CN104683268A - 基于qr分解的ofdm系统信道估计方法 - Google Patents

Abstract

本发明涉及一种基于QR分解的OFDM系统信道估计方法。信道估计(CE)是OFDM通信系统中的关键技术，CE准确度直接影响系统通信性能。本发明提出一种基于QR分解的CIR更新算法，包括以下步骤：1)利用LS算法确定导频子载波的位置，并利用导频得到导频位置的信道估计值；2)采用DFT时域信道估计算法，利用信道时域冲击响应能量主要集中在L点的特性，减小L点外的噪声影响；3)利用基于QR分解的时域信道估计算法，更新L点内的信道CIR，进一步减小L点内的噪声影响，提高CE准确度。在多普勒频移系数不同的情况下，本发明的改进算法与传统DFT算法以及线性插值算法相比，误码率降低了1-1.5dB，提高了OFDM通信系统的性能。

Description

基于QR分解的OFDM系统信道估计方法

技术领域

本发明涉及通信技术领域，特别是涉及一种OFDM系统信道估计方法。

背景技术

OFDM是一种高传输率的无线通信技术，具有频谱利用率高、抗干扰能力强等优点，并且在频域选择性信道下具有良好的鲁棒性。OFDM通过添加循环前缀CP可以简单有效地消除信号多径传播所造成的ISI，被认为是最适用于宽带通信的传输技术之一。信道估计是OFDM通信技术研究的一个重要课题。总的来说，信道估计算法有两种，一种是导频符号辅助的信道估计算法，一种是盲估计算法。由于盲估计算法的运算量太大，灵活性很差，在实时系统中的应用受到了限制，因此，目前多数OFDM系统采用基于导频符号辅助的信道估计算法。基于导频辅助信道估计方法是通过在数据流中插入一定数量的导频，利用从接收信号中提取导频信号以及已知的发送导频信号估计出导频位置的信道响应，然后利用各种内插方法得到所有数据位置上的信道响应。导频辅助的OFDM系统有两种导频结构：块状导频和梳状导频。对于块状导频模式，是在时域内周期性地插入训练序列，每个训练序列包括所有的子载波；对于梳状导频模式，是在每一个OFDM符号的子载波中间隔地插入导频子载波。导频处的信道系数的估计一般可以采用最小平方(LS，Least Square)和最小均方误差(MMSE，Minimum MeanSquare Error)方法，而非导频位置的信道系数可以通过一维或二维的插值方法得到。一维内插方法与二维内插相比，其实现简单但精确度不高；而传统的二维内插方法的计算量较大，实现较为困难并且系统时延较大，同时也很难抑制噪声和子载波间的干扰。由于以上原因，这些方法在高速数据传输以及恶劣传播条件下的应用受到了限制。

发明内容

有鉴于此，本发明要解决的技术问题是：在多普勒信道环境下，提高信道估计的准确度，降低误码率，从而改善OFDM通信系统的性能。

为了解决上述技术问题，本发明提供一种基于QR分解的OFDM系统信道估计方法，包括以下具体步骤：

S1、利用LS算法确定导频子载波的位置，并利用导频得到导频位置的信道估计值；

S2、采用DFT时域信道估计算法，利用信道时域冲击响应能量主要集中在L点的特性，减小L点外的噪声影响；

S3、利用基于QR分解的时域信道估计算法，更新L点内的信道CIR，进一步减小L点内的噪声影响，提高CE准确度；

上述技术方案具有如下优点：本发明在基于DFT信道估计算法的基础上提出了一种基于QR分解的新型信道估计算法，DFT算法减小了L点外的噪声影响，该算法在其基础上，通过更新L点的信道CIR，进一步减小L点内的噪声影响。采用该新型信道估计算法，避免了传统算法的大量计算，并同时减小噪声影响，提高了信道估计的准确度，从而改善了OFDM通信系统的性能。

附图说明

图1是本发明的方法流程图；

图2是使用了本发明的方法的OFDM通信系统的整个通信过程框图；

图3是本发明方法中基于DFT的信道估计框图；

图4是本发明方法中基于QR分解的信道估计框图；

图5是本发明与现有技术对比效果图。

具体实施方式

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

本发明针对OFDM通信系统信道估计传统算法计算量大且噪声高，提出了一种基于QR分解的新型信道估计算法，在多普勒频移系数不同的情况下，该算法同传统DFT算法以及线性插值算法相比，误码率降低了1-1.5dB，提高了OFDM通信系统的性能。

本发明提供了一种基于QR分解的OFDM系统信道估计方法，包括以下步骤：

S1、利用LS算法确定导频子载波的位置，并利用导频得到导频位置的信道估计值；

S2、采用DFT时域信道估计算法，利用信道时域冲击响应能量主要集中在L点的特性，减小L点外的噪声影响；

S3、利用基于QR分解的时域信道估计算法，更新L点内的信道CIR，进一步减小L点内的噪声影响，提高CE准确度；

图2给出了OFDM系统的等效基带模型，假设一个OFDM符号有N个子载波，载波间隔为1／T，每个OFDM符号的时间宽度为NT。原始的二进制数据X[i]经交织映射，等间隔插入导频X[p]，组成长度为N的数据X[k]，再经IDFT调制为时域x[n]。x[n]可表示为：

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

为了减小符号间干扰(ISI)，在时域数据x[n]前插入Ng长度循环前缀(CP)，假设Ng大于最大时延，即可以完全消除ISI，则有：

$x_g\left(n\right)=\left\{\begin{array}{c}x(N_g+n),n=-N_g,{-N}_g+1,\·\·\·,-1\\ x\left(n\right),n=0,1,2\·\·\·,N-1\end{array}---\left(2\right)\right.$

发送信号经过带有加性噪声无线多径信道，接收信号可表示为：

$y_g\left(n\right)=x_g\left(n\right)\⊗h\left(n\right)+w\left(n\right)---\left(3\right)$

表示卷积，w(n)是高斯白噪声。h(n)为信道冲击响应，表示为：

$h\left(n\right)={\mathrm{\Σ}}_{i=0}^{r=1}{h}_i\exp \left(j2\mathrm{\π}{f_D}_{i}T\frac{n}{N}\right)\mathrm{\δ}(\mathrm{\λ}-r_i),0\≤n\≤N-1---\left(4\right)$

其中r为多径传播数，hi为第i径的冲激响应，为第i径的多普勒频移，λ是延迟序数，r_i为归一化的i径时延。

图3给出了基于DFT的信道估计方法，S2的具体实施步骤如下：

步骤a1，在接收端，消除循环前缀，可得：

y(n)=y_g(n+N_g)，0≤n≤N－1     (5)

y(n)信号输入FFT模块解调，则有：

$Y\left(k\right)=\mathrm{DFT}\left\{y\left(n\right)\right\}=\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}y\left(n\right)\exp (-j2\mathrm{\π}\frac{\mathrm{nk}}{N}),0\≤k\≤N-1---\left(6\right)$

假设ISI已完全消除，I为多普勒频移导致的ICI，系统频域模型可表示为：

Y(k)=X(k)H(k)+I(k)+W(k)，0≤k≤N－1     (7)

其中

$H\left(k\right)=\underset{i=0}{\overset{r=1}{\mathrm{\Σ}}}{h}_i\exp (j2\mathrm{\π}{f_D}_{i}T\·\frac{\sin \left(\mathrm{\π}{f_D}_{i}T\right)}{\mathrm{\π}{f_D}_{i}T})\·\exp (-j2\mathrm{\π}\frac{r_i}{N}k)$

$I\left(k\right)=\frac{1}{N}\underset{i=0}{\overset{r=1}{\mathrm{\Σ}}}\underset{\stackrel{K=0,}{K\≠k}}{\overset{N-1}{\mathrm{\Σ}}}{h}_{i}X\left(K\right)\frac{1-\exp \left[j2\mathrm{\π}({f_D}_{i}T-k+K)\right]}{1-\exp \left[j\frac{2\mathrm{\π}}{N}({f_D}_{i}T-k+K)\right]}\·\exp \left(\frac{j2\mathrm{\π}{r}_i}{N}K\right)$

从Y(k)中提取导频子载波位置Y(p)，导频位置的频域响应估计为其中p为导频位置子载波序号，这是一种LS信道估计方式，由通过插值可得到数据子载波位置频域响应。

步骤a2，由LS算法得到的信道冲击响应(CIR)，其能量主要集中在开始的一部分点(L点)，而基于DFT信道估计方法的降噪方法是将L点之外的点清零。将LS信道估计所得的CFR进行IDFT为：

${\tilde{h}}_{\mathrm{LS}}\left(n\right)=\mathrm{IDFT}\left[\widetilde{H_{\mathrm{LS}}}\left(k\right)\right]={[h_0,h_1,\·\·\·h_{N-1},]}^T=h\left(n\right)+\tilde{w}\left(n\right)---\left(8\right)$

因为CIR能量主要集中在前列L点，且L小于保护间隔Ng，传统方法中CIR表示为：

$h\left(n\right)=\mathrm{IDFT}\left[\widetilde{H_{\mathrm{LS}}}\left(k\right)\right],0\≤n\≤L---\left(9\right)$

综合(8)(9)两式，CIR可分为两部分，如下所示：

${\tilde{h}}_{\mathrm{LS}}\left(n\right)=\left\{\begin{array}{c}h\left(n\right)+\tilde{w}\left(n\right),0\≤n\≤L\\ \tilde{w}\left(n\right),\mathrm{otherwise}\end{array}\right.---\left(10\right)$

在(10)式中，传统方法忽略L点之外的CIR能量，从而减小L点之外点的噪声影响，以获得更好的性能表现。

步骤a3，由此可得基于DFT信道估计方法获得的CIR为：

${\tilde{h}}_{\mathrm{DFT}}\left(n\right)=\left\{\begin{array}{c}h\left(n\right)+\tilde{w}\left(n\right),0\≤n\≤L\\ 0,\mathrm{otherwise}\end{array}\right.---\left(11\right)$

经DFT变换得频域CFR：

${\tilde{H}}_{\mathrm{DFT}}\left(k\right)=\mathrm{DFT}\left[{\tilde{h}}_{\mathrm{DFT}}\left(n\right)\right]---\left(12\right)$

从(11)式中可以看出，基于DFT信道估计算法仅消除了L点之外的噪声。

图4给出了基于QR分解的时域信道估计方法，进一步减小L点内的噪声影响，S3的具体实施步骤如下：

步骤b1，初步估计得到发送数据为：

$\tilde{X}e=\frac{Y\left(k\right)}{{\tilde{H}}_{\mathrm{DFT}}\left(k\right)}0\≤k\≤N-1$

不含CP的时域接收信号y(n)可表示为：

y=Ah+w

将经DFT转换为并反馈回信道估计模块，则有：

$A={\left[x\right]}_{N*L}=\left[\begin{array}{cccc}{x}_0& x_{N-1}& \·\·\·& x_{N-L}\\ x_1& x_0& \·\·\·& x_{N-L+1}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ x_{N-1}& x_{N-2}& \·\·\·& x_{N-L-1}\end{array}\right]$

可解得h为：

$\tilde{h}=\arg \min {\left|\right|A\·h-y\left|\right|}_2^2$

步骤b2，若 $A=Q\left[\begin{array}{c}R\\ O\end{array}\right],$ 其中Q为正交矩阵，R为上三角矩阵，对矩阵A进行QR分解，得到：

$Q^{T}A=\left[\begin{array}{c}R\\ O\end{array}\right]$

同时对时域接收信号y(n)左乘Q^T，可得：

$Q^{T}y=\left[\begin{array}{c}\stackrel{\‾}{y_n}\\ O\end{array}\right]$

综合以上各式得到新的信道CIR：

$R\·\tilde{h}=\stackrel{\‾}{y_n}$

步骤b3，将新得到的信道CIR重复(9)-(12)式，即在此基础上重复基于DFT的信道估计算法，再次消除L点外的噪声。

图5显示出了DFT算法和线性插值算法在这种信道环境下性能基本相近，而QR算法在信噪比较高时，性能提升约1.5dB。综合两幅图，多普勒频移较小的图a性能优于图b约4dB，在图b中，即使SNR大于10dB，BER仍然存在，说明多普勒频移越大，对系统性能影响越严重。综上所述，本发明在DFT算法基础上提出的基于QR分解的信道估计算法，降低了BER，改善了OFDM通信系统性能。

由以上实施例可以看出，本发明的方案通过首先采用DFT时域信道估计算法，利用信道时域冲击响应能量主要集中在L点的特性，减小L点外的噪声影响，然后基于QR分解，更新L点内的信道CIR，进一步减小L点内的噪声影响，提高CE准确度。可以看出，在多普勒频移系数不同的情况下，本发明的方法与传统DFT算法以及线性插值算法相比，误码率降低了1-1.5dB，提高了OFDM通信系统的性能。

Claims (8)

1.一种基于QR分解的OFDM系统中信道估计方法，其特征在于，包括以下步骤：1)利用LS算法确定导频子载波的位置，并利用导频得到导频位置的信道估计值；2)采用DFT时域信道估计算法，利用信道时域冲击响应能量主要集中在L点的特性，减小L点外的噪声影响；3)利用基于QR分解的时域信道估计算法，更新L点内的信道CIR，进一步减小L点内的噪声影响，提高CE准确度。

2.根据权利要求1所述的信道估计方法，其特征在于，一个OFDM符号有N个子载波，载波间隔为1／T，每个OFDM符号的时间宽度为NT，原始的二进制数据X[i]经交织映射，等间隔插入导频X[p]，组成长度为N的数据X[k]，再经IDFT调制为时域x[n]。

3.根据权利要求1所述的信道估计方法，其特征在于，所述步骤1)中以LS估计法进行所述导频位置的信道估计。

4.根据权利要求3所述的信道估计方法，其特征在于，从Y(k)中提取导频子载波位置Y(p)，由(p)通过插值可得到数据子载波位置频域响应。

5.根据权利要求3所述的信道估计方法，其特征在于，由LS算法得到的信道冲击响应(CIR)，其能量主要集中在开始的一部分点(L点)，而基于DFT信道估计方法的降噪方法是将L点之外的点清零。

6.根据权利要求5所述的信道估计方法，其特征在于，基于DFT信道估计方法获得的CIR，经DFT变换得频域CFR，从中可以看出，基于DFT信道估计算法仅消除了L点之外的噪声。

7.根据权利要求1所述的信道估计方法，其特征在于，初步估计得到发送数据不含CP的时域接收信号y(n)可表示为：y=Ah+w，将经DFT转换为并反馈回信道估计模块，可得到矩阵A，并可解得h的值。

8.根据权利要求7所述的信道估计方法，其特征在于，若 $A=Q\left[\begin{array}{c}R\\ O\end{array}\right],$ 其中Q为正交矩阵，R为上三角矩阵，对矩阵A进行QR分解，同时对时域接收信号y(n)左乘Q^T，综合各式得到新的信道CIR，然后在此基础上重复基于DFT的信道估计算法，再次消除L点外的噪声。