CN104468426A - Lte上行信道估计方法及系统 - Google Patents

Abstract

本发明公开了一种LTE上行信道估计方法及系统，涉及通信技术领域，所述方法包括：S1：获取部分信道频域响应；S2：对所述部分信道频域响应进行对称扩展，并进行IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；S3：对所述信道时域响应进行噪声过滤，所述噪声过滤中的过滤阈值为错误概率最低时所对应的阈值；S4：将步骤S3获得的结果进行DFT，以获得信道频域响应；S5：对所述步骤S4获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。本发明通过对部分信道频域响应进行对称扩展处理，并利用信道的稀疏特性选择使错判概率最小的阈值作为过滤阈值，在降低信道能量泄漏的同时，提高了噪声的估计精度。

Description

LTE上行信道估计方法及系统

技术领域

本发明涉及通信技术领域，特别涉及一种LTE上行信道估计方法及系统。

背景技术

正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术已被许多无线宽带传输系统采纳，如长期演进（LongTerm Evolution，LTE）技术、无线局域网络（WLAN）、数字广播电视等。这主要源于OFDM技术的灵活性、高频谱利用率，特别是面对高速率传输时不可避免的频率选择性衰落，OFDM系统可以通过低复杂度的频域均衡实现其鲁棒性。然而，只有在接收端准确的估计出信道频域响应（Channel Frequency Response，CFR）或者等效的信道冲激响应（Channel Impulse Response，CIR），均衡的性能才能得到有效保障。此外，信道估计对分级合并、相干解调和空时编码技术等也至关重要，这使得信道估计模块成为决定系统性能的关键部分。

由于LTE上行链路的单载波频分多址接入（Single CarrierFrequency Division Multiple Access，SC-FDMA）采用离散傅立叶扩展OFDM方案（DFT-S-OFDM）来实现。该方案实质是基于DFT预编码的OFDM，所以很多OFDM的信道估计技术也能应用于SC-FDMA系统。LTE物理上行共享信道收发流程如图1所示。LTE系统采用导频辅助的信道估计，通过接收已知的、周期性传输的参考信号，收端可以估计出参考信号所在资源上的信道信息，再通过插值技术，得到数据符号上的信道信息，由此从通过信道发生畸变的接收信号中解出发端发送的真正信息。

数据信息经过信道编码、调制、DFT预编码后，映射到子载波上，再经OFDM调制、插入循环前缀（Cyclic Prefix，CP）发射。与数据信号不同的是，解调参考信号（Demodulation Reference Signal,DMRS）不经过DFT扩展模块，直接映射到子载波上进行OFDM调制。如图2所示，LTE上行DMRS采用块状结构，DMRS在每个子帧的第四和第十个OFDM符号（普通CP配置）上周期性的发送，并且不与用户数据信息频分复用。

考虑有N个子载波用于并行传输数据或参考信号的系统，OFDM发射机采用N点IFFT来实现调制。时域上OFDM信号可以表示为：

$x\left[n\right]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left[k\right]\exp \left(j2\mathrm{\π}\frac{\mathrm{nk}}{N}\right),0\≤n\≤N-1---\left(1\right)$

假设至少在一个SC-FDMA符号时长内传输信号经过的多径信道线性时不变，记信道记忆长度为L，冲击响应系数为h_l，τ_l为第l径对应的时延，则CIR有如下形式：

$h\left(t\right)=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l\·\mathrm{\δ}(t-{\mathrm{\τ}}_l)---\left(2\right)$

假设CP的长度L_CP长于信道记忆长度，且同步理想。在基站eNodeB侧接收到的信号去除CP后可表示为：

$y\left[n\right]=x\left[n\right]\⊗h\left[n\right]+w\left[n\right],0\≤n\≤N-1---\left(3\right)$

其中，表示循环卷积，h[n]是对h(t)的频率响应采样后观察到的CIR，w[n]是均值为0，方差为σ²的复高斯白噪声。记CFR为H[k]，W[k]是频域上的噪声采样值，则第k个子载波的输出可简单表示为：

Y[k]=X[k]+W[k]，0≤k≤N-1---(4)

常用的信道估计可以分为两类。一类是频域上的信道估计，其中最小方差（Least Square，LS）和最小均方误差（Minimum Mean-SquareError，MMSE）算法是两种基本的方案。

LS估计算法也可称为迫零ZF（Zero-Forcing）算法，通过使代价函数为零，可得到H的估计值：

${\hat{H}}_{\mathrm{LS}}\left[k\right]=\frac{Y\left[k\right]}{C\left[k\right]}=H\left[k\right]+\frac{W\left[k\right]}{C\left[k\right]},0\≤k\≤N-1---\left(5\right)$

其中，解调参考信号C[k]是Zadoff-Chu序列的第k个采样值，Zadoff-Chu序列具有横幅和良好的自相关特性。从式（5）可以看出，LS算法非常简单且不需要任何待估计参数的统计信息，但是因为噪声项没有得到抑制，所以特别是在低信噪比环境下，LS的性能并不佳。

MMSE估计算法理论上基于理想的维纳滤波器设计，其代价函数为经过推导和化简，其信道估计可表示为：

${\hat{H}}_{\mathrm{MMSE}}=R_{\mathrm{HH}}{(R_{\mathrm{HH}}+{\mathrm{\σ}}^2{\left({\mathrm{CC}}^H\right)}^{-1})}^{-1}{\hat{H}}_{\mathrm{LS}}---\left(6\right)$

其中R_HH为CIR的自相关矩阵。相比于LS算法，MMSE算法通过利用诸如信道协方差矩阵和信噪比等信道统计信息，提高了估计精度，但相应的代价是计算量的大幅度提升。虽然有不少研究从一定程度上使其复杂度有所降低，比如基于相关带宽将大型的信道协方差矩阵分解。但是由于不可避免的大量矩阵逆计算，其复杂度在实际应用中难以接受，而且准确的信道统计信息也并不容易获得。这使得MMSE算法在具体实现中受限。

另一类信道估计利用了信道的时域特性，通过IDFT将LS算法所估计出的CFR转换到时域进行相应处理：

${\hat{h}}_{\mathrm{LS}}\left[n\right]={\mathrm{IDFT}}_N\left\{{\hat{H}}_{\mathrm{LS}}\right[k\left]\right\}=h\left[n\right]+\tilde{w}\left[n\right],0\≤n\≤N-1---\left(7\right)$

在OFDM系统中，由于CIR的长度L一般小于CP的长度L_CP，h的能量主要集中前面的一部分采样值上。所以传统的基于DFT的信道估计通过将L长度外的抽头系数置零来消除部分噪声：

${\hat{h}}_{\mathrm{DFT}}\left[n\right]=\left\{\begin{array}{cc}h\left[n\right]+\tilde{w}\left[n\right],& 0\≤n\≤L-1\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(8\right)$

${\hat{H}}_{\mathrm{DFT}}\left[k\right]={\mathrm{DFT}}_N\left\{{\hat{h}}_{\mathrm{DFT}}\right[n\left]\right\},0\≤k\≤N-1---\left(9\right)$

最后通过DFT将转回频域，得到最终的CFR。相比于LS和MMSE，基于DFT的信道估计在性能与复杂度之间取得了一定折中。

基于DFT的信道估计有两个主要问题：一是由于信道CIR长度L未知，并且不同的信道环境下L的值也不同。这样，在通常情况下，由于缺少信道统计信息，只能将L设为其最大值L_CP，而这样就造成噪声消除不够充分。而实际中信道大多是稀疏的，这意味着即使在L的范围内，也不是每一个采样值都有意义，因为其相应的时延很多并不存在信道传播路径。为了进一步抑制估计中的噪声影响，现有的方法通常是基于噪声功率设定一个阈值，在0≤n≤L_CP-1范围内，与该阈值比较，若大于该阈值则视为信道抽头保留下来，反之则视为噪声至零。其中噪声功率通常由L_CP之外的样值计算得出。

然而，基于DFT的信道估计在实际应用中还面临着影响性能的另一个重要问题，即信道能量的泄漏。大多数OFDM系统为了降低频谱成型滤波器的实现难度，通常会考虑在系统带宽两端设置不承载任何信息的虚拟子载波。另一方面，对于LTE上行用户所分配的频域资源，通常是整个上行带宽的一小部分，而DMRS所占频谱范围等同于用户所分配到的带宽。这意味着由LS算法所得出的CFR只是信道的部分频域响应。而由于IDFT隐含的周期性，转换到时域时会进行周期性的延拓，用户所分配频段两端高度不相关的信道响应采样值会拼接在一起。在IDFT之后，会产生除噪声之外的高阶分量，即信道能量在时域发生了泄漏。由于泄漏的信道能量与噪声混合，一方面，基于DFT的信道估计在消除噪声的同时，造成了有用CIR分量的丢失。另一方面，噪声的估计精度也会降低，这将进一步影响基于噪声功率的阈值选择，使信道估计的性能受损。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何防止信道能量的泄漏，并提高噪声的估计精度。

（二）技术方案

为解决上述技术问题，本发明提供了一种LTE上行信道估计方法，所述方法包括以下步骤：

S1：获取部分信道频域响应；

S2：对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

S3：对所述信道时域响应进行噪声过滤，所述噪声过滤中的过滤阈值为对于每个抽头检测的错误概率最低时所对应的阈值；

S4：将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

S5：对所述步骤S4获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。

其中，步骤S2中，对所述部分信道频域响应进行对称扩展具体通过以下公式：

${\hat{H}}_{\mathrm{LS}}^{\mathrm{sym}}\left[k\right]=\left\{\begin{array}{cc}{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[k\right],& 0\≤k\≤M-1\\ {\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}[2M-1-k],& M\≤k\≤2M-1\end{array}\right.$

其中，为所述扩展后的信道频域响应，为所述部分信道频域响应，M为所述部分信道频域响应的长度。

其中，所述步骤S4中，对所述步骤S4获得的信道频域响应去除扩展具体通过以下公式：

${\hat{H}}_{\mathrm{prop}}\left[k\right]=\frac{{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}\left[k\right]+{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}[2M-1-k]}{2},0\≤k\≤M-1$

其中，为信道的真实信道频域响应，和为所述步骤S4获得的信道频域响应，M为所述部分信道频域响应的长度。

其中，步骤S3进一步包括：

将所述信道时域响应的每个抽头分别与所述过滤阈值进行比较，若大于等于所述过滤阈值，则保留该抽头的值，否则将该抽头的值置为零。

其中，所述过滤阈值的计算公式为：

$T_n=\sqrt{\frac{{2\mathrm{\σ}}^2({\mathrm{\σ}}_{\mathrm{hn}}^2+{\mathrm{\σ}}^2)}{{\mathrm{\σ}}_{\mathrm{hn}}^2}\ln \left(\frac{{\mathrm{\σ}}_{\mathrm{hn}}^2+{\mathrm{\σ}}^2}{{\mathrm{\σ}}^2}\right)},$

其中， $\widehat{\mathrm{\σ}}=\sqrt{\frac{2}{\mathrm{\π}}}\frac{1}{2M-L_{\mathrm{CP}}}\underset{n=L_{\mathrm{CP}}}{\overset{2M-1-L_{\mathrm{CP}}}{\mathrm{\Σ}}}\left|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\right[n\left]\right|,$ ${\widehat{\mathrm{\σ}}}_{\mathrm{hn}}=\sqrt{\max \left(\frac{2}{\mathrm{\π}}\right|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\left[n\right]-{\widehat{\mathrm{\σ}}}^2|,0)},$ 0≤n≤L_CP-1或2M-L_CP≤n≤2M-1，T_n为所述过滤阈值，L_CP为步骤S2所获得的信道时域响应的长度最大值，为步骤S2所获得的信道时域响应，M为所述部分信道频域响应的长度。

其中，步骤S1之前还包括：

S0：通过LS信道估计算法计算所述部分信道频域响应。

本发明还公开了一种LTE上行信道估计系统，所述系统包括：

获取模块，用于获取部分信道频域响应；

对称扩展模块，用于对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

噪声过滤模块，用于对所述信道时域响应进行噪声过滤；

傅里叶变换模块，用于将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

去除扩展模块，用于对所述傅里叶变换模块获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。

（三）有益效果

本发明通过对部分信道频域响应进行对称扩展处理，并利用信道的稀疏特性选择使错判概率最小的阈值作为过滤阈值，在降低信道能量泄漏的同时，提高了噪声的估计精度，优化了信道估计的性能。

附图说明

图1是物理上行共享信道流收发流程图；

图2是LTE上行参考信号结构示意图；

图3是本发明一种实施方式的LTE上行信道估计方法的流程图；

图4是本发明一种实施例的LTE上行信道估计方法的整体流程图；

图5是现有技术和本实施方式中噪声方差估计的仿真图；

图6是现有技术和本实施方式中归一化均方误差仿真测试图；

图7是本发明一种实施方式的LTE上行信道估计系统的结构框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图3是本发明一种实施方式的LTE上行信道估计方法的流程图；参照图1，所述方法包括以下步骤：

S1：获取部分信道频域响应；

S2：对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

S3：对所述信道时域响应进行噪声过滤，所述噪声过滤中的过滤阈值为对于每个抽头检测的错误概率最低时所对应的阈值；

S4：将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

S5：对所述步骤S4获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。

本实施方式通过对部分信道频域响应进行对称扩展处理，恢复了信号的连续性，降低了信道能量的泄漏。

为便于本实施例方法的实施，优选地，步骤S2中，对所述部分信道频域响应进行对称扩展具体通过以下公式：

${\hat{H}}_{\mathrm{LS}}^{\mathrm{sym}}\left[k\right]=\left\{\begin{array}{cc}{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[k\right],& 0\≤k\≤M-1\\ {\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}[2M-1-k],& M\≤k\≤2M-1\end{array}\right.$

其中，为所述扩展后的信道频域响应，为所述部分信道频域响应，M为所述部分信道频域响应的长度。

优选地，所述步骤S4中，对所述步骤S4获得的信道频域响应去除扩展具体通过以下公式：

${\hat{H}}_{\mathrm{prop}}\left[k\right]=\frac{{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}\left[k\right]+{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}[2M-1-k]}{2},0\≤k\≤M-1$

其中，为信道的真实信道频域响应，和为所述步骤S4获得的信道频域响应，M为所述部分信道频域响应的长度。

优选地，步骤S3进一步包括：

将所述信道时域响应的每个值分别与过滤阈值进行比较，若大于等于所述过滤阈值，则保留该值，否则将该值置为零。

优选地，所述过滤阈值的计算公式为：

$T_n=\sqrt{\frac{{2\mathrm{\σ}}^2({\mathrm{\σ}}_{\mathrm{hn}}^2+{\mathrm{\σ}}^2)}{{\mathrm{\σ}}_{\mathrm{hn}}^2}\ln \left(\frac{{\mathrm{\σ}}_{\mathrm{hn}}^2+{\mathrm{\σ}}^2}{{\mathrm{\σ}}^2}\right)},$

其中， $\widehat{\mathrm{\σ}}=\sqrt{\frac{2}{\mathrm{\π}}}\frac{1}{2M-L_{\mathrm{CP}}}\underset{n=L_{\mathrm{CP}}}{\overset{2M-1-L_{\mathrm{CP}}}{\mathrm{\Σ}}}\left|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\right[n\left]\right|,$ ${\widehat{\mathrm{\σ}}}_{\mathrm{hn}}=\sqrt{\max \left(\frac{2}{\mathrm{\π}}\right|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\left[n\right]-{\widehat{\mathrm{\σ}}}^2|,0)},$ 0≤n≤L_CP-1或2M-L_CP≤n≤2M-1，T_n为所述过滤阈值，L_CP为步骤S2所获得的信道时域响应的长度最大值，为步骤S2所获得的信道时域响应，M为所述部分信道频域响应的长度。

优选地，步骤S1之前还包括：

S0：通过LS信道估计算法计算所述部分信道频域响应。

如前所述，在现有的基于DFT的信道估计方案中，L是影响性能的一个重要参数，因为它决定了噪声抑制的程度。在缺少信道信息的情况下，L是未知的，只能将其设为L_CP，但这将造成噪声的消除不够充分。这里利用信道结构的稀疏特性，基于对噪声方差的估计，设定一个使错判概率最小的阈值来区分信道的有效抽头和噪声，进一步降低估计中噪声的影响。

记CIR有效抽头位置集合为S=[s₁,…,s_K]，K≤L。基于信道的稀疏结构，由LS计算得出的CIR系数的幅值满足下式：

$\left|{\hat{h}}_{\mathrm{LS}}\right[n\left]\right|=\left\{\begin{array}{cc}\left|h\right[n]+\tilde{w}[n\left]\right|,& n\∈S\\ \left|\tilde{w}\right[n\left]\right|,& n\∉S\end{array}\right.---\left(10\right)$

h[n]是均值为0，实部虚部方差均为的复正态随机变量。由于h[n]独立于w[n]，可得也服从均值为0，实部虚部方差均为的正态分布：

${\mathrm{\σ}}_{\mathrm{sn}}^2=\left\{\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{hn}}^2+{\mathrm{\σ}}^2& n\∈S\\ {\mathrm{\σ}}^2& n\∉S\end{array}\right.---\left(11\right)$

根据相关数学定理可知，服从均值为方差为的瑞利分布。

为了在h[n]的前L_CP个分量中，检测出K个有效的信道抽头，我们设定一个随抽头动态调整的阈值T_n来对进行判别。对于每一个抽头，检测的错误概率为：

P_en＝p_anp_m(T_n)+(1-p_an)p_fa(T_n)   (12)

其中，p_m和p_fa分别表示有效信道抽头被错判为噪声的概率和噪声被错判成有效信道抽头的概率，对一个给定的阈值T_n，其值如式（13）（14）所示。p_an是每一个信道抽头有效的概率。因为K未知，p_an可以根据需要设为1/2，否则可设为K/L_CP。

$p_m\left(T_n\right)=P\left(\right|h\left[n\right]+\tilde{w}\left[n\right|<T_n)=1-\exp (-\frac{T_n^2}{2({\mathrm{\&sigma;}}_{\mathrm{hn}}^2+{\mathrm{\&sigma;}}^2)})---\left(13\right)$

$p_{\mathrm{fa}}\left(T_n\right)=P\left(\right|\tilde{w}\left[n\right]|>T_n)=\exp (-\frac{T_n^2}{2{\mathrm{\&sigma;}}^2})---\left(14\right)$

将p_m、p_fa和p_an的值代入式（12），我们选取使错判概率最小的T_n作为阈值。通过求P_en对T_n的一阶导数并至零可得T_n的最优解：

$\frac{{\&PartialD;P}_{\mathrm{en}}}{\&PartialD;T_n}=0\&DoubleRightArrow;T_n=\sqrt{\frac{2{\mathrm{\&sigma;}}^2({\mathrm{\&sigma;}}_{\mathrm{hn}}^2+{\mathrm{\&sigma;}}^2)}{{\mathrm{\&sigma;}}_{\mathrm{hn}}^2}\ln \left(\frac{{\mathrm{\&sigma;}}_{\mathrm{hn}}^2+{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2}\right)}---\left(15\right)$

注意到当σ_hn＝0时的特殊情况，T_n通过求上式极限得出：参数σ和σ_hn根据瑞利分布的特性分别由下式计算得出：

$\widehat{\mathrm{\&sigma;}}=\sqrt{\frac{2}{\mathrm{\&pi;}}}\frac{1}{N-L_{\mathrm{CP}}}\underset{n=L_{\mathrm{CP}}}{\overset{N-1}{\mathrm{\&Sigma;}}}\left|{\hat{h}}_{\mathrm{LS}}\right[n\left]\right|---\left(16\right)$

${\widehat{\mathrm{\&sigma;}}}_{\mathrm{hn}}=\sqrt{\max (\frac{2}{\mathrm{\&pi;}}{\left|{\hat{h}}_{\mathrm{LS}}\right[n\left]\right|}^2-{\widehat{\mathrm{\&sigma;}}}^2,0)},0\&le;n\&le;L_{\mathrm{CP}}-1---\left(17\right)$

在实际的LTE上行链路中，由于系统在带宽两端设置了虚拟子载波，并且DMRS只占据与用户被分配频率资源的相同带宽，LS信道估计算法只能估计出其中一部分信道频域响应：

${\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[k\right]={\hat{H}}_{\mathrm{LS}}[k+M_1],0\&le;k\&le;M-1---\left(18\right)$

其中M为部分频率响应的长度。M₁为该用户频率资源的起始位置，为描述简单起见，设M₁=0，对于其他的M₁值的情况下，结论依然有效。由得到的CIR表示如下：

$\begin{array}{c}{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[n\right]={\mathrm{DFT}}_M\left\{{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\right[k\left]\right\}\\ =\frac{1}{M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_{\mathrm{LS}}\left[k\right]e^{j(2\mathrm{\&pi;kn}/M)}+\frac{1}{M}\\ =h^{\mathrm{par}}\left[n\right]+w^{\mathrm{par}}\left[n\right]\end{array},\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\frac{W\left[k\right]}{C\left[k\right]}{e}^{j(2\mathrm{\&pi;kn}/M)}---\left(19\right)$

其中，

$\begin{array}{c}{h}^{\mathrm{par}}\left[n\right]=\frac{1}{M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_{\mathrm{LS}}\left[k\right]e^{j(2\mathrm{\&pi;kn}/M)}\\ =\frac{1}{M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{l=0}{\overset{L-1}{\mathrm{\&Sigma;}}}h\left[l\right]e^{-j(2\mathrm{\&pi;kl}/N)}{e}^{j(2\mathrm{\&pi;kn}/M)}\\ =\frac{1}{M}\underset{l=0}{\overset{L-1}{\mathrm{\&Sigma;}}}h\left[l\right]\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{e}^{-2\mathrm{jk}(2\mathrm{\&pi;kl}/N-2\mathrm{\&pi;kn}/M)}\end{array}---\left(20\right)$

由上式可以看出，CIR h[n]会泄漏到h^par[n]的每一个抽头上，当选择将一部分h^par[n]视为噪声至零处理的同时，也损失了信道能量。这是传统的基于DFT的信道估计普遍存在平底效应的主要原因。当通过阈值来区分0≤n≤L_CP-1内的采样值保留与否时，这种平底效应依然存在而且将变得更为严重。因为泄漏的能量主要集中在有效抽头位置的周围，即L_CP内。而在L_CP外的泄漏能量将降低噪声估计的准确度，这也将影响阈值的选取，进而损伤性能。注意到由LS得到的部分CFR在用户所被分配的频域资源两端是高度不相关的，但是IDFT有其隐含的周期性。因为周期延拓造成了信号的不连续，造成了时域中额外的高阶分量的产生，使估计失真。这里，我们在将转换到时域前，添加对称扩展处理，通过恢复信号的连续性来减少信道能量的泄漏，以非常小的CIR能量损失来进行有效的噪声消除。

通过用自身的对称信号扩展来重建信号的连续性：

${\hat{H}}_{\mathrm{LS}}^{\mathrm{sym}}\left[k\right]=\left\{\begin{array}{cc}{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[k\right],& 0\&le;k\&le;M-1\\ {\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}[2M-1-k],& M\&le;k\&le;2M-1\end{array}\right.---\left(21\right)$

在2M点的IDFT后，的时域表达式为：

$\begin{array}{c}{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\left[n\right]={\mathrm{IDFT}}_{2M}\left\{{\hat{H}}_{\mathrm{LS}}^{\mathrm{sym}}\right[k\left]\right\}\\ =\frac{1}{2M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_{\mathrm{LS}}\left[k\right](e^{j(2\mathrm{\&pi;n}/2M)k}+e^{j(2\mathrm{\&pi;n}/2M)(2M-1-k)})\\ +\frac{1}{2M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\frac{W\left[k\right]}{C\left[k\right]}\left(e^{j(2\mathrm{\&pi;n}/2M)(2M-1-k)}\right)\\ =h^{\mathrm{sym}}\left[n\right]+w^{\mathrm{sym}}\left[n\right]\end{array}---\left(22\right)$

其中，

$\begin{array}{c}{h}^{\mathrm{sym}}\left[n\right]=\frac{1}{2M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{H}_{\mathrm{LS}}\left[k\right](e^{j(2\mathrm{\&pi;n}/2M)k}+e^{j(2\mathrm{\&pi;n}/2M)(2M-1-k)})\\ =\frac{1}{2M}\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{l=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_l{e}^{-j(2\mathrm{\&pi;kl}/N)}(e^{j(2\mathrm{\&pi;n}/2M)k}+e^{j(2\mathrm{\&pi;n}/2M)(2M-1-k)})\\ =\frac{1}{2M}\underset{l=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_l\underset{k=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{e}^{-j(2\mathrm{\&pi;kl}/N)}(e^{j(2\mathrm{\&pi;n}/2M)k}+e^{j(2\mathrm{\&pi;n}/2M)(2M-1-k)})\end{array}---\left(23\right)$

实施例1

下面以一个具体的实施例来说明本发明，但并不限定本发明的保护范围。参照图4，本实施例的方法具体包括以下步骤：

步骤101：LS信道估计算法计算获得部分信道频域响应如式（18）所示，M为部分频率响应的长度，所述LS信道估计算法为现有的算法，可参考式（5）。

步骤102：获取部分信道频域响应

步骤103：对所述部分信道频域响应按照式（21）进行对称扩展，并对扩展后的信道频域响应按照式（22）进行2M点的离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应

步骤104：计算过滤阈值（即对应图4中的“噪声估计”），所述过滤阈值为对于每个抽头检测的错误概率最低时所对应的阈值，所述过滤阈值T_n根据式（15）计算，由于对称扩展点数增加，故而参数σ和σ_hn通过下式计算：

$\widehat{\mathrm{\&sigma;}}=\sqrt{\frac{2}{\mathrm{\&pi;}}}\frac{1}{2M-L_{\mathrm{CP}}}\underset{n=L_{\mathrm{CP}}}{\overset{2M-1-L_{\mathrm{CP}}}{\mathrm{\&Sigma;}}}\left|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\right[n\left]\right|---\left(24\right)$

${\widehat{\mathrm{\&sigma;}}}_{\mathrm{hn}}=\sqrt{\max \left(\frac{2}{\mathrm{\&pi;}}\right|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\left[n\right]-{\widehat{\mathrm{\&sigma;}}}^2|,0)}---\left(25\right)$

其中，0≤n≤L_CP-1或2M-L_CP≤n≤2M-1，T_n为所述过滤阈值，L_CP为信道时域响应的长度最大值。

步骤105：将所述信道时域响应的每个抽头分别与过滤阈值进行比较（即对应图4中的“CIR判别”），如果其幅值小于相应的阈值或者在CIR子区域之外（L_CP≤n≤2M-1-L_CP），则将置零，得到

步骤106：将噪声过滤后的信道时域响应进行2M点离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应

步骤107：对所述信道频域响应通过下式进行去除扩展（即对应图4中的“解扩展”），以获得信道的真实信道频域响应

${\hat{H}}_{\mathrm{prop}}\left[k\right]=\frac{{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}\left[k\right]+{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}[2M-1-k]}{2},0\&le;k\&le;M-1---\left(26\right)$

定义第n个抽头上的泄漏-噪声能量比（leakage power-to-noisepower ratio，LNR）如下：

${\mathrm{LNR}}^i\left[n\right]=\frac{E\left\{{\left|h^i\right[n\left]\right|}^2\right\}}{E\left\{{\left|w^i\right[n\left]\right|}^2\right\}},i\&Element;\{\mathrm{par},\mathrm{sym}\}---\left(27\right)$

尽管泄漏依然存在，但通过仿真研究显示，LNR明显下降了。这意味着，相比于传统的方法，通过对称扩展处理，泄漏能量有效的自我消除了。此外，由于泄漏在L_CP外的能量减少，利用这些采样值估计出的噪声精度也随之提高；从噪声方差的估计可以看出，即公式（16）和（24），噪声方差的估计实质上是CIR子区域之外的点做幅度上的平均，这也就是说，如果CIR能量泄露越少，则CIR子区域之外的点噪声比重会越多，噪声估计就越准确；反之，CIR能量泄露越多，用于噪声估计的部分混合的信道能量也就越多，噪声估计的精度就会受更大的影响。

如图5所示的仿真结果所示，传统DFT信道估计中，噪声方差的估计（没有对称扩展，直接对应用公式（16））在高SNR区域会出现大的偏差，这种偏差在更差的信道条件下（EVA信道（ExtendedVehicular A，行车速度下的扩展信道模型））体现的更为明显。而因为噪声滤除中阈值的选择是基于噪声估计的参数的，这种偏差会对信道抽头的选取产生影响。而本方案可以在EPA信道（ExtendedPedestrian A，步行速度下的扩展信道模型）下，在SNR=42dB以内，提供无偏差的噪声方差估计，在EVA信道下，则是在SNR=35dB内。这得益于对称扩展操作使能量泄露有效的自我消除。

定义归一化均方误差（normalized mean square error，NMSE）：

$\mathrm{NMSE}=\frac{E\left({\left|\right|\widehat{H-H\left|\right|}}_F^2\right)}{E\left({\left|\right|H\left|\right|}_F^2\right)}=\frac{E\left({\mathrm{\&Sigma;}}_{k=0}^{k=N-1}{|{\hat{H}}_k-H_k|}^2\right)}{E\left({\mathrm{\&Sigma;}}_{k=0}^{k=N-1}{\left|H_k\right|}^2\right)}$

其中，为估计出的信道频域响应，H为实际的信道频域响应,||.||_F代表Frobenius范式。

对整个方案的性能仿真测试如图6所示，图中，“噪声消除”为单独采用阈值消除噪声的DFT信道估计方案。“对称扩展”仅采用对称扩展处理，而未采用基于的阈值噪声消除。“本方案”即本实施方式的方案，是“噪声消除”与“对称扩展”这两者的结合，由仿真结果可知本方案在抑制了信道能量的泄露的情况下，准确的对噪声进行估计，并通过选择合适的阈值进一步降低了噪声的影响，得到了更佳的信道估计结果。

本发明综合考虑信道的稀疏结构和能量的泄漏问题，给出了一个基于阈值选择和对称扩展的LTE上行信道估计解决方案。

本发明详细阐述了阈值选择的准则和对称扩展的原理，在降低信道能量泄漏、准确的估计噪声方差基础上，通过合理的阈值选取，有效的进一步消除了LS信道估计算法中的噪声分量，最终使得信道估计模块的性能相比于传统的基于DFT的估计方案、单独采用阈值选取有效抽头的方案及单独采用对称扩展减少泄漏能量的方案均有提高。

本发明延续了时域信道估计的低复杂度特性，相比于传统的基于DFT的信道估计，主要增加的计算量集中在2M点IDFT/DFT上。而今高效快速的IDFT/DFT算法已有很大的改进，所以所提方案依然能在性能和复杂度间达到一个良好的平衡。

本发明还公开了一种LTE上行信道估计系统，参照图7，所述系统包括：

获取模块，用于获取部分信道频域响应；

对称扩展模块，用于对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

噪声过滤模块，用于对所述信道时域响应进行噪声过滤；

傅里叶变换模块，用于将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

去除扩展模块，用于对所述傅里叶变换模块获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种LTE上行信道估计方法，其特征在于，所述方法包括以下步骤：

S1：获取部分信道频域响应；

S2：对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

S3：对所述信道时域响应进行噪声过滤，所述噪声过滤中的过滤阈值为对于每个抽头检测的错误概率最低时所对应的阈值；

S4：将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

S5：对所述步骤S4获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。

2.如权利要求1所述的方法，其特征在于，步骤S2中，对所述部分信道频域响应进行对称扩展具体通过以下公式：

${\hat{H}}_{\mathrm{LS}}^{\mathrm{sym}}\left[k\right]=\left\{\begin{array}{cc}{\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}\left[k\right],& 0\&le;k\&le;M-1\\ {\hat{H}}_{\mathrm{LS}}^{\mathrm{par}}[2M-1-k],& M\&le;k\&le;2M-1\end{array}\right.$

其中，为所述扩展后的信道频域响应，为所述部分信道频域响应，M为所述部分信道频域响应的长度。

3.如权利要求1所述的方法，其特征在于，所述步骤S4中，对所述步骤S4获得的信道频域响应去除扩展具体通过以下公式：

${\hat{H}}_{\mathrm{prop}}\left[k\right]=\frac{{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}\left[k\right]+{\hat{H}}_{\mathrm{prop}}^{\mathrm{sym}}[2M-1-k]}{2}0\&le;k\&le;M-1$

其中，为信道的真实信道频域响应，和为所述步骤S4获得的信道频域响应，M为所述部分信道频域响应的长度。

4.如权利要求1所述的方法，其特征在于，步骤S3进一步包括：

将所述信道时域响应的每个抽头分别与所述过滤阈值进行比较，若大于等于所述过滤阈值，则保留该抽头的值，否则将该抽头的值置为零。

5.如权利要求1所述的方法，其特征在于，所述过滤阈值的计算公式为：

$T_n=\sqrt{\frac{{2\mathrm{\&sigma;}}^2({\mathrm{\&sigma;}}_{\mathrm{hn}}^2+{\mathrm{\&sigma;}}^2)}{{\mathrm{\&sigma;}}_{\mathrm{hn}}^2}\ln \left(\frac{{\mathrm{\&sigma;}}_{\mathrm{hn}}^2+{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2}\right)},$

其中， $\widehat{\mathrm{\&sigma;}}=\sqrt{\frac{2}{\mathrm{\&pi;}}}\frac{1}{2M-L_{\mathrm{CP}}}\underset{n=L_{\mathrm{CP}}}{\overset{2M-1-L_{\mathrm{CP}}}{\mathrm{\&Sigma;}}}\left|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\right[n\left]\right|,$ ${\widehat{\mathrm{\&sigma;}}}_{\mathrm{hn}}=\sqrt{\max \left(\frac{2}{\mathrm{\&pi;}}\right|{\hat{h}}_{\mathrm{LS}}^{\mathrm{sym}}\left[n\right]-{\widehat{\mathrm{\&sigma;}}}^2|,0)},$ 0≤n≤L_CP-1或2M-L_CP≤n≤2M-1，T_n为所述过滤阈值，L_CP为步骤S2所获得的信道时域响应的长度最大值，为步骤S2所获得的信道时域响应，M为所述部分信道频域响应的长度。

6.如权利要求1所述的方法，其特征在于，步骤S1之前还包括：

S0：通过LS信道估计算法计算所述部分信道频域响应。

7.一种LTE上行信道估计系统，其特征在于，所述系统包括：

获取模块，用于获取部分信道频域响应；

对称扩展模块，用于对所述部分信道频域响应进行对称扩展，并对扩展后的信道频域响应进行离散傅里叶逆变换IDFT，以获得所述扩展后的信道频域响应对应的信道时域响应；

噪声过滤模块，用于对所述信道时域响应进行噪声过滤；

傅里叶变换模块，用于将噪声过滤后的信道时域响应进行离散傅里叶变换DFT，以获得所述噪声过滤后的信道时域响应所对应的信道频域响应；

去除扩展模块，用于对所述傅里叶变换模块获得的信道频域响应去除扩展，以获得信道的真实信道频域响应。