CN110808939A - 一种基于kmeans算法的相位跟踪补偿方法 - Google Patents

Abstract

本发明公开了一种基于KMEANS算法的相位跟踪补偿方法，基于高斯混合模型，在导频估计相位误差方法的基础上，采用KMEANS算法对每个OFDM符号的星座图的公共相位误差进行进一步的细估计；同时采用反馈回路，将各OFDM符号的公共相位误差估计结果返回给相位纠正模块进行累加后，对OFDM符号进行修正，完成相位跟踪补偿。实现了对CPE误差的追踪，提高了CPE的估计精度，更好的满足了信号的测试要求。

Description

一种基于KMEANS算法的相位跟踪补偿方法

技术领域

本发明涉及WLAN多载波信号测量技术领域，具体涉及到一种在WLAN测试仪中的相位补偿方法。

背景技术

同步处理技术在通信系统中占据非常重要的地位，是信息可靠传输的前提。正交频分复用(OFDM)系统因频带利用率高、传输速率高、可有效对抗多径时延和窄带干扰等诸多优点而得到广泛应用，但其主要缺点之一就是对系统时钟的相位噪声很敏感。相位噪声是一种常见的系统噪声，该噪声引起了接收OFDM信号的公共相位误差(CPE)和子载波间干扰(ICI)，使得接收星座图产生了整体旋转和絮状散布。

现有的研究工作大多利用导频信号对CPE误差进行估计与补偿，主要思路是利用WLAN信号帧中的已知导频符号与本地已知导频符号进行共轭相乘，求出均值即完成了CPE的估计与补偿。仅仅利用了OFDM符号中的导频信号进行CPE估计时，在存在噪声的情况下，由于可观测的已知导频数量较少，估计精度有限，导致采用估计后的参数对信号进行相位补偿时，补偿后的数据仍然存在一定的相位偏差。

发明内容

发明目的：针对上述现有技术，提出一种基于KMEANS算法的相位跟踪补偿方法，实现公共相位误差高精度补偿。

技术方案：一种基于KMEANS算法的相位跟踪补偿方法，包括如下步骤：基于高斯混合模型，在导频估计相位误差方法的基础上，采用KMEANS算法对每个OFDM符号的星座图的公共相位误差进行进一步的细估计；同时采用反馈回路，将各OFDM符号的公共相位误差估计结果返回给相位纠正模块进行累加后，对OFDM符号进行修正，完成相位跟踪补偿。

进一步，包括如下具体步骤：首先搜索WLAN信号的帧起始和结束位置；然后利用WLAN信号的前导部分进行频率估计补偿、符号定时估计补偿和信道估计补偿，将处理后的数据按OFDM符号为单位进行分隔；采用导频法对第一个OFDM符号进行公共相位误差粗估计，并利用粗估计值对第一个OFDM符号进行相位纠正；然后采用KMEANS算法对相位纠正后的OFDM符号进行公共相位误差细估计，得到细估计值，并利所述细估计值对第一个OFDM符号再次相位纠正，完成一个OFDM符号的公共相位误差估计与纠正；同时将所述误差粗估计值和所述细估计值反馈给相位误差累加模块进行累加，并利用累加结果对第二个OFDM符号进行相位修正；对第二个OFDM符号，依次重复进行公共相位误差粗的粗估计纠正和细估计纠正，并将估计值反馈给所述相位误差累加模块进行累加，累加结果对第三个OFDM符号进行相位修正；由此类推，直到最后一个OFDM符号完成相位修正。

进一步，所述采用KMEANS算法对纠正后的OFDM符号进行公共相位误差细估计包括如下具体步骤：

步骤a)：将相位纠正后的导频信号作为KMEANS算法中参数初始值θ₁和参数初始值θ₂；

步骤b)：将所述导频信号随机分为两类数据，并将参数初始值θ₁作为第一类数据对应的KMEANS算法估计值，将参数初始值θ₂作为第二类数据对应的KMEANS算法估计值，计算每个分类中每个数据与对应KMEANS算法估计值的欧氏距离，然后求所有欧式距离和；

步骤c)：重复步骤b)N次，取出欧式距离和最小时对应的导频信号分类方案；

步骤d)：求出步骤c)得到的两组分类数据所对应的均值；

步骤e)：若步骤d)所求得的两个均值与对应的KMEANS算法估计值的欧式距离均小于设定阈值，则转到步骤f)；否则用步骤d)所求出的两个均值来更新KMEANS算法中参数初始值θ₁和参数初始值θ₂，并跳转到步骤b)；

步骤f)：对步骤e)得到的两个均值进行符号硬判决，然后求判决前后的符号相位差的均值，作为所述细估计值。

有益效果：本方法与单纯采用导频信息的CPE估计算法相比，考虑到在WLAN测试仪的测试过程中，待测信号的功率通常都远高于接收机系统的解调灵敏度，因此利用数据本身的相位信息进一步提高CPE的估计精度，同时由于仪表环境相对稳定，其信道信息变化缓慢，因此通过经过多个符号的相位误差信息对系统的相位误差进行跟踪和修正，实现了对CPE误差的追踪，提高了CPE的估计精度，更好的满足了信号的测试要求。

附图说明

图1是本发明方法的原理框图；

图2是采用本发明方法后的星座图以及对应的EVM结果对比。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种基于KMEANS算法的相位跟踪补偿方法，包括以下步骤：

步骤1：搜索WLAN一帧信号的起始位置和结束位置，并以该帧数据作为处理数据。

步骤2：利用WLAN帧信号的前导头，完成该帧信号的频率估计补偿、符号定时估计补偿以及信道估计补偿。

步骤3：将处理后的数据按OFDM符号为单位进行分隔，即对每个OFDM符号进行FFT，将信号从时域变至频域。

步骤4：利用OFDM符号中的导频信号，对CPE误差进行粗估计，并用粗估计值对该OFDM符号进行相位纠正。

步骤5：利用KMEANS算法，对步骤4中纠正后的导频符号进行CPE细估计，得到CPE误差的细估计值，并用细估计值对该OFDM符号进行相位纠正，将纠正后的OFDM符号作为输出数据。

步骤6：将步骤4估计出的误差与步骤5估计出的误差进行相加，并反馈给相位误差累加模块，与当前积累的估计值累加。

步骤7：用步骤6累加得到的相位信息对下一个OFDM符号进行相位纠正。

步骤8，重复步骤4～7，直至帧数据中包含的所有OFDM符号处理完毕。

其中，步骤5包括如下具体步骤：

步骤5a)：将步骤4相位纠正后的导频信号作为步骤5的KMEANS算法中参数初始值θ₁和参数初始值θ₂。

步骤5b)：将导频信号随机分为两类数据，并将参数初始值θ₁作为第一类数据对应的KMEANS算法估计值，将参数初始值θ₂作为第二类数据对应的KMEANS算法估计值，计算每个分类中每个数据与对应KMEANS算法估计值的欧氏距离，然后求所有欧式距离和。

步骤5c)：重复步骤5b)N次，取出欧式距离和最小时对应的导频信号分类方案。其中，N一般取200～500次。

步骤5d)：求出步骤5c)中得到的两组分类数据所对应的均值。

步骤5e)：若步骤5d)所求得的两个均值与对应的KMEANS算法估计值的欧式距离均小于设定阈值，则转到步骤5f)；否则用步骤5d)所求出的两个均值来更新KMEANS算法中参数初始值θ₁和参数初始值θ₂，并跳转到步骤5b)。其中，阈值一般小于0.01。

步骤5f)：对步骤5e)得到的两个均值进行符号硬判决，然后求判决前后的符号相位差的均值，作为CPE的细估计值，算法结束。

该算法的效果如图2所示。图2中，采用KMEANS算法纠正后的星座图相对于纠正前有明显收敛。纠正后的导频符号的EVM提高了约1.5dB.

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于KMEANS算法的相位跟踪补偿方法，其特征在于，包括如下步骤：基于高斯混合模型，在导频估计相位误差方法的基础上，采用KMEANS算法对每个OFDM符号的星座图的公共相位误差进行进一步的细估计；同时采用反馈回路，将各OFDM符号的公共相位误差估计结果返回给相位纠正模块进行累加后，对OFDM符号进行修正，完成相位跟踪补偿。

2.根据权利要求1所述的基于KMEANS算法的相位跟踪补偿方法，其特征在于，包括如下具体步骤：首先搜索WLAN信号的帧起始和结束位置；然后利用WLAN信号的前导部分进行频率估计补偿、符号定时估计补偿和信道估计补偿，将处理后的数据按OFDM符号为单位进行分隔；采用导频法对第一个OFDM符号进行公共相位误差粗估计，并利用粗估计值对第一个OFDM符号进行相位纠正；然后采用KMEANS算法对相位纠正后的OFDM符号进行公共相位误差细估计，得到细估计值，并利所述细估计值对第一个OFDM符号再次相位纠正，完成一个OFDM符号的公共相位误差估计与纠正；同时将所述误差粗估计值和所述细估计值反馈给相位误差累加模块进行累加，并利用累加结果对第二个OFDM符号进行相位修正；对第二个OFDM符号，依次重复进行公共相位误差粗的粗估计纠正和细估计纠正，并将估计值反馈给所述相位误差累加模块进行累加，累加结果对第三个OFDM符号进行相位修正；由此类推，直到最后一个OFDM符号完成相位修正。

3.根据权利要求1所述的基于KMEANS算法的相位跟踪补偿方法，其特征在于，所述采用KMEANS算法对纠正后的OFDM符号进行公共相位误差细估计包括如下具体步骤：

步骤a)：将相位纠正后的导频信号作为KMEANS算法中参数初始值θ₁和参数初始值θ₂；

步骤b)：将所述导频信号随机分为两类数据，并将参数初始值θ₁作为第一类数据对应的KMEANS算法估计值，将参数初始值θ₂作为第二类数据对应的KMEANS算法估计值，计算每个分类中每个数据与对应KMEANS算法估计值的欧氏距离，然后求所有欧式距离和；

步骤c)：重复步骤b)N次，取出欧式距离和最小时对应的导频信号分类方案；

步骤d)：求出步骤c)得到的两组分类数据所对应的均值；

步骤e)：若步骤d)所求得的两个均值与对应的KMEANS算法估计值的欧式距离均小于设定阈值，则转到步骤f)；否则用步骤d)所求出的两个均值来更新KMEANS算法中参数初始值θ₁和参数初始值θ₂，并跳转到步骤b)；

步骤f)：对步骤e)得到的两个均值进行符号硬判决，然后求判决前后的符号相位差的均值，作为所述细估计值。

Images