CN1798120A - 改进的盲snr估计 - Google Patents

Abstract

一种用于估计包括数据符号分量(s_n)和噪声分量(n_n)的调制通信信号(r_n)的信噪比(SNR)(γ)的方法，其特征在于从数据辅助最大似然估计得到调制通信信号的中间SNR值(

)，辅助数据不是预先已知的，而是从调制通信信号(r_n)的采样重新构造的，以及通过中间SNR值(

)的可控非线性转换来确定估计SNR值(

)。该方法允许即使对于较低的处理采样数量，也以高精确度进行SNR估计。

Description

改进的盲SNR估计

技术领域

本发明涉及一种用于估计包括数据符号分量(s_n)和噪声分量(n_n)的调制通信信号(r_n)的信噪比(SNR)(γ)的方法。

背景技术

D.R.Pauluzzi和N.C.Beaulieu在IEEE Trans.Comm.Vol.48，No.10，P.1681-1691(2000年10月)中给出了SNR估计技术的概述。

为提供先进的移动无线电模块的最佳功能，需要有对调制通信信号的精确的信噪比(SNR)估计。在物理层上，SNR值在最大比合并和涡轮译码(turbo-decoding)中使用。在更高层上，SNR值在呼叫建立、宏分集和切换控制中使用。

在具有变化的SNR的环境中，例如移动无线电网络中，SNR值的确定必须相当快。

SNR值γ定义为信号功率与噪声功率的比值，即

SNR估计可以通过数据辅助(DA)或非数据辅助(NDA)来完成。后者通常被称为“盲”估计。

在数据辅助SNR估计的情况下，预先已知一组采样(一个采样典型地对应于一个比特)。在传输该组采样之后，借助于数据辅助最大似然估计，将接收数据和原始数据进行比较。已知的该组采样可以是前导序列或训练序列。

如果传输的该组采样不是预先已知的，则必须应用盲估计算法。已知的盲SNR估计算法包括：

a)标准接收数据辅助(RDA)最大似然SNR估计(见例如D.Pauluzzi和N.Beaulieu在2000年10月的IEEE Trans.Comm.，Vol.48，No.10，pp.1681-1691所给出的内容)，

b)迭代SNR估计(见例如B.Li等人在2002年11月的IEEECommun.Lett.Vol 6，No 11，pp.469-471所给出的内容)，以及

c)峰度(Kurtosis)SNR估计(见例如R.Matzner，K.Letsch在1994年10月的Proc.IEEE-IMS Workshop on Information Theory andStatistics，Alexandria/VA，USA，p.68ff所给出的内容)。

然而，这些已知算法对于较低的采样数量是相当不精确的。此外，特别地，迭代SNR估计是麻烦且耗时的。

发明内容

本发明的目的是提供一种用于对调制通信信号进行稳健的SNR估计的方法，其中该方法即使对于较低的处理采样数量也具有高精确度。

该目的是通过如在开始所介绍的一种方法来实现的，该方法的特征在于，从数据辅助最大似然估计得到调制通信信号的中间SNR值

该辅助数据不是预先已知的，而是从调制通信信号(r_n)的采样重新构造的，以及通过该中间SNR值

的可控非线性转换来确定估计SNR值

本发明方法借助于中间SNR值的转换来估计调制通信信号的SNR。通过调制通信信号的标准RDA最大似然SNR估计获得该中间SNR值。该中间SNR值

来自于真实SNR值γ。特别地，对于真实SNR值γ的较小值，即γ→0， 比γ大得多。这个偏差通过中间SNR值的可控非线性转换得以补偿。

可控非线性转换可以借助于一个转换表来完成，该转换表基于实验上所预定的

和γ之间的相互关系。然而，优选的是在数学上建立 和γ之间相互关系的模型并且使用该模型化的相互关系进行转换。为建立模型，可以使用有关调制通信信号的特性的信息和/或对于调制通信信号特性的适当假设。特别地，应当知道调制的类型。已经发现，由二进制相移键控(BPSK)调制的信号可以通过本发明的方法很好地处理。另外，调制通信信号中的噪声的类型通常可以假设为具有高斯(Gaussian)分布。

借助于在一个宽的SNR范围上获得的高度精确且稳健的估计SNR值，如通过本发明所确定的那样，可以改进接收机的性能，反过来可以虑及例如在网络规划中裕量的困扰，特别是在低UL/DL传输功率需求以及基站(节点B等)之间较大距离的情况下。

一种很优选的本发明方法的变体，其特征在于可控非线性转换由修正函数Ψ^-1来执行，可表示为 ${\widehat{\mathrm{\γ}}}_{\mathrm{RAD}-\mathrm{ER}}={\mathrm{\Ψ}}^{-1}\left({\widehat{\mathrm{\γ}}}_{\mathrm{RDA}}\right),$ 其中修正函数Ψ^-1是估计偏差函数Ψ的反函数，而估计偏差函数Ψ近似于与

和γ的偏差相关的真实偏差函数Ψ_true，即 ${\widehat{\mathrm{\γ}}}_{\mathrm{RDA}}={\mathrm{\Ψ}}_{\mathrm{true}}\left(\mathrm{\γ}\right)$ 及Ψ(γ)≈Ψ_true(γ)。典型地，估计偏差函数由一个数学模型来确定。其反函数，即修正函数，可以通过在坐标系中第一象限的平分线处映射估计偏差函数来得到。如果估计偏差函数足够简单，则也可以解析地计算出其反函数。通过设定估计偏差函数等于中间SNR信号，可以计算出估计偏差函数Ψ(γ)，而该中间SNR信号为调制通信信号的估计信号功率与估计噪声功率的比。因而估计信号功率和估计噪声功率必须表示为γ的函数，其中后者需要适当的假设，例如要处理无限采样数量。

在本方法的优选的又一改进中，选择Ψ，使得对于大数目的N，即N→∞，Ψ(γ)＝Ψ_true(γ)，其中N是处理的调制通信信号(r_n)的采样的数量。然后将以此方式得到的估计偏差函数也应用于具有有限采样数量的数据。在许多情况下，特别是具有BPSK调制和高斯噪声分布的情况下，对于N→∞，可以精确地确定Ψ_true(γ)。在可利用足够大的采样数量时，在大多数实际情况下证明后者的假设是有效的。特别地，100个或更多的采样数量是足够的。

在本发明方法的所述变体的又一优选改进中， $\mathrm{\Ψ}\left(\mathrm{\γ}\right)=\frac{1}{\frac{\mathrm{\γ}+1}{{(\sqrt{\mathrm{\γ}}\mathrm{erf}\left(\sqrt{\frac{\mathrm{\γ}}{2}}\right)+\sqrt{\frac{2}{\mathrm{\π}}}{e}^{-\frac{\mathrm{\γ}}{2}})}^2}-1}.$ Ψ(γ)的该选择，在调制通信信号的BPSK调制的情况下，给出了高精度的结果。

在该变体的一个有利改进中，借助于一个近似表来应用Ψ^-1。近似表提供对表中列出的修正函数的值的非常快速的访问。可选择地，也可以对修正函数的值进行在线的数值计算或解析计算，但会更加耗时。

进一步优选的所述变体的一种改进，其中 $\mathrm{\Ψ}\left(\mathrm{\γ}\right)={\mathrm{\Ψ}}_{\mathrm{HA}}\left(\mathrm{\γ}\right)=\sqrt{{\mathrm{\γ}}^2+{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}.$ 在BPSK调制的情况下，该双曲线函数是Ψ_true(γ)的良好近似。它的反函数可以直接计算为 ${{\mathrm{\Ψ}}_{\mathrm{HA}}}^{-1}\left(\mathrm{\γ}\right)=\sqrt{{\mathrm{\γ}}^2-{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}$ (对于 $\mathrm{\γ}\≥\frac{2}{\mathrm{\π}-2}$ )，和Ψ_HA ^-1(γ)＝0(对于 $\mathrm{\γ}\≤\frac{2}{\mathrm{\π}-2}$ )。因此，可以解析地得到修正函数，简化并加速对估计SNR值

的确定。

在本发明方法的另一个变体中，处理的调制通信信号(r_n)的采样的数量N等于或小于500，优选地等于或小于100。在这些情况下，本发明方法已经提供了高精度的估计SNR值，而已知方法表现出较差的精度。对于较高的N值，例如N为1000或更大，值得提及，本发明方法典型地利用更少的努力提供了与已知方法同样精度的估计SNR值。

在本发明的范围内还有一种计算机程序，用于根据本发明的方法估计调制通信信号(r_n)的信噪比(γ)。该计算机程序可以存储到存储介质上，特别是硬盘或是便携式存储介质例如光盘。

本发明还包括一种接收机系统，用于根据本发明的方法估计调制通信信号(r_n)的信噪比(γ)。该接收机系统包括一个接收机单元。该接收机单元可以接收由例如无线电或光纤线路进行的传输中传输的信号。本发明的方法可以直接地关于接收的传输信号即在接收机单元中执行。可选择地，本发明的方法可以在接收的传输信号的信道译码例如涡轮译码之后应用。在后面的情况中，该方法利用“软”信号执行。

最后，本发明还实现于一种设备，特别是基站或移动台，该设备包括如上所述的本发明的计算机程序和/或本发明的接收机系统。一种典型的移动台是移动电话。本发明的设备可以是3G或B3G网络的一部分，特别是UMTS网络或WLAN网络的一部分。

从说明书和附图，可以提取出更多的优势。以上及以下描述的特征可以根据本发明独立地或以任何组合共同地来使用。所述的实施方式不应理解为是无遗漏的列举，而应理解为具有用于描述本发明的示例性特征。

附图说明

在附图中示出了本发明，其中：

图1示出了利用本发明方法的具有噪声信道的二进制传输系统；

图2示出了根据本发明用于BPSK真实信道的估计偏差函数Ψ(γ)和近似于该估计偏差函数的双曲线函数Ψ_HA(γ)以及它们的反函数的图；

图3a示出了对于标准RDA最大似然SNR估计(现有技术)、本发明的RDA-ER和本发明的RDA-ERHA，作为真实SNR值的函数所绘出的关于真实SNR值的估计SNR值的标准均方差的示图，其中每个SNR估计有100个处理采样；

图3b示出了对应于图3a的示图，其中每个SNR估计有1000个采样；

图4a示出了对于标准RDA最大似然SNR估计(现有技术)、本发明的RDA-ER、迭代方法(现有技术)和峰度方法(现有技术)，作为真实SNR值的函数所绘出的关于真实SNR值的估计SNR值的标准均方差的示图，其中每个SNR估计处理有100个处理采样；

图4b示出了对应于图4a的示图，其中每个SNR估计有1000个处理采样。

具体实施方式

本发明处理对诸如无线电话网的传输系统中的SNR值的估计。在图1中示意性地示出了利用本发明的传输系统。在一个源S处，生成二进制数据。该二进制数据可以包含例如电话呼叫的信息。该二进制数据由大量比特b_n组成，其中n为比特的索引号码，从0到N-1，其中N为二进制数据的比特总数。每个比特可以具有0或1的值。为传输二进制数据，在一个调制器M中对该二进制数据进行调制。一种典型的调制是二进制相移键控(BPSK)调制，得到+1或-1的数据符号分量s_n的值。在数据符号分量s_n的物理传输中，典型地应用一个载波频率，将s_n以系数α放大。而且，由信道将噪声n_n叠加到放大的数据符号分量α·s_n。该放大系数α和噪声水平最初是未知的。从而整个地生成一个调制通信信号r_n＝α·s_n+n_n，并且为在接收机系统中的检测做好准备。接收机系统可以是例如移动电话的一部分。在物理传输期间，其他数据符号分量可以在其他的频率范围和/或在其他(扩频)编码范围内同时传输。在本文中可以忽略这些其他数据符号分量，虽然它们可能会对噪声分量n_n有影响。

以下，假设BPSK调制，以及假设真实信道具有高斯型的噪声概率密度函数(PDF)：

$p\left(n_n\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{n_n}^2}{2{\mathrm{\σ}}^2}},$

其中σ为标准偏差或噪声振幅。然而，根据本发明可以是其他的信号特性。

在进行数据辅助(DA)最大似然SNR估计时，如下计算具有已知“导频”s_n的估计振幅

该已知“导频”s_n即一组N个已知数据符号分量值：

$\widehat{\mathrm{\α}}=E\left\{\frac{r_n}{s_n}\right\}=\frac{1}{N}\underset{n=0}{\overset{n-1}{\mathrm{\Σ}}}\frac{r_n}{s_n}=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_n{s}_n,$

其中s_n＝{+1，-1}。应该注意，在值上面的帽子^表示估计值，以及E是确定其输入值的平均值的估计运算。所估计的噪声功率 (二阶矩)计算如下：

${\widehat{\mathrm{\σ}}}^2=E\left\{{(r_n-\widehat{\mathrm{\α}}{s}_n)}^2\right\}=E\left\{r_n^2\right\}-{\widehat{\mathrm{\α}}}^{2}E\left\{s_n^2\right\}=\frac{1}{N-\mathrm{\ν}}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{(r_n-\widehat{\mathrm{\α}}{s}_n)}^2,$

其中ν为一个常数，可以根据文献(D.R.Pauluzzi，N.C.Beaulieu，l.c.)如下进行选择：对σ²的最大似然估计：ν＝0；对σ²的无偏(Biaselimination)估计：ν＝1；对σ²的最小MSE估计：ν＝-1；对γ的无偏估计：ν＝3；对Y的最小MSE估计：ν＝5。于是数据辅助SNR估计的结果为：

${\widehat{\mathrm{\γ}}}_{\mathrm{DA}}=\frac{{\widehat{\mathrm{\α}}}^2}{{\widehat{\mathrm{\σ}}}^2}=\frac{{\left(\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_n{s}_n\right)}^2}{\frac{1}{N-\mathrm{\ν}}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r_n}^2-\frac{1}{N(N-\mathrm{\ν})}{\left(\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_n{s}_n\right)}^2}=\frac{(N-\mathrm{\ν})}{N}{\widehat{\mathrm{\γ}}}_{\mathrm{\ν}=0}.$

在“盲”的情况下，即接收数据辅助(RDA)最大似然SNR估计的情况下，等同于一阶绝对矩，基于接收机决策来估计“导频”。估计的放大系数

计算如下：

$\widehat{\mathrm{\α}}=E\left\{r_n{\hat{s}}_n\right\}=E\left\{r_n\mathrm{signum}\left(r_n\right)\right\}=E\left\{\right|r_n\left|\right\}=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}\left|r_n\right|.$

相应地(比较上述DA)估计噪声功率。因而，估计SNR值为：

${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}=\frac{{\left(\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}\right|r_n\left|\right)}^2}{\frac{1}{N-\mathrm{\ν}}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{r_n}^2-\frac{1}{N(N-\mathrm{\ν})}{\left(\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}\right|r_n\left|\right)}^2}.$

从文献可以得知，该 值是标准RDA最大似然SNR估计的结果。

然而，通过使用估计的数据符号分量值 而不是真实的数据符号分量值s_n，就引入了误差。对于足够大的SNR值γ，

非常好地接近于γ，但是对于小的γ值，估计值

太大。

根据本发明，设定 值等于估计偏差函数Ψ(γ)。为此，将

项表达为真实SNR值γ的函数，需要一些近似和假设：

$\widehat{\mathrm{\α}}=E\left\{\right|r_n\left|\right\}=E\{\mathrm{\α}+|n_n\left|\right\}=\frac{1}{\mathrm{\α}}\sqrt{\frac{2}{\mathrm{\π}}}\underset{0}{\overset{\∞}{\∫}}\mathrm{\ρ}{e}^{-\frac{{\mathrm{\ρ}}^2+{\mathrm{\α}}^2}{2{\mathrm{\σ}}^2}}\cosh \left(\frac{\mathrm{\α}}{{\mathrm{\σ}}^2}\mathrm{\ρ}\right)\mathrm{dp}=\mathrm{\αerf}\left(\sqrt{\frac{\mathrm{\γ}}{2}}\right)+\mathrm{\σ}\sqrt{\frac{2}{\mathrm{\π}}}{e}^{-\frac{\mathrm{\γ}}{2}}$

${\widehat{\mathrm{\α}}}^2+{\widehat{\mathrm{\σ}}}^2=E\left\{r_n^2\right\}=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\underset{0}{\overset{\∞}{\∫}}\sqrt{\mathrm{\υ}}{e}^{-\frac{\mathrm{\υ}+{\mathrm{\α}}^2}{2{\mathrm{\σ}}^2}}\cosh \left(\frac{\mathrm{\α}}{{\mathrm{\σ}}^2}\sqrt{\mathrm{\υ}}\right)\mathrm{d\υ}={\mathrm{\α}}^2+{\mathrm{\σ}}^2$

${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}=\frac{{\widehat{\mathrm{\α}}}^2}{{\widehat{\mathrm{\σ}}}^2}=\frac{{\left(E\right\{\left|r_n\right|\left\}\right)}^2}{E\left\{r_n^2\right\}-{\left(E\right\{\left|r_n\right|\left\}\right)}^2}=\frac{1}{\frac{E\left\{r_n^2\right\}}{{\left(E\right\{\left|r_n\right|\left\}\right)}^2}-1}=\frac{1}{\frac{\mathrm{\γ}+1}{{\left(\sqrt{\mathrm{\γ}}\mathrm{erf}\left(\sqrt{\frac{\mathrm{\γ}}{2}}\right)+\sqrt{\frac{2}{\mathrm{\π}}}{e}^{-\frac{\mathrm{\γ}}{2}}\right)}^2}-1}\stackrel{\mathrm{\Δ}}{=}\mathrm{\Ψ}\left(\mathrm{\γ}\right)$

特别地，在此计算中引入了如在开始时定义的一维高斯型噪声PDF，并且基于BPSK调制(用索引BPSK1表示，其中“1”代表真实信道及其噪声的一维性)。

根据本发明，将标准RDA最大似然估计的结果 用作估计SNR值

的实际计算的开始点。为此，将 称为中间SNR值。 的“ER”索引表示一个扩展的范围，即本发明应用的改进范围。为计算

确定估计偏差函数Ψ(γ)的反函数Ψ^-1，并且将中间SNR值

赋值给Ψ^-1，其中：

${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}-\mathrm{ER}}={\mathrm{\Ψ}}^{-1}\left({\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}\right).$

应该注意对于 $x\≤\frac{2}{\mathrm{\π}-2},$ Ψ^-1(x)＝0。由于根据γ来表达 需要进行假设和简化，所以 ${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}=\mathrm{\Ψ}\left(\mathrm{\γ}\right)$ 的相互关系只是对真实且精确的相互关系 ${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}={\mathrm{\Ψ}}_{\mathrm{true}}\left(\mathrm{\γ}\right)$ 的一种近似。根据本发明，Ψ(γ)越接近Ψ_true(γ)，估计SNR值

就越精确。

在真实信道上的BPSK的上述计算情况中，估计偏差函数Ψ不能被转化(invert)为显式(closed form)反函数，所以数值计算是必需的。然而，为了简化，可以将估计偏差函数Ψ通过一个容易转化的双曲线函数Ψ_HA来近似：

$\mathrm{\Ψ}\left(x\right)\≈{\mathrm{\Ψ}}_{\mathrm{HA}}\left(x\right)=\sqrt{x^2+{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}$

对于 $x\≥\frac{2}{\mathrm{\π}-2},{\mathrm{\Ψ}}^{-1}\left(x\right)\≈{\mathrm{\Ψ}}_{\mathrm{HA}}^{-1}\left(x\right)=\sqrt{x^2-{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}$

对于 $x\≤\frac{2}{\mathrm{\π}-2},{\mathrm{\Ψ}}^{-1}\left(x\right)={\mathrm{\Ψ}}_{\mathrm{HA}}^{-1}\left(x\right)=0.$

于是本发明的估计SNR值可以计算如下：

${\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}-\mathrm{ERHA}}={\mathrm{\Ψ}}_{\mathrm{HA}}^{-1}\left({\widehat{\mathrm{\γ}}}_{\mathrm{BPSK}1,\mathrm{RDA}}\right).$

在图2中，为进行比较，绘出了函数 $\mathrm{\Ψ}\left(\mathrm{\γ}\right)=\frac{1}{\frac{\mathrm{\γ}+1}{{(\sqrt{\mathrm{\γ}}\mathrm{erf}\left(\sqrt{\frac{\mathrm{\γ}}{2}}\right)+\sqrt{\frac{2}{\mathrm{\π}}}{e}^{-\frac{\mathrm{\γ}}{2}})}^2}-1}$ 以及用来近似前者函数的函数 ${\mathrm{\Ψ}}_{\mathrm{HA}}\left(\mathrm{\γ}\right)=\sqrt{{\mathrm{\γ}}^2+{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}.$ 最大的绝对差异约为0.2及最大的相对差异约为10％。在图2中还表示出了它们的反函数，其可以通过在第一象限的平分线(无符号的虚线)处映射这些曲线图来得到。

为量化用于估计调制通信信号的SNR值的本发明方法的精确度，测试了现有技术和根据本发明的不同SNR估计方法。

对于每种方法都进行N_t数目的测试。每个测试都利用一组分离性的N个符号(或比特、采样)来完成。每一组的相应调制通信信号r_n具有一个已知的真实SNR值γ，其中n从0到N-1。在每个测试中，借助于当前测试方法确定测试组的估计SNR值 其中m为从0到N_t-1的测试索引(或测试组的索引)。与真实SNR值γ相比较的估计SNR值 的分布，通过计算一个 的标准均方差(NMSE)来进行分析：

$\mathrm{NMSE}\left\{{\widehat{\mathrm{\γ}}}_m\right\}=\frac{\mathrm{MSE}\left\{{\widehat{\mathrm{\γ}}}_m\right\}}{{\mathrm{\γ}}^2}=\frac{E\left\{{({\widehat{\mathrm{\γ}}}_m-\mathrm{\γ})}^2\right\}}{{\mathrm{\γ}}^2}=\frac{1}{N_t{\mathrm{\γ}}^2}\underset{m=0}{\overset{N_t-1}{\mathrm{\Σ}}}{({\widehat{\mathrm{\γ}}}_m-\mathrm{\γ})}^2.$

对于每一种方法，NMSE值是真实SNR值γ的函数及每个组的采样数量N的函数。

测试结果绘制在图3a中。横坐标以dB示出真实SNRγ，以及纵坐标在对数刻度上示出了估计SNR值的NMSE值，对应于三种不同方法，即现有技术的标准RDA最大似然估计、具有如图2的估计偏差函数Ψ的本发明的RDA-ER最大似然估计、以及具有如图2的估计偏差函数Ψ_HA的本发明的RDA-ERHA最大似然估计。对于这些曲线，计算了总共10⁶个SNR估计(测试)，其中每个SNR估计有N＝100个采样。

对于低的SNR值(0dB及更低)，本发明的RDA-ER和RDA-ERHA方法的NMSE值大大低于现有技术的标准RDA方法的NMSE值。换言之，在此范围内本发明的方法更加精确。特别地，在-10dB和-5dB，本发明的方法大约比标准RDA更加精确10倍。在所述范围内，RDA-ER NMSE值大约为RDA-ERHA NMSE值的一半。对于较高的SNR值(5dB及5dB以上)，所有三种方法大致上同样精确。

对于图3b，执行了与对于图3a同样的测试，但其中每个SNR估计有N＝1000个采样。在现有技术的RDA一方面与本发明的RDA-ER和RDA-ERHA之间的精确度的相对差异甚至更大，显示出本发明方法的改进。

对于图4a，执行了与对于图3a同样的测试，其中每个SNR估计也有N＝100个采样。对应于现有技术的标准RDA最大似然估计、本发明的RDA-ER最大似然估计方法、现有技术的迭代方法以及现有技术的峰度方法，对估计SNR值的NMSE值进行绘图。本发明的RDA-ER方法在一个非常宽的SNR范围上具有最低的NMSE值，表示其具有最高的精确度。在0dB到5dB的范围内，迭代方法大致上与本发明的RDA-ER方法相同。

对于图4b，执行了与对于图4a同样的测试，但其中每个SNR估计有Ｎ＝1000个采样。对于低的SNR值(0dB和更低)，本发明的RDA-ER方法、迭代方法和峰度方法同样精确。对于10dB及10dB以上的SNR值，本发明的RDA-ER方法明显胜过迭代方法。另外，在0dB和15dB之间，本发明的RDA-ER方法胜过峰度方法。

总之，已经对于真实AWGN信道上的BPSK信道测试了本发明的SNR估计方法。它胜过或至少等同于已知的盲SNR估计算法。本发明的方法可以容易地用于真实或复用信道上的其他信号调制。本发明的方法只需要有限的努力(比已知的最大似然数据辅助估计多一点)；特别地，它不需要迭代也不需要对保护的数据进行译码/重新编码。最后，为避免存储和处理最佳插值曲线Ψ^-1，可以利用双曲线近似，其允许即时计算，而只有较小的性能降级。

Claims (10)

1.一种用于估计包括数据符号分量(s_n)和噪声分量(n_n)的调制通信信号(r_n)的信噪比(SNR)(γ)的方法，其特征在于：

从数据辅助最大似然估计得到所述调制通信信号的中间SNR值

该辅助数据不是预先已知的，而是从所述调制通信信号(r_n)的采样重新构造的；以及

通过所述中间SNR值

的可控非线性转换，确定估计SNR值

2.根据权利要求1所述的方法，其特征在于，所述可控非线性转换由修正函数Ψ^-1来执行，可表示为 ${\widehat{\mathrm{\γ}}}_{\mathrm{RDA}-\mathrm{ER}}={\mathrm{\Ψ}}^{-1}\left({\widehat{\mathrm{\γ}}}_{\mathrm{RDA}}\right),$ 其中所述修正函数Ψ^-1是估计偏差函数Ψ的反函数，而所述估计偏差函数Ψ近似于与

和γ的偏差相关的真实偏差函数Ψ_true，即 ${\widehat{\mathrm{\γ}}}_{\mathrm{RDA}}={\mathrm{\Ψ}}_{\mathrm{true}}\left(\mathrm{\γ}\right)$ 及Ψ(γ)≈Ψ_true(γ)。

3.根据权利要求2所述的方法，其特征在于，选择Ψ，使得对于大数目的N，即N→∞，Ψ(γ)＝Ψ_true(γ)，其中N是处理的所述调制通信信号(r_n)的采样数量。

4.根据权利要求2所述的方法，其特征在于：

$\mathrm{\Ψ}\left(\mathrm{\γ}\right)=\frac{1}{\frac{\mathrm{\γ}+1}{{(\sqrt{\mathrm{\γ}}\mathrm{erf}\left(\sqrt{\frac{\mathrm{\γ}}{2}}\right)+\sqrt{\frac{2}{\mathrm{\π}}}{e}^{-\frac{\mathrm{\γ}}{2}})}^2}-1}.$

5.根据权利要求2所述的方法，其特征在于，借助于一个近似表来应用Ψ^-1。

6.根据权利要求2所述的方法，其特征在于：

$\mathrm{\Ψ}\left(\mathrm{\γ}\right)={\mathrm{\Ψ}}_{\mathrm{HA}}\left(\mathrm{\γ}\right)=\sqrt{{\mathrm{\γ}}^2+{\left(\frac{2}{\mathrm{\π}-2}\right)}^2}.$

7.根据权利要求1所述的方法，其特征在于，处理的所述调制通信信号(r_n)的采样数量N等于或小于500，优选地等于或小于100。

8.一种计算机程序，用于根据权利要求1来估计调制通信信号(r_n)的信噪比(γ)。

9.一种接收机系统，用于根据权利要求1来估计调制通信信号(r_n)的信噪比(γ)。

10.一种设备，特别是基站或移动台，其包括根据权利要求8的计算机程序和/或根据权利要求9的接收机系统。

Images