CN101001225A - 精度高的特征参数自适应盲估计方法 - Google Patents

Abstract

本发明提供了一种精度高的特征参数自适应盲估计方法，该方法采用时变步长改善了算法的收敛速度并快速获得最佳滤波器权系数、采用修正的软判决加权以维持硬判决误差和信道噪声的鲁棒性，这些技术的运用获得了一种比现有递归最小二乘技术收敛速度更快、估计精度更高的信道盲估计方法。本发明实现容易，能用于各类采用OFDM进行调制的通信***中进行信道估计，也可用于码分多址(CDMA)***、时分多址(TDMA)***中进行信道估计。同时，本发明的思想仍可用于所有的RLS算法以及其衍生算法和装置中用于估计通信、地震勘探、声纳、图像处理、计算机视觉、生物医学工程、振动工程、雷达、遥控遥测、航天等领域的特征参数。

Description

精度高的特征参数自适应盲估计方法

技术领域：

本发明涉及一种精度高的特征参数自适应盲估计方法。尤其适合于信道估计，属于使用电磁波技术的数字移动通信领域，特别涉及数字电视、单载波OFDM通信***、多载波OFDM通信***、无线局域网(WLAN)等采用OFDM调制的数字通信***中的信道估计技术。同时，本发明不但可用于码分多址(CDMA)和时分多址(TDMA)***中进行信道估计，而且本发明的思想还可用于一切RLS方法以及其衍生的方法中估计通信、雷达、航天、遥控遥测、声纳、图象处理、计算机视觉、生物医学工程等领域的其他特征参数。

背景技术：

众所周知，高频带无线电波在传输过程中，要经过房屋、车辆、高山等多种传输环境反射或衍射。即：天线接收到的原始信号不但幅度不同，而且相位也存在差异。这些信号幅度组合的结果将导致信号幅度剧烈的波动，即所谓的多径衰落。

在OFDM通信***中，这种多径衰落无线信道是频率选择性的和时间选择性的，所以，在OFDM信号解调前对动态信道进行估计是非常重要的。

信道估计可以采用以一定的周期在OFDM符号的子载波上***训练序列来实现，也可采用在每个OFDM符号上***训练序列的方式。前者称为块状导频信道估计，主要用于对慢衰落信道的估计。后者称为梳状导频信道估计，主要用于快衰落信道的估计。这两种方法均可进一步分为最小二乘(Least Square，LS)法或最小均方误差(Minimum Mean-Square-Error，MMSE)法等。然而，这些方法均占用了有用的带宽并减少了数据传输效率。

不采用训练序列的信道盲估计方法则是另一种思路。该方法最大的优点就是没有用宝贵的带宽资源来换取信道估计的性能。

在信道盲估计算法中，最佳盲估计算法必须具备如下三点条件。第一、信道盲估计算法的收敛性必须快，即信道必须在尽可能少的符号内精确地估计出来；第二、算法的自适应调节能力必须很强以便能够自适应地追踪信道变化以满足通信的需要；第三、盲算法的计算复杂度和硬件实现复杂度应该较低，以增强其实用性。

尽管近年来提出了许多信道估计和均衡的盲算法，但是很少有算法能同时满足收敛速度快、自适应能力强以及计算复杂度低这三个要求。确定性的batch算法(如：子空间(SS)算法见文献L.Tong and Q.Zhao，“Joint order detection and channel estimation by least squares smoothing”.InProc.50th Conf.Information Science and Systems，Princeton，N.J.，Mar.1998.，互相关(cross relation，CR)算法见文献Q.Zhao and L.Tong，“Adaptive blind channel estimation by least squares smoothing”，IEEE Trans.SignalProcessing，47(11)：3000-3012，Nov.1999.，联合阶检测和信道估计算法见文献GXu，H.Liu，L.Tong，and T.Kailath，“Aleast-squares approach to blind channel identification”.IEEE Trans.Signal Processing，SP-43(12)：2982-2993，Dec.1995.等)收敛速度快，然而计算量大，自适应性能差。线性预测(LP)算法K.Abed-Meraim，E.Moulines，and P.Loubaton.“Prediction error method for second-order blind identification”，IEEE Trans.Signal Processing，SP-45(3)：694-705，March 1997.虽然能追踪信道的能力增强，但是其性能严重依赖于输入序列的统计不相关性，并且该类算法收敛性较差。利用许多边信息来进行信道盲估计的算法计算量大。如：在文献B.Muquet，M.deCourville，P.Duhamel.and V.Buenac，“A subspace basaed blind and semi-blind channel identification method for OFDM systems”.inProc.SPAWC，Annapolis，MD，May 1999.中利用时域信号相关矩阵的子空间结构估计信道。在文献H.Wang，Y.Lin and B.Chen，“Blind OFDM channel estimation using receiver diversity”，in Proc.Conf.Info.Sci.Sys.，Princeton，NJ，March2002.中通过接收分集，利用两个接收天线对相同信息符号的响应一致的原理来获得信道。

实际上，递归最小二乘(RLS)算法是为大家都知道的自适应估计和预测技术，在不同方面有着广泛的应用。然而，虽然该算法计算简单，但是收敛速度不够快，且估计性能不够好。

发明内容：

本发明的目的是：提出一种精度高的特征参数自适应盲估计方法，这些方法相对于现有技术的特征参数估计方法将提高收敛速度、增强自适应能力和信道估计精度，实现简单。

为了实现上述目的，本发明提出了一种精度高的特征参数自适应盲估计方法。其技术方案是：将现有技术中的常数步长改为可变步长，首先让滤波器权系数为一个较大的值，等到滤波器权系数收敛到最佳权系数后，步长减少以获得更好的估计性能。同时，为了维持硬判决误差和信道噪声的鲁棒性，还对接收机软判决信息函数作为权系数的软加权判决进行加权并修正。由此思想，在本专利中，提出了一种精度高的特征参数自适应盲估计方法，即：修正的时变步长软判决加权最小二乘法(TVCPMSDWRLS)。

本发明提出的一种精度高的特征参数自适应盲估计方法，可以有效地估计出特征状态参数(如：信道参数)。

本发明的信道估计模型和原理详细说明如下：

定理1：假设有精确的判决误差信息，这样可以利用该信息作为RLS方法判决的加权系数。该系数将使噪声和判决错误产生的影响降低。

假设θ_i和φ_i分别是软判决和硬判决时的解调处理过程中的幅角，定义p_i为反映软判决和硬判决之间差异的在[0，1]之间的归一化值，有：

$p_i=1-\frac{|{\mathrm{\φ}}_i-{\mathrm{\θ}}_i|}{\mathrm{\π}/S}---\left(1\right)$

其中，S是可供选择的符号数目。

由于信道可以表示为多个时延的抽头延时，所以有：

u(n)＝[u(n)，u(n-1)，...，u(n-M+1)]^T    (2)

X(n)＝[x(n)，x(n-1)，...，x(n-M+1)]^T    (3)

相应地，在时刻n的权重需要反映过去M个判决的精确性。于是，该可能的权重的集合为：

a_n＝p_np_n-1...p_n-M+1     (4)

定理2：(修正的时变步长软加权判决RLS估计器)修正的时变步长软加权判决RLS估计器算法由式(5)到式(9)确定，其中a_n由式(4)确定。

${\widehat{\mathrm{\β}}}_n={\widehat{\mathrm{\β}}}_{n-1}+{\mathrm{\μ}}_n{a}_n{H}_n^{-1}X\left(n\right)e\left(n\right)---\left(5\right)$

H_n＝λH_n-1+X(n)X^T(n)    (6)

$e\left(n\right)=Y\left(n\right)-X{\left(n\right)}^T{\widehat{\mathrm{\β}}}_{n-1}---\left(7\right)$

其中：μ_n＝α_n×μ₀     (8)

${\mathrm{\α}}_n=C^{\frac{1}{1+{\mathrm{an}}^b}}---\left(9\right)$

在本发明中，该方法采用时变步长可以使算法收敛速度更快，该方法中假设有精确的判决误差信息，这样可以利用该信息作为RLS方法判决的加权系数并修正。该系数将使噪声和判决错误产生的影响降低。

经过OFDM通信***链路仿真也证明，与其他常规方法相比，本发明具有收敛速度快、估计精度高、计算复杂度低的特点。

本发明适用于所有采用OFDM***进行调制的***，尤其适用于OFDM***中的信道估计技术。虽然本发明的技术方案主要针对OFDM***，但是，任何具有信号处理、通信等知识背景的工程师都可以根据本发明设计出相应的针对码分多址、时分多址的信道估计装置，这些均应包含在本发明思想和范围之中。同时，本专利的思想也可以用于采用LMS方法以及其衍生方法估计通信、雷达、航天、遥控遥测等领域的其他特征参数，这些方法也应包含在本发明的思想和范围中。

附图说明：

图1为本专利技术框图。如图所示，本专利技术包括13个模块，其中初始值设置7、时变步长构造8、更新矩阵构造9、软判决信息构造10、修正软判决信息11、误差信息12、特征参数估计13为该专利技术与常规技术不同之处。

从图2到图4的仿***要参数为：信道模型为前述的标准的Rummler信道和无线移动信道，QPSK调制，RLS算法的遗忘因子λ＝0.99，RLS常数步长μ₀＝0.02，RLS时变步长因子a＝0.001，b＝1.2，c＝5.0。

在仿真中，采用两种不同的信道环境。即：Rummler信道和无线移动瑞利信道。Rummler信道由三条多径组成，其中前两条的时延较相近，因此，该信道模型可以看成为两条多径组成，即：一条直视(LOS)径和一条反射径。而无线移动瑞利信道响应的每个抽头满足一定的衰减规律，该衰减可以用一个单极低通滤波器响应来描述，可以表示为：

G(v)＝A(1-(v/f_m)²)^-1/2    (28)

其中，A是抽头的衰减，v为移动速度。f_m为3dB频率，有时用多普勒频率表示。

图2是盲递归最小二乘(BRLS)估计方法、修正的时变步长软判决加权递归最小二乘盲(TVCPMSWRLS)估计方法。

为了比较本专利技术和现有技术的性能，我们采用真实的冲激响应与其估计值之间的差异绝对值取平方并平均来描述。即：

$\mathrm{Error}=\frac{1}{N_c-N_0-1}\underset{n=N_0}{\overset{N_c}{\mathrm{\Σ}}}{|\mathrm{\β}-{\widehat{\mathrm{\β}}}_n|}^T|\mathrm{\β}-\widehat{\mathrm{\β}}|---\left(29\right)$

其中，N₀是比估计器初始瞬时响应时刻更大的一个整数。

由此进行比较可知，本专利技术提高了信道估计方法的收敛速度和信道估计性能。虽然图1仅是一个仿真示例，但是其结论具有普遍意义。

图3分别为盲递归最小二乘(BRLS)估计方法、修正的时变步长软判决加权递归最小二乘盲(TVCPMSDWRLS)估计方法在不同延迟扩展时对应的信道估计性能。其中，信噪比固定为10dB，Rummler信道的延迟扩展在一个间隔增量中从1个符号间隔到5个符号间隔间变化。由该图比较可以看出，在不同延迟扩展时，本专利技术性能特别优异。

图4为常数步长RLS算法与本专利技术在不同信噪比时对应的信道估计性能。在该图中，采用Rummler信道模型，延迟扩展固定为一个符号间隔，信噪比从0dB到30dB之间变化。

比较该图可以看出：在相同的信噪比时，本文建议方案有效地提高了信道估计的性能。

具体实施方式：

下面通过具体的实施对本发明的技术方案作进一步的描述。

具体步骤为：

1、发送端将OFDM调制的基带信号送入，产生保护间隔，通过D/A与成型滤波器，产生发射信号。

2、在接收端，接收信号通过A/D与低通滤波器后，保护间隔被删除，获得接收信号矩阵Y。

Y＝Xh+v          (1)

3、设定参数μ₀、a、b的值，计算出步长矩阵μ_n。其中：

μ_n＝α_n×μ₀    (2)

${\mathrm{\α}}_n=C^{\frac{1}{1+{\mathrm{an}}^b}}---\left(3\right)$

4、假设有精确的判决误差信息，这样可以利用该信息作为RLS方法判决的加权系数。该系数将使噪声和判决错误产生的影响降低。

假设θ_i和φ_i分别是软判决和硬判决时的解调处理过程中的幅角，定义p_i为反映软判决和硬判决之间差异的在[0，1]之间的归一化值，有：

$p_i=1-\frac{|{\mathrm{\φ}}_i-{\mathrm{\θ}}_i|}{\mathrm{\π}/S}---\left(4\right)$

其中，S是可供选择的符号数目。

由于信道可以表示为多个时延的抽头延时，所以有：

u(n)＝[u(n)，u(n-1)，...，u(n-M+1)]^T    (5)

X(n)＝[x(n)，x(n-1)，...，x(n-M+1)]^T    (6)

相应地，在时刻n的权重需要反映过去M个判决的精确性。于是，该可能的权重的集合为：

a_n＝p_np_n-1…p_n-M+1                      (7)

5、设定参数λ的值，对于修正的时变步长软加权判决RLS估计器算法，a_n由式(7)确定。而更新矩阵为：

H_n＝λH_n-1+X(n)X^T(n)                    (8)

6、设定参数β₀的值，计算出误差矩阵e(n)。其中：

$e\left(n\right)=Y\left(n\right)-X{\left(n\right)}^T{\widehat{\mathrm{\β}}}_{n-1}---\left(9\right)$

7、通过循环迭代，估计出信道特征参数

${\widehat{\mathrm{\β}}}_n={\widehat{\mathrm{\β}}}_{n-1}+{\mathrm{\μ}}_n{a}_n{H}_n^{-1}X\left(n\right)e\left(n\right)---\left(10\right)$

Claims (4)

1、本发明涉及一种精度高的特征参数自适应盲估计方法，其特征在于包括如下步骤：

步骤1输入信号矢量u(n)通过未知的特征参数矢量D后，假设噪声为W，其输出信号矢量为Y(n)。

Y＝UD+W           (1)

步骤2设定参数μ₀、a、b的值，其中，α_n为非线性时变参数，计算出时变的步长矩阵μ_n。

μ_n＝α_n×μ₀    (2)

${\mathrm{\α}}_n=C^{\frac{1}{1+{\mathrm{an}}^b}}---\left(3\right)$

步骤3假设有精确的判决误差信息，这样可以利用该信息作为RLS方法判决的加权系数。该系数将使噪声和判决错误产生的影响降低。

假设θ_i和φ_i分别是软判决和硬判决时的解调处理过程中的幅角，定义p_i为反映软判决和硬判决之间差异的在[0，1]之间的归一化值，有：

$p_i=1-\frac{|{\mathrm{\φ}}_i-{\mathrm{\θ}}_i|}{\mathrm{\π}/S}---\left(4\right)$

其中，S是可供选择的符号数目。

由于未知特征参数***可以表示为多个时延的抽头延时，所以有：

X(n)＝[x(n)，x(n-1)，...，x(n-M+1)]^T    (5)

相应地，在时刻n的权重需要反映过去M个判决的精确性。于是，该可能的权重的软判决信息集合为：

a_n＝p_np_n-1…p_n-M+1    (6)

步骤4设定参数λ和H₀的值，计算出更新矩阵H_n。

H_n＝λH_n-1+X(n)X^T(n)    (7)

步骤5设定参数β₀的值，计算出误差矩阵e(n)。其中：

e(n)＝Y(n)-X(n)^Tβ_n-1    (8)

步骤6通过循环迭代，估计出特征参数

${\mathrm{\β}}_n={\mathrm{\β}}_{n-1}+{\mathrm{\μ}}_n{a}_n{H}_n^{-1}X\left(n\right)e\left(n\right)---\left(9\right)$

2、如权利要求1所说，一种精度高的特征参数自适应盲估计方法，其特征在于：步长是时变的。其核心思想是：先让滤波器权系数为一个较大的值，等到滤波器权系数快速收敛到最佳权系数后，步长变化减少以获得更好的估计性能。

3、如权利要求1所述的一种精度高的特征参数自适应盲估计方法，其特征在于：为了维持硬判决误差和信道噪声的鲁棒性，利用接收机软判决信息函数作为权系数的软加权判决并修正的方法。

4、如权利要求1所述的一种精度高的特征参数自适应盲估计方法，其特征在于：本专利思想可用于OFDM、CDMA、TDMA中估计信道特征，也可用于一切现有的RLS方法以及由RLS方法衍生的一系列方法中；该专利涉及通信、雷达、航天、遥控遥测、声纳、图象处理、计算机视觉、生物医学工程等领域。

Images