CN103560984A - 基于多模型加权软切换的信道自适应估计方法 - Google Patents

Abstract

本发明属于无线电通信领域，公开了一种基于多模型加权软切换的信道自适应估计方法。首先建立信道***模型，选择时频双选信道，确定信道参数。然后基于信道模型和估计方法建立信道估计子模型和多模型信道估计库，分析并计算信道估计模型的模型误差和估计误差。最后根据模型误差和估计误差结合的切换指标，通过LUMV的加权多模型自适应估计算法来完成模型的切换。本发明提出了在传输信道模型不确定条件下，结合信道模型和估计方法，将多模型自适应控制理论中的多模型思想引入到信道估计中，并且采用一种线性误差最小方差的加权多模型自适应估计方法来完成切换，使信道估计方法在复杂信道范围内具有高鲁棒性和精确性。

Description

基于多模型加权软切换的信道自适应估计方法

技术领域

本发明属于无线电通信领域，涉及一种基于多模型加权软切换的信道自适应估计方法。

背景技术

信道估计算法针对建立的信道模型按照不同的准则设计估计算法以获得模型参数值。常用的信道估计算法有最大似然ML估计、EM估计(EM算法是当观测数据不完备时，实现渐进ML估计的迭代算法)、LS估计、RLS估计、LMMSE估计、Kalman滤波等。ML/EM估计基于最大似然准则，是在对被估计的参数没有任何先验知识的情况下，利用已知的若干观测值(完备或不完备)估计该参数，其有效性较高，复杂度也较高；LS以估计值和目标值的二乘误差最小化为目标，算法简单，但受信噪比和CIR长度的影响较大，故经常作为初始估计步骤再结合其他算法进行改进；基于观测值和信道统计特性，LMMSE估计以估计值和目标值的均方误差最小化(MMSE)为目标进行估计，性能相对较好，Kalman滤波结合AR模型作为一种MMSE估计器，具有自适应跟踪的特性，在不确定信道估计特性情况下仍可有效进行估计。

基于以上分析可见，建立信道模型、设计估计算法并有效跟踪信道状态的突变成为提高信道估计性能的关键。目前的研究分析了不同模型和估计方法下的误差并不断改进方法以减小误差，但是不同的模型和估计过程在不同的信道环境下的信道估计误差的性能存在很大差异，且性能相对较好的估计方法与信道统计特性的获得紧密相关，因此，迫切需要研究强健的信道估计方案，应用于实际的未知的复杂环境。

发明内容

为了克服不同的信道模型和估计过程在不同的信道环境下的信道估计误差的性能存在很大差异，且性能相对较好的估计方法与信道统计特性的获得紧密相关的不足，本发明提供了一种信道估计多模型加权软切换方法。

为了实现上述目的，本发明采用的技术方案是：首先分析无线信道各种估计算法的性能及条件因素，确定使用估计算法。然后，建立信道***模型，选择时频双选信道，确定信道参数。基于信道模型和估计方法建立信道估计子模型和高覆盖性和灵活性的多模型信道估计库。分析并计算信道估计模型的模型误差和估计误差。最后根据模型误差和估计误差结合的切换指标，通过LUMV的加权多模型自适应估计算法来完成模型的切换，以达到优化的目的。

本发明所采用的技术方案包括以下步骤：

步骤1，建立信道***模型。

本发明采用时频双选信道。用h(t;τ)表示(t-τ)时刻的发送符号对t时刻接收符号产生的影响系数，假设发送序列和接受序列的抽样间隔均为T_s，并用

替代τ。数据块传输***的发送符号为u(i)，

在u(i)中取N(1≤N≤200)个连续符号构成第k(k≥1)个数据块u_k。

假设信道为瑞利信道，信道的路径最大时延及最大多普勒频移为τ_max和f_max，且满足2τ_maxf_max＜1，并且其信道状态在一个传输数据块的范围上是缓慢变化的。则数据块u_k上的信道h_k(n;l)可用基扩展（Basic Expend Model，BEM）模型表示如下：

$h_k(n;l)=\left\{\begin{array}{cc}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\left(l\right)f_q\left(n\right),& l\∈[0,L]\\ 0,& \mathrm{others}\end{array}\right\}---\left(1\right)$

式中，

为基函数，1≤n≤N，ω_q＝π(q-(Q+1)/2)/N，Q为基系数的个数，

C_k,q(l)为基扩展模型的系数，1≤l≤L，

将一个数据块u(i)作为估计单位，采用信道基模型的(Q+1)×(L+1)个C_k,q(l)来表示N×(L+1)个未知量h_k(n;l)，使得信道模型和估计参数得到简化。依据瑞利信道特性可知，C_k,q(l)是均值为零，方差为

的复高斯随机变量。

步骤2，采用导频符号辅助的信道估计方法估计信道响应。

步骤2.1，建立发送、接收信号模型。

发送端发送序列u_k包括两部分，即信息符号s_g和导频符号p_g。在一个数据块中均匀***G个导频符号p_g，数据块u_k表示为：

$u_k={[p_1^T,s_1^T,p_2^T,s_2^T,...,p_G^T,S_G^T]}^T---\left(2\right)$

式中，ZP(zero padding)导频序列形式为

共包括N_s个信息符号和N_p个导频序列符号，N＝N_s+N_p。

发送符号u(i)经过多径信道h(i;l)后接收到的符号y(i)表示为：

$y\left(i\right)=\underset{l=0}{\overset{L}{\mathrm{\Σ}}}h(i;l)u(i-l)+w\left(i\right)---\left(3\right)$

式中，w(i)表示均值为零、方差为

的加性高斯白噪声(AWGN)。

步骤2.2，获得导频信息。

基于基扩展模型、对应于发送数据块u_k的接收数据块y_k可表示为：

$\begin{array}{c}{y}_k=H_k{u}_k+w_k\\ H_k=\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{F}_q{C}_{k,q}\end{array}---\left(4\right)$

式中，w_k∈￡_N×1为零均值、

方差的AWGN向量，H_k为下三角矩阵且满足[H_k]_n,m＝h_k(n;n-m)，n≥m，C_k,q是第一列为[C_k,q(0),C_k,q(1),...,C_k,q(L),0,...0]^T的Toeplitz矩阵，F_q＝diag[f_q(1),f_q(2),…,f_q(N)]是一对角阵。

接收数据块y_k中有一类为仅受到导频序列影响的其表达式为：

$\begin{array}{c}{y}_k^p=H_k^{p}p+w_k^p\\ p={[p_1^T,...,p_g^T,...,p_G^T]}^T\end{array}---\left(5\right)$

式中，

和分别为H_k和w_k中的对应于导频p的子矩阵。式中包括(Q+1)×(L+1)个未知参数C_k,q(l)，对应每一个p_g在接收端只能获得(L+1)个仅受到导频影响的符号，因此需在一个数据块中***至少(Q+1)个导频序列来获得C_k,q(l)，即G≥Q+1。结合(5)式和Toeplitz矩阵与向量相互转换原理得：

$y_k^p={\mathrm{\Φ}}^p{C}_k+w_k^p---\left(6\right)$

式中，Φ^p为导频信息转化矩阵，其表达式为：

式中，

为F_q中对应于导频序列p_g的子矩阵，其表达式为：

$F_{q,g}^p=\mathrm{diag}[f_q\left(g\frac{N}{G}\right),...,f_q((g+1)\frac{N}{G}-1)]---\left(8\right)$

P_g是由导频序列p_g中的导频符号p_g,l构造的(L+1)×(L+1)型Toeplitz矩阵，l＝1,...,L+1，由于p_g结构相同，此处忽略下标g，则[P]_n,m＝p_L-m+n。

步骤2.3，计算信道响应。

信道响应矩阵C_k为：

$\begin{array}{c}{C}_k={[C_{k,0}^T,...,C_{k,q}^T,...,C_{k,Q}^T]}^T\\ C_{k,q}={[C_{k,q}\left(0\right),...C_{k,q}\left(L\right)]}^T\end{array}---\left(9\right)$

步骤3，建立信道估计多模型。

基于信道模型和估计方法的分析，与多模型控制理论中模型和控制器的结构不同，本发明将信道模型和估计方法作为一个信道估计模型，通过建立多个信道估计模型的多模型库来覆盖复杂、变化的信道环境。

步骤3.1，建立信道模型集组合。

信道估计模型库为M＝(B,E)，其中，B为信道模型集，其表达式为：

B＝{b_j|P-BEM,CE-BEM-AR}     (10)

式中，E＝{e₁＝LS,e₂＝Kalman}，是估计方法集。

以两模型M₁和M₂为例，模型库为：

M＝{M₁(b₁,e₁),M₂(b₂,e₂)}     (11)

步骤3.2，计算模型M₁的信道响应。

模型M₁基于扩展的LS估计算法及导频点接受发送信号和最小二乘法得到与扩展基相对应的系数的LS估计值为：

${\hat{C}}_k^{\mathrm{LS}}={\left({\left({\mathrm{\Φ}}^p\right)}^H{\mathrm{\Φ}}^p\right)}^{-1}{\left({\mathrm{\Φ}}^p\right)}^H{y}_k^p---\left(12\right)$

则信道响应的估计值为：

${\hat{h}}_{k,l,1}=F{\hat{C}}_{k.l,1},{\left[{\hat{h}}_{k,l,1}\right]}_n={\hat{h}}_{k,1}(n,l),{\left[F_1\right]}_{n,q}=f_{q,1}\left(n\right),{\left[{\hat{C}}_{k,l,1}\right]}_q={\hat{C}}_{k,q}^{\mathrm{LS}}\left(l\right)---\left(13\right)$

与的关系见(9)式。

步骤3.3，计算模型M₂的信道响应。

基于BEM模型和发送接收信号，可构造Kalman滤波的状态方程和观测方程：

$\begin{array}{c}{C}_k=A_k{C}_{k-1}+v_k\\ y_k^P={\mathrm{\Φ}}^P{C}_k+w_k^p\end{array}---\left(14\right)$

其中，A_k，v_k为已知的多普勒估计值f_d获得的状态转移矩阵和状态转移噪声SNR。由此得到kalman估计过程为：

$\begin{array}{c}{P}_k=A_k{P}_{k-1}{A_k}^H+v_k,\\ G_k={\mathrm{\Φ}}_k^P{P}_k{\left({\mathrm{\Φ}}_k^P\right)}^H+w_k^p,\\ e_k=y_k^P-{\mathrm{\Φ}}_k^{P}A{\hat{C}}_{k-1}^{\mathrm{Kal}},\\ {\hat{C}}_k^{\mathrm{Kal}}=A{\hat{C}}_{k-1}^{\mathrm{Kal}}+P_k{\left({\mathrm{\Φ}}_k^P\right)}^H{G}_k^{-1}{e}_k,\end{array}---\left(15\right)$

式中，

为Kalman信道估计值，

的初始值为零矩阵，e_k为测量误差，P_k为估计误差的协方差矩阵，则：

${\hat{h}}_{k,l,2}=F{\hat{C}}_{k,l,2},{\left[{\hat{h}}_{k,l,2}\right]}_n={\hat{h}}_{k,2}(n,l),{\left[F_2\right]}_{n,q}=f_{q,2}\left(n\right),{\left[{\hat{C}}_{k,l,2}\right]}_q={\hat{C}}_{k,q}^{\mathrm{kal}}\left(l\right)---\left(16\right)$

与

的关系见(9)式。

以上所建立的信道估计模型库覆盖了多普勒和信噪比条件的不同信道参数情况，可以看出基于P-BEM和CE-BEM的模型在低多普勒频移和高多普勒频移上有很好的性能；同时，LS估计在高SNR下有非常好的性能，而Kalman估计在低SNR的情况下效果不错。

步骤4，进行信道估计多模型加权软切换。

在本发明的多模型控制中，由于硬切换策略通常要求每个模型均具有相同的结构，不符合模型集构成，所以采用软切换策略。本发明采用一种线性误差最小方差（Linear UnbiasedMinimum Variance-LUMV)的加权多模型自适应估计方法来完成切换，能够有效达到在线切换的性能提升。

步骤4.1，计算LUMV。

假设模型为M_j，其估计输出、估计误差和估计误差的方差分别为：

v_k,l,j和

则估计输出和误差的关系为：

$\begin{array}{cc}{\tilde{h}}_{k,l}={\mathrm{Zh}}_{k,l}+{\tilde{v}}_{k,l}+{\tilde{v}}_{k,l},& {\tilde{h}}_{k,l}=[{\left({\hat{h}}_{k,l,1}\right)}^T,...,{\left({\hat{h}}_{k,l,J}\right)}^T{]}^T\\ Z={[I,...,I]}^T,& {\tilde{v}}_{k,l}={[{\left(v_{k,l,1}\right)}^T,...,{\left(v_{k,l,J}\right)}^T]}^T\end{array}---\left(17\right)$

其中，

的协方差用

表示。由于使用子模块追踪算法，切换的单位转变为一个子块,实际表示为前述对应各子模型估计信道

中的第一个子模块对应的信道系数，相应的误差及误差方差同理。

步骤4.2，计算模型误差。

结合多模型加权自适应控制理论，本发明中的信道模型切换采用权值切换算法，使用估计误差

的方差计算权值：

$\begin{array}{c}{\hat{h}}_{k,l}^o=W_{k,l}{\tilde{h}}_{k,l}\\ W_{k,l}={\left(Z^T{\left({\widetilde{\mathrm{\Δ}}}_{k,l}^2\right)}^{-1}Z\right)}^{-1}{Z}^T{\left({\widetilde{\mathrm{\Δ}}}_{k,l}^2\right)}^{-1}\end{array}---\left(18\right)$

估计误差v_k,l,j主要由模型误差和估计误差两部分构成。模型误差使用的统计方差为：

${E_M}_j=(I_v-S)R_{\mathrm{\α}}^p(I_v-S)---\left(19\right)$

其中，

为v_k,l,j其中的一部分，即模型误差的计算值，S＝F^T(FF^T)^-1F，并且 ${\left[F\right]}_{n,q}=f_q^j\left(n\right).$

步骤4.3，计算LS估计误差及权值的估计误差方差。

LS估计误差的协方差来自于其噪声方差的基础上，由于：

${\hat{h}}_k^{\mathrm{LS}}={\left({\left({\mathrm{\Φ}}^p\right)}^H{\mathrm{\Φ}}^p\right)}^H{y}_k^p=h_k^{\mathrm{LS}}+{\mathrm{\Φ}}^{+}{N}_0---\left(20\right)$

所以， ${\hat{h}}_k^{\mathrm{LS}}-h_k^{\mathrm{LS}}={\mathrm{\Φ}}^{+}{N}_0,$ 得到：

$E_{\mathrm{LS}}={\left|\right|{\hat{h}}_k^{\mathrm{LS}}-h_k^{\mathrm{LS}}\left|\right|}^2={\mathrm{\Φ}}^{+}{N}_0{N}_0^H{\left({\mathrm{\Φ}}^{+}\right)}^H---\left(21\right)$

其中，Φ⁺＝(Φ^HΦ)^-1Φ^H。

模型M₁用于计算权值的估计误差方差为：

${\mathrm{\Δ}}_{k,l,1}^2={E_M}_1+E_{\mathrm{LS}}---\left(22\right)$

式中，

为模型M₁的总估计误差，E_LS为模型M₁的估计误差方差。

步骤4.4，计算kalman估计误差及权值的估计误差方差。

Kalman估计误差协方差通过在线的后验误差协方差矩阵来计算：

E_kal＝BP_clB     (23)

其中，[P_cl]_m',n'＝E{[e_cl,k]_q(l)[e_cl,k]_q'(l')}为基系数的后验误差协方差，[P_c]_m,n＝E{[e_c,k]_q(l)[e_c,k]_q'(l')},依据m'＝l(Q+1)+q+1，n'＝l'(Q+1)+q'+1和m＝q(L+1)+l+1，n＝q'(L+1)+l'+1的关系进行对应转换。

模型M₂用于计算权值的估计误差方差为：

${\mathrm{\Δ}}_{k,l,2}^2={E_M}_2+E_{\mathrm{kal}}---\left(24\right)$

式中，为模型M₂的总估计误差，E_kal为模型M₂的估计误差方差。

在切换过程中，为了便于计算，假设每一个h_k(n,l)的协方差相同。这样就可以改进 ${\widetilde{\mathrm{\Δ}}}_{k,l,j}^2={\widetilde{\mathrm{\Δ}}}_{k,l,j}^{2}I,{\widetilde{\mathrm{\Δ}}}_{k,l,j}^2=\mathrm{avg}\left(\mathrm{diag}\left({\widetilde{\mathrm{\Δ}}}_{k,l,j}^2\right)\right),$ 并且得到：

${\hat{h}}_{k,l}^o=\underset{j}{\mathrm{\Σ}}{\left(\underset{j}{\mathrm{\Σ}}{\widetilde{\mathrm{\Δ}}}_{k,l,j}^{-2}\right)}^{-1}{\widetilde{\mathrm{\Δ}}}_{k,l,j}^{-2}{\tilde{h}}_{k,l,j}.---\left(25\right)$

根据以上所述和LUMV估计理论，假设多个子模型获得独立的信道估计结果，并将其加权求和，则能够获得更低的Cramer-Rao界，并且提高信道估计性能。

与现有技术相比，本发明具有以下优点：

本发明提出了在传输信道模型不确定条件下，结合信道模型和估计方法，建立和选择估计模型以达到自动切换到性能最优状态的多模型信道估计自适应控制理论。将多模型自适应控制理论中的多模型思想引入到信道估计中，并且采用一种线性误差最小方差的加权多模型自适应估计方法来完成切换，利用多模型的高覆盖性和灵活性，使信道估计方法在复杂信道范围内具有高鲁棒性和精确性。

附图说明

图1为基于多模型加权软切换的信道自适应估计方法流程图；

图2为本发明实施例仿真得到的信道估计误差曲线，图中：曲线1为M₁信道模型的误差曲线，曲线2为M₂信道模型的误差曲线，曲线3是经信道估计多模型加权软切换方法后的误差曲线。

具体实施方式

下面结合附图对本发明进一步说明。

本实施例采用Matlab仿真软件，方法流程图如图1所示，包括以下步骤：

步骤1，建立信道***模型。

建立一个随机时间频率选择的瑞丽衰落信道。

设定信道参数：载波频率为f_c＝2GHz，采样间隔为T_s＝25μs，并且L＝2,N＝140，信道的最大多普勒频移为f_max＝370Hz。

步骤2，应用导频符号辅助方法估计信道响应。

采用导频符号辅助的信道估计方法，数据块传输***的发送符号为u(i)，

在u(i)中取N＝200个连续符号构成第k(k＝60)个数据块u_k。

每个数据块包括两个部分，即信息符号s_g和导频符号p_g。在一个数据块中均匀***G＝8个导频符号p_g。

步骤3，建立信道估计多模型。

建立两模型M₁和M₂的信道估计模型。

步骤4，进行信道估计多模型加权软切换。

图2是通过仿真得到的M₁和M₂信道估计模型及切换后模型的误差曲线。图中，横坐标为仿真中的移动台形成的多普勒频移，纵坐标为各种模型产生的最小均方误差，曲线1为M₁信道模型的误差曲线，曲线2为M₂的误差曲线，曲线3是经过这种信道估计多模型加权软切换的方法后的误差曲线。由图2可以看出，M₁信道模型中的LS估计方法在低多普勒频移下的最小均方误差在-16到-17dB之间，有较好的性能。但由于估计方法的局限性，其受噪声影响比较严重，导致高多普勒频移下性能下降严重。M₂信道模型中的中的kalman估计方法对于噪声的抵抗效果显著，其最小均方误差值能够在-16dB左右，但是在中低多普勒频移下性能没有M₁效果好。曲线3明显低于曲线1和曲线2，表明经过本发明所述的信道估计多模型加权软切换的方法后的性能，与单独的M₁和M₂估计模型相比，有较为明显的提高，尤其在其交汇处达到了比较好的优化效果（几个dB的显著提高）。

Claims (3)

1.一种基于多模型加权软切换的信道自适应估计方法，其特征在于包括以下步骤：

步骤1，建立信道***模型；

采用时频双选信道；用h(t;τ)表示(t-τ)时刻的发送符号对t时刻接收符号产生的影响系数，假设发送序列和接受序列的抽样间隔均为T_s，用

替代τ；数据块传输***的发送符号为u(i)，

在u(i)中取N个连续符号构成第k个数据块u_k，1≤N≤200，k≥1；

假设信道为瑞利信道，信道的路径最大时延及最大多普勒频移为τ_max和f_max，满足2τ_maxf_max＜1，且其信道状态在一个传输数据块的范围上是缓慢变化的；则数据块u_k上的信道h_k(n;l)用基扩展模型表示如下：

$h_k(n;l)=\left\{\begin{array}{cc}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\left(l\right)f_q\left(n\right),& l\∈[0,L]\\ 0,& \mathrm{others}\end{array}\right\}---\left(1\right)$

式中，

为基函数，1≤n≤N，ω_q＝π(q-(Q+1)/2)/N，Q为基系数的个数，

C_k,q(l)为基扩展模型的系数，1≤l≤L，

将一个数据块u(i)作为估计单位，采用信道基模型的(Q+1)×(L+1)个C_k,q(l)表示N×(L+1)个未知量h_k(n;l)，使信道模型和估计参数得到简化；依据瑞利信道特性可知，C_k,q(l)是均值为零，方差为

的复高斯随机变量；

步骤2，采用导频符号辅助的信道估计方法估计信道响应；

步骤2.1，建立发送、接收信号模型；

发送端发送序列u_k包括两部分，即信息符号s_g和导频符号p_g；在一个数据块中均匀***G个导频符号p_g，数据块u_k表示为：

$u_k={[p_1^T,s_1^T,p_2^T,s_2^T,...,p_G^T,S_G^T]}^T---\left(2\right)$

式中，ZP(zero padding)导频序列形式为共包括N_s个信息符号和N_p个导频序列符号，N＝N_s+N_p；

发送符号u(i)经过多径信道h(i;l)后接收到的符号y(i)表示为：

$y\left(i\right)=\underset{l=0}{\overset{L}{\mathrm{\Σ}}}h(i,l)u(i-l)+w\left(i\right)---\left(3\right)$

式中，w(i)表示均值为零、方差为

的加性高斯白噪声；

步骤2.2，获得导频信息；

基于基扩展模型、对应于发送数据块u_k的接收数据块y_k表示为：

$\begin{array}{c}{y}_k=H_k{u}_k+w_k\\ H_k=\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{F}_q{C}_{k,q}\end{array}---\left(4\right)$

式中，w_k∈￡_N×1为零均值、

方差的加性高斯白噪声向量，H_k为下三角矩阵且满足[H_k]_n,m＝h_k(n;n-m)，n≥m，C_k,q是第一列为[C_k,q(0),C_k,q(1),...,C_k,q(L),0,...0]^T的Toeplitz矩阵，F_q＝diag[f_q(1),f_q(2),...,f_q(N)]是一对角阵；

接收数据块y_k中有一类为仅受导频序列影响的

其表达式为：

$\begin{array}{c}{y}_k^p=H_k^{p}p+w_k^p\\ p={[p_1^T,...,p_g^T,...,p_G^T]}^T\end{array}---\left(5\right)$

式中，

和

分别为H_k和w_k中的对应于导频p的子矩阵；式中包括(Q+1)×(L+1)个未知参数C_k,q(l)，对应每一个p_g在接收端只能获得(L+1)个仅受到导频影响的符号，因此需在一个数据块中***至少(Q+1)个导频序列来获得C_k,q(l)，即G≥Q+1；结合(5)式和Toeplitz矩阵与向量相互转换原理得：

$y_k^p={\mathrm{\Φ}}^p{C}_k+w_k^p---\left(6\right)$

式中，Φ^p为导频信息转化矩阵，其表达式为：

式中，为F_q中对应于导频序列p_g的子矩阵，其表达式为：

$F_{q,g}^p=\mathrm{diag}[f_q\left(g\frac{N}{G}\right),...,f_q((g+1)\frac{N}{G}-1)]---\left(8\right)$

P_g是由导频序列p_g中的导频符号p_g,l构造的(L+1)×(L+1)型Toeplitz矩阵，l＝1,...,L+1，由于p_g结构相同，此处忽略下标g，则[P]_n,m＝p_L-m+n；

步骤2.3，计算信道响应；

信道响应矩阵C_k为：

$\begin{array}{c}{C}_k={[C_{k,0}^T,...,C_{k,q}^T,...,C_{k,Q}^T]}^T\\ C_{k,q}={[C_{k,q}\left(0\right),...C_{k,q}\left(L\right)]}^T\end{array}---\left(9\right)$

步骤3，建立信道估计多模型；

基于信道模型和估计方法的分析，与多模型控制理论中模型和控制器的结构不同，将信道模型和估计方法作为一个信道估计模型，通过建立多个信道估计模型的多模型库来覆盖复杂、变化的信道环境；

步骤4，进行信道估计多模型加权软切换；

多模型控制中，由于硬切换策略通常要求每个模型均具有相同的结构，不符合模型集构成，所以采用软切换策略；采用一种线性误差最小方差的加权多模型自适应估计方法来完成切换，能够有效达到在线切换的性能提升。

2.根据权利要求1所述的一种基于多模型加权软切换的信道自适应估计方法，其特征在于，所述步骤3建立信道估计多模型的方法如下：

（1）建立信道模型集组合；

信道估计模型库为M＝(B,E)，其中，B为信道模型集，其表达式为：

B＝{b_j|P-BEM,CE-BEM-AR}     (10)

式中，E＝{e₁＝LS,e₂＝Kalman}，是估计方法集；

以两模型M₁和M₂为例，模型库为：

M＝{M₁(b₁,e₁),M₂(b₂,e₂)}     (11)

（2）计算模型M₁的信道响应；

模型M₁基于扩展的LS估计算法及导频点接受发送信号和最小二乘法得到与扩展基相对应的系数的LS估计值为：

${\hat{C}}_k^{\mathrm{LS}}={\left({\left({\mathrm{\Φ}}^p\right)}^H{\mathrm{\Φ}}^p\right)}^{-1}{\left({\mathrm{\Φ}}^p\right)}^H{y}_k^p---\left(12\right)$

则信道响应的估计值为：

${\hat{h}}_{k,l,1}=F{\hat{C}}_{k.l,1},{\left[{\hat{h}}_{k,l,1}\right]}_n={\hat{h}}_{k,1}(n,l),{\left[F_1\right]}_{n,q}=f_{q,1}\left(n\right),{\left[{\hat{C}}_{k,l,1}\right]}_q={\hat{C}}_{k,q}^{\mathrm{LS}}\left(l\right)---\left(13\right)$

与

的关系见(9)式；

（3）计算模型M₂的信道响应；

基于基扩展模型和发送接收信号，可构造Kalman滤波的状态方程和观测方程：

$\begin{array}{c}{C}_k=A_k{C}_{k-1}+v_k\\ y_k^P={\mathrm{\Φ}}^P{C}_k+w_k^p\end{array}---\left(14\right)$

其中，A_k，v_k为已知的多普勒估计值f_d获得的状态转移矩阵和状态转移噪声SNR；由此得到kalman估计过程为：

$\begin{array}{c}{P}_k=A_k{P}_{k-1}{A_k}^H+v_k,\\ G_k={\mathrm{\Φ}}_k^P{P}_k{\left({\mathrm{\Φ}}_k^P\right)}^H+w_k^p,\\ e_k=y_k^P-{\mathrm{\Φ}}_k^{P}A{\hat{C}}_{k-1}^{\mathrm{Kal}},\\ {\hat{C}}_k^{\mathrm{Kal}}=A{\hat{C}}_{k-1}^{\mathrm{Kal}}+P_k{\left({\mathrm{\Φ}}_k^P\right)}^H{G}_k^{-1}{e}_k,\end{array}---\left(15\right)$

式中，为Kalman信道估计值，

的初始值为零矩阵，e_k为测量误差，P_k为估计误差的协方差矩阵，则：

${\hat{h}}_{k,l,2}=F{\hat{C}}_{k,l,2},{\left[{\hat{h}}_{k,l,2}\right]}_n={\hat{h}}_{k,2}(n,l),{\left[F_2\right]}_{n,q}=f_{q,2}\left(n\right),{\left[{\hat{C}}_{k,l,2}\right]}_q={\hat{C}}_{k,q}^{\mathrm{kal}}\left(l\right)---\left(16\right)$

与

的关系见(9)式。

3.根据权利要求1所述的一种基于多模型加权软切换的信道自适应估计方法，其特征在于，所述步骤4进行信道估计多模型加权软切换的方法如下：

（1）计算线性误差最小方差；

假设模型为M_j，其估计输出、估计误差和估计误差的方差分别为：

v_k,l,j和

则估计输出和误差的关系为：

$\begin{array}{cc}{\tilde{h}}_{k,l}={\mathrm{Zh}}_{k,l}+{\tilde{v}}_{k,l},& {\tilde{h}}_{k,l}=[{\left({\hat{h}}_{k,l,1}\right)}^T,...,{\left({\hat{h}}_{k,l,J}\right)}^T{]}^T\\ Z={[I,...,I]}^T,& {\tilde{v}}_{k,l}={[{\left(v_{k,l,1}\right)}^T,...,{\left(v_{k,l,J}\right)}^T]}^T\end{array}---\left(17\right)$

其中，

的协方差用表示；由于使用子模块追踪算法，切换的单位转变为一个子块,

实际表示为前述对应各子模型估计信道

中的第一个子模块对应的信道系数；

（2）计算模型误差；

结合多模型加权自适应控制理论，信道模型切换采用权值切换算法，使用估计误差

的方差

计算权值：

$\begin{array}{c}{\hat{h}}_{k,l}^o=W_{k,l}{\tilde{h}}_{k,l}\\ W_{k,l}={\left(Z^T{\left({\widetilde{\mathrm{\Δ}}}_{k,l}^2\right)}^{-1}Z\right)}^{-1}{Z}^T{\left({\widetilde{\mathrm{\Δ}}}_{k,l}^2\right)}^{-1}\end{array}---\left(18\right)$

估计误差v_k,l,j由模型误差和估计误差两部分构成；模型误差使用的统计方差为：

${E_M}_j=(I_v-S)R_{\mathrm{\α}}^p(I_v-S)---\left(19\right)$

其中，为v_k,l,j其中的一部分，即模型误差的计算值，S＝F^T(FF^T)^-1F，并且 ${\left[F\right]}_{n,q}=f_q^j\left(n\right);$

（3）计算LS估计误差及权值的估计误差方差；

LS估计误差的协方差来自于其噪声方差的基础上，由于：

${\hat{h}}_k^{\mathrm{LS}}={\left({\left({\mathrm{\Φ}}^p\right)}^H{\mathrm{\Φ}}^p\right)}^H{y}_k^p=h_k^{\mathrm{LS}}+{\mathrm{\Φ}}^{+}{N}_0---\left(20\right)$

所以， ${\hat{h}}_k^{\mathrm{LS}}-h_k^{\mathrm{LS}}={\mathrm{\Φ}}^{+}{N}_0,$ 得到：

$E_{\mathrm{LS}}={\left|\right|{\hat{h}}_k^{\mathrm{LS}}-h_k^{\mathrm{LS}}\left|\right|}^2={\mathrm{\Φ}}^{+}{N}_0{N}_0^H{\left({\mathrm{\Φ}}^{+}\right)}^H---\left(21\right)$

其中，Φ⁺＝(Φ^HΦ)^-1Φ^H；

模型M₁用于计算权值的估计误差方差为：

${\mathrm{\Δ}}_{k,l,1}^2={E_M}_1+E_{\mathrm{LS}}---\left(22\right)$

式中，

为模型M₁的总估计误差，E_LS为模型M₁的估计误差方差；

（4）计算kalman估计误差及权值的估计误差方差；

Kalman估计误差协方差通过在线的后验误差协方差矩阵来计算：

E_kal＝BP_clB      (23)

其中，[P_cl]_m',n'＝E{[e_cl,k]_q(l)[e_cl,k]_q'(l')}为基系数的后验误差协方差，[P_c]_m,n＝E{[e_c,k]_q(l)[e_c,k]_q'(l')},依据m'＝l(Q+1)+q+1，n'＝l'(Q+1)+q'+1和m＝q(L+1)+l+1，n＝q'(L+1)+l'+1的关系进行对应转换；

模型M₂用于计算权值的估计误差方差为：

${\mathrm{\Δ}}_{k,l,2}^2={E_M}_2+E_{\mathrm{kal}}---\left(24\right)$

式中，

为模型M₂的总估计误差，E_kal为模型M₂的估计误差方差；

在切换过程中，为了便于计算，假设每一个h_k(n,l)的协方差相同；这样就可以改进 ${\widetilde{\mathrm{\Δ}}}_{k,l,j}^2={\widetilde{\mathrm{\Δ}}}_{k,l,j}^{2}I,{\widetilde{\mathrm{\Δ}}}_{k,l,j}^2=\mathrm{avg}\left(\mathrm{diag}\left({\widetilde{\mathrm{\Δ}}}_{k,l,j}^2\right)\right),$ 并且得到：

${\hat{h}}_{k,l}^o=\underset{j}{\mathrm{\Σ}}{\left(\underset{j}{\mathrm{\Σ}}{\widetilde{\mathrm{\Δ}}}_{k,l,j}^{-2}\right)}^{-1}{\widetilde{\mathrm{\Δ}}}_{k,l,j}^{-2}{\tilde{h}}_{k,l,j}.---\left(25\right)$

Images