CN1663212A - 对通过时变信道传输的数据信号进行均衡和解调的方法 - Google Patents

Abstract

根据本发明，为了对通过时变信道传输到接收机的数据信号进行均衡和解调，根据在所述接收机中接收的数据信号来确定导致所述信道中的信号失真的散射体系数，即衰减、延迟和多普勒频率。通过这种方式对数据信号进行均衡，并且随后进行解调。

Description

对通过时变信道传输的数据信号进行均衡和解调的方法

技术领域

本发明涉及一种对通过时变信道传送到接收机的数据信号进行均衡和解调的方法。

背景技术

通过时变信道(衰落信道)的现代数据传输过程易受码间干扰(ISI)或信道间干扰(ICI)的影响。因此需要对信道进行估测和均衡。

信道估测和均衡的传统方法基于作为时域和/或谱域(spectraldomain)的函数的信道脉冲响应的估测。通常使用训练序列对信道脉冲响应直接进行估测。该估测所基于的信道模型可以专门模拟单个时间函数，或者可以包括使用传统抽头延迟模型(tapped-delay model)的具有不同延迟的各种通道(path)。这些模型的缺点在于没有考虑导致失真的散射体的几何形状，由此相关的估测方法也具有相同的缺点。

在多载波方法(例如，OFDM)的情况下，单个信道的多个通道中的不同多普勒频移导致ICI，即，特定的载波被相邻载波影响。如果实际信道包括具有不同多普勒频移的多个通道，则通过其脉冲响应直接对信道进行估测的传统方法不能确定这些不同的多普勒频移。因此，ICI持续存在，并且接收机不能实现信号的最优接收和处理。

对于信道时变的传统理解基于下述假设：训练序列之间的信道的脉冲响应仅微小地变化或者以确定的方式变化，并且所使用的信道估测和跟踪算法充分收敛。

对于多载波方法(例如，OFDM)，隐含了对于一个OFDM块信道不变的假设。例如，在Burow-R，Fazel-K，Hoeher-P，Klank-O，Kussmann-H，Pogrzeba-P，Robertson-P，Ruf-M-J，“On the performance of the DVB-Tsystem in mobile environments”，IEEE GLOBECOM 1998中描述了一种基于不变性假设的均衡DVB-T的方法。

对于变化非常迅速的信道，上述方法需要训练序列的快速序列，并且/或者导致信道估测的较差收敛性。对于多载波方法，不再保证如上所述的对于一个块的不变性，并且该方法的性能显著降低。

发明内容

因此，本发明的目的在于提供一种用于对通过这种时变传输信道传送的数据信号进行均衡和解调的方法，该方法避免了与信道特性相关的上述缺点和限制。

通过独立权利要求的必要技术特征基于根据独立权利要求的前序部分的方法来实现该目的。优选地，在从属权利要求中对其它实施例进行限定。

对于根据本发明的方法，不再将信道脉冲响应用于信道估测。而是使用所谓的散射体系数(scatterer coefficient)，也就是说，信道中的复值衰减、延迟和多普勒频移。由所谓的散射体导致的在发射机和接收机之间传输的信号的反射信号(reflection)对传输信道的质量具有决定性(causative)影响，例如在由Raymond Steele所著的书“Mobile RadioCommunications”，Pentech Press，London，1992的2.3.1节中所述。这种散射体(例如，建筑物或车辆)使得在发射机和接收机之间传输的数据信号失真。在接收机中可以确定可归因于散射体的数据信号中的散射体系数，然后可以对失真的数据信号进行均衡，并最终进行解调。根据本发明，信道特性因此由这些散射体系数限定，可以基于以下说明以简单的方式根据所接收的失真数据信号来确定这些散射体系数。

附图说明

以下将参照示例性实施例的附图更详细地描述本发明。附图如下：

图1表示使用离散化多普勒频率和延迟的散射体的二维排列；

图2表示一搜索树；

图3表示考虑编码而从图2的搜索树导出的树。

具体实施方式

图1基于二维场表示各种散射体在传输信道中的离散化多普勒频率f_d和延迟τ。可以将该图形表达直接转换为在以下方程(1)到(4)中使用的散射体系数为S(m，k)的散射体矩阵S。矩阵S的系数表示复数衰减值(幅值和相位)。沿延迟方向τ和多普勒频移方向f_d的量化取决于信道和数据传输方案。离散的标准化多普勒频移的最大值K以及离散的标准化延迟的最大值M由信道的物理参数确定。可以看出，其对于通用性没有限制，并且对于在各种情况下使沿延迟方向和多普勒频移方向的量化等距是有利和有用的。如果对于给定的输入没有发生物理散射体，则将矩阵中的对应散射体简单地设置为0。

图1示出了五个散射体，其标号(index)与其在散射体矩阵中的位置相对应；其中从1开始编号。

不必预先知道相对于多普勒频移的对称性(正值和负值)，其取决于信道。

结果，该物理模型考虑了信道传播模型的几何形状，而不是脉冲响应。因为发射机和/或接收机不能以任意速度移动，并且/或者不能以任意速度进行移动的变化，所以该几何形状在足够长的时间内基本保持不变，因此，分配给相关散射体的延迟τ和多普勒频移f_d也在足够长的时间内基本保持不变。

相反，在理论上，信道的脉冲响应可以在允许的物理界限内任意变化。可以根据复数散射体系数S(m，k)来计算该离散脉冲响应：

$h(m,i)=\frac{1}{\sqrt{N}}\underset{k=-K}{\overset{K}{\mathrm{\Σ}}}S(m,k)e^{j2\mathrm{\π}\frac{\mathrm{ki}}{N}}$

$h\left(i\right)=\underset{m=0}{\overset{M}{\mathrm{\Σ}}}h(i,m)---\left(1\right)$

其中，K是产生的最大多普勒频率，m是延迟的连续(running)标号，i是时间的离散连续变量。h(i)是在时域内获得的信道的离散脉冲响应。对长度N进行考察。

将信道的时变连续脉冲响应h(τ，t)物理地限制在τ和f_d范围内。因此，对于散射体函数，S(τ，f_d)为h(τ，t)对t的傅立叶变换，并且对于τ≥τ_max，|f_d|≥f_d，max，将其设置为S(τ，f_d)＝0。根据抽样定理类推，由此可以在频域内通过抽样值来完全表示脉冲响应h(τ，t)，以获得作为信道的离散表示的方程(1)。

通过根据散射体系数使以下表达式最小，来获得用于在时域中确定散射体系数矩阵S的最大似然方法(maximum likelihood approach)：

$\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|\right|r\left(i\right)-\frac{1}{\sqrt{N}}\underset{m=0}{\overset{M}{\mathrm{\Σ}}}d(i-m)\underset{k=-K}{\overset{K}{\mathrm{\Σ}}}S(m,k)e^{j2\mathrm{\π}\frac{\mathrm{ki}}{N}}\left|\right|}^2---\left(2\right)$

其中，隐含了传输数据码元(symbol)d(i-m)已知的假设。r(i)是所接收信号的样本。

在时域内定义变量r(i)和d(i-m)。

假设数据码元直接作为训练序列是已知的，或者是使用下述方法根据所接收的信号来确定的。

优选地，通过数据传输方案在时域内对散射体系数进行估测，该数据传输方案在时域内进行运算(operate)。这些方法例如包括使用PSK或QAM调制的单载波方法。

在具有已知传输码元的多载波信号的情况下，因为预先知道传输信号，所以也可以在时域内进行估测。

由于数据码元d(i-m)可选地通过局部响应脉冲整形携带所使用的调制类型的相关信号形式，所以在方程(2)中可以考虑调制方案。可以通过最大延迟M的对应选择来均衡具有大存储器(即，具有长的脉冲持续时间)的信道。在这种情况下，考察的持续时间N也自然具有对应的长度。

可以以与方程(2)类似的方式在频域中进行估测。在这种情况下，获得以下方程：

$\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|\right|R\left(n\right)-\frac{1}{\sqrt{N}}\underset{k=-K}{\overset{K}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}D(n-k)S(m,k)e^{-j2\mathrm{\πm}\frac{n-k}{N}}\left|\right|}^2---\left(3\right)$

在频域内定义方程(3)中所示的变量R(n)和D(n-k)。

优选地，通过数据传输方案在频域内对散射体系数进行估测，该数据传输方案在频域内进行运算。这些方法例如包括多载波方案，例如使用DVB-T方法的OFDM。

对于在时域内的估测，数据码元D(n-k)可以携带在频域内所使用的(在本文中所述的)调制类型的信号形式。

从方程(2)和(3)可以看出，为了对散射体系数进行估测，假设传输数据已知。在时域内对N个抽样和/或在频域内对N个谱分量进行该估测。

通常，在开始数据传输时，传送用于进行同步的已知码元序列。此后，在未知数据序列的情况下，接收机必须跟踪信道的估测，和/或使用新的同步信息或训练码元的传输来重新估测和/或调整估测和跟踪算法的收敛性。

优选地，通过递归卡尔曼(Kalman)算法或RLS算法进行散射体系数的估测，其中，在使用已知码元序列进行初始化之后，使用开始未知的序列对信道进行跟踪。例如，用于确定散射体系数的RLS算法表示如下：

         K(i)＝P(i-1)·D^T(i)(D(i).P(i-1)·D^T(i)+W(i))^-1

         P(i)＝P(i-1)-K(i)·D(i)·P(i-1)

          $e\left(i\right|i-1)=r\left(i\right)-D\left(i\right)\·\hat{S}(i-1)$

          $\hat{S}\left(i\right)=\hat{S}(i-1)+K\left(i\right)\·e\left(i\right|i-1)---\left(4\right)$

其中，K(i)是卡尔曼增益，P是预期状态(prediction state)协方差矩阵，D是根据方程(2)和/或(3)得到的数据矩阵，W是噪声协方差矩阵，而

是所估测的散射体系数的向量，该向量是根据矩阵S中的线性向量中的散射体的排列而得到的。r(i)是所接收的抽样信号值(时域或频域)，i是沿时间或频率方向的标号。

递归估测方法本身是已知的，并且例如已在S.Haykin，“AdaptiveFilter Theory”，1^st Edition，Englewood Cliffs，New Jersey，Prentice Hall 1986中进行了描述。

还应该注意，所述RLS算法仅作为大量不同实施例中的一个例子提及。

在使用训练码元对信道进行初始估测之后，选择最大似然(ML)方法，其中，对于所有可能的数据序列和所有可能的散射体排列，在方程(2)和(3)中对未知数据序列求最小值。

优选地，可以结合信道估测使用树搜索过程。在这种情况下，参照训练序列从所估测的信道开始，通过接收机为每一个可能的数据序列建立树中的一条路径。通过对这些路径中的每一个的散射体估测来进行信道估测，并根据方程(2)和/或(3)来计算度量(metric)。将具有最优度量的数据序列表示为可能被接收的数据序列。因为使用ML方法，所以将该度量称为ML度量。

还可以使用增量度量(incremental metric)，而不是对于整个考察时间间隔N在一个块中确定根据方程(2)和/或(3)的度量。这可以如下考虑方程(4)：

$\mathrm{\Λ}\left(i\right)=\mathrm{\Λ}(i-1)+e\left(i\right|i-1)\·(r\left(i\right)-D{\left(i\right)}^H\hat{S}\left(i\right))---\left(5\right)$

对于二进制码元，在图2示意性地表示了该树搜索过程，λ(x，...y)表示假定码元x，...y的度量， 表示为相关路径确定的散射体矩阵。标号的数量表示树的深度；在该例中，该数量最大为3。另外标记的路径表示当前通过度量选择的最优路径。

所述算法是一种软输出算法，该算法和解调数据一起，还可以以度量的方式表示解调质量量度(measure)。因此，不仅可以表示最可能确定的数据序列，而且可表示较小可能的序列。各个处理阶段(例如，接收机中的下行连接的解码器)可以包含附加信息，该附加信息对接收质量具有积极影响。

通过这种方式，可以在后续处理阶段中继续处理多个数据序列，仅在其后进行关于所接收的实际序列的结果。

此外，优选地，该方法可以与卷积码或块码结合，作为一种链接码结构的单码或内部码。已知以树结构的形式表示的卷积码和块码。一种码以下述方式作用于上述树结构，该方式使得不是若没有考虑该码而可能的所有路径都实际存在。因此，当包含码信息时，这种类型的树将不包括所有路径。

该组合提供了组合的信道估测、均衡、解调和解码，可以将其称为“顺序解码(sequential decoding)”。尽管这种方法已知，但结合确定散射体系数来使用该方法是新颖的。

图3中示出了根据图2的示例得到的树。两棵树的比较表示由该码确定的路径不存在。

对于多值数据码元和/或长数据序列，在处理过程中会产生许多路径，必须为这些路径中的每一个路径计算和存储用于算法的度量和散射体矩阵以及其它辅助参数。可以减少路径的数量以减轻计算和存储器需求的负担。在这种情况下，将路径的总数限制为最大数量，该最大数量取决于接收机的现有计算能力和存储需求。在这种情况下，可以使用已知的度量优先(metric-first)、广度优先(breadth-first)或深度优先(depth-first)算法。

用于通过树搜索过程进行均衡的已知特殊算法，在具有长脉冲响应的信道的情况下的缺点在于，其中数据码元的能量的大部分被设置在脉冲响应的结束部分，从而没有将该能量包含在所接收码元的估测中。在这种情况下，整个脉冲响应必须首先等待对应的附加延迟，或者必须通过将这些影响建模为噪声的附加估测方法来对其加以考虑。对于第一种变型，会产生许多附加路径，即使在后面要被舍弃，也必须将这些附加路径包括在计算中。如果将该方法用于一般和未知的信道，则必须始终使用最大信道脉冲长度进行计算，并且因此必须预先为此设计算法。

根据本发明的方法无法预先避免这些缺点。然而，由于参照散射体对信道进行建模，所以可以通过确定相关散射体来测量产生的最大延迟，并由此测量散射体矩阵的维数。尽管在已知方法的情况下必须始终考虑该最大长度，但是根据该发明的方法使得能够以自适应的方式趋近信道的最大延迟，并相应地调整解调和解码时所需的延迟。解调和编码时的长附加延迟变得仅在特殊信道中需要，在该特殊信道中出现了具有长延迟的重要散射体。由于散射体的几何尺寸不会突然改变，所以如果出现具有长延迟的散射体，则可以适应性地增加散射体矩阵的维数。相反，如果这种散射体消失，可以适应性地减小矩阵的维数。

可以根据基于方程(2)的公式来表示该结果：

$\hat{d}(0..N-L-1)=\underset{S(m,k)}{\underset{d(0..N-L-1)d(N-L..N-L)}{\arg \min }}\left(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|\right|r\left(i\right)-\frac{1}{\sqrt{N}}\underset{m=0}{\overset{M}{\mathrm{\Σ}}}d(i-m)\underset{k=-K}{\overset{K}{\mathrm{\Σ}}}S(m,k)e^{j2\mathrm{\π}\frac{\mathrm{ki}}{N}}\left|\right|}^2\right)---\left(6\right)$

其中，L是所需的延迟。对所有可能的数据假设d和所有可能的散射体S确定最小值。

除了根据延迟优化散射体矩阵的维数之外，还可以使产生的最大多普勒频移最优。

在对单载波进行均衡和解调的方法的情况下，传输数据可以仅在时间方向上导致ISI，即，过去传输的数据影响后来传输的数据。

因为当接收多载波信号(例如OFDM)时在频域中产生ICI，所以给定载波会收到沿正负频率方向的相邻载波的影响。

还必须考虑在频域中产生的载波的周期延续。可以通过使用方程(3)中产生的负指数来定义数据码元D(n-k)，以在数据矩阵D中考虑该周期延续。

如同在时域中进行处理时考虑信道脉冲响应中的长延迟的情况，可以通过该结果的对应延迟来考虑该影响并通过包含“未来”事件(即较高频率的数据)对其进行补偿。此外，可以适应性地改变散射体矩阵。

如果在方程(6)中使用方程(3)，则获得多载波方法的相似结果。

可以在没有基于训练序列进行初始化的情况下执行所述方法。在这种情况下，使用缺省值对处理进行初始化，例如，将来自方程(4)的矩阵P预定义为单位矩阵，并且将散射体向量

初始化为0。则该算法通常收敛较慢。此外，必须包含数据序列的所有可能的初始设置。

Claims (28)

1、一种用于对通过时变信道传送到接收机的数据信号进行均衡和解调的方法，其特征在于

在所述接收机中对所接收的数据信号中导致所述信道中的信号失真的散射体系数进行测量，并对所述数据信号进行均衡，并且随后对其进行解调，其中该散射体系数为衰减、延迟和多普勒频率。

2、根据权利要求1所述的方法，其特征在于

在时域内对所述散射体系数进行测量并对所述数据信号进行均衡。

3、根据权利要求2所述的方法，其特征在于

所述方法用于单载波数据传输方案的情况。

4、根据权利要求2所述的方法，其特征在于

所述方法用于多载波数据传输过程的情况，该多载波数据传输过程用于接收已知数据序列，即训练或同步化序列。

5、根据权利要求1所述的方法，其特征在于

在频域内对所述散射体系数进行测量并对所述数据信号进行均衡。

6、根据权利要求5所述的方法，其特征在于

所述方法用于多载波信号传输过程的情况。

7、根据前述权利要求中的任何一个所述的方法，其特征在于

通过最大似然准则对所述散射体系数进行测量。

8、根据权利要求7所述的方法，其特征在于

根据所接收的信号、所述散射体系数和在所述接收机中解调的数据信号之间的欧几里得距离来确定所述最大似然准则。

9、根据前述权利要求中的任何一个所述的方法，其特征在于

借助于已知数据序列来实现所述散射体系数的第一测量，其中该已知数据序列为训练或同步化序列。

10、根据权利要求1至9所述的方法，其特征在于

对整个数据序列以块的方式实现所述散射体系数的所述第一测量。

11、根据前述权利要求1至9中的任何一个所述的方法，其特征在于

将卡尔曼算法迭代地用于所述散射体系数的测量。

12、根据前述权利要求1至9中的任何一个所述的方法，其特征在于

将递归最小平方算法迭代地用于所述散射体系数的测量。

13、根据权利要求9或10所述的方法，其特征在于

将在所述第一测量中确定的所述散射体系数用于接收相关用户数据，其中对整个数据序列以块的方式对所述数据进行均衡和解调，并且根据以这种块的方式进行了均衡和解调的数据，对在所述第一测量中测量的所述散射体系数进行校正。

14、根据前述权利要求中的任何一个所述的方法，其特征在于

将在所述第一测量中确定的所述散射体系数用于接收所述相关用户数据，其中参照所均衡和解调的数据，根据卡尔曼算法或递归最小平方算法，对在所述第一测量中确定的所述散射体系数进行校正。

15、根据权利要求13或14所述的方法，其特征在于

将树搜索过程用于所述散射体系数的校正以及数据解调，其中，在每一种情况下，对所有可能的数据序列确定所述散射体系数和度量，并且随后从所述树结构中选择具有最优的最大似然度量的那些数据序列。

16、根据权利要求15所述的方法，其特征在于

将与所选择的最优数据序列相对应的散射体系数用于后续的均衡和解调。

17、根据权利要求15或16所述的方法，其特征在于

对所考察的整个数据序列以块的方式进行所述数据序列的选择。

18、根据权利要求15到16所述的方法，其特征在于

在达到所述树的预定路径深度之后，选择所述数据序列。

19、根据权利要求15到18所述的方法，其特征在于

在所述树搜索过程中使用度量优先算法。

20、根据权利要求15到18所述的方法，其特征在于

在所述树搜索过程中使用广度优先算法。

21、根据权利要求15到18所述的方法，其特征在于

在所述树搜索过程中使用深度优先算法。

22、根据权利要求15到21所述的方法，其特征在于

在所述树搜索过程中，根据所确定的散射体系数适应性地改变所述路径深度和/或路径数量。

23、根据权利要求15到22中的任何一个所述的方法，其特征在于

在所解调的数据序列的输出中还存在所述度量值。

24、根据权利要求15到22所述的方法，其特征在于

除了具有最优的最大似然度量的数据序列以外，还存在具有次优似然度量的其它次最优数据序列。

25、根据权利要求15到24中的任何一个所述的方法，其特征在于

当接收到根据一种编码进行了编码的数据信号时，在所述树搜索过程中专门包含与有效码字相对应的数据序列。

26、根据权利要求25所述的方法，其特征在于

除了考虑所述编码之外，所述树搜索过程中还使用Viterbi算法或APP算法。

27、根据前述权利要求中的任何一个所述的方法，其特征在于

专门使用未知的有用数据序列来实现散射体系数的所述第一测量，并且在所述算法的初始化时使用缺省值，而不是训练和同步化序列。

28、根据权利要求7到10中的任何一个所述的方法，其特征在于

在每一种情况下，基于预先确定的散射体系数来调整包含在所述算法中的散射体系数的最大数量。