CN104506468A - 一种时域稀疏信道估计方法 - Google Patents

Abstract

本发明公开了一种时域稀疏信道估计方法，在接收端的信号处理主要分为信道估计和均衡两个阶段，而信道估计又分为两步：训练序列处的信道估计和数据符号处的信道估计。本发明首先利用最大似然准则估计训练序列处的信道冲激响应，然后利用基于采样点的二次多项式内插算法获得数据符号处的信道冲激响应。二次多项式内插的性能明显优于线性内插算法，并逼近利用了信道统计特性的Jakes内插。

Description

一种时域稀疏信道估计方法

技术领域

本发明涉及无线通信领域，特别涉及一种时域稀疏信道估计方法。

背景技术

信道估计是实现无线通信系统的一项关键技术。能否获得详细的信道信息，从而在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标。当前无线通信的发展追求高速率和高频谱利用率，在动态传播环境中达到此要求面临着信道的时变性的挑战。无线通信中，接收端的移动性与频率同步的误差带来了多普勒扩展，多普勒扩展在时域上体现为信道的时变性，频域上表现为子信道间干扰(ICI)。如何克服多普勒扩展对通信系统的影响，提高系统传输性能是信道估计的核心任务。

当信道为快时变信道时，其时变性带来的ICI不能够被忽略，信道在一个符号块内部，甚至单独一个OFDM符号内部都不能再被视为恒定，否则信道估计的精度将急剧恶化。所以中等时变信道的信道估计是我们研究的重点。但是使用传统的线性内插方式信道的误码率性能很差，而Jakes内插需要知道信道的统计特性，复杂度很高。

因此，需要一种新的方法来解决信道参数估计问题。

发明内容

本发明的目的旨在提供一种时域稀疏信道估计方法，以提高信道估计器的性能。

本发明为解决上述技术问题采用以下技术方案：

首先将第m个训练序列处信道冲激响应的最大似然估计值变换到频域为其中是由长度为N_p的训练序列x_p构成的循环矩阵， ${\tilde{x}}_p=\underset{l=0}{\overset{N_p-1}{\mathrm{\Σ}}}{x}_p\left(l\right){\∏}^l.$

同理，可以获得第m+1和m+2个训练符号处的信道传输函数和然后利用逆傅立叶变换获得信道在训练序列处的信道冲激响应。接下来，利用二次内插原理，获得第k个符号第n个采样点信道冲激响。最后，求解OFDM符号的第一个采样点和最后一个采样点两者的差，再除以OFDM符号的长度N即为信道的增量向量，最终可得到信道矩阵

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

采用的基于最大似然函数和二次内插方式的信道估计设计方法，在数据符号处的信道估计处采用二次内插方式，结合线性信道模型显著提升了信道估计性能，避免了Jakes内插依赖于信道统计信息的缺点。因此该估计器在中等时变信道情况下更具吸引力。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是根据本发明一个训练序列分布图样。

图2是信道估计与均衡流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明一种时域稀疏信道估计方法包括：利用最大似然估计获得信道在训练序列处的信道冲激响应，再利用二次内插原理，获得第k个符号第n个采样点信道冲激响应，最终得到信道矩阵

作为优选方案，首先将第m个训练序列处信道冲激响应的最大似然估计值变换到频域为其中，是由长度为N_p的训练序列x_p构成的循环矩阵，同理，可以获得第m+1和m+2个训练符号处的信道传输函数和利用二次内插原理，获得第k个符号第n个采样点信道冲激响应为

${\hat{h}}_{m,k,n}=\frac{1}{2}{a}_{k,n}\left(1{+a}_{k,n}\right){\hat{h}}_{p,m}+(1-a_{k,n}^2){\hat{h}}_{p,m+1}+\frac{1}{2}{a}_{k,n}(a_{k,n}-1){\hat{h}}_{p,m+2}$

式中，N_d为每个数据符号块所包含的OFDM符号的个数，L表示信道冲击响应的长度，N_p为训练序列x_p的长度，N为OFDM符号的长度。

求解OFDM符号的第一个采样点和最后一个采样点两者的差，再除以OFDM符号的长度N即为信道的增量向量，最终可得到信道矩阵

作为优选方案，利用逆傅立叶变换获得信道在训练序列处的信道冲激响应。。

如图1所示，时域上每隔N_d个OFDM符号插入一个训练序列，训练序列的长度小于OFDM符号的长度，这样能使系统具有较高的频带利用率。假定单个训练序列内部信道冲激响应恒定并且训练序列长度和循环前缀长度相等，即N_p＝L。训练图样中的第m个符号块内第k个OFDM符号处各参量满足以下关系

$y_{m,k}={\tilde{h}}_{m,k}{x}_{m,k}+n_{m,k}$

若信道是线性变化的，那么可以分解成线性模型的形式：

${\tilde{h}}_{m,k}={\tilde{h}}_{m,k,\mathrm{\α}}+T\·{\tilde{h}}_{m,k,\mathrm{\δ}}$

式中T是一个线性变换矩阵，和对应第m个符号块内第k个OFDM符号的初始矩阵和增量矩阵，它们被定义为

$T=\left(\begin{array}{cccccc}0& & & & & \\ & 1& & & & \\ & & .& & & \\ & & & .& & \\ & & & & .& \\ & & & & & N-1\end{array}\right)$

${\tilde{h}}_{m,k,\mathrm{\α}}=\underset{l=1}{\overset{N_p}{\mathrm{\Σ}}}{h}_{m,k,\mathrm{\α}}\left(l\right){\left({\mathrm{\Π}}_N\right)}^{l-1},{\tilde{h}}_{m,k,\mathrm{\δ}}=\underset{l=1}{\overset{N_p}{\mathrm{\Σ}}}{h}_{m,k,\mathrm{\δ}}\left(l\right){\left({\∏}_N\right)}^{l-1}.$ 其中，h_m，k，α(l)，h_m,k,δ(l)是对应第k个OFDM符号处信道的初始向量和线性增量向量的第l分量的值。

本发明采用最大似然估计结合二次内插方式，可以获得和利用了信道统计特性Jakes－线性信道估计方法几乎一样的性能，并且前者不需要信道统计特性，算法较为简单。因此该估计设计在中等时变信道情况下更具吸引力。

Claims (3)

1.一种时域稀疏信道估计方法，其特征在于：利用最大似然准则估计训练序列处的信道冲激响应，然后利用基于采样点的二次多项式内插算法获得数据符号处的信道冲激响应。

2.根据权利要求1所述的时域稀疏信道估计方法，其特征在于：信道估计的具体步骤如下：

步骤1)，将第m个训练序列处信道冲激响应的最大似然估计值 ${\hat{h}}_{p,m}={\tilde{x}}_p^H{y}_{p,m}$ 变换到频域为 ${\hat{H}}_{p,m}={\left({\tilde{X}}_p\right)}^{-1}{Y}_{p,m},$ 其中和Y_p,m分别由y_p,m相应的离散傅立叶变换。

是由长度为N_p训练序列x_p构成的循环矩阵，

将化简为 ${\hat{H}}_{p,m}={\left[\begin{array}{cccc}\frac{Y_{p,m,1}}{X_{p,m,1}}& \frac{Y_{p,m,2}}{X_{p,m,x}}& ...& \frac{Y_{p,m,N_p}}{X_{p,m,N_p}}\end{array}\right]}^T.$

步骤2)，按照步骤1的方法可以获得第m+1和m+2个训练符号处的信道传输函数和

步骤3)，利用二次内插原理，获得第k个符号第n个采样点信道冲激响应为

${\hat{h}}_{m,k,n}=\frac{1}{2}{a}_{k,n}(1+a_{k,n}){\hat{h}}_{p,m}+(1-a_{k,n}^2){\hat{h}}_{p,m+1}+\frac{1}{2}{a}_{k,n}(a_{k,n}-1){\hat{h}}_{p,m+2}$

式中，N_d为每个数据符号块所包含的OFDM符号的个数，L表示信道冲击响应的长度，N_p为训练序列x_p的长度，N为OFDM符号的长度。

步骤4)，求解OFDM符号的第一个采样点和最后一个采样点两者的差，再除以OFDM符号的长度N即为信道的增量向量，最终可得到信道矩阵

3.根据权利要求1所述的时域稀疏信道估计方法，其特征在于：利用逆傅立叶变换获得信道在训练序列处的信道冲激响应。