CN1714515A - 使用预测误差方法用于导频估计的方法和装置 - Google Patents

Abstract

揭示了一系统用于无线通信系统以提供估计的导频信号。系统包括接收机(508)和前端处理和解扩展组件(510)，所述组件与用于对CDMA信道解扩展的接收机进行电子通信。导频估计组件(514)与前端处理和解扩展组件进行电子通信以使用包括卡尔曼滤波器的导频估计器估计原始导频信号以生成导频估计。卡尔曼滤波器通过使用基于原始导频信号的新息表示的预测误差方法而确定。解调组件(518)与导频估计组件和前端处理和解扩展组件进行电子通信以提供已解调数据码元。

Description

使用预测误差方法用于导频估计的方法和装置

领域

本发明一般涉及无线通信系统，尤其涉及在码分多址系统内估计导频信号的方法和装置。

背景

在无线的无线电电话通信系统内，许多用户在无线信道上通信。使用码分多址(CDMA)调制技术是几种用于方便存在大量系统用户的通信的技术中的一种。其他多址通信系统技术，诸如时分多址(TDMA)和频分多址(FDMA)也是领域内已知的。然而，对于多址通信系统，CDMA的扩频调制技术有大大优于这些调制技术的优势。

CDMA技术有许多优势。示例CDMA系统在第4901307号美国专利中描述，题为“Spread Spectrum Multiple Access Communication System UsingSatellite Or Terrestrial Repeaters”，发布于1990年2月13日，被转让给本发明的受让人并在此引入作为参考。示例CDMA系统还在第5103459号专利内描述，题为“System And Method For Generating Signal Waveforms InA CDMA Cellular Telephone System”，发布于1992年4月7日，被转让给本发明受让人，并在此引入作为参考。

在以上专利的每个中，揭示了前向链路(基站到移动站)导频信号的使用。在一般CDMA无线通信系统中，诸如EIA/TIA IS-95内描述的，导频信号是发送恒定数据值并用与话务携带信号所使用的相同伪噪声(PN)序列扩展的“信标”。导频信号一般用全零Walsh序列覆盖。在初始系统获取期间，移动站搜索PN偏移以定位基站的导频信号。一旦它获得了导频信号，它可以为相干解调导出稳定相位和幅度基准，诸如在第5764687的美国专利号内描述的，题为“Mobile Demodulator Architecture For A Spread Spectrum Multiple AccessCommunication System”，发布于1998年6月9日，被转让给本发明的受让人并在此引入作为参考。

最近，第三代(3G)无线无线电电话通信系统已经被提出，其中使用反向链路(移动站到基站)导频信道。例如，在当前提出的cdma2000标准内，移动站发送反向链路导频信道(R-PICH)，基站用其进行初始获取、时间跟踪、雷克接收机相干基准恢复以及功率控制测量。

导频信号可能受到噪声、衰落和其他因子的影响。因此，接收的导频信号可能被降级并不同于开始发送的导频信号。导频信号内包含的信息可能由于噪声、衰落和其他因素而丢失。

因此需要能处理导频信号以抵消噪声、衰落和其他信号恶化因子的影响。

附图的简要说明

图1是支持多个用户的扩频通信系统图。

图2是通信系统内基站和移动站的框图。

图3是说明基站和移动站之间的下行链路和上行链路的框图。

图4是下行链路实施例内的信道框图。

图5说明移动站实施例内一些组件框图。

图6是用于使用卡尔曼滤波器估计导频的方法一实施例流图。

图7是说明使用离线系统标识组件以确定卡尔曼滤波器所需要的参数的框图。

图8是说明离线系统标识操作的实施例框图。

图9是说明到离线系统标识组件和导频估计组件实施例的输入和从其输出的框图。

图10是说明另一离线系统标识操作的实施例框图。

图11是说明到离线系统标识组件和导频估计组件另一实施例的输入和从其输出的框图。

图12是用于配置卡尔曼滤波器以进行稳态操作以估计导频的方法流图。

图13是说明到离线系统标识组件和导频估计组件实施例的输入或从其输出的框图。

图14是导频估计框图，其中滤波被分成其I和Q分量。

详细描述

“示例”一词在此仅用于指“作为示例、实例或说明”。任何在此作为“示例”描述的实施例不一定被理解为最优或优于其他实施例的。虽然实施例的各个方面在附图内示出，但附图不一定是按比例绘制的，除非特别指明。

以下讨论通过首先讨论扩频无线通信系统而展开数据驱动自适应和非自适应导频估计器的示例实施例。移动站的实施例组件是关于提供一导频估计而示出。在估计导频之前，训练导频估计分量。提出关于用于训练导频估计分量的离线系统标识的细节。包括在关于离线系统标识规范内的是基于噪声衰落导频码元的新息(innovation)表示(IR)模型(还被称为Wold模型)的预测误差方法(PEM)的说明和数学推导。在此提出的原理比起其他基于预测误差方法的算法改进了稳定性和群延时性能。讨论生成状态估计并计算新参数的迭代过程。说明用于离线系统表示和实时导频估计的公式。示出几种离线系统标识和实时导频估计的实施例。

值得注意的是示例实施例在该讨论中作为示例；然而其他实施例可以包括各个方面而不偏离本发明的范围。

示例实施例使用扩频无线通信系统。无线通信系统被广泛用于提供各种类型的通信诸如声音、数据等。这些系统可能基于CDMA、TDMA或一些其它的多址技术。CDMA系统提供优于其它类型系统的一定优势包括增加的系统容量。

CDMA系统可能设计成支持一个或多个CDMA标准诸如“TIA/EIA-95-BMobile Station-Base Station Compatibility Standard for Dual-ModeWideband Spread Spectrum Cellular System”(the IS-95 standard)、由名为“第三代合伙人计划”(3GPP)联盟提供的标准，它们体现在一组文档内包括文档号3G TS 25.211、3G TS 25.212、3G TS 25.213以及3G TS 25.214(W-CDMA标准)、由名为“第三代合伙人计划2”(3GPP2)联盟提供的标准，以及在此被称为cdma2000标准的TR-45.5(先前被称为IS-2000MC)。这些标准在此引入作为参考。

每个标准特别定义了从基站传输到移动站以及相反链路上的数据处理。作为示例实施例，以下讨论考虑符合CDMA2000协议标准的扩频通信系统。其他实施例可能包括其他标准。

图1作为支持多个用户的通信系统100的示例，且该系统能实现在此讨论的实施例至少一些方面。多个算法和方法的任何一种可以用于调度系统100内的传输。系统100为多个小区102A-102G提供通信，每个小区由相应的基站104A-104G相应地提供服务。在示例实施例中，基站104的一些由多个接收天线而其它只有一个接收天线。类似地，基站104的一些由多个发射天线，其它只有一个发射天线。对发射天线和接收天线的组合没有限制。因此，基站104可能有多个发射天线和一个接收天线，或有多个接收天线和一个发射天线，或同时有单个或多个发射天线。

覆盖区域内的终端106可能是固定的(即静止的)或移动的。如图1示出，不同终端106散布在系统内。在任何给定时刻在下链路和上链路上，每个终端106与至少一个以及可能更多基站104通信，这取决于例如是否采用软切换或终端是否被设计并用于(进发地或按顺序地)从多个基站接收多个传输。CDMA通信系统内的软切换在领域内是众知的，并在第5101501号美国专利号内详述，题为“Method and system for providing a Soft Handoff in a CDMA CellularTelephone System”，被转让给本发明的受让人。

下行链路指从基站104到终端106的传输，上行链路指从终端106到基站104的传输。在示范实施例中，一些终端106有多个接收天线，其它只有一个接收天线。在图1中，基站104A在下行链路上将数据发射到终端106A和106J，基站104B将数据发射到终端106B和106J，基站104C将数据发射到终端106C等等。

图2是通信系统内基站202和移动站204的框图。基站202与移动站204正在进行无线通信。如上所述，基站202将信号发送到接收信号的移动站204。另外，移动站204还将信号发送到基站202。

图3是说明下行链路302和上行链路304的基站202和移动站204框图。下行链路302指从基站202到移动站204的传输，且上行链路304指从移动站204到基站202的传输。

图4是下行链路302实施例内信道的框图。下行链路302包括导频信道402、同步信道404、寻呼信道406和话务信道408。说明的下行链路信道302只是下行链路一个可能的实施例，且可以理解可以从下行链路302加入或去除其他信道。

虽然未说明，上行链路304还可以包括导频信道。要重复的是提出的第三代(3G)无线无线电电话通信系统中，使用上行链路304导频信道。例如，在当前提出的cdma2000标准中，移动站发送反向链路导频信道(R-PICH)，基站用其进行初始获取、时间跟踪、雷克接收机相干基准恢复以及功率控制测量。因此，在此的系统和方法可以用于估计导频信号是否在下行链路302上还是在上行链路304上。

在一个CDMA标准下，所述标准在电信工业协会的TIA/EIA/IS-95-A双模式宽带扩频蜂窝系统的移动站—基站兼容标准内描述，每个基站202将导频402、同步404、寻呼406和前向话务408信道发送到其用户。导频信道402是由每个基站202连续发送的未经调制的、直接序列导频信号。导频信道402允许每个用户获取由基站202发送的信道定时，并为相干解调提供相位基准。导频信道402还提供基站202间信道强度比较的装置以确定何时在基站202间切换(诸如何时在小区间移动)，

图5说明移动站504的实施例内一定组件框图。一般包括在移动站504内的其他组件可能不是为了集中于在此实施例的新颖特性目的而描述的。移动站504的许多实施例商业上可供使用，因此领域内的技术人员会理解未示出的组件。

如果导频信道402在上行链路304上被发送，则说明的组件可以在基站202内用于估计导频信道。要理解的是在此的发明原理可以与多个组件一起用于估计导频，即该导频正由移动站504、基站202或无线通信系统内任何其他组件接收。因此，移动站504的实施例是系统和方法的示例实施例，但可以理解可以在多种其他情况下使用系统和方法。

回到图5，在天线506处接收扩频信号。扩频信号由天线506被提供给接收机508。接收机508对信号进行下变频并将其提供给前端处理和解扩展组件510。前端处理和解扩展组件510将接收到的导频信号512提供给导频估计组件514。接收到的导频信号512一般包括噪声且通常受到衰落恶化。

前端处理和解扩展组件510还向解调组件518提供话务信道516，所述解调组件518对数据码元解调。

导频估计组件514向解调组件518提供估计的导频信号520。导频估计组件514还将估计的导频信号520提供给其他子系统522。

领域内技术人员可以理解在移动站504处可以发生附加处理。导频估计组件514的实施例在以下将更详细讨论。一般，导频估计组件514用于估计导频信号并通过减少噪声并估计被发送的原始导频信号而清除导频信道。

在此揭示的系统和方法使用卡尔曼滤波器估计导频信号。卡尔曼滤波器是领域内技术人员已知的。简而言之，卡尔曼滤波器是最优递归数据处理算法。卡尔曼滤波器接收与系统相关的数据作为输入，并估计所关注变量的当前值。当前存在许多详细解释卡尔曼滤波器使用的资源。其中一些资源是PaulZarchan和Howard Musoff的“Fundamentals of Kalman Filtering：A PracticalApproach”、Simon Haykin的“Kalman Filtering and Neural Networks”，以及Yaakov Bar-Shalom和X．Rong Li的“Estimation and Tracking：Principles，Techniques And Software”，所有在此被引入作为参考。

图6是用于使用卡尔曼滤波器估计导频的方法实施例流程图600。系统接收基带CDMA信号(602)。前端处理和解扩展组件510实现初始处理和解扩展604。接收到的导频信号然后被提供给导频估计组件514(606)。接收到的导频信号已经被各种影响恶化，包括噪声和衰落。导频估计组件514使用卡尔曼滤波器估计导频信道(608)。在估计导频之后(608)，它被提供给解调组件518(610)以及其他子系统522。

参考图7，在使用导频估计组件514中的卡尔曼滤波器之前，在训练阶段确定卡尔曼滤波器参数。如示出，使用离线系统标识组件702确定卡尔曼滤波器需要的参数。离线训练数据被输入到离线系统标识组件702以确定需要的参数。一旦参数收敛，它们被提供给导频估计组件714以及其卡尔曼滤波器，以处理接收到的导频并实时估计原始导频。在在此揭示的实施例中，离线系统标识组件702被一次用于设定参数。在确定参数之后，系统使用导频估计组件714并不再需要离线系统标识组件702。

一般在端用户使用组件之前使用离线系统标识702。例如，如果系统和方法用于移动站204，当端用户使用移动站204时，204会使用导频估计组件714实时处理导频。离线系统标识组件702在移动站实时操作确定估计导频需要的参数之前被使用。

以下讨论提供关于离线系统标识组件702以及导频估计组件714内进行的计算的细节。领域内技术人员已知的附加细节和推导未包括在此。

在解扩展后接收到的导频复数包络由以下公式给出：

${\tilde{y}}_k={\tilde{s}}_k+{\tilde{v}}_k$ 公式1

公式1内的接收到复数包括用 表示。原始但经衰落的导频信号表示为 噪声分量用 表示。对于单路径移动通信信道，原始导频信号可以由公式2的数学模型表示。对应的噪声分量可以由公式3内的公式表示。

${\tilde{s}}_k={\mathrm{\ρ}}_k{e}^{j{\mathrm{\φ}}_k}{R}_{\mathrm{hh}}\left(\mathrm{\τ}\right)=g_{k}N\sqrt{E_c^p}{R}_{\mathrm{hh}}\left(\mathrm{\τ}\right){\tilde{f}}_k$ 公式2

${\tilde{v}}_k=g_k\sqrt{{\mathrm{NI}}_{\mathrm{oc}}}{\tilde{n}}_k+g_k\sqrt{{\mathrm{NI}}_{\mathrm{or}}}\underset{\mathrm{j\φk}=-\∞,m\≠k}{\overset{+\∞}{\mathrm{\Σ}}}{R}_{\mathrm{hh}}({\mathrm{mT}}_c-\mathrm{\τ}){\tilde{w}}_k$ 公式3

公式2和3内的公式内变量和参数在表格1内给出。

表格1

解调组件518需要导频信号的相位。为了获得该相位，信号可以以包括I和Q分量的形式写出而不是以包络形式写出。在公式4中，

表示包括其I和Q分量的接收到导频。不带任何噪声的衰落导频在公式5中被表示为 总噪声在公式6内被表示为

公式7将衰落说明为

$\tilde{y}=y_I+{\mathrm{jy}}_Q$ 公式4

$\tilde{s}=s_I+{\mathrm{js}}_Q$ 公式5

$\tilde{v}=v_I+{\mathrm{jv}}_Q$ 公式6

$\mathrm{\ρ}{e}^{\mathrm{j\φ}}=f_I+j{f}_Q=\tilde{f}$ 公式7

给出上述公式的关系，不带噪声的衰落后的导频码元可以如公式8和9内示出的写出。

$s_I\left(k\right)=f_I\left(k\right)N\sqrt{E_c^p}{R}_{\mathrm{hh}}\left(\mathrm{\τ}\right)g\left(k\right)$ 公式8

$s_Q\left(k\right)=f_Q\left(k\right)N\sqrt{E_c^p}{R}_{\mathrm{hh}}\left(\mathrm{\τ}\right)g\left(k\right)$ 公式9

领域内的技术人员可以理解Wold分解定理可以用于对时间序列建模。根据Wold分解，时间序列可以被分解成可预测和不可预测分量。时间序列的不可预测分量(在众知的频谱分解条件下)可以用其新息被扩展。观察y_k的Wold展开可以由公式10示出的有限维ARMA模型近似。近似的新息由e_k表示，且假设E(e_k| Y _k-1)＝0。最优估计器可以在公式10上进行扩展，成为公式11、13和16示出的三种形式。e_k表示的近似新息也是预测误差，如公式12内示出。对公式13假设在公式14和公式15中取等号。公式11、13和16是一步预测器的三种不同形式。

-y_k-a₁y_k-1-...-a_ny_k-n＝e_k-d₁e_k-1-...-d_me_k-m           公式10

${-\hat{y}}_k={\hat{y}}_{k|k-1}=E\left(y_k\right|{\underset{\‾}{Y}}_{k-1})=a_1{y}_{k-1}+...+a_n{y}_{k-n}-d_1{e}_{k-1}-...-d_m{e}_{k-m}$ 公式11

$e_k=y_k-{\hat{y}}_{k|}$ 公式12

${-\hat{y}}_k=a_1{\hat{y}}_{k-1}+...+a_n{\hat{y}}_{k-n}+L_1{e}_{k-1}+...+L_m{e}_{k-m}$ 公式13

${\hat{y}}_k={\hat{y}}_{k|k-1}$ 公式14

L_i＝a_i-d_i                                             公式15

${-\hat{y}}_k=d_1{\hat{y}}_{k-1}+...+d_n{\hat{y}}_{k-n}+L_1{y}_{k-1}+...+L_m{y}_{k-m}$ 公式16

公式17-19说明第一阶(令x＝y)的一步预测器。公式17是对应公式11的第一阶一步预测器。公式18是对应公式13的第一阶一步预测器。公式19是对应公式16的第一阶一步预测器。

$-{\hat{x}}_{k+1}=a{\hat{x}}_k+{\mathrm{Le}}_k=\left[\begin{array}{cc}{\hat{x}}_k& e_k\end{array}\right]{\left[\begin{array}{cc}a& L\end{array}\right]}^T$ 公式17

$-{\hat{x}}_{k+1}=a{y}_k-{\mathrm{de}}_k=[y_k-e_k]{\left[\begin{array}{cc}a& d\end{array}\right]}^T$ 公式18

$-{\hat{x}}_{k+1}=d{\hat{y}}_k+{\mathrm{Ly}}_k=\left[\begin{array}{cc}{\hat{y}}_k& y_k\end{array}\right]{\left[\begin{array}{cc}d& L\end{array}\right]}^T$ 公式19

如以上讨论的，在解扩展后接收到的导频复包络由公式20给出。Wold分解还可以在不带噪声S_k的导频信号上完成。对S_k实现Wold分解导致已经改善了群延时的导频的经滤波后的估计。新息(留数(residual)或预测误差)由公式21和22给出。公式21说明S-Wold新息，且公式22说明Y-Wold新息。

y_k＝s_k+v_k                                        公式20

w_k-1＝s_k-E{s_k| S _k-1}                             公式21

e_k＝y_k-E{y_k| Y _k-1}                               公式22产生的有限维近似ARMA模型在公式23和24内示出。公式23说明关于S产生的有限维近似ARMA模型，且公式24说明关于y产生的有限维近似ARMA模型。关于公式23，b₁＝1。

s_k-a₁s_k-1-...-a_ns_k-n＝b₁w_k-1+...+b_nw_k-n         公式23

y_k-a₁y_k-1-...-a_ny_k-n＝e_k-d₁e_k-1-...-d_ne_k-n     公式24

S-Wold和Y-Wold新息由于y_k＝s_k+v_k而有相同的极点。

导频信号的测量模型在以上公式20内示出。这是导频信号的I和Q分量的测量模型。一步超前(ahead)最小均方误差(MMSE)预测器在公式25和26内示出。领域内技术人员已知的解在公式27和28内示出。

${\hat{y}}_k=\underset{{\hat{y}}_k\left({\underset{\‾}{Y}}_{k-1}\right)}{\mathrm{ArgMin}}\left\{E{(y_k-{\hat{y}}_k)}^2\right\}$ 公式25

${\hat{s}}_k=\underset{{\hat{s}}_k\left({\underset{\‾}{Y}}_{k-1}\right)}{\mathrm{ArgMin}}\left\{E{(s_k-{\hat{s}}_k)}^2\right\}$ 公式26

${\hat{y}}_k=E\left\{y_k\right|y_{k-1},...y_k\}=E\{s_k+v_k\left|{\underset{\‾}{Y}}_{k-1}\right\}$ 公式27

${\hat{y}}_k=E\left\{s_k\right|{\underset{\‾}{Y}}_{k-1}\}={\hat{s}}_k$ 公式28

给定Y_k-1，y_k和s_k的一步预测器与先前示出相同，且可以单独从Y-Wold中找到。然而，期望获得 ${\hat{s}}_k^{+}=E\left\{s_k\right|{\underset{\‾}{Y}}_k\}.$ 是带有改善的群延时的真实滤波后估计。

为了获知

的形式的内涵，公式29-31以等价n维状态空间形式表示了ARMA加上测量噪声模型

x_k+1＝Ax_k+Bw_k                                          公式29

s_k＝Cx_k                                                 公式30

y_k＝s_k+v_k＝Cx_k+v_k                                   公式31

系统矩阵B、C和A由以下公式32-34内找到的表达式给出。A是n×n矩阵，B是n×1矩阵，且C是1×n矩阵。关于公式32，b₁值可以被设定为b₁＝1，而不失一般性。

$B=\left(\begin{array}{c}{b}_1\\ \·\\ \·\\ \·\\ b_n\end{array}\right)$ 公式32

C＝(10...0)                                               公式33

公式34

卡尔曼滤波器可以从状态空间模型构建以获得单步预测器 和滤波后估计 该模型的稳态一步预测器卡尔曼滤波器在公式35和36内示出。

项如公式37内示出。观察的新息序列是e_k。真实的滤波后估计 在公式38内示出。s_k ⁺表达式在公式39内示出。公式40和41说明L和K的表达式。

${\hat{x}}_{k+1}=(A-\mathrm{LC}){\hat{x}}_k+{\mathrm{Ly}}_k=A{\hat{x}}_k+L(y-C{\hat{x}}_k)=A{\hat{x}}_k+{\mathrm{Le}}_k$ 公式35

$e_k=y_k-C{\hat{x}}_k=y_k-{\hat{y}}_k$ 公式36

${\hat{x}}_k={\hat{x}}_{k|k-1}=E\left\{x_k\right|y_0,y_1,...y_{k-1}\},{\hat{y}}_k={\hat{s}}_k=C{\hat{x}}_k$ 公式37

${\hat{x}}_k^{+}={\hat{x}}_{k|k}=(I-\mathrm{KC}){\hat{x}}_k+K{y}_k={\hat{x}}_k+K(y_k-C{\hat{x}}_k)={\hat{x}}_k+K{e}_k$ 公式38

$s_k^{+}=C{\hat{x}}_k^{+}=C{\hat{x}}_k+\mathrm{CK}{e}_k=s_k+\mathrm{CK}{e}_k$ 公式39

$L=\frac{a{\mathrm{\Σ}}_{11}}{{\mathrm{\Σ}}_{11}+P_v}$ 公式40

$\frac{L}{a}\stackrel{\mathrm{\Δ}}{=}K$ 公式41

基于S-Wold的自适应提供带有改善群延时的 ，而Y-Wold只给出 ${\hat{y}}_k={\hat{s}}_k.$ 的表达式在公式42内示出，且一 的表达式在公式43内示出。

${\hat{s}}_k^{+}=E\left\{s_k\right|{\underset{\‾}{Y}}_k\}={\hat{s}}_k+\mathrm{CK}{e}_k$ 公式42

$-{\hat{s}}_k=E\left\{s_k\right|{\underset{\‾}{Y}}_{k-1}\}$ 公式43

S-Wold提供模型统计。例如，S-Wold提供信噪比(SNR)。然而Y-Wold不提供模型统计。

对S-Wold的自适应限制用于加强稳定性和性能。S-Wold的自适应限制优于许多其他自适应限制。S-Wold的另一好处是S-Wold允许模型测量噪声相关以部分地补偿建模误差。

由于X-Wold与Y-Wold相关，可以确定 $K={\hat{L}}_n/{\hat{a}}_n.$ 从 $K={\hat{L}}_n/{\hat{a}}_n$ 可以获得估计 ${\hat{s}}_k^{+}={\hat{s}}_k+\mathrm{CK}(y_k-{\hat{s}}_k)=E\left\{s_k\right|Y_k\}.$ 该滤波估计有更好的群延时特性以及更小的估计器误差协方差。

由于X-Wold与Y-Wold相关，且由于使用的是卡尔曼滤波器，可以获得以下的新估计。信号预测误差协方差在公式44内示出。信号滤波后估计误差协方差在公式45内示出。测量噪声功率在公式46内表示。信号功率估计在公式47内示出。

${\mathrm{\Σ}}_{11}=\mathrm{cov}({\hat{s}}_k-s_k)$ 公式44

${\mathrm{\Σ}}_{11}^{+}=\mathrm{cov}({\hat{s}}_k^{+}-s_k)$ 公式45

P_v＝cov(v_k)                           公式46

P_s＝cov(s_k)                           公式47

可以实现新的稳定性和统计一致性测试以改善稳定性和性能。实现的稳定性测试可以确定卡尔曼滤波器和新息模型的极点是否在(1-∈园)内部。性能测试可以加强公式48和49内示出的统计限制，用于改善的在线使用。

$d_n\·\stackrel{\‾}{L_n}>0$ 公式48

$K_1=\frac{{\mathrm{\&Sigma;}}_{11}}{{\mathrm{\&Sigma;}}_{11}+R}=\frac{{\mathrm{\&Sigma;}}_{11}^{+}}{R}<K_{\max }<1$ 公式49

导频估计组件714用于接收有噪声且经衰落的接收到导频信号作为输入，用于生成导频信号的估计。卡尔曼滤波器可以用于实时估计导频。在训练状态下，卡尔曼滤波器在训练数据上被训练。参数估计组件如下讨论地估计参数，并将参数提供给卡尔曼滤波器。卡尔曼滤波器使用参数并将状态估计提供给参数估计组件。示出的过程经迭代直到卡尔曼滤波器的参数收敛。

前述的推导和原理可以用于增强基于预测误差方法的算法以改善稳定性和群延时性能。以下实施例说明在此提出的发明原理的应用。领域内的技术人员可以理解在此的发明原理还可以被应用于许多其他环境和应用以改善稳定性和群延时性能。

图8-9是说明对以下论文的修改和改进的框图，所述论文是FarrokhAbrishamkar等人的“Method and Apparatus For Pilot Estimation Using aPrediction Error Method With A Kalman Filter And Pseudo-LinearRegression”，代理人号为020201，在此被包括作为参考。

图8是说明离线系统标识(SID)操作802的框图。图8的实施例使用预测误差方法(PEM)和伪线性回归(PLR)。离线系统标识802是非自适应的。初始参数被提供给卡尔曼滤波器806以生成状态估计。另外，训练数据(Y₁，Y₂，...Y_N)还被提供给卡尔曼滤波器806。在有初始参数和训练数据情况下，卡尔曼滤波器806生成状态估计 ${\underset{\&OverBar;}{\overset{^}{X}}}_N=\{{\hat{x}}_0,...,{\hat{x}}_N\}.$ 新状态估计被提供给最大似然(ML)参数估计组件810。最大似然参数估计组件810使用图8示出的等式计算新参数值。形成状态空间模型，且卡尔曼滤波器806生成新序列状态估计。卡尔曼滤波器806和最大似然参数估计组件810继续操作直到参数收敛。

在图8的实施例中，训练长度为导频码元记录。另外，导频码元序列可以调谐到目标速度以及选择环境。

图9是说明到离线系统标识组件802和导频估计组件914的输入以及来自其输出的框图。如所注明，使用伪线性回归(PLR)。离线系统标识组件802被提供以训练样本 Y _N以及初始条件 和

。系统标识组件802以迭代方式操作，如上所述，直到必要的参数收敛。在系统标识组件802完成训练后，它(802)向导频估计组件914提供状态、参数和初始条件。导频估计组件914包括实时操作的卡尔曼滤波器806。因此，在该级，给定接收导频时，卡尔曼滤波器806不再训练作为输入而是用于估计导频。

如上所述，导频估计组件914使用卡尔曼滤波器估计导频。实时操作的卡尔曼滤波器806的计算在图9内输出。卡尔曼滤波器806被提供了在线接收到的导频码元并估计导频。如示出，卡尔曼滤波器806为导频信号的I和Q分量生成估计。

图10-11是说明对以下论文的修改和改进的框图，所述论文是FarrokhAbrishamkar等人的“Method and Apparatus For Pilot Estimation using APrediction Error Method With A Kalman Filter And A Gauss-NewtonAlgorithm”，代理人号为020205，在此被包括作为参考。

图10是说明另一离线标识操作1002的实施例框图。使用高斯-牛顿(GN)算法。初始参数被提供给卡尔曼滤波器1006以生成状态估计。另外，还向卡尔曼滤波器1006提供训练数据(Y₁，Y₂，...Y_N)。在有初始参数和训练数据情况下，卡尔曼滤波器1006根据上述公式生成状态估计 ${\underset{\&OverBar;}{\overset{^}{X}}}_N=\{{\hat{x}}_0,...,{\hat{x}}_N\}.$ 新状态估计被提供给最大似然(ML)参数估计组件1010。

最大似然参数估计组件1010使用图10示出的等式计算新参数值。形成状态空间模型，且卡尔曼滤波器1006生成新序列状态估计。如果 $\left|\hat{d}\right|<1,$ 则参数调整组件1011可以根据图10内的参数调整组件1011内示出的公式调整参数θ。卡尔曼滤波器1006和最大似然参数估计组件1010继续操作直到参数收敛。

在图10的实施例内，运行训练长度为导频码元记录。另外，导频码元序列可以调谐到目标速度以及选择环境。

图11是说明到离线系统标识组件1002和导频估计组件1114的输入以及来自其输出的框图。使用高斯牛顿(GN)算法。离线系统标识组件1002被提供以训练采样 Y _N以及初始条件

系统标识组件1002以迭代方式操作，如上所述，直到必要的参数收敛。在系统标识组件1002完成训练后，它(1002)向导频估计组件1114提供状态、参数和初始条件。导频估计组件1114包括实时操作的卡尔曼滤波器1006。因此，在该级，给定接收的导频作为输入时，卡尔曼滤波器1006不再训练，而是用于估计导频。

如上所述，导频估计组件1114使用卡尔曼滤波器估计导频。实时操作的卡尔曼滤波器1006的计算在图11内输出。卡尔曼滤波器1006被提供以在线接收到导频码元并估计导频。如示出，卡尔曼滤波器1006为导频信号的I和Q分量生成估计。

图12是用于为稳态操作配置卡尔曼滤波器以估计导频的方法流图。训练样本被提供给离线系统标识组件702(1202)。参数被初始化(1204)。另外，状态被初始化1206。然后使用卡尔曼滤波器以生成新状态估计(1208)。使用参数估计组件生成新参数1210。生成步骤1208、1210被重复(1212)直到滤波器和参数收敛。领域内的技术人员可以理解各种确定滤波器和参数已经收敛的方式。在系统完成训练滤波器之后，收敛的参数被提供给在线稳态(实时)卡尔曼滤波器操作(1214)。

图13是说明到离线系统标识组件1302和导频估计组件1314一般实施例的输入以及来自其输出的框图。离线系统标识组件1302被提供以训练样本 Y _N以及初始条件

系统标识组件1302以迭代方式操作，如上所述，直到必要的参数收敛。在系统标识组件1302完成训练后，它(1302)向导频估计组件1314提供状态、参数和初始条件。导频估计组件1314包括实时操作的卡尔曼滤波器。如在此描述的，给定作为输入，接收的导频导频估计组件1314估计导频。

如上所述，导频估计组件1314使用卡尔曼滤波器估计导频。示出并在以上讨论实时操作的卡尔曼滤波器1006和参数估计和调整的计算。卡尔曼滤波器1006被提供以在线接收到导频码元并估计导频。如示出，卡尔曼滤波器为导频信号的I和Q分量生成估计。

图14是导频估计的框图，其中滤波器被分成I和Q分量。系统标识组件702如上所述使用预测误差方法向稳态卡尔曼预测器/纠正器(新息形式)714提供初始条件。如示出，I分量的处理类似于Q分量的处理。特定组件被提供给卡尔曼预测器714。卡尔曼预测器714为该分量生成估计的导频。导频估计然后被提供给解调组件518以及其他子系统522。

使用卡尔曼预测器估计导频信号可以用于许多不同类型情况。一种卡尔曼预测器可能有用的情况是用户以高速移动情况。例如，如果用户在子弹头列车上，其火车上的速度可以达到大致500公里/小时。在该情况下使用卡尔曼预测器估计导频信号可以提供优于其他当前使用的方法的结果。

本领域内的技术人员可以理解信息和信号可能使用各种不同的科技和技术表示。例如，上述说明中可能涉及的数据、指令、命令、信息、信号、比特、码元和码片最好由电压、电路、电磁波、磁场或其粒子、光场或其粒子、或它们的任意组合来表示。

本领域的技术人员还可以理解，这里揭示的结合这里描述的实施例所描述的各种说明性的逻辑框、模块、电路和算法步骤可以用电子硬件、计算机软件或两者的组合来实现。为清楚地说明硬件和软件的可互换性，各种说明性的组件、方框、模块、电路和步骤一般按照其功能性进行阐述。这些功能性究竟作为硬件或软件来实现取决于特定的应用和整个系统所施加的设计约束。技术人员可以以多种方式对每个特定的应用实现描述的功能，但该种实现决定不应引起任何从本发明范围的偏离。

各种用在此的说明性实施例揭示的逻辑框、模块和电路的实现或执行可以用：通用处理器、数字信号处理器(DSP)或其它处理器、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、离散门或晶体管逻辑、离散硬件组件或任何以上的组合以实现在此描述的功能。通用处理器最好是微处理器，然而或者，处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器可以实现为计算设备的组合，例如DSP和微处理器的组合、多个微处理器、一个或多个结合DSP内核的微处理器或任何该种配置。

在此用实施例揭示的方法步骤或算法可能直接在硬件内、处理器执行的软件模块或两者的组合内执行。软件模块可以驻留于RAM存储器、快闪(flash)存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动盘、CD-ROM、或本领域中已知的其它任意形式的存储介质中。一示范存储介质最好耦合到处理器使处理器能够从存储介质读取写入信息。或者，存储介质可能整合到处理器。处理器和存储介质可驻留于专用集成电路ASIC中。ASIC可以驻留于用户终端内。或者，处理器和存储介质可以驻留于用户终端的离散元件中。

上述优选实施例的描述使本领域的技术人员能制造或使用本发明。这些实施例的各种修改对于本领域的技术人员来说是显而易见的，这里定义的一般原理可以被应用于其它实施例中而不使用创造能力。因此，本发明并不限于这里示出的实施例，而要符合与这里揭示的原理和新颖特征一致的最宽泛的范围。

Claims (51)

1.在无线通信系统内，一用于估计原始导频信号的方法，所述方法包括：

接收CDMA信号；

对所述CDMA信号解扩展；

从所述CDMA信号获得导频信号；以及

使用包括卡尔曼滤波器的导频估计器估计原始导频信号以生成导频估计，其中所述卡尔曼滤波器通过使用基于原始导频信号的新息表示的预测误差方法而确定。

2.如权利要求1所述的方法，其特征在于所述CDMA信号在下行链路上被发送，且所述下行链路包括导频信道。

3.如权利要求1所述的方法，其特征在于所述CDMA信道在上行链路上被发送，且其中所述上行链路包括导频信道。

4.如权利要求1所述的方法，其特征在于还包括解调导频估计。

5.如权利要求1所述的方法，其特征在于所述卡尔曼滤波器由离线系统标识过程配置。

6.如权利要求1所述的方法，其特征在于所述卡尔曼滤波器配置为用于改善的群延时。

7.如权利要求6所述的方法，其特征在于所述卡尔曼滤波器进一步被配置为用于计算真实的滤波后估计。

8.如权利要求7所述的方法，其特征在于所述卡尔曼滤波器还用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}={\hat{x}}_k+\frac{\hat{L}}{\hat{a}}{e}_k$

9.如权利要求7所述的方法，其特征在于所述卡尔曼滤波器还被配置为用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}=(1-\frac{{\hat{L}}_k}{{\hat{a}}_k}){\hat{x}}_k+\frac{{\hat{L}}_k}{{\hat{a}}_k}{y}_k$

10.如权利要求8所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和伪线性回归计算参数，并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

11.如权利要求10所述的方法，其特征在于所述参数根据下式计算：

$\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{\widehat{\mathrm{\&phi;}}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{y}_k\right)$

12.如权利要求8所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

13.如权利要求12所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{\mathrm{\&psi;}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{e}_k\right)$

14.如权利要求12所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

15.如权利要求14所述的方法，其特征在于还包括在实时操作中更新所述参数。

16.如权利要求9所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

17.如权利要求16所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

18.如权利要求17所述的方法，其特征在于还包括在实时操作中更新所述参数。

19.在用于无线通信系统内的移动站，一用于估计原始导频信号的方法，其特征在于包括：

接收CDMA信号；

对所述CDMA信号解扩展；

从所述CDMA信号获得导频信号；以及

使用包括卡尔曼滤波器的导频估计器估计原始导频信号以生成导频估计，其中所述卡尔曼滤波器通过使用基于原始导频信号的新息表示的预测误差方法而确定。

20.如权利要求19所述的方法，其特征在于所述CDMA信号在下行链路上被发送，且所述下行链路包括导频信道。

21.如权利要求19所述的方法，其特征在于还包括解调导频估计。

22.如权利要求19所述的方法，其特征在于所述卡尔曼滤波器由离线系统标识过程配置。

23.如权利要求19所述的方法，其特征在于所述卡尔曼滤波器被配置为用于改善的群延时。

24.如权利要求23所述的方法，其特征在于所述卡尔曼滤波器进一步被配置为用于计算真实的滤波后估计。

25.如权利要求24所述的方法，其特征在于所述卡尔曼滤波器还被配置为用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}={\hat{x}}_k+\frac{\hat{L}}{\hat{a}}{e}_k$

26.如权利要求24所述的方法，其特征在于所述卡尔曼滤波器还被配置为用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}=(1-\frac{{\hat{L}}_k}{{\hat{a}}_k}){\hat{x}}_k+\frac{{\hat{L}}_k}{{\hat{a}}_k}{y}_k$

27.如权利要求25所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和伪线性回归计算参数，并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

28.如权利要求27所述的方法，其特征在于所述参数根据下式计算：

$\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{\widehat{\mathrm{\&phi;}}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{y}_k\right)$

29.如权利要求25所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代的实现直到卡尔曼滤波器收敛。

30.如权利要求29所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{\mathrm{\&psi;}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{e}_k\right)$

31.如权利要求29所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

32.如权利要求31所述的方法，其特征在于还包括在实时操作期间更新所述参数。

33.如权利要求26所述的方法，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

34.如权利要求33所述的方法，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

35.如权利要求34所述的方法，其特征在于还包括在实时操作期间更新所述参数。

36.一用于无线通信系统内的移动站，其中所述移动站被配置为用于估计原始导频信号，其特征在于所述移动站包括：

用于接收CDMA信号的天线；

与所述天线进行电子通信的接收机；

前端处理和解扩展组件，所述组件与对所述CDMA信号解扩展的接收机进行电子通信；

与所述前端处理和解扩展组件电子通信的导频估计组件，用于使用包括卡尔曼滤波器的导频估计器估计原始导频信号以生成导频估计，其中所述卡尔曼滤波器通过使用基于原始导频信号的新息表示的预测误差方法而确定；以及

与导频估计组件和前端处理和解扩展组件进行电子通信的解调组件，用于向移动站提供已解调数据码元。

37.如权利要求36所述的移动站，其特征在于所述接收机接收在下行链路上被发送的CDMA信号，且其中所述下行链路包括一导频信道。

38.如权利要求36所述的移动站，其特征在于所述卡尔曼滤波器由离线系统标识过程配置。

39.如权利要求38所述的移动站，其特征在于所述卡尔曼滤波器被配置为用于改善的群延时。

40.如权利要求39所述的移动站，其特征在于所述卡尔曼滤波器进一步被配置为用于计算真实的滤波后估计。

41.如权利要求40所述的移动站，其特征在于所述卡尔曼滤波器还被配置为用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}={\hat{x}}_k+\frac{\hat{L}}{\hat{a}}{e}_k$

42.如权利要求40所述的移动站，其特征在于所述卡尔曼滤波器还被配置为用于根据下式计算真实的滤波后估计：

${\hat{x}}_k^{+}=(1-\frac{{\hat{L}}_k}{{\hat{a}}_k}){\hat{x}}_k+\frac{{\hat{L}}_k}{{\hat{a}}_k}{y}_k$

43.如权利要求41所述的移动站，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和伪线性回归计算参数，并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

44.如权利要求41所述的移动站，其特征在于所述参数根据下式计算：

$\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{\widehat{\mathrm{\&phi;}}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&phi;}}}_{k-1}^T{y}_k\right)$

45.如权利要求41所述的移动站，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

46.如权利要求45所述的移动站，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{\mathrm{\&psi;}}_{k-1}\right)}^{-1}\left(\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{k-1}^T{e}_k\right)$

47.如权利要求45所述的移动站，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

48.如权利要求47所述的移动站，其特征在于还包括在实时操作期间更新所述参数。

49.如权利要求42所述的移动站，其特征在于所述离线系统标识过程包括：

提供训练样本；以及

使用预测误差方法和高斯牛顿算法计算参数并使用卡尔曼滤波器生成状态估计，其中所述计算和生成被迭代地实现直到卡尔曼滤波器收敛。

50.如权利要求49所述的移动站，其特征在于所述参数根据下式计算：

$\mathrm{\&Delta;}\widehat{\mathrm{\&theta;}}={\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{\mathrm{\&psi;}}_{t-1}\right)}^{-1}\left(\frac{1}{k}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{t-1}^T{e}_t\right)$

51.如权利要求50所述的移动站，其特征在于还包括在实时操作期间更新所述参数。

Images