去经估计的多个数据符号；以及

g)重复步骤c)-f)i次，其中i≥1。

2.根据权利要求1所述的方法，其特征在于，根据广义交替最大-最大后验概率(SAGE-MAP)方法执行步骤c)和d)。

3.根据权利要求1所述的方法，其特征在于，根据线性最小均方误差-并行干扰消除(LMMSE-PIC)方法执行步骤e)。

4.根据权利要求1所述的方法，其特征在于，所述步骤c)包括：

从所述叠加信号提取第二集合，其中所述第二集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自一个或多个干扰小区的干扰的影响；

使用所述第二集合用于进行所述一个或多个干扰小区的信道和噪声估计。

5.根据权利要求1所述的方法，其特征在于，所述步骤e)包括：

解调所述第一集合，以及

重构所述解调的第一集合，以获得所述多个数据符号的软估计和所述多个数据符号各自在所述第一集合中的方差。

6.根据权利要求5所述的方法，其特征在于，进一步包括以下步骤：

从所述叠加的信号中提取第三集合，其中第三集合包括多个与服务小区相关联的数据符号，所述数据符号不受干扰影响；

解调所述第三集合；

组合所述第一和第三解调的集合；以及

对所述组合的集合进行解码。

7.根据权利要求1所述的方法，其特征在于，进一步包括以下步骤：

从所述叠加的信号中提取第三集合，其中第三集合包括多个与服务小区相关联的数据符号，所述数据符号不受干扰影响；

解调所述第三集合；以及

其中步骤e)包括：

解调所述第一集合；

组合所述第一和第三解调的集合；以及

对所述组合的集合进行解码；以及

重构所述已解码的第一集合，以获得多个数据符号的软估计和它们各自在所述第一集合中的方差。

8.根据权利要求1所述的方法，其特征在于，所述蜂窝式无线通信系统为正交频分复用(OFDM)系统。

9.根据权利要求8所述的方法，其特征在于，所述接收器节点为移动站或中继站。

10.计算机程序，其特征在于，编码单元，所述编码单元由处理单元运行时，使所述处理单元执行根据权利要求1-9中任一权利要求所述的方法。

11.一种计算机程序产品，包括计算机可读媒介以及根据权利要求10所述的计算机程序，其特征在于，所述计算机程序包括在所述计算机可读媒介中，并且由包括以下项的组中的一项或多项组成：ROM(只读存储器)、PROM(可编程ROM)、EPROM(可擦除PROM)、闪存、EEPROM(电EPROM)以及硬盘驱动器。

12.蜂窝式通信系统的接收器节点设备，其特征在于，所述接收器节点包括处理单元和存储器单元以及用于接收源于至少一个服务小区和一个或多个干扰小区的一个或多个叠加的信号，以及所述接收器节点设备进一步包括：

a)接收单元，用于接收一种叠加的信号，包括与服务小区相关联的导频符号和数据符号以及与一个或多个干扰小区相关联的导频符号；

b)提取单元，用于从所述叠加的信号中提取第一集合，其中所述第一集合包括多个与所述服务小区相关联的数据符号，所述数据符号受到来自所述一个或多个干扰小区的干扰的影响；

c)估计单元，用于估计所述第一集合的干扰；

d)移除单元，用于通过经估计的干扰移除来自所述第一集合的干扰；

e)估计单元，用于估计所述多个数据符号；

f)减法单元，用于从所述第一集合减去经估计的多个数据符号；以及

g)重复单元，使得步骤c)-f)重复i次，其中i≥1。