CN105071876A - 干扰估计方法及装置 - Google Patents

Abstract

本发明实施例提供一种干扰估计方法及装置。本发明实施例基于DMRS，对服务小区的邻区进行BF模式盲检；若盲检确定为BF模式，则基于DMRS信道估计构建邻区的BF模式干扰贡献矩阵；若盲检确定为非BF模式，则基于CRS信道估计构建邻区的非BF模式干扰贡献矩阵；多小区非BF模式干扰贡献矩阵迭代刷新估计功率因子与预编码矩阵参量对，优选各邻区参量对小集合后进行联合估计，干扰估计矩阵基于最终联合优选的参量对构建的非BF模式干扰贡献矩阵加权平均获得；最后根据各邻区BF/非BF模式干扰贡献矩阵，获得服务小区数据位置的干扰估计。本发明实施例适用于服务小区为非BF模式，可实现服务小区数据位置干扰的准确估计。

Description

干扰估计方法及装置

技术领域

本发明实施例涉及通信技术，尤其涉及一种干扰估计方法及装置。

背景技术

在无线蜂窝系统中，为获得较高的频谱利用率，通常采用复用因子为1的模式进行频谱复用组网，也即每个小区均可重复使用系统所有的可用频谱资源。由此带来的多小区间的共信道同频干扰，成为制约系统容量进一步提升的关键因素。为提高系统容量，长期演进技术升级版(LongTermEvolutionAdvanced，简称：LTE-Advanced)引入异构网络(HeterogeneousNetwork，简称：Het-net)。异构网络即在传统宏小区覆盖中增加一些低功率节点(LowPowerNode，简称：LPN)小区，这些LPN小区覆盖半径小，复用宏小区系统的频谱资源，从而可卸载宏小区的负荷到这些LPN小区中。异构网络的引入，使得多小区间的共信道同频干扰变得更加复杂和严峻。由此，在LTE-Advanced中，需要终端具备更高的干扰处理能力。

现阶段，终端采用干扰抑制合并(InterferenceRejectionCombine，简称：IRC)技术消除干扰。其中，IRC技术是利用干扰协方差矩阵统计信息对干扰进行白化，以最大化接收信号的信干噪比(SignaltoInterferenceplusNoiseRatio，简称SINR)，从而提升终端的解调性能。进一步地，在小区参考信号(CellReferenceSignal，简称：CRS)模式下，终端基于CRS估计干扰协方差矩阵。该方法适用于CRS上的干扰与数据上实际遭受的干扰一致的场景。但在干扰邻区CRS碰撞场景，CRS上的干扰与数据上实际遭受的干扰可能不一致，此时，再利用上述方法估计的干扰协方差矩阵与实际的干扰协方差矩阵不同，即，干扰协方差矩阵的估计失准，进而导致IRC性能较差。

发明内容

本发明实施例提供一种干扰估计方法及装置，以在CRS上的干扰与数据上实际遭受的干扰不一致时，准确估计干扰协方差矩阵，提升IRC性能。

第一方面，本发明实施例提供一种干扰估计方法，适用于服务小区中小区参考信号CRS上的干扰与数据上实际遭受的干扰不一致的场景，所述干扰估计方法包括：

基于解调参考信号DMRS，对服务小区的邻区进行DMRS信道估计，所述服务小区为非波束赋形BF模式；

根据DMRS信道估计的结果，进行BF模式盲检；

若BF模式盲检确定所述邻区为BF模式，则基于所述DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，所述BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对所述服务小区数据产生的干扰；

根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述BF模式干扰贡献矩阵，获得所述服务小区数据位置的干扰估计。

结合第一方面，在第一方面的第一种可能的实现方式中，所述DMRS信道估计以资源块或资源块对为单位进行。

结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述根据所述DMRS信道估计的结果，进行BF模式盲检，包括：

根据DMRS信道估计的结果，计算所述邻区的干信比INR；

当所述邻区的INR大于预设门限时，则确定所述邻区为BF模式。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述根据所述DMRS信道估计的结果，进行BF模式盲检，还包括：

对一发天线端口对应的一收天线端口，基于所述收天线端口的INR判断所述收天线端口是否为BF模式；

基于所述发天线端口对应的所有收天线端口是否为BF模式的判断结果，根据第一预设规则判断所述发天线端口是否为BF模式；

基于所述邻区内所有发天线端口的判断结果，根据第二预设规则判断所述邻区是否为BF模式。

结合第一方面、第一方面的第一种至第三种可能的实现方式中任意一种，在第一方面的第四种可能的实现方式中，所述根据所述信道估计的结果，进行BF模式盲检之后，还包括：

若BF模式盲检确定所述邻区为非BF模式，则基于CRS对所述邻区进行CRS信道估计；

根据邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵；

根据所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，所述非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式对所述服务小区数据产生的干扰；

根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述非BF模式干扰贡献矩阵，获得所述服务小区的数据位置的干扰估计。

结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述根据邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵，包括：

根据所述服务小区CRS信道估计的结果，获得所述服务小区的信道相关矩阵；

根据接收信号，获得所述服务小区的数据相关矩阵；

根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵。

结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵，包括：

对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，所述M为正整数；

对于第m轮迭代，采用以下方法估计各邻区对应的所述服务小区数据位置干扰的功率因子与预编码矩阵：

依据所述多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：

根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；

根据所述多个邻区在迭代过程中的非BF模式干扰贡献矩阵、所述服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，所述预设方法包括能量度量方法和/或似然概率度量方法。

结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述预设方法为所述能量度量方法，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于能量度量，选取所述邻区对应能量度量较小的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

结合第一方面的第六种可能的实现方式，在第一方面的第八种可能的实现方式中，所述预设方法为所述似然概率度量方法，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T为正整数。

结合第一方面的第六种可能的实现方式，在第一方面的第九种可能的实现方式中，所述预设方法为所述能量度量方法和所述似然概率度量方法的结合，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于能量度量，选取所述邻区对应能量度量较小的T₁组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T₁为正整数；

在所述T₁组参数对中，基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T为正整数，所述T小于所述T₁。

结合第一方面的第七种至第九种可能的实现方式中任意一种，在第一方面的第十种可能的实现方式中，所述根据所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，包括：

对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，所述T₂为正整数，所述T₂小于T^N，所述N表示所述邻区的个数；

根据所述T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，所述非BF模式干扰总贡献矩阵为所述多个邻区非BF模式干扰贡献矩阵的和。

第二方面，本发明实施例提供一种干扰估计方法，所述方法包括：

将服务小区的数据资源单元RE分为至少两组RE，所述至少两组RE具有不同的干扰水平；

基于小区参考信号CRS确定资源块RB级干扰估计矩阵或白化矩阵；

基于所述RB级干扰估计矩阵或白化矩阵，采用预设方法对所述至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

结合第二方面，在第二方面的第一种可能的实现方式中，所述预设方法包括矩阵修正法和标量修正法；

其中，所述矩阵修正法具体为：在所述RB级干扰估计矩阵上加一修正矩阵，所述修正矩阵表示对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰偏差矩阵；

所述标量修正法包括：基于所述RB级干扰估计矩阵的干扰估计矩阵标量修正和基于所述RB级白化矩阵的白化矩阵标量修正，其中，所述干扰估计矩阵标量修正具体为：在所述RB级干扰估计矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值；所述白化矩阵标量修正具体为：在所述RB级白化矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值的-1/2次方。

第三方面，本发明实施例提供一种干扰估计装置，适用于服务小区中小区参考信号CRS上的干扰与数据上实际遭受的干扰不一致的场景，所述干扰估计装置包括：

解调参考信号DMRS信道估计模块，用于基于DMRS，对服务小区的邻区进行DMRS信道估计，所述服务小区为非波束赋形BF模式；

BF模式盲检模块，用于根据所述DMRS信道估计模块输出的DMRS信道估计的结果，进行BF模式盲检；

干扰贡献矩阵构建模块，用于若所述BF模式盲检模块确定所述邻区为BF模式，则基于所述DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，所述BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对所述服务小区数据产生的干扰；

干扰估计模块，用于根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述干扰贡献矩阵构建模块构建的所述BF模式干扰贡献矩阵，获得所述服务小区数据位置的干扰估计。

结合第三方面，在第三方面的第一种可能的实现方式中，所述DMRS信道估计模块以资源块或资源块对为单位进行所述DMRS信道估计。

结合第三方面或第三方面的第一种可能的实现方式，在第三方面的第二种可能的实现方式中，所述BF模式盲检模块具体用于：根据DMRS信道估计的结果，计算所述邻区的干信比INR；当所述邻区的INR大于预设门限时，则确定所述邻区为BF模式。

结合第三方面的第二种可能的实现方式中，在第三方面的第三种可能的实现方式中，所述BF模式盲检模块还用于：

对一发天线端口对应的一收天线端口，基于所述收天线端口的INR判断所述收天线端口是否为BF模式；

基于所述发天线端口对应的所有收天线端口是否为BF模式的判断结果，根据第一预设规则判断所述发天线端口是否为BF模式；

基于所述邻区内所有发天线端口的判断结果，根据第二预设规则判断所述邻区是否为BF模式。

结合第三方面、第三方面的第一种至第三种可能的实现方式中任意一种，在第三方面的第四种可能的实现方式中，还包括CRS信道估计模块；

所述CRS信道估计模块，用于所述BF模式盲检模块确定所述邻区为非BF模式，则基于CRS对所述邻区进行CRS信道估计；

相应地，所述干扰贡献矩阵构建模块包括：

功率因子与预编码矩阵估计单元，用于根据所述CRS信道估计模块输出的邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵；

非BF模式干扰贡献矩阵构建单元，用于根据所述功率因子与预编码矩阵估计单元得到的所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，所述非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式所述服务小区数据产生的干扰；

相应地，所述干扰估计模块，还用于根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述非BF模式干扰贡献矩阵，获得所述服务小区的数据位置的干扰估计。

结合第三方面的第四种可能的实现方式，在第三方面的第五种可能的实现方式中，所述功率因子与预编码矩阵估计单元具体用于：

根据所述服务小区CRS信道估计的结果，获得所述服务小区的信道相关矩阵；

根据接收信号，获得所述服务小区的数据相关矩阵；

根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵。

结合第三方面的第五种可能的实现方式，在第三方面的第六种可能的实现方式中，所述功率因子与预编码矩阵估计单元用于根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵时，具体为：

对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，所述M为正整数；

对于第m轮迭代，采用以下方法估计各邻区对应的所述服务小区数据位置干扰的功率因子与预编码矩阵：

依据所述多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：

根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；

根据所述多个邻区在迭代过程中的非BF模式干扰贡献矩阵、所述服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，所述预设方法包括能量度量方法和/或似然概率度量方法。

结合第三方面的第六种可能的实现方式，在第三方面的第七种可能的实现方式中，所述预设方法为所述能量度量方法，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于能量度量，选取所述邻区对应能量度量较小的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

结合第三方面的第六种可能的实现方式，在第三方面的第八种可能的实现方式中，所述预设方法为所述似然概率度量方法，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

结合第三方面的第六种可能的实现方式，在第三方面的第九种可能的实现方式中，所述预设方法为所述能量度量方法和所述似然概率度量方法的结合，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于能量度量，选取所述邻区对应能量度量较小的T₁组参数对，所述参数对包括功率因子和预编码矩阵，所述T₁为正整数；

在所述T₁组参数对中，基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T为正整数，所述T小于所述T₁。

结合第三方面的第七种至第九种可能的实现方式中任意一种，在第三方面的第十种可能的实现方式中，所述功率因子与预编码矩阵估计单元还用于：对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，所述T₂为正整数，所述T₂小于T^N，所述N表示所述邻区的个数；

相应地，所述非BF模式干扰贡献矩阵构建单元，具体用于根据所述功率因子与预编码矩阵估计单元得到的所述T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，所述非BF模式干扰总贡献矩阵为所述多个邻区非BF模式干扰贡献矩阵的和。

第四方面，本发明实施例提供一种干扰估计装置，包括：

分组模块，用于将所述服务小区的数据资源单元RE分为至少两组RE，所述至少两组RE具有不同的干扰水平；

干扰估计模块，用于基于小区参考信号CRS确定资源块RB级干扰估计矩阵或白化矩阵；

修正模块，用于基于所述RB级干扰估计矩阵或白化矩阵，采用预设方法对所述至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

结合第四方面，在第四方面的第一种可能的实现方式中，所述预设方法包括矩阵修正法和标量修正法；

其中，所述矩阵修正法具体为：在所述RB级干扰估计矩阵上加一修正矩阵，所述修正矩阵表示对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰偏差矩阵；

所述标量修正法包括：基于所述RB级干扰估计矩阵的干扰估计矩阵标量修正和基于所述RB级白化矩阵的白化矩阵标量修正，其中，所述干扰估计矩阵标量修正具体为：在所述RB级干扰估计矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值；所述白化矩阵标量修正具体为：在所述RB级白化矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值的-1/2次方。

本发明实施例干扰估计方法及装置，通过基于DMRS对所述邻区进行DMRS信道估计，并根据DMRS信道估计的结果进行BF模式盲检，检测邻区是否为BF模式，在邻区为BF模式时，则根据DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，从而获得邻区TM7～TM10传输模式对服务小区数据造成的干扰的估计；最后，通过服务小区CRS干扰消除后的干扰协方差矩阵和BF模式干扰贡献矩阵，例如二者的加和，获得服务小区内部和外部的总干扰估计，实现服务小区数据位置的干扰的准确估计，进而提高IRC性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为RB级干扰类型示例图；

图2为本发明干扰估计方法的总体概要流程图；

图3为本发明干扰估计方法实施例一的流程图；

图4为本发明干扰估计方法实施例二的流程图；

图5为非BF模式干扰检测与估计的示例图；

图6为基于迭代的联合能量度量方法与似然概率度量方法估计功率因子与预编码矩阵的示例图；

图7为通过多个碰撞邻区间迭代刷新构建非BF模式干扰贡献矩阵的示例图；

图8为非BF模式干扰贡献矩阵构建框架方案示意图；

图9为非BF模式干扰协方差矩阵构建框架方案示意图；

图10为本发明干扰估计方法的另一总体概要流程图；

图11为本发明干扰估计方法实施例三的流程图；

图12为本发明干扰估计方法的一应用示例图；

图13为本发明干扰估计装置实施例一的结构示意图；

图14为本发明干扰估计装置实施例二的结构示意图；

图15为本发明干扰估计装置实施例三的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对异构网络强干扰场景，在长期演进技术(LongTermEvolution，简称：LTE)R10中引入了时间维度的干扰协调技术，即引入几乎空白子帧(AlmostBlankSubframe，简称：ABS)，在ABS上强干扰邻区不发数据，从而保护接入在LPN小区上的用户设备(UserEquipment，简称：UE)的基本通信能力。然而，网络侧并未告诉UE其ABS图样的全集，因此UE需要自主对子帧干扰类型进行判断。对于非ABS，邻区资源调度也会产生部分资源块(ResourceBlock，简称：RB)未遭受干扰，部分RB遭受干扰，遭受干扰的RB的干扰大小和成分也是不同的，即产生RB级的ABS干扰类型与非ABS干扰类型，如图1所示。在图1中，“A”表示RB遭受的干扰为ABS干扰类型，“N”表示RB遭受的干扰为非ABS干扰类型。

另外，ABS或ABS干扰类型的RB中未有数据干扰，但为了前向兼容，CRS或其它一些必要的控制信号，例如Paging、SIB1等，也将传送，由此RB上将产生资源单元(ResourceElement，简称：RE)级的离散干扰，即同一个RB中部分RE未遭受干扰，部分RE遭受干扰或遭受不同水平的干扰。

IRC技术的关键在于对数据实际遭受的干扰进行准确的估计，这里包括两个层面的意思：一个是数据实际遭受的干扰，即干扰场景的匹配性问题；另一个则是确定场景下如何更准确地估计干扰，即干扰参量的匹配问题。

本发明实施例将针对干扰估计的上述两个关键问题，即干扰参量的匹配问题和干扰场景的匹配问题，给出系统的解决方案，从而可有效保证IRC技术的优异性能。

对于干扰参量的匹配问题，本发明实施例所提供的干扰估计方法如图2所示。图2为本发明干扰估计方法的总体概要流程图。本发明实施例适用于服务小区为非BF模式，可实现服务小区数据位置干扰的准确估计。参考图2，干扰估计方法包括：

S201、基于解调参考信号(DemodulationReferenceSignal，简称：DMRS)，对服务小区的邻区进行波束赋形(BeamForming，简称：BF)模式盲检。

S202、若盲检确定为BF模式，基于DMRS信道估计构建邻区的BF模式干扰贡献矩阵。

S203、若盲检确定为非BF模式，则基于CRS信道估计构建邻区的非BF模式干扰贡献矩阵。

S204、多小区非BF模式干扰贡献矩阵迭代刷新估计功率因子与与编码矩阵参量对，优选各邻区参量对小集合后进行联合估计，干扰估计矩阵基于最终联合优选的参量对构建的非BF模式干扰贡献矩阵加权平均获得。

S205、根据各邻区BF/非BF模式干扰贡献矩阵，获得服务小区数据位置的干扰估计。

以下先说明通过S201和S202估计构建邻区的BF模式干扰贡献矩阵，再详细说明通过S201、S203和S204估计构建邻区的非BF模式干扰贡献矩阵。

图3为本发明干扰估计方法实施例一的流程图。本实施例提供的干扰估计方法适用于服务小区中CRS上的干扰与数据上实际遭受的干扰不一致的场景。如图3所示，该方法包括：

S301、基于DMRS，对服务小区的邻区进行DMRS信道估计，服务小区为非BF模式。

首先，解释说明服务小区为BF模式。

在服务小区为非BF模式，即，LTE传输模式：TM1～TM6时，IRC的干扰估计需基于CRS进行，而实际上邻区的干扰可能是非BF模式干扰或BF模式(即，LTE传输模式：TM7～TM10)干扰。

若邻区CRS与服务小区中信号碰撞，基于CRS的干扰估计与数据上遭受的干扰可能存在参量不匹配。这种参量不匹配，非BF模式干扰表现为功率因子(PA、PB)以及预编码矩阵序号(PrecodingMatrixIndex，简称：PMI)的不匹配，即数据上遭受的干扰与CRS上的干扰功率上可能存在偏差，相关性相位上可能不一致；BF模式干扰表现为数据上看到的信道与CRS上看到的信道不一致，并且功率也可能不一致。这种不匹配较大影响干扰估计的精度，从而可能严重影响IRC技术的性能。

对于CRS非碰撞场景，CRS上能看到真实的数据干扰，不存在干扰参量不匹配问题。在服务小区为BF模式的场景，DMRS上看到的干扰跟数据实际遭受的干扰相同，基于DMRS的干扰估计不存在干扰参量不匹配问题。因此，对此两种场景，本发明不予考虑。

而对某一与服务小区碰撞的邻区，首先不确定该邻区是否发送信号，或者发送信号是哪些RB资源发送的，以及，对于发送信号的RB需要确定是基于CRS的非BF模式还是基于DMRS的BF模式。因此，首先对碰撞干扰邻区进行BF模式干扰检测与估计，若某一碰撞干扰邻区的BF模式干扰检测失败，则转为非BF模式的干扰检测与估计，该实施例中仅说明的BF模式干扰检测与估计，对于非BF模式的干扰检测与估计在后续实施例中说明。

其中，DMRS信道估计可以理解为采用DMRS对邻区进行信道估计，且该DMRS为邻区对应的DMRS，由于DMRS的资源映射位置主要与小区标识相关，DMRS与小区标识和SCID相关。DMRS信道估计可利用信道统计信息进行滤波降噪，信道统计信息可基于CRS估计获得，或基于信道状态信息参考信号(Channelstateinformationreferencesignal，简称：CSI-RS)估计获得，等等。

S302、根据DMRS信道估计的结果，进行BF模式盲检。

在采用DMRS对相应邻区进行信道估计的基础上，进一步地，采用该DMRS对该邻区是否为BF模式进行盲检，也就是BF模式盲检。即假设该邻区为BF模式的情况下，判断该假设是否成立。

或者，可以理解S301和S302为同时进行的。也就是，BF模式盲检基于给定邻区的小区标识，分别假设n_SCID为0和1，对目标RB进行信道估计。信道估计可为最小二乘(theLeastSquare，简称：LS)法的结果，也可为进一步滤波降噪后的结果，本发明不予限制。

S303、若BF模式盲检确定邻区为BF模式，则基于DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，其中，BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对服务小区数据产生的干扰。

具体地，BF模式干扰贡献矩阵估计为：

$R_{ii,n}^{\left(BF\right)}=E\{\mathrm{\β}\·H_n^{\left(D\right)}{\left(H_n^{\left(D\right)}\right)}^H\}$

其中，表示DMRS信道估计，上标H表示共轭转置，E表示求期望运算符，β为物理下行链路共享信道(PhysicalDownlinkSharedChannel，简称：PDSCH)数据资源单元(ResourceElement，简称：RE)功率相对DMRSRE功率的比值。

S304、根据服务小区CRS干扰消除后的干扰协方差矩阵和BF模式干扰贡献矩阵，获得服务小区数据位置的干扰估计。

因此，在服务小区为非BF模式场景下，干扰估计可写为：

$R_{uu}=R_{uu}^{\left(a\right)}+\underset{n=1}{\overset{N}{\Σ}}{R}_{ii,n}^{\left(BF\right)}$

其中，为服务小区CRS干扰消除后的干扰协方差矩阵；为与服务小区碰撞的邻区n的BF模式干扰贡献矩阵，N为碰撞邻区的总数。

本发明实施例干扰估计方法及装置，通过基于DMRS对所述邻区进行DMRS信道估计，并根据DMRS信道估计的结果进行BF模式盲检，检测邻区是否为BF模式，在邻区为BF模式时，则根据DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，从而获得邻区TM7～TM10传输模式对服务小区数据造成的干扰的估计；最后，通过服务小区CRS干扰消除后的干扰协方差矩阵和BF模式干扰贡献矩阵，例如二者的加和，获得服务小区内部和外部的总干扰估计，实现服务小区数据位置的干扰的准确估计，进而提高IRC性能。

在上述实施例中，DMRS信道估计以资源块(ResourceBlock，简称：RB)或资源块对为单位进行。以RB或RB对为粒度进行DMRS信道估计或BF模式盲检，可提供干扰估计精度。

可选地，S302可以具体为：根据DMRS信道估计的结果，计算邻区的干信比INR；当该邻区的INR大于预设门限时，则确定该邻区为BF模式。

具体地，DMRS信道估计结果表示为其中，k表示频率子载波的位置，l表示DMRS信道的列数，p表示发天线端口序号。在普通循环前缀(NormalCyclicPrefix，简称：NCP)场景下，k＝0,1,2，l＝0,1。

在NCP场景，以及RB对内有两列DMRS信道估计结果的扩展循环前缀(ExtendedCyclicPrefix，简称：ECP)场景，邻区的INR可估计为，

${\mathrm{INR}}^{\left(p\right)}=\frac{\underset{k,l}{\Σ}|h_{k,l}^{\left(p\right)}{|}^2}{\underset{k}{\Σ}|h_{k,1}^{\left(p\right)}-h_{k,0}^{\left(p\right)}{|}^2}-1$

在ECP场景，若某些特殊子帧RB对内只有单列DMRS信道估计结果，邻区的INR可估计为，

${\mathrm{INR}}^{\left(p\right)}=\frac{4\underset{k=0}{\overset{3}{\Σ}}|h_k^{\left(p\right)}{|}^2}{|\underset{k=0}{\overset{3}{\Σ}}{h}_k^{\left(p\right)}-2\underset{k=1}{\overset{2}{\Σ}}{h}_k^{\left(p\right)}{|}^2}-1$

在上述基础上，S302还可以包括：对一发天线端口对应的一收天线端口，基于收天线端口的INR判断收天线端口是否为BF模式；基于发天线端口对应的所有收天线端口是否为BF模式的判断结果，根据第一预设规则判断该发天线端口是否为BF模式；基于邻区内所有发天线端口的判断结果，根据第二预设规则判断该邻区是否为BF模式。

其中，DMRS发天线端口数可进行盲检，某些场景下也可简单假设为与CRS发天线端口数相同。DMRS发天线端口数盲检具体为，BF模式盲检可基于每个发天线端口独立进行，等全部发天线端口判断结果出来后，再基于合理性进行综合判断。其中，发天线端口序号p可取值为7,8,…,v+6，v表示天线端口个数。

对于同一发天线端口，基于其对应的各收天线信号可独立进行判断，然后基于各收收天线信号的判断结果以一定的准则(第一预设准则)进行进一步判断，其中，第一预设准则例如为各收天线端口中只要有任何一个收天线端口判断为BF模式即可认为发天线端口为BF模式，或超过半数的收天线端口判为BF模式则认为发天线端口为BF模式等。

对于多个收天线端口，也可先合并各收天线端口接收到的天线信号，再进行发天线端口的信道估计和判断，收天线信号合并可采用等增益合并、最大比合并或选择合并，等等。

另一种实施例中，S302之后，干扰估计方法还可以包括：若BF模式盲检确定邻区为非BF模式，则对邻区进行非BF模式干扰检测和估计。接下来对其进行详细说明。

图4为本发明干扰估计方法实施例二的流程图。如图4所示，干扰估计方法还可以包括：

S401、基于DMRS，对服务小区的邻区进行DMRS信道估计，服务小区为非BF模式。

S402、根据DMRS信道估计的结果，进行BF模式盲检，判断邻区是否为BF模式。

若BF模式盲检确定邻区为BF模式，则执行S403至S404；若BF模式盲检确定邻区为非BF模式，则执行S405至S408。其中，S401至S404的具体说明可参考S301至S304，此处不再赘述。

S403、基于DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵。

S404、根据服务小区CRS干扰消除后的干扰协方差矩阵和BF模式干扰贡献矩阵，获得服务小区数据位置的干扰估计。

S405、基于CRS对邻区进行CRS信道估计。

S406、根据邻区CRS信道估计的结果和接收信号，估计服务小区数据位置干扰的功率因子与预编码矩阵。

S407、根据功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，该非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式对服务小区数据产生的干扰。

S408、根据服务小区CRS干扰消除后的干扰协方差矩阵和非BF模式干扰贡献矩阵，获得服务小区的数据位置的干扰估计。

其中，上述根据邻区CRS信道估计的结果和接收信号，估计服务小区数据位置干扰的功率因子与预编码矩阵，可以包括：根据服务小区CRS信道估计的结果，获得服务小区的信道相关矩阵；根据接收信号，获得服务小区的数据相关矩阵；根据邻区CRS信道估计的结果、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，估计服务小区数据位置干扰的功率因子与预编码矩阵。

具体地，图5为非BF模式干扰检测与估计的示例图。参考图5，首先基于邻区的CRS对邻区进行信道估计，并将其CRS消除掉；在CRS干扰消除(CRSInterferenceCancellation，简称：CRS-IC)完成后，基于服务小区的CRS资源单元位置进行干扰估计，得到服务小区CRS干扰消除后的干扰协方差矩阵基于服务小区CRS信道估计结果，计算信道相关矩阵基于接收信号，抽取仅遭受数据干扰的RE(例如非CRS符号上的接收数据)上的接收信号进行数据相关矩阵计算，作为干扰估计的参考量，数据相关矩阵包含服务小区数据位置实际遭受干扰的信息。根据服务小区CRS干扰消除后的干扰协方差矩阵信道相关矩阵碰撞邻区CRS信道估计结果以及数据相关矩阵估计得到邻区干扰的功率因子与预编码矩阵，并构建碰撞邻区中非BF模式下的总干扰矩阵

上述服务小区CRS干扰消除后的干扰协方差矩阵可以是基于服务小区CRS的LS信道估计结果和降噪后的信道估计结果进行估计得到的，也可在CRS-IC中将服务小区CRS消除后，基于服务小区CRS-RE位置上看到的残留信号进行估计得到的，本发明不对其进行限制。

上述信道相关矩阵是基于服务小区CRS信道估计结果进行计算得到的，可以RB为粒度，也可以更细的相邻子载波组作为粒度，比如相邻4个载波一组，等等。

上述数据相关矩阵抽取能看到各邻区真实PDSCH干扰的PDSCH数据(例如非CRS符号上的PDSCHRE)计算数据相关矩阵该数据相关矩阵反映了数据上遭受的真实干扰情况，用于对邻区干扰的参量估计。

上述根据邻区CRS信道估计的结果、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，估计服务小区数据位置干扰的功率因子与预编码矩阵，可以包括：对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，M为正整数；对于第m轮迭代，采用以下方法估计各邻区干扰的功率因子和预编码矩阵：

依据多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；根据多个邻区在迭代过程中的非BF模式干扰贡献矩阵、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，预设方法可以包括能量度量方法和/或似然概率度量方法。

由于功率因子与预编码矩阵相关，两者相互影响，因此可采用联合估计的方法估计功率因子与预编码矩阵。单个小区的功率因子与预编码矩阵的估计可基于能量度量方法，也可基于似然概率度量方法；多个小区可采用联合估计的方法，也可采用迭代的低复杂度方法，如图6所示，图6示出基于迭代的联合能量度量方法与似然概率度量方法估计功率因子与预编码矩阵的示例图。

以下通过具体示例说明如何估计功率因子和预编码矩阵。

UE所接收到的接收信号模型可表示为：

$y_{k,l}=\sqrt{{\mathrm{\α}}_0}{H}_0{W}_0{x}_{0,k,l}+\underset{n=1}{\overset{N}{\Σ}}\sqrt{{\mathrm{\α}}_n}{H}_n{W}_n{x}_{n,k,l}+w_{k,l}$

其中，序号对(k,l)表示给定物理RB中频率维度上第k个RE和时间维度上第l个符号上的资源，下标0代表服务小区；H_n和W_n为非BF模式干扰中碰撞邻区的CRS信道估计与预编码矩阵，N为非BF模式干扰中碰撞邻区的个数；w_k,l表示背景干扰，w_k,l为噪声、非BF模式干扰中非碰撞小区的干扰以及BF模式干扰的和。α为各邻区的功率因子，取值为：

α∈Ω＝{0,10^{[-6,-4.77,-3,-1.77,0,1,2,3]/10}}

上述α的取值为非ABS干扰场景下8个功率因子的取值，分别为：10^-6/10,10^-4.77/10,10^-3/10,10^-1.77/10,10^0/10,10^1/10,10^2/10,10^3/10，以及ABS干扰场景下的一个功率因子的取值0，共9种可能的取值；W_n为预编码矩阵，在4个发天线端口下存在64个选择，具体可参考LTER10协议这里不一一列举。

基于数据的估计为：

${\hat{R}}_{yy}=\frac{1}{N_d}\underset{k,l}{\Σ}{y}_{k,l}{y}_{k,l}^H$

其中，N_d为参与计算的数据RE数。

下面描述多个碰撞邻区下的迭代方法，单个碰撞邻区场景为其特例。

图7为通过多个碰撞邻区间迭代刷新构建非BF模式干扰贡献矩阵的示例图。多个碰撞邻区通过迭代刷新，多个邻区间刷新顺序基于CRS的能量降序顺序进行，迭代刷新流程如图7所示。对于一轮迭代刷新，可以理解为对所有碰撞小区刷新一遍。

参考图7，迭代刷新包括：

S701、设置m＝1(第m轮刷新)。

在迭代开始时刻，设置m＝1，即第一轮刷新。除此之后，m逐渐递增，直至完成预定的迭代数目M。

S702、设置n＝1(第n个邻区干扰协方差矩阵刷新)。

多个邻区间刷新顺序基于CRS的能量降序顺序进行。也就是说，在每轮迭代中，首先开始的是对应的CRS的能量最大的邻区，然后，n逐渐递增，直至完成所有的碰撞邻区的刷新。

S703、估计邻区n干扰贡献矩阵。

由上述描述可知，邻区的功率因子和与编码矩阵是相对固定的，即给出了预选的范围。在给出的预选范围内，遍历每一可能性，估计邻区n的干扰贡献矩阵。

S704、刷新

第m轮迭代刷新中，得到碰撞邻区n的干扰贡献矩阵后，需刷新为：

$R_{yy}^{(m,n)}\left\{({\mathrm{\&alpha;}}_n,W_n)\right\}=R_{hh}^{\left(S\right)}+R_{uu}^{\left(a\right)}+{\hat{R}}_{ii,n}^{\left(m\right)}+\underset{n^{\&prime;}<n}{\&Sigma;}{\hat{R}}_{ii,n^{\&prime;}}^{\left(m\right)}+\underset{n^{\&prime;}>n}{\&Sigma;}{\hat{R}}_{ii,n^{\&prime;}}^{(m-1)}$

其中，为服务小区CRS干扰消除后的干扰协方差矩阵；为服务小区的信道相关矩阵，为 $R_{hh}^{\left(S\right)}=E\left\{{\mathrm{\&alpha;}}_0{H}_0{W}_0{W}_0^H{H}_0^H\right\}.$

对于的构建，在第m轮迭代，对碰撞邻区n的干扰贡献矩阵刷新中，n′>n的碰撞邻区的干扰贡献矩阵采用第m-1轮迭代中的干扰贡献矩阵(若未有前一轮刷新的干扰贡献矩阵，则采用零矩阵代替)；对n′<n的碰撞邻区干扰贡献矩阵用当前m轮迭代刷新后的干扰贡献矩阵。

需说明的是，在本发明任一实施例中，碰撞邻区与邻区两个概念等同。

S705、n＝n+1。

该步骤可实现邻区的逐一刷新。

S706、判断n≤N是否成立。

若是，则返回执行S703；否则，执行S707。

S707、m＝m+1。

S708、判断m≤M是否成立。

当达到预定的迭代数目M时，退出迭代，执行S709；否则，返回执行S702。

S709、构建非BF模式干扰协方差矩阵。

对于基于预设方法估计干扰的功率因子与预编码矩阵，可以通过多种方式实现。以下列举几种可能的实现方式。

第一种实现方式中，预设方法可以为能量度量方法。此时，基于预设方法估计干扰的功率因子与预编码矩阵，可以包括：基于能量度量，选取邻区对应能量度量较小的T组参数对，该参数对包括功率因子与预编码矩阵，T为正整数。

第二种实现方式中，预设方法可以为似然概率度量方法。基于预设方法估计干扰的功率因子与预编码矩阵，可以包括：基于似然概率度量，选取邻区对应似然概率度量较大的T组参数对，该参数对包括功率因子与预编码矩阵，T为正整数。

第三种实现方式中，预设方法可以为能量度量方法和似然概率度量方法的结合。基于预设方法估计干扰的功率因子与预编码矩阵，可以包括：基于能量度量，选取邻区对应能量度量较小的T₁组参数对，该参数对包括功率因子与预编码矩阵，T₁为正整数；在T₁组参数对中，基于似然概率度量，选取邻区对应似然概率度量较大的T组参数对，T为正整数，T小于T₁。

这里举例说明第三种实现方式。例如，图8为非BF模式干扰贡献矩阵构建框架方案示意图。参考图8，首先基于能量度量检测；选择出度量最小的T₁组参量对集合再基于能量度量软综合方法/基于对数似然概率度量硬判综合方法/基于似然概率软综合方法等方法估计干扰贡献矩阵。其中，所采用的能量度量例如为或其它类似与能量或距离相关的度量；选取T₁组参量对集合的方法可采用穷举参量对(α_n,W_n)所有组合的方法，或类似的一些降复杂度方法，例如对给定W_n，可按距离最小原则直接计算其对应的联合能量度量最小的α_n，等。

迭代过程中，每轮迭代优选的集合中参量对个数也可不同，可随迭代轮数的增加而适当减少，以获得更佳的性能与复杂度的折中。

为控制复杂度，T₁一般取较小的值，比如10以内。当T₁取值为功率因子和预编码矩阵的所有可能性时，基于对数似然概率度量硬判综合方法演变为穷举最大似然(MaximumLikelihood，简称：ML)算法，达到最优性能，但具有最高复杂度；当T₁取最小值1时，达到最小复杂度，但为最差性能的能量度量硬判方法。

当T₁＝1时，基于能量度量的硬判结果综合方法(未示出)，有：

$({\widehat{\mathrm{\&alpha;}}}_n,{\hat{W}}_n)=\arg \underset{{\mathrm{\&alpha;}}_n,W_n}{min}F({\mathrm{\&alpha;}}_n,W_n)$

干扰贡献矩阵为：

${\hat{R}}_{ii,n}=E\left\{{\widehat{\mathrm{\&alpha;}}}_n{H}_n{\hat{W}}_n{\hat{W}}_n^H{H}_n^H\right\}$

其中，对RB内的H_n求期望，称为基于能量度量硬判结果综合方法。

当T₁>1时，又可分为三种子方法，基于能量度量软综合方法、基于对数似然概率度量硬判综合方法，以及基于似然概率软综合方法。

1、基于能量度量软综合方法可以有不同的具体实现形式。例如，对优选出的T₁组参量对构建的干扰贡献矩阵直接进行等概平均：

${\hat{R}}_{ii,n}=\frac{1}{T_1}{\mathrm{\&Sigma;}}_{t=1}^{T_1}E\left\{{\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H\right\}$

或者，基于能量度量倒数进行干扰贡献矩阵加权平均：

${\hat{R}}_{ii,n}=\frac{{\mathrm{\&Sigma;}}_{t=1}^{T_1}1/F({\mathrm{\&alpha;}}_{n,t},W_{n,t})\&CenterDot;E\left\{{\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H\right\}}{{\mathrm{\&Sigma;}}_{t=1}^{T_1}1/F({\mathrm{\&alpha;}}_{n,t},W_{n,t})}$

其中，F(α_n,t,W_n,t)为碰撞邻区n的参量对(α_n,t,W_n,t)的能量度量， $F({\mathrm{\&alpha;}}_{n,t},W_{n,t})=\underset{i,j}{\&Sigma;}|e_{i,j}^{\left(t\right)}{|}^2,$ 为误差矩阵第i行和第j列上的元素。

或者，对T₁组参量对分别计算能量误差概率，然后对该邻区T₁组参量对构建的干扰贡献矩阵进行概率加权平均：

${\hat{R}}_{ii,n}=\frac{{\mathrm{\&Sigma;}}_{t=1}^{T_1}p\left(\right\{e_{i,j}^{\left(t\right)}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t}){\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H}{{\mathrm{\&Sigma;}}_{t=1}^{T_1}p\left(\right\{e_{i,j}^{\left(t\right)}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})}$

例如误差概率可计算为，假设e_i,j为高斯同分布误差变量，则给定参量对(α_n,t,W_n,t)下的误差概率可计算为：

$p\left(\right\{e_{i,j}^{\left(t\right)}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})=\mathrm{\&gamma;}\&times;\exp (-\frac{F({\mathrm{\&alpha;}}_{n,t},W_{n,t})}{2{\mathrm{\&delta;}}^2})$

其中，δ²为的方差，γ为归一化常量。δ²一般可选取为对角线元素均值的2倍，或通过仿真确定。

2、基于对数似然概率度量硬判综合方法，对优选的T₁组参量对分别计算对数似然概率度量，选择对数似然概率度量最大的参量对作为最终的参量估计，并基于该最终似然度量硬判参量对进行干扰贡献矩阵构建。

其中，对数似然概率度量为：

$\mathrm{\&lambda;}\left(\right\{y_{k,l}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})=-log(\det \&lsqb;R_{yy}^{-1}({\mathrm{\&alpha;}}_{n,t},W_{n,t})\&rsqb;)-tr\left(R_{yy}^{-1}\right({\mathrm{\&alpha;}}_{n,t},W_{n,t}\left){\hat{R}}_{yy}\right)$

或，上述式子的变体。其中，det(·)为求矩阵行列式值，tr(·)为求矩阵的迹。

基于对数似然概率度量的功率因子和预编码矩阵的联合检测为：

此时，干扰贡献矩阵为：

3、基于似然概率软综合方法，对优选的T₁组参量对分别计算似然概率，然后对该邻区T₁个参量对构建的干扰贡献矩阵进行概率加权平均，有

${\hat{R}}_{ii,n}=\frac{{\mathrm{\&Sigma;}}_{t=1}^{T_1}p\left(\right\{y_{k,l}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})E\left\{{\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H\right\}}{{\mathrm{\&Sigma;}}_{t=1}^{T_1}p\left(\right\{y_{k,l}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})}$

其中_，p({y_k,l}|α_n,t,W_n,t)为给定参量对(α_n,t,W_n,t)下接收信号{y_k,l}的条件概率，可计算为：

$p\left(\right\{y_{k,l}\left\}\right|{\mathrm{\&alpha;}}_{n,t},W_{n,t})=\underset{k,l}{\mathrm{\&Pi;}}\frac{1}{\mathrm{\&pi;}\det \left(R_{yy}\right({\mathrm{\&alpha;}}_{n,t},W_{n,t}\left)\right)}\exp (-y_{k,l}^H{R}_{yy}^{-1}({\mathrm{\&alpha;}}_{n,t},W_{n,t}\left)y_{k,l}\right)$

可选地，根据功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵可以包括：对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，T₂为正整数，T₂小于T^N，N表示邻区的个数。也就是说，在退出迭代后，各碰撞邻区均已获得一优选参量对小集合。可选地，假设一邻区对应的优选参量对小集合包含T组参量对，可基于这些参量对小集合进行N个邻区间的联合检测，联合检测参量对组合数为T^N，并最终选取一更小的联合参量组合，即T₂组参数对，进行非BF模式干扰协方差矩阵的构建。接下来，根据T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，该非BF模式干扰总贡献矩阵为多个邻区非BF模式干扰贡献矩阵的和。

图9为本发明非BF模式干扰协方差矩阵构建框架方案示意图。如图9所示，构建非BF模式干扰协方差矩阵可分为两类方法：第一类方法为直接基于迭代中产生的各碰撞邻区的非BF干扰贡献矩阵估计直接相加综合获得非BF模式干扰协方差矩阵；第二类方法基于迭代中优选出的各碰撞邻区参量对小集合进行跨小区的能量联合检测(EnergyJointDetection，简称：EJD)、并进一步优选出联合参量组合的小集合，并基于联合参量小集合进行非BF模式干扰协方差矩阵的软综合，软综合的加权因子可基于能量度量误差概率软综合或似然概率软综合。

第一类方法，非BF模式干扰协方差矩阵为退出迭代时各碰撞邻区获得的最新干扰贡献矩阵直接相加：

第二类方法，穷举各邻区优选出的参量对组合构建R_yy矩阵：

$R_{yy}\left(\right\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\left\}\right)=R_{hh}^{\left(S\right)}+R_{uu}^{\left(a\right)}+\underset{n=1}{\overset{N}{\&Sigma;}}{\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H$

计算共T^N种联合组合的能量度量：

$F\left(\right\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\left\}\right)={||{\hat{R}}_{yy}-R_{yy}\left(\right\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\left\}\right)||}^2$

选取T₂组具有最小能量度量的联合参量组合进行软综合，非BF模式干扰协方差矩阵软综合可表示为：

${\hat{R}}_{ii}^{\left(CRS\right)}=\frac{{\mathrm{\&Sigma;}}_{t=1}^{T_4}p\left(\right\{{\mathrm{\&alpha;}}_{n,t},W_{n,t}\left\}\right)\underset{n=1}{\overset{N}{\&Sigma;}}{\mathrm{\&alpha;}}_{n,t}{H}_n{W}_{n,t}{W}_{n,t}^H{H}_n^H}{{\mathrm{\&Sigma;}}_{t=1}^{T_4}p\left(\right\{{\mathrm{\&alpha;}}_{n,t},W_{n,t}\left\}\right)}$

其中_，p({α_n,t,W_n,t})为第t个参量对组合的加权因子，可采用基于能量度量的误差概率或似然概率作为加权因子。

类似于能量度量软综合方法，能量度量误差概率加权因子可计算为：

$p\left(\right\{{\mathrm{\&alpha;}}_{n,t},W_{n,t}\left\}\right)=\mathrm{\&gamma;}\exp (-\frac{F\left(\right\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\left\}\right)}{2{\mathrm{\&delta;}}^2})$

类似于似然概率软综合方法，似然概率加权因子可计算为：

$p\left(\right\{{\mathrm{\&alpha;}}_{n,t},W_{n,t}\left\}\right)=\underset{k,l}{\mathrm{\&Pi;}}\frac{1}{\mathrm{\&pi;}\det \left(R_{yy}\right(\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\}\left)\right)}\exp (-y_{k,l}^H{R}_{yy}^{-1}(\{{\mathrm{\&alpha;}}_n^{\left(t\right)},W_n^{\left(t\right)}\}\left)y_{k,l}\right)$

综上，图10为本发明干扰估计方法的另一总体概要流程图。参考图10，干扰估计方法可以包括：

S1001、BF模式干扰检测与估计。

首先，对服务小区所调度RB资源逐RB进行BF模式干扰检测与估计，其中BF模式干扰贡献矩阵也是以RB为粒度独立构建。

S1002、非BF模式干扰检测与估计。

然后，对服务小区所调度RB资源逐RB进行非BF模式干扰检测与估计，其中非BF模式干扰贡献矩阵也是以RB为粒度独立构建.

S1003、服务小区数据位置的干扰估计。

该步骤中，基于各碰撞邻区的BF模式干扰贡献矩阵或非BF模式干扰贡献矩阵重构服务小区数据位置的干扰估计。

另需说明的是，本发明实施例以RB为粒度，BF传输模式干扰检测与干扰估计优先，且BF传输模式与非BF传输模式互斥，一旦某小区BF模式盲检成功则无需再进行非BF模式干扰检测。

各碰撞邻区的干扰贡献矩阵可写为：

$R_{ii}^{\left(n\right)}={\mathrm{\&sigma;}}_x^{2}E\left\{{\tilde{H}}^{\left(n\right)}{\left({\tilde{H}}^{\left(n\right)}\right)}^H\right\}$

其中，为碰撞邻区n数据上看到的等价信道，为邻区数据功率，一般可假设为1。

在TM1～3干扰模式下，数据上看到的等价信道即为TM4～6干扰模式下，数据上看到的等价信道有关系TM7～10干扰模式下，数据上看到的等价信道与CRS信道已经没有必然的关系，即但有关系其中，α为PDSCH数据RE功率相对CRSRE功率的比值，α＝0表示邻区未发送信号；β为PDSCH数据RE功率相对DMRSRE功率的比值，W为预编码矩阵，H_C为基于CRS的信道估计结果，H_D为基于DMRS的信道估计结果。

表1总结了在服务小区为非BF模式场景下，非BF模式干扰和BF模式干扰具体表现形式上的差异，以及相应的UE侧的处理方案。

表1

在表1中，TM1～3对应的处理方案可认为是TM4～6对应的处理方案的特殊场景；在TM7～TM10对应的处理方案中，预编码矩阵可认为连续，预编码矩阵不局限于协议规定的量化后的codebook集合，UE也可用codebook集合中矩阵对预编码矩阵进行量化，因此也可用TM4～6对应的处理方案进行近似处理。

本发明实施例提供的干扰估计方法能有效提高干扰协方差矩阵的估计精度和匹配度，并可有效提升IRC算法在复杂干扰场景下的性能。

一个RB上的接收信号，某些RE遭受的干扰可能与其它RE遭受的干扰不同，即RE级粒度的干扰匹配问题。例如，服务小区遭受某非碰撞邻区的ABS干扰，该非碰撞邻区CRS-RE会干扰部分数据RE，而其它数据RE未遭受该邻区干扰，从而产生具有不同干扰水平的两个RE组。即使有CRS-IC处理邻区CRS-RE带来的干扰，被邻区CRS-RE碰撞的数据RE也会看到IC后的残留干扰，在干扰较大的场景，该残留干扰依然会较大地影响系统最终的性能。对于非ABS干扰类型，干扰情况与上面分析ABS干扰类型场景类似，以及PB的影响等，都会带来具有不同干扰水平的RE组，IRC技术中的干扰估计需区分不同的RE组，不同干扰水平的RE组间采用不同的干扰估计矩阵，组内采用同一干扰估计，从而实现干扰估计中的场景匹配，达到最优的系统性能。

图11为本发明干扰估计方法实施例三的流程图。如图11所示，该方法包括：

S1101、将服务小区的数据资源单元(ResourceElement，简称：RE)分为至少两组RE，该至少两组RE具有不同的干扰水平。

S1102、基于CRS确定RB级干扰估计矩阵或RB级白化矩阵。

S1103、基于RB级干扰估计矩阵或RB级白化矩阵，采用预设方法对上述至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

本发明实施例干扰估计方法，通过将服务小区的资源单元区分为不同的RE组，不同干扰水平的RE组间采用不同的干扰估计，组内采用同一干扰估计，从而实现干扰估计中的场景匹配，达到最优的系统性能，实现服务小区数据位置的干扰的准确估计，进而提高IRC性能。

在上述实施例中，预设方法可以包括矩阵修正法和标量修正法。其中，矩阵修正法可以具体为：在RB级干扰估计矩阵上加一修正矩阵，该修正矩阵表示对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰偏差矩阵。标量修正法可以包括：基于RB级干扰估计矩阵的干扰估计矩阵标量修正和基于RB级白化矩阵的白化矩阵标量修正。其中，干扰估计矩阵标量修正可以具体为：在RB级干扰估计矩阵上乘以一标量修正因子，该标量修正因子为对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰能量比值。白化矩阵标量修正可以具体为：在RB级白化矩阵上乘以一标量修正因子，该标量修正因子为对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰能量比值的-1/2次方。

无CRS-IC干扰处理的场景，在ABS干扰类型下，可将RB内RE资源划分为两组或更多组，例如，可将服务小区的资源单元分为无数据干扰的RE组和遭受邻区CRS-RE干扰的组1或组2，等等。

不失一般性，下面以一个非碰撞干扰小区场景，划分为2个不同干扰的RE组，进行描述，其它场景类似。

第一种实施例中，在ABS干扰场景中，S1101可以包括：将服务小区的数据RE分为无数据干扰组和CRS干扰组。

相应地，S1103可以包括：确定无数据干扰组的干扰协方差矩阵为服务小区CRS干扰消除后的干扰协方差矩阵(RB级干扰估计矩阵)；确定CRS干扰组的干扰协方差矩阵为服务小区CRS干扰消除后的干扰协方差矩阵(RB级干扰估计矩阵)与邻区中CRS协方差矩阵(修正矩阵)之和。

具体地，无数据干扰组的干扰协方差矩阵为R_uu，其中，R_uu表示服务小区CRS干扰消除后的干扰协方差矩阵，其对应白化矩阵(RB级白化矩阵)被邻区CRS-RE干扰的CRS干扰组，其干扰协方差矩阵为具体可估计为：其中，为修正矩阵，在无CRS-IC处理时，具体为干扰邻区CRS-RE协方差矩阵；在有CRS-IC处理时，具体为干扰消除后残留CRS-RE信号协方差矩阵。

无CRS-IC处理下，可估计为其中，为邻区的CRS信道估计结果，N_T为邻区发天线端口数。

有CRS-IC处理下，可估计为 $R_{\mathrm{\&Delta;}h}^{\left(i\right)}=\frac{1}{N_T}E\left\{(H^{\left(i\right)}-{\hat{H}}^{\left(i\right)}){(H^{\left(i\right)}-{\hat{H}}^{\left(i\right)})}^H\right\},$ 其中，H⁽ⁱ⁾为邻区的理想信道值，一般无法获取，因此，可近似估计为其中MSE⁽ⁱ⁾为干扰邻区在当前信噪比点上的信道估计均方误差(MeanSquaredError，简称：MSE)性能，可通过离线仿真获取。

第二种实施例中，在非ABS干扰场景中，S1101可以包括：将服务小区的数据RE分为数据干扰组和CRS干扰组。

相应地，S1103可以包括：确定数据干扰组的干扰协方差矩阵可以为邻区中CRS协方差矩阵与邻区中数据对应的功率因子的乘积再加上服务小区CRS干扰消除后的干扰协方差矩阵(RB级干扰估计矩阵)，其中，邻区中CRS协方差矩阵与邻区中数据对应的功率因子的乘积可以理解为修正矩阵；确定CRS干扰组的干扰协方差矩阵可以为服务小区CRS干扰消除后的干扰协方差矩阵(RB级干扰估计矩阵)与邻区中CRS协方差矩阵(修正矩阵)的加和。

具体地，数据干扰组的干扰协方差矩阵为其中α⁽ⁱ⁾为干扰邻区数据上的功率因子，其对应白化矩阵(RB级白化矩阵)

对于CRS干扰组，在无CRS-IC处理时，CRS干扰组的干扰协方差矩阵估计为在有CRS-IC处理时，CRS干扰组的干扰协方差矩阵估计为其中，该实施例中的参数含义可参考第一种实施例，此处不再赘述。

需说明的是，第一种实施例和第二种实施例均为修正现有技术获得的服务小区CRS干扰消除后的干扰协方差矩阵，因此，将第一种实施例和第二种实施例所采用的方法统称为矩阵修正法。该方法将各RE组干扰协方差矩阵尽可能估计准确，各RE组采用不同的干扰协方差矩阵并独立计算RB级白化矩阵；残留干扰的估计精度将提升最终估计得到的干扰协方差矩阵的精度，从而提高分组白化的增益。

第三种实施例中，直接通过一个标量修正因子(η)将各组的干扰噪声总功率修正平衡。该标量修正因子可直接对白化矩阵P进行修正，有P′＝λ·P；或在软值上修正，有LLR′＝λ²·LLR，且有关系式λ＝η^-1/2，其中，LLR表示对数似然比。

其中，在ABS干扰场景，无数据干扰组的干扰协方差矩阵为R_uu，其对应白化矩阵CRS干扰组的干扰协方差矩阵为可估计为

在无CRS-IC处理下，η可估计为η＝1+INR；在有CRS-IC处理下，η可估计为η＝1+INR·MSE⁽ⁱ⁾。其中INR为邻区的CRS上的信噪比值，可基于ISNR和SIR参量估计结果进行计算。

在非ABS干扰场景，数据干扰组的干扰协方差矩阵为其中α⁽ⁱ⁾为干扰邻区数据上的功率因子，其对应白化矩阵对于，CRS干扰组，在无CRS-IC处理时，η可估计为在有CRS-IC处理时，η可估计为 $\mathrm{\&eta;}=\frac{1+{\mathrm{MSE}}^{\left(i\right)}\&CenterDot;INR}{1+{\mathrm{\&alpha;}}^{\left(i\right)}\&CenterDot;INR}.$

对λ>1的场景，需采用一定的软值后处理以保证处理后的软值在一定范围内，例如采用固定限幅或动态限幅的操作，具体限幅门限需结合离线仿真确定。

图12为本发明干扰估计方法的一应用示例图。参考图12，对服务小区进行CRS-IC(CRS干扰消除)之后，估计各邻区残留的干扰贡献矩阵以及服务小区CRS干扰消除后的干扰协方差矩阵；在对服务小区的资源单元分组之后，基于上述各邻区残留的干扰贡献矩阵以及服务小区CRS干扰消除后的干扰协方差矩阵，获得各组的干扰协方差矩阵；最后，利用各组的干扰协方差矩阵，白化对应的干扰分组，并经后续的解调、软值后处理和译码等处理，实现终端采用IRC技术消除干扰的目的。

本发明实施例可与CRS干扰消除或DMRS干扰消除联合使用。

本发明不限制用在LTE系统中IRC技术的干扰估计中，也可用在更进一步的干扰消除算法中的参量盲估计中，例如基于网络辅助的干扰消除与抑制(Network-assistedInterferenceCancellationandSuppression，简称：NAICS)技术等。且，本发明不限制使用在LTE系统，其它类似的同频干扰系统也可采用。

图13为本发明干扰估计装置实施例一的结构示意图。本发明实施例提供一种干扰估计装置，该装置适用于服务小区中小区参考信号CRS上的干扰与数据上实际遭受的干扰不一致的场景。如图13所示，干扰估计装置130包括：DMRS信道估计模块131、BF模式盲检模块132、干扰贡献矩阵构建模块133和干扰估计模块134。

其中，DMRS信道估计模块131用于基于DMRS，对服务小区的邻区进行DMRS信道估计，服务小区为非BF模式。BF模式盲检模块132用于根据DMRS信道估计模块131输出的DMRS信道估计的结果，进行BF模式盲检。干扰贡献矩阵构建模块133用于若BF模式盲检模块132确定邻区为BF模式，则基于DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，该BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对服务小区数据产生的干扰。干扰估计模块134用于根据服务小区CRS干扰消除后的干扰协方差矩阵和干扰贡献矩阵构建模块133构建的BF模式干扰贡献矩阵，获得服务小区数据位置的干扰估计。

本实施例的装置，可以用于执行图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述实施例的基础上，DMRS信道估计模块131可以以资源块或资源块对为单位进行所述DMRS信道估计。

其中，BF模式盲检模块132可以具体用于：根据DMRS信道估计的结果，计算邻区的干信比INR；当邻区的INR大于预设门限时，则确定邻区为BF模式。

可选地，BF模式盲检模块132还可以用于：对一发天线端口对应的一收天线端口，基于收天线端口的INR判断收天线端口是否为BF模式；基于发天线端口对应的所有收天线端口是否为BF模式的判断结果，根据第一预设规则判断发天线端口是否为BF模式；基于邻区内所有发天线端口的判断结果，根据第二预设规则判断邻区是否为BF模式。

图14为本发明干扰估计装置实施例二的结构示意图。如图14所示，在图13所示结构的基础上，进一步地，干扰估计装置130还可以包括：CRS信道估计模块135。

其中，CRS信道估计模块135用于在BF模式盲检模块132确定所述邻区为非BF模式时，基于CRS对邻区进行CRS信道估计。

相应地，干扰贡献矩阵构建模块133可以包括：功率因子与预编码矩阵估计单元1331和非BF模式干扰贡献矩阵构建单元1332。

其中，功率因子与预编码矩阵估计单元1331用于根据CRS信道估计模块131输出的邻区CRS信道估计的结果和接收信号，估计服务小区数据位置干扰的功率因子与预编码矩阵。非BF模式干扰贡献矩阵构建单元1332用于根据功率因子与预编码矩阵估计单元1331得到的功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，该非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式对服务小区数据产生的干扰。

相应地，干扰估计模块134还可以用于根据服务小区CRS干扰消除后的干扰协方差矩阵和非BF模式干扰贡献矩阵，获得服务小区的数据位置的干扰估计。

可选地，功率因子与预编码矩阵估计单元1331可具体用于：根据服务小区CRS信道估计的结果，获得服务小区的信道相关矩阵；根据接收信号，获得服务小区的数据相关矩阵；根据邻区CRS信道估计的结果、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，估计服务小区数据位置干扰的功率因子与预编码矩阵。

其中，功率因子与预编码矩阵估计单元1331用于根据邻区CRS信道估计的结果、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，估计服务小区数据位置干扰的功率因子与预编码矩阵时，可以具体为：对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，M为正整数；对于第m轮迭代，采用以下方法估计干扰的功率因子与预编码矩阵：依据多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；根据多个邻区在迭代过程中的非BF模式干扰贡献矩阵、服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，预设方法可以包括能量度量方法和/或似然概率度量方法。

一种实现方式中，预设方法可以为所述能量度量方法。该实现方式中，功率因子与预编码矩阵估计单元1331用于基于预设方法估计干扰的功率因子与预编码矩阵时，可以具体为：基于能量度量，选取邻区对应能量度量较小的T组参数对，该参数对可以包括功率因子与预编码矩阵，T₁为正整数。

另一种实现方式中，预设方法可以为似然概率度量方法。该实现方式中，功率因子与预编码矩阵估计单元1331用于基于预设方法估计干扰的功率因子与预编码矩阵时，可以具体为：基于似然概率度量，选取邻区对应似然概率度量较大的T组参数对，该参数对可以包括功率因子与预编码矩阵，T为正整数。

又一种实现方式中，预设方法可以为能量度量方法和所述似然概率度量方法的结合。该实现方式中，功率因子与预编码矩阵估计单元1331用于基于预设方法估计干扰的功率因子与预编码矩阵时，可以具体为：基于能量度量，选取所述邻区对应能量度量较小的T₁组参数对，该参数对可以包括功率因子与预编码矩阵，T₁为正整数；在T₁组参数对中，基于似然概率度量，选取邻区对应似然概率度量较大的T组参数对，T为正整数，T小于T₁。

进一步地，功率因子与预编码矩阵估计单元1331还可以用于：对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，T₂为正整数，T₂小于T^N，N表示邻区的个数。相应地，非BF模式干扰贡献矩阵构建单元1332具体用于功率因子与预编码矩阵估计单元1331得到的T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，该非BF模式干扰总贡献矩阵为多个邻区非BF模式干扰贡献矩阵的和。

图15为本发明干扰估计装置实施例三的结构示意图。如图15所示，干扰估计装置150包括：分组模块151、干扰估计模块152和修正模块153。

其中，分组模块151用于将服务小区的数据RE分为至少两组RE，该至少两组RE具有不同的干扰水平。干扰估计模块152用于基于CRS确定资源块RB级干扰估计矩阵或白化矩阵。修正模块153用于基于RB级干扰估计矩阵或RB级白化矩阵，采用预设方法对至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

本实施例的装置，可以用于执行图11所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述实施例中，预设方法可以包括矩阵修正法和标量修正法。其中，矩阵修正法可以具体为：在RB级干扰估计矩阵上加一修正矩阵，该修正矩阵表示对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰偏差矩阵。标量修正法可以包括：基于RB级干扰估计矩阵的干扰估计矩阵标量修正和基于RB级白化矩阵的白化矩阵标量修正。其中，干扰估计矩阵标量修正可以具体为：在RB级干扰估计矩阵上乘以一标量修正因子，该标量修正因子为对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰能量比值。白化矩阵标量修正可以具体为：在RB级白化矩阵上乘以一标量修正因子，该标量修正因子为对应组RE实际遭受干扰与RB级干扰估计矩阵的干扰能量比值的-1/2次方。

在本申请所提供的几个实施例中，应该理解到，所揭示的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (26)

1.一种干扰估计方法，其特征在于，适用于服务小区中小区参考信号CRS上的干扰与数据上实际遭受的干扰不一致的场景，包括：

基于解调参考信号DMRS，对服务小区的邻区进行DMRS信道估计，所述服务小区为非波束赋形BF模式；

根据DMRS信道估计的结果，进行BF模式盲检；

若BF模式盲检确定所述邻区为BF模式，则基于所述DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，所述BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对所述服务小区数据产生的干扰；

根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述BF模式干扰贡献矩阵，获得所述服务小区数据位置的干扰估计。

2.根据权利要求1所述的干扰估计方法，其特征在于，所述DMRS信道估计以资源块或资源块对为单位进行。

3.根据权利要求1或2所述的干扰估计方法，其特征在于，所述根据所述DMRS信道估计的结果，进行BF模式盲检，包括：

根据DMRS信道估计的结果，计算所述邻区的干信比INR；

当所述邻区的INR大于预设门限时，则确定所述邻区为BF模式。

4.根据权利要求3所述的干扰估计方法，其特征在于，所述根据所述DMRS信道估计的结果，进行BF模式盲检，还包括：

对一发天线端口对应的一收天线端口，基于所述收天线端口的INR判断所述收天线端口是否为BF模式；

基于所述发天线端口对应的所有收天线端口中是否为BF模式的判断结果，根据第一预设规则判断所述发天线端口是否为BF模式；

基于所述邻区内所有发天线端口的判断结果，根据第二预设规则判断所述邻区是否为BF模式。

5.根据权利要求1-4任一项所述的干扰估计方法，其特征在于，所述根据所述信道估计的结果，进行BF模式盲检之后，还包括：

若BF模式盲检确定所述邻区为非BF模式，则基于CRS对所述邻区进行CRS信道估计；

根据邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵；

根据所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，所述非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式对所述服务小区数据产生的干扰；

根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述非BF模式干扰贡献矩阵，获得所述服务小区的数据位置的干扰估计。

6.根据权利要求5所述的干扰估计方法，其特征在于，所述根据邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵，包括：

根据所述服务小区CRS信道估计的结果，获得所述服务小区的信道相关矩阵；

根据接收信号，获得所述服务小区的数据相关矩阵；

根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵。

7.根据权利要求6所述的干扰估计方法，其特征在于，所述根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵，包括：

对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，所述M为正整数；

对于第m轮迭代，采用以下方法估计各邻区干扰的功率因子与预编码矩阵：

依据所述多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：

根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；

根据所述多个邻区在迭代过程中的非BF模式干扰贡献矩阵、所述服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，所述预设方法包括能量度量方法和/或似然概率度量方法。

8.根据权利要求7所述的干扰估计方法，其特征在于，所述预设方法为所述能量度量方法，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于能量度量，选取所述邻区对应能量度量较小的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

9.根据权利要求7所述的干扰估计方法，其特征在于，所述预设方法为所述似然概率度量方法，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T为正整数。

10.根据权利要求7所述的干扰估计方法，其特征在于，所述预设方法为所述能量度量方法和所述似然概率度量方法的结合，所述基于预设方法估计干扰的功率因子与预编码矩阵，包括：

基于能量度量，选取所述邻区对应能量度量较小的T₁组参数对，所述参数对包括干扰的功率因子与预编码矩阵，所述T₁为正整数；

在所述T₁组参数对中，基于似然概率度量，选取所述邻区对应似然概率度量较大的T组所述参数对，所述T为正整数，所述T小于所述T₁。

11.根据权利要求8-10任一项所述的干扰估计方法，其特征在于，所述根据所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，包括：

对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，所述T₂为正整数，所述T₂小于T^N，所述N表示所述邻区的个数；

根据所述T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，所述非BF模式干扰总贡献矩阵为所述多个邻区非BF模式干扰贡献矩阵的和。

12.一种干扰估计方法，其特征在于，包括：

将服务小区的数据资源单元RE分为至少两组RE，所述至少两组RE具有不同的干扰水平；

基于小区参考信号CRS确定资源块RB级干扰估计矩阵或RB级白化矩阵；

基于所述RB级干扰估计矩阵或RB级白化矩阵，采用预设方法对所述至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

13.根据权利要求12所述的干扰估计方法，其特征在于，所述预设方法包括矩阵修正法和标量修正法；

其中，所述矩阵修正法具体为：在所述RB级干扰估计矩阵上加一修正矩阵，所述修正矩阵表示对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰偏差矩阵；

所述标量修正法包括：基于所述RB级干扰估计矩阵的干扰估计矩阵标量修正和基于所述RB级白化矩阵的白化矩阵标量修正，其中，所述干扰估计矩阵标量修正具体为：在所述RB级干扰估计矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值；所述白化矩阵标量修正具体为：在所述RB级白化矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值的-1/2次方。

14.一种干扰估计装置，其特征在于，适用于服务小区中小区参考信号CRS上的干扰与数据上实际遭受的干扰不一致的场景，包括：

解调参考信号DMRS信道估计模块，用于基于DMRS，对服务小区的邻区进行DMRS信道估计，所述服务小区为非波束赋形BF模式；

BF模式盲检模块，用于根据所述DMRS信道估计模块输出的DMRS信道估计的结果，进行BF模式盲检；

干扰贡献矩阵构建模块，用于若所述BF模式盲检模块确定所述邻区为BF模式，则基于所述DMRS信道估计的结果，构建邻区的BF模式干扰贡献矩阵，所述BF模式干扰贡献矩阵用于表征邻区TM7～TM10传输模式对所述服务小区数据产生的干扰；

干扰估计模块，用于根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述干扰贡献矩阵构建模块构建的所述BF模式干扰贡献矩阵，获得所述服务小区数据位置的干扰估计。

15.根据权利要求14所述的干扰估计装置，其特征在于，所述DMRS信道估计模块以资源块或资源块对为单位进行所述DMRS信道估计。

16.根据权利要求14或15所述的干扰估计装置，其特征在于，所述BF模式盲检模块具体用于：根据DMRS信道估计的结果，计算所述邻区的干信比INR；当所述邻区的INR大于预设门限时，则确定所述邻区为BF模式。

17.根据权利要求16所述的干扰估计装置，其特征在于，所述BF模式盲检模块还用于：

对一发天线端口对应的一收天线端口，基于所述收天线端口的INR判断所述收天线端口是否为BF模式；

基于所述发天线端口对应的所有收天线端口是否为BF模式的判断结果，根据第一预设规则判断所述发天线端口是否为BF模式；

基于所述邻区内所有发天线端口的判断结果，根据第二预设规则判断所述邻区是否为BF模式。

18.根据权利要求14-17任一项所述的干扰估计装置，其特征在于，还包括CRS信道估计模块；

所述CRS信道估计模块，用于所述BF模式盲检模块确定所述邻区为非BF模式，则基于CRS对所述邻区进行CRS信道估计；

相应地，所述干扰贡献矩阵构建模块包括：

功率因子与预编码矩阵估计单元，用于根据所述CRS信道估计模块输出的邻区CRS信道估计的结果和接收信号，估计所述服务小区数据位置干扰的功率因子与预编码矩阵；

非BF模式干扰贡献矩阵构建单元，用于根据所述功率因子与预编码矩阵估计单元得到的所述功率因子与预编码矩阵，构建邻区的非BF模式干扰贡献矩阵，所述非BF模式干扰贡献矩阵用于表征邻区TM1～TM6传输模式所述服务小区数据产生的干扰；

相应地，所述干扰估计模块，还用于根据所述服务小区CRS干扰消除后的干扰协方差矩阵和所述非BF模式干扰贡献矩阵，获得所述服务小区的数据位置的干扰估计。

19.根据权利要求18所述的干扰估计装置，其特征在于，所述功率因子与预编码矩阵估计单元具体用于：

根据所述服务小区CRS信道估计的结果，获得所述服务小区的信道相关矩阵；

根据接收信号，获得所述服务小区的数据相关矩阵；

根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵。

20.根据权利要求19所述的干扰估计装置，其特征在于，所述功率因子与预编码矩阵估计单元用于根据所述邻区CRS信道估计的结果、所述服务小区CRS干扰消除后的干扰协方差矩阵、所述信道相关矩阵和所述数据相关矩阵，估计所述服务小区数据位置干扰的功率因子与预编码矩阵时，具体为：

对于多个邻区的场景，采用M轮迭代，估计各邻区干扰的功率因子与预编码矩阵，所述M为正整数；

对于第m轮迭代，采用以下方法估计干扰的功率因子与预编码矩阵：

依据所述多个邻区中CRS能量大小的降序顺序，依次对每一邻区执行以下步骤：

根据邻区CRS信道估计的结果，遍历所有功率因子与编码矩阵的可能组合，构建迭代过程中的非BF模式干扰贡献矩阵；

根据所述多个邻区在迭代过程中的非BF模式干扰贡献矩阵、所述服务小区CRS干扰消除后的干扰协方差矩阵、信道相关矩阵和数据相关矩阵，基于预设方法估计干扰的功率因子与预编码矩阵，其中，m＝1,…,M，所述预设方法包括能量度量方法和/或似然概率度量方法。

21.根据权利要求20所述的干扰估计装置，其特征在于，所述预设方法为所述能量度量方法，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于能量度量，选取所述邻区对应能量度量较小的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

22.根据权利要求20所述的干扰估计装置，其特征在于，所述预设方法为所述似然概率度量方法，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于似然概率度量，选取所述邻区对应似然概率度量较大的T组参数对，所述参数对包括功率因子与预编码矩阵，所述T为正整数。

23.根据权利要求20所述的干扰估计装置，其特征在于，所述预设方法为所述能量度量方法和所述似然概率度量方法的结合，所述功率因子与预编码矩阵估计单元用于基于预设方法估计干扰的功率因子与预编码矩阵时，具体为：

基于能量度量，选取所述邻区对应能量度量较小的T₁组参数对，所述参数对包括功率因子和预编码矩阵，所述T₁为正整数；

在所述T₁组参数对中，基于似然概率度量，选取所述邻区对应似然概率度量较大的T组所述参数对，所述T为正整数，所述T小于所述T₁。

24.根据权利要求21-23任一项所述的干扰估计装置，其特征在于，所述功率因子与预编码矩阵估计单元还用于：对于多个邻区的场景，对各邻区选取出T组参数对，进行邻区间参数对联合检测，基于能量度量或似然概率度量，选取对应度量较好的T₂组参数对，所述T₂为正整数，所述T₂小于T^N，所述N表示所述邻区的个数；

相应地，所述非BF模式干扰贡献矩阵构建单元，具体用于根据所述功率因子与预编码矩阵估计单元得到的所述T₂组参数对，采用基于能量度量误差概率或似然概率作为加权因子，构建非BF模式干扰总贡献矩阵，所述非BF模式干扰总贡献矩阵为所述多个邻区非BF模式干扰贡献矩阵的和。

25.一种干扰估计装置，其特征在于，包括：

分组模块，用于将服务小区的数据资源单元RE分为至少两组RE，所述至少两组RE具有不同的干扰水平；

干扰估计模块，用于基于小区参考信号CRS确定资源块RB级干扰估计矩阵或RB级白化矩阵；

修正模块，用于基于所述RB级干扰估计矩阵或RB级白化矩阵，采用预设方法对所述至少两组RE中每一组进行干扰估计修正，使每组干扰估计与实际遭受干扰场景匹配。

26.根据权利要求25所述的干扰估计装置，其特征在于，所述预设方法包括矩阵修正法和标量修正法；

其中，所述矩阵修正法具体为：在所述RB级干扰估计矩阵上加一修正矩阵，所述修正矩阵表示对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰偏差矩阵；

所述标量修正法包括：基于所述RB级干扰估计矩阵的干扰估计矩阵标量修正和基于所述RB级白化矩阵的白化矩阵标量修正，其中，所述干扰估计矩阵标量修正具体为：在所述RB级干扰估计矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值；所述白化矩阵标量修正具体为：在所述RB级白化矩阵上乘以一标量修正因子，所述标量修正因子为对应组RE实际遭受干扰与所述RB级干扰估计矩阵的干扰能量比值的-1/2次方。