DE60307469T2

DE60307469T2 - Verfahren und vorrichtung zur gleichzeitigen schätzung des frequenzversatzes und modulationsindex

Info

Publication number: DE60307469T2
Application number: DE60307469T
Authority: DE
Inventors: Gerrit Smit
Original assignee: Telefonaktiebolaget LM Ericsson AB
Current assignee: Telefonaktiebolaget LM Ericsson AB
Priority date: 2002-06-27
Filing date: 2003-06-26
Publication date: 2006-12-28
Anticipated expiration: 2023-06-27
Also published as: EP1520384A1; CN1679291A; ATE336130T1; AU2003246589A1; US20040136480A1; US7277504B2; WO2004004262A1; AU2003246589A8; EP1520384B1; DE60307469D1; WO2004004262A8

Description

HINTERGRUND DER ERFINDUNG
Technisches Gebiet der Erfindung
Die vorliegende Erfindung betrifft allgemein das Gebiet von Funkempfängern, die eine phasenkontinuierliche Modulation (CPM) verwenden, sowie insbesondere ein Verfahren und ein System zum Schätzen eines Modulationsindex und eines Trägerfrequenzversatzes von einem CPM-Signal.
Beschreibung des Standes der Technik
Drahtlos-Technologien, wie zum Beispiel terrestrische und Satelliten-Mobil-Kommunikationen und/oder BLUETOOTH-Systeme, können phasenkontinuierlich modulierte (CPM) Signale verwenden, um Daten zu übertragen. Binäres CPM oder M-näres CPM kann für die drahtlose Übertragung von Datenpaketen verwendet werden. Wenn Daten unter Verwendung von CPM übertragen werden, dann kann es bei einigen Empfänger-Architekturen erforderlich sein, dass der Modulationsindex bekannt sein muss.
Zur Verbesserung der Leistungsfähigkeit können Empfänger-Architekturen verwendet werden, die Kenntnis von dem Wert des Modulationsindex des übertragenen Signals erfordern. Infolge der Verwendung von unabhängigen Frequenzerzeugungsschaltungen in den übertragenden und empfangenden Vorrichtungen wird normalerweise ein Trägerfrequenzversatz erzeugt. Um eine optimale Leistungsfähigkeit zu erreichen, muss der Trägerfrequenzversatz so weit wie möglich kompensiert werden. Es gibt daher eine Forderung nach einem Verfahren und nach einem System zum Schätzen des Modulationsindex und des Trägerfrequenzversatzes von einem CPM-Signal.
Das U.S. Patent Nr. 6,389,040 offenbart ein Verfahren und eine Vorrichtung zum Erzeugen eines Frequenzversatzes. Ein empfangenes Signal wird mit einer lokal erzeugten Frequenz gemischt, die einem Frequenzversatz entspricht, um ein gemischtes Signal zu erzeugen. Es wird eine Berechnung bezüglich des gemischten Signals durchgeführt, bei der Kanalausgänge des gleichen Zustands kombiniert und akkumuliert werden. Dann erfolgt eine Summation über alle möglichen Zustände der kombinierten und akkumulierten Kanalausgänge, um zu einem sogenannten metrischen Berechnungswert für dieses gemischte Signal zu gelangen. Die metrische Berechnung wird dann für eine Vielzahl von verschiedenen lokal erzeugten Frequenzen wiederholt, und zwar entsprechend einer Eins-zu-Eins-Basis mit einer Vielzahl von Frequenzversätzen. Der Frequenzversatz, der dem größten metrischen Berechnungswert entspricht, wird als die gewünschte Frequenzversatz-Schätzung ausgewählt.
Das U.S. Patent Nr. 6,393,073 offenbart ein Verfahren zur Frequenzversatzschätzung und -korrektur für adaptive Antennen. Das Verfahren beinhaltet das Empfangen, in einem Prozessor, von Abtastwerten von einem Datensatz mit einer Trainingsdaten-Abtastsequenz. Eine Lösung unter Verwendung der Fehlerquadratmethode wird für die Trainingsdaten-Abtastsequenz berechnet, um einen für jeden Abtastwert einen Fehler hinsichtlich der Fehlerquadratmethode zu erhalten. Jeder Fehler-Abtastwert wird durch Multiplizieren mit dem konjugierten Abtastwert der Referenztrainingssequenz rotiert, und jeder rotierte Fehler-Abtastwert wird nummeriert (in der Reihenfolge des Empfangens). Eine gerade Linie wird an den imaginären Teil des rotierten Fehler-Abtastwerts angepasst (als eine Funktion der Abtastnummer), um eine Frequenzversatzschätzung zu erhalten. Jeder Abtastwert in einem Zeitschlitz der Abtastwerte von einem Datensatz wird mit einer komplexen Exponentialfunktion der Frequenzversatzschätzung multipliziert.
"Estimation of the Modulation Index of CPM Signals using Higher-Order Statistics" von Fonollosa et al. offenbart eine Lösung für die Schätzung des Modulationsindex von einem CPM-Signal im Rauschen. Diese Verfahren verwenden die geschätzte Autokorrelation und Kumulantensequenzen vierter Ordnung des empfangenen Signals nach Abtastung mit der Symbolrate. Analytische Ausdrücke werden für den asymptotischen Mittelwert und Varianz der geschätzten Parameter abgeleitet, die mit Hilfe von Monte Carlo Simulationen verstärkt werden.
"Analysis of CPM Signals using Higher-Order Statistics" von Fonollosa et al. offenbart eine Lösung zur Schätzung des Modulationsindex von einem CPM-Signal im Rauschen. Analytische Ausdrücke der zyklischen Autokorrelation und Kumulantensequenzen vierter Ordnung werden verwendet, um ein Schätzmittel des Modulationsindex mit maximaler Wahrscheinlichkeit abzuleiten, und zwar basierend auf einer höheren Abtastrate.
ZUSAMMENFASSUNG DER ERFINDUNG
Diese und andere Nachteile werden durch Ausführungsbeispiele der vorliegenden Erfindung überwunden, die ein Verfahren und ein System zur gleichzeitigen Schätzung eines Modulationsindex und eines Frequenzversatzes von einem CPM-Signal zur Verfügung stellen. Ein Schätzmittel zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signal beinhaltet zumindest zwei Filter zum Filtern des empfangenen CPM-Signals, wobei die zumindest zwei Filter ein Korrelationsfilter und ein Tiefpassfilter beinhalten, ein Berechnungsmittel zum Berechnen eines α-Wertes und eines β- Wertes, und einen Prozessor zum Empfangen eines Signals, das durch jeden der zumindest zwei Filter ausgegeben wird, des α-Wertes und des β-Wertes. Der Prozessor ist ausgestaltet, um Schätzungen des Modulationsindex und des Frequenzversatzes aus den Signalen, die von dem Prozessor empfangen werden, und dem empfangenen α-Wert und β-Wert zu berechnen.
Ein Verfahren zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signals beinhaltet das Filtern einer Phasenkomponente von einem differentiell modulierten CPM-Signal über zumindest zwei Filter, wobei das Filtern der Phasenkomponente das Filtern der Phasenkomponente über ein Korrelationsfilter und ein Tiefpassfilter beinhaltet, Berechnen eines α-Wertes und eines β-Wertes, Empfangen eines Signals, das durch jeden der zumindest zwei Filter ausgegeben wird, des α-Wertes und des β-Wertes, und Berechnen von Schätzungen des Modulationsindex und des Frequenzversatzes aus den empfangenen Signalen und dem empfangenen α-Wert und β-Wert.
Ein Schätzmittel zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signal beinhaltet Mittel zum Rausch-Weißen um ein Rausch-Weißen des empfangenen CPM-Signals durchzuführen, zumindest zwei Filter zum Filtern des rausch-geweißten CPM-Signals, ein Initialisierungsmittel zum Verarbeiten einer Trainingssequenz, und einen Prozessor zum Empfangen eines Signals, das durch jeden der zumindest zwei Filter ausgegeben wird, und der verarbeiteten Trainingssequenz. Der Prozessor ist ausgestaltet, um Schätzungen des Modulationsindex und des Frequenzversatzes von den Signalen, die von dem Prozessor empfangen werden, und der verarbeiteten Trainingssequenz zu berechnen.
Ein Verfahren zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signals beinhaltet das Rausch-Weißen des empfangenen CPM-Signals, das Filtern des rausch-geweißten CPM-Signals über zumindest zwei Filter, Verarbeiten einer Trainingssequenz, Empfangen eines Signals, das von jedem der zumindest zwei Filter ausgegeben wird, und der verarbeiteten Trainingssequenz, und Berechnen von Schätzungen des Modulationsindex und des Frequenzversatzes aus den empfangenen Signalen und der verarbeiteten Trainingssequenz.
Ein Schätzmittel zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signals beinhaltet zumindest zwei Filter zum Filtern des empfangenen CPM-Signals, ein Mittel zum Rausch-Weißen zum Rausch-Weißen eines Signal, das durch die zumindest zwei Filter ausgegeben wird, ein Initialisierungsmittel zum Verarbeiten einer Trainingssequenz, einen Prozessor zum Empfangen von Signalen, die durch das Mittel zum Rausch-Weißen ausgegeben werden, und der verarbeiteten Trainingssequenz. Der Prozessor ist ausgestaltet, um eine Schätzung des Modulationsindex und des Frequenzversatzes aus den empfangenen Signalen und der verarbeiteten Trainingssequenz zu berechnen.
Ein Schätzmittel zum Schätzen eines Modulationsindex und eines Frequenzversatzes von einem empfangenen phasenkontinuierlich modulierten (CPM) Signals beinhaltet einen Empfänger zum Empfangen des CPM-Signals und einen Prozessor zum Schätzen des Modulationsindex und des Frequenzversatzes gemäß der folgenden Gleichung ν = (B^TC^–1B)^–1B^TC^–1ϕ. ν stellt einen Vektor dar, der Elemente enthält, die skalierte Versionen von Schätzungen des Modulationsindex und des Frequenzversatzes darstellen. C stellt eine Rausch-Kovarianz-Matrix dar, B stellt eine Datenmodell-Matrix dar, und Φ ist ein Kennvektor, der eine Phase des CPM-Signals darstellt.
Weitere Vorteile und spezielle Details der vorliegenden Erfindung werden anschließend aus der detaillierten Beschreibung offensichtlich, die in Verbindung mit den beigefügten Zeichnungen erfolgt.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Ein vollständigeres Verständnis von beispielhaften Ausgestaltungen der vorliegenden Erfindung kann unter Bezugnahme auf die nachfolgende detaillierte Beschreibung der beispielhaften Ausgestaltungen der Erfindung gewonnen werden, und zwar in Verbindung mit den beiliegenden Zeichnungen, in denen:
1 ein Blockdiagramm ist, das schematisch ein Schätzmittel gemäß den Prinzipien der vorliegenden Erfindung darstellt;
2 ein Blockdiagramm von dem Schätzmittel aus 1 mit einer Bias-Entfernungskomponente gemäß den Prinzipien der vorliegenden Erfindung ist;
3 ein Blockdiagramm ist, das schematisch ein anderes Schätzmittel gemäß den Prinzipien der vorliegenden Erfindung darstellt;
3A ein Blockdiagramm ist, das schematisch ein Schätzmittel gemäß den Prinzipien der vorliegenden Erfindung darstellt;
3B ein Blockdiagramm ist, das schematisch ein Schätzmittel gemäß den Prinzipien der vorliegenden Erfindung darstellt; und
4 ein Blockdiagramm ist, das schematisch ein Schätzmittel zum Rausch-Weißen gemäß den Prinzipien der vorliegenden Erfindung darstellt.
DETAILLIERTE BESCHREIBUNG VON EXEMPLARISCHEN AUSGESTALTUNGEN DER ERFINDUNG
Gemäß den Prinzipien der vorliegenden Erfindung können mehrere Lösungsansätze unternommen werden, um den Modulationsindex und den Trägerfrequenzversatz von einem CPM-Signal zu schätzen. Die Schätzmittel, die mit Aspekten der vorliegenden Erfindung in Beziehung stehen, können in zwei unterschiedliche Kategorien aufgeteilt werden, nämlich Schätzmittel, die weißes Rauschen unterstellen, und Schätzmittel, die farbiges Rauschen unterstellen. Eine weitere Klassifizierung innerhalb dieser beiden unterschiedlichen Kategorien kann auf der Tatsache basieren, ob Inter-Symbol-Interferenz (ISI) in dem Eingangssignal unterstellt wird oder nicht. Wenn unterstellt wird, dass ISI vorhanden ist, dann können zwei weitere Unterklassen eingeführt werden, und zwar basierend auf der Tatsache, ob der Wert von einem Parameter ε bekannt ist oder unbekannt ist. Die Schätzmittel, die anschließend beschrieben werden, basieren auf dem Fehlerquadrat-Lösungsansatz und können durch die folgende Gleichung dargestellt werden: ν = (BTC–1B)–1BTC–1ϕ (1)
In der obigen Gleichung (1) ist ν ein Vektor, der Elemente enthält, die skalierte Versionen der Schätzungen des Modulationsindex und des Frequenzversatzes darstellen. Die Matrix C stellt eine Rausch-Kovarianz-Matrix dar, und die Matrix B stellt das Datenmodell dar. Die letzten drei Terme in Gleichung (1) sind eine Filteroperation von einem Kennvektor Φ, der der Phaseneingang zum Schätzmittel ist.
Ein erster Lösungsansatz verwendet ein Schätzmittel basierend auf einem einfachen Datenmodell, das die Inter-Symbol-Interferenz (ISI) nicht in Betracht zieht. Der erste Lösungsansatz, wie im Detail in 1 gezeigt, unterstellt weißes Rauschen und kein ISI. Durch Unterstellung, dass Bit-Zeitsteuerung und Vollbild-Synchronisation bekannt sind, kann ein Ausgang (d.h. ein Element von dem Kennvektor) Φ_k von einem 1-Bit-Differential-Demodulator an einem optimalen Abtastmoment modelliert werden als: ϕk = bkhπ + 2πfTsym + nk ϕk = bkx + y + nk (2)wobei b_k ein übertragenes Bit ist, h ein Modulationsindex ist, f ein aktueller Frequenzversatz ist, T_sym eine Symbolperiode ist, und n_k ein Störterm ist, der Rauschen und ISI enthält. Durch Weglassen der Rauschterme n_k kann Gleichung (2) in eine Matrix-Notation umgeschrieben werden, und zwar wie folgt:
Wenn {b_i} N / j = 1 (d.h., N übertragene Bits) bekannt ist, dann kann Gleichung (3) gelöst werden, indem der Kennvektor Φ mit der Pseudo-Inversen von B multipliziert wird. Unter der Annahme, dass weißes Rauschen vorhanden ist, ist die Kovarianz-Matrix C gleich der Identitäts-Matrix. Daher kann Gleichung (1) umgeschrieben werden als: ν = (BTB)–1BTϕ (4) wobei der obere Index T die Transponierte der Matrix B und der obere Index –1 die Inverse der resultierenden Matrix bezeichnet, die in Klammern gezeigt ist.
Auf Basis der obigen Struktur der Datenmatrix B beweisen die nachfolgenden Gleichungen die Wahrheit:
Der Wert von S steht direkt mit einer Gewichtung W der bekannten Bit-Sequenz in Beziehung, und zwar wie folgt: S = 2W – N (6)
Durch Implementieren des Fehlerquadrat-Verfahrens können die Werte von x und y des Vektors ν geschätzt werden. Die Schätzungen des Modulationsindex h und des Frequenzversatzes f können direkt aus den Schätzungen von x beziehungsweise y abgeleitet werden. Die Schätzungen der Werte von x und y des Vektors ν können durch Anwenden von zwei linearen Operationen des Kennvektors Φ und eines Nachbearbeitungsschritts erhalten werden, der von der Gewichtung der Trainingssequenz abhängt. Daher bleibt Gleichung (4) für ν wahr, und zwar wie folgt:
wobei q₁ und q₂ Elemente des Vektors q sind, wobei q₁ den Ausgang des ersten Filters (Korrelationsoperation) darstellt und q₂ den Ausgang des zweiten Tiefpass-Kammfilters darstellt. 1 stellt ein Blockdiagramm von einem Schätzmittel 100 gemäß den Prinzipien der vorliegenden Erfindung dar. Das Schätzmittel 100 in 1 basiert auf der Daten-Matrix, die in Gleichung (3) gezeigt ist. Das Schätzmittel 100 implementiert die Operationen von Gleichung (7) und, wie vorstehend erwähnt, unterstellt weißes Rauschen und kein ISI. Ein empfangenes Signal Φ_k (das empfangene Signal, das auf Basisband heruntergemischt und differentiell moduliert ist) wird durch ein erstes Filter 102 mit begrenztem Ansprechen auf einen Impuls (FIR) geleitet, um zu q₁ zu führen. Die Koeffizienten für das Korrelationsfilter 102 sind +1 oder –1. Das empfangene Signal Φk wird außerdem durch ein zweites FIR-Filter 104 geleitet, um zu q₂ zu führen.
Wie vorstehend beschrieben, kann die Trainingssequenz, die eine Datensequenz ist, die sowohl dem Empfänger wie auch dem Sender bekannt ist, verwendet werden, um α und β abzuleiten. Das berechnete α wird zu einem ersten Multiplizierer 106A und zu einem vierten Multiplizierer 106D ausgegeben. Das abgeleitete β wird zu einem zweiten Multiplizierer 106B und zu einem dritten Multiplizierer 106C ausgegeben. q₁, das von dem ersten FIR-Filter 102 ausgegeben wird, wird an dem ersten Multiplizierer 106A mit dem abgeleiteten α multipliziert. q₁ wird ebenfalls an dem zweiten Multiplizierer 106B mit dem abgeleiteten β multipliziert.
q₂, das von dem zweiten FIR-Filter 104 ausgegeben wird, wird an dem dritten Multiplizierer 106C mit dem abgeleiteten β multipliziert. q₂, das von dem zweiten FIR-Filter 104 ausgegeben wird, wird ebenfalls am vierten Multiplizierer 106D mit dem abgeleiteten α multipliziert.
Das Ergebnis, das von dem ersten Multiplizierer 106A ausgegeben wird, und das Ergebnis, das von dem dritten Multiplizierer 106C ausgegeben wird, wird an dem ersten Addierer 108A addiert. Das Ergebnis, das von dem zweiten Multiplizierer 106B ausgegeben wird, und das Ergebnis, das von dem vierten Multiplizierer 106D ausgegeben wird, wird an dem zweiten Addierer 108B addiert. Das Ergebnis, das von dem ersten Addierer 108A ausgegeben wird, ist x aus Gleichung (2). Aus Gleichung (2) kann x skaliert werden, um zu einer Schätzung des Modulationsindex h zu führen. Wie in Gleichung (2) gezeigt, wird durch Multiplizieren von x mit 1/π der Modulationsindex h erzeugt. Daher wird x an dem Multiplizierer 110A mit 1/π multipliziert, was zu einer Schätzung des Modulationsindex h führt. Es ist außerdem aus Gleichung (2) offensichtlich, dass der Ausgang des zweiten Addierers 108B, y, mit 1/(2πT_sym) am Multiplizierer 110B multipliziert werden kann, um eine Schätzung des Frequenzversatzes f zu erzeugen.
Da das Datenmodell verwendet wird, kann das einfache Schätzmittel 100 zu fehlerhaften Ergebnissen führen. Beispielsweise kann Nicht-Null-Mittelwert-Rauschterm oder eine Korrelation zwischen dem Rauschen und dem gewünschten Signal bewirken, dass das einfache Schätzmittel 100 nicht zufriedenstellende Ergebnisse erzeugt. Das Bias in der Schätzung des Modulationsindex hängt normalerweise von einem oder mehreren des Frequenzversatzes, dem Modulationsindex und dem Wert von einem Signal/Rausch-Verhältnis E_b/N₀ ab. Normalerweise ist für die Schätzung des Frequenzversatzes kein signifikantes Bias vorhanden.
In dem Fall, dass E_b/N₀ schwer zu schätzen ist, kann das Bias in der Modulationsindex-Schätzung für einen bestimmten Wert von E_b/N₀ kompensiert werden. Beispielsweise kann der Wert von E_b/N₀, bei dem der Empfänger mit einer Bit-Fehlerrate (BER) von 10^–3 arbeitet, ausgewählt werden. Außerdem, da das Bias des Modulationsindex vom Modulationsindex selbst abhängt, kann das Bias für einen typischen Wert des Modulationsindex kompensiert werden, wie zum Beispiel 0,32.
Ein Nachverarbeitungsschritt gemäß den Prinzipien der vorliegenden Erfindung zieht die Tatsache in Betracht, dass das Bias in der Schätzung des Modulationsindex h etwa quadratisch von dem abgeschätzten Frequenzversatz f abhängt, um das Bias in der Modulationsindex-Schätzung zu kompensieren. Für einen Bias-kompensierten Modulationsindex h_comp, gilt die folgende quadratische Gleichung: hcomp = h + c0 + c2y2 (8)
Die Koeffizienten c₀ und c₂ werden über einen Kurvenanpassungsprozess ausgewählt, um das Bias zu minimieren. Das Bias in der Modulationsindex-Schätzung und der Frequenzversatz-Schätzung kann durch Simulation abgeleitet werden. Aus den Simulationsergebnissen können geeignete Bias-Verminderungsprozesse über Kurvenanpassung abgeleitet werden.
2 stellt das Schätzmittel aus 1 mit zusätzlicher Nachverarbeitung dar, um das Bias aus der Schätzung des Modulationsindex h zu entfernen. Das Schätzmittel 200 aus 2 ist ähnlich dem Schätzmittel 100 aus 1, mit der Ausnahme der Implementierung von zusätzlichen Komponenten, die verwendet werden, um die Koeffizienten c₀ und c₂ einzuführen. Wie vorstehend erläutert, werden die Koeffizienten c₀ und c₂ verwendet, um das Bias aus der Schätzung des Modulationsindex h zu entfernen.
Wie in Gleichung (8) angegeben, wird y, das durch den zweiten Addierer 108B ausgegeben wird, durch einen Quadraturblock 202 quadriert. Ein Ausgang des Quadraturblocks 202 wird mit dem Wert c₂ an einem Multiplizierer 204 multipliziert. Ein Ausgang des Multiplizierers 204 wird an einem Addierer 206 mit c₀ und mit der Schätzung des Modulationsindex h addiert. Wie vorstehend erläutert, wird die Schätzung des Modulationsindex h durch den Multiplizierer 110A ausgegeben. Der Addierer 206 gibt den Bias-kompensierten Modulationsindex h_comp aus.
Die einfachen Schätzmittel 100 und 200 stellen relativ recheneffiziente Implementierungen dar; jedoch kann eine Vereinfachung des Datenmodells, das durch die Schätzmittel 100 und 200 implementiert ist, nicht immer optimale Ergebnisse erzeugen. Daher kann ein Schätzmittel, das auf einem komplexeren Datenmodell basiert als jenes, das in den Schätzmitteln 100 und 200 verwendet wird, in einem weiteren Ausführungsbeispiel der vorliegenden Erfindung verwendet werden.
3 ist ein Blockdiagramm, das schematisch ein komplexeres Schätzmittel 300 gemäß den Prinzipien der vorliegenden Erfindung zeigt. Das komplexere Schätzmittel unterstellt weißes Rauschen in einer Weise ähnlich wie bei den Schätzmitteln 100 und 200. Jedoch unterstellt das komplexere Schätzmittel 300, dass ISI in dem Signal vorhanden ist und dass außerdem der Parameter ε (siehe Datenmodell aus Gleichung (9), das unten gezeigt ist) unbekannt ist.
In dem Schätzmittel 300, anstelle der Verarbeitung des Eingangssignals, das durch Gleichung (3) modelliert und in den Schätzmitteln 100 und 200 implementiert ist, ist das Modell, auf dem das Schätzmittel 300 basiert, ein komplizierteres Modell, nämlich Gleichung (12), die nachfolgend gezeigt ist. Um die Komplexität des Schätzmittels 300 zu begrenzen, wurde ein relativ einfaches ISI-Modell unterstellt. Jedoch können andere ISI-Modelle verwendet werden, ohne von den Prinzipien der vorliegenden Erfindung abzuweichen.
In dem Schätzmittel 300 wird eine lineare Beziehung zwischen einer differentiellen Ausgangsphase θ_k von einem Sender und der Eingangsphase Φ_k des Schätzmittels angenommen. Die lineare Beziehung der differentiellen Ausgangsphase θ_k und der Eingangsphase Φ_k kann wie folgt modelliert werden: ϕk = εθk–1 + (1 – 2ε)θk + εθk+1 (9)
Gleichung (9) zeigt die Beziehung zwischen der Eingangsphase Φ_k und der Ausgangsphase θ_k und ermöglicht ISI durch den Parameter ε. Wenn kein ISI vorhanden ist, dann hat der Parameter ε einen Wert von Null.
Die differentielle Ausgangsphase θ_k kann durch die folgende Gleichung dargestellt werden: θk = φk – φk–1 = bkhπ (10)wobei ϕ_k die Phase eines übertragenen Symbols θ_k ist. Das Kombinieren der Gleichungen (9) und (10) und das Addieren des Auftretens des Frequenzversatzes f und des Störterms n_k führt zu: ϕk = bkhπ + (bk–1 – 2bk + bk+1)εhπ + 2πfTsym + nk ϕk = bkx + cky + z + nk mit ck = (bk–1 – 2bk + bk+1 (11)
Gleichung (11) zeigt, das ISI eine Beziehung mit dem vorhergehenden Bit und dem nachfolgenden Bit darstellt. In schwerwiegenderen ISI-Fällen kann das ISI eine Beziehung mit den beiden vorhergehenden Bits und den beiden nachfolgenden Bits darstellen. Wenn der Störterm n_k weggelassen wird, dann kann Gleichung (11) in Matrix-Notation wie folgt geschrieben werden:
Wenn das ISI nicht vernachlässigt wird, wie vorstehend unter Bezugnahme auf Gleichung (11) erwähnt, dann sind das vorstehende Bit und das nachstehende Bit erforderlich, und daher beginnt der Index von Gleichung (12) mit b₂ und endet mit b_N–1.
Wenn die N–2 übertragenen Bits {b₂...b_N–1} bekannt sind, dann kann Gleichung (12) durch Multiplizieren des Kennvektors Φ mit der Pseudo-Inversen von B gelöst werden, so dass ν = (B^TB)^–1B^Tϕ, wie in der obigen Gleichung (4) gezeigt.
Es wird nun wieder auf 3 Bezug genommen, in der das Schätzmittel 300, das mathematisch in Gleichungen (4), (11) und (12) beschrieben ist, zusätzlich zum Filtern und zur Korrelation, wie in dem Schätzmittel 200 gezeigt, ein weiteres Filter erfordert, das graphisch als ein mittleres Filter 306 dargestellt ist. Das Filtern und die Korrelation der Filter 302 und 304 arbeitet in einer ähnlichen Weise wie bei den Filtern 102 und 104 aus 2. Das mittlere Filter 306 hat N–2 Koeffizienten c_k. Für die Koeffizienten c_k gilt Folgendes: c_k ∈ {0, ±2, ±4}.
Die Variablen x und z werden durch Multiplizierer 310A und 310B in einer Weise verarbeitet, die ähnlich der ist, die in 2 für x und y gezeigt ist, um zu dem Modulationsindex h und dem Frequenzversatz f zu führen. In dem Fall, in dem ISI durch die Sendercharakteristiken und die Empfängerfilterkette dominiert wird, kann der Wert des Parameters ε aus Gleichung (9) als bekannt angenommen werden. Der Parameter ε wird abgeleitet, was zur Gesamtfilterkette in dem Sender und Empfangsteilen des Transceivers führt. Daher kann das Schätzmittel 300 vereinfacht werden, indem zusätzlich zu dem weißen Rauschen und ISI angenommen wird, dass der Parameter ε bekannt ist. Infolge dieser Tatsache kann das Schätzmittel 300 vereinfacht und die Anzahl der verwendeten Filter reduziert werden, wie in 3A und 3B gezeigt.
In einer ersten vereinfachten Implementierung, die in 3A gezeigt ist, beinhaltet das Schätzmittel 300A ein Korrelatorfilter, das etwas komplexer ist, da die Filter-Koeffizienten nicht mehr +1 oder –1 sind wie bei den einfachen Schätzmitteln 100, 200 und 300. Für die erste vereinfachte Implementierung des Schätzmittels 300A wird Gleichung (10) durch Gleichung (9) ersetzt, und Gleichung (11) kann wie folgt umgeschrieben werden: ϕk = (εbk–1 + (1 – 2ε)bk + εbk+1)hπ + 2πfTsym + nk ϕk = dkx + y + nk mit d k = (εbk–1 + (1 – 2ε)bk + εbk+1), x = hπ und y = 2πfTsym (13)
In der in Gleichung (13) gezeigten Implementierung wird der Wert des Parameters ε als bekannt angenommen. Durch Weglassen des Störterms n_k kann Gleichung (13) in Matrixform wie folgt umgeschrieben werden:
Die Implementierung des Schätzmittels 300A, die aus Gleichung (14) abgeleitet ist, erfordert zwei Filter: 1) ein Tiefpassfilter (304) ähnlich wie das in den Schätzmitteln 100 und 200; und 2) ein Korrelationsfilter (302), das auf den Kanal (d.h. ein angepasster Korrelator) angepasst ist. Daher sind die N–2 Filterkoeffizienten d_k nicht mehr +1 oder –1, sondern nehmen Werte von dem Satz {±1, ±(1–2ε), ±(1–4ε)} an. Daher ist das Korrelationsfilter komplexer als das der Schätzmittel 100, 200 und 300. Der Modulationsindex h und Frequenzversatz f werden in einer ähnlichen Weise wie in 3 berechnet. Der Vektormatrix-Multiplizierer 308 gibt Variablen x und y aus, die wiederum durch Multiplizierer 310A und 310B verarbeitet werden, um die Schätzungen des Modulationsindex h und Frequenzversatzes f zu bestimmen.
Die erste Implementierung des Schätzmittels 300 erfordert den angepassten Korrelator. Der angepasste Korrelator hat eine erhöhte rechentechnische Komplexität; daher ist nachfolgend eine zweite Implementierung des Schätzmittels 300 mit reduzierter Berechnungskomplexität beschrieben.
Es wird nun auf 3B Bezug genommen, in der die zweite Implementierung des Schätzmittels aus 3 dargestellt ist. Die zweite Implementierung ist nicht so komplex wie die erste Implementierung; die zweite Implementierung ist jedoch komplexer als die Schätzmittel 100 oder 200. In einer Weise, die ähnlich der des Schätzmittels 200 ist, beinhaltet die zweite Implementierung einen Nachverarbeitungsschritt, der lediglich einmal durchgeführt werden muss.
Die Beschreibung des Schätzmittels 300 aus 3 aus Gleichungen (12) und (3) erzeugt die folgende Gleichung:
p, q, und r sind die Ausgänge der drei Filter 302, 306 und 304, wie in dem Schätzmittel 300 gezeigt. Wenn der Wert von ε bekannt ist, dann ist q, welches die Ausgabe des mittleren Filters 306 ist, nicht erforderlich. Wie in 3B gezeigt, ist der mittlere Filter 306 weggelassen. Wenn P_ij das Element der Matrix B^TB in Reihe i und Spalte j darstellt, und da B^TB symmetrisch ist, führt die folgende Gleichung zu:
Gemäß Gleichung (16) beweisen folgende Gleichungen:
Gleichungen (17) und (18) können über einen Prozessor 320 verarbeitet werden, um zur Schätzung des Modulationsindex h und zur Schätzung des Frequenzversatzes f zu führen. Die zweite Implementierung des Schätzmittels 300B hat deutliche Vorteile gegenüber den Schätzmitteln 100 und 200, wenn ISI vorhanden ist.
Eine dritte Klasse von Schätzmitteln beinhaltet Rausch-Weißen, um die Leistungsfähigkeit der Schätzmittel für den Modulationsindex h und Frequenzversatz f weiter zu verbessern. Eine spezielle Konfiguration von einem Schätzmittel zum Rausch-Weißen ist in 4 gezeigt, die ein Blockdiagramm von einem Schätzmittel zum Rausch-Weißen ist. Infolge der unterschiedlichen Demodulation, die der Schätzung vorhergeht, stellt der Störterm n_k nicht mehr typische Charakteristiken des weißen Rauschens dar. Wenn die Kovarianz der Matrix des Rauschens bekannt ist, kann der Schätzprozess verbessert werden.
Die einseitige Autokorrelationsfunktion R_nn des Rauschprozesses n_k kann wie folgt angenähert werden: Rnn = [1 – 0,5] (19)
Wenn die Rausch-Kovarianz-Matrix C in Betracht gezogen wird, die direkt aus der einseitigen Autokorrelationsfunktion R_nn abgeleitet werden kann, kann Gleichung (15) durch Gleichung (1) ersetzt werden. Das Rausch-Weißen wird durch Multiplikation der Inversen C^–1 der Rausch-Kovarianz-Matrix C durchgeführt. Die Matrix-Multiplikation von B^TC^–1 mit dem Kennvektor Φ kann auf zwei Arten implementiert werden. In einer ersten Option, die in dem Schätzmittel von 4 verwendet wird, wird diese Operation durch Anwenden von n (n ist gleich der Anzahl von Spalten der Matrix B) parallelen Filtern (Multiplizieren mit B^T) implementiert. In der zweiten Option wird die obige Operation stattdessen durch zwei aufeinanderfolgende Filteroperationen durchgeführt, wobei das erste Filter den Kennvektor Φ verarbeitet, um das in diesem Vektor vorhandene Rauschen zu weißen, d.h. durch Multiplikation von C^–1. Dann wird die Ausgabe von diesem Filter den n parallelen Filtern zugeführt (n ist gleich die Anzahl an Spalten in Matrix B), d.h. Multiplikation mit B^T. Beide Optionen sind funktional gleich. In der zweiten Option wird das Weißen des Rauschens explizit durchgeführt, während in der ersten Operation das Weißen implizit durchgeführt wird. Das durch Gleichung (1) beschriebene Schätzmittel beschränkt nicht die Werte der Filterkoeffizienten auf +1 oder –1, wodurch die Komplexität gegenüber sowohl den Schätzmitteln 100, 200 als auch 300 erhöht wird. Das durch Gleichung (1) beschriebene Schätzmittel ist ein verbessertes Schätzmittel zum Rausch-Weißen, das die Schätzmittel 100, 200 und 300 auf Kosten erhöhter Komplexität übertrifft.
Um die Komplexität des durch Gleichung (1) beschriebenen Schätzmittels zu reduzieren, besteht eine erste Option darin, die Inverse der Rausch-Kovarianz-Matrix C zu quantifizieren. Obwohl die Komplexität reduziert werden kann, wird durch die Quantifizierung in dem Schätzmittel ein Leistungsverlust erzeugt. Eine zweite Option besteht darin, die Struktur der Inversen der Rausch-Kovarianz-Matrix C anzupassen. Ein FIR-Filter kann verwendet werden, um das Rauschen zu Weißen. Infolge des unterschiedlichen demodulierten Schätzmittel-Eingangssignals hat das Rauschen eine Hochpass-Charakteristik. Angenähertes Weißen kann erreicht werden, indem das Signal durch ein Tiefpassfilter geleitet wird. Eine attraktive Lösung kann darin bestehen, ein K-Abgriff-Kammfilter zu verwenden. K kann so gewählt werden, dass ein gutes Gleichgewicht zwischen Leistungsverlust (verglichen mit idealem Weißen) und Komplexitätsreduzierung erhalten wird. Eine dritte Option besteht darin, die geeignete Operation des Weißens mit Hilfe eines Tiefpassfilters mit unbegrenztem Ansprechen auf einen Impuls (IIR) zu implementieren.
Alle diese drei Optionen, die vorstehend diskutiert wurden, können verwendet werden, um die Komplexität des Filters zum Rausch-Weißen zu reduzieren. Die beste Option sollte entsprechend der anwendbaren Systemcharakteristiken gewählt werden.
Die Prinzipien von Rausch-Weißen können auf jedes der oben genannten Schätzmittel angewendet werden. Abhängig von dem Datenmodell, Matrix B, das angenommen wurde, können die Schätzmittel 100, 200, 300, 300A und 300B eine Farbrausch-Kompensation beinhalten. Beispielsweise wird durch Einsetzen des Datenmodells aus Gleichung (3) in Gleichung (1) ein Schätzmittel erhalten, das ähnlich dem Schätzmittel 100 ist, mit der Ausnahme, dass das Schätzmittel nun Farbrauschkompensiert ist. Das Einsetzen des Datenmodells aus Gleichung (11) in Gleichung (1) führt zu einem Schätzmittel zum Rausch-Weißen, das ähnlich dem Schätzmittel 300 ist. Jedes der Schätzmittel 100, 200, 300, 300A, 300B kann verändert werden, indem das verwendete Rauschmodell verändert wird, um zu Farbrausch-kompensierten Schätzmitteln zu führen.
Unter Bezugnahme auf 4 wird das eingehende Signal Φ zu jedem von einem ersten FIR-Filter 404 und einem zweiten FIR-Filter 406 geleitet, um Tiefpass-gefiltert zu werden. Das erste und zweite FIR-Filter 404, 406 arbeiten in einer Weise, die ähnlich der aus 3B ist, mit Ausnahme, dass A = B^TC^–1 ist. Die FIR-Filter 404, 406 weißen implizit das Rauschen, und zwar basierend auf den Werten der Matrix A. Ein Ausgang p von dem ersten FIR-Filter 404 und ein Ausgang r von dem zweiten FIR-Filter 406 sind ähnlich den Werten p und r des Schätzmittels 300B, mit Ausnahme der Hinzufügung des Rausch-Weißens. Die Ausgänge p und r werden zu weiteren Berechnungen verwendet, die in einem Nachprozessor 420 durchgeführt werden.
Eine Initialisierungseinheit 422 des Schätzmittels 400 empfängt die Trainingssequenz {b₁...b_n}. Abhängig von dem angenommenen Datenmodell kann auch der Parameter ε erforderlich sein (siehe Gleichungen (13) und (14)). Wenn die Matrix B, die das Datenmodell darstellt, berechnet ist, dann wird die Matrix B^TC^–1B berechnet. Die Matrix B^TC^–1B zusammen mit den Ausgängen p und r wird zu dem Nachprozessor 420 als eine initialisierte Trainingssequenz geleitet, der den Modulationsindex h und den Frequenzversatz f gemäß den obigen Gleichungen schätzt.
Obwohl beispielhafte Ausgestaltungen der vorliegenden Erfindung beschrieben wurden, soll erkannt werden, dass die Erfindung in vielerlei Weise variiert werden kann, ohne dass von deren Schutzumfang abgewichen wird. Obwohl die vorliegende Erfindung primär beschrieben wurde, um beispielsweise in einem Drahtlos-System verwendet zu werden, das entsprechend BLUETOOTH arbeitet, können Ausführungsbeispiele der Erfindung auch in anderen Systemen verwendet werden, die CPM verwenden. Da die Erfindung auf verschiedene Weise variiert werden kann, soll verstanden werden, dass die Erfindung lediglich so weit begrenzt ist, wie dies durch den Schutzbereich der nachfolgenden Ansprüche gefordert wird.

Claims

Schätzmittel (100; 200; 300; 300A; 300B; 400) zum Schätzen eines Modulationsindex (h) und eines Frequenzversatzes (f) von einem empfangenen phasenkontinuierlich modulierten CPM-Signal, dadurch gekennzeichnet, dass das Schätzmittel aufweist: zumindest zwei Filter (102, 104; 302, 304; 306; 404, 406) zum Filtern einer Phasenkomponente (Φ) von einem differentiell demodulierten CPM-Signal, wobei die zumindest beiden Filter ein Korrelationsfilter (102; 302; 404) und ein Tiefpassfilter (104; 304; 406) beinhalten; ein Berechnungsmittel zum Berechnen eines α-Wertes und eines β-Wertes aus einer Trainingssequenz; einen Prozessor (106A, 106B, 106C, 106D, 108A, 108B, 110A, 110B; 308, 310A, 310B) zum Empfangen eines Signals, das durch jedes der zumindest zwei Filter ausgegeben wird, des α-Wertes und des β-Wertes; und wobei der Prozessor dazu ausgestaltet ist, um Schätzungen des Modulationsindex und des Frequenzversatzes aus den Signalen, die durch den Mikroprozessor empfangen werden, und dem empfangenen α-Wert und β-Wert zu berechnen.
Schätzmittel nach Anspruch 1, bei dem die zumindest zwei Filter außerdem ein zusätzliches Tiefpassfilter (306) beinhalten.
Schätzmittel nach Anspruch 1, außerdem mit einem Nachprozessor (202, 204, 206) zum Entfernen von Bias aus der Schätzung des Modulationsindex.
Schätzmittel nach Anspruch 3, bei dem der Nachprozessor ausgestaltet ist, um Informationen bezüglich des Frequenzversatzes zu empfangen und um den Modulationsindex zu verarbeiten, um einen kompensierten Modulationsindex (h_comp) zu bilden.
Schätzmittel nach Anspruch 1, bei dem die zumindest zwei Filter FIR-Filter mit begrenztem Ansprechen auf einen Impuls sind.
Schätzmittel nach Anspruch 1, bei dem das Schätzmittel in einer BLUETOOTH-Vorrichtung implementiert ist.
Schätzmittel nach Anspruch 1, außerdem mit: einem Mittel zum Rausch-Weißen des empfangenen CPM-Signals.
Schätzmittel nach Anspruch 7, bei dem das Mittel zum Rausch-Weißen konfiguriert ist, um das Rauschen vor den zumindest zwei Filtern zu weißen.
Schätzmittel nach Anspruch 7, bei dem zumindest eines der zumindest zwei Filter das Mittel zum Rausch-Weißen aufweist.
Schätzmittel nach Anspruch 1, außerdem mit: einem Mittel zum Rausch-Weißen eines Signal, das von den zumindest zwei Filtern ausgegeben wird.
Schätzmittel nach Anspruch 1, bei dem der Prozessor konfiguriert ist, um abzuschätzen: den Modulationsindex und den Frequenzversatz gemäß der vorliegenden Gleichung: ν = (BTC–1B)–1BTC–1ϕwobei ν einen Vektor darstellt; wobei der Vektor Elemente enthält, die skalierte Versionen von Schätzungen des Modulationsindex (h) und des Frequenzversatzes (f) darstellen; wobei C eine Rausch-Kovarianz-Matrix darstellt; wobei B eine Datenmodell-Matrix darstellt; wobei Φ ein Kennvektor ist, der eine Phase von dem CPM-Signal darstellt, und der Kennvektor durch die folgende Gleichung bezeichnet ist: ϕk = bkhπ + 2πfTsym + nk wobei b_k ein übertragenes Bit darstellt; wobei T_sym eine Symbolperiode darstellt; und wobei n_k einen Rauschterm darstellt.
Schätzmittel nach Anspruch 11, bei dem die Datenmodell-Matrix durch die folgende Gleichung modelliert ist:
wobei b₁, b₂, b₃, ... b_N Bits von einer Trainingssequenz darstellen.
Schätzmittel nach Anspruch 11, bei dem die Datenmodell-Matrix durch die folgende Gleichung modelliert ist:
wobei b₂, b₃, b₄, ... b_N–1 Bits von einer Trainingssequenz darstellen; und wobei c₂, c₃, c₄, ... c_N–1 Filterkoeffizienten darstellen.
Schätzmittel nach Anspruch 13, bei dem eine Beziehung zwischen den Bits der Trainingssequenz und den Filterkoeffizienten durch die folgende Gleichung definiert ist: ck = (bk–1 – 2bk + bk+1)
Schätzmittel nach Anspruch 11, bei dem die Datenmodell-Matrix durch die folgende Gleichung modelliert ist:
wobei d₂, d₃, d₄, ... d_N–1 Filterkoeffizienten darstellen.
Schätzmittel nach Anspruch 15, bei dem eine Beziehung zwischen den Bits der Trainingssequenz und den Filterkoeffizienten durch die folgende Gleichung definiert ist: dk = (εbk–1 + (1 – 2ε)bk + εbk+1),wobei ε ein Parameter ist, der einen Wert der Inter-Symbol-Interferenz darstellt.
Schätzmittel nach Anspruch 1, bei dem der α-Wert und der β-Wert aus Datenbits (b) der Trainingssequenz und der Anzahl an Bits (N) abgeleitet sind.
Schätzmittel nach Anspruch 1, bei dem der α-Wert durch die folgende Gleichung dargestellt ist:
wobei
eine Summierung von allen Datenbits und N die Anzahl an Bits ist.
Schätzmittel nach Anspruch 1, bei dem der β-Wert durch die folgende Gleichung dargestellt ist:
wobei
eine Summierung von allen Datenbits und N die Anzahl an Bits ist.
Schätzmittel nach Anspruch 1, bei dem ein x-Wert und ein y-Wert durch Implementieren einer Fehlerquadrat-Technik implementiert sind, und bei dem der Modulationsindex (h) und der Frequenzversatz (f) direkt aus dem x-Wert und dem y-Wert abgeleitet sind.
Schätzmittel nach Anspruch 20, bei dem der Modulationsindex (h) durch Multiplizieren des x-Wertes mit 1/π abgeleitet ist und der Frequenzversatz (f) durch Multiplizieren des y-Wertes mit 1/(2πT_sym) abgeleitet ist, wobei T_sym eine Symbolperiode darstellt.
Verfahren zum Schätzen eines Modulationsindex und eines Frequenzversatzes aus einem empfangenen phasenkontinuierlich modulierten CPM-Signals, dadurch gekennzeichnet, dass das Verfahren umfasst: Filtern einer Phasenkomponente eines differentiell modulierten CPM-Signals über zumindest zwei Filter, wobei das Filtern der Phasenkomponente das Filtern der Phasenkomponente über ein Korrelationsfilter (102; 302; 404) und ein Tiefpassfilter (104; 304; 406) beinhaltet; Berechnen eines α-Wertes und eines β-Wertes aus einer Trainingssequenz; Empfangen eines Signals, das durch jeden der zumindest zwei Filter ausgegeben wird, des α-Wertes und des β-Wertes; und Berechnen von Schätzungen des Modulationsindex und des Frequenzversatzes aus den empfangenen Signalen und dem empfangenen α-Wert und β-Wert.
Verfahren nach Anspruch 22, bei dem das Filtern der Phasenkomponente eines unterschiedlich demodulierten CPM-Signals über zumindest zwei Filter außerdem das Filtern der Phasenkomponente über ein zusätzliches Tiefpassfilter (306) beinhaltet.
Verfahren nach Anspruch 22, außerdem mit dem Entfernen von Bias aus der Schätzung des Modulationsindex.
Verfahren nach Anspruch 24, bei dem der Schritt des Entfernens von Bias das Empfangen von Informationen bezüglich des Frequenzversatzes und das Manipulieren des Modulationsindex beinhaltet, um einen kompensierten Modulationsindex zu bilden.
Verfahren nach Anspruch 22, bei dem die Schritte in der aufgelisteten Reihenfolge durchgeführt werden.
Verfahren nach Anspruch 22, bei dem die zumindest zwei Filter FIR-Filter mit begrenztem Ansprechen auf einen Impuls sind.
Verfahren nach Anspruch 22, bei dem das Verfahren in einer BLUETOOTH-Vorrichtung implementiert ist.
Verfahren nach Anspruch 22, außerdem mit: Weißen des Rauschens des empfangenen CPM-Signals.
Verfahren nach Anspruch 29, bei dem die Schritte in der aufgelisteten Reihenfolge durchgeführt werden.
Verfahren nach Anspruch 29, bei dem der Schritt des Weißens vor dem Schritt des Filterns durchgeführt wird.
Verfahren nach Anspruch 29, bei dem der Schritt des Weißens durch zumindest einen der zumindest zwei Filter durchgeführt wird.