CN104486267A - 一种短波信道下基于小波去噪的sc-fde信道估计方法 - Google Patents

Abstract

本发明请求保护一种短波信道下基于小波去噪的SC-FDE信道估计方法。包括步骤：首先，对发送的数据进行分块，并在数据块间周期性地插入导频，在接收端提取导频位置处的信息，采用LS算法估计出导频处的信道频率响应。然后将得到的估计值经过IDFT变换到时域，在小波域根据多Mallat算法对其进行分解，采用阈值去噪法滤除噪声，并对消噪后的信号重构。最后，对重构后的信号进行插值补零，并对其做DFT变换到频域，从而得到全部的信道频率响应，完成信道估计。本发明提供的短波信道下基于小波去噪的SC-FDE信道估计方法，提出了采用小波去噪的方法消除LS估计残留的噪声，从而进一步抑制噪声的影响，降低系统的误码率，提高系统性能。

Description

一种短波信道下基于小波去噪的SC-FDE信道估计方法

技术领域

本发明涉及短波通信领域，尤其是涉及一种短波信道下基于小波去噪的SC-FDE信道估计方法。

背景技术

短波通信依靠1.5～30MHz的电磁波进行信号传输，是最早出现并广泛应用的无线通信方式，至今仍是中远距离无线通信的重要手段。短波通信依靠电离层反射进行通信，信道条件恶劣，信道特性随时间快速变化，同时，短波信道又是一个多径衰落信道，其多径时延可达5ms。多径干扰会引起数据传输过程中的码间串扰和频率选择性衰落，导致接收信号起伏不定，严重影响通信质量。因此，抗多径衰落和码间干扰一直是短波通信研究的热点。

高速可靠的数据传输是新一代短波通信的发展方向，提高数据传输速率，扩展带宽是最直接有效的方法，但是这样会导致短波数据传输遭受更加严重的频率选择性衰落和多径干扰。此时在接收端采用时域均衡技术进行多径抵消，会导致抽头系数过多，实现复杂度过高的问题，因此，SC-FDE(单载波频域均衡)是一个好的解决方案。

SC-FDE是一种有效地对抗多径衰落的传输技术，并以其自身的优点，被逐渐应用到宽带短波通信中。OFDM(正交频分复用)也可以有效地对抗多径干扰，但是由于其采用多载波调制方式，峰均比较高，并且对频偏比较敏感，这两个缺点成为限制OFDM在短波通信中应用的主要因素。SC-FDE与OFDM有相似的信号处理方式，在相同条件下可以达到更高的传输速率和更低的误码率，这些特点对宽带短波通信无疑是极具吸引力的。

从上面的分析可知，短波通信系统的性能主要受到信道的制约，因此，采用SC-FDE传输技术，对短波信道进行估计，补偿多径衰落和码间干扰对短波信道的影响，具有重要的意义。常用的信道估计准则有LS(最小二乘)准则、MMSE(最小均方误差)准则等。MMSE算法利用信道的相关特性，估计精度高，但是运算过于复杂，并且短波信道是实时变化的，很难得到信道的相关特性，实际工程中并不实用。LS算法结构简单，计算量小，不需要预先知道信道信息，比较实用，但是未考虑噪声的影响。因此，采用合理的方法，消除或抑制实用型LS算法中由噪声引入的误差，成为我们研究的重点。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种解决现有LS信道估计算法受噪声影响较大，提高估计精度低的基于小波去噪的SC-FDE信道估计方法，本发明的技术方案如下：一种短波信道下基于小波去噪的SC-FDE信道估计方法，其包括以下步骤：

101、对发送的数据进行分块，并在数据块间周期性地插入导频，在接收端提取导频位置处的信息，采用LS算法估计出导频序列处的信道频率响应，利用导频位置处的信息进行信道估计得到估计值；

102、对步骤101得到的估计值做IDFT(逆离散傅立叶变换)变换到时域，在小波域根据Mallat算法对其进行分解，采用阈值去噪法滤除噪声，并对消噪后的信号重构；

103、对重构后的信号进行插值补零，并对其做DFT(离散傅立叶变换)变换到频域，从而得到整个信道的频率响应，完成信道估计。

进一步的，步骤101中在数据块中插入的UW独特字序列的块数为3块，其中一块UW独特字作为CP循环前缀用于消除前后分组间的干扰，另外两块UW独特字作为导频用于信道估计，且所述UW独特字序列的长度大于信道的最大时延扩展值。

进一步的，所述UW序列采用IEEE802.16a标准规定的Chu序列。

进一步的，步骤101中LS算法具体为：假设发送的导频块x_p(n)的长度为P，经过信道后接收到的时域信号y_p(n)可以表示为：

$y_p\left(n\right)=x_p\left(n\right)\⊗h\left(n\right)+w\left(n\right)$

其中，n＝0,1,2....P-1，代表循环卷积，w(n)为均值为0，方差为δ_n ²的高斯白噪声，经过P点DFT变换到频域后接收信号表示为：

Y_P(k)＝X_p(k)H(k)+W(k)

由LS估计准则得到的导频位置处信道频率响应表示为：

$H_{\mathrm{LS}}\left(k\right)={X_p}^{-1}{Y}_p=H\left(k\right)+\frac{W\left(k\right)}{X_p\left(k\right)}$

由于插入的UW块中两块用于信道估计，分别对两块子UW作LS估计，取其平均值作为LS估计的最终结果：

${\hat{H}}_{\mathrm{LS}}=\frac{1}{2}\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{Y_P^{\left(i\right)}}{X_P}=\frac{H_{\mathrm{LS}}^{\left(1\right)}+H_{\mathrm{LS}}^{\left(2\right)}}{2}$

对得到的估计值做P点IDFT得到LS估计的时域信号：

${\hat{h}}_{\mathrm{LS}}\left(n\right)=h\left(n\right)+\mathrm{\ϵ}\left(n\right)$

由此可见，由实际信道响应h(n)和由噪声项ε(n)组成。

进一步的，还包括根据Mallat算法对进行分解的步骤，即把原信号在小波域进行分解，得到逼近信号的小波系数c_j+1(n)和细节信号的小波系数d_j+1(n)，具体表达式为：

$c_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)l(n-2k)$

$d_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)g(n-2k)$

其中，j代表分解的层数，c₀(n)即为n是该层小波系数的个数，k是该层第k个小波系数，l(n)和g(n)是低通和高通滤波器。

进一步的，步骤102中的阈值去噪法首先采用Mallat小波分解法对信号进行分解，然后设置阈值对分解后的信号的系数进行处理，滤除噪声，小波采用Daubechies小波。

进一步的，步骤103中的信号的重构采用Mallat逆变换完成信号的重构：

$c_j\left(n\right)=\underset{k}{\mathrm{\Σ}}{c}_{j+1}\left(k\right)\tilde{l}(k-2n)+\underset{k}{\mathrm{\Σ}}{d}_{j+1}\left(k\right)\tilde{g}(k-2n)$

其中，和为重构的低通和高通滤波器。

本发明的优点及有益效果如下：

本发明提供了一种短波信道下基于小波去噪的SC-FDE信道估计方法，在考虑系统开销的情况下，在数据块间插入合理的导频块数，可以提高估计精度。短波信道受噪声干扰严重，而传统的LS算法并未考虑噪声的影响，导致估计误差比较大。本发明针对这个问题，采用小波去噪的原理，并对去噪后的信号重构，从而消除LS算法中残留的噪声。本发明提供的方法可以提高系统性能，为信号传输提供一个良好的信道环境。

附图说明

图1是按照本发明优选实施例的SC-FDE的基带系统模型；

图2为本发明实施例中采用的帧结构；

图3为本发明实施例中的短波信道参数；

图4为Mallat算法小波分解示意图；

图5为本发明实施例中的信道估计流程图。

具体实施方式

下面结合附图给出一个非限定的实施例对本发明作进一步的阐述。但是应该理解，这些描述只是示例的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

图1为SC-FDE的基带系统模型。在发送端，输入数据经过调制、串并转换，插入导频和CP后形成M个长度为N的数据块，然后经过并串转换，送入信道。在接收端，先进行串并转换，去除CP后进行DFT变换，利用导频位置处的信息进行信道估计，根据估计的信道特性进行频域均衡，补偿信道衰落的影响，之后进行IDFT变换，并串转换，解调，得到输出信号。

在本实施例中用UW代替传统的CP。由于UW(独特字)是收发端已知的信息序列，插入到数据块之后不但使得数据块具有理想的周期自相关性，并且具有很好的相关性和平稳的频域响应，还可以用于信道估计，同步和均衡。本实施例采用IEEE802.16a标准规定的Chu序列作为UW，长度为P的Chu序列的表达式如下：

其中，r与P互质。

本实施例中采用的帧结构如图2所示，在考虑系统开销的情况下，采用在数据块间插入3块UW的帧结构，其中阴影部分的UW作为CP，用于消除前后分组间的干扰，另外两块UW作为导频，用于信道估计。

本实施例中采用的短波信道为典型的中度短波信道，其具体参数如图3所示。

假设发送的导频块x_p(n)的长度为P，经过短波信道后接收到的时域信号y_p(n)可以表示为：

$y_p\left(n\right)=x_p\left(n\right)\⊗h\left(n\right)+w\left(n\right)$

其中，n＝0,1,2....P-1，代表循环卷积，w(n)为均值为0，方差为δ_n ²的高斯白噪声。

x_p(n)和y_p(n)经过P点DFT变换到频域分别为X_P(n)和Y_P(n)。根据LS估计准则，得到的信道频率响应为：

$H_{\mathrm{LS}}\left(k\right)={X_p}^{-1}{Y}_p=H\left(k\right)+\frac{W\left(k\right)}{X_p\left(k\right)}$

由于插入的导频块有两块是用于信道估计的，可以先对其分别进行LS估计，取其平均值作为LS估计的最终结果，即

${\hat{H}}_{\mathrm{LS}}=\frac{1}{2}\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{Y_P^{\left(i\right)}}{X_P}=\frac{H_{\mathrm{LS}}^{\left(1\right)}+H_{\mathrm{LS}}^{\left(2\right)}}{2}$

将经过P点IDFT变换到时域可得：

${\hat{h}}_{\mathrm{LS}}\left(n\right)=h\left(n\right)+\mathrm{\ϵ}\left(n\right)$

由此可见，由此可见，由实际信道响应h(n)和噪声项ε(n)两部分组成。为了消除ε(n)的影响，采用小波去噪的原理，以此来降低误码率，提高估计精度。

下面将结合图4和图5来解释信号分解和小波去噪的过程。根据Mallat算法，采用Daubechies小波对信号进行分解，得到逼近信号的小波系数c_j+1(n)和细节信号的小波系数d_j+1(n)。具体表达式为：

$c_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)l(n-2k)$

$d_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)g(n-2k)$

其中，j代表分解的层数，c₀(n)即为n是该层小波系数的个数，k是该层的第k个小波系数，l(n)和g(n)是低通和高通滤波器。逼近信号的小波系数c_j+1(n)可以使用Mallat算法进一步分解，以此得到不同尺度下的逼近信号和细节信号。

分解过程如图4所示，图中仅为两级分解的示意图。其中，c₁和c₂分别为第1、2级分解的逼近信号(有用的信道信息)，d₁和d₂分别为第1、2级分解的细节信号(噪声)。

图5为本实施例的信道估计流程图。经过小波分解后，将得到不同尺度下的逼近信号和细节信号。其中，有用的信道信息都包含在逼近信号中，而噪声则存在于细节信号中。对应于噪声ε(n)的细节信号的幅度及其方差随着尺度的增加会有规律地减小，而对应于有用信号h(n)的细节信号的幅度和方差并不随着尺度的增大而变小。根据这一特性，通过设置门限：将低于门限T的小波系数视为噪声并置0，高于门限T的小波系数视为有用的信道信息并保留，从而达到消除噪声的目的。

根据Mallat算法的逆变换，将去噪后的信号进行重构，可以得到重构后的信号：

$c_j\left(n\right)=\underset{k}{\mathrm{\Σ}}{c}_{j+1}\left(k\right)\tilde{l}(k-2n)+\underset{k}{\mathrm{\Σ}}{d}_{j+1}\left(k\right)\tilde{g}(k-2n)$

其中，和为重构的低通和高通滤波器。

最后，采用DFT插值方法，将重构后的信号补零至长度为N，经过N点DFT变换到频域，即可得到全部的信道频率响应完成信道估计。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：包括以下步骤：

101、对发送的数据进行分块，并在数据块间周期性地插入导频，在接收端提取导频位置处的信息，采用LS算法估计出导频序列处的信道频率响应，利用导频位置处的信息进行信道估计得到估计值；

102、对步骤101得到的估计值做IDFT逆离散傅立叶变换变换到时域，在小波域根据Mallat算法对其进行分解，采用阈值去噪法滤除噪声，并对消噪后的信号重构；

103、对重构后的信号进行插值补零，并对其做DFT变换到频域，从而得到整个信道的频率响应，完成信道估计。

2.根据权利要求1所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：步骤101中采用在数据块间插入3块UW独特字的帧结构，其中一块UW独特字作为CP循环前缀用于消除前后分组之间的干扰，另外两块UW独特字作为导频用于信道估计，且所述UW独特字序列的长度大于信道的最大时延扩展值。

3.根据权利要求1或权利要求2所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：所述UW序列采用IEEE802.16a标准规定的Chu序列。

4.根据权利要求1所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：步骤101中LS算法具体为：假设发送的导频块x_p(n)的长度为P，经过信道后接收到的时域信号y_p(n)可以表示为：

$y_p\left(n\right)=x_p\left(n\right)\⊗h\left(n\right)+w\left(n\right)$

其中，n＝0,1,2....P-1，代表循环卷积，w(n)为均值为0，方差为δ_n ²的高斯白噪声，经过P点DFT变换到频域后接收信号表示为：

Y_P(k)＝X_p(k)H(k)+W(k)

由LS估计准则得到的导频位置处信道频率响应表示为：

$H_{\mathrm{LS}}\left(k\right)={X_p}^{-1}{Y}_p=H\left(k\right)+\frac{W\left(k\right)}{X_p\left(k\right)}$

由于插入的UW块中两块用于信道估计，分别对两块子UW作LS估计，取其平均值作为LS估计的最终结果：

${\hat{H}}_{\mathrm{LS}}=\frac{1}{2}\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{Y_P^{\left(i\right)}}{X_P}=\frac{H_{\mathrm{LS}}^{\left(1\right)}+H_{\mathrm{LS}}^{\left(2\right)}}{2}$

对得到的估计值做P点IDFT得到LS估计的时域信号：

${\hat{h}}_{\mathrm{LS}}\left(n\right)=h\left(n\right)+\mathrm{\ϵ}\left(n\right)$

由此可见，由实际信道响应h(n)和噪声项ε(n)组成。

5.根据权利要求4所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：还包括根据Mallat算法对进行分解的步骤，即把原信号在小波域进行分解，分解后得到其逼近信号的小波系数c_j+1(n)和细节信号的小波系数d_j+1(n)，具体表达式为：

$c_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)l(n-2k)$

$d_{j+1}\left(k\right)=\underset{n=0}{\overset{P-1}{\mathrm{\Σ}}}{c}_j\left(n\right)g(n-2k)$

其中，j代表分解的层数，c₀(n)即为n是该层小波系数的个数，k是该层第k个小波系数，l(n)和g(n)是低通和高通滤波器。

6.根据权利要求1所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：步骤102中的阈值去噪法首先采用Mallat小波分解法对信号进行分解，然后设置阈值对分解后的信号的系数进行处理，滤除噪声，小波采用Daubechies小波。

7.根据权利要求1所述的短波信道下基于小波去噪的SC-FDE信道估计方法，其特征在于：步骤103中的信号的重构采用Mallat逆变换完成信号的重构：

$c_j\left(n\right)=\underset{k}{\mathrm{\Σ}}{c}_{j+1}\left(k\right)\tilde{l}(k-2n)+\underset{k}{\mathrm{\Σ}}{d}_{j+1}\left(k\right)\tilde{g}(k-2n)$

其中，和为重构的低通和高通滤波器。