CN1183182A - 接收方法和接收机 - Google Patents

Abstract

本发明涉及一个系统中的一种接收方法和一种接收机,在该系统中接收到的信号包括多个累加的信号分量,其中至少有一部分是未知的,该接收机包括一种对接收信号进行取样并形成该取样的一个信息向量的装置(202),以及一种利用一个或多个多维滤波器估算接收信号的装置(208)。为实现可靠而有利的信号检测,该接收机包括一种利用价值函数构成信号的一个模型并优化滤波器函数的装置(208),该价值函数揭示信号中的非线性,该接收机还包括一种利用优化后的滤波器函数检测数据的装置(208),以在检测前减少信息向量的维数。

Description

接收方法和接收机

本发明涉及一种接收方法，其接收到的信号包括几个累加的信号分量，这些分量中至少有一部分是未知的，接收到的信号被取样，由所述取样形成一个信息向量，该方法中用一个或多个多维滤波器来估算接收到的信号。

在规划和实现通信系统时，一个基本问题是由几个用户同时进行的信号的传输和接收，使得信号尽可能少地彼此干扰。出于上述原因，及由于传输信道所造成的其他干扰和所使用的传输容量，已经制定了许多不同的传输协议和多址接入方法。具体到移动通信系统，这些方法中最常见的包括FDMA和TDMA法，还有近来发展的CDMA法。

在上述所有方法中，干扰的表现形式微有不同，这些方法使用不同的手段来克服与干扰有关的问题。在TDMA中，一个重要的干扰源是码间干扰(ISI)，在CDMA中为多址干扰(MAI)。一般说来，检测所需信号的目的是在已加入多余信息的信号中找到所需的符号。不同的多址接入方法用不同的方式实现这个目的。对于CDMA，建议对多个用户同时检测，而对TDMA建议采用不同类型的均衡器。

均衡器旨在缓和信号在时域的分布，它有两种基本类型：线性和非线性。线性均衡器，例如Wiener滤波器，易于实现，但是由于调制波形的非线性特性，它并不能在所有情况下都很好地运行。非线性滤波器以例如Viterbi滤波器和判决反馈滤波器为代表。

相应地在CDMA中，MUD法也可以是线性或者非线性的。前者中可能会述及去相关接收机后者中可能会述及Viterbi和判决反馈耦合法。去相关接收机的详细描述可以在例如A.HOttinen：Self-orginazing multiuserdetection，Proc.of IEEE ISSSTA 94，Oulu，Finland中找到。

均衡器和检测中所谓的盲自适应算法的使用也是现有技术中已知的。盲算法是指不考虑信号极性的自适应规律，即不要求训练序列把接收机带入到正确状态。盲方法与CDMA一起描述，例如可参见S.Verdu：Adaptivemultiuser detection，Proc.of IEEE ISSSTA 94，Oulu，Finland。

上述的所有方法，包括那些非线性方法都具有这样一个缺点，当干扰信号的数目增加时，这意味着计算空间维数的增加，进行最佳检测所需的计算量也会急剧增加。当最佳检测变得困难时，会采用次佳方法，这会导致接收信息的丢失，在检测器端表现为劣化的信号质量。

因此本发明的一个目的在于实现这样一种方法，利用它即使在信号模型未知的情况下，也能够次优地检测出带有干扰的接收信号。另外，本发明的目的还在于实现这样一种自适应方法，它只需要少量有关干扰信号和噪声的信息，即使在受干扰的传输环境下也能够利用少量信息可靠地检测所需信号。

这些目的可以用序言中提出的这类方法实现，其特征在于，利用一个价值函数(cost function)来构成信号的模型，从而自适应地实现信号滤波，该价值函数表示信号中的非线性，并用以优化滤波器函数，其特征还在于利用优化后的滤波器函数来检测数据，以在检测前减少信息向量的维数。

本发明还进一步涉及这样一个系统中的一个接收机，其中接收到的信号包括多个累加的信号分量，其中至少有一部分是未知的，该接收机包括一个对接收信号进行取样并构成取样值的一个信息向量的装置，和一个利用一个或多个多维滤波器估算接收信号的装置。所发明的接收机的特征在于，它包括一个利用价值函数构成信号模型的装置，该价值函数表示信号中的非线性，并用于优化滤波器函数，该接收机还包括一个利用优化后的滤波器函数检测数据的装置，以使得在检测前减少信息向量的维数。

根据本发明的方法和接收机提供了许多优点。本发明的接收方法采用所谓的投影跟踪法(projection pursuit)，它能够有效地消除码间干扰和多址接入干扰的影响，并通常能消除可检测到的信号中非线性干扰的影响。它可以结合FDMA，TDMA和CDMA使用。还可在多级接收机中作为后级中的一个来使用。例如，在与CDMA结合使用时，由对扩展代码自适应的滤波器所实现的普通的接收机级可以用作第一接收机级，它的输出信号由根据本发明的接收机级处理。在本发明的解决方法中通过限制对选定的一部分子空间的估算，可以避免现有计算方法所伴随的大量的计算，而并不丢失任何重要信息。另外，该方法使得在多级检测器中对互相干扰的用户不使用相关器成为可能。

如上所述，根据本发明方法的解决方案使用所谓的投影跟踪法，可以用它找到信号处理所需的理想滤波器。跟踪投影法采用一个通用的投影系数，即价值函数，从而找到一个用以指示信号最重要特性的子空间。根据该方法，接收机还找到多个子空间，它们共同收集有关时间或代码相关信号的信息，在检测中将用到这些信息。投影跟踪法在统计学中为人熟知，在例如P.Huber：Projection Pursuit，Annals ofStatistics，Vol.13，No.2，PP.435-475，1985中对其作了描述，本处引入该文仅供参考。应该注意到根据本发明的解决方案是在电信范围内以一种新的方式使用投影跟踪，该方法在这里用来检测信号的非线性特性。

下面，将参考附图中的例子更详细地说明本发明，其中，

图1描述一个蜂窝无线系统，根据本发明的方法可以应用于其中，

图2是实现本发明一个实施例的接收机结构的示范说明，

图3是对一组BPSK信号投影到X轴上的描述，

图4描述实现投影跟踪的一个例子。

图1是一个通用的蜂窝无线系统的示范说明，根据本发明的接收方法可以应用于其中。在该示例情况中使用CDMA系统，但是本发明也可以应用于其他的多址接入方法中，这一点对于本领域的技术人员是显而易见的。

该系统包括一个基站100和多个用户终端102-106，它们具有到基站的连接108-112。在CDMA系统的情况下，所有的用户终端102-106在同一个频带上与基站通信。从终端设备发出的传输用一个伪随机扩展代码标识。尽管其目的是选择用于不同连接的扩展代码，以使得在理想情况下它们不会彼此相关，即不会互相干扰，但实际上在接收所需信号期间，其他的连接会作为多址接入干扰而被感知到。干扰可能来自同一个小区或周围的小区。本发明的方法可以应用于基站和终端设备的接收机中。

下面，首先给出一个异步CDMA系统的示范描述，本发明的方法可以应用于该系统中。正如本领域的技术人员所显而易见的，本发明也可以应用于同步系统中。

假定在一个异步BPSK CDMA系统中有K个用户，每个用户所分配的扩展波形为 $s_k\left(t\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_k^{\left(j\right)}{\mathrm{\Π}}_{T_c}(t-j{T}_c)$ 其中第k个用户的扩展波形的第j码片，即比特，可由下式获得 $S_k^{\left(j\right)}\∈\{-\mathrm{1,1}\},k=1,...,K.$

上式中的T_c是每码片的长度，N表示扩展波形中的码片的数目。对用户的扩展代码没有设置任何限制。在BPSK{-1，1}的情况下，用户通过利用数据符号b_k ⁽ⁱ⁾∈A调制扩展波形来传输信息，其中A是一个符号字母表。此后CDMA中，所有的用户同时在一个频率上传输。所以接收机的任务是解调下面的和信号 $r\left(t\right)=\underset{k=l}{\overset{K}{\mathrm{\Σ}}}\underset{i=-p}{\overset{p}{\mathrm{\Σ}}}{h}_k\left(t\right)*b_k^{\left(i\right)}\sqrt{\frac{E_k}{T}}{S}_k(t-\mathrm{iT})+n\left(t\right)$ 其中n(t)表示高斯白噪声，其功率谱密度为 ，2P+1表示数据分组的长度，h_k(t)表示第k个用户物理信道的冲击响应，E_k表示第k个用户的传输功率。符号*表示卷积。信号通过一个多径信道传输，信道的冲击响应h_k(t)可以用下式表示 $h_k\left(t\right)=\underset{l=0}{\overset{L}{\mathrm{\Σ}}}{h}_{k,l}\left(t\right)\mathrm{\σ}(t-{\mathrm{\τ}}_{k,l})$ 其中第k个用户的第1个信道系数，即信道分支，为h_k，l∈c，τ是相应的时延。当该系数以瑞利分布幅度随时间变化时，该信道被称为瑞利信道。当h_k，l为一个常数时，信道被称为高斯信道(假定噪声n(t)是高斯噪声)。

接收机收到信号r(t)，并将信号与一个接收机滤波器w_k(l)相关，即 $Z_{k,l}^{\left(i\right)}=\underset{\mathrm{iT}+{\mathrm{\τ}}_{k,l}}{\overset{(i+l)T+{\mathrm{\τ}}_{k,l}}{\∫}}r\left(t\right)w_{k,m}^{*}(t-{\mathrm{\τ}}_{k,l}-\mathrm{iT})\mathrm{dt}$ 其中T表示符号间隔的长度。CDMA中，滤波器通常与传输波形相匹配，w_k≡s_k。

为建立接收信号的一个矩阵模型，将第k个用户的匹配滤波器的输出量集中为向量 $z_k^{\left(i\right)}=\left(z_{k,l}^{\left(i\right)}\right),...,z_{k,l}^{\left(i\right)}$ 将所有k个用户的滤波器输出端的输出集中为 $z^{\left(i\right)}=(z_l^{\left(i\right)},...,z_k^{\left(i\right)})$ 最后将一列匹配滤波器的输出集中为

z＝(z^-p，…，z^p)^T第k个用户第1条路径上的第i个符号的振幅表示为α_k，l ⁽ⁱ⁾。假定在一个符号间隔内振幅 $a_{k,l}\left(t\right)\&equiv;\sqrt{\frac{E_k}{T}}{h}_{k,l}$ 为常数，并且 $a_{k,l}^{\left(i\right)}=a_{k,l}\left(t\right),\mathrm{iT}\&le;t<(i+1)T$ 第k个用户在第i个时间间隔的信道系数的振幅被集中为 $a_k^{\left(i\right)}={(a_{k,l}^{\left(i\right)},...,a_{k,L}^{\left(i\right)})}^T$ 所以所有K个用户接收到的信号的振幅矩阵定义为 $A^{\left(i\right)}=\mathrm{diag}(a_l^{\left(i\right)},...a_k^{\left(i\right)})$ 第k个用户的第1个多径分量与第k个用户的第l个多径分量间的相关由下式得到 $[R_{k,k^{\&prime;}}^{\left(n\right)}{]}_{l,I^{\&prime;}}=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}{W}_k(t-{\mathrm{\&tau;}}_{k,l})S_{k^{\&prime;}}^{*}(t-{\mathrm{\&tau;}}_{k^{\&prime;},l^{\&prime;}}+\mathrm{nT})\mathrm{dt}$ 通过把这些量集中到矩阵 $R^{\left(n\right)}=\left[\begin{array}{ccccc}{R}_{l,l}^{\left(n\right)}& \&CenterDot;& \&CenterDot;& .& R_{l,k}^{\left(n\right)}\\ \&CenterDot;& .& & & \&CenterDot;\\ \&CenterDot;& & .& & \&CenterDot;\\ \&CenterDot;& & & .& \&CenterDot;\\ R_{k,l}^{\left(n\right)}& \&CenterDot;& \&CenterDot;& \&CenterDot;& R_{k,k}^{\left(n\right)}\end{array}\right]$ 和 $R_N=\left[\begin{array}{ccccc}{R}^{\left(0\right)}& \&CenterDot;& \&CenterDot;& \&CenterDot;& R^{\left(2N\right)}\\ \&CenterDot;& \&CenterDot;& & & \&CenterDot;\\ \&CenterDot;& & \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& & & \&CenterDot;& \&CenterDot;\\ R^{(-2N)}& \&CenterDot;& \&CenterDot;& \&CenterDot;& R^{\left(0\right)}\end{array}\right]$ 接收到的信号可以写为下面的形式

z＝RAb+n

这里R≡R_N，A＝diag(A^(-2N)，…，A^(2N))，b＝(b^(-p)，…b^(p))^T，其中 $b^{\left(i\right)}=(b_l^{\left(i\right)}{l}^T,...,b_k^{\left(i\right)}{l}^T)$ 。l＝(l，…l)^T是一个L阶向量。假定噪声为协方差为R的高斯型。

在接收机中估算接收信号的参数，即时延和振幅，并假定信号在一个高斯型信道中传输，现有技术的参数检测器，例如ML(最大似然)解出

b_opt＝arg min|z-Rab|_c ²这里|Y|² _c＝Y^HCY，C是权矩阵。这里c＝(R+δ²A)^-1。

根据上面的公式，只要计算量不会增加太多或者信号模型已知，现有技术的接收机都可以从干扰信号中检测出所需的信号。根据本发明的方法则可以特别好地应用于模型只是部分已知(R的子矩阵)或噪声不是高斯分布的情况。

下面，将描述根据本发明的自适应方法。应该注意到几乎所有的接收机在一定程度上都是自适应的。由下面这些信息决定不同的自适应特性，即接收机假定事先了解的关于信号的信息，它必须知道的有关接收信号的情况，以及它将对已知信息所作的处理。根据本发明的解决方案基于统计学的判决理论建立，而该理论以一个与信号概率密度函数有关的准则为基础。如果接收机知道密度函数，它能够在例如ML，MAP(最大A后验)或通用的Bayesian准则的基础上，进行最佳判决。本发明的关键特征在于概率密度函数是直接从接收到的信号估算出的。

投影跟踪法中，使用一个或多个多维滤波器处理被估算的信号，接收机利用价值函数自适应地找到接收信号的滤波器函数，该价值函数区别信号中的非线性特性，例如非高斯特性或集群束。接收机通常由多级构成，每一级都能够进行维数减少和信号检测。检测器可用不同方式实现，例如采用非参数密度估算。利用傅立叶变换(FFT)能够有效地实施非参数法。

图2是接收机前端的简化结构的方框图描述，该接收机能够实现本发明的一个实施例。利用射频装置(未示出)，变频装置202在操作中接到天线200。收到的信号应用到转换器202，它通过在所需的取样频率对信号取样将信号转换为数字形式。取样后的信号210应用到存储器单元204。取样值从存储器单元204读出，并馈入到信号处理处理器206，它对信号进行线性变换，例如置换、间插、预维数减少或解码。置换可以是在例如发射级执行的置换的反函数。取样值可以用所需的速率从处理装置206中取出。可以执行维数减少以使得处理装置的输出速率低于输入速率。不过，存储器单元204和处理装置206并不是必不可少的，没有它们也可以执行根据本发明的解决方案。

信号214从处理装置206应用到投影跟踪单元208，它处理、检测并参量或非参量地估算构成符号或它们的组合。非参量估算是指一种没对信号模型或干扰源或密度估算给定初始假设的方法。后一种方式在高维情况下是无效的，因此使用子空间估算来减少维数。正如熟练的技术人员所知道的，本发明的接收机还包括其他元件，例如滤波器。为清晰起见，由于从本发明的角度看这些元件并不是必不可少的，所以这里并未论及。

假定{P_m}，m＝1，…，M是对子空间{L_m∈C^dm}，m＝1，…，M，d＝1，…，D的一组投影算子，d表示维数。这里，子空间可以具有不同的维数，并可以用一组能够固定自适应的∑dm滤波器实现。可以借助于下面这些步骤描述该方法：·利用适当的准则或价值函数，从给定的接收信号中找到一组低维子空间。·在低维空间中估算信号r_i的统计量(密度或密度参数)。·去掉低维空间中的信息(利用预先估算的函数或/和参数进行信号变换)，以获得处理后的信号r_i+1。·将从上述的维空间和接收机级中得到的统计量组合起来。·返回步骤2。

最根本的是要找到低维子空间L。本发明的投影跟踪法中使用的价值函数揭示了信息中的非线性特性。典型的非线性特性(非高斯信号)在例如调制数据中形成。举个例子，当BPSK信号组投影到x轴时，因为它是使用不同方法的两个高斯型分布的分布组合，所以形成一个集群数据组。这一点在图3作了描述。同样的原理也可以应用在高维空间中。在通信领域中，当数据在例如根据信道冲击响应的时域中或在符号域中(如在CDMA中)扩展时，形成较高维。

投影跟踪通过找到信号的典型特性并有效地将其组合起来，提供从多维信号中收集信息的方法。通过使用不同于通信领域中通常所用的价值函数，由优化后的滤波器自适应地揭示这些特性。

应该定义价值函数用以揭示出信号中的显著特性。选择价值函数有两种方式：密度的统计特性(例如瞬时量、累积量)或这类的密度估算。而密度可以采用参量密度估算从统计量或统计函数中估算出来，或者利用非参量密度估算直接从取样值中估算出来。

密度之间的许多距离度量可以用作价值函数。其中一种是所谓的F偏离法。F偏离可以用作自适应投影跟踪接收机中的价值函数。

举例，如果f(u)=ulog(u)，那么 $F_{\mathrm{\&mu;}\log \mathrm{\&mu;}}={\&Integral;p}_1\log \left(\frac{p_1}{p_2}\right)\mathrm{d\&lambda;}$ 这里p₁和p₂是密度，F偏离与Kullback-Leibner距离一致。举另外一个例子，如果 $f\left(u\right)=|1-u^{1/p}{|}^p\mathrm{d\&lambda;}$ ，那么有 $H_p=\&Integral;|p_1^{1/p}-p_2^{1/p}{|}^p\mathrm{d\&lambda;}$ 这时F偏离与Hellinger距离一致。

根据要从信号中揭示的特性，也可以用其他的度量作为价值函数。在上述的P.Huber的出版物中描述了这些其他的度量。

如果具体到测试CDMA系统和多用户检测，可以从例如已消除已知干扰影响的剩余信号中找到信号的非高斯特性。在干扰所造成的非线性的基础上利用适当的价值函数，有可能估算出未知干扰的影响。因此，不用检测干扰比特就可以进行干扰消除。

下面，借助另外一个例子来测试根据本发明的投影跟踪法。假设所需要的子空间为L_max，相应的投影矩阵为P_max。另外还假定有M个取样值已经存储在矩阵z＝(z^(l)，…，z^(M))中。m表示所谓的核心，即概率密度函数。为确定子空间，首先有必要确定价值函数Q(.)，由它找到所需特性。在非线性情况下，价值函数Q对访射变．换是不变的，即Q₁(AZ+m)=Q₁(Z)。仿射变换是指一个或多个平行投影的组合效果。这种价值函数级能够获取更高阶的数据特性。满足Q₂(AZ+m)=AQ₂(Z)+m的价值函数适宜于提取一阶信息(方法，位置)，而满足Q₃(AZ+m)=AQ₃(Z)的价值函数对二阶信息(协方差)比较敏感。

下面的示范算法描述投影跟踪的使用。有下面的表示Z(O)≡Z和Q(.)≡Q₁。

是未知的d维概率密度函数，(1)令Z(i+1)=Whiten(Z(i))。(2)解P_max(i)=argmax，Q(PZ(i+1))。(3)令Y(i+1)＝P_maxZ(i+1)。(4)更新模型 ${\&Integral;}_{i+1}={\&Integral;}_i{h}_{i+1}\left(Y(i+1)\right)$ (5)从新模型中产生一个取样值 $Z(i+1)~{\&Integral;}_{i+1}$ (6)返回步骤1。

步骤1是可选择的，它不会影响所选的价值函数级的优化。白化提供了这样的优点，即所有的边缘密度的方差为1，只有高阶信息还保留在数据中。由于计算上的原因，在执行步骤2时这一点是很有用的。步骤1和5可以用多种方式实现。例如，可以从新模型中以解析投影跟踪的方式提取出Monte Carlo取样，或用非线性变换取出新取样。多级检测器中的干扰消除步骤为高斯化数据提供了一种非线性方法。如果干扰消除成功地实现，干扰消除的剩余信号z-Rab(m)为具有零均值的高斯型。

投影跟踪方案可以用来从多维数据中寻找这样一个投影级，其信号为非高斯型的，并且可以在所讨论的子空间中通过Monte Carlo法或非线性变换用判决反馈耦合对其数据进行高斯化，就象在干扰消除中一样。这一点在例如J.American Stati stical Association，Vol.82，No.397，pp.249-266，1987年3月刊由J.friedman所写的Exploratory projection pursuit一文中作了解释说明。

下面，利用图4中的方框图在接收机中测试上述算法的实现。图4给出了如何在投影跟踪法的第一级400中将信号首先应用于一个自适应滤波器402，这可以在例如搜集原理上实现。信号从滤波器再应用到处理器404，在此起进行信号白化。白化后的信号应用到处理器406，寻找非线性特性，即计算pmax。然后，在处理器408中更新密度估算，并在处理器410从新模型中产生一个取样。由此获得的取样z(1)再应用到第二级402，在这里重复上述步骤，并获得新取样z(2)等。实际操作中上述的多个处理器自然可以一个已存储了所需算法的信号处理器来代替。就本发明而言，上述在方框404中的白化并不是必不可少的。在数据z(0)，z(1)，…，z(n)的基础上对密度函数的估算进行更正。

正如已知，检测通常涉及在接收信号的外部干扰中识别出用户比特。该检测基于信号z和从连续序列z_l，…，z_M得到的估算密度。当密度已经估算出后，检测采用最佳Bayesian准则。

尽管上面已参考附图中的例子描述了本发明，但是显而易见本发明并不局限于此，而是可以在所附的权利要求书的发明思想内以多种方式进行变化。

Claims (13)

1.一种接收方法，该方法接收的信号包括几个累加的信号分量，其中至少有一部分是未知量，接收到的信号被取样，所说的取样值形成一个信息向量，并且该方法收到的信号用一个或多个多维滤波器(208)估算，其特征在于

利用价值函数形成信号模型从而自适应地进行信号滤波，该价值函数揭示信号中的非线性，用来优化滤波器函数，

利用优化后的滤波器函数检测数据，以在检测前减少信息向量的维数。

2.权利要求1中所述的一种方法，其特征在于数据传输使用码分多址，还在于利用与每个连接上使用的扩展代码相匹配的滤波器来计算多维滤波器的初始值。

3.权利要求1或2中所述的一种方法，其特征在于在滤波前对信号的已知部分进行参量检测，还在于要从接收信号中去除该信息。

4.权利要求3中所述的一种方法，其特征在于参量检测包括去相关检测。

5.权利要求1中所述的一种方法，其特征在于价值函数揭示信号中的非高斯特性。

6.权利要求1中所述的一种方法，其特征在于使用信号模型来估算至少一个与所需信号相干涉的信号的密度函数，密度函数的估算是在由滤波器函数确定的子空间中进行，其特征还在于检测器把子空间的密度函数组合起来。

7.权利要求1或2中所述的一种方法，其特征在于在多维滤波前对信号进行线性变换。

8.权利要求7中所述的一种方法，其特征在于线性变换包括将信号取样存储在一个存储器单元(204)的步骤，并以与存储顺序所不同的顺序从存储器单元中读出取样。

9.权利要求1中所述的一种方法，其特征在于对多维数据使用价值函数来寻找这样一个子空间，该子空间中的数据为非高斯型，其特征还在于在所说的子空间中将数据分布高斯化。

10.系统中的一种接收机，该接收机中接收到的信号包括多个累加的信号分量，其中至少有一部分是未知的，接收机包括对接收信号进行取样并形成取样值的一个线性向量的装置(202)，和利用一个或多个多维滤波器估算接收信号的装置(208)，其特征在于包括

利用价值函数构成接收信号的一个模型并优化滤波器函数的装置(208)，该价值函数揭示信号中的非线性，

利用优化后的滤波器函数检测数据的装置(208)，用以在检测前减少信息向量的维数。

11.权利要求10中所述的接收机，其特征在于该接收机包括一个对信号进行自适应滤波的装置(402)，用来白化滤波后的信号的装置(404)，用来揭示信号中的非线性的装置(406)，用来计算和更新密度估算的装置(408)，利用更新后的密度估算产生一个新取样的装置(410)。

12.权利要求10中所述的接收机，其特征在于该接收机包括在多维滤波(208)前对取样后的信号(210)进行线性变换的装置(204，206)。

13.权利要求10中所述的接收机，其特征在于装置(208)包括一个或多个估算级(400，402)。

Images