CN105306393A - 一种多天线多载波系统中莱斯信道方法 - Google Patents

Abstract

本发明属于无线通信技术领域，具体涉及一种在多天线多载波系统中n发n收莱斯信道下，对最小均方误差(Minimum？Mean？Square？Error，MMSE)信道估计方法。本发明基于对莱斯因子影响的分析，在多天线多载波系统中，对基于MMSE的信道估计算法进行加权并偏移修正，设置加权修正因子γ和偏移修正因子B，分析得到改进的加权并偏移修正最小均方误差(Shift？Scaled？Minimum？Mean？Square？Error，SSMMSE)n发n收算法表达式，通过对估计性能的理论分析和推导，得到最优的γ和B的表达式，补偿了传统MMSE算法中没有考虑莱斯因子的性能损失，从而提高信道估计算法的精度。

Description

一种多天线多载波系统中莱斯信道方法

技术领域

本发明属于无线通信技术领域，具体涉及一种在多天线多载波系统中n发n收莱斯信道下，对最小均方误差(MinimumMeanSquareError，MMSE)信道估计方法。

背景技术

随着无线通信的广泛应用，其应用场景更加复杂。例如，在卫星环境下，卫星时常运行在空旷环境中，无线信号常处于直射径(LineOfSight，LOS)传播，接收信号含有较强的直射分量；高铁环境下，列车时常运行在空旷环境中，无线信号传播特性趋向于LOS传播。两种情况下，接收信号的包络都服从莱斯分布，该信道被称为莱斯信道。值得注意的是，在莱斯信道中，只要直射分量足够弱，其就会退化为传统的瑞利信道，因此，研究莱斯信道下的优化信道估计具有更广泛，更普遍的意义。

典型的信道估计算法包括：最小二乘法(LeastSquares，LS)和最小均方误差(MinimumMeanSquareError，MMSE)算法等，其中LS算法的复杂度低，但估计精度不高，MMSE算法由于考虑了信道噪声是为了降低噪声对信道估计的影响从而能获取更高的估计精度。由于传统算法往往是在瑞利信道下进行的分析和优化，未考虑莱斯信道中莱斯因子的影响，从而在莱斯信道下性能受限。

发明内容

本发明的目的，针对多天线多载波系统在莱斯信道下，现有的MMSE信道估计算法没有考虑莱斯因子影响的问题，提供一种计算复杂度近似不变，但性能有一定提升的加权并偏移修正MMSE信道估计的算法(SSMMSE)。

本发明的技术方案：一种多天线多载波系统中莱斯信道方法，多天线多载波n发n收系统中一种加权并偏移修正的MMSE信道估计算法，其特征在于通过设置加权修正因子γ和偏移修正因子B，对忽略莱斯因子的MMSE算法进行补偿，从而得到改进后的SSMMSE算法，在基本不增加计算复杂度的情况下较大的提升信道估计的精度。包括以下步骤：

A.系统描述

多天线多载波系统中，任意天线在频域任意子载波上的等效接收信号为发送信号为瞬时的等效信道增益系数为其组成分量为h_mn(m＝1,2,...,N_r，n＝1,2,...,N_t)，表示第n根发射天线和第m根接收天线间的信道增益系数；加性高斯白噪声向量为n_i(i＝1,2,...,N_r)是服从分布的随机变量，其中σ表示导频子信道的加性噪声的方差；其中N_t为发射天线数目，N_r为接收天线数目，它们满足：

Y＝HX+N

其中，等效信道增益系数其中μ表示信道矩阵的期望，根据莱斯分布的定义，可以得到莱斯因子K

K＝μ²/2σ²

定义M代表等效信道增益系数H的期望：

$M=\frac{\mathrm{\μ}}{\sqrt{2}}{I}_{N_R\×N_T}$

其中I表示单位矩阵；

R_H是信道的自相关矩阵：

$R_H=E\left\{H^{H}H\right\}=\frac{N_R}{1+K}\left[\begin{array}{ccccc}1+K& K& K& ...& K\\ K& 1+K& K& ...& K\\ .& .& .& & .\\ .& .& .& ...& .\\ .& .& .& & .\\ K& K& K& ...& 1+K\end{array}\right]$

噪声N的协方差矩阵为：

$R_N=E\left\{N^{H}N\right\}={\mathrm{\σ}}^2{N}_R{I}_{N_P}$

其中，N_R是接收天线数，I_Np是单位阵，N_P是训练序列的长度；

定义C为MMSE信道估计方法前面的常数矩阵：

C＝R_H(R_H+σ²(XX^H)^-1)^-1

＝R_H(R_H+σ²E{(XX^H)^-1})^-1

其中，X为已知的导频信号，

本方法需要对MMSE信道估计算法进行处理，需要两个修正因子，即加权修正因子γ和偏移修正因子B，具体实现步骤为：

S1.获得MMSE信道的估计值

传统的MMSE表达式为

${\hat{H}}_{MMSE}=R_H{(R_H+{\mathrm{\σ}}^2{\left({\mathrm{XX}}^H\right)}^{-1})}^{-1}Y/X$

其中，X为已知的导频信号，σ²为导频子信道的加性噪声的方差；

S2.对MMSE信道估计方法进行加权修正，计算修正因子γ

$\mathrm{\γ}=\frac{tr\left(E\right(H^{H}CH\left)\right)-tr\left(M^H{C}^{H}M\right)}{tr\left(E\right(H^H{C}^{H}CH\left)\right)+tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)-tr\left(M^H{C}^{H}CM\right)}$

其中，E(·)表示求平均值的计算，tr(·)表示求矩阵迹的运算。

S21.根据C和R_H计算γ表达式中E(H^HCH)的值；

S22.根据C和R_H计算γ表达式中E(H^HC^HCH)的值；

S23.根据C和R_N以及噪声独立性计算γ表达式中的值。

S3.对MMSE信道估计方法进行偏移修正，计算偏移修正因子B

B＝(M-γCM)

S4.对传统MMSE的信道值进行修正

${\hat{H}}_{SSMMSE}=\mathrm{\γ}{\hat{H}}_{MMSE}+B$

本发明的优点是在基本不增加原有MMSE信道估计方法计算复杂度的情况下，通过对原有MMSE信道估计算法进行修正得到的SSMMSE算法使得均方误差比原方法有较大程度的降低，提高了信道估计的精度。

附图说明

图1是典型OFDM系统的结构框图，其中描述了等效频域接受信号及信道估计的执行位置；

图2是大规模MIMO系统框图；

图3是多天线多载波(2发2收)系统下对比加权并偏移修正的MMSE算法(SSMMSE)和原始MMSE算法的均方误差。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里就被忽略。

为更好地对本发明进行说明，先介绍本发明技术方案所用到的术语和OFDM系统的基本概念。

如图1所示为OFDM系统的结构框图，输入信号通过串并转换然后进行OFDM调制送入莱斯信道，接着通过OFDM解调进行信道估计(SSMMSE)，通过频域均衡得到输出信号。

图2所示为MIMO系统的信道模型图。

本发明的具体实施方案如下：

首先给出n发n收下的步骤：

A1.获得MMSE信道估计算法的估计值

传统的MMSE表达式为

${\hat{H}}_{MMSE}=R_H{(R_H+{\mathrm{\σ}}^2{\left({\mathrm{XX}}^H\right)}^{-1})}^{-1}{\hat{H}}_{LS}$

其中，X为已知的导频信号，σ²为导频子信道的加性噪声的方差，为LS算法的信道估计值。

$\begin{array}{c}{\hat{H}}_{LS}=Y/X\\ =H+N/X\end{array}$

A2.计算修正因子γ

$\mathrm{\γ}=\frac{tr\left(E\right(H^{H}CH\left)\right)-tr\left(M^H{C}^{H}M\right)}{tr\left(E\right(H^H{C}^{H}CH\left)\right)+tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)-tr\left(M^H{C}^{H}CM\right)}$

其中，C为常数矩阵

C＝R_H(R_H+σ²(XX^H)^-1)^-1

＝R_H(R_H+σ²E{(XX^H)^-1})^-1

其中，

$E\left\{\left({\mathrm{XX}}^H\right)\right\}=\frac{1}{n}{I}_n$

A21.计算γ表达式中E(H^HCH)的值

观察C的表达式，可设常数矩阵C为

$C=\left[\begin{array}{ccccc}{c}_1& c_2& c_2& ...& c_2\\ c_2& c_1& c_2& ...& c_2\\ ...& ...& ...& ...& ...\\ c_2& c_2& c_2& ...& c_1\end{array}\right]$

于是E(H^HCH)化简求解可表示为

$E\[H^{H}CH\]=\frac{N_R}{1+K}\left[\begin{array}{ccccc}{c}_1(1+K)+(n-1)c_{2}K& (c_1+(n-1\left)c_2\right)K& (c_1+(n-1\left)c_2\right)K& ...& (c_1+(n-1\left)c_2\right)K\\ (c_1+(n-1\left)c_2\right)K& c_1(1+K)+(n-1)c_{2}K& (c_1+(n-1\left)c_2\right)K& ...& (c_1+(n-1\left)c_2\right)K\\ ...& ...& ...& ...& ...\\ (c_1+(n-1\left)c_2\right)K& (c_1+(n-1\left)c_2\right)K& (c_1+(n-1\left)c_2\right)K& ...& c_1(1+K)+(n-1)c_{2}K\end{array}\right]$

A22.计算γ表达式中E(H^HC^HCH)的值

同理可设C^HC为

$C^{H}C=\left[\begin{array}{ccccc}{c}_3& c_4& c_4& ...& c_4\\ c_4& c_3& c_4& ...& c_4\\ ...& ...& ...& ...& ...\\ c_4& c_4& c_4& ...& c_3\end{array}\right]$

于是E(H^HC^HCH)可表示为

$E\[H^H{C}^{H}CH\]=\frac{N_R}{1+K}\left[\begin{array}{ccccc}{c}_3(1+K)+(n-1)c_{4}K& (c_3+(n-1\left)c_4\right)K& (c_3+(n-1\left)c_4\right)K& ...& (c_3+(n-1\left)c_4\right)K\\ (c_3+(n-1\left)c_4\right)K& c_3(1+K)+(n-1)c_{4}K& (c_3+(n-1\left)c_4\right)K& ...& (c_3+(n-1\left)c_4\right)K\\ ...& ...& ...& ...& ...\\ (c_3+(n-1\left)c_4\right)K& (c_3+(n-1\left)c_4\right)K& (c_3+(n-1\left)c_4\right)K& ...& c_3(1+K)+(n-1)c_{4}K\end{array}\right]$

A23.计算γ表达式中 $tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)$ 的值

$tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)=c_3{J}_{ls}$

其中J_ls为LS算法的均方误差

J_ls＝σ²N_Rtr{(XX^H)^-1}

A3.计算偏移修正因子B

B＝(M-γCM)

A4.对传统MMSE的信道值进行修正

${\hat{H}}_{SSMMSE}=\mathrm{\γ}{\hat{H}}_{MMSE}+(M-\mathrm{\γ}CM)$

再以2发2收系统为具体实例(此时N_T＝N_R＝2)，接收机结构大致分为如下几步：

步骤1：计算MMSE算法信道估计初值。

${\hat{H}}_{MMSE}=R_H{(R_H+{\mathrm{\σ}}^2{\left({\mathrm{XX}}^H\right)}^{-1})}^{-1}(H+\frac{N}{X})$

步骤2：计算常数矩阵C和C^HC。

C＝R_H(R_H+σ²E{(XX^H)^-1})^-1

有 $C=\left[\begin{array}{cc}{c}_1& c_2\\ c_2& c_1\end{array}\right]$

于是可得到C矩阵里的元素c₁和c₂，同理可以得到C^HC矩阵里的元素c₃和c₄。

步骤3：计算中间变量E(H^HCH)。

$E\[H^{H}CH\]=\frac{N_R}{1+K}\left[\begin{array}{cc}{c}_1(1+K)+c_{2}K& (c_1+c_2)K\\ (c_1+c_2)K& c_1(1+K)+c_{2}K\end{array}\right]$

步骤4：计算中间变量E(H^HC^HCH)。

$E\[H^H{C}^{H}CH\]=\frac{N_R}{1+K}\left[\begin{array}{cc}{c}_3(1+K)+c_{4}K& (c_3+c_4)K\\ (c_3+c_4)K& c_3(1+K)+c_{4}K\end{array}\right]$

步骤5：计算中间变量

$tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)=c_3{\mathrm{\σ}}^2{N}_{R}tr\left\{{\left({\mathrm{XX}}^H\right)}^{-1}\right\}$

步骤6：计算加权修正因子γ。

$\mathrm{\γ}=\frac{tr\left(E\right(H^{H}CH\left)\right)-tr\left(M^H{C}^{H}M\right)}{tr\left(E\right(H^H{C}^{H}CH\left)\right)+tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}\left)\right)-tr\left(M^H{C}^{H}CM\right)}$

步骤7：计算偏移因子B。

B＝(M-γCM)

步骤8：对传统信道估计值进行修正。

${\hat{H}}_{SSMMSE}=\mathrm{\γ}{\hat{H}}_{MMSE}+(M-\mathrm{\γ}CM)$

当信噪比或者莱斯因子的值变化时，重新回到步骤1计算该情况下的加权修正因子γ和偏移因子B，再进行SSMMSE算法的信道估计，直到整个循环结束。

图3表示多天线多载波(2发2收)系统下对比加权并偏移修正的MMSE算法(SSMMSE)和原始MMSE算法的均方误差。横轴表示信噪比，纵轴表示均方误差，虚线表示原始MMSE算法，实线则表示修正并偏移的MMSE算法(SSMMSE)。当K＝0时即为瑞利信道，则改进后的方法与改进前的方法均方误差完全一样；当K增大时，可以看出加权并偏移修正的MMSE算法(SSMMSE)的性能相对于原来的MMSE算法有较大估计精度的提升，这主要是由于原MMSE信道估计算法没有考虑莱斯因子的影响。

Claims (4)

1.一种多天线多载波系统中莱斯信道方法，该方法包括：

步骤1：根据传统的MMSE方法获得莱斯信道的估计值：

${\hat{H}}_{MMSE}=R_H{(R_H+{\mathrm{\σ}}^2{\left({\mathrm{XX}}^H\right)}^{-1})}^{-1}Y/X$

其中，表示莱斯信道的估计值，R_H＝E{H^HH}，等效信道增益系数E(·)表示求平均值的计算，μ表示信道矩阵的期望，σ²为导频子信道的加性噪声的方差，X为已知的导频信号，Y为等效接收信号；

步骤2：对传统MMSE方法获得莱斯信道的估计值进行加权修正；

步骤3：再对步骤2获得的加权修正后的莱斯信道的估计值进行偏移修正，获得本发明莱斯信道的估计值。

2.如权利要求1所述的一种多天线多载波系统中莱斯信道方法，所述步骤2中加权因子γ的计算方法为：

$\mathrm{\γ}=\frac{tr\left(E\right(H^{H}CH))-tr\left(M^H{C}^{H}M\right)}{tr\left(E\right(H^H{C}^{H}CH))+tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}))-tr\left(M^H{C}^{H}CM\right)}$

其中：tr(·)表示求矩阵迹的运算，M为等效信道增益系数H的期望，N为加性高斯白噪声，

C＝R_H(R_H+σ²(XX^H)^-1)^-1

；

＝R_H(R_H+σ²E{(XX^H)^-1})^-1

3.如权利要求2所述的一种多天线多载波系统中莱斯信道方法，其特征在于所述偏移修正的修正因子B计算方法为：

B＝(M-γCM)。

4.如权利要求2所述的一种多天线多载波系统中莱斯信道方法，其特征在于所述加权因子γ的计算方法为：

步骤2.1：根据C和R_H计算γ表达式中E(H^HCH)的值；

步骤2.2：根据C和R_H计算γ表达式中E(H^HC^HCH)的值；

步骤2.3： $tr\left(E\right({\frac{N}{X^H}}^H{C}^{H}C\frac{N}{X}))=c_3{J}_{ls},$

其中c₃为C^HC为常数矩阵 $\left[\begin{array}{ccccc}{c}_3& c_4& c_4& ...& c_4\\ c_4& c_3& c_4& ...& c_4\\ ...& ...& ...& ...& ...\\ c_4& c_4& c_4& ...& c_3\end{array}\right]$ 中的c₃的值，J_ls为LS算法的均方误差，J_ls＝σ²N_Rtr{(XX^H)^-1}，N_r为接收天线数目；

步骤2.4：综合步骤2.1、2.2、2.3获得加权因子γ的值。