CN1498454A - 远程通信系统中有效信道估计的方法和系统 - Google Patents

Abstract

提供了一种方法和系统，用于估计远程通信系统中从第一天线系统(FAS)(100)向第二天线系统(SAS)(145)发送数据流的第一无线通信信道(FWCC)，该远程通信系统具有用于从移动终端(MT)(110)向天线发送数据的第二无线通信信道(SWCC)。首先，基于由天线系统从MT(110)收到的数据流分析SWCC一个或多个特性(SWCC特性)。从收到的数据流，还抽取FWCC初始状态。基于SWCC特性与抽取的初始状态预测FWCC的一个或多个特性(FWCC特性)，其中分析SWCC特性和估计FWCC特性依赖于数据流具有多个数据段的特征，其多普勒频率彼此靠近到对于分析SWCC特性多普勒频率被认为相同的程度。

Description

远程通信系统中有效信道估计的方法和系统

本发明的领域

本发明一般涉及具有自适应天线阵列的无线通信系统，并特别涉及移动通信系统中全双工自适应天线阵列。

本发明的背景

智能天线，或自适应天线阵列，证明在下一代无线通信系统中具有突出的优势。通常配置在无线通信系统基站的自适应天线阵列，能够在所希望的接收终端进行空间选择通信(例如，发送和接收)以优化信号对干扰及噪声比(SINR)，导致无线通信系统中终端到基站(上行链路)及基站到终端(下行链路)通信两者的功率效率及信道容量显著的增加。无线通信系统中使用的自适应通信阵列系统的基本概念，能够分解并概括为以下四个相继的步骤：

基于从通信阵列收到的数据估计对应于所有有效终端的上行链路无线空间特征标；

基于上行链路空间特征标对于有效终端进行上行链路聚束；

估计下行链路信道特性或下行链路空间特征标；并基于下行链路空间特征标进行下行链路聚束。

空间特征标还称为或叫做信道特征，其表示所涉及的通信信道变化的模式。

对于以同一载波频率但不同时间片发送和接收信息的时分双工(TDD)通信系统，如果根据互易原理终端被固定，下行链路空间特征标与上行链路空间特征标相同。然而，对于移动终端，特别是快速移动终端，由于上行链路和下行链路时间片之间形成的终端的物理位移，上行链路空间特征标和下行链路空间特征标可能不同。实际上，如果终端以每小时50英里以上的速度移动，5ms时间的分离可能引起空间特征标相当明显的变化。

因而，在处理移动终端的情形下，如果知道它们将一定程度的不同，必须使用信道预测技术，以便基于估计的上行链路空间特征标预测下行链路空间特征标。现有的信道预测技术只能用于单天线系统，并且没有提出或知道有效的信道预测算法，以处理天线阵列系统的信道预测。所需要的是一种方法，用于估计远程通信系统中多信道空间特征标或特征。

对估计空间特征标的这种需要在频分双工(FDD)通信系统也是重要的。在这种系统中，即使终端是固定的，除了少数异常的情况(例如只有一个方向通路而没有多通路)之外，由于对上行链路和下行链路所使用的明显不同的载波频率，下行链路空间特征标也明显不同于上行链路空间特征标。而且，认为实际上不能从上行链路空间特征标推导出下行链路特征标。因而，为了有效实现全双工智能天线系统，理想的是从终端向基站连续地反馈下行链路空间特征标。虽然这似乎是个很好的解决方案，但在典型的移动通信系统中这几乎没有用的，因为这一方案要求太多的开销以便向基站返回下行链路空间特征标，特别是如果由于快速移动的终端下行链路空间特征标迅速改变。

所需要的是一种可行的方法和系统，用于对远程通信系统实现全双工自适应通信阵列。

概述

在本发明的一个例子中，公开了一种方法，用于在远程通信系统中估计从第一天线系统(FAS)向第二天线系统(SAS)发送数据的第一无线通信信道(FWCC)。该远程通信系统具有第二无线通信信道(SWCC)，用于从SAS向FAS发送数据。首先，基于由FAS从SAS接收的数据流分析SWCC的一个或多个特征(SWCC特征)。还从接收的数据抽取FWCC的初始状态。然后基于所分析的SWCC特征和抽取的FWCC的初始状态，预测FWCC的一个或多个特征(FWCC特征)。

在本发明另一个例子中，公开了一种方法，用于在远程通信系统中估计从至少一个天线系统向通信终端(CT)发送数据的第一无线通信信道(下行链路信道)，远程通信系统具有第二无线通信信道(上行链路)，用于从CT向天线系统发送数据。基于由天线系统从CT收到的数据流，分析上行链路信道的一个或多个特征(上行链路信道特征)，并还从接收的数据抽取下行链路信道的初始状态。基于上行链路信道特征和抽取的下行链路信道的初始状态，预测下行链路信道的一个或多个特征(下行链路信道特征)。

在本发明的另一例子中，各信道估计方法能够用于分析上行链路信道特征并预测下行链路信道特征，依赖于这样的事实，即数据流具有多个数据段，其多普勒频率彼此接近到这样的程度，以至可认为为分析上行链路信道特征多普勒频率相同。

在本发明的另一例子中，所有上述技术用于远程通信系统。其天线系统是天线阵列。

在本发明的另一例子中，所有上述技术用于使用CDMA技术或OFDM技术的远程通信系统。

本发明可用于与移动终端以及固定终端通信的远程通信系统。本发明还使全双工自适应天线阵列能够在移动通信系统中明显增加系统容量和覆盖面，并减轻或消除在处理快速运动的移动台时迅速衰减的效果。

附图的简要说明

图1示出一种天线阵列系统和典型的移动通信系统中的移动终端，在天线阵列和移动终端之间有一直接通路和多通路部分。

图2示出一流程图，表示在根据本发明一例的一移动通信系统中实现全双工自适应天线阵列系统的步骤。

图3表示根据本发明一例信道估计过程的详细框图。

本发明的详细说明

信道估计通常涉及多个参数，它们中的某些对于无线通信系统的一侧诸如基站或终端是已知的。本发明最终的目的是基于最大数目的已知的参数和从其可推导的参数，估计并逼近信道特征。

现在参见图1，在这例子中，自适应天线阵列子系统(AAS)100与处于地点110的在一定的时间场合与MT50处于无线通信。注意，地点110的MT50本身可包括一自适应天线阵列或全向天线或定向天线。如所示，从AAS100的中间天线102到位置100处的MT有两个通信通路，其一个是直接通路120，而另一通路是从平面物体130反射到达MT50的多通路。实际上，多通路135对于平面物体130可看作是来自AAS100的图象105的直接通路。这一图象105和中间天线AAS100在反射平面130的侧处于对称。为了表示，假设在几秒钟内，MT从标记为110的位置到移动到标记为115的另一位置。对应的直接通路120和多通路135还移动到通路124和140。假设α₁和α₂分别是通路120与125与移动方向145之间的角度。还假设，从AAS100到在位置110的MT50的通路长度为L₁，而从AAS100到在位置115的MT50的长度为L₁+ΔL，其中ΔL是通路125与129之间的差，或由于移动所至的通路差。于是，这些参数之中的关系定义为：

(L1₊ΔL₁)²＝L₁ ²+(vτ)²-2L₁vτcosα₁    (1)

其中v是MT50的移动速度。

由于在典型的无线通信系统中，从AAS100的中间天线到在位置110的MT50或在位置115的MT50的通路长度，远大于从位置110到位置115的位移，即L₁＞＞vτ。通过忽略二阶效果并进一步推导方程式(1)，估计出ΔL₁＝-vτcosα₁。使用对多通路135和140类似的推导，获得类似的方程式：ΔL₁＝-vτcosα₂。从AAS100的中间天线到在位置110的MT50发送的信号标记为s(t)e^j2πft，其中s(t)是基带信号，而f是载波频率，t表示时间。然后由在位置115的MT50接收的信号将是s(t+τ+ΔL₁/c)e^{j2πf(t++ΔL1/c)}＝s(t+τ+τcosα₁ v/c)e^{j2πf(t+τ-τcosα1 v/c)}，其中c波行进速度。对于电磁波，c是光速，并在移动通信场合v＜＜c。因而，由在位置115的MT50接收的信号能够很好通过s(t+τ)e^j2πf(t+τ)e^{-j2πfτcosα1 v/c}逼近。额外的因子e^{-j2πfτcosα1 v/c}是由也称为多普勒效应的的运动引起的，且d₁＝fcosα₁ v/c称为多普勒频率。如所示，多普勒频率是v和α₁的函数。

在AAS 100的天线104和在位置110的MT50之间还存在直接通路150。通路150与移动方向145之间的角度为α₃＝α₁+Δα。如果假设通路150的长度为L₃，且第一天线与AAS 100的中间天线102之间的距离为D。因而，Δα＜sin^-1D/L₃。在典型的无线通信的场合，D＜＜L₃，因而Δα能够以零逼近，或换言之，α₃与α₁几乎相同。按类似的讨论得出这样结论，即只要天线阵列尺寸远小于通信通路的长度，则到MT50的通路与其移动方向之间的角度可对不同的天线近似为相同。由于多普勒频率由上述角度确定，故天线阵列系统所有的天线认为具有近似相同的多普勒频率集合。

对于使用频率在800MHz到1800MHz范围的大多数商用FDD蜂窝式系统，上行链路和下行链路频带的频率差大约为载频的5％。因而，由于多普勒频率正比于载频，对于上行链路和下行链路多普勒频率将差很小的百分比(诸如5％)。此外，由于准确的上行链路和下行链路频率保持以下关系，下行链路多普勒频率还能够易于从上行链路多普勒频率推导：

    d₁＝d₂f₂/f₁，             (2)

其中d₁和d₂分别是上行链路和下行链路多普勒频率，且f₁和f₂分别是上行链路和下行链路载频。

现在参见图2，其中示出根据本发明的一例，实现全双工天线阵列通信系统的一种方法。在第一步骤200，基于从上行链路信道中的多天线或多代码(例如CDMA或OFDM系统)收到的数据估计移动(多普勒)信道。

如上所述，在有M个天线的阵列和远离天线阵列的移动终端的一般情景下，天线阵列的第k的信道可表示如下，

$h_k\left(t\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ki}}{e}^{-j2\mathrm{\π}{d}_{i}t}\mathrm{\δ}(t-{\mathrm{\τ}}_i),--\left(3\right)$

其中L是多通路组件的总数，δ(t)是脉冲函数，d_i，τ_i是第i个多通路组件的多普勒频率及时间滞后，而α_ki是一复数，指示从移动终端到天线阵列第k个天线的振幅与相移。对于信号相干时间明显小于max{τ_i}的窄带系统，这时信道h_k(t)能够简化为以下标量信道

$h_k\left(t\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ki}}{e}^{-j2\mathrm{\π}{d}_{i}t}\mathrm{\δ}\left(t\right).--\left(4\right)$

窄带通信系统的例子是高级移动电话系统(AMPS)或IS-136(窄带时分双工系统)，其中信号带宽大约为30KHz。窄带概念也可用于正交频分多路复用(OFDM)系统，其中上述的信道特征与一个副载波或一小组附近的副载波相关。对于宽度系统诸如IS-95码分多址(CDMA)或宽度CDMA，其中信号相干时间与max{τ_i}可比，上述参数能够以类似的τ_i和信道分组，且信道可表示如下，

$h_k\left(t\right)=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}(\underset{n=1}{\overset{L_{\mathrm{Li}}}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{kn}}\left(i\right)e^{-j2\mathrm{\π}{d}_n\left(i\right)t}\mathrm{\δ}(t-{\mathrm{\τ}}_i)=\underset{i=1}{\overset{G}{\mathrm{\Σ}}}{\mathrm{\β}}_k\left(i\right)\mathrm{\δ}(t-{\mathrm{\τ}}_i),--\left(4\right)$

其中 ${\mathrm{\β}}_k(i,t)=\underset{n=1}{\overset{L_{\mathrm{Li}}}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{kn}}\left(i\right)e^{-j2\mathrm{\π}{d}_n\left(i\right)t}$ 表示对应于特定延迟组的标量信道模型(或信道特征)，G是对于这种信道的延迟组数。在CDMA系统中，β_k(i，t)对应于与第i个芯片延迟对应的展开值。

对于狭带系统或宽度系统的每一延迟组，对应于每一天线的标量信道可模拟为复数正弦曲线的和，其频率d_n(i)不是k的函数，且复数振幅α_kn(i)对于每一天线不同。换言之，虽然对应于天线阵列的所有信道不同，但它们由相同的复数正弦曲线集合的线性组合形成。这是一个有力的特征，能够被用来大大提高信道估计机制的精确性。为了标记的方便，在以下推导中下标i或(i)将省略，且标量信道特征在数学上表示并表达如下，

${\mathrm{\β}}_k\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{kn}}{e}^{-j2\mathrm{\π}{d}_{n}t},--\left(5\right)$

其中N是多个组件的数目。由于β_k(t)是复数正弦曲线的和，并假设最高多普勒频率不能超过一定的限制，(例如对于f＝2GHz，v＝100英里/小时，及c＝3×10⁸m/s，则d_n＝fv/c＝267Hz)，低通滤波器β_k(t)可以设置在不大于最大多普勒频率的点处的截止频率来实现。因而，能够滤除大量的噪声和/或其它的高频干扰以提高信道估计的质量。低通滤波器的这一实现极有助于从上行链路信道通信收到的数据抽取信道特征。

许多工业界已知的信道估计方法(诸如参数估计方法或自回归方法)，  由于相信上行链路频率不同于下行链路频率，不能或忽视考虑使用上行链路信道特征估计预期来到的下行链路特征。它们不能识别运动的移动终端可能保持其当前的运动达一定的时间周期，且来自上行链路信道的信息是用于对下行链路预测信道特征的丰富来源。用于合理信道估计的已知方法都没有采用上述性质，即虽然信道本身不同但所有与不同天线元件相关的信道具有共用的多普勒频率。为了本发明之目的，应当理解，多普勒频率在预定的范围内彼此靠近，或到它们对所采用的数学方程式影响很小或没有的程度。使用这一特性，并考虑多普勒信道或移动信道，现在可获得更多的数据用来估计下行链路特征。

给出由以上公式(5)所表示的模型，著名的参数估计方法能够用来建立d_n和α_kn，对于k＝1，...，K给定β_k(t)，其中K是天线的数目。然而，参数K不应当限制为天线数目。对于单个的天线系统，K可以是对应于相同移动终端的模式数目。例如，在CDMA系统中，K可以是代码信道数目，而β_k(t)是对于相同载频第k个代码信道的解调符号。在OFDM系统中，K可以是只要其多普勒频率能够接近而为相同的间隔靠近的副载波数，且β_k(t)是对于第k个副载波的解调符号。类似地，对于CDMA或OFDM天线阵列系统，K分别是天线数与代码信道或副载波数的乘积。这还包括这样的情形，即CDMA系统或多OFDM副载波中多个代码信道从不同间距靠近的天线或在终端有不同加权向量的多个间距靠近的天线发送。正如业内一般专业人员能够理解的那样，以上共享相同或类似多普勒频率的信号不只限于CDMA或OFDM信号。它们还可以是其它类型的信号，诸如FDMA或TDMA信号。

上述传统的信道估计方法没有利用多个天线共享相同的多普勒频率这样的事实，与这些传统方法不同，本发明考虑了这一关键的特征，并比传统方法能够从更多的数据抽取所需的信息，同时估计下行链路特征。

例如，在参数估计方法中，由于能够估计d_n和α_kn，以下成本函数被最小化，

$\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}|{\mathrm{\β}}_k\left(t\right)-\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{kn}}{e}^{-j2\mathrm{\π}{d}_{n}t}{|}^2,--\left(6\right)$

其中t假设为使用单位采样速率的离散时间下标。

根据著名的自回归方法(AR)(其也可看作是参数根据方法的一种特定方法)，由于β_k(t)是多个指数的和，以下方程式成立，

${\mathrm{\β}}_k\left(t\right)+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_n{\mathrm{\β}}_k(t-n)=0,--\left(7\right)$

其中{a_n}是a-系数并具有以下性质，即由{a_n}形成的多项式

$z^N+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_n{z}^{N-1}=0,--\left(8\right)$

有根{e^-j2πdn}，它们只是多普勒频率{d_n}的函数。在这种情形下，很清楚，信道特征还依赖于历史数据β_k(t-n)。  因而给定{β₁(t)，...，β_M(t)}^T _t＝0，可形成以下矩阵方程式：

                       B_k(N) a＝0，      (9)

其中

应当注意，使用通过使用天线阵列，这里可获得更多的数据供分析之用。每一β_k表示包含在天线阵列中天线子系统，并对于每一天线子系统，β_k(0)到β_k(T-N)表示各数据点。应当理解，在诸如CDMA系统这样的多路访问远程通信系统中，B_k还能够使用β_k构成，以表示第k个数据段(或数据模式)。由于所有{β₁(t)，...，β_M(t)}共享相同的系数{a_n}，还成立以下的方程式，

$B\left(N\right)\underset{\‾}{a}=0,B\left(N\right)=\left[\begin{array}{c}{B}_1\left(N\right)\\ ...\\ B_M\left(N\right)\end{array}\right].--\left(11\right)$

因而能够从以上方程式的解估计出 a＝[1，a₁，...，a_M]。

通过级联B₁(N)到B_M(N)(即把各天线子系统集成在一起)，可对a-系数施加更多的方程式或更多的约束，因而估计的性能可大大提高。

值得注意的是β_k(t)是复数正弦曲线的和，因而还成立以下递归方程式：

$\stackrel{\‾}{{\mathrm{\β}}_k\left(t\right)}+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_n\stackrel{\‾}{{\mathrm{\β}}_k(t+n)}=0,--\left(12\right)$

其中 (·)指示复数共轭。这还称为前后平滑技术。因而通过对a-系数堆叠两次那样多的方程式，即C(N) a＝0，其中

$C\left(N\right)=\left[\begin{array}{c}B\left(N\right)\\ B^{\′}\left(N\right)\end{array}\right],$ $B^{\′}\left(N\right)=\begin{array}{}\end{array}\left[\begin{array}{c}{B_1}^{\′}\left(N\right)\\ ...\\ {B_M}^{\′}\left(N\right)\end{array}\right],$ 以及

通过堆叠B(N)和B’(N)，生成更多的方程式用于产生更好的a-系数估计。

如果B(N)或β_k(t)是被噪声污染的，在给出B(N)时估计 a的值一个最著名的方法是最小二乘法。另一已知的方法是对B(N)进行奇异值分解。在这方法中， a的估计可通过选择对应于最小奇异值的右奇异向量，并进行适当的分度以使其第一元素等于一而获得。

代入{a_n}，通过对在方程式(8)中的多项式求根可找出指数{e^-j2πdn}。在找出这些指数之后，可使用最小二乘法如下找出{a_kn}：

                  α _k＝(E^**E)^-1E* β _k’          (13)

其 ${\underset{\‾}{\mathrm{\β}}}_k=\left[\begin{array}{c}{\mathrm{\β}}_k\left(0\right)\\ {\mathrm{\β}}_k\left(1\right)\\ \underset{.}{\overset{.}{.}}\\ {\mathrm{\β}}_k\left(T\right)\end{array}\right],$ ${\underset{\‾}{\mathrm{\α}}}_k=\begin{array}{c}\left[\begin{array}{c}1\\ {\widehat{\mathrm{\α}}}_{k1}\\ \underset{.}{\overset{.}{.}}\\ {\widehat{\mathrm{\α}}}_{\mathrm{kN}}\end{array}\right],\end{array}$ ()^*表示共轭变换，

且α＾_kn表示α_kn的最小二乘根估计。

在上述方法中，多普勒频率的指数估计误差没有考虑。如果{e^-j2πdn}的这种估计误差能够被正确估计，则正确估计公式(12)中误差方差σ或E*E能够由E*E+σI代替，其中I是N维恒等矩阵。

以下的任务是基于β_k(t)估计N。本发明的一个例子提供了通过以p形成以下矩阵估计N的方法：

$B\left(p\right)=\left[\begin{array}{c}{B}_1\left(p\right)\\ \underset{.}{\overset{.}{.}}\\ B_M\left(p\right)\end{array}\right]---\left(14\right)$

其中

使用以上矩阵，B(p)的秩可被检测。如果B(p)的秩为p且T远大于p，则p进一步增加直到B(p)变得接近欠秩且N＝秩B(p)-1。

估计N的另一方法能够基于如由以下文献详细所述的信息论准则实现，Mati Wax in Order Selection for AR Models by PredictiveLeast Square，IEEE Transactions on Acoustics，Sppech and SignalProcessing，Vol.36，No.4，April 1988，其在此整体结合以资对比。

回来参见图2，在步骤210，基于收到的数据及对所有共用信道信号所分析的上行链路信道特征，对上行链路进行聚束。强化上行链路聚束的一个有效方法是要找出时变单位标准(unit-norm)聚束向量 ${\underset{\‾}{\mathrm{\γ}}}^{\left(i\right)}\left(t\right)=\left[\begin{array}{c}{\mathrm{\γ}}_1^{\left(i\right)}\left(t\right)\\ \underset{.}{\overset{.}{.}}\\ {\mathrm{\γ}}_M^{\left(i\right)}\left(t\right)\end{array}\right],$ 以使以下信号对干扰比最大化

${\mathrm{SINR}}^{\left(i\right)}=\frac{|{\underset{\‾}{\mathrm{\γ}}}^{\left(i\right)}{\left(t\right)}^{*}{\underset{\‾}{\mathrm{\β}}}^{\left(i\right)}\left(t\right){|}^2}{\underset{P=1,P\≠i}{\overset{L}{\mathrm{\Σ}}}|{\underset{\‾}{\mathrm{\γ}}}^{\left(i\right)}{\left(t\right)}^{*}{\underset{\‾}{\mathrm{\β}}}^{\left(p\right)}\left(t\right){|}^2+|{\underset{\‾}{\mathrm{\γ}}}^{\left(i\right)}{\left(t\right)}^{*}\underset{\‾}{n}{\left(t\right)|}^2},--\left(16\right)$

其中L是共用信道信号总数， β ⁽ⁱ⁾(t)是对应于第i个终端的信道特征， n(t)是热总数与其它例如来自其它单元区共用信道干扰的组合。

用于强化上行链路的另一方法是使信号强度最大化，即 ${\underset{\‾}{\mathrm{\γ}}}^{\left(i\right)}\left(t\right)=\stackrel{\‾}{{\underset{\‾}{\mathrm{\β}}}^{\left(i\right)}\left(t\right)},$ 其中 (·)指示复数共轭。使用 γ ⁽ⁱ)(t)及数据向量 x(t)，上行链路聚束可表示如下，

y⁽ⁱ⁾(t)＝ γ ⁽ⁱ⁾(t)* x(t)          (17)

应当理解，使用信道特征和收到的数据向量，也可使用工业中熟知的其它类似的上行链路聚束方法。

在图2的步骤220中，需要基于获得的上行链路信道特征预测下行链路信道特征。下行链路信道特征的估计基本使用如上所述关于分析上行链路信道特征相同的技术，所不同在于需要估计的参数是相反的。例如，以方程式(7)为例，在分析上行链路信道特征时，β_k(t)已知，需要逼近的参数是a-系数，同时为了预测下行链路信道特征，假设a-系数从分析上行链路信道知道，而不是寻求β_k(t)。应当注意，为了本发明之目的，上行链路信道的a-系数及下行链路信道的a-系数彼此接近，以至在辅助下行链路特征的预测中，它们的差别对其它参数的数学推导的影响没有或很小。

根据本发明的一个例子，对于TDD系统，由于上行链路和下行链路共享相同的载波频率，它们共享相同的信道特征，除了接收定标向量 c的校正之外，即 ρ ⁽ⁱ⁾(t)＝ c β ⁽ⁱ⁾(t)，其中表示两个向量元素式乘积。向量c的第k个元素c_k，是第k个收发器转换复数增益(包括相移)g_k ^(t)与接收复数增益g_k ^(r)之比，即c_k-g_k ^(t)/g_k ^(r)。

为了精确估计下行链路信道特征，重要的是要设置或预测下行链路信道一定的初始状态。本发明的一个例子有时使用下行链路开始时间T_d前夕的上行链路信道响应 $\{{\underset{\‾}{\mathrm{\ρ}}}^{\left(i\right)}\left(t\right)=\underset{\‾}{c}\⊗{\underset{\‾}{\mathrm{\β}}}^{\left(i\right)}\left(t\right){\}}_{t=T_d-T}^{T_d-1}$ 的校正T采样，作为下行链路信道初始状态。使用估计的信道参数{e^-j2πdn}，能够在如公式(12)中那样预测{α_kn}，其中T≥N。进而，通过对t＞T_d-1向公式(6)插入估计的{α_kn，e^-j2πdn}参数而能够估计下行链路信道特征{ρ_k(t)}。

用于预测下行链路信道特征的另一方法是使用(7)的递归方程式，

${\mathrm{\ρ}}_k\left(t\right)=-\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_n{\mathrm{\ρ}}_k(t-n),--\left(18\right)$

这给出其历史ρ_k(t-n)，恒定的a-系数{a_n}，及N个多普勒频率{d_n}的函数。在该例子中，能够对t≥T_d只给定a-系数{a_n}和信道特征{ρ_k(T_d-1)，...，ρ_k(T_d-T)}的初始状态进行信道预测。

对于FDD系统，其中上行链路和下行链路载频不同，可首先找出首先链路的多普勒频率，并然后根据方程式(2)估计下行链路多普勒频率。为了找出指数{e^-j2πdn}和下行链路a-系数，考虑以下步骤：

1.展开多项式 $P\left(z\right)=\underset{n=1}{\overset{N}{\mathrm{\Π}}}(z-e^{-j2\mathrm{\π}{d}_n});$

2.对于a-系数a_n使用对应于z^N-a的P(z)的a-系数。

对于PCS和蜂窝式系统，其中频率差在载频的5％以内，以上的计算可被省略，且代之以使用上行链路a-系数逼近下行链路a-系数。

使用所收集的指数或a-系数{a_n}(称为信道参数)，仍然很难进行信道预测，因为下行链路特征(即 ρ ⁽ⁱ⁾(T_d-T)， ρ ⁽ⁱ⁾(T_d-T+1)，...， ρ ⁽ⁱ⁾(T_d-1)，T≥T_d)仍然不清楚。本发明的一个例子中，采用反馈方法周期地反馈来自移动终端下行链路信道特征，从而提供在这时接近实际的初始状态。

现在参见图3，其中示出使用反馈方法用于周期地提供下行链路信道初始状态的详细过程。

在步骤300开始执行，其中AAS发送MT知道且可辨识的多个训练信号。在一个例子中，M个信号从AAS的M个天线发送。基于所发送的训练信号，在步骤310找出下行链路信道特征。例如，第i个MT接收所有这些训练信号，并能够易于形成对应于所有M个天线{ ρ ⁽ⁱ⁾(T_d-T)， ρ ⁽ⁱ⁾(T_d-T+1)，...， ρ ⁽ⁱ⁾(T_d-1)}关于这些信号和的预测的信道特征。使训练信号有区别的一种方法是要使所有AAS的所有天线发送M个相互正交的信号。如果第k个信号或代码在MT用来展开收到的训练信号，其对应于第k个天线或发送器的元件能够易于抽取。

本发明的另一例子中，可对相同的训练信号进行编排，以便从不同的天线在不同的时间片被发送，使得第i个MT能够易于分开并标识来自不同的天线或发送器的训练信号(或下行链路信道特征)。

进而在图3的步骤320中，第i个MT调制下行链路信道特征的T个采样{ ρ ⁽ⁱ⁾(T_d-T)， ρ ⁽ⁱ⁾(T_d-T+1)，...， ρ ⁽ⁱ⁾(T_d-1)}，并在对反馈信号指定的下一个可用时间片中将它们发送回AAS。在步骤330，AAS接收下行链路信道特征，并使用它们作为用于未来信道预测的初始状态。AAS知道训练信号确切的发送时间及反馈信号的接收时间，且它保证了反馈信号对初始状态适当的使用。当然，由于有很多来自上行链路通信数据采样，AAS还能够与上行链路数据一同使用{ ρ ⁽ⁱ⁾(T_d-T)， ρ ⁽ⁱ⁾(T_d-T+1)，...， ρ ⁽ⁱ⁾(T_d-1)}，以估计下行链路信道参数。此后，使用{ ρ ⁽ⁱ⁾(T_d-T)， ρ ⁽ⁱ⁾(T_d-T+1)，...， ρ ⁽ⁱ⁾(T_d-1)}及下行链路信道参数，能够使用与TDD系统中相同的上述方法预测下行链路信道特征。很清楚，反馈信号的使用是可通用适用的，以便强化信道估计的精确度。

再参见图2，使用所有MT的预测的下行链路特征，在步骤230，进行下行链路聚束，以使在所需的MT的信号的强度或SINR最大化。在一个例子中，找出单位标准下行链路聚束向量 η ⁽ⁱ⁾(t)使得

${\mathrm{SINR}}^{\left(i\right)}=\frac{|{\underset{\‾}{\mathrm{\η}}}^{\left(i\right)}{\left(t\right)}^{*}{\underset{\‾}{\mathrm{\ρ}}}^{\left(i\right)}\left(t\right){|}^2}{\underset{P=1,P\≠i}{\overset{L}{\mathrm{\Σ}}}|{\underset{\‾}{\mathrm{\η}}}^{\left(p\right)}{\left(t\right)}^{*}{\underset{\‾}{\mathrm{\ρ}}}^{\left(i\right)}\left(t\right){|}^2},--\left(19\right)$

被最大化，其中 η ⁽ⁱ⁾(t)与 ρ ⁽ⁱ⁾(t)是对于第i个终端的下行链路聚束向量及信道特征。

另一用于进行下行链路聚束的方法是使在第i个终端的信号强度最大化，即 ${\underset{\‾}{\mathrm{\η}}}^{\left(i\right)}\left(t\right)=\stackrel{\‾}{{\underset{\‾}{\mathrm{\ρ}}}^{\left(i\right)}}\left(t\right).$ 这种情形下，下行链路聚束如下进行，

$\underset{\‾}{z}\left(t\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\underset{\‾}{\mathrm{\η}}}^{\left(i\right)}\left(t\right)s^{\left(i\right)}\left(t\right),--\left(20\right)$

其中L是共用信道终端数目且s⁽ⁱ⁾(t)是对于第i个MT信号。为了表示的目的，本发明的以上公开在远程通信系统中使用自适应天线阵列站的场合说明。

然而，如在各种场合所述，应当理解，所公开的技术能够同样适用于信号天线系统，特别对于使用OFDM和CDMA技术的远程通信系统，其中副载波或代码信道组能够分别从多个信道向天线提供数据。

此外，以上公开的本发明的例子特别开拓了与移动终端通信的情景。还应当理解，由于需要其周围环境一定的变化很可能引起其信道特征对应的变化，能够易于使用对上行链路特征的各种分析以及对于下行链路信道的估计，以处理固定终端。这样，以上所示的是一种新的有效方法，实现全双工自适应天线阵列系统用于移动通信。通过有效地估计实现链路和下行链路两个信道的特征，下行链路聚束过程被明显强化。应当理解，同样类型的技术可按相反的方式使用。就是说，替代基于分析的和估计的上行链路特征使基站预测下行链路特征，通信终端诸如蜂窝式电话还能够估计并分析下行链路特征，以便预测未来上行链路特征。

以上的公开提供了许多不同的实施例，或例子，用于实现本发明不同的特性。而且，元件和过程的特定例子的描绘是为了帮助搞清本发明。当然这些只是例子而并不是要就权利要求所述限制本发明。

虽然对本发明已经参照其优选实施例具体进行了说明和描绘，但以内专业人员应当理解，在不背离本发明的精神和范围之下，其中可在形式和细节上作出各种变化。

Claims (44)

1.一种方法，用于在远程通信系统中估计从第一天线系统(FAS)向第二天线系统(SAS)发送数据的第一无线通信信道(FWCC)，该远程通信系统具有第二无线通信信道(SWCC)，用于从SAS向FAS发送数据，该方法包括：

基于由FAS从SAS接收的数据流分析SWCC的一个或多个特征(SWCC特征)；

从接收的数据抽取FWCC的初始状态；以及

基于所分析的SWCC特征和抽取的FWCC的初始状态，预测FWCC的一个或多个特征(FWCC特征)。

2.权利要求1的方法，其中SAS是运动的运动终端的一部分。

3.权利要求1的方法，其中分析和预测的步骤使用数据流的多个数据段，其多普勒频率对于分析SWCC特征被认为基本上相同。

4.权利要求3的方法，其中如果FAS使用一天线阵列，则每一数据段由单个的天线子系统接收。

5.权利要求3的方法，其中如果远程通信系统使用CDMA技术，则每一数据段通过码信道接收。

6.权利要求3的方法，其中每一数据段从SAS的多个天线之一接收。

7.权利要求3的方法，其中每一数据段从SAS天线阵列的一个聚束的版本接收。

8.权利要求3的方法，其中如果远程通信系统使用OFDM技术，则每一数据段通过副载波频率接收。

9.权利要求1的方法，其中分析的步骤还包括使用一种自回归方法，该自回归方法结合通过多个数据段形成的至少一个预定数据矩阵。

10.权利要求1的方法，其中数据流包含一响应信号流，它是由SAS在通过FWCC响应至少一个先前的训练信号发送数据前夕发送的。

11.权利要求1的方法，其中分析的步骤还包括实现低通滤波器，用于抽取SWCC特征而不被高频噪声干扰。

12.权利要求1的方法，其中分析步骤还包括使用参数估计方法，考虑接收的数据流的一个或多个多普勒频率。

13.权利要求12的方法，其中分析步骤还包括前后平滑以加强分析SWCC特征，这还进一步加强FWCC特征的预测。

14.权利要求1的方法，其中抽取步骤还包括使用一SWCC以估计FWCC的初始状态。

15.权利要求1的方法，其中预测步骤还包括基于用于FWCC和SWCC的载波频率，从SWCC的对应的多普勒频率估计FWCC的多普勒频率。

16.权利要求1的方法，其中预测步骤还包括当SWCC和FWCC的载波频率对于预测FWCC特征被认为基本相同时，使用SWCC的a-系数作为FWCC的a-系数。

17.权利要求1的方法，还包括通过找出时变单位标准聚束向量对FWCC进行聚束，以使信号对干扰比最大化。

18.权利要求1的方法，还包括基于预测的SWCC特征对SWCC进行聚束。

19.一种使用天线阵列对远程通信系统进行信道估计的方法，天线阵列包括多个天线子系统，该方法包括：

基于通过所有天线子系统从移动终端(MT)收到的数据，分析无线通信上行链路信道的一个或多个特征(上行链路信道特征)；

对于无线通信下行链路信道的初始状态抽取信息；以及

基于上行链路信道特征和抽取的下行链路信道的初始状态，预测无线通信下行链路信道的一个或多个特征(下行链路信道特征)，

其中无线通信上行链路信道从MT向天线阵列发送数据，且无线通信下行链路信道从天线阵列向MT发送数据，以及

其中分析和预测的步骤使用一种共同的特征，即在天线子系统与MT之间建立的每一移动信道的多普勒频率接近其它天线子系统与MT之间的其它移动信道的多普勒频率达到这样的程度，以至所有的多普勒频率可认为是相同的频率。

20.权利要求19的方法，其中分析的步骤还包括实现一种低通滤波器的步骤，用于抽取上行链路信道特征而不被噪声和不需要的高频信号干扰。

21.权利要求19的方法，其中分析的步骤还包括基于接收的数据分析移动信道。

22.权利要求19的方法，其中抽取的步骤还包括以下步骤：

周期地从每一天线子系统向MT提供训练信号；

基于训练信号通过MT推导下行链路信道特征；以及

从MT向天线阵列发送推导的下行链路信道特征。

23.权利要求22的方法，其中每一训练信号与其它信号正交。

24.权利要求19的方法，其中分析的步骤还包括使用与前后平滑机制集成的参数估计方法。

25.权利要求19的方法，其中分析的步骤还包括使用考虑所有多普勒频率认为基本上相同的参数估计方法。

26.权利要求19的方法，其中分析的步骤还包括使用自回归方法，该自回归方法结合由多个数据段形成的至少一个预定的数据矩阵。

27.权利要求19的方法，其中抽取步骤还包括使用上行链路信道估计下行链路信道初始状态。

28.权利要求19的方法，其中预测步骤还包括基于用于下行链路信道和上行链路信道的载波频率，从上行链路对应的多普勒频率估计下行链路信道的多普勒频率。

29.权利要求19的方法，其中预测步骤还包括，当上行链路信道和下行链路信道的载波频率彼此接近到这样的程度以至它们被认为对于预测下行链路信道特征相同时，使用上行链路信道的a-系数作为下行链路信道的a-系数。

30.权利要求19的方法，还包括基于预测的下行链路信道特征对下行链路信道进行聚束。

31.一种智能天线系统，用于在远程通信系统中估计从第一天线系统(FAS)向第二天线系统(SAS)发送数据的第一无线通信信道(FWCC)，该远程通信系统具有第二无线通信信道(SWCC)，用于从SAS向FAS发送数据，该系统包括：

基于由FAS从SAS接收的数据流分析SWCC的一个或多个特征(SWCC特征)的装置；

从接收的数据抽取FWCC的初始状态的装置；以及

基于所分析的SWCC特征和抽取的FWCC的初始状态，预测FWCC的一个或多个特征(FWCC特征)的装置。

32.权利要求31的系统，其中SAS是运动的运动终端的一部分。

33.权利要求31的系统，其中用于分析的装置使用数据流的多个数据段，其多普勒频率对于分析SWCC特征被认为基本上相同。

34.权利要求33的系统，其中如果FAS使用一天线阵列，则每一数据段由单个的天线子系统接收。

35.权利要求33的系统，其中如果远程通信系统使用CDMA技术，则每一数据段通过码信道接收。

36.权利要求33的系统，其中如果远程通信系统使用OFDM技术，则每一数据段通过副载波频率接收。

37.权利要求31的系统，其中数据流包含一响应信号流，它是由SAS在通过FWCC响应至少一个先前的训练信号发送数据前夕发送的。

38.权利要求31的系统，其中用于分析的装置还包括一低通滤波器，其实现一用于抽取SWCC特征而不被高频噪声干扰。

39.权利要求31的系统，其中用于分析的装置还包括使用参数估计方法，考虑接收的数据流的一个或多个多普勒频率的装置。

40.权利要求39的系统，其中用于分析的装置还包括用于前后平滑以加强分析SWCC特征并预测FWCC特征的装置。

41.权利要求31的系统，其中用于分析的装置还包括使用一种自回归方法，该自回归方法结合由多个数据段形成的至少一个预定数据矩阵。

42.权利要求31的系统，其中用于抽取的装置还包括使用一SWCC以估计FWCC的初始状态。

43.权利要求31的系统，其中用于预测的装置还包括基于用于FWCC和SWCC的载波频率，从SWCC对应的多普勒频率估计FWCC的多普勒频率的装置。

44.权利要求31的系统，其中用于预测的装置还包括这样的装置，用于当SWCC和FWCC的载波频率彼此靠近在预定的范围内而可被认为对于预测FWCC特征基本相同时，使用SWCC的a-系数作为FWCC的a-系数。