本發(fā)明為一種迭代的MIMO-OFDM系統(tǒng)中快時變信道估計方法，屬于無線通信領(lǐng)域。

背景技術(shù)：

多輸入多輸出-正交頻分復(fù)用(MIMO-OFDM，multiple-input-multiple-output orthogonal frequency division multiplexing)技術(shù)由于其可以提供高的數(shù)據(jù)速率和對抗信道的頻率選擇性已被作為下一代無線通信的關(guān)鍵技術(shù)之一，并被廣泛的應(yīng)用到實際中。然而，MIMO-OFDM要發(fā)揮其優(yōu)勢，信道估計是該系統(tǒng)必不可少的關(guān)鍵的技術(shù)之一。目前已經(jīng)有了許多信道估計技術(shù)，通常這些現(xiàn)有的技術(shù)均是基于假設(shè)在一個MIMO-OFDM符號塊中信道是準靜態(tài)的或是慢時變的。然而，這種假設(shè)對于快時變信道是無效地，這是因為信道的快速時變將引起MIMO-OFDM符號塊中產(chǎn)生子載波間干擾，這將使得利用這些技術(shù)引起的信道估計誤差很高將不能用于均衡中去。因此，對高速移動信道進行估計需要考慮一個符號塊中信道的時變性。

為了解決上面的問題，國內(nèi)外一些學者已經(jīng)給出了一些移動MIMO-OFDM系統(tǒng)中時變信道的估計方法。在這些方法中，基于卡爾曼濾波的MIMO-OFDM信道估計方法被提出，并且由于該技術(shù)可以在高速移動環(huán)境中跟蹤信道的變化故被認為是一個有效的時變信道估計方法。然而，在這些基于卡爾曼濾波的信道估計方法中，自回歸(AR，autoregressive)模型的系數(shù)需要估計，由于其依賴于移動速度，因此很難精確地獲得AR模型的系數(shù)。為此，Takahiro NATORI等人(Takahiro NATORI等人,日本,2014 6th International Symposium on Communications,Control and Signal Processing,“A MIMO-OFDM channel estimation algorithm for high-speed movement environments”)給出了一種不需要估計AR模型的系數(shù)的基于卡爾曼濾波的時變信道估計方法，然而該方法僅適用于頻域?qū)ьl符號的信道估計，對于數(shù)據(jù)載波的信道估計不適用，并且該方法沒有考慮一個OFDM符號塊內(nèi)的載波間干擾帶來的影響。

近年來，為了有效的估計高速移動環(huán)境下時變信道，一些迭代的聯(lián)合信道估計和數(shù)據(jù)檢測的方法被提出來了。這些方法通過在信道估計和數(shù)據(jù)檢測之間迭代相互作用，大大地提高了信道估計精度。但是，在這些方法中數(shù)據(jù)檢測誤差是不可避免的，而檢測誤差傳播將會引起誤差基底。因此，在這些迭代方法中需要考慮數(shù)據(jù)檢測誤差的影響。Eric Pierre Simon等人(Eric Pierre Simon等人,法國,IEEE wireless communication letters,“Iterative soft-Kalman channel estimation for fast time-varying MIMO-OFDM channels”)雖然給出了一種考慮了檢測誤差的迭代信道估計方法，但是該方法需要對AR模型參數(shù)進行估計，而由于AR模型參數(shù)估計處理以及其精度的影響，導(dǎo)致該方法具有較高的計算復(fù)雜度和較慢的收斂速度。因此，需要研究一種實用的適用于高速移動MIMO-OFDM系統(tǒng)的時變信道估計方法。

技術(shù)實現(xiàn)要素：

技術(shù)方案：本發(fā)明采用的技術(shù)方案為一種應(yīng)用于高速移動MIMO-OFDM通信系統(tǒng)的迭代時變信道估計方法，旨在提高時變信道的估計精度和降低其計算復(fù)雜度。該方法通過聯(lián)合卡爾曼濾波和數(shù)據(jù)檢測方法實現(xiàn)每次迭代處理，其中卡爾曼濾波采用標準狀態(tài)空間模型，其只包含信道基函數(shù)系數(shù)、導(dǎo)頻/檢測數(shù)據(jù)和噪聲，并在每次迭代中將數(shù)據(jù)檢測誤差作為噪聲考慮到卡爾曼濾波中，大大地提高了信道估計精度，且具有低的計算復(fù)雜度。本發(fā)明采用的技術(shù)方案包括以下步驟：

步驟1：構(gòu)建標準狀態(tài)空間模型，建立只包含基擴展模型系數(shù)的狀態(tài)方程和包含導(dǎo)頻/檢測信號和噪聲的觀測方程

g_m＝S₁g_m-1+S₂u_m

y_m＝S_mg_m+w_m

式中，g_m＝[c_m^T,...,c_m-ρ+1^T]^T，c_m是基函數(shù)的系數(shù)矩陣，ρ是狀態(tài)向量的大小。N_t和N_r分別為發(fā)送天線和接收天線的數(shù)，Q和L分別為基函數(shù)的階數(shù)和信道的抽頭數(shù)，I為單位陣和0為全零矩陣。u_m＝c_m，Γ_m是由數(shù)據(jù)和導(dǎo)頻構(gòu)成的發(fā)送信號矩陣。y_m是接收信號向量，和w_m是噪聲向量。S₁是0和1構(gòu)成的ρN_tN_rQL×ρN_tN_rQL維的狀態(tài)轉(zhuǎn)移矩陣，其可以表示為

步驟2：對步驟1構(gòu)建的標準狀態(tài)空間模型采用卡爾曼濾波，其包含時間更新方程和測量更新方程兩部分，利用卡爾曼濾波中的時間更新方程，獲得基擴展模型系數(shù)的估計值和預(yù)測誤差的協(xié)方差矩陣，其分別為

${\hat{g}}_{m|m-1}=S_1{\hat{g}}_{m-1|m-1},{\hat{c}}_{m|m-1}={S_2}^H{\hat{g}}_{m|m-1}$

$p_{m|m-1}=S_1{p}_{m-1|m-1}{S_1}^H+S_2{C}_{u_m}{S_2}^H$

式中，表示在m時刻情況下第m時刻的預(yù)測值，p_m|m是在m時刻情況下第m時刻的預(yù)測誤差協(xié)方差值，為u_m的協(xié)方差矩陣。

${\hat{c}}_m={[{\hat{c}}_m^{\left(\mathrm{1,1}\right)T},...,{\hat{c}}_m^{(1,N_t)T},...,{\hat{c}}_m^{(N_r,N_t)T}]}^T,{\hat{c}}_m^{(r,t)}={[{\hat{c}}_{0,m}^{(r,t)T},...,{\hat{c}}_{L-1,m}^{(r,t)T}]}^T,{\hat{c}}_{l,m}^{(r,t)}={[{\hat{c}}_{1,l,m}^{(r,t)},...,{\hat{c}}_{Q,l,m}^{(r,t)}]}^T;$

步驟3：根據(jù)基擴展模型系數(shù)與時域信道之間的關(guān)系，利用步驟2中估計得到的基擴展模型系數(shù)獲得信道估計值；

步驟4：進行數(shù)據(jù)檢測處理，采用破零均衡方法和信道估計，獲得檢測信號；

步驟5：將數(shù)據(jù)檢測誤差作為噪聲一部分，計算檢測信號誤差的協(xié)方差矩陣，并利用檢測信號和導(dǎo)頻符號構(gòu)建新的發(fā)送信號，檢測數(shù)據(jù)誤差的協(xié)方差矩陣為

${\mathrm{\δ}}_{{\mathrm{\ψ}}_m}=I_{N_r}\⊗\frac{1}{N^2}\underset{t=1}{\overset{N_t}{\Σ}}\underset{q_1,q_2=1}{\overset{Q}{\Σ}}{M}_{q_1}{v}_m^{\left(t\right)}{M}_{q_2}^H\underset{l=0}{\overset{L-1}{\Σ}}{\[R_{c_l}^{\left(0\right)}\]}_{q_1,q_2}$

式中，是數(shù)據(jù)檢測誤差的協(xié)方差，N是OFDM符號中子載波的個數(shù)，是基函數(shù)系數(shù)的自相關(guān)函數(shù)，和M_q為

${\[M_q\]}_{k,k^{\′}}=\underset{n=0}{\overset{N-1}{\Σ}}{b}_{n,q}{e}^{\frac{j2\mathrm{\π}(k^{\′}-k)n}{N}},k=0,...,N-1;k^{\′}=0,...,N-1$

步驟6：對步驟5獲取得檢測信號誤差的協(xié)方差和構(gòu)建的新發(fā)送信號采用卡爾曼濾波的測量更新方程，獲取精度較高的基擴展模型系數(shù)估計值

$K_m=p_{m|m-1}{{\hat{S}}_m}^H{({\hat{S}}_m{p}_{m|m-1}{{\hat{S}}_m}^H+{\mathrm{\δ}}^2)}^{-1}$

${\hat{g}}_{m|m}={\hat{g}}_{m|m-1}+K_m(y_m-{\hat{S}}_m{\hat{g}}_{m|m-1})$

$p_{m|m}=p_{m|m-1}-K_m{\hat{S}}_m{p}_{m|m-1}$

${\hat{c}}_m={S_2}^H{\hat{g}}_{m|m}$

式中，K_m為卡爾曼濾波增益，δ²為噪聲和數(shù)據(jù)檢測誤差的協(xié)方差矩陣，其可以表示為

${\mathrm{\δ}}_m={\mathrm{\σ}}_w^2{I}_{{\mathrm{NN}}_r}+{\mathrm{\δ}}_{{\mathrm{\ψ}}_m}$

式中，為噪聲的協(xié)方差。

步驟7：返回步驟3，進行迭代處理，直至獲得高精度的信道估計。

其中，步驟1所述的標準狀態(tài)空間模型，該模型只包含基擴展模型系數(shù)、導(dǎo)頻/檢測信號和噪聲，不涉及自回歸模型參數(shù)的估計。

其中，步驟5中將檢測數(shù)據(jù)的誤差作為噪聲信號，計算其協(xié)方差，并將其用于卡爾曼濾波遞歸迭代中。

有益效果

本發(fā)明與現(xiàn)有技術(shù)相比較，采用的技術(shù)方案為一種聯(lián)合卡爾曼濾波和數(shù)據(jù)檢測的迭代估計方法，利用只包含基擴展模型系數(shù)、導(dǎo)頻、檢測信號和噪聲的標準狀態(tài)空間模型，避免了對AR模型參數(shù)的估計以及其估計精度對算法收斂速度的影響；在迭代中，將數(shù)據(jù)檢測誤差作為噪聲進行處理，減少了迭代中誤差傳播的影響，從而提高信道估計的精度。該方法具有較快的收斂速度和高的估計性能，故具有一定的實用價值。

附圖說明

圖1為本發(fā)明的系統(tǒng)模型圖。

圖2為本發(fā)明的流程圖。

圖3為本發(fā)明技術(shù)與傳統(tǒng)聯(lián)合方法在歸一化多普勒頻移為0.2時的性能比較圖。

圖4為本發(fā)明技術(shù)與傳統(tǒng)聯(lián)合方法在歸一化多普勒頻移為0.4時的性能比較圖。

具體實施方式

下面結(jié)合附圖進一步闡述本發(fā)明：

圖1為本發(fā)明的系統(tǒng)模型圖?？紤]一個MIMO-OFDM系統(tǒng)，其包含N_t個發(fā)送天線和N_r個接收天線。假設(shè)一個OFDM符號周期為T＝N_sT_s，其中T_s是采樣時間和N_s＝N+N_c，N和N_c分別為FFT長度和循環(huán)前綴的長度。第t個發(fā)送天線上第m個發(fā)送信號定義為則該信號經(jīng)過無線信道后，接收到的第m個OFDM符號可以表示為

y_m＝H_mx_m+w_m

式中，是第r個接收天線接收到的第m個OFDM符號。和是協(xié)方差為的加性高斯白噪聲。H_m是一個維數(shù)為N_rN×N_tN的MIMO信道矩陣，即

式中，是第t個發(fā)送天線和第r個接收天線間的信道矩陣，其元素可以表示為

${\[H_m^{(r,t)}\]}_{i,i^{\′}}=\frac{1}{N}\underset{l=0}{\overset{L-1}{\Σ}}{e}^{-\frac{j2{\mathrm{\πi}}^{\′}l}{N}}\underset{n=0}{\overset{N-1}{\Σ}}{\mathrm{\α}}_{l,m}^{(t,t)}\left(n\right)e^{\frac{j2\mathrm{\π}(i^{\′}-i)n}{N}}$

式中，L是信道抽頭的個數(shù)。是第l徑的信道衰落，其服從Jake功率譜分布，且均值為0和方差為定義則有即

${\[R_{{\mathrm{\α}}_l}^{\left({\mathrm{\τ}}^{\′}\right)}\]}_{i,i^{\′}}={\mathrm{\σ}}_{{\mathrm{\α}}_l}^2{J}_0\left(2{\mathrm{\πf}}_d{T}_s\right(i-i^{\′}+{\mathrm{\τ}}^{\′}{N}_s\left)\right)$

式中，J₀(·)是第一類零階貝塞爾函數(shù)。

對于L徑的時變信道而言，需要估計N_tN_rLN個采樣，其遠遠大于觀測方程的個數(shù)N_rN。因此，這將導(dǎo)致不能有效的估計信道，需要減少估計參數(shù)的個數(shù)。在本發(fā)明中，將采用具有有限參數(shù)的多項式基擴展模型來近似表示時變信道即

${\mathrm{\α}}_{l,m}^{(r,t)}\left(n\right)=\underset{q=1}{\overset{Q}{\Σ}}{b}_{n,q}{c}_{q,l,m}^{(r,t)}+{\mathrm{\ζ}}_{l,m}^{(r,t)}\left(n\right)$

式中，b_n,q是基函數(shù)，是基擴展模型建模誤差，Q是基函數(shù)的階數(shù)。為了簡化表示，利用向量的形式，上式可以表示為

${\mathrm{\α}}_{l,m}^{(r,t)}={\mathrm{Bc}}_{l,m}^{(r,t)}+{\mathrm{\ζ}}_{l,m}^{(r,t)}$

式中，[B]_n,q＝b_n,q是維數(shù)為N×Q的矩陣。

利用上式和忽略建模誤差，則接收信號可以重新表示為

y_m＝Γ_mc_m+w_m

式中，

$C_m={\[c_m^{(1,1)T},...,c_m^{(1,N_t)T},...,c_m^{(N_r,N_t)T}\]}^T$

$C_m^{(r,t)}={\[{c_{0,m}^{(r,t)}}^T,...,{c_{L-1,m}^{(r,t)}}^T\]}^T$

${\mathrm{\Γ}}_m=I_{N_r}\⊗\[{\mathrm{\Γ}}_m^{\left(1\right)},...,{\mathrm{\Γ}}_m^{\left(N_t\right)}\]$

${\mathrm{\Γ}}_m^{\left(t\right)}=\frac{1}{N}\[Z_{0,m}^{\left(t\right)},...,Z_{L-1,m}^{\left(t\right)}\]$

$Z_{l,m}^{\left(t\right)}=\[M_{1}diag\left\{x_m^{\left(t\right)}\right\}{f}_l,...,M_{Q}diag\left\{x_m^{\left(t\right)}\right\}{f}_l\]$

式中，f_l是N×L維的傅里葉變化矩陣F的第l列，M_q是N×N維的矩陣，即

${\[F\]}_{k,l}=e^{-\frac{j2\mathrm{\π}kl}{N}},l=0,...,L-1;k=0,...,N-1$

${\[M_q\]}_{k,k^{\′}}=\underset{n=0}{\overset{N-1}{\Σ}}{b}_{n,q}{e}^{\frac{j2\mathrm{\π}(k^{\′}-k)n}{N}},k=0,...,N-1;k^{\′}=0,...,N-1$

利用基擴展模型系數(shù)，信道矩陣可以表示為

$H_m^{(r,t)}=\underset{q=1}{\overset{Q}{\Σ}}{M}_{q}diag\left\{{\mathrm{F\χ}}_{(q,m)}^{(r,t)}\right\}$

式中，

假設(shè)和利用本發(fā)明方法進行迭代處理，從而最終得到高精度的信道估計

仿真結(jié)果

下面結(jié)合仿真分析本發(fā)明的性能。在仿真中假設(shè)系統(tǒng)具有1根發(fā)送天線和2根接收天線，F(xiàn)FT長度為128，循環(huán)前綴長度為FFT的八分之一。一個OFDM符號包含32個導(dǎo)頻和導(dǎo)頻間距為4。載波頻率為10GHz，數(shù)據(jù)載波的調(diào)制方式為16QAM，歸一化的多普勒頻移考慮0.2和0.4兩種情況。狀態(tài)向量大小考慮2，仿真中考慮采用6徑的瑞利信道，其服從指數(shù)延遲功率譜分布。

圖3為本發(fā)明與傳統(tǒng)方法在歸一化多普勒頻移為0.2情況下的MSE性能圖。由圖3可以看出，本發(fā)明技術(shù)比傳統(tǒng)的Kalman濾波和數(shù)據(jù)檢測聯(lián)合方法具有更好的估計性能，這主要是由于本發(fā)明技術(shù)考慮數(shù)據(jù)檢測誤差的影響，而傳統(tǒng)聯(lián)合方法中沒有考慮。另外，本發(fā)明技術(shù)在迭代次數(shù)為3時，其估計性能幾乎與全數(shù)據(jù)輔助的理想情況性能一致，而傳統(tǒng)聯(lián)合方法迭代次數(shù)為9時仍然具有比較差的估計性能。這說明本發(fā)明技術(shù)具有較快的收斂速度。

圖4為本發(fā)明與傳統(tǒng)方法在歸一化多普勒頻移為0.4情況下的MSE性能圖。由圖3和圖4可以看出，隨著多普勒頻移的增大，各種估計方法的估計性能均下降。但是，與傳統(tǒng)聯(lián)合方案相比，本發(fā)明仍然具有較好的估計性能，并且本發(fā)明技術(shù)利用比較小的迭代(如迭代3次)就可以逼近理想情況下的性能。