CN1455535A - 基于混合自动重发请求（harq）重传数据的盲信号干扰比估计方法 - Google Patents

Abstract

一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，由接收缓存、分组判决、观测数据序列生成、信号干扰比(SIR)似然估计和估值输出模块组成；接收缓存模块从无线分组数据通信系统接收端获得并缓存经解扰、解扩与多径合并处理后的最近两组编码数据符号；分组判决模块根据接收到的编码分组数据头信息判断接收分组数据类别，并统计HARQ系统的出错重传频度；观测数据序列生成模块根据分组判决模块的重传频度统计结果与数据类别判决结果，确定是否以及如何从接收缓存模块中的缓存数据选择SIR似然估计模块采用的观测数据序列，并由SIR似然估计模块执行似然估计，经估值输出模块给出SIR估计结果。本发明在信道条件较差时，仍能给出足够准确的盲SIR估计结果。

Description

基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法

所属技术领域

本发明涉及码分多址(CDMA，Code Division Multiple Access)无线分组数据通信系统中基于混合自动重发请求(HARQ，Hybrid Automatic RepeatreQuest)重传数据的盲信号干扰比(SIR，Signal to Interference Ratio)估计方法。尤其适用于采用混合自动重发请求(HARQ)技术的自适应调制编码(AMC，Adaptive Modulation and Coding)系统中的盲信号干扰比估计。

背景技术

在CDMA无线分组数据通信系统中，用户信号在传输的过程中，通常会受到来自其他用户的干扰、系统背景噪声和信道衰落的损害。而在无线通信系统中，信道衰落通常是随移动台与基站相对移动以及环境的不同而动态地变化，干扰也随系统中的激活用户数的变化而改变。链路自适应技术能够在信道衰落和干扰状况发生变化的情况下，采取适当的技术补偿通信链路的变化对数据传输的影响。

作为一种链路自适应技术，自适应调制编码技术(AMC，Adaptive Modulationand Coding)通过调整无线分组数据通信系统收发端的调制方式与编码方案来补偿信道衰落与干扰的动态变化。在一个配置了自适应调制与编码技术的无线数据通信系统中，对靠近基站的移动台，由于接收信号质量较好，数据传输可靠性较高，采用高阶调制，并使用高码率的纠错编译码减少纠错冗余，可以实现高速率的数据传输，如第三代移动通信伙伴计划组织(3GPP，3rd GenerationPartnership Project)中高速下行分组接入(HSDPA，High Speed Downlink PacketAccess)提案建议的64点正交幅度调制(64QAM，64 Quadrature AmplitudeModulation)与3/4码率的特博(Turbo)编译码。而对处于小区边缘的移动台，接收信号质量较差，数据传输可靠性不理想，使用低阶调制，并使用低码率的纠错编译码增加纠错冗余，可以提高数据传输的可靠性，如3GPP中HSDPA提案建议的四相相移键控调制(QPSK，Quadrature Phase Shift Keying)与1/2码率的Turbo编译码。与功率控制等其他链路自适应技术相比较，自适应调制编码技术具有以下优点：

(1)、对于无线通信系统中具有较好信道条件的数据终端，采用自适应调制编码技术后，该数据终端可以采用高阶调制，并使用具有较高码率的纠错编译码，减少纠错冗余，从而实现高数据速率的数据传输，这反过来也将增加整个小区的平均数据吞吐率；

(2)、采用调整调制方式和编码方案(而不是调整发射功率)的链路自适应技术可以减小CDMA码分多址无线分组数据通信系统中多址干扰的波动，从而减小因某一数据终端对信道衰落和干扰变化的自适应调整对其他用户数据传输造成影响。

一般地，自适应调制编码技术调整分组数据通信系统收发端调制编码方式的依据为信道衰落和干扰状况在一个较长时间段内的变化趋势，自适应调节的目标在于有效增加系统有效的平均数据吞吐率与峰值数据速率。另一方面，作为改善分组数据通信系统中数据传输可靠性的有效技术，HARQ技术被广泛应用于分组数据通信系统中。HARQ技术通过出错重传，能有效补偿在短时间内信道衰落和干扰状况的变化，改善数据接收可靠性。结合了HARQ的自适应调制编码技术(AMC)可以在保障分组数据传输可靠性的同时，更好地补偿信道衰落和干扰状况长期变化与短期波动，提高分组数据通信系统的数据吞吐率与数据速率。

实施自适应调制编码技术的前提条件是准确地估计通信环境在一个较长时间内的变化趋势。在一个无线分组数据通信系统中，接收信号的有效SIR是反映通信质量的一个重要的定量参数。通过测量接收信号的SIR，可以准确地反映出信道衰落、用户干扰和背景噪声的变化情况。测量SIR，并以SIR的估计结果作为自适应调节准则是实现AMC技术的基本流程。本发明着重针对下行数据传输(由基站到移动数据终端)讨论自适应调制编码技术，这时SIR的测量与估计均由数据终端完成。在估计得到SIR的估计结果以后，AMC调节模块根据SIR的测量与估计结果，对基站端的发送调制方式和编码方案以及数据终端的接收调制方式和译码方案作出调整。同样的流程可以简单推广到上行数据传输(由移动数据终端到基站)的情形。

SIR的估计误差对自适应调制编码系统性能有很大的影响。3GPP在第三代移动通信数据增强传输方案HSDPA提案中(3GPP TR25.848V4.0.0)指出，为保障AMC系统性能，SIR估计误差应小于3dB，否则SIR估计偏差将导致AMC系统性能的急剧降低。

从文献和专利检索结果来看，相当一部分的SIR估计算法是以分组数据通信系统中所使用的导频符号或训练序列为基础的。中国1362800号专利(“信号干扰比测量方法”，华为技术有限公司，2002年08月07日)提出了一种应用于具有公共导频信道的CDMA系统的SIR测量方法：将公共导频信道按照专用物理信道的扩频因子大小进行解扩；根据该解扩得到的公共导频符号和已知的公共导频符号进行信道估计；根据公共导频符号获得的信道估计值对专用物理信道进行信道补偿，从而实现SIR测量。中国1264969号专利(“通信系统中基于插入导频符号的信干比估测方法和装置”，深圳市中兴通讯股份有限公司，2000年08月30日)提出了一种基于插入导频符号的信干比估测方法和装置：首先对导频符号进行补偿，再测量其均值模值的平方，测量平均干扰功率；然后计算信干比SIR，并对信干比值进行补偿，获得准确的信干比SIR估计值。S.西奥等(S.Seo et al)在＂SIR-Based Transmit Power Control of ReverseLink for Coherent DS-CDMA Mobile Radio＂，IEICE Trans.OnCommun.，Vol.E81-B，No.7，1998，pp.1508-1516(在相干直接序列码分多址移动通信中基于SIR的反向链路发射功率控制，IEICE通信学报，第81卷7期，1998年，第1508页至1516页)中，给出了基于反向链路插入导频符号的SIR估计方法。基于插入导频符号辅助的SIR估计方法在数据发射前需要周期性地插入已知的导频符号，从而占用系统部分带宽。中国1327316号专利(“宽带码分多址中抗深衰减的半盲信道估计方法”，华为技术有限公司，2001年12月19日)提出了一种宽带码分多址中抗深衰落的半盲信道估计方法：在信道进入深衰落时，利用数据信道的数据信息采用盲子空间辨识方法估计信道；而在深衰落以外的位置，则利用导频信道的导频信息估计信道。尽管若数据传输系统已经使用了导频信道或插入了导频符号，基于导频辅助的SIR估计算法不会对系统吞吐率带来额外的损失。然而基于导频符号辅助的估计方案相对于盲SIR估计算法具有较大的观测延迟。这是因为只有接收到足够多的导频符号才可能得出一个较好的估计。WO0221714号世界专利(“通信系统中的一种方法和设备”，亨里克松.安德雷斯等，2002年3月14日)提出了一种基于CDMA分组数据通信中扰码的托普里茨(Toeplitz)矩阵的盲SIR估计方法：接收符号通过映射矩阵得到接收信号的干扰和噪声估计，并进而得出SIR估计。

不依赖于已知发送符号的导频符号或训练序列，而是直接从未知的业务信道数据符号中获取SIR估计的研究工作也一直是理论界的研究热点。早在20世纪60年代即得到了最大似然信噪比估计算法，如哈里.L.特里(Harry L.Tree)编著书籍，“Detection，Estimation，and Modulation Theory----Part I Detecion，Estimation，and Linear Modulation Theory”，John Wiley and Sons，Inc.，1968(检测，估计与调制理论——第I卷：检测，估计与线性调制理论，约翰.维利出版社，1968年)。戴维.R.帕努齐和诺曼.C.贝卢(David R.Pauluzzi，Norman C.Beaulieu)在论文“A Comparison of SNR Estimation Techniques for the AWGN Channel”，IEEE Trans.On Commun.，Vol.48，No.10，Oct.，2000，pp.1681-1691(加性高斯白噪声信道中信号噪声比估计技术的对比研究，IEEE通信学报，第48卷10期，2000年，第1681页至1691页)中指出，在发送数据符号已知的情况下，基于发送数据辅助的最大似然估计是有效的，即信噪比估计的统计方差等于理论下界——克莱姆-劳(Cramer-Rao)界。但盲最大似然估计，即基于接收数据辅助的最大似然估计随着待观测信噪比的降低，估计偏差逐渐增加。其他盲信噪比估计算法包括基于接收数据观测矩量(moments)和扩展卡尔曼滤波方法。B.肖和S.希内迪(B.Shah and S.Hinedi)在论文“The split symbol moments SNRestimator in narrow-band channels”，IEEE Trans.On Aerosp.Electorn.System，Vol.AES-26，Sep.，1990，pp.737-747(在窄带信道中的分离符号矩信号干扰比估计器，IEEE航空电子系统学报，第26卷9期，1990年，第737页至747页)中提出了的分离符号矩估计算法(SSME，Split Symbol MomentEstimator)，该算法被美国国家航空航天局NASA深空网络接收机采纳用以提供实时的SNR估计。R.麦茨内尔和F.英格里贝格(R.Matzner and F.Engleberger)在论文“An SNR estimation algorithm using fourth-order moments”，in Proc.IEEE Int.Symp.Information Theory，June，1994，pp.119(基于四阶矩的SNR估计算法，1994年IEEE国际信息论大会，第119页)中提出了基于观测数据二阶四阶矩的SNR估计算法(M2M4)。陈举连和诺曼.C.贝卢(Julian Cheng，N.C.Beaulieu)提出了基于观测数据矩量的衰落信道参数估计方法，即＂GeneralizedMoment Estimators for the Nakagami Fading Parameter＂，IEEE CommunicationsLetters，Vol.6，No.4，2002，pp.144-146(Nakagami衰落参数的广义矩估计器，IEEE通信快报，第6卷4期，2002年，第144页至146页)，拉美仕等(Ramesh，A.Chockalingam，andL.B.Milstein)提出了基于观测数据矩量的衰落信道信噪比估计算法，见＂SNR Estimation in Nakagami-m Fading With DiversityCombining and Its Application to Turbo Decoding＂，IEEE Trans.OnCommun.，Vol.50，No.11，2002，pp.1719-1724(带分集合并的Nakagami衰落信道下SNR估计算法及其在Turbo译码中的应用，IEEE通信学报，第50卷11期，2002年，第1719页至1724页)。R.A.依尔迪斯(R.A.Iltis)提出采用扩展卡尔曼滤波器估计无线衰落信道衰落因子与多径时延的方法，见＂Joint Estimationof PN Code Delay and Multipath Using the Extended Kalman Filter＂，IEEE Trans.On Commun.，Vol.38，No.10，1990，pp.1677-1685(使用扩展卡尔曼滤波器的PN码延时与多径联合估计方法，IEEE通信学报，第38卷10期，1990年，第1677页至1685页)，N.弗赖斯等(N.Freis，T.G.Jeans，P.Taaghol)给出了利用扩展卡尔曼滤波器估计无线衰落信道SIR的实现方法，见＂Adaptive SIR estimation inDS-CDMA cellular systems using Kalman filtering，＂Electronics Letters，Vol.37，No.5，2001，pp.315-317(在直接序列码分多址蜂窝系统中使用卡尔曼滤波的自适应SIR估计方法，电子快报，第37卷5期，2001年，第315页至317页)。但现有研究所提出的盲信号干扰比估计方法均只针对当前接收分组数据。

从文献与专利检索的结果来看，基于未知的分组数据符号的盲信号干扰比估计算法中的观测数据均仅针对当前接收分组数据，而未考虑重传数据对盲信号干扰比估计的影响。从已有的研究结果来看，基于当前接收数据符号辅助的似然估计算法，随着信道条件的改善，待观测信号干扰比(SIR)的增加，SIR估计结果的动态波动范围以及估值偏差逐渐减小，可以得到令人满意的估计结果。但随着信道条件的变差，待观测信号干扰比(SIR)减小到一定程度时，无线分组数据通信中HARQ系统将出现频繁重传；由于传统基于当前接收数据符号辅助的盲似然估计算法未考虑重传数据对SIR估计的影响，其估值动态波动范围以及估值偏差逐渐增大，难以提供足够准确的SIR估计结果。

发明内容

本发明的目的是提供一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比(SIR)的估计方法，该方法在信道条件较差，待观测信号干扰比(SIR)较小时，仍能给出足够准确的盲SIR估计结果。

本发明解决其技术问题，所采用的技术方案是：

一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，由接收缓存、分组判决、观测数据序列生成、信号干扰比(SIR)似然估计和估值输出模块组成；接收缓存模块从无线分组数据通信系统接收端获得并缓存经解扰、解扩与多径合并处理后的最近两组编码数据符号；分组判决模块根据接收到的编码分组数据头信息判断接收分组数据类别，并统计混合自动重发请求(HARQ)系统出错重传频度；观测数据序列生成模块根据分组判决模块的重传频度统计结果与数据类别判决结果，确定是否以及如何从接收缓存模块中的缓存数据选择SIR似然估计模块采用的观测数据序列；SIR似然估计模块在观测数据序列的基础上，执行似然估计，并经估值输出模块给出估计结果。

本发明的有益效果是：接收端在估计SIR时，当信道条件好，无线分组数据通信中HARQ系统未出现重传或重传频度足够小时，本发明可以直接利用传统基于接收数据辅助的SIR估计方法，可以给出满意的SIR估计结果。在信道条件差，无线分组数据通信中混合自动重发请求(HARQ)系统出现频繁重传时，本发明充分利用HARQ系统中的重传分组数据间的内在相关性，通过对重传数据的联合处理，调整观测系统的等效SIR观测区域——将等效的观测SIR调整到更易实施盲估计的区域，减小SIR的估值波动和估值偏差，能给出足够准确的盲SIR估计结果。

上述的接收缓存模块的存储器可以容纳混合自动重发请求(HARQ)系统中两个编码分组数据包；在接收到分组数据时，接收缓存模块按照先进先出的方式更新接收缓存器。即接收缓存中存储了当前接收分组数据以及前次接收到的分组数据。

分组判决模块将根据混合自动重发请求(HARQ)系统中编码分组数据包所使用的头信息，判断当前接收分组为一个新发送的分组数据或是重传分组数据；分组判决模块将向其他模块输出接收分组类别的判别结果。

分组判决模块将根据混合自动重发请求(HARQ)系统中分组数据包所使用的头信息，对所预设长度(W)的最近观测窗口内的最近W个接收分组数据中的重传数据所占比例进行统计，算出重传频度，并与系统预设的重传频度门限值(T)进行比较，并向其他模块输出在观测窗口长度W内重传频度的比较结果。

上述SIR似然估计模块在开始SIR估计时，若已经接收到的分组数目尚不够系统预设的一个观测窗口长度W，不足以得出重传频度比较结果时，观测数据序列生成模块将从接收缓存中选择当前接收分组数据为SIR似然估计模块所使用的观测数据序列；

SIR似然估计模块将实施传统的基于当前接收分组数据辅助的最大似然SIR估计，估计结果经估值输出模块给出。

上述SIR似然估计模块在实施SIR似然估计时，若混合自动重发请求(HARQ)系统的重传频度小于或等于门限值T，观测数据序列生成模块将从接收缓存中选择当前接收分组数据为SIR似然估计模块所使用的观测数据序列；

SIR似然估计模块将实施传统的基于当前接收分组数据辅助的最大似然SIR估计，估计结果经估值输出模块给出。

估值输出模块按照下式输出SIR似然估计结果： ${\widehat{\mathrm{\ρ}}}_1={\widehat{\mathrm{\ρ}}}_1,{\widehat{\mathrm{\ρ}}}_i={\mathrm{\α}\widehat{\mathrm{\ρ}}}_i+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_{i-1},$ 其中α为遗忘因子，

表示接收端在接收到第i个分组后SIR似然估计模块的估计值。

可见，本发明在估计SIR时，当信道条件好，无线分组数据通信中HARQ系统未出现重传或重传频度足够小(重传频度小于或等于门限值T)时，本发明即直接利用传统基于接收数据辅助的SIR估计方法，能获得满意的SIR估计结果。

上述SIR似然估计模块在实施SIR似然估计时，若混合自动重发请求(HARQ)系统的重传频度大于门限值T时：

(1)、若接收分组类别判决结果表明当前接收分组为重传的分组数据时，观测数据序列生成模块将从接收缓存中选择缓存的两个接收分组数据为SIR似然估计模块所使用的观测数据序列；

对应的SIR似然估计模块将实施基于重传数据的似然SIR的估计，估计结果经估值输出模块给出。

(2)、若接收分组类别判决结果表明当前接收分组为一个新发送的分组数据时，观测数据序列生成模块将提示SIR似然估计模块不使用接收缓存中的接收分组数据为观测数据序列；

这时，SIR似然估计模块将SIR估计值置为零，估计结果经估值输出模块给出。

估值输出模块按照下式输出SIR似然估计结果：

      i.若 ${\widehat{\mathrm{\ρ}}}_i\≠0,{\widehat{\mathrm{\ρ}}}_i={\mathrm{\α}\widehat{\mathrm{\ρ}}}_i+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_{i-1}$

      ii.若 ${\widehat{\mathrm{\ρ}}}_i=0,{\widehat{\mathrm{\ρ}}}_i={\widehat{\mathrm{\ρ}}}_{i-1}$ 其中α为遗忘因子，

表示接收端在接收到第i个分组后SIR似然估计模块的估计值。

可见，在信道条件差，无线分组数据通信中HARQ系统出现频繁重传(重传频度大于门限值T)时，本发明能充分利用HARQ系统中的重传分组数据间的内在相关性，通过对重传数据的联合处理，调整观测系统的等效SIR观测区域——将等效的观测SIR移到更易实施盲估计的区域，减小SIR的估值波动和估值偏差，能获得足够准确的盲SIR估计结果。

附图说明

下面结合附图和具体实施方式，对本发明作进一步的说明。

图1是本发明在HARQ系统中基于重传数据实现信号干扰比似然估计的系统结构示意图

图2是本发明实施例一和实施例二在HARQ系统中基于重传数据实现信号干扰比似然估计结构示意图。

图3是本发明实施例一和实施例二在HARQ系统中基于重传数据实现信号干扰比似然估计流程示意图。

图4是本发明实施例三在HARQ系统中基于重传数据实现信号干扰比似然估计结构示意图。

图5是本发明实施例三在HARQ系统中基于重传数据实现信号干扰比似然估计流程示意图。

具体实施方式

实施例一：

本发明所提出的SIR盲估计方法应用于图1所示的HARQ系统中，该系统由以下部分组成：

--发送端由信源、循环冗余校验(CRC，Cyclic Redundancy Check)编码、纠错编码、发送缓存，交织、基带调制映射，扩频/加扰组成；

--接收端由解扰/解扩与多径合并、SIR盲估计、基带解映射、解交织、重传合并、纠错译码、CRC校验，以及信宿组成。其中CRC校验结果ACK(肯定应答)/NACK(否定应答)通过反馈信道反馈至发送端的发送缓存，从而控制HARQ系统是否重传。

本发明的盲信号干扰比估计位于HARQ系统中扩频基带接收中的解扰/解扩与多径合并之后，基带解映射之前；其处理的观测数据符号为基带解映射之前、经过解扰/解扩与多径合并后接收到的基带调制符号。

其中本发明的SIR盲似然估计结构如图2所示。该结构由接收缓存、分组判决、观测数据序列生成、信号干扰比(SIR)似然估计和估值输出模块组成。

图3示出，基于HARQ重传数据实现SIR盲似然估计的总体流程：接收缓存模块从码分多址(CDMA)分组数据通信系统接收端获得并缓存经解扰、解扩与多径合并处理后的最近两组编码数据符号；分组判决模块根据接收到的编码分组数据头信息判断接收分组数据类别，并统计HARQ系统出错重传频度；观测数据序列生成模块根据分组判决模块的重传频度统计结果和数据类别判决结果，确定是否以及如何从接收缓存模块中的缓存数据选择SIR似然估计模块采用的观测数据序列；SIR似然估计模块在观测数据序列的基础上，执行似然估计，并经估值输出模块给出估计结果。

图3示还示出，基于HARQ重传数据实现SIR盲似然估计的流程为：

接收缓存模块从CDMA码分多址分组数据通信系统接收端的解扰/解扩与多径合并模块获取并缓存接收数据。与此同时，分组判决模块对接收到的分组数目进行计数，并判断接收分组总数是否达到观测窗口长度W。

一、若未接收到一个观测窗口长度的分组数据，则观测数据生成模块选择当前接收数据为观测数据序列，SIR似然估计模块实施基于当前接收数据辅助的传统的最大似然SIR估计，估计结果经SIR估值输出模块输出SIR估计值。

二、若已接收到的分组数目超过一个预设的观测窗口长度W，则分组判决模块对最近W个接收分组数据中的重传数据进行统计，算出重传频度；

1、若重传频度小于或等于门限值T时，则观测数据生成模块选择当前接收数据为观测数据序列，SIR似然估计模块实施基于当前接收数据辅助的传统的最大似然SIR估计，估计结果经SIR估值输出模块输出SIR估计值。

2、若重传频度大于门限值T时，且分组判决模块经过接收分组类别判决后，表明当前接收分组为缓存分组的重传版本，则观测数据生成模块选择接收缓存中的两个接收分组数据为观测数据序列；SIR似然估计模块实施基于重传数据的似然SIR估计，估计结果经SIR估值输出模块输出SIR估计值；反之，分组判决模块判定当前接收分组为一个新发送的分组数据，则观测数据序列生成模块将提示SIR似然估计模块不使用接收缓存中的接收数据，SIR似然估计模块将SIR估计值置为零，估计结果经SIR估值输出模块输出SIR估计值。

在CDMA码分多址分组数据通信系统中，经多径合并处理后，多径干扰以及用户间的多址干扰均可用高斯白噪声近似。如果信道衰落变化非常小，则可以近似忽略信道衰落的变化。不失一般性，由于信道引入的干扰，接收端接收到f≥2个重复分组数据符号(基带调制数据符号)，且f个重复分组符号样本可以表示为 $y_n^{\left(i\right)}=y_{I,n}^{\left(i\right)}+{\mathrm{jy}}_{Q,n}^{\left(i\right)}=\sqrt{S}(a_{I,n}^{\left(1\right)}+{\mathrm{ja}}_{Q,n}^{\left(1\right)})+\sqrt{N}(w_{I,n}^{\left(i\right)}+{\mathrm{jw}}_{Q,n}^{\left(i\right)}),n=0,\·\·\·,L_{\mathrm{sym}}-1,i\∈[1,f]$ 其中y_I，n和y_Q，n分别为接收到的经过解扰、解扩与多径合并后的基带调制符号的实部与虚部；a_I，n和a_Q，n分别为发送的基带调制符号的实部与虚部；w_I，n和W_Q，n分别为加性白噪声分量的实部与虚部(方差均为1/2)；L_sym为分组数据符号长度；上标i代表分组的重复编号，i的取值从1到f；S为待估计的接收信号功率因子，N为待估计的噪声功率因子。由于重传，期望数据符号为{a_I，n ⁽¹⁾，a_Q，n ⁽¹⁾}，不失一般性，假定所发送的基带调制符号具有单位功率，即 ${\left(a_{I,n}^{\left(i\right)}\right)}^2+{\left(a_{Q,n}^{\left(i\right)}\right)}^2=1$ 若将f个重复分组符号累加起来构造一个新的观测序列，即 $\▿y_n^{\left(f\right)}=\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_n^{\left(i\right)}={\tilde{v}}_{I,n}^{\left(f\right)}+j{\tilde{v}}_{Q,n}^{\left(f\right)}=f\sqrt{S}(a_{I,n}^{\left(1\right)}+j{a}_{Q,n}^{\left(1\right)})+\sqrt{N}(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{w}_{I,n}^{\left(i\right)}+j\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{w}_{Q,n}^{\left(i\right)})$ 则按照最大似然估计算法，基于观测数据序列{y_n ^(f)}的发送数据辅助的最大似然估计算法为 ${\hat{S}}_{\mathrm{ML},\mathrm{complex}}^{\left(f\right)}={\left[\frac{1}{{\mathrm{fL}}_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_{I,n}^{\left(i\right)}\right)a_{I,n}^{\left(1\right)}+\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_{Q,n}^{\left(i\right)}\right)a_{Q,n}^{\left(1\right)})\right]}^2$ ${\hat{N}}_{\mathrm{ML},\mathrm{complex}}^{\left(f\right)}=\frac{1}{{\mathrm{fL}}_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_{I,n}^{\left(i\right)}\right)}^2+{\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_{Q,n}^{\left(i\right)}\right)}^2)\right]-f{\hat{S}}_{\mathrm{ML},\mathrm{complex}}^{\left(f\right)}$ 类似地，实数信道下基于发送数据辅助的最大似然估计算法为 ${\hat{S}}_{\mathrm{ML},\mathrm{real}}^{\left(f\right)}={\left[\frac{1}{f{L}_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_n^{\left(i\right)}\right)a_n^{\left(1\right)}\right]}^2$ ${\hat{N}}_{\mathrm{ML}.\mathrm{real}}^{\left(f\right)}=\frac{1}{{\mathrm{fL}}_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{\left(\underset{i=1}{\overset{f}{\mathrm{\Σ}}}{y}_n^{\left(i\right)}\right)}^2\right]-f{\hat{S}}_{\mathrm{ML}.\mathrm{real}}^{\left(f\right)}$ 对应的基于发送数据辅助的SIR最大似然估计为 ${\widehat{\mathrm{\ρ}}}_{\mathrm{ML}}^{\left(f\right)}=\frac{{\hat{S}}_{\mathrm{ML}}^{\left(f\right)}}{{\hat{N}}_{\mathrm{ML}}^{\left(f\right)}}$ 基于上述重传数据的观测序列{y_n ^(f)}所得到的最大似然估计是有效估计，其估计方差满足 $\mathrm{var}\left\{{\widehat{\mathrm{\ρ}}}_{\mathrm{ML},\mathrm{complex}}^{\left(f\right)}\right\}\≥\frac{1}{L_{\mathrm{sym}}}({\mathrm{\ρ}}^2+\frac{2}{f}\mathrm{\ρ}),\mathrm{var}\left\{{\widehat{\mathrm{\ρ}}}_{\mathrm{ML},\mathrm{real}}^{\left(f\right)}\right\}\≥\frac{2}{L_{\mathrm{sym}}}({\mathrm{\ρ}}^2+\frac{2}{f}\mathrm{\ρ})$ 显然，传统基于发送数据辅助的最大似然估计算法仅仅是以上算法在f＝1时的一个特例。与传统最大似然估计不同的是，基于重传数据联合处理的最大似然估计把等效的待观测信干比从ρ调整为f·ρ。由最大似然估计的研究结果可知，随着待观测SIR增加，最大似然估计结果将更准确。通过对重传数据的联合处理，将等效的待观测SIR调整到更易似然估计的区域，减小SIR的估值偏差，提高SIR的估计准确度，这正是基于HARQ重传数据联合处理的似然盲估计能够改善SIR估计的根本原因。

本实施例的具体实现过程为：

接收缓存中缓存的两个先后接收到的分组数据为{y_n ⁽ⁱ⁾}和{y_n ^(i-1)}。在接收到分组数据{y_n ⁽ⁱ⁺¹⁾}时，接收缓存模块将按照先进先出的方式更新接收缓存器，即经过更新后的接收缓存器中将缓存有两个先后接收到的分组数据：{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}。

分组判决模块将根据HARQ系统中编码分组数据所使用的头信息以及使用的自动回询重传协议，判断当前接收分组{y_n ⁽ⁱ⁺¹⁾}是否为一个新发送的分组数据或是{y_n ⁽ⁱ⁾}的重传版本。如果{y_n ⁽ⁱ⁺¹⁾}为重传分组，分组判决模块将对在设定观测窗口W内的重传计数器加一。经过对连续W个接收分组的统计，分组判决模块可以得到混合自动回询重传的重传比例。W个接收分组的重传比例统计在与系统设定的重传频度门限值T进行比较后，输出重传频度判决结果。W的选择应当保证重传频度的判决结果具有较高的可信度；T的设置应当保证SIR似然估计模块能够在基于重传分组数据的盲似然估计能够在重传频度足够小时仍能够提供连续可靠的SIR估计，并向基于当前接收数据辅助的最大似然估计算法平滑过渡。

(1)、若SIR似然估计模块在开始SIR似然估计时，所接收到的分组数据数目不够W个，分组判决模块不能给出重传频度判决结果时，则观测数据序列生成模块将确定观测数据为{y_n ⁽ⁱ⁺¹⁾}；SIR似然估计模块根据接收缓存的观测数据{y_n ⁽ⁱ⁺¹⁾}实施基于接收数据辅助的盲最大似然SIR估计，对应的基于接收数据辅助的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})\right]}{\frac{1}{L_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({\left(y_{I,n}^{(i+1)}\right)}^2+{\left(y_{Q,n}^{(i+1)}\right)}^2)\right]-[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})]}$ 实数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}\right]}{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{\left(y_{I,n}^{(i+1)}\right)}^2-\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}}$ 其中

和 为由接收数据符号{y_n ⁽ⁱ⁺¹⁾}恢复得到的基带调制符号。一个简单的恢复方法是对{y_n ⁽ⁱ⁺¹⁾}解映射并作硬判决后得到基带解调数据比特

(其中m为自适应调制编码设定收发端使用基带数字调制阶数)，由 经基带调制后得到

或

。估值输出模块按照以下方式输出基于观测数据{y_n ⁽ⁱ⁺¹⁾}的盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_1={\widehat{\mathrm{\ρ}}}_1,{\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                          0＜α≤1

(2)、如果分组判决提示重传频度小于或等于门限值T，则观测数据序列生成模块将确定观测数据为{y_n ⁽ⁱ⁺¹⁾}；SIR似然估计模块根据接收缓存的观测数据{y_n ⁽ⁱ⁺¹⁾}实施基于接收数据辅助的盲最大似然SIR估计，对应的基于接收数据辅助的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})\right]}{\frac{1}{L_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({\left(y_{I,n}^{(i+1)}\right)}^2+{\left(y_{Q,n}^{(i+1)}\right)}^2)\right]-[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})]}$ 实数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}\right]}{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{\left(y_{I,n}^{(i+1)}\right)}^2-\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}}$ 其中

和

为由接收数据符号{y_n ⁽ⁱ⁺¹⁾}恢复得到的基带调制符号。一个简单的恢复方法是对{y_n ⁽ⁱ⁺¹⁾}解映射并作硬判决后得到基带解调数据比特(其中m为自适应调制编码设定收发端使用基带数字调制阶数)，由

经基带调制后得到

或 。估值输出模块按照以下方式输出基于观测数据{y_n ⁽ⁱ⁺¹⁾}的盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                          0＜α≤1

(3)、如果分组判决提示重传频度大于门限值T，且分组判决模块判定当前接收分组{y_n ⁽ⁱ⁺¹⁾}为一个新发送的分组数据，则观测数据序列生成模块将提示SIR似然估计模块不使用接收缓存中的接收数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}。SIR似然估计模块将置 ${\widehat{\mathrm{\ρ}}}_{i+1}=0.$ 估值输出模块输出为 ${\widehat{\mathrm{\ρ}}}_{i+1}={\widehat{\mathrm{\ρ}}}_i$

(4)、如果分组判决提示重传频度大于门限值T，且分组判决模块判定当前接收分组{y_n ⁽ⁱ⁺¹⁾}为{y_n ⁽ⁱ⁾}的重传版本，则观测数据序列生成模块将提示SIR似然估计模块同时使用接收数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}为观测序列。

SIR似然估计模块根据接收缓存中的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}实施基于重传数据的盲最大似然SIR估计，对应的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{y}_{I,n}^{\left(i\right)}+y_{Q,n}^{(i+1)}{y}_{Q,n}^{\left(i\right)})}{\frac{1}{2L_{\mathrm{sym}}}[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_{I,n}^{(i+1)}-y_{I,n}^{\left(i\right)})}^2+\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_{Q,n}^{(i+1)}-y_{Q,n}^{\left(i\right)})}^2]}$ 实数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{y}_n^{\left(i\right)}}{\frac{1}{2L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_n^{(i+1)}-y_n^{\left(i\right)})}^2}$ 以上似然估计算法是在对接收缓存中的两个观测数据进行差分后得出的。估值输出模块按照以下方式输出盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                         0＜α≤1这里α的取值是可以固定的，也可以是动态可调的。若所观测的信道可以视为静态的加性白高斯噪声信道，α可以取值

                        α＝1/(i+1)

这里假定自动回询重传协议所使用的重传格式与第一次发送格式完全相同，可以简单推广到重传格式与第一次发送格式并不完全相同的情形，这时的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}只应包括由自动回询重传协议指定的重复部分。

实施例二：

本实施例的SIR盲估计模块在HARQ系统中的位置，SIR盲似然估计结构，总体流程均和实施例一相同(见图1，图2和图3)。不同的是：在实施例一中针对的信道衰落变化是可以忽略的，而本实施例针对的信道衰落不能忽略。

假定接收到的经过理想相位补偿的基带调制数据符号样本可以表示为 $y_n=\sqrt{s}{\mathrm{\γ}}_n{a}_n+\sqrt{N}{w}_n,n=\mathrm{0,1},\·\·\·,L_{\mathrm{sym}}-1$ 其中y_n为接收到的经过解扰、解扩与多径合并后的基带调制符号(根据调制方式的不同，y_n可以是复数信号，也可以是实数信号)，L_sym为分组数据符号长度；S为待估计的信号功率因子，N为待估计的噪声功率因子，γ_n为信道增益。a_n为期望的基带调制符号(根据调制方式的不同，a_n可以是复数信号，也可以是实数信号)。不失一般性，假定发送的基带调制符号具有单位功率，即

                          |a_n|²＝1一般地，离散无线移动信道增益的归一化自相关函数可以表示为 $E\left\{{\mathrm{\γ}}_n{\·\mathrm{\γ}}_{n+L}^{*}\right\}=J_0\left(2\mathrm{\πL}{f}_{D}T\right)$ 其中f_DT为归一化多普勒频率，J₀(·)为一类零阶贝塞耳(Bessel)函数，L为信道增益γ_n和γ_n+L的间隔长度，其中每一个间隔宽度为T。以下考虑3GPP推荐自适应调制编码应用的信道环境及其考虑使用的数据速率，通过比较可以看出，在3GPP推荐未来高速无线移动数据通信应用环境下，在采用短帧3TTI或5TTI时(TTI传输时间间隔，Transmission Time Interval)，信道衰落均可以被视为慢衰落(f_DT∝10^-3)。

第三代移动通信载波频率为2GHz，波长为0.15m，对应的多普勒频率f_D、符号间隔T和归一化多普勒频率在三种移动速度下的取值如表1所示。

                            表1

载波频率2GHz	多普勒频率	基带符号间隔T(s)
				移动速度(Km/h)	fD(Hz)	fDT＝0.001(慢衰落)	fDT＝0.1(快衰落)
3	5.56	1.8×10-4	1.8×10-2
				30	55.56	1.8×10-5	1.8×10-3
120	222.22	4.5×10-6	4.5×10-4

而3GPP中单个码道下行数据传输的基带调制符号波特率及对应于三种移动速度下的归一化多普勒频率如表2所示。

                                表2

码片速率＝3.84Mcps			扩频增益＝32			归一化多普勒频率fDT
									移动速度(Km/h)
						调制编码方案MCS	调制阶数	码率				比特速率(Mbps)	基带调制符号速率(nps)	符号间隔T(s)	3	30	120
fD＝5.56Hz	fD＝55.56Hz	fD＝222.22Hz
			7	64	3/4				0.54	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
6	16	3/4				0.36	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
			5	16	1/2				0.24	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
4	8	3/4				0.27	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
			3	4	3/4				0.18	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
2	4	1/2				0.12	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3
			1	4	1/4				0.06	1.2×105	8.33×10-6				4.63×10-5	4.63×10-4	1.85×10-3

下行每帧数据所包括的基带调制符号数如表3所示。

                                       表3

码片速率＝3.84Mcps						扩频增益＝32
									调制编码方案MCS	调制阶数	码率	信息比特速率(Mbps)	每帧符号数(1TTI＝0.667ms)
帧长＝1TTI	帧长＝3TTI		帧长＝5TTI	帧长＝15TTI
					7	64	3/4	0.54					80	240		400	1200
6	16	3/4	0.36	80					240		400	1200
					5	16	1/2	0.24					80	240		400	1200
4	8	3/4	0.27	80					240		400	1200

3	4	3/4	0.18	80	240	400	1200
								2	4	1/2	0.12	80	240	400	1200
1	4	1/4	0.06	80	240	400	1200

从表1和表2可以看出，在3GPP所推荐的三种移动速度下，单个码道下行达到设定数据传输速率时，不论采用那种调制编码方案(MCS1-MCS7)，信道衰落均可以视为慢衰落信道。而3GPP也推荐在下行分组传输中采用短帧(例如3TTI或5TTI)，因此相邻重传数据符号帧所经历信道增益{γ_n}间仍保持有很强的内在相关性。相邻重传分组所经历信道增益{γ_n}间的这种内在的相关性使得可以不依赖于信道增益的估计，而参照实施例一所述的盲似然估计方法获得SIR的估计结果。

本实施例实现SIR盲似然估计的具体过程为：

接收缓存中缓存的两个先后接收到的分组数据为{y_n ⁽ⁱ⁾}和{y_n ^(i-1)}。在接收到分组数据{y_n ⁽ⁱ⁺¹⁾}时，接收缓存模块将按照先进先出的方式更新接收缓存器，经过更新后的接收缓存器中将缓存有两个先后接收到的分组数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}。

分组判决模块将根据HARQ系统中编码分组数据所使用的头信息以及使用的自动回询重传协议，判断当前接收分组{y_n ⁽ⁱ⁺¹⁾}是否为一个新发送的分组数据或是{y_n ⁽ⁱ⁾}的重传版本。如果{y_n ⁽ⁱ⁺¹⁾}为重传分组，分组判决模块将对在设定观测窗口W内的重传计数器加一。经过对连续W个接收分组的统计，分组判决模块可以得到混合自动回询重传的重传比例。W个接收分组的重传比例统计在与系统设定的重传频度门限值T进行比较后，输出重传频度判决结果。W的选择应当保证重传频度的判决结果具有较高的可信度；T的设置应当保证SIR似然估计模块能够在基于重传分组数据的盲似然估计能够在重传频度足够小时能够提供连续可靠的SIR估计，并向基于当前接收数据辅助的最大似然估计算法平滑过渡。

(1)、若SIR似然估计模块在开始SIR似然估计时，所接收到的分组数据数目不够W个，分组判决模块不能给出重传频度判决结果时，则观测数据序列生成模块将确定观测数据为{y_n ⁽ⁱ⁺¹⁾}；SIR似然估计模块根据接收缓存的观测数据{y_n ⁽ⁱ⁺¹⁾}实施基于接收数据辅助的盲最大似然SIR估计，对应的基于接收数据辅助的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})\right]}{\frac{1}{L_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({\left(y_{I,n}^{(i+1)}\right)}^2+{\left(y_{Q,n}^{(i+1)}\right)}^2)\right]-[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})]}$ 实数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}\right]}{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{\left(y_{I,n}^{(i+1)}\right)}^2-\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}}$ 其中 和

为由接收数据符号{y_n ⁽ⁱ⁺¹⁾}恢复得到的基带调制符号。一个简单的恢复方法是对{y_n ⁽ⁱ⁺¹⁾}解映射并作硬判决后得到基带解调数据比特(其中m为自适应调制编码设定收发端使用基带数字调制阶数)，由

经基带调制后得到

或

。估值输出模块按照以下方式输出基于观测数据{y_n ⁽ⁱ⁺¹⁾}的盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_1={\widehat{\mathrm{\ρ}}}_1,{\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                           0＜α≤1

(2)、如果分组判决提示重传频度小于或等于门限值T，则观测数据序列生成模块将确定观测数据为{y_n ⁽ⁱ⁺¹⁾}；SIR似然估计模块根据接收缓存的观测数据{y_n ⁽ⁱ⁺¹⁾}实施基于接收数据辅助的盲最大似然SIR估计，对应的基于接收数据辅助的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})\right]}{\frac{1}{L_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({\left(y_{I,n}^{(i+1)}\right)}^2+{\left(y_{Q,n}^{(i+1)}\right)}^2)\right]-[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{\tilde{a}}_{I,n}^{(i+1)}+y_{Q,n}^{(i+1)}{\tilde{a}}_{Q,n}^{(i+1)})]}$ 实数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\left[\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}\right]}{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{\left(y_{I,n}^{(i+1)}\right)}^2-\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{\tilde{a}}_n^{(i+1)}}$ 其中

和 为由接收数据符号{y_n ⁽ⁱ⁺¹⁾}恢复得到的基带调制符号。一个简单的恢复方法是对{y_n ⁽ⁱ⁺¹⁾}解映射并作硬判决后得到基带解调数据比特

(其中m为自适应调制编码设定收发端使用基带数字调制阶数)，由

经基带调制后得到 或

。估值输出模块按照以下方式输出基于观测数据{y_n ⁽ⁱ⁺¹⁾}的盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                          0＜α≤1

(3)、如果分组判决提示重传频度大于门限值T，且分组判决模块判定当前接收分组{y_n ⁽ⁱ⁺¹⁾}为一个新发送的分组数据，则观测数据序列生成模块将提示SIR似然估计模块不使用接收缓存中的接收数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}。SIR似然估计模块将强制置 ${\widehat{\mathrm{\ρ}}}_{i+1}=0.$ 估值输出模块输出为 ${\widehat{\mathrm{\ρ}}}_{i+1}={\widehat{\mathrm{\ρ}}}_i$

(4)、如果分组判决提示重传频度大于门限值T，且分组判决模块判定当前接收分组{y_n ⁽ⁱ⁺¹⁾}为{y_n ⁽ⁱ⁾}的重传版本，则观测数据序列生成模块将提示SIR似然估计模块同时使用接收数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}为观测序列。

SIR似然估计模块根据接收缓存中的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}实施基于重传数据的盲最大似然SIR估计，对应的复数信道下SIR的盲最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{y}_{I,n}^{\left(i\right)}+y_{Q,n}^{(i+1)}{y}_{Q,n}^{\left(i\right)})}{\frac{1}{2L_{\mathrm{sym}}}[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_{I,n}^{(i+1)}-y_{I,n}^{\left(i\right)})}^2+\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_{Q,n}^{(i+1)}-y_{Q,n}^{\left(i\right)})}^2]}$ 实数信道下的似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\frac{1}{L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{y}_n^{\left(i\right)}}{\frac{1}{2L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_n^{(i+1)}-y_n^{\left(i\right)})}^2}$ 以上似然估计算法是在对接收缓存中的两个观测数据进行差分后得出的。这里需要指出的是，上述盲最大似然估计算法只有在慢衰落信道和较短数据帧时才可用。而在快衰落信道(f_DT＝0.1)和/或长数据帧 $(L_{\mathrm{sym}}>\frac{1}{{2f}_{D}T})$ 的应用中，则必须采用扩展卡尔曼滤波器估计信道增益{γ_n}，方能得到SIR估计。

估值输出模块按照以下方式输出盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                         0＜α≤1

这里假定自动回询重传协议所使用的重传格式与第一次发送格式完全相同，可以简单推广到重传格式与第一次发送格式并不完全相同的情形，这时的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}只应包括由自动回询重传协议指定的重复部分。

实施例三：

在实施例一和实施例二中，均假定在无线分组数据通信系统未采用已知的重复训练序列或有专用的导频信道，而本实施例考虑的是无线分组数据通信系统已经采用了已知的重复训练序列或有专用的导频信道(例如WCDMA中的公共导频信道CPICH)的情况下，针对已知的训练序列或导频符号实施SIR基于已知数据辅助的最大似然估计。

本实施例的SIR盲估计模块在HARQ系统中的位置和实施例一及实施例二相同。SIR盲似然估计结构与总体流程如图4和图5所示。

图4示出，基于已知导频符号或训练序列实现SIR似然估计结构。显然，本例中SIR似然估计结构与实施例一及实施例二的SIR似然估计结构图2基本相同。不同的是：由于训练序列和导频符号是重复的，本实施例在SIR盲似然估计结构中省略了实施例一和实施例二中的分组判决模块。

图5示出，基于已知导频符号或训练序列实现SIR似然估计的流程。显然本例的总体流程中少了实施例一和实施例二中的分组判决模块，及其与该模块相关的接收分组数目计数，接收分组总数是否达到观测窗口长度W判决，重传频度计算及其与重传频度门限值T的比较判决，以及接收分组类别判决处理。观测数据生成模块始终选择接收缓存中的两个分组数据为SIR似然估计模块所使用的观测数据序列。观测数据生成模块根据当前接收分组是否为第一个接收分组数据的判断结果来选择接收缓存中缓存分组数据并用于SIR似然估计。

图5还示出，基于已知导频符号或训练序列实现SIR似然估计的流程为：接收缓存模块从CDMA码分多址分组数据通信系统接收端的解扰/解扩与多径合并模块获取并缓存接收数据；观测数据生成模块判断当前接收分组数据是否为第一个接收到的分组数据：

1、若当前接收的分组数据是第一个接收到的分组数据，则观测数据生成模块选择当前接收数据为观测数据序列；SIR似然估计模块将置SIR似然估计值为零；估计结果经SIR估值输出模块输出SIR估计值。

2、若当前接收的分组数据不是第一个接收到的分组数据，则观测数据生成模块选择接收缓存中的两个接收分组数据为观测数据序列；SIR似然估计模块实施基于重传数据的似然SIR估计，估计结果经SIR估值输出模块输出SIR估计值。

本实施例具体实现SIR盲似然估计的具体过程为：

接收缓存中缓存的两个先后接收到的训练数据或导频数据为{y_n ⁽ⁱ⁾}和{y_n ^(i-1)}。在接收到并缓存新发送的数据{y_n ⁽ⁱ⁺¹⁾}时，观测数据生成模块首先判断当前接收分组数据是否为第一个接收到的分组数据。若是，则置SIR似然估计输出为零。 ${\widehat{\mathrm{\ρ}}}_1=0$ 估计结果经SIR估值输出模块输出SIR估计值。估值输出模块按照以下方式输出估计结果 ${\widehat{\mathrm{\ρ}}}_1={\widehat{\mathrm{\ρ}}}_1$

反之，在当前接收分组数据不是第一个接收到的分组数据时，接收缓存模块将按照先进先出的方式更新接收缓存器，经过更新后的接收缓存器中将缓存有两个先后接收到的数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}。

观测数据序列生成模块将提示SIR似然估计模块同时使用接收数据{y_n ⁽ⁱ⁺¹⁾}和为{y_n ⁽ⁱ⁾}观测序列。

1、若发送的导频符号或训练序列符号已知，SIR似然估计模块根据接收缓存中的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}实施基于重传数据的最大似然SIR估计，对应的复数信道下SIR的最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{{\left[\frac{1}{{2L}_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}\right((y_{I,n}^{(i+1)}+y_{I,n}^{\left(i\right)})a_{I,n}^{\left(i\right)}+{(y}_{Q,n}^{(i+1)})+y_{Q,n}^{\left(i\right)})a_{Q,n}^{\left(i\right)})]}^2}{\frac{1}{2L_{\mathrm{sym}}}\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}({(y_{I,n}^{(i+1)}+y_{I,n}^{\left(i\right)})}^2+{(y_{Q,n}^{(i+1)}+y_{Q,n}^{\left(i\right)})}^2)\right]-\frac{1}{{2L}_{\mathrm{sym}}^2}{\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}((y_{I,n}^{(i+1)}+y_{I,n}^{\left(i\right)})a_{I,n}^{\left(i\right)}+(y_{Q,n}^{(i+1)}+y_{Q,n}^{\left(i\right)})a_{Q,n}^{\left(i\right)})\right]}^2}$ 实数信道下的似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{{\left[\frac{1}{{2L}_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_n^{(i+1)}+y_n^{\left(i\right)})a_n^{\left(i\right)}\right]}^2}{\frac{1}{2L_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_n^{(i+1)}+y_n^{\left(i\right)})}^2-\frac{1}{{2L}_{\mathrm{sym}}^2}{\left[\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}(y_n^{(i+1)}+y_n^{\left(i\right)})a_n^{\left(i\right)}\right]}^2}$ 其中{a_I，n ⁽ⁱ⁾，a_Q，n ⁽ⁱ⁾}和{a_n ⁽ⁱ⁾}为已知的导频符号或训练序列符号。以上似然估计算法是在对接收缓存中的两个观测数据进行逐位相加后得出的。估值输出模块按照以下方式输出盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                            0＜α≤1这里α的取值是可以固定的，也可以是动态可变的。若所观测的信道可以视为静态的加性白高斯噪声信道，α可以取值

                           α＝1/(i+1)

2、若发送的导频符号或训练序列符号未知，SIR似然估计模块根据接收缓存中的观测数据{y_n ⁽ⁱ⁺¹⁾}和{y_n ⁽ⁱ⁾}实施基于重传数据的最大似然SIR估计，对应的复数信道下SIR的最大似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{complex}}=\frac{\frac{1}{L_{\mathrm{pilot}}}\underset{n=0}{\overset{L_{\mathrm{pilot}}-1}{\mathrm{\Σ}}}(y_{I,n}^{(i+1)}{y}_{I,n}^{\left(i\right)}+y_{Q,n}^{(i+1)}{y}_{Q,n}^{\left(i\right)})}{\frac{1}{2L_{\mathrm{pilot}}}[\underset{n=0}{\overset{L_{\mathrm{pilot}}-1}{\mathrm{\Σ}}}{(y_{I,n}^{(i+1)}-y_{I,n}^{\left(i\right)})}^2+\underset{n=0}{\overset{L_{\mathrm{sym}}-1}{\mathrm{\Σ}}}{(y_{Q,n}^{(i+1)}-y_{Q,n}^{\left(i\right)})}^2]}$ 实数信道下的似然估计算法为 ${\widehat{\mathrm{\ρ}}}_{(i+1),\mathrm{real}}=\frac{\frac{1}{L_{\mathrm{pilot}}}\underset{n=0}{\overset{L_{\mathrm{pilot}}-1}{\mathrm{\Σ}}}{y}_n^{(i+1)}{y}_n^{\left(i\right)}}{\frac{1}{{2L}_{\mathrm{sym}}}\underset{n=0}{\overset{L_{\mathrm{pilot}}-1}{\mathrm{\Σ}}}{(y_n^{(i+1)}-y_n^{\left(i\right)})}^2}$ 其中L_pilot为导频或训练序列符号长度。估值输出模块按照以下方式输出盲最大似然估计结果 ${\widehat{\mathrm{\ρ}}}_{i+1}={\mathrm{\α}\widehat{\mathrm{\ρ}}}_{i+1}+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_i$ 其中α为遗忘因子，其取值满足

                           0＜α≤1这里α的取值是可以固定的，也可以是动态可变的。若所观测的信道可以视为静态的加性白高斯噪声信道，α可以取值

                          α＝1/(i+1)

总之，本实施例是本发明在特定情况下的简化应用，仍属于本发明所要求保护的技术方案。

Claims (9)

1、一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，由接收缓存、分组判决、观测数据序列生成、信号干扰比(SIR)似然估计和估值输出模块组成；接收缓存模块从无线分组数据通信系统接收端获得并缓存经解扰、解扩与多径合并处理后的最近两组编码数据符号；分组判决模块根据接收到的编码分组数据头信息判断接收分组数据类别，并统计混合自动重发请求(HARQ)系统出错重传频度；观测数据序列生成模块根据分组判决模块的重传频度统计结果与数据类别判决结果，确定是否以及如何从接收缓存模块中的缓存数据选择SIR似然估计模块采用的观测数据序列；SIR似然估计模块在观测数据序列的基础上，执行似然估计，并经估值输出模块给出估计结果。

2、如权利要求1所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：所述的接收缓存模块的存储器可以容纳混合自动重发请求(HARQ)系统中两个编码分组数据包；在接收到分组数据时，接收缓存模块按照先进先出的方式更新接收缓存器。即接收缓存中存储了当前接收分组数据以及前次接收到的分组数据。

3、如权利要求2所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：所述的分组判决模块将根据混合自动重发请求(HARQ)系统中编码分组数据包所使用的头信息，判断当前接收分组为一个新的分组数据或是重传分组数据；分组判决模块将向其他模块输出接收分组类别的判别结果。

4、如权利要求3所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：所述的分组判决模块将根据混合自动重发请求(HARQ)系统中分组数据包所使用的头信息，对所预设长度(W)的最近观测窗口内的W个接收分组数据中的重传数据所占比例进行统计，算出重传频度，并与系统预设的重传频度门限值(T)进行比较，并向其他模块输出在观测窗口长度W内重传频度的比较结果。

5、如权利要求4所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：SIR似然估计模块在开始SIR估计时，若已经接收到的分组数目尚不够系统预设的一个观测窗口长度W，不足以得出重传频度比较结果时，观测数据序列生成模块将从接收缓存中选择当前接收分组数据为SIR似然估计模块所使用的观测数据序列；

SIR似然估计模块将实施传统的基于当前接收分组数据辅助的最大似然SIR估计，估计结果经估值输出模块给出。

6、如权利要求4所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：若最近的重传频度小于或等于门限值T，观测数据序列生成模块将从接收缓存中选择当前接收分组数据为SIR似然估计模块所使用的观测数据序列；

SIR似然估计模块将实施传统的基于当前接收分组数据辅助的最大似然SIR估计，估计结果经估值输出模块给出。

7、如权利要求4所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：当最近的重传频度大于门限值T时：

(1)、若接收分组类别判决结果表明当前接收分组为重传的分组数据时，观测数据序列生成模块将从接收缓存中选择缓存的两个接收分组数据为SIR似然估计模块所使用的观测数据序列；

对应的SIR似然估计模块将实施基于重传数据的似然SIR的估计，估计结果经估值输出模块给出。

(2)、若接收分组类别判决结果表明当前接收分组为一个新发送的分组数据时，观测数据序列生成模块将提示SIR似然估计模块不使用接收缓存中的接收分组数据为观测数据序列；

这时，SIR似然估计模块将SIR估计值置为零，估计结果经估值输出模块给出。

8、如权利要求5或6所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：估值输出模块按照下式输出SIR似然估计结果： ${\widehat{\mathrm{\ρ}}}_1={\widehat{\mathrm{\ρ}}}_1,{\widehat{\mathrm{\ρ}}}_i={\mathrm{\α}\widehat{\mathrm{\ρ}}}_i+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_{i-1},$ 其中α为遗忘因子， 表示接收端在接收到第i个分组后SIR似然估计模块的估计值。

9、如权利要求7所述的一种基于混合自动重发请求(HARQ)重传数据的盲信号干扰比估计方法，其特征在于：估值输出模块按照下式输出SIR似然估计结果：

     i.若 ${\widehat{\mathrm{\ρ}}}_i\≠0,{\widehat{\mathrm{\ρ}}}_i={\mathrm{\α}\widehat{\mathrm{\ρ}}}_i+(1-\mathrm{\α}){\widehat{\mathrm{\ρ}}}_{i-1}$

     ii.若 ${\widehat{\mathrm{\ρ}}}_i=0,{\widehat{\mathrm{\ρ}}}_i={\widehat{\mathrm{\ρ}}}_{i-1}$ 其中α为遗忘因子， 表示接收端在接收到第i个分组后SIR似然估计模块的估计值。

Images