CN107026804A - Mimo‑ofdm***中基于指数平滑的信道估计方法 - Google Patents

Abstract

MIMO‑OFDM***中基于指数平滑的信道估计方法，解决了最小二乘信道估计算法精度不高的问题，在获得了各符号信道频率响应的LS估计值后，通过离散傅立叶反变换获得各符号信道冲激响应的LS时域估计值，再利用指数平滑算法对信道冲激响应估计值做优化，最后通过离散傅立叶变换得到基于指数平滑的信道频率响应。本发明采用指数平滑算法，揭示了信道自身的变化规律，有效滤除信道估计结果中的随机干扰，只需存储各符号对应的信道冲激响应，在增加少量运算复杂度的前提下，有效改善了LS信道估计算法的估计精度，降低了***数据传输的误比特率，在信道条件优与差的情况下，均能得到令人满意的结果。

Description

MIMO-OFDM***中基于指数平滑的信道估计方法

技术领域

本发明属于无线通信***信道估计领域，具体涉及一种MIMO-OFDM***中基于指数平滑的信道估计方法。

背景技术

随着无线移动通信的高速发展，用户对于可靠高速无线通信链路的需求迎来空前的增长。对此，需要更为完善的无线通信***来实现用户在各种环境中的各种通信形式。***移动通信***采用了创新的设计观念，从以传统移动电话业务为主的移动通信网络升级为以移动数据为主面向因特网大范围覆盖高速移动通信网络，能够支持更为丰富的移动通信业务，使用户在任何地方可以获得所需任何形式的信息服务。

***无线移动通信***以MIMO-OFDM技术为核心传输方案，充分发挥了MIMO技术与OFDM技术的各自优势。然而，由于OFDM技术中，信号同时涉及时域和频域，无线信道的频率选择性(由信道的多径时延引起)和时间选择性(由多普勒效应引起)都会影响OFDM信号的传输，因而在信号检测时，准确的信道状态信息(CSI，Channel State Information)是接收端采用相干解调恢复数据的关键。同时，为消除多天线之间的互相干扰，MIMO***采用的空时编解码也需要尽可能准确的CSI。此外，由于采用多个天线，SISO-OFDM***的信道估计算法无法直接用于MIMO-OFDM***。为解决上述问题，实现高质量高可靠性无线通信，需要获取尽可能准确的CSI，因此MIMO-OFDM***中，对于信道估计问题的研究有着至关重要的作用。

针对MIMO-OFDM无线通信***中的信道估计算法，专家学者进行了一系列探究，目前主要的信道估计算法包括最小二乘(LS，LeastSquares)算法、最小均方误差(MMSE，MinimumMeanSquareError)算法、离散傅立叶变换(DFT，Discrete Fourier Transform)算法等。LS算法操作简单，运算复杂度低，信道估计过程中无需用到任何信道信息，但是LS算法中，噪声因素被忽略，因此算法的估计结果精度不高；MMSE算法中，信道自身的相关性以及信噪比环境成为信道估计的主要因素，其估计精度要远高于LS算法，然而MMSE算法中涉及自相关矩阵的求逆过程，还需要事先获取信道的统计特性及信噪比大小，因此MMSE算法在实际中运用较少；DFT信道估计算法在LS估计的基础上对最大时延长度以外的信道冲激响应置零，去除了仅包含噪声的路径，理论分析表明基于DFT的估计算法性能优于LS算法，并且运算复杂度远低于MMSE算法，然而DFT算法需要提前获取信道的最大时延长度。

发明内容

本发明针对现有技术中MIMO-OFDM***中LS信道估计算法估计精度不高的问题，提供一种MIMO-OFDM***中基于指数平滑的信道估计方法。

为实现上述目的，本发明采用以下技术方案：

一种MIMO-OFDM***中基于指数平滑的信道估计方法，包括如下步骤：

步骤一：在MIMO-OFDM***中获取各符号信道频率响应的LS估计值；

步骤二：通过离散傅立叶反变换获得各符号信道冲激响应的LS估计值；

步骤三：通过指数平滑算法对信道冲激响应的LS估计值进行优化；

步骤四：通过离散傅立叶变换得到基于指数平滑的信道频率响应。

为优化上述技术方案，采取的具体措施还包括：

所述步骤一中：

每个天线***导频的数量为M，OFDM采用K个子载波，梳状导频的间隔子载波数为p，满足M＝[K/p]；

首先获取导频位置的频域接收信号：

其中，P表示导频所在位置，f表示频域形式，i表示发射天线，j表示接收天线，ji表示从第i个发射天线到第j个接收天线，N_T表示发射天线数，X_i表示发射天线i上的信号矩阵，h_ji和z_j分别表示信号矩阵和噪声；

将所有发射天线上的导频信号按照以下方式进行排列，用Q_m(n)表示第m个发射天线上的第n个导频信号，将导频信号按照n的值分组排列，排列顺序按照天线序号m的值升序排列，从而得到Q矩阵：

则所有发射天线到第j个接收天线之间的信道频率响应为：

导频接收信号为：

LS信道估计的解为：

其中

将按照天线的序号i分组然后进行插值，获得第j个接收天线上来自所有发射天线的信道频率响应。

所述步骤二中：

对信道频率响应的LS估计值做IDFT运算，得到各OFDM符号对应的信道冲激响应估值：

其中，为通过导频位置信道插值运算后的信道频率响应，q表示第q个OFDM符号。

所述步骤三中：

对信道冲激响应做指数平滑处理，减少信道冲激响应每一径上的噪声：

其中，表示指数平滑后的信道冲激响应，α表示平滑系数。

所述步骤四中：

将指数平滑后的信道冲激响应做K点DFT运算，得到利用指数平滑改进的LS信道频率响应：

平滑系数α满足：

其中，MSE_ESA和MSE_DFT分别表示基于指数平滑的LS算法和DFT算法的估计均方误差向量，e为LS算法与DFT算法之间的估计性能差距。

本发明的有益效果是：在慢时变的信道环境中，可以取得较好的估计性能，指数平滑算法揭示了信道自身的变化规律，有效滤除信道估计结果中的随机干扰，降低了MIMO-OFDM***数据传输的误比特率，算法只需存储各符号对应的信道冲激响应，在增加少量运算复杂度的前提下，有效提升了LS信道估计算法的估计精度。

附图说明

图1是本发明的数据传输流程图。

图2是本发明在不同α和信噪比下的均方误差曲线图。

图3是本发明的算法均方误差曲线图。

图4是本发明的算法误比特率曲线图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示的数据传输流程图，在MIMO-OFDM***获得了各符号(一个整体的OFDM符号周期)信道频率响应的LS估计值后，通过离散傅立叶反变换获得各符号信道冲激响应的LS估计值，再利用指数平滑算法对信道冲激响应估计值进行优化，最后通过离散傅立叶变换得到基于指数平滑的信道频率响应。

在MIMO-OFDM***的LS信道估计算法中，假设每个天线***导频的数量为M，OFDM采用K个子载波，梳状导频的间隔子载波数为p，满足M＝[K/p]，[]表示取整运算，因此导频位置的频域接收信号可以表示为：

其中，上标P表示导频所在位置，f表示频域形式，i表示发射天线，j表示接收天线，ji表示从第i个发射天线到第j个接收天线，N_T表示发射天线数，X_i表示发射天线i上的信号矩阵，h_ji和z_j分别表示信号矩阵和噪声。

将上式中所有发射天线上的导频信号按照下述方式进行排列：用Q_m(n)表示第m个发射天线上的第n个导频信号，将导频信号按照n的值分组排列，排列顺序按照天线序号m的值升序排列，从而得到Q矩阵：

对应的，将所有发射天线到第j个接收天线之间的信道频率响应写为：

因此，导频接收信号可以表示为：

由此可以得到LS信道估计的解为：

其中

再将按照天线的序号i分组然后进行插值，就可以获得第j个接收天线上来自所有发射天线的信道频率响应。可以看出，LS信道估计算法中，估计过程忽略了噪声因素，因而估计精度不高。

指数平滑算法可以用于减少时间序列中的随机干扰因素，对于慢衰落信道，信道冲激响应在一个符号内不变，在相邻符号之间缓慢变化，每个OFDM符号所对应的信道冲激响应即组成一组时间序列，因此可以利用指数平滑算法减少LS信道估计值中每一径上的噪声，提升信道估计的精度。根据LS估计结果本发明提供一种MIMO-OFDM***中基于指数平滑的信道估计算法，包括如下步骤：

(1)对LS算法估计得到的信道频率响应做IDFT运算，得到各OFDM符号对应的信道冲激响应估值：

其中，为通过导频位置信道插值运算后的信道频率响应，q表示第q个OFDM符号；

(2)对步骤(1)中公式的信道冲激响应做指数平滑处理，减少信道冲激响应每一径上的噪声：

其中，表示指数平滑后的信道冲激响应

(3)将指数平滑后的信道冲激响应做K点DFT运算，得到利用指数平滑改进的LS信道频率响应：

本方法的性能通过MATLAB仿真进行分析评估，完成了MIMO-OFDM***中基于指数平滑的LS改进算法的仿真，并将改进算法与经典LS、DFT、MMSE三种算法做性能对比。仿真中，信道为抽头延迟线模型，信道为慢衰落信道，一个OFDM符号内信道不发生变化，在相邻符号内缓慢变化，导频的***方式为梳状导频，不同天线导频位置正交，***采用2发2收天线配置，OFDM子载波数为1024，调制方式为QPSK，循环前缀长度为64个子载波长度，信道为6径信道，导频间隔为8。

由于平滑系数α取不同值时，指数平滑算法滤除噪声的性能不同，因此需要寻找一个α的最佳值，使得改进算法对LS算法的优化足够好。对此，在不同的α以及不同信噪比下，对基于指数平滑的LS改进算法进行仿真，仿真的结果如图2所示，可以看出，除去α取0时的特殊情况，低信噪比时，α取值越小，改进算法的性能越好，然而随着信噪比的增加，α值越小，改进算法性能反而变差，因而需要取一个最佳的α值使得在所有信噪比条件下，该α值对应的改进算法性能均优于原算法，同时，仿真中发现改进LS算法的均方误差曲线进一步接近了DFT信道估计算法，因此可以结合下式选取最佳α值：

其中，MSE_ESA和MSE_DFT分别表示基于指数平滑的改进LS算法和DFT算法的估计均方误差向量，向量中元素为不同信噪比下的均方误差，表示向量2范数运算的平方，e为改进LS算法与DFT算法之间的估计性能差距。按照最佳系数取值准则，指数平滑系数的最佳取值为0.5。

获取了最佳平滑系数后，将基于指数平滑的改进LS算法与经典LS算法、DFT算法及MMSE算法仿真实现，仿真结果如图3-4所示。为了体现指数平滑算法的特点以及最优平滑系数的优势，在0到1之间选取了多个平滑系数进行仿真，最终将0.1及0.2两个平滑系数的仿真结果与最佳平滑系数0.5的仿真结果进行对比。由图3可以看出，在低信噪比环境下，指数平滑的系数越小，改进算法的估计均方误差越小，但随着信噪比的增加，平滑系数越小，信道估计的误差反而越大，改进算法的性能比原算法还差。这是由于指数平滑算法具有低通滤波特性，平滑系数越小，滤波效果越好，在低信噪比时能够滤除大部分噪声，优化了信道估计的结果，而在高信噪比时，有效信道信息占据主导地位，平滑系数较小时，信道随时间的变化将被误认为是随机干扰，指数平滑算法做了错误的修正，恶化了信道估计的结果。因此，结合上述最佳平滑系数选取准则，当平滑系数为0.5时，改进算法在低中高信噪比环境下，估计误差均小于经典LS信道估计算法。同时，与经典DFT信道估计算法相比，基于指数平滑的改进LS算法在取得最佳平滑系数时，信道估计的均方误差最接近DFT算法，并且避免了DFT估计算法中获取最大时延长度的工作。由图4可以看出，在选取最优平滑系数0.5时，基于指数平滑的改进LS信道估计算法恢复数据的误比特率介于经典LS、MMSE算法之间，且性能接近DFT信道估计算法。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种MIMO-OFDM***中基于指数平滑的信道估计方法，包括如下步骤：

步骤一：在MIMO-OFDM***中获取各符号信道频率响应的LS估计值；

步骤二：通过离散傅立叶反变换获得各符号信道冲激响应的LS估计值；

步骤三：通过指数平滑算法对信道冲激响应的LS估计值进行优化；

步骤四：通过离散傅立叶变换得到基于指数平滑的信道频率响应。

2.如权利要求1所述的一种MIMO-OFDM***中基于指数平滑的信道估计方法，其特征在于，所述步骤一中：

每个天线***导频的数量为M，OFDM采用K个子载波，梳状导频的间隔子载波数为p，满足M＝[K/p]；

首先获取导频位置的频域接收信号：

其中，P表示导频所在位置，f表示频域形式，i表示发射天线，j表示接收天线，ji表示从第i个发射天线到第j个接收天线，N_T表示发射天线数，X_i表示发射天线i上的信号矩阵，h_ji和z_j分别表示信号矩阵和噪声；

将所有发射天线上的导频信号按照以下方式进行排列，用Q_m(n)表示第m个发射天线上的第n个导频信号，将导频信号按照n的值分组排列，排列顺序按照天线序号m的值升序排列，从而得到Q矩阵：

则所有发射天线到第j个接收天线之间的信道频率响应为：

导频接收信号为：

LS信道估计的解为：

其中

将按照天线的序号i分组然后进行插值，获得第j个接收天线上来自所有发射天线的信道频率响应。

3.如权利要求2所述的一种MIMO-OFDM***中基于指数平滑的信道估计方法，其特征在于，所述步骤二中：

对信道频率响应的LS估计值做IDFT运算，得到各OFDM符号对应的信道冲激响应估值：

其中，为通过导频位置信道插值运算后的信道频率响应，q表示第q个OFDM符号。

4.如权利要求3所述的一种MIMO-OFDM***中基于指数平滑的信道估计方法，其特征在于，所述步骤三中：

对信道冲激响应做指数平滑处理，减少信道冲激响应每一径上的噪声：

其中，表示指数平滑后的信道冲激响应，α表示平滑系数。

5.如权利要求4所述的一种MIMO-OFDM***中基于指数平滑的信道估计方法，其特征在于，所述步骤四中：

将指数平滑后的信道冲激响应做K点DFT运算，得到利用指数平滑改进的LS信道频率响应：

6.如权利要求4所述的一种MIMO-OFDM***中基于指数平滑的信道估计方法，其特征在于，平滑系数α满足：

其中，MSE_ESA和MSE_DFT分别表示基于指数平滑的LS算法和DFT算法的估计均方误差向量，e为LS算法与DFT算法之间的估计性能差距。