CN105024966B - Ofdm***的符号定时同步方法 - Google Patents

Abstract

本发明公开了OFDM***的符号定时同步方法，主要解决现有技术无单一尖锐定时偏移估计函数峰值，以及确定理想定时位置耗时过长的问题，其实现步骤为：1、生成训练序列，并将训练序列***到负载数据包前；2、在接收端，计算滑动窗口起始位置时刻的定时偏移估计函数值；3、在任意时刻，对该时刻之前M个时刻的定时偏移估计函数取平均；4、确定定时偏移估计函数均值的加权系数；5、根据获取的定时偏移估计函数均值和加权系数计算动态门限；6、比较定时偏移估计函数值与动态门限值，直至检测出当前负载数据包的理想定时位置，按此机制持续工作以获得以后每个数据包的理想定时位置。本发明能在低信噪比环境下定时准确，且实时性强。

Description

OFDM***的符号定时同步方法

技术领域

本发明属于通信技术领域，尤其涉及一种符号定时同步方法，可用于OFDM***中进行实时的符号定时同步

背景技术

正交频分复用OFDM技术是一种多载波传输技术，它通过串并变换将高速的数据流分解速率较低的数据流，然后调制成相互正交的子载波，各子载波频谱之间互相重叠，利用这些优点可以有效提高频谱利用率并抵抗信道干扰。

OFDM技术虽然有着很多优势但与单载波相比，多载波技术的应用使其对时域同步和频域同步的要求非常严苛，如果不能建立良好的时频域同步，***将受到严重的干扰，无法取得正确的解调结果。定时同步用于确定FFT解调窗口的起始位置，因此若要取得良好的时频域同步性能必须获得良好的符号定时同步性能。

目前进行OFDM符号定时的算法主要有两类：基于训练序列辅助类型的符号定时方法和非训练序列辅助类型的符号定时方法。基于训练序列的符号定时方法利用序列特有的结构和相关性获取定时偏移估计函数，这种方法虽然在频谱利用率方面比非训练序列辅助型方法低，但却可以得到更精确的符号定时结果，而且在恶劣的信道环境下依然可以取得良好的性能。经典的基于训练序列的符号定时方法有Schmidl方法、Minn方法和Park方法，这三种算法利用训练序列的结构特点采用相应的相关运算方式获得定时偏移估计函数，通过取最大值获得定时偏移估计函数峰值，进而确定训练序列的起始位置即理想的符号定时位置。

但是这些算法在实际运用时却存在明显的问题，主要有以下两个方面：

一是峰值问题：Schmidl方法在有循环前缀的情况下有平峰现象，在没有循环前缀时在峰值附近下降平缓，同样Minn方法也存在峰值不尖锐问题，而且定时偏移估计函数还会出现较多的旁瓣，Park方法虽然会出现尖锐的主峰但还会伴随两个尖锐的副峰。

二是实时性问题：Schmidl方法、Minn方法和Park方法都是通过获取定时偏移估计函数的最大值来锁定定时位置的，要获取最大值就需要在一个符号内连续比较，即获取一个定时偏移估计函数时无法立即判断其究竟是不是峰值，要判定一个定时偏移估计函数最大值至少需要等待一个OFDM符号周期才能确定，这就增加了符号定时过程处理时延，无法实时的完成符号定时同步。

发明内容

本发明的目的在于提出一种OFDM***的符号定时同步方法，以解决上述已有技术无单一尖锐的定时偏移估计函数峰值，以及获取峰值确定定时位置耗时过长的问题。

本发明的技术方案是这样实现的：

(1)在OFDM***的负载数据包前***一个长度为N的训练序列，N为OFDM***的子载波个数；

(2)在OFDM***的接收端，利用长度为N的滑动窗口对接收数据进行采样，计算滑动窗口起始位置m时刻的定时偏移估计函数值F(m)；

(3)计算m时刻的动态门限：

其中，m＞M，a是一个常数，其大小由仿真测试获得；M是大于100的一个常数，F(m+k)表示m+k时刻的定时偏移估计函数值，-M≤k≤-1；

(4)将m时刻的定时偏移估计函数值F(m)与动态门限值G(m)进行比较，确定当前负载数据包D_i的理想符号定时位置如果F(m)≤G(m)，则检测不到当前负载数据包D_i的理想定时位置，执行步骤(5)；如果F(m)＞G(m)，则执行步骤(6)；

(5)令m＝m+1，更新F(m)和G(m)，重复步骤(4)直至检测到当前负载数据包D_i的理想定时位置完成当前负载数据包D_i的符号定时同步；

(6)令m＝m+1，更新F(m)和G(m)，重复步骤(4)，对下一个负载数据包D_i+1的理想定时位置进行检测，完成下一个负载数据包D_i+1的符号定时同步。

本发明提供的OFDM***的符号定时同步方法，具有以下优点：

1、在低信噪比环境下定时稳定准确，性能优良：

在发送端，***负载数据包前的训练序列由CAZAC序列生成，由于CAZAC序列在时频域均具有良好的自相关性，因此训练序列具有良好的自相关性，可以使接收端计算获得的定时偏移估计函数峰值更加尖锐；

在接收端，对进入滑动窗的采样数据进行相关运算，由于滑动窗口内的相关运算方式是根据训练序列的结构特点设计，可以使得到定时偏移估计函数峰值在一个负载数据包内只出现一个，使得在低信噪比环境下可保证定时稳定准确且性能好。

2、实时性强

本发明通过定时偏移估计函数值与动态门限比较确定理想定时位置，由于任意时刻的动态门限值仅与该时刻之前产生的定时偏移估计函数值有关，因此可以实时求得该时刻的动态门限；

判定偏移估计函数峰值确定理想定时位置仅需要定时偏移估计函数值和动态门限进行一次比较，三种经典算法Schmidl、Minn、Park方法则需要连续比较，需要等待很长的时间才能判定偏移估计函数峰值确定理想定时位置，相对于三种经典算法本发明可以极大减少了检测过程的等待时间，具有较强的实时性。

附图说明

图1是本发明的实现总流程图；

图2是本发明在接收端训练序列进入滑动窗口三种情况的示意图；

图3是本发明获取定时偏移估计函数均值与动态门限的实现框图；

图4是本发明在SNR＝-4dB情况下选取不同加权常数系数a时定时偏移函数与动态门限的相对关系示意图；

图5是本发明根据定时偏移估计函数和动态门限检测理想定时位置的子流程图；

图6是现有Schmidl、Minn、Park三种经典符号定时方法的检测误差均方值随信噪比SNR变化的曲线图。

具体实施方式

为了使本发明的使用目的、技术实现方法及其优势更加清楚明白，以下结合附图和实施例对本发明的内容进行更进一步的详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限制本发明。

参照图1，本发明的具体实现步骤如下：

步骤1：生成训练序列，并将训练序列***到负载数据包前。

生成训练序列现有方法有多种，例如Schmidl方法、Minn方法、Park方法，其中：

Schmidl方法，采用0、1序列经过BPSK/QPSK/QAM调制，生成长度为N/2的序列{D(0),D(1),D(2),...D(N/2-1)}，对序列{D(0),D(1),D(2),...D(N/2-1)}进行N/2点的IFFT调制，生成长度为N/2的时域序列将时域序列进行排列组合，得到Schmidl方法的训练序列

Minn方法中，采用0、1序列经过BPSK/QPSK/QAM调制，生成长度为N/4的序列{K(0),K(1),K(2),...K(N/4-1)}，对序列{K(0),K(1),K(2),...K(N/4-1)}进行N/4点的IFFT调制，生成长度为N/4的时域序列将时域序列进行排列组合，得到Minn方法的训练序列

Park方法中，采用0、1序列经过BPSK/QPSK/QAM调制，生成长度为N/4的序列{S(0),S(1),S(2),...S(N/4-1)}，对序列{S(0),S(1),S(2),...S(N/4-1)}进行N/4点的IFFT调制，生成长度为N/4的时域序列 的共轭对称序列为将时域序列和序列进行排列组合，得到Park方法的训练序列

本实例采用Park方法的结构进行训练序列的生成，其步骤如下：

(1a)利用恒包络零自相关CAZAC序列的计算公式生成一组长度为N/4的序列{C(0),C(1),C(2),...C(N/4-1)}，其中n＝0,1,..N/4-1；

所述的CAZAC序列是一种Zadoff-chu序列，计算公式为：

其中，K是序列的长度，W与K互质，q为任意整数。

本发明所用的CAZAC序列长度为K＝N/4，N/4是一个偶数，取W＝1，q＝0，由此可以获得本发明所使用的CAZAC序列的计算公式为n＝0,1,..N/4-1；

(1b)对序列{C(0),C(1),C(2),...C(N/4-1)}进行N/4点的IFFT调制，生成长度为N/4的时域序列 的共轭对称序列为

(1c)将时域序列和序列进行排列组合，得到训练序列

(1d)将训练序列***到负载数据包前，即在发送端每次发送一个数据包之前先发送训练序列。

步骤2：在接收端，计算滑动窗口起始位置m时刻的定时偏移估计函数值F(m)。

(2a)在接收端，利用滑动窗对接收信号进行采样，并对滑动窗口内采样数据进行相关运算得到的相关值p(m)：

其中min(·)是取最小值运算，p(m)即是相关值和相关值中最小值的二倍，r(m+k)、r(m+N-k)、r(m+N/4+k)、r(m+3N/4-k)在0≤k≤N/4-1均表示滑动窗口内采样得到四个不同数据；

在经典的Park方法中，p(m)的计算公式为：

在接收端，如果训练序列的数据完全进入滑动窗时，如图2(a)所示，用本发明方法得到的p(m)值和Park方法获得的p(m)值都会是一个很大的值，从而保证获得的定时偏移函数有一个尖锐的主峰；如果训练序列的数据，部分进入滑动窗口时，如图2(b)和图2(c)所示，使用Park方法计算获得的p(m)也是一个较大的值，但会造成定时偏移估计函数出现一个副峰，这两种情况下相关值与相关值均有一个值远大于另一个值，而本发明取二者之中较小的值来生成p(m)，从而使p(m)变成了一个较小的值，避免了副峰的出现，使得到的定时偏移估计函数峰值唯一。

(2b)计算滑动窗口内前1/2部分数据总功率与后1/2部分数据总功率的平均值：

其中，r(m+k)、r(m+N-k)表示滑动窗口内采样得到的两个不同数据，0≤k≤N/2-1；

(2c)根据(2a)和(2b)的结果计算m时刻的定时偏移估计函数值F(m)：

步骤3：在任意m时刻，对m-M～m-1时刻的定时偏移估计函数取平均，获取均值

参照图3，本步骤通过借助移位寄存器和累加器实现，以减少运算过程。

(3a)将每一时刻新产生的定时偏移估计函数值进入移位寄存器，进入寄存器的数据同时输入给累加器进行累加处理；

(3b)原寄存器存储的M个数据逐个后移，使原寄存器存储的最后一个数据移出寄存器，移出寄存器的数据输入给累加器进行累减处理。

由于寄存器初始存储数据全为0，因此开始寄存器移出的数据全为0，只进行累加处理，当产生的第M+1个数据F(M+1)进入寄存器时，累加器的值为1～M时刻的定时偏移估计函数值的和因此当定时偏移估计函数F(m)进入寄存器时，m＞M，累加器的结果是m-M～m-1时刻的定时偏移估计函数的总和其值乘以系数1/M即可得到m-M～m-1时刻的定时偏移估计函数值的均值

步骤4：确定定时偏移估计函数均值的加权系数a。

图4显示出了在信噪比SNR＝-4dB时，选取不同加权系数a时定时偏移函数与动态门限的相对关系：

当加权系数a＝5时，动态门限值比较小，不仅在理想定时位置定时偏移估计函数值大于动态门限，在其他的位置同样存在定时偏移估计函数大于动态门限的情况，这样检测到的定时位置是错误的；

当加权系数a＝15时，只有在理想定时位置，才会有定时偏移估计函数大于动态门限的情况，这样就可以精确检测理想定时位置；

当加权系数a＝30时，所有的定时偏移估计函数值都小于动态门限值，这样无法检测到理想定时位置。

由此可知a取值过小，非理想定时位置定时偏移估计函数值大于动态门限，出现错检情况即检测出的位置不等于理想定时位置，降低了检测的精度，a取值过大，在理想定时位置定时偏移估计函数值小于动态门限值，出现漏检情况即检测不到理想定时位置。定义p_e为错误检概率，即检测出的定时位置不等于理想定时位置的概率；p_h为漏检概率，即在理想定时位置的定时偏移估计函数均小于与其对应的动态门限值，检测不到理想定时位置的概率；理想定时位置正确检测的概率p＝1-p_e-p_h，最合适的a值可以按照以下步骤获得：

(4a)选取不同b作为备选的加权系数，执行步骤5和步骤6，进行理想定时位置检测，仿真出不同加权系数b下p关于信噪比SNR的性能值；

(4b)根据仿真性能获得不同b下保证p＝100％的最小信噪比SNR_b；

(4c)取最小SNR_b所对应的加权系数b作为加权系数a，即

步骤5：根据获取的定时偏移估计函数均值和加权系数a计算动态门限G(m)：

步骤6：比较获取的定时偏移估计函数值与动态门限值，直至检测出当前负载数据包的理想定时位置，按此机制持续工作以获得以后每个数据包的理想定时位置。

参考图5，本步骤的具体实现如下：

(6a)将m时刻的定时偏移估计函数值F(m)与动态门限值G(m)进行比较，确定当前负载数据包D_i的理想符号定时位置如果F(m)≤G(m)，则检测不到当前负载数据包D_i的理想定时位置，执行步骤(6b)；如果F(m)＞G(m)，则执行步骤(6c)；

(6b)令m＝m+1，更新F(m)和G(m)，重复步骤(6a)直至检测到当前负载数据包D_i的理想定时位置完成当前负载数据包D_i的符号定时同步；

(6c)令m＝m+1，更新F(m)和G(m)，重复步骤(6a)，对下一个负载数据包D_i+1的理想定时位置进行检测，完成下一个负载数据包D_i+1的符号定时同步。

本发明的效果可通过以下仿真作进一步的说明：

1、仿真条件：

选取N为1024，M取200，负载数据包为一个OFDM符号，长度为L＝1024，仿真信道为加性高斯信道。

2、仿真内容及结果分析：

仿真1，仿真本发明加权系数a取不同参数下时，理想定时位置正确检测率p随着信噪比SNR变化的情况，仿真结果如表1所示：

表1

由表1可读出不同系数a下保证理想定时位置正确检测率p＝100％的最小信噪比SNR_a，在所有的SNR_a中，SNR₂₂＝-3dB最小，因此加权系数a＝22最合适，可见本发明能在-3dB的信噪比条件下取得100％的理想定时位置正确检测率。

仿真2，仿真现有Schmidl、Minn、Park三种经典符号定时方法的检测误差均方值随信噪比SNR变化的曲线图，仿真结果如图6所示：

由图6可知，现有Schmidl、Minn、Park方法在高斯信道下检测的信噪比下限分是1dB、-2dB、-4dB。

由仿真1和仿真2可知，本发明比经典的Schmidl方法和Minn方法性能优良，与Park性能相比仅有1dB的衰减，因此本发明能在低信噪比环境下精确定时。

本发明方法确定一个理想定时位置仅需一次比较，需要一个采样周期时间，三种经典的算法则需要连续比较，需等待N+L＝2048个采样周期时间才能确定一个理想定时位置，本发明方法确定一个理想定时位置的时间仅为经典算法确定一个理想定时位置所需时间的0.049％，大大降低了检测理想定时位置所需的等待时间，由此可知本发明具有很强的实时性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.OFDM***的实时符号定时同步方法，其特征在于：

(1)在OFDM***的负载数据包前***一个长度为N的训练序列，N为OFDM***的子载波个数；

(2)在OFDM***的接收端，利用长度为N的滑动窗口对接收数据进行采样，计算滑动窗口起始位置m时刻的定时偏移估计函数值F(m)：

(2a)对滑动窗口内数据进行相关运算，得到相关值p(m)：

<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>2</mn> <mo>*</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mo>|</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>/</mo> <mn>4</mn> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <mi>N</mi> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <mo>|</mo> <mo>,</mo> <mo>|</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>/</mo> <mn>4</mn> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <mi>N</mi> <mo>/</mo> <mn>4</mn> <mo>+</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <mn>3</mn> <mi>N</mi> <mo>/</mo> <mn>4</mn> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <mo>|</mo> <mo>)</mo> </mrow> </mrow>

其中min(·)是取最小值运算，r(m+k₁)、r(m+N-k₁)、r(m+N/4+k₁)、

r(m+3N/4-k₁)表示滑动窗口内采样得到四个不同数据，0≤k₁≤N/4-1；

(2b)计算滑动窗口内前1/2部分数据总功率与后1/2部分数据总功率的平均值：

<mrow> <mi>R</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>/</mo> <mn>2</mn> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mo>|</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> </mrow> <mo>)</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <mo>|</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>m</mi> <mo>+</mo> <mi>N</mi> <mo>-</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> </mrow> <mo>)</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>

其中，r(m+k₂)、r(m+N-k₂)表示滑动窗口内采样得到的两个不同数据，0≤k₂≤N/2-1；

(2c)根据(2a)和(2b)的结果计算m时刻的定时偏移估计函数值F(m)：

<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <msup> <mrow> <mo>(</mo> <mi>R</mi> <mo>(</mo> <mi>m</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> <mo>;</mo> </mrow>

(3)计算m时刻的动态门限：其中，m＞M，a是一个常数，其大小由仿真测试获得；M是大于100的一个常数，F(m+k)表示m+k时刻的定时偏移估计函数值，-M≤k≤-1；

(4)将m时刻的定时偏移估计函数值F(m)与动态门限值G(m)进行比较，确定当前负载数据包D_i的理想符号定时位置如果F(m)≤G(m)，则检测不到当前负载数据包D_i的理想定时位置，执行步骤(5)；如果F(m)＞G(m)，则执行步骤(6)；

(5)令m＝m+1，更新F(m)和G(m)，重复步骤(4)直至检测到当前负载数据包D_i的理想定时位置完成当前负载数据包D_i的符号定时同步；

(6)令m＝m+1，更新F(m)和G(m)，重复步骤(4)，对下一个负载数据包D_i+1的理想定时位置进行检测，完成下一个负载数据包D_i+1的符号定时同步。

2.根据权利要求1所述的方法，其中所述步骤(1)中的训练序列，通过如下步骤获得：

(1a)利用恒包络零自相关CAZAC序列的计算公式生成一组长度为N/4的序列{C(0),C(1),C(2),...C(N/4-1)}，其中n＝0,1,..N/4-1；

(1b)对序列{C(0),C(1),C(2),...C(N/4-1)}进行N/4点的IFFT调制，生成长度为N/4的时域序列 的共轭对称序列为

(1c)将时域序列和序列进行排列组合，得到训练序列