CN1679291A - 并发估计频率偏移和调制指数的方法和系统 - Google Patents

Abstract

一种用于估计CPM信号的调制指数和频率偏移的系统。一个估计器滤波接收到的信号并用训练序列确定该CPM信号的调制指数和频率偏移。该估计器还可以包括一个后处理步骤以消除可能由该估计器产生的全部或部分偏差。

Description

并发估计频率偏移和调制指数的方法和系统

发明背景

发明的技术领域

本发明通常涉及利用连续相位调制(CPM)的无线电接收器领域，并且尤其涉及用于估计CPM信号的调制指数和载波频率偏移的系统及该系统中的方法。

相关技术描述

无线技术，如陆地和卫星移动通信和/或BLUETOOTH系统，可以利用连续相位调制(CPM)的信号来传输数据。可以为数据分组的无线传输采用二进制CPM或M-进制CPM。当用CPM传输数据时，在一些接收器体系结构中可能需要知道调制指数。

为了提高性能，可以采用需要知道发射信号的调制指数值的接收器体系结构。由于发送和接收设备中独立的频率生成电路的使用，通常会产生载波频率偏移。为了实现最优的性能，应该尽可能地补偿载波频率偏移。因此，需要有一种估计CPM信号的调制指数和载波频率偏移的系统及其方法。

发明概述

本发明的实施方案克服了这些及其它缺点，本发明的实施方案为CPM信号的调制指数和频率偏移的并发估计提供了一种系统及其方法。一种用于估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的估计器包括，至少两个用于滤波接收到的CPM信号的滤波器，一个用于计算α值和β值的计算器，一个用于接收该至少两个滤波器中每一个输出的信号、α值和β值的处理器。该处理器适合从由处理器接收到的信号以及接收到的α值和β值，计算调制指数和频率偏移的估计。

一种估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的方法包括，通过至少两个滤波器滤波接收到的信号，计算α值和β值，接收该至少两个滤波器中每一个输出的信号，α值和β值，并从接收到的信号和接收到的α值和β值计算出调制指数和频率偏移。

一种用于估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的估计器包括，一个用于对接收到的CPM信号的噪音加白的噪音加白器，至少两个用于滤波噪音加白后的CPM信号的滤波器，一个用于处理训练序列的初始化器，以及一个接收该至少两个滤波器的每一个输出的信号和处理后的训练序列的处理器。该处理器适合从它接收到的信号以及处理后的训练序列计算调制指数和频率偏移的估计。

一种估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的方法，包括对接收到的CPM信号的噪音加白，通过至少两个滤波器滤波噪音加白后的CPM信号，处理训练序列，接收该至少两个滤波器中每一个输出的信号和处理后的训练序列，并从接收到的信号和处理后的训练序列计算调制指数和频率偏移的估计。

一种用于估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的滤波器包括，至少两个用于滤波接收到的CPM信号的滤波器，一个用于对该至少两个滤波器输出的信号的噪音加白的噪音加白器，一个用于处理训练序列的初始化器，一个用于接收噪音加白器输出的信号和处理后的训练序列的处理器。该处理器适合从接收到的信号和处理后的训练序列计算调制指数和频率偏移的估计。

一种用于估计接收到的连续相位调制(CPM)信号的调制指数和频率偏移的估计器包括，一个用于接收CPM信号的接收器和一个用于根据等式ν＝(B^TC^-1B)^-1C^-1φ估计调制指数和频率偏移的处理器。ν表示包括表示调制指数估计和频率偏移估计的缩放版本的元素的一个向量。C表示噪音协方差矩阵，B表示数据模型矩阵，φ是一个表示CPM信号相位的观察向量。

下文中从下面给出的详细描述结合附图将会清楚地了解到本发明的更多优势和具体细节。

附图概述

参考下面对本发明示例实施方案的详细描述并结合附图能够实现对本发明的示例实施方案更完整的理解。

图1是示意性示出依照本发明原理的一种估计器的框图；

图2是图1的估计器的框图，包括依照本发明原理的偏移移除部件；

图3是示意性示出依照本发明原理的另一种估计器的框图；

图3A是示意性示出依照本发明原理的一种估计器的框图；

图3B是示意性示出依照本发明原理的一种估计器的框图；

图4是示意性示出依照本发明的噪音-加白估计器的框图。

本发明示例实施方案详述

依照本发明的原理，可以采用几种途径估计CPM信号的调制指数和频率偏移。与本发明的各方面相关的估计器可以分成两个截然不同的类别，即假定白噪音的估计器和假定有色噪音的估计器。这两种不同类别中的另外的分类可以根据是否假定输入信号中存在符号间干扰(ISI)来进行。当假定存在ISI时，可以根据参数ε是已知或未知引入两个更进一步的子类。下文中描述的估计器是基于最小平方方法，并可由下列等式表示：

ν＝(B^TC^-1B)^-1B^TC^-1φ                         (1)

在上面的等式(1)中，ν是包括表示调制指数和频率偏移估计的缩放版本的元素的一个向量。矩阵C表示噪音协方差矩阵，矩阵B表示数据模型矩阵，等式(1)中的最后三项是观察向量φ上的滤波操作，而观察向量φ是估计器的相位输入。

第一种途径使用基于简单数据模型的估计器，简单数据模型不考虑符号间干扰(ISI)。如图1中详细示出的那样，第一种途径假定有白噪音且没有ISI。通过假定位时序和帧同步为已知，最优取样时刻上的1-位微分解调器的输出(即，观察向量的一个元素)φ_k可以模型化如下：

 φ_k＝b_khπ+2πfT_sym+n_k

                                                        (2)

 φ_k＝b_kx+y+n_k

其中b_k是一个传输位，h是调制指数，f是实际频率偏移，T_sym是符号周期，n_k是包括噪音和ISI的畸变项。通过忽略噪音项n_k，可以用矩阵表示法重写等式(2)如下：

$\mathrm{\φ}=\mathrm{Bv\; in\; which\φ}=\left[\begin{array}{c}{\mathrm{\φ}}_1\\ {\mathrm{\φ}}_2\\ {\mathrm{\φ}}_3\\ \·\\ \·\\ \·\\ {\mathrm{\φ}}_N\end{array}\right],v=\left[\begin{array}{c}x\\ y\end{array}\right]\mathrm{andB}=\left[\begin{array}{cc}{b}_1& 1\\ b_2& 1\\ b_3& 1\\ \·& \\ \·& 1\\ \·& \\ b_N& 1\end{array}\right]---\left(3\right)$

如果{b_i}_i＝1 ^N(即，N个传输位)已知，通过将观察向量φ乘以B的伪逆矩阵可以解等式(3)。假定存在白噪音，则协方差矩阵C等于单位矩阵。因此，等式(1)可以重写为：

ν＝(B^TB)^-1B^Tφ                    (4)

其中上标T表示矩阵B的转置矩阵，上标-1表示括号中得到的矩阵的逆矩阵。

假设数据矩阵B的上述结构，下列等式成立：

$B^{T}B=\left[\begin{array}{cc}N& S\\ S& N\end{array}\right]\mathrm{and}{\left(B^{T}B\right)}^{-1}=\left[\begin{array}{cc}\mathrm{\α}& \mathrm{\β}\\ \mathrm{\β}& \mathrm{\α}\end{array}\right]---\left(5\right)$

其中 $S=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{b}_k,\mathrm{\α}=\frac{N}{N^2-S^2}\mathrm{and\β}=\frac{-S}{N^2-S^2}$

S的值直接涉及已知位序列的权重W，如下：

S＝2W-N                                       (6)

通过实现最小二乘方方法，可以估计向量ν的x和y的值。可以分别从x和y的估计直接获得调制指数h和频率偏移f的估计。通过在观察向量φ上施加两个线性操作并施加一个取决于训练序列权重的后处理步骤，能够得到向量ν的x和y的值。同样，等式(4)对如下的v成立：

$v=\left[\begin{array}{cc}\mathrm{\α}& \mathrm{\β}\\ \mathrm{\β}& \mathrm{\α}\end{array}\right]\left[\begin{array}{c}{q}_1\\ q_2\end{array}\right]\mathrm{with\; q}=B^T\mathrm{\φ}\left[\begin{array}{c}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{b}_k{\mathrm{\φ}}_k\\ \underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_k\end{array}\right]---\left(7\right)$

其中q1和q2是向量q的元素，q1表示第一个滤波器(相关操作)的输出，q2表示第二个低通梳状滤波器的输出。图1示出了依照本发明原理的估计器100的框图。图1的估计器100基于等式(3)中所示的数据矩阵。估计器100实现等式(7)的操作，并且如上所述假定存在白噪音并且不存在ISI。接收到的信号φ_k(接收到的信号，合成到基带，并微分解调)被经过第一有限脉冲响应(FIR)滤波器102以得到q1。相关滤波器102的系数是+1或-1。接收到的信号φ_k还被通过第二FIR滤波器104以得到q2。

如上所述，可以用在接收器和发射器两端都知道的数据序列得到α和β。计算出的α被输出到第一乘法器106A和第四乘法器106D。得到的β被输出到第二乘法器106B和第三乘法器106C。第一FIR滤波器102输出的q1在第一乘法器106A被乘以得到的α。q1还在第二乘法器106B被乘以得到的β。

第二FIR滤波器104输出的q2在第三乘法器106C被乘以得到的β。第二FIR滤波器104输出的q2在第四乘法器106D被乘以得到的α。

第一乘法器106A输出的结果和第三乘法器106C输出的结果在第一加法器108A被加在一起。第二乘法器106B输出的结果和第四乘法器106D输出的结果在第二加法器108B被加在一起。第一加法器108A输出的结果是等式(2)的x。从等式(2)，可以缩放x以得到调制指数h的估计。如等式(2)所示，通过用x乘以1/π，可以产生调制指数h。因此，在乘法器110A，用x乘以1/π，由此得到调制指数h的估计。从等式(2)中还可明显地看出，可以在乘法器110B用第二个加法器108B输出的乘以1/(2πT_sym)以产生频率偏移f的估计。

由于所用的数据模型，简单估计器100可能产生有偏差的结果。例如，非零平均噪音项或噪音和期望信号之间的相关可能导致简单估计器100产生不满意的结果。调制指数的估计中的偏差通常取决于频率偏移、调制指数和信噪比E_b/N_o的值其中之一。在频率偏移的估计中一般绝大多数情况下都没有大的偏差。

在难以估计E_b/N_o的情况下，可以在E_b/N_o的特定值上补偿调制指数估计中的偏差。例如，可以选择一个在其上接收器以10^-3位错误率(BER)操作的E_b/N_o值。另外，因为调制指数估计中的偏差取决于调制指数本身，可以在一个典型的调制指数值(例如0.32)上补偿该偏差。

依照本发明原理的后处理步骤考虑了调制指数h估计中的偏差大致平方地取决于估计频率偏移f的二次函数的事实，以便补偿调制指数估计中的偏差。对偏差补偿后的调制指数h_comp，有下列二次等式：

h_comp＝h+c_o+c₂y²                                 (8)

通过曲线拟合过程选择系数c₀和c₂以使偏差最小。可以通过模拟得到调制指数估计中的偏差和频率偏移估计。从模拟结果，可以通过曲线拟合得到足够的的偏差-降低处理。

图2示出了带有额外后处理，以从调制指数h的估计中除去偏差的图1的估计器。图2的估计器200类似于图1的估计器100，除了用来引入系数c₀和c₂的附加部件的实现。如上所述，系数c₀和c₂用来从调制指数h的估计中除去偏差。

如等式(8)所示，第二个加法器108B输出的y由平方模块202取平方。平方模块202的输出在乘法器204被乘以c₂的值。乘法器204的输出在加法器206被加到c₀并加到调制指数h的估计上。如上所述，调制指数h的估计是由乘法器110A输出的。加法器206输出偏差-补偿后的调制指数h_comp。

简单估计器100和200代表相对计算有效的实现；但是，由估计器100和200实现的数据模型的简化并不总是产生最佳结果。因此，在本发明的另一实施方案中可以使用基于比估计器100和200中所用更复杂的数据模型的估计器。

图3是示意性示出依照本发明原理的更复杂的估计器300的框图。该更复杂的估计器300以类似于估计器100和200的方式假定白噪音存在。但是，该更复杂的估计器300假定信号中存在ISI并且参数ε(见来自下面所示等式(9)的数据模型)是未知的。

在估计器300中，不是处理由等式(3)所模型化并在估计器100和200中实现的输入信号，估计器300所基于的模型是更复杂的模型，即下面所示等式(12)。为了限制估计器300的复杂度，已经假定了一个相对简单的ISI模型。但是，在不偏离本发明的原理的前提下可以使用其它ISI模型。

在估计器300中，假定发射器的微分输出相位θ_k和估计器的输入相位φ_k之间的线性关系。微分输出相位θ_k和输入相位φ_k的线性关系可以模型化如下：

φ_k＝εθ_k-1+(1-2ε)θ_k+εθ_k+1                  (9)

等式(9)示出了输入相位φ_k和输出相位θ_k和之间的线性关系并且用参数ε考虑了ISIS。如果不存在ISI，那么参数ε值为零。

微分输出相位θ_k可以用下列等式表示

             θ_k＝_k-_k-1＝b_khπ

                      (10)

其中_k是发射出的符号a_k的相位。合并等式(9)和等式(10)并加上频率偏移f的影响和畸变项n_k得到：

     φ_k＝b_khπ+(b_k-1-2b_k+b_k+1)εhπ+2πfT_sym+n_k       (11)

     φ_k＝b_kx+c_ky+z+n_k

     with c_k＝(b_k-1-2b_k+b_k+1)

等式(11)示出了显示出前面位和后面位关系的ISI。但是，在更严重的ISI情况下，ISI可以显示出前面两位和后面两位的关系。如果忽略畸变项n_k，可如下以矩阵表示写等式(11)：

$\mathrm{\φ}=\mathrm{Bv\; in\; which\φ}=\left[\begin{array}{c}{\mathrm{\φ}}_2\\ {\mathrm{\φ}}_3\\ {\mathrm{\φ}}_4\\ \·\\ \·\\ \·\\ {\mathrm{\φ}}_{N-1}\end{array}\right],v=\left[\begin{array}{c}x\\ y\\ z\end{array}\right]\mathrm{and\; B}=\left[\begin{array}{ccc}{b}_2& c_2& 1\\ b_3& c_3& 1\\ b_4& c_4& 1\\ \·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\\ b_{N-1}& c_{N-1}& 1\end{array}\right]---\left(12\right)$

当不忽略ISI时，如上关于等式(11)所述，需要前面的位和后面的位，并且因此等式(12)的指数从b₂开始到b_N-1结束。

如果已知N-2个发射出的位{b₂…b_N-1}，通过用观察向量Φ乘以B的伪逆矩阵可以解方程(12)，这样ν＝(B^TB)^-1B^Tφ，如等式(4)所示。

再参考图3，等式(4)、(11)和(12)中数学描述过的估计器300除了估计器200中所示滤波和相关外，还需要另一滤波器，图中表示为中间的滤波器306。滤波器302和304的滤波和相关以和图2中滤波器102和104相同的方式操作。中间滤波器306有N-2个系数c_k。对系数C_k，有C_k∈{0，±2，±4}。

变量x和z由乘法器310A和310B以和图2中为x和y所示相同的方式操作，以得到调制指数h和频率偏移f。在ISI由发射器特征和接收器滤波器链支配时，可以假定来自等式(9)的参数ε为已知。假定发射器中的整个滤波器和收发器的接收部分，就得到了参数ε。因此，除了白噪音和ISI之外，假定参数ε已知可以简化估计器300。由于这个原因，可以如图3A和3B所示简化估计器300并减少所用滤波器的数量。

在图3A所示第一个简化实现中，估计器300A包括稍微复杂一些的相关器滤波器，因为滤波器系数不再像简单滤波器100、200和300中那样只是+1和-1。对估计器300A的第一个简化实现，在等式(9)中代入等式(10)，可以重写等式(11)如下：

φ_k＝(εb_k-1+(1-2ε)b_k+εb_k+1)hπ+2πfT_sym+n_k

                                                 (13)

φ_k＝d_kx+y+n_k

其中d_k＝(εb_k-1+(1-2ε)b_k+εb_k+1)，x＝hπ and y＝2πfT_sym

在等式(13)所示的实现中，参数ε的值被假定为已知。通过忽略畸

变项n_k，可以矩阵形式重写等式(13)如下：

$\mathrm{\φ}=\mathrm{Bv\; in\; which\φ}=\left[\begin{array}{c}{\mathrm{\φ}}_2\\ {\mathrm{\φ}}_3\\ {\mathrm{\φ}}_4\\ \·\\ \·\\ \·\\ {\mathrm{\φ}}_{N-1}\end{array}\right],v=\left[\begin{array}{c}x\\ y\end{array}\right]\mathrm{and\; B}=\left[\begin{array}{cc}{d}_2& 1\\ d_3& 1\\ d_4& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ d_{N-1}& 1\end{array}\right]---\left(14\right)$

从等式(14)得到的估计器300A的实现需要两个滤波器：1)与估计器100和200中类似的低通滤波器(304)；和2)与信道匹配的相关滤波器(302)(即，匹配的相关器)。因此，N-2个滤波器系数dk不再是+1或-1，但取集合{±1，±(1-2ε)，±(1-4ε)}中的值。同样，相关滤波器比估计器100、200和300中的相关滤波器更复杂。以和图3中相同的方式计算调制指数h和频率偏移f。向量-矩阵乘法器308输出变量x和y，它们依次由乘法器310A和310B操纵，以得到调制指数h和频率偏移f的估计。

估计器300A的第一实现需要一个匹配相关器。该匹配相关器的计算复杂度有所增加；因此，下面描述计算复杂度有所降低的估计器300A的第二实现。

现在参考图3B，示出了图3的估计器的第二实现。第二实现不像第一实现那么复杂；但是，第二实现比估计器100或200复杂。以和估计器200类似的方式，第二实现包括一个仅需要执行一次的后处理步骤。

来自等式(12)和(3)的图3的估计器300的描述产生下面的等式：

$v={\left(B^{T}B\right)}^{-1}{B}^T\mathrm{\φ}={\left(B^{T}B\right)}^{-1}\mathrm{w\; with\; w}=\left[\begin{array}{c}p\\ q\\ r\end{array}\right]---\left(15\right)$

p，q和r是估计器300中所示三个滤波器302、304和306的输出。如果ε的值已知，那么就不需要来自中间滤波器306的输出q。如图3B所示，已经去掉了中间滤波器306。P_ij表示矩阵B^TB在i行j列上的元素，并且由于B^TB是对称矩阵，下面的等式得到：

$\left[\begin{array}{c}p\\ q\\ r\end{array}\right]=\left[\begin{array}{ccc}{P}_{11}& P_{12}& P_{13}\\ P_{12}& P_{22}& P_{23}\\ P_{13}& P_{23}& P_{33}\end{array}\right]\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}{P}_{11}& P_{12}& P_{13}\\ P_{12}& P_{22}& P_{23}\\ P_{13}& P_{23}& P_{33}\end{array}\right]\left[\begin{array}{c}\mathrm{h\π}\\ \mathrm{\ϵh\π}\\ 2\mathrm{\πf}{T}_{\mathrm{sym}}\end{array}\right]---\left(16\right)$

依照等式(16)，下列等式成立：

$\mathrm{h\π}=\frac{P_{33}p-P_{13}r}{(P_{11}{P}_{33}-{P_{13}}^2)-(P_{13}{P}_{23}-P_{12}{P}_{33})\mathrm{\ϵ}}\mathrm{and}---\left(17\right)$

$2\mathrm{\πf}{T}_{\mathrm{sym}}=\frac{-P_{13}p+P_{11}r+(P_{12}{P}_{13}-P_{11}{P}_{23})\mathrm{\ϵh\π}}{P_{11}{P}_{33}-{P_{13}}^2}---\left(18\right)$

可以通过处理器320操纵等式(17)和(18)以得到调制指数h和频率偏移f的估计。当ISI存在时，估计器300B的第二实现提供了比估计器100和200大得多的优势。

第三类估计器包括噪音加白以进一步提高调制指数h和频率偏移f估计器的性能。图4是一种噪音加白估计器的框图，其中给出了该噪音加白滤波器的具体配置。由于微分解调在估计之前，畸变项n_k不再表示通常的白噪音特征。一旦知道了噪音矩阵的协方差，就可以改进估计过程。

噪音过程n_k的单边自动相关函数R_nn可以近似如下：

     R_nn＝[1-0.5]                  (19)

 考虑可以直接从单边自动相关函数R_nn推倒出的噪音协方差矩阵C，等式(15)可由等式(1)代替。噪音加白可由噪音协方差矩阵C的逆C-的相乘得到。可以两种方式实现B^TC^-1和观察向量φ的矩阵乘。在图4的估计器中所用的第一种选择中，这个操作是通过并行应用n(n等于矩阵B的列数)个滤波器实现的。在第二种选择中，上述操作是由两个连续的滤波器操作实现的，其中第一个滤波器操作在观察向量φ上以对该向量中的噪音加白，即通过C^-1的相乘。然后这个滤波器的输出被提供给n个并行的滤波器(n等于矩阵B的列数)，即乘以B^T。这两个选择在功能上是相同的。在第二种选择中，噪音的加白是显式执行的，而在第一种选择中，噪音的加白是隐式执行的。等式(1)所描述的估计器并不限制滤波器系数的值为+1或-1，由此提高了复杂度，高于估计器100、200和300。等式(1)所描述的估计器是增强噪音-加白的估计器，它以增加的复杂度为代价，性能优于估计器100、200和300。

为了降低等式(1)所描述的估计器的复杂度，第一种选择是量化噪音协方差矩阵C的逆。尽管可以降低复杂度，但量化引造成了估计器中的性能损失。第二种选择是修改噪音协方差矩阵C的逆的结构。可以用有限脉冲响应(FIR)滤波器来加白噪音。由于微分解调后的估计器输入信号，噪音具有低通特征。通过将信号通过低通滤波器可以实现近似的加白。一个有吸引力的解决方案是使用K-拍梳状滤波器。可以选择K，以使在性能损失(与理想的加白相比)和复杂度降低之间达到好的平衡。第三种选择是通过低通过有限脉冲响应滤波器实现近似的加白操作。

可以用上述三种选择中的任意一种来降低噪音加白滤波器的复杂度。应该根据可用的系统特征选择最佳选项。

可以将噪音加白的原理应用到上述估计器中的任一个。根据已经假定的数据模型矩阵B，估计器100、200、300、300A和300B可以包括有色噪音补偿。例如，通过将来自等式(3)的数据模型代入到等式(1)，就得到了与估计器100类似的估计器，除了该估计器现在是补偿了有色噪音之外。将来自等式(11)的数据模型代入到等式(1)中得到与估计器300中类似的噪音加白的估计器。可以通过改变所用噪音模型更改估计器100、200、300、300A和300B中的全部，以得到有色噪音补偿后的估计器。

再参考图4，进入的信号Φ被传递到第一FIR滤波器404和第二FIR滤波器406中的每一个，以便低通滤波它们。第一和第二FIR滤波器404和406以和图3B中的FIR滤波器相同的方式操作，除了A＝B^TC^-1之外。FIR滤波器404、406隐式地根据矩阵A的值对噪音加白。第一FIR滤波器404的输出p以及第二FIR滤波器406的输出r类似于滤波器300的p和r值，除了加上了噪音加白之外。在后处理器420中所进行的进一步计算中使用了输出p和r。

估计器400的初始化单元422接收到训练序列{b₁…b_n}。根据假定的数据模型，也可能需要参数ε(见等式(13)和(14))。一旦计算出了代表该数据模型的矩阵B，就计算出了B^TC^-1B。矩阵B^TC^-1B连同输出p和r被传递给后处理器420作为初始化过的训练序列，并且根据上述等式估计调制指数h和频率偏移f。

尽管已经描述了本发明的示例实施方案，但应该认识到在不偏离本发明的前提下可以多种方式改变它。尽管已经描述本发明为主要用在根据BLUETOOTH操作的hoc无线系统中，但本发明的实施方案还可用在使用CPM的其它系统中。因为可以多种方式更改本发明，应该理解本发明应该被限制在由所附权利要求的范围所要求的范围中。

Claims (30)

1.一种用于估计接收到的连续相位调制(CPM)的信号中的调制指数和频率偏移的估计器，该估计器包括：

至少两个用于滤波接收到的CPM信号的滤波器；

一个用于计算α值和β值的计算器；

一个用于接收该至少两个滤波器中每一个的信号输出、α值和β值的处理器；并且，

其中该处理器适合从由该处理器接收到的信号和接收到的α值和β值计算出调制指数和频率偏移的估计。

2.权利要求1的估计器，还包括一个用于从调制指数的估计除去偏差的后处理器。

3.权利要求2的估计器，其中后处理器接收涉及频率偏移的信息并操纵调制指数以形成补偿后的调制指数。

4.权利要求1的估计器，其中该至少两个滤波器是有限脉冲响应(FIR)滤波器。

5.权利要求1的估计器，其中该估计器被实现在BLUETOOTH设备中。

6.一种估计接收到的连续相位调制(CPM)的信号的调制指数和频率偏移的方法，该方法包括：

通过至少两个滤波器滤波接收到的CPM信号；

计算α值和β值；

接收由该至少两个滤波器中的每一个输出的信号、α值和β值；并

从接收到的信号和接收到的α值和β值计算调制指数和频率偏移的估计。

7.权利要求6的方法，还包括从调制指数估计去除偏差。

8.权利要求7的方法，其中去除偏差的步骤包括接收涉及频率偏移的信息并操纵调制指数，以形成补偿后的调制指数。

9.权利要求6的方法，其中的步骤是按所列顺序执行的。

10.权利要求6的方法，其中该至少两个滤波器有限脉冲响应(FIR)滤波器。

11.权利要求6的方法，其中该方法被实现在BLUETOOTH设备中。

12.一种用于估计接收到的连续相位调制(CPM)的信号的调制指数和频率偏移的估计器，该估计器包括：

一个用于对接收到的CPM信号的噪音加白的噪音加白器；

至少两个用于滤波噪音加白后的CPM信号的滤波器；

一个用于处理训练序列的初始化器；并且

一个处理器，用于接收至少两个滤波器中每一个输出的信号和经处理的训练序列；

其中该处理器适合从由处理器接收到的信号和处理后的训练序列计算调制指数和频率偏移的估计。

13.权利要求12的估计器，其中该至少两个滤波器是有限脉冲响应(FIR)滤波器。

14.权利要求12的估计器，其中该估计器被实现在BLUETOOTH设备中。

15.权利要求12的估计器，其中该噪音加白器在该至少两个滤波器之前对噪音加白。

16.权利要求12的估计器，其中该至少两个滤波器中的至少一个包括该噪音加白器。

17.一种估计接收到的连续相位调制(CPM)的信号的调制指数和频率偏移的方法，该方法包括：

对接收到的CPM信号的噪音加白；

通过至少两个滤波器滤波该噪音加白后的CPM信号；

处理训练序列；

接收由该至少两个滤波器中的每一个输出的信号和经处理的训练序列；并

从该接收到的信号和该处理后的训练序列计算调制指数和频率偏移的估计。

18.权利要求17的方法，其中的方法是按所列顺序执行的。

19.权利要求17的方法，其中该至少两个滤波器是有限脉冲响应滤波器。

20.权利要求17的方法，其中该方法被实现在BLUETOOTH设备中。

21.权利要求17的方法，其中加白步骤是在滤波步骤之前执行的。

22.权利要求17的方法，其中加白步骤是由该至少两个滤波器中的至少一个执行的。

23.一种用于估计接收到的连续相位调制(CPM)的信号的调制指数和频率偏移的估计器，该估计器包括：

至少两个用于滤波接收到的CPM信号的滤波器；

一个用于对该至少两个滤波器输出的信号的噪音加白的噪音加白器；

一个用于处理训练序列的初始化器；

一个用于接收由噪音加白器输出的信号和处理后的训练序列的处理器；并且

其中该处理器适合从接收到的信号和处理后的训练序列计算调制指数和频率偏移。

24.一种用于估计接收到的连续相位调制(CPM)的信号的调制指数和频率偏移的估计器，该估计器包括：

一个用于接收该CPM信号的接收器；和

一个用于根据下面的等式估计调制指数和频率偏移的处理器：

                  ν＝(B^TC^-1B)^-1C^-1φ。

其中ν表示一个向量；

其中该向量包括表示调制指数估计和频率偏移估计的缩放版本的元素；

其中C表示噪音协方差矩阵；

其中B表示数据模型矩阵；

其中φ是一个表示CPM信号相位的观察向量。

25.权利要求24的估计器，其中该数据模型矩阵由下面的等式模型化：

$B=\left[\begin{array}{cc}{b}_1& 1\\ b_2& 1\\ b_3& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ b_N& 1\end{array}\right]$

其中b₁，b₂，b₃...b_N表示一个训练序列的位。

26.权利要求24的估计器，其中该数据模型矩阵由下面的等式模型化：

$B=\left[\begin{array}{ccc}{b}_2& c_2& 1\\ b_3& c_3& 1\\ b_4& c_4& 1\\ \·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\\ b_{N-1}& c_{N-1}& 1\end{array}\right]$

其中b₂，b₃，b₄...b_N-1表示一个训练序列的位；

其中c₂，c₃，c₄...c_N-1表示滤波器系数。

27.权利要求26的估计器，其中训练序列的位和滤波器系数之间的关系由下面的等式定义：

                c_k＝(b_k-1-2b_k+b_k+1)。

28.权利要求24的估计器，其中该数据模型矩阵由下面的等式模型化：

$B=\left[\begin{array}{cc}{d}_2& 1\\ d_3& 1\\ d_4& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ d_{N-1}& 1\end{array}\right]$

其中d₂，d₃，d₄...d_N-1表示滤波器系数。

29.权利要求28的估计器，其中训练序列的位和滤波器系数之间的关系由下面的等式定义：

          d_k＝(εb_k-1+(1-2ε)b_k+εb_k+1)，

其中ε是指示符号间干扰量的参数。

30.权利要求24的估计器，其中该估计器被实现在BLUETOOTH中。

Images