CN104935537A - 一种收发端iq不平衡与信道的联合估计补偿改进方法 - Google Patents

Abstract

本发明属于无线通信技术领域，尤其涉及无线通信系统中一种联合信道估计与收发端(In-phase Quadrature，IQ)不平衡补偿的改进方法。本发明基于收发端IQ不平衡对CVE的影响，通过最小化CVE，经一系列推导可得到关于IQ不平衡参数β_T、β_R的一组闭式表达式。通过两次独立开的初始值的设置以及迭代计算得到关于β参数的两组估计值，将其分别求均值作为β参数的最终估计值。本发明同时考虑了发射端与接收端的IQ不平衡，并同时适用于SC-FDE系统和OFDM系统，本发明算法基于训练序列，但对训练序列无特定要求，适用于诸多不同标准下的通信系统，具有良好的实际意义。

Description

一种收发端IQ不平衡与信道的联合估计补偿改进方法

技术领域

本发明属于无线通信技术领域，尤其涉及无线通信系统中一种联合信道估计与收发端(In-phase Quadrature，IQ)不平衡补偿的改进方法。

背景技术

无线通信通常需要载波调制，鉴于实际中模拟器件的非理想性，模拟前端(front-end，FE)的同相与正交(In-phase Quadrature，IQ)两路信号在调制解调的过程中会产生信号的不平衡，即IQ两路本振信号的幅度不再相同，相位差也不等于(IQ不平衡)，从而导致系统性能下降，这在载波频率较高的系统(如毫米波通信系统)中更为严重，尤其是在当高频通信系统采用高阶调制或者射频前端为了降低成本而采用低成本的直接变频结构的情况下(如60GHz毫米波无线通信系统)。

造成IQ不平衡的原因分为两种:

与频率独立的IQ不平衡(frequency-independent I/Q mismatch)，这种不平衡是由于混频器产生的本振信号不准确引起，混频器中本振信号相位差不为90°或者幅度不同导致IQ两路信号不能发生正交的解调，这种不平衡的效果与信号中各个频率分量相互独立。

IQ不平衡与频率相关，即IQ不平衡的效果根据信号中的频率成分的不同而不同，这种不平衡产生的主要是源于IQ两路中电路器件频响特性的差距，例如两支路中的滤波器频率响应的不同，放大器、数模转换器(DAC，Digital-to-AnalogConverter)或模数转换器(ADC，Analog-to-Digital Converter)输出的不同等，这些都会造成I\Q两路发生不匹配的情况。

一般来说，一些模拟域的技术可用来降低IQ不平衡的影响，如布线技术、使用不同的电路拓扑结构等等。但是这些技术往往会增加设备尺寸、功耗和成本，而且不能有效地消除IQ不平衡。相比之下，在数字域通过数字信号处理对IQ不平衡进行估计和补偿不需要像模拟域一样做各种权衡或折中，有着巨大优势。因此，在数字基带中进行IQ不平衡补偿是必要和关键的。

目前，常见的一些IQ不平衡的补偿方案，大致分为两种：盲估计或非盲估计算法。

盲估计算法，例如，以干扰抵消(IC,Interference Cancellation)和盲源分离(BSS,Blind Source Separation)为基础的补偿算法，通过分析IQ不平衡对信号统计特性的影响来补偿IQ不平衡。该方法不需要任何已知序列，也不需要对IQ不平衡参数进行估计，但通常需要大量的符号以及较长的自适应迭代过程，同时信号统计特性易受多径的破坏。

非盲估计算法，基于信号检测理论，IQ不平衡参数也可以通过发送已知训练序列进行估计。一般可以通过基于系统级的算法并采用传统的最小二乘(LS,LeastSquares)、期望最大化(EM,Expectation Maximization)等准则，实现对IQ不平衡准确、快速的估计和补偿。这种补偿方案比盲估计运算量小，易于实现，因此应用广泛。但常用的非盲估计算法面临着依赖于理想信道估计、对训练序列有特定要求从而适用性受限、无法将IQ不平衡参数与信道分离开或者无法对频率相关IQ不平衡进行有效补偿等问题，有的算法可以解决信道与IQI分离的问题，但却引入了较高的计算复杂度，加大了系统开销。针对上诉问题，研究一种通用的低复杂度的联合信道估计与收发端IQ不平衡补偿的方法具有重要的实际意义。

发明内容

针对现有技术的不足，本发明提供一种收发端IQ不平衡与信道的联合估计补偿改进方法。

一种收发端IQ不平衡与信道的联合估计补偿改进方法，具体步骤如下：

S1、令长度为N的训练序列x[n]通过信道h[n]，接收端接收信号的频域表达为：则忽略噪声后，得到关于H_k的表达式： $\begin{array}{c}{H}_k=\frac{A_k^{*}{Y}_k-B_{N-k}{Y}_{N-k}^{*}}{{\left|A_k\right|}^2-{\left|B_{N-k}\right|}^2}\\ =\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}\end{array},$ 其中，X_k为所述x[n]经过N_s点的FFT后的频域信号，为所述x[n]的共轭信号x^*[n]经过N_s点的FFT后的频域信号，H_k为信道h[n]经过N_s点的FFT后的频域响应，为信道h[n]的共轭h^*[n]经过N_s点的FFT后的频域响应，0≤k≤N_s-1，0≤N_s≤N，k为整数，N_s为整数，为噪声项并服从高斯分布：A_k、B_k为与收发端IQ不平衡参数α_T、β_T、α_R与β_R相关联的参量， $A_k={\mathrm{\α}}_T{\mathrm{\α}}_R{X}_k+{\mathrm{\β}}_T{\mathrm{\α}}_R{X}_{N-k}^{*},B_k={\mathrm{\β}}_T^{*}{\mathrm{\β}}_R{X}_k+{\mathrm{\α}}_T^{*}{\mathrm{\β}}_R{X}_{N-k}^{*},$ ·^*表示取共轭；

S2、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式，将所述CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，其中，β_R的闭式表达式与α_T、β_T、X_k和Y_k相关，β_T的闭式表达式与α_R、β_R、X_k和Y_k相关；

S3、初始化α_T＝1、β_T＝0，代入S2所述β_R的闭式表达式求得β_R的估计值，将所述β_R和α_R代入S2所述β_T的闭式表达式求得β_T的估计值，记第一组β的估计值为(β_T·1,β_R·1)；

S4、初始化α_R＝1、β_R＝0，代入S2所述β_T的闭式表达式求得β_T的估计值，将所述β_T和α_T代入S2所述的关于β_R的闭式表达式求得β_R的估计值，记第二组β的估计值为(β_T·2,β_R·2)；

S5、利用S3所述第一组β的估计值和S4所述第二组β的估计值分别对β_T、β_R求平均，得到 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2},$ 将所述 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2}$ 代入S3所述和S4所述中求得α_T和α_R的估计值，其中， ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 作为β_T的最终估计值， ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2}$ 作为β_R的最终估计值；

S6、将S5所述α_T、β_T、α_R与β_R代入S1所述的H_k的表达式得到H_k的估计值，完成信道估计；

S7、发送信息序列，利用S5所述α_R与β_R对所述接收信号进行补偿利用S6所述信道估计H_k移除信道影响，得利用S5所述α_T与β_T的估计值对进行补偿，得到 ${\stackrel{\‾}{X}}_k=\frac{{\mathrm{\α}}_T^{*}{\stackrel{\‾}{S}}_k-{\mathrm{\β}}_T{\stackrel{\‾}{S}}_{N-k}^{*}}{{\left|{\mathrm{\α}}_T\right|}^2-{\left|{\mathrm{\β}}_T\right|}^2}=X_k,$ 即恢复出原始发送信号。

进一步地，S1所述N_s＝512。

进一步地，S2所述得到β_T和β_R的闭式表达式具体步骤如下：

S21、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式

$\begin{array}{c}\mathrm{CVE}\stackrel{\mathrm{\Δ}}{=}\frac{1}{N-1}\underset{k=0}{\overset{N-2}{\mathrm{\Σ}}}{|H_{k+1}-H_k|}^2\\ =\frac{1}{N-1}\underset{k}{\mathrm{\Σ}}{|\frac{{\mathrm{\α}}_R^{*}{Y}_{k+1}-{\mathrm{\β}}_R{Y}_{N-k-1}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_{k+1}+{\mathrm{\β}}_T{X}_{N-k-1}^{*})}-\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}|}^2\end{array};$

S22、将S21所述的CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，

${\mathrm{\β}}_T=-\frac{\underset{k}{\mathrm{\Σ}}(X_k{U}_{k+1}-X_{k+1}{U}_k){(X_{N-k}^{*}{U}_{k+1}-X_{N-k}^{*}{U}_k)}^{*}}{\underset{k}{\mathrm{\Σ}}{|X_{N-k}^{*}{U}_{k+1}-X_{N-k-1}^{*}{U}_k|}^2},$ 其中, $U_k={\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*},$

${\mathrm{\β}}_R=\frac{\underset{k}{\mathrm{\Σ}}(V_k{Y}_{k+1}-V_{k+1}{Y}_k){(V_k{Y}_{N-k-1}^{*}-{V_{k+1}Y}_{N-k}^{*})}^{*}}{\underset{k}{\mathrm{\Σ}}{|V_k{Y}_{N-k-1}^{*}-{V_{k+1}Y}_{N-k}^{*}|}^2},$ 其中, $V_k={\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*}.$

本发明的有益效果是：

本发明同时考虑了发射端与接收端的IQ不平衡，并同时适用于SC-FDE系统和OFDM系统，本发明算法基于训练序列，但对训练序列无特定要求，适用于诸多不同标准下的通信系统，具有良好实际意义。

本发明同时得到分离开的IQ不平衡的参数和估计信道，用估计到的IQ不平衡参数作为固定参数进行统一补偿，无需再对IQ不平衡参数进行重复的参数估计，相对于以往的IQ不平衡补偿方法大多将IQ不平衡与信道作为一个整体考虑，降低了系统计算的开销。同时，本发明的整体算法主要涉及线性运算，避免了高复杂度的计算。

附图说明

图1是本发明系统模型结构图。

图2是本发明收发端IQ不平衡结构图。

图3是本发明算法流程图。

图4是本发明算法误比特率(BER)性能曲线图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

如图1所示为本发明系统模型结构图。

图2是本发明收发端IQ不平衡结构图。

图3是本发明的算法流程图。

本算法基于收发端IQ不平衡对CVE的影响，通过最小化CVE，经一系列推导可得到关于IQ不平衡参数β_T、β_R的一组闭式表达式。考虑到参数之间相互独立，并且实际情况中对于IQ不平衡参数有α_T≈1、β_T≈0、α_R≈1、β_R≈0，同时，IQ不平衡的补偿效果对于控制在一定范围内的参数估计误差是不敏感的，所以，本发明采用迭代的方法。通过两次独立开的初始值的设置以及迭代计算得到关于β参数的两组估计值，将其分别求均值作为β参数的最终估计值，经验证这个估计值控制在一个合适的误差范围之内，即达到了一定的准确度。再通过收发的训练序列以及估计出的参数做信道估计，最后通过得到的IQ不平衡参数与信道估计对接收信号中真正需要传输的信息序列部分进行IQ不平衡补偿与信道均衡，以恢复出院时发送信号。

S1、令长度为N的训练序列x[n]通过信道h[n]，考虑收发端IQ不平衡的引入，接收端接收信号的频域表达为：则忽略噪声后，得到关于H_k的表达式： $\begin{array}{c}{H}_k=\frac{A_k^{*}{Y}_k-B_{N-k}{Y}_{N-k}^{*}}{{\left|A_k\right|}^2-{\left|B_{N-k}\right|}^2}\\ =\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}\end{array},$ 其中，X_k为所述x[n]经过N_s点的FFT后的频域信号，为所述x[n]的共轭信号x^*[n]经过N_s点的FFT后的频域信号，H_k为信道h[n]经过N_s点的FFT后的频域响应，为信道h[n]的共轭h^*[n]经过N_s点的FFT后的频域响应，0≤k≤N_s-1，0≤N_s≤N，k为整数，N_s为整数，为噪声项并服从高斯分布：A_k、B_k为与收发端IQ不平衡参数α_T、β_T、α_R与β_R相关联的参量， $B_k={\mathrm{\β}}_T^{*}{\mathrm{\β}}_R{X}_k+{\mathrm{\α}}_T^{*}{\mathrm{\β}}_R{X}_{N-k}^{*},$ ·^*表示取共轭,N_s＝512；

S2、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式，基于最小化CVE的目的，将所述CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，其中，β_R的闭式表达式与α_T、β_T、X_k和Y_k相关，β_T的闭式表达式与α_R、β_R、X_k和Y_k相关,所述得到β_T和β_R的闭式表达式具体步骤如下：

S21、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式

$\begin{array}{c}\mathrm{CVE}\stackrel{\mathrm{\Δ}}{=}\frac{1}{N-1}\underset{k=0}{\overset{N-2}{\mathrm{\Σ}}}{|H_{k+1}-H_k|}^2\\ =\frac{1}{N-1}\underset{k}{\mathrm{\Σ}}{|\frac{{\mathrm{\α}}_R^{*}{Y}_{k+1}-{\mathrm{\β}}_R{Y}_{N-k-1}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_{k+1}+{\mathrm{\β}}_T{X}_{N-k-1}^{*})}-\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}|}^2\end{array};$

S22、将S21所述的CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，

${\mathrm{\β}}_T=-\frac{\underset{k}{\mathrm{\Σ}}(X_k{U}_{k+1}-X_{k+1}{U}_k){(X_{N-k}^{*}{U}_{k+1}-X_{N-k}^{*}{U}_k)}^{*}}{\underset{k}{\mathrm{\Σ}}{|X_{N-k}^{*}{U}_{k+1}-X_{N-k-1}^{*}{U}_k|}^2},$ 其中, $U_k={\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*},$

${\mathrm{\β}}_R=\frac{\underset{k}{\mathrm{\Σ}}(V_k{Y}_{k+1}-V_{k+1}{Y}_k){(V_k{Y}_{N-k-1}^{*}-{V_{k+1}Y}_{N-k}^{*})}^{*}}{\underset{k}{\mathrm{\Σ}}{|V_k{Y}_{N-k-1}^{*}-{V_{k+1}Y}_{N-k}^{*}|}^2},$ 其中, $V_k={\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*}.$

S3、初始化α_T＝1、β_T＝0，代入S2所述β_R的闭式表达式求得β_R的估计值，将所述β_R和α_R代入S2所述β_T的闭式表达式求得β_T的估计值，记第一组β的估计值为(β_T·1,β_R·1)；

S4、初始化α_R＝1、β_R＝0，代入S2所述β_T的闭式表达式求得β_T的估计值，此时的β_T的估计值较真实值偏大,将所述β_T和α_T代入S2所述的关于β_R的闭式表达式求得β_R的估计值，记第二组β的估计值为(β_T·2,β_R·2)；

S5、利用S3所述第一组β的估计值和S4所述第二组β的估计值分别对β_T、β_R求平均，得到 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2},$ 将所述 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2}$ 代入S3所述和S4所述中求得α_T和α_R的估计值，其中， ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 作为β_T的最终估计值， ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2}$ 作为β_R的最终估计值；

S6、将S5所述α_T、β_T、α_R与β_R代入S1所述的H_k的表达式得到H_k的估计值，完成信道估计；

S7、发送信息序列，经过发射端IQ不平衡、信道与接收端IQ不平衡的影响，得到接收信号，首先利用S5所述α_R与β_R对所述接收信号进行补偿利用S6所述信道估计H_k移除信道影响，得利用S5所述α_T与β_T的估计值对进行补偿，得到 ${\stackrel{\‾}{X}}_k=\frac{{\mathrm{\α}}_T^{*}{\stackrel{\‾}{S}}_k-{\mathrm{\β}}_T{\stackrel{\‾}{S}}_{N-k}^{*}}{{\left|{\mathrm{\α}}_T\right|}^2-{\left|{\mathrm{\β}}_T\right|}^2}=X_k,$ 即恢复出原始发送信号。

图4是使用图1的系统模型结构、图2的IQ不平衡模型结构和图3的算法流程，应用到具体的通信系统中，仿真得到的本发明算法在SC-FDE系统中的误比特率(BER)性能曲线图。图4表示在IEEE 802.15.ad信道标准定义的视距(LOS)信道模型中不同比特信噪比E_b/N₀(dB)的性能曲线图。本例的仿真系统是属于高频高速超宽带通信系统，它主要仿真参数是：载波频率为60GHz，符号率为1.76Gbps，16QAM调制，发送和接收滚降滤波器的滚降因子为0.25，系统带宽为2.16GHz，接收端频率相关IQ不平衡参数为ε_R＝1dB，Δφ_R＝5°，物理层帧结构采用802.11 ad标准中定义的帧格式。前导码主要用于分组检测、自动增益控制、频偏估计、同步、信道估计和调制方式表示等等，由短训练序列(STF,Short Training Field)和信道估计序列(CEF,Channel Estimation Field)组成。从图4我们可以看到，没有对IQ不平衡补偿时，系统的性能很差，而对IQ不平衡补偿之后，系统性能改善很明显。

Claims (3)

1.一种收发端IQ不平衡与信道的联合估计补偿改进方法，其特征在于，包括如下步骤：

S1、令长度为N的训练序列x[n]通过信道h[n]，接收端接收信号的频域表达为：则忽略噪声后，得到关于H_k的表达式： $\begin{array}{c}{H}_k=\frac{A_k^{*}{Y}_k-B_{N-k}{Y}_{N-k}^{*}}{{\left|A_k\right|}^2-{\left|B_{N-k}\right|}^2}\\ =\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}\end{array},$ 其中，X_k为所述x[n]经过N_s点的FFT后的频域信号，为所述x[n]的共轭信号x^*[n]经过N_s点的FFT后的频域信号，H_k为信道h[n]经过N_s点的FFT后的频域响应，为信道h[n]的共轭h^*[n]经过N_s点的FFT后的频域响应，0≤k≤N_s-1，0≤N_s≤N，k为整数，N_s为整数，为噪声项并服从高斯分布：A_k、B_k为与收发端IQ不平衡参数α_T、β_T、α_R与β_R相关联的参量， $A_k={\mathrm{\α}}_T{\mathrm{\α}}_R{X}_k+{\mathrm{\β}}_T{\mathrm{\α}}_R{X}_{N-k}^{*},B_k={\mathrm{\β}}_T^{*}{\mathrm{\β}}_R{X}_k+{\mathrm{\α}}_T^{*}{\mathrm{\β}}_R{X}_{N-k}^{*},$ ·^*表示取共轭；

S2、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式，将所述CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，其中，β_R的闭式表达式与α_T、β_T、X_k和Y_k相关，β_T的闭式表达式与α_R、β_R、X_k和Y_k相关；

S3、初始化α_T＝1、β_T＝0，代入S2所述β_R的闭式表达式求得β_R的估计值，将所述β_R和α_R代入S2所述β_T的闭式表达式求得β_T的估计值，记第一组β的估计值为(β_T·1,β_R·1)；

S4、初始化α_R＝1、β_R＝0，代入S2所述β_T的闭式表达式求得β_T的估计值，将所述β_T和α_T代入S2所述的关于β_R的闭式表达式求得β_R的估计值，记第二组β的估计值为(β_T·2,β_R·2)；

S5、利用S3所述第一组β的估计值和S4所述第二组β的估计值分别对β_T、β_R求平均，得到 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2},$ 将所述 ${\mathrm{\β}}_T=\frac{{\mathrm{\β}}_{T\·1}+{\mathrm{\β}}_{T\·2}}{2}$ 和 ${\mathrm{\β}}_R=\frac{{\mathrm{\β}}_{R\·1}+{\mathrm{\β}}_{R\·2}}{2}$ 代入S3所述和S4所述中求得α_T和α_R的估计值，其中，作为β_T的最终估计值，作为β_R的最终估计值；

S6、将S5所述α_T、β_T、α_R与β_R代入S1所述的H_k的表达式得到H_k的估计值，完成信道估计；

S7、发送信息序列，利用S5所述α_R与β_R对所述接收信号进行补偿利用S6所述信道估计H_k移除信道影响，得利用S5所述α_T与β_T的估计值对进行补偿，得到 ${\stackrel{\‾}{X}}_k=\frac{{\mathrm{\α}}_T^{*}{\stackrel{\‾}{S}}_k-{\mathrm{\β}}_T{\stackrel{\‾}{S}}_{N-k}^{*}}{{\left|{\mathrm{\α}}_T\right|}^2-{\left|{\mathrm{\β}}_T\right|}^2}=X_k,$ 即恢复出原始发送信号。

2.根据权利要求1所述的一种收发端IQ不平衡与信道的联合估计补偿改进方法，其特征在于：S1所述N_s＝512。

3.根据权利要求1所述的一种收发端IQ不平衡与信道的联合估计补偿改进方法，其特征在于：S2所述得到β_T和β_R的闭式表达式具体步骤如下：

S21、由信道变化能量(CVE)的定义以及S1所述的H_k得到CVE表达式 $\begin{array}{c}\mathrm{CVE}\stackrel{\mathrm{\Δ}}{=}\frac{1}{N-1}\underset{k=0}{\overset{N-2}{\mathrm{\Σ}}}{|H_{k+1}-H_k|}^2\\ =\frac{1}{N-1}\underset{k}{\mathrm{\Σ}}{|\frac{{\mathrm{\α}}_R^{*}{Y}_{k+1}-{\mathrm{\β}}_R{Y}_{N-k-1}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_{k+1}+{\mathrm{\β}}_T{X}_{N-k-1}^{*})}-\frac{{\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*}}{({\left|{\mathrm{\α}}_R\right|}^2-{\left|{\mathrm{\β}}_R\right|}^2)({\mathrm{\α}}_T{X}_k+{\mathrm{\β}}_T{X}_{N-k}^{*})}|}^2\end{array};$

S22、将S21所述的CVE表达式分别对S1所述参数β_T、β_R求偏导，置0求得的偏导表达式，得到β_T和β_R的闭式表达式，

${\mathrm{\β}}_T=\frac{\underset{k}{\mathrm{\Σ}}(X_k{U}_{k+1}-X_{k+1}{U}_k){(X_{N-k}^{*}{U}_{k+1}-X_{N-k-1}^{*}{U}_k)}^{*}}{\underset{k}{\mathrm{\Σ}}{|X_{N-k}^{*}{U}_{k+1}-X_{N-k-1}^{*}{U}_k|}^2},$ 其中, $U_k={\mathrm{\α}}_R^{*}{Y}_k-{\mathrm{\β}}_R{Y}_{N-k}^{*},$ ${\mathrm{\β}}_R=\frac{\underset{k}{\mathrm{\Σ}}(V_k{Y}_{k+1}-V_{k+1}{Y}_k){(V_k{Y}_{N-k-1}^{*}-V_{k+1}{Y}_{N-k}^{*})}^{*}}{\underset{k}{\mathrm{\Σ}}{|V_k{Y}_{N-k-1}^{*}-V_{k+1}{Y}_{N-k}^{*}|}^2},$ 其中, $V_k={\mathrm{\α}}_T{X}_k-{\mathrm{\β}}_T{Y}_{N-k}^{*}.$