CN101252559A - 一种训练序列时变步长最小均方方法 - Google Patents

Abstract

本发明提供了一种训练序列时变步长最小均方方法，特别是一种训练序列快速信道估计方法。该方法采用能通过估计误差调控、自适应地跟踪特征参数变化的因子改善了算法的收敛速度并快速获得最佳滤波器权系数。该发明获得了一种比现有技术收敛速度更快、估计精度更高的训练序列最小均方特征参数估计方法。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。同时，本发明的思想可以应用于码分多址、时分多址的信道估计装置，也可以用于采用LMS方法以及其衍生方法中。涉及通信、石油地震勘探、声纳、图象处理、计算机视觉、生物医学工程、振动工程、雷达、遥控遥测、航天等多种领域。

Description

一种训练序列时变步长最小均方方法

技术领域：

本发明涉及一种训练序列时变步长最小均方方法。尤其涉及涉及数字地面电视、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，本发明所涉及一种训练序列时变步长最小均方方法，该思想可以用于码分多址(CDMA)和时分多址(TDMA)***中进行信道估计，还可以用于石油地震勘探、雷达、航天、声纳、生物医学工程、图象处理等领域和技术中估计其他特征参数。

背景技术：

最小均方(LMS)算法和递归最小二乘(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，LMS算法虽然计算简单，但是收敛速度不够快，且估计性能不够好。尤其是在特征参数不断变化时，要求估计方法能够适应环境的变化。

在专利技术99102439.7“移动式接收机中的信道跟踪”中提出了一种存在频率偏移时对频偏和信道进行估计的方法，但是，该方法中信道估计收敛速度仍不够快，且估计性能不够精确。

然而，传统的固定步长μ的L M S算法在收敛速度、时变***的跟踪能力和稳态失调之间的要求是存在很大矛盾的。小的步长μ确保稳态时具有小的失调，但是算法的收敛速度慢，并且对非稳态***的跟踪能力差。另一方面，大的步长μ使算法具有更快的收敛速度和好的跟踪能力，但这是以大的失调为代价的。为解决这一矛盾，多种改进型的L M S算法被提出，归纳起来主要有两种。

①变步长L M S算法变步长L M S算法是基于这样的准则：当权系数远离最佳权系数时，步长比较大，以加快收敛速度和对时变***的跟踪速度；当权系数接近最佳权系数，步长比较小，以获得较小的稳态误调噪声。

②变换域L M S算法  当输入信号本身具有很强的相关性时，时域L M S算法就会收敛速度减慢。可以通过某种正交变换，先去除输入信号之间的相关性，再进行自适应滤波，这种算法就称为变换域L M S算法。

变换域L M S算法与时域L M S算法的区别主要在于多了一个正交变换的过程。

故为满足多径衰落信道下在较短的时间内获得信道估计值的需要，对于正交频分复用通信***，存在改进信道估计方法的必要。

发明内容：

本发明的目的是：提出一种训练序列时变步长最小均方方法，该方法不仅可以在正交频分复用(OFDM)通信***进行快速信道估计，而且可用于其他领域估计特征参数变化。该法相对于现有技术的训练序列LMS估计方法将提高收敛速度、增强自适应能力、增强估计精度、且容易实现。

为了实现上述目的，本发明提出了一种训练序列时变步长最小均方方法，该方法称为TVCPTLMS方法。其技术方案是：利用训练序列进行信道估计，在估计中通过误差信息自适应调整步长中，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。

本发明提出了一种训练序列时变步长最小均方方法，不仅可以用于快速信道估计，而且可以有效地估计出信道状态参数并用于解调，从而有效提高***性能。

下面以OFDM***中进行信道估计参数为例进行说明。

本发明的估计模型和原理如下：

定理1：(训练序列时变步长最小均方估计器)训练序列时变步长最小均方估计算法由式(1)到式(3)确定：

${\widehat{\mathrm{\β}}}_n={\widehat{\mathrm{\β}}}_{n-1}+{\mathrm{\μ}}_{n}u\left(n\right)e\left(n\right)---\left(1\right)$

$e\left(n\right)=Y\left(n\right)-u{\left(n\right)}^T{\widehat{\mathrm{\β}}}_{n-1}---\left(2\right)$

μ(n)＝μ_max(1-e^{-α‖e(n)x(n)‖})    (3)

经过OFDM通信***链路仿真也证明，与其他常规训练序列最小均方法相比，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。虽然关于本发明的技术方案的上述讨论主要针对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在通信、石油地震勘探、航天、雷达、测控等领域用于估计其他特征参数。

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9个模块，其中初始值设置5、时变步长构造6、更新矩阵构造7、误差信息8、特征参数估计9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。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    (4)

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是现有技术TLMS信道估计方法与本专利技术性能比较图。其中包括训练序列最小均方(TLMS)估计方法、训练序列时变步长最小均方(TVCPTLMS)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：

$\mathrm{Error}=\frac{1}{N_c-N_0-1}\underset{n=N_0}{\overset{N_c}{\mathrm{\Σ}}}{|\mathrm{\β}-{\widehat{\mathrm{\β}}}_n|}^T|\mathrm{\β}-\widehat{\mathrm{\β}}|---\left(5\right)$

其中，N₀是比估计器初始瞬时响应时刻更大的一个整数。

由图2可知，本专利技术提高了估计方法的收敛速度和估计性能。虽然图2仅是一个仿真示例，但是其结论具有普遍意义。

图3是TLMS与本专利技术估计信道相对比，冲激响应估计误差平方比较，反映出常数步长、时变步长的训练序列LMS算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。在不同延迟扩展时，本专利技术在估计信道响应时比相应的现有技术常数步长训练序列LMS算法性能更优。

图4为常数步长、时变步长训练序列LMS算法在不同信噪比时对应的信道估计性能。在该图中，信道环境为无线移动信道。对于时变信道，在不同信噪比时，时变步长训练序列LMS算法在估计信道响应时比常数步长LMS训练序列算法性能更优。

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调制的基带信号及训练序列u(n)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。其中，v为噪声。

Y＝Uh+r

3、选择训练序列u(n)，设定参数β₀的值，计算出误差矩阵e(n)。其中：

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

4、设定参数α、μ_max的值，计算出步长矩阵μ(n)。有：

μ(n)＝μ_max(1-e^{-α‖e(n)x(n)‖})

5、通过循环迭代，估计出信道特征参数

${\widehat{\mathrm{\β}}}_n={\widehat{\mathrm{\β}}}_{n-1}+{\mathrm{\μ}}_{n}u\left(n\right)e\left(n\right)$

Claims (4)

1、本发明涉及一种训练序列时变步长最小均方方法，其特征在于包括如下步骤：

步骤1：对于输入信号矢量及所选择的训练序列u(n)，经过未知的特征参数***h后，其输出信号矢量为y(n)。假设***噪声为v(n)，则有：

y＝Uh+v(1)

步骤2：设定参数β₀的值，计算出误差矩阵e(n)。其中：

e(n)＝Y(n)-u(n)^Tβ_n-1(2)

步骤3：设定参数α、μ_max的值，计算出步长矩阵μ(n)。有：

μ(n)＝μ_max(1-e^{-α‖e(n)x(n)‖})    (3)

步骤4：通过循环迭代，估计出特征参数β(n)。

β(n)＝β(n-1)+μ(n)u(n)e(n)    (4)

2、如权利要求1所说，一种训练序列时变步长最小均方方法，其特征在于：步长是与误差矩阵相关的、时变的。其核心思想是：首先让滤波器权系数为一个较大的值，再通过误差矩阵调控时变步长，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所述的一种训练序列时变步长最小均方方法，其特征在于：该方法不仅可用于OFDM、CDMA、TDMA等通信***中的信道估计，而且可以用于其他一切LMS方法以及其衍生方法(如：训练序列LMS方法、盲LMS方法等)。

4、如权利要求1所述的一种训练序列时变步长最小均方方法，其特征在于：本专利的思想可以用于通信、雷达、航天、测控、图象处理、生物医学工程、石油地震勘探、声纳等领域估计多种特征参数。凡是使用该思想的技术和方法均应包括在本发明思想和范围之内。

Images