CN1767514A - 一种基于叠加导频的联合半盲信道估计和数据检测方法及其装置 - Google Patents

Abstract

一种基于叠加导频的联合半盲信道估计和数据检测方法，其特征是首先在发射端，将有用符号与接收端已知的导频符号叠加后发送到信道，然后在接收端利用各子载波频域信道之间的频域相关性，将频域信道等效成有限状态机；然后，利用最大似然准则检测器检测有用符号，利用检测的有用符号进行LS信道估计，并更新信道状态机，进行下一个有用符号的检测。

Description

一种基于叠加导频的联合半盲信道估计和数据检测方法及其装置

                              技术领域

本发明涉及空时正交频分复用(ST-OFDM)***中用于估计ST-OFDM***的频率选择性衰落信道，并同时检测数据，特别是一种基于叠加导频的联合半盲信道估计和数据检测方法(Joint Semi-Blind Channel Estimation and Data Detection，JSBCEDD)，属于宽带无线数据传输领域。

                              背景技术

正交频分复用(OFDM)是一种能够有效地抗频率选择性衰落的技术。将空时分组编码(STBC)技术与OFDM相结合能够为无线通信***提供更优的***性能和更高的数据传输速率。在相干检测ST-OFDM***中，信道估计极大地影响着整个通信***的性能。为了获得信道的正确估计，通常使用训练序列或导频符号，从而使***的传输效率降低，研究盲信道估计算法是很有吸引力的。目前，在ST-OFDM***中已研究出几种盲的信道估计算法，其中一些算法是基于自相关矩阵的子矩阵的盲信道估计方法，另一些算法基于子空间分解的盲信道估计算法或基于输出数据的循环平稳特性的信道盲估计算法，这些算法通常运算量很大，存在标量模糊，而且性能与基于训练序列或导频符号估计方法相比还有不小的差距。Shengli Zhou等人在《IEEE Trans.On signalprocessing》vol.50，pp1215-1227May 2002发表了“Subspace-Based(Semi-)Blind channelEstimation for Block Precoded Space-Time OFDM”(IEEE信号处理学报2002年5月，第50卷，1215到1227页，空时块预编码OFDM中子空间盲(半盲)信道估计)，该文在ST-OFDM******少量导频，提出了ST-OFDM中的半盲的信道估计。然而该方法***的导频仅用于解决标量模糊问题，并没有提高***的估计性能，难以实用；C.K.Ho等人在IEEE GLOBECOM’01，vol.5，P3075-3079，Nov.2001发表的“Added Pilot Semi-BlindChannel Estimation Scheme for OFDM in Fading Channels”(IEEE全球电信会议2001年11月，第5卷，3075到3079页，《衰落信道条件下OFDM***中基于加性导频的半盲信道估计方法》)，提出了SISO-OFDM中基于叠加导频的半盲信道估计，该方法采用恒模调制的导频符号，将发送信息符号看成乘性噪声，利用多次维纳滤波消除信息符号和高斯噪声的影响，因此运算复杂度很高，而估计性能并不高；邵怀宗等人在《电子与信息学报》2003年第5卷发表的《一种OFDM***中的盲信道估计算法》中利用传输信息符号为有限字符集和各子载波的相互独立性，提出了用伪导频符号进行信道估计的方法。该方法的特点是伪导频符号传输的是有用数据，但其平均功率与其它有用数据相比增加了3dB或6dB，而接收端利用伪导频符号子信道的频域响应的四阶和二阶统计特性估计信道。该方法增大了***发射功率，且增加***的复杂度。因此寻找ST-OFDM***中一种不降低***的传输效率，而且性能和运算量符合实际应用要求的信道估计方法一直吸引着众多的研究者。

                             发明内容

本发明目的是针对空时正交频分复用(ST-OFDM)***中现有的半盲信道估计方法的不足，提出一种基于叠加导频的联合半盲信道估计和数据检测方法，从而能够更精确地估计ST-OFDM***的频率选择性衰落信道，并有效地检测发送数据。

本发明的上述目的是这样实现的：

一种基于叠加导频的联合半盲信道估计和数据检测方法，其特征是首先在发射端，将有用符号与接收端已知的导频符号叠加后发送到信道，然后在接收端利用各子载波信道之间的频域相关性，将频域信道等效成有限状态机；然后，利用最大似然准则检测器检测有用符号，利用检测的有用符号进行LS信道估计，并更新信道状态机，进行下一个有用符号的检测。可将信道建模成准静止的，即在每个OFDM符号持续时间内信道是时不变的，利用各子载波信道之间的频域相关性，将频域信道等效成有限状态机，即接收信号由发送符号通过该有限状态机的输出与加性噪声组成，接收端利用接收符号、已知的导频、有限状态机状态转移信息，通过最大似然准则检测有用符号。

上述基于叠加导频的联合半盲信道估计和数据迭代检测方法，其特征是包括以下算法步骤：

(1)在发送端，比特信息流经信道编码后，通过随机交织器，然后经符号映射成有用符号，即Q比特的数据 $\{c_{i,l}^1,c_{i,l}^2,\·\·\·c_{i,l}^Q\}{c}_{i,l}^q\∈\left\{\mathrm{0,1}\right\},q=1,\·\·\·Q$ 映射成d_i，l。同样，接收端已知的随机比特经符号映射成导频符号p_i，l，与有用符号d_i，l叠加：

$x_{i,l}=\frac{d_{i,l}+\mathrm{\ϵ}{p}_{i,l}}{\sqrt{1+{\mathrm{\ϵ}}^2}}$

式中，i、l分别表示时、频索引参数，ε确定有效符号d与导频符号p叠加的功率比例，0＜ε＜1；

(2)对叠加导频后的有用符号进行空时编码，经过快速傅立叶逆变换和***循环前缀后，由发送天线上发送到无线信道，空时编码采用1998年Alamouti提出的空时分组码，对于发射天线为2的二阶空时分组码，发送符号为：

(3)考虑两发一收的空时OFDM***，接收天线收到的信号去掉循环前缀后，经串并变换和快速傅立叶变换送入信道估计和检测模块，估计并检测有用符号；在接收端，送入信道估计和检测模块的频域接收信号可以表示为：

$Y_l=\left[\begin{array}{c}{y}_{2i+0,l}\\ y_{2i+1,l}\end{array}\right]=\left[\begin{array}{cc}{x}_{2i+0,l}& x_{2i+1,l}\\ -x_{2i+1,l}^{*}& x_{2i+0,l}^{*}\end{array}\right]\left[\begin{array}{c}{h}_l^0\\ h_l^1\end{array}\right]+\left[\begin{array}{c}{w}_{2i+0,l}\\ w_{2i+1,l}\end{array}\right]{=X}_l{H}_l+W_l$

这里， $H_l=\left[\begin{array}{c}{h}_l^0\\ h_l^1\end{array}\right],$ $W_l=\left[\begin{array}{c}{w}_{2i+0,l}\\ w_{2i+1,l}\end{array}\right]$ 是高斯白噪声，信道H₁的LS估计

表示为：

${\hat{H}}_l=X_l^{-1}{Y}_l$

对于第k(k＞L)子载波，若假设前L个子载波发送的符号X_k-1，X_k-2，…，X_k-L是知道的，利用各子载波频域信道之间的频域相关性，则信道H_k由前L个子载波的信道估计值线性预测得到：

${\tilde{H}}_k=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{\hat{H}}_{k-i}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{X}_{k-i}^{-1}{Y}_{k-i}$

这里，L是预测阶数，最优的预测系数a_i，1≤i≤L是维纳-霍夫方程的解，可以由信道的频域相关特性得出。考虑到所有的导频符号是已知的，由此式可将频域信道等效成有限状态机，对于第七子载波来说，该有限状态机此时的状态[D_k-1，D_k-2，…，D_k-L]，输入为D_k，输出为

$Y_k=X_k{\tilde{H}}_k+W_k=X_k\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_l{\hat{H}}_{k-l}+W_k=(D_k+\mathrm{\ϵ}{P}_k)\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_l{(D_{k-l}+\mathrm{\ϵ}{P}_{k-l})}^{-1}{Y}_{k-i}\right)+W_k$

由于 $D_k=\left[\begin{array}{cc}{d}_{2i+0,k}& d_{2i+1,k}\\ {-d}_{2i+1,k}^{*}& d_{2i+0,k}^{*}\end{array}\right]$ 只由{d_2i+0,k,d_2i+1,k}确定，因此该有限状态机的状态可表示为S_k＝{d_2i+0，k-1，d_2i+1，k-1，…，d_2i+0，k-L，d_2i+1，K-L}，输入可以表示为U_k＝{d_2i+0，k，d_2i+1，k}，这里

就是需要估计的频域信道，U_k就是需要检测的数据。

由此，ST-OFDM***中基于叠加导频的联合半盲信道估计和数据检测方法可表示为如下的最大似然准则检测器：

$[{\hat{U}}_k,{\tilde{H}}_k]=\underset{U_k;S_k}{\arg \min }{|Y_k-X_k{\tilde{H}}_k|}^2$

$=\underset{U_k;S_k}{\arg \min }{|Y_k-\frac{(D_k+\mathrm{\ϵ}{P}_k)}{\sqrt{1+{\mathrm{\ϵ}}^2}}\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{X}_{k-l}^{-1}{Y}_{k-l}\right)|}^2,k=L+1,L+2,\·\·\·,N$

$=\underset{U_k;S_k}{\arg \min }{|Y_k-(D_k+\mathrm{\ϵ}{P}_k)\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_k{(D_{k-l}+\mathrm{\ϵ}{P}_{k-l})}^{-1}{Y}_{k-l}\right)|}^2$

由上式可以看出，提出的基于叠加导频的JSBCEDD方法不同于传统的最大似然检测(ML)。ML方法虽然不需要***导频，是一种全盲的估计方法，然而需要搜索所有的信号空间，计算复杂度非常高。提出的基于叠加导频的JSBCEDD方法虽然***了导频，但是导频和有用数据是叠加在一起同时发送的，没有降低传输效率，因此是一种半盲估计方法，而且该方法将ML问题分解成两个步骤完成，即信道估计和数据检测，因此在***性能损失不大的情况下，极大地降低了计算复杂度。我们利用软输出Viterbi算法求解上式，可得基于全状态搜索的软输出Viterbi算法(SOVA)的半盲信道估计和数据检测算法。然而，对于符号映射子集较大时，基于全状态搜索的SOVA需要搜索所有的状态空间，其运算量非常大。以16QAM调制为例，M＝4，即使信道预测阶数为L＝2，则有限状态机的状态数为2¹⁶，每个状态的分支数为2⁸，对于每个时刻t需要执行2²⁴次欧式度量计算，每个OFDM符号所需的欧式度量计算次数约为2²⁴(N-2)。为了减少运算量，我们采用符号映射子集分割的方法，减少有限状态机的状态数和每个状态的分支数。下面以16QAM调制和信道预测阶数为L＝2为例给出基于RS-SOVA的半盲信道估计和数据检测算法。我们对16QAM调制子集进行如图4的分割，这里有两种分割方式，第一种将16QAM调制子集分割成4个子集，每个子集包含4个星座，这种分割方法对应于每个状态的前两个调制符号和每个分支输入的两个调制符号；第二种将16QAM调制子集分割成2个子集，每个子集包含8个星座，这种分割方法对应于每个状态的后两个调制符号。因此，有限状态机的状态子集数为2⁶，每个状态的分支子集数为2⁴，每个状态子集内包含了2¹⁰个状态，每个分支子集包含了2⁴个分支。有限状态机的格图不再是实际状态之间的转移，而是状态子集之间的转移。对于子载波数为N，16QAM调制，信道预测阶数为L＝2，两发一收的ST-OFDM***，基于减少状态的软输出Viterbi算法(RS-SOVA)的半盲信道估计和数据检测包括以下算法步骤：

(1)初始化：对于上述***，有限状态机的状态子集数为2⁶，每个状态子集的分支子集数为2⁴，对应于一个有2⁶个状态，每个状态有2⁴输入分支的格图，SOVA就是搜索该格图，得到可能性最大的一条分支输入序列。在这里从L+1个子载波开始搜索网格，因此定义第L+1个子载波为格图的时刻t＝1，相应的第L+2个子载波为时刻t＝2，一直到第M个子载波为时刻t＝M-L。在格图搜索开始前需要知道前一时刻的状态信息，因此必须先初始化格图。在t＝0时，网格的每个状态都要从该状态对应的状态子集数的2¹⁰个状态中选择一个状态作为该网格状态的幸存状态S₀ ^(m)，并初始化网格的每个状态对应的累计度量都为 $M_0^{\left(m\right)}=0,$ m是对应的网格的状态索引；初始化有用符号的比特先验信息为零，即 $\mathrm{\Λ}\left(c_{i,j}^q\right)=0\∀i,j,q.$

(2)对于t←t+1，由于格图每个状态都与2⁴个允许转移该状态的输入分支相对应，因此对于第i个允许转移该状态的输入分支，格图t时刻的第k个状态经该输入分支转移到t+1时刻的第m个状态，此时对应的转移度量定义为∏_t+1 ^(i，m)，由于格图的每个输入分支都对应于有限状态机中有2⁴个实际输入分支的分支子集，因此要从这些实际输入分支中选择一个使该转移度量∏_t+1 ^(i，m)最大的，作为此分支子集的幸存分支输入符号，具体方法如下：

(2.1)利用格图t时刻第k个状态对应的幸存状态为S_t ^(k)和前L时刻的接收信号和导频符号，由 ${\tilde{H}}_{t+1}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{\hat{H}}_{t-i}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{X}_{t-i}^{-1}{Y}_{t-i}$ 可得时刻t+1的信道预测值；

(2.2)用解调空时编码，得到时刻t+1有用信号的初步估计值

(2.3)从当前分支子集中选择一个与

最靠近的星座点集合作为幸存分支输入符号

基于前面如图3的对称分割子集的方法，对于 中每个接收调制符号来说，比较其所在的象限，即比较其实部和虚部大于零还是小于零就可以的到与

最靠近的星座点集合；

在知道了格图t+1时刻的第m个状态是由t时刻第k个状态经第i个允许输入分支转移到的，且t时刻第k个状态对应的幸存状态为S_t ^(k)，第i个允许输入分支对应的幸存分支输入符号为

和前L时刻的接收信号和导频符号的情况下，该个分支转移的转移度量可以表示为利用第k个状态对应的幸存状态为S_t ^(k)和转移到t+1时刻的第m个状态的输入分支符号为 预测得到的时刻t+1接收信号 $({\tilde{D}}_{t+1}+\mathrm{\ϵ}{P}_{t+1})\left(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{({\tilde{D}}_{t-i}+\mathrm{\ϵ}{P}_{t-i})}^{-1}{Y}_{t-i}\right)$ 与实际接收的信号Y_t+1差的平方与t时刻第k个状态对应幸存路径的累计度量M_t ^(k)之和：

${\mathrm{\Π}}_{t+l}^{(i,m)}=M_t^{\left(k\right)}-{|Y_{t+1}-({\tilde{D}}_{t+1}+\mathrm{\ϵ}{P}_{t+1})\left(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{({\tilde{D}}_{t-i}+\mathrm{\ϵ}{P}_{t-i})}^{-1}{Y}_{t-i}\right)|}^2+\underset{j=0}{\overset{2}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{c}_{j,t+1}^q\mathrm{\Λ}\left(c_{2i+0,t+1}^q\right)$

(3)对于t+1时刻格图的第m个状态，共有2⁴个允许转移该状态的输入分支，搜索出这些分支中转移度量最大的分支和次大的分支，其转移度量就是第m个状态对应的幸存路径的累计度量和竞争路径的累计度度量，分别表示为M_t+1 ^(m，1)和M_t+1 ^(m，2)。存储M_t+1 ^(m，1)及相应的幸存分支子集、幸存输入符号和幸存状态子集、幸存状态，存储M_t+1 ^(m，2)及相应的竞争分支子集、竞争输入符号和竞争状态子集、竞争状态；

(4)计算 ${\mathrm{\Δ}}_{t+1}^0=\frac{1}{2}|M_{t+1}^{(m,1)}-M_{t+1}^{(m,2)}|;$

(5)比较t+1时刻每个状态处的幸存路径和竞争路径，并存储两条路径上的判决不同的相对应时刻MEM；

(6)从小到大更新所有的MEM对应的度量值 ${\mathrm{\Δ}}_t^{\mathrm{MEM}}=\underset{\mathrm{kk}=\mathrm{0,1},\·\·\·,\mathrm{MEM}}{\min }\left\{{\mathrm{\Δ}}_T^K\right\};$

(7)返回(2)，直到接收到全部传输序列；

(8)由幸存路径得到比特序列

j，q和相应的软输出值 $\mathrm{\Λ}\left(c_{i,j}^q\right)={\hat{c}}_{i,j}^q{\mathrm{\Δ}}_t^{\mathrm{MEM}};$

(9)对于第1，2，…，L子载波的发送数据，可利用时刻t＝1时的幸存状态得到，该幸存状态就是第1，2，…，L子载波的发送数据，其对应的软输出值仍为零。

SOVA的输出是有用信号比特序列的后验对数似然比，在ST-COFDM***中，与软输入软输出(SISO)的译码器结合，可形成检测器、交织器、译码器联合的Turbo迭代结构，进一步提高性能。方法如下：

(1)上述检测器步骤(8)输出是发送符号(比特)的对数似然比，将该对数似然比序列送入解交织器；

(2)用SISO译码器对解交织后的序列进行译码；

(3)若检测精度达到要求，迭代停止，此时将SISO译码器输出的后验对数似然比进行判决，并输出该判决序列，即是检测结果，否则，将SISO译码器输出的外信息送入交织器；

(4)交织后的对数似然比序列送入SOVA的检测器，进行下一次迭代检测。

一种基于叠加导频的联合半盲信道估计和数据迭代检测装置，其特征是包括以下模块并依次连接：

发射端：用户数据比特进入卷积编码模块，连接交织模块，连接符号映射模块，连接叠加导频模块，连接空时编码模块，连接快速傅立叶逆变换模块，连接加循环前缀模块后连接天线；同时，随机导频比特进入另一符号映射模块后亦连接至叠加导频模块；

基于RS-SOVA结构的接收端：接收天线信号进入去除循环前缀模块，连接串并变换模块，连接快速傅立叶变换模块，连接软输出维特比检测模块后一路硬判输出，另一路连接最小二乘信道估计模块后返回连接至软输出维特比检测模块；

基于Turbo结构的接收端：接收天线信号进入去除循环前缀模块，连接串并变换模块，连接快速傅立叶变换模块，连接软输出维特比检测模块后一路连接解交织模块，连接软输入软输出译码模块后，一路硬判输出，另一路连接交织模块后返回连接至软输出维特比检测模块，软输出维特比检测模块后另一路连接最小二乘信道估计模块后返回连接至软输出维特比检测模块。

与现有技术相比，本发明方法及其装置具有如下优点就和效果：

(1)不同于传统的导频辅助信道估计，利用与有用信号叠加发送的导频符号，既不需要***导频也不需要训练序列，比基于传统信道估计的方法，节省了频带资源。

(2)误比特性能优于基于子空间的盲信道估计方法。

(3)采用减少状态的软输出Viterbi算法(RS-SOVA)后其计算复杂度较低，每个时刻检测器只需要执行210个欧式度量计算，因此一个OFDM符号的运算量为210N个欧式度量计算。

(4)输出是信息比特的软信息，因此很容易和SISO-MAP译码结合起来，形成TURBO结构提高***性能。

                          附图说明

图1是基于叠加导频的JSBCEDD方法的两发一收ST-OFDM***结构发射端框图；

图2是基于叠加导频的JSBCEDD方法的两发一收ST-OFDM***结构接收端框图；

图3是基于Turbo结构的JSBCEDD方法的两发一收ST-COFDM***结构接收端框图；

图4是基于减少状态的软输出Viterbi算法(RS-SOVA)的JSBCEDD算法中采用的星座分割法(16QAM)；

图5是在采用16QAM调制的ST-OFDM***中，信噪比为4dB时，调制符号与导频符号按不同的功率比叠加对***BER性能的影响；

图6是在采用16QAM调制的ST-OFDM***中，采用基于线性内插算法、基于子空间的盲信道估计算法和提出的基于叠加导频的JSBCEDD的BER性能比较；

图7是在采用16QAM调制的ST-COFDM***中，基于叠加导频的JSBCEDD算法与SISO-MAP译码算法构成TURBO结构，不同迭代次数下的BER性能比较；

                             具体实施方式

本发明方法的基本思路是：首先在发送端有用信号与接收端已知的导频符号叠加后发送到信道，然后在接收端利用各子载波频域信道之间的相关性，利用基于减少状态的软输出Viterbi算法(RS-SOVA)的最大似然准则检测器，估计频域信道和检测有用信号。包括：(1)在发送端叠加导频；(2)在接收端，利用RS-SOVA估计频域信道和检测有用信号。为了更好的理解本发明的技术方案，以下以IEEE802.16a标准规定的空中接口技术WirelessMAN-OFDM的下行链路为例进行说明。WirelessMAN-OFDM***使用256个子载波，载波频率为2～11GHz，为了提高传输性能，采用了Alamouti提出的空时分组码(两发一收)。IEEE802.16a标准规定的空中接口技术WirelessMAN-OFDM中采用发送训练序列和***梳状导频的方式估计和跟踪信道，降低了频谱效率。

本发明提出的基于叠加导频的JSBCEDD算法的空时WirelessMAN-OFDM***下行链路发送端如图1所示，在发送端，比特信息流B经信道编码后，通过随机交织器，然后经符号映射成调制符号。同样，接收端已知的随机比特经符号映射成导频符号，与有用信号调制符号按一定功率比叠加后，进行空时编码，经过快速傅立叶逆变换和***循环前缀后，由发送天线上发送到无线信道。接收端框图如图2、3所示，接收天线收到的信号去掉循环前缀后，经串并变换和快速傅立叶变换送入信道估计和检测模块，估计并检测有用信号。如图1，2所示，本发明对IEEE802.16a标准中规定的***进行了调整：在发送端将导频符号叠加有效信息符号上发送，在接收端利用减少状态的软输出Viterbi算法检测数据和信道估计。图3是基于Turbo结构的JSBCEDD方法的两发一收ST-COFDM***结构接收端框图，考虑到RS-SOVA的输出是有用信号比特序列的后验对数似然比，在ST-COFDM***中，与软输入软输出(SISO)的译码器结合，可形成检测器、交织器、译码器联合的Turbo迭代结构，进一步提高性能。

本发明中发送端符号映射以16QAM为例，考虑信道预测阶数为L＝2，采用基于RS-SOVA的JSBCEDD，16QAM调制星座的子集分割方法如图4所示，这里有两种分割方式，第一种将16QAM调制子集分割成4个子集，每个子集包含4个星座；第二种将16QAM调制子集分割成2个子集，每个子集包含8个星座。

在本发明中发送端有用符号d_i，l和导频符号p_i，l按不同的功率比叠加会对***的BER性能产生影响。图5比较了当信噪比为4dB时，采用不同的功率比叠加对***BER性能的影响，横坐标表示了不同的功率比参数ε，纵坐标表示了***BER性能。从图5中可以看出在仿真信道条件下，当ε＝0.6时***BER性能最优。以下的实施中采用ε＝0.6作为功率比叠加参数。

图6比较了本发明与采用基于导频辅助的线性内插算法、基于子空间的盲信道估计算法的BER性能。为了便于比较，不同于WirelessMAN-OFDM，这里线性内插算法的导频采用随机梳状导频。从图6可以看出，基于RS-SOVA的JSBCEDD性能优于基于子空间的盲信道估计算法，与基于线性内插的性能接近。

图7描述了在采用16QAM调制的ST-COFDM***中，基于叠加导频的JSBCEDD算法与SISO-MAP译码算法构成TURBO结构，不同迭代次数下的BER性能。由图8可以看出，形成TURBO结构后，利用检测器和译码器外信息的交互，提高了***的BER性能。

Claims (7)

1、一种基于叠加导频的联合半盲信道估计和数据检测方法，其特征是首先在发射端，将有用符号与接收端已知的导频符号叠加后发送到信道，然后在接收端利用各子载波信道之间的频域相关性，将频域信道等效成有限状态机；接着，利用最大似然准则检测器检测有用符号，利用检测的有用符号进行LS信道估计，并更新信道状态机，进行下一个有用符号的检测。

2、根据权利要求1所述基于叠加导频的联合半盲信道估计和数据检测方法，其特征是将信道建模成准静止的，即在每个OFDM符号持续时间内信道是时不变的，利用各子载波信道之间的频域相关性，将频域信道等效成有限状态机，即接收信号由发送符号通过该有限状态机的输出与加性噪声组成，接收端利用接收符号、已知的导频、有限状态机状态转移信息，通过最大似然准则检测有用符号。

3、根据权利要求1或2所述基于叠加导频的联合半盲信道估计和数据迭代检测方法，其特征是包括以下算法步骤：

(1)在发送端，比特信息流经信道编码后，通过随机交织器，然后经符号映射成有用符号，即Q比特的数据 $\{c_{i,l}^1,c_{i,l}^2,\…c_{i,l}^Q\},c_{i,l}^q\∈\left\{\mathrm{0,1}\right\},q=1,...Q$ 映射成d_i，l。同样，接收端已知的随机比特经符号映射成导频符号p_i，l，与有用符号d_i，l叠加：

$x_{i,l}=\frac{d_{i,l}+{\mathrm{\ϵp}}_{i,l}}{\sqrt{1+{\mathrm{\ϵ}}^2}}$

式中i、l分别表示时、频索引参数，ε确定有效符号d与导频符号p叠加的功率比例，取0＜ε＜1；

(2)对叠加导频后的有用符号进行空时编码，经过快速傅立叶逆变换和***循环前缀后，由发送天线上发送到无线信道。空时编码采用1998年Alamouti提出的空时分组码，对于发射天线为2的二阶空时分组码，发送符号为：

(3)考虑两发一收的空时OFDM***，接收天线收到的信号去掉循环前缀后，经串并变换和快速傅立叶变换送入信道估计和检测模块，估计并检测有用符号；在接收端，送入信道估计和检测模块的频域接收信号可以表示为：

$Y_l=\left[\begin{array}{c}{y}_{2i+0,l}\\ y_{2i+1,l}\end{array}\right]=\left[\begin{array}{cc}{x}_{2i+0,l}& x_{2i+1,l}\\ -x_{2i+1,l}^{*}& x_{2i+0,l}^{*}\end{array}\right]\left[\begin{array}{c}{h}_l^0\\ h_l^1\end{array}\right]+\left[\begin{array}{c}{w}_{2i+0,l}\\ w_{2i+1,l}\end{array}\right]=X_l{H}_l+W_l$ 这里， $H_l=\left[\begin{array}{c}{h}_l^0\\ h_l^1\end{array}\right],W_l=\left[\begin{array}{c}{w}_{2i+0,l}\\ w_{2i+1,l}\end{array}\right]$ 是高斯白噪声，信道H_l的LS估计 表示为：

${\hat{H}}_l=X_l^{-1}{Y}_l$

对于第k(k＞L)子载波，若假设前L个子载波发送的符号X_k-1，X_k-2，…，X_k-L是知道的，利用各子载波频域信道之间的频域相关性，则信道H_k由前L个子载波的信道估计值线性预测得到：

${\tilde{H}}_k=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{\hat{H}}_{k-i}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{X}_{k-i}^{-1}{Y}_{k-i}$

这里，L是预测阶数，最优的预测系数a_i，1≤i≤L是维纳-霍夫方程的解，可以由信道的频域相关特性得出。考虑到所有的导频符号是已知的，由此式可将频域信道等效成有限状态机，对于第k子载波来说，该有限状态机此时的状态[D_k-1，D_k-2，…，D_k-L]，输入为D_k，输出为

$Y_k=X_k{\tilde{H}}_k+W_k=X_k\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_l{\hat{H}}_{k-l}+W_k=(D_k+{\mathrm{\ϵP}}_k)\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_l{(D_{k-l}+{\mathrm{\ϵP}}_{k-l})}^{-1}{Y}_{k-i}\right)+W_k$

由于 $D_k=\left[\begin{array}{cc}{d}_{2i+0,k}& d_{2i+1,k}\\ {-d}_{2i+1,k}^{*}& d_{2i+0,k}^{*}\end{array}\right]$ 只由{d_2i+0，k，d_2i+1，k}确定，因此该有限状态机的状态可表示为S_k＝{d_2i+0，k-1，d_2i+1，k-1，…，d_2i+0，k-L，d_2i+1，K-L}，输入可以表示为U_k＝{d_2i+0，k，d_2i+1，k}，这里

就是需要估计的频域信道，U_k就是需要检测的数据。

由此，ST-OFDM***中基于叠加导频的联合半盲信道估计和数据检测方法可表示为如下的最大似然准则检测器：

$[{\hat{U}}_k,{\tilde{H}}_k]=\underset{U_k;S_k}{\arg \min }{|Y_k-X_k{\tilde{H}}_k|}^2$

$=\underset{U_k;S_k}{\arg \min }{|Y_k-\frac{(D_k+{\mathrm{\ϵP}}_k)}{\sqrt{1+{\mathrm{\ϵ}}^2}}\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{X}_{k-l}^{-1}{Y}_{k-l}\right)|}^2,$ k＝L+1，L+2，…，N

$=\underset{U_k;S_k}{\arg \min }{|Y_k-(D_k+{\mathrm{\ϵP}}_k)\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{a}_k{(D_{k-l}+{\mathrm{\ϵP}}_{k-l})}^{-1}{Y}_{k-l}\right)|}^2.$

4、根据权利要求1或2所述基于叠加导频的联合半盲信道估计和数据检测方法，其特征是最大似然准则检测器采用基于减少搜索状态的软输出Viterbi算法。

5、根据权利要求4所述基于叠加导频的联合半盲信道估计和数据检测方法，其特征是减少搜索状态的软输出Viterbi算法中，采用符号映射子集分割的方法，减少有限状态机的状态数和每个状态的分支数，基于减少搜索状态的软输出Viterbi算法的最大似然准则检测器包括以下算法步骤：

(1)初始化：对于上述***，有限状态机的状态子集数为2⁶，每个状态子集的分支子集数为2⁴，对应于一个有2⁶个状态，每个状态有2⁴输入分支的格图，SOVA就是搜索该格图，得到可能性最大的一条分支输入序列，在这里从L+1个子载波开始搜索网格，因此定义第L+1个子载波为格图的时刻t＝1，相应的第L+2个子载波为时刻t＝2，一直到第M个子载波为时刻t＝M-L，在格图搜索开始前需要知道前一时刻的状态信息，因此必须先初始化格图，在t＝0时，网格的每个状态都要从该状态对应的状态子集数的2¹⁰个状态中选择一个状态作为该网格状态的幸存状态S₀ ^(m)，并初始化网格的每个状态对应的累计度量都为 $M_0^{\left(m\right)}=0,$ m是对应的网格的状态索引；初始化有用符号的比特先验信息为零，即 $\mathrm{\Λ}\left(c_{i,j}^q\right)=0\∀i,j,q;$

(2)对于t←t+1，由于格图每个状态都与2⁴个允许转移该状态的输入分支相对应，因此对于第i个允许转移该状态的输入分支，格图t时刻的第k个状态经该输入分支转移到t+1时刻的第m个状态，此时对应的转移度量定义为∏_t+1 ^(i，m)，由于格图的每个输入分支都对应于有限状态机中有2⁴个实际输入分支的分支子集，因此要从这些实际输入分支中选择一个使该转移度量∏_t+1 ^(i，m)最大的，作为此分支子集的幸存分支输入符号，具体方法如下：

(2.1)利用格图t时刻第k个状态对应的幸存状态为S_t ^(k)和前L时刻的接收信号和导频符号，由 ${\tilde{H}}_{t+1}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{\hat{H}}_{t-i}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{X}_{t-i}^{-1}{Y}_{t-i}$ 可得时刻t+1的信道预测值；

(2.2)用解调空时编码，得到时刻t+1有用信号的初步估计值

(2.3)从当前分支子集中选择一个与 最靠近的星座点集合作为幸存分支输入符号

基于前面如图3的对称分割子集的方法，对于

中每个接收调制符号来说，比较其所在的象限，即比较其实部和虚部大于零还是小于零就可以的到与

最靠近的星座点集合；

在知道了格图t+1时刻的第m个状态是由t时刻第k个状态经第i个允许输入分支转移到的，且t时刻第k个状态对应的幸存状态为S_t ^(k)，第i个允许输入分支对应的幸存分支输入符号为 和前L时刻的接收信号和导频符号的情况下，该个分支转移的转移度量可以表示为利用第k个状态对应的幸存状态为S_t ^(k)和转移到t+1时刻的第m个状态的输入分支符号为

预测得到的时刻t+1接收信号 $({\tilde{D}}_{t+1}+{\mathrm{\ϵP}}_{t+1})\left(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{({\tilde{D}}_{t-i}+{\mathrm{\ϵP}}_{t-i})}^{-1}{Y}_{t-i}\right)$ 与实际接收的信号Y_t+1差的平方与t时刻第k个状态对应幸存路径的累计度量M_t ^(k)之和：

${\mathrm{\Π}}_{t+1}^{(i,m)}=M_t^{\left(k\right)}-{|Y_{t+1}-({\tilde{D}}_{t+1}+{\mathrm{\ϵP}}_{t+1})\left(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_i{({\tilde{D}}_{t-i}+{\mathrm{\ϵP}}_{t-i})}^{-1}{Y}_{t-i}\right)|}^2+\underset{j=0}{\overset{2}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{c}_{j,t+1}^q\mathrm{\Λ}\left(c_{2i+0,t+1}^q\right)$

(3)对于t+1时刻格图的第m个状态，共有2⁴个允许转移该状态的输入分支，搜索出这些分支中转移度量最大的分支和次大的分支，其转移度量就是第m个状态对应的幸存路径的累计度量和竞争路径的累计度度量，分别表示为M_t+1 ^(m，1)和M_t+1 ^(m，2)。存储M_t+1 ^(m，1)及相应的幸存分支子集、幸存输入符号和幸存状态子集、幸存状态，存储M_t+1 ^(m，2)及相应的竞争分支子集、竞争输入符号和竞争状态子集、竞争状态；

(4)计算 ${\mathrm{\Δ}}_{t+1}^0=\frac{1}{2}|M_{t+1}^{(m,1)}-M_{t+1}^{(m,2)}|;$

(5)比较t+1时刻每个状态处的幸存路径和竞争路径，并存储两条路径上的判决不同的相对应时刻MEM；

(6)从小到大更新所有的MEM对应的度量值 ${\mathrm{\Δ}}_t^{\mathrm{MEM}}=\underset{k=\mathrm{0,1},\·\·\·,\mathrm{MEM}}{\min }\left\{{\mathrm{\Δ}}_t^k\right\};$

(7)返回(2)，直到接收到全部传输序列；

(8)由幸存路径得到比特序列

和相应的软输出值 $\mathrm{\Λ}\left(c_{i,j}^q\right)={\hat{c}}_{i,j}^q{\mathrm{\Δ}}_t^{\mathrm{MEM}};$

(9)对于第1，2，…，L子载波的发送数据，可利用时刻t＝1时的幸存状态得到，该幸存状态就是第1，2，…，L子载波的发送数据，其对应的软输出值仍为零。

6、根据权利要求5所述基于叠加导频的联合半盲信道估计和数据检测方法，其特征是SOVA的输出是有用符号的比特后验对数似然比，在ST-COFDM***中，与软输入软输出SISO的译码器结合，可形成检测器、交织器、译码器联合的Turbo迭代结构，方法如下：

(6.1)检测器步骤(8)输出是有用符号的比特对数似然比，将该对数似然比序列送入解交织器；

(6.2)用SISO译码器对解交织后的序列进行译码；

(6.3)若检测精度达到要求，迭代停止，此时将SISO译码器输出的后验对数似然比进行判决，并输出该判决序列，即是检测结果，否则，将SISO译码器输出的外信息送入交织器；

(6.4)交织后的对数似然比序列送入SOVA的检测器，进行下一次迭代检测。

7、一种基于叠加导频的联合半盲信道估计和数据检测装置，其特征是包括以下模块并依次连接：

发射端：用户数据比特进入卷积编码模块，连接交织模块，连接符号映射模块，连接叠加导频模块，连接空时编码模块，连接快速傅立叶逆变换模块，连接加循环前缀模块后连接天线；同时，随机导频比特进入另一符号映射模块后亦连接至叠加导频模块；

基于RS-SOVA结构的接收端：接收天线信号进入去除循环前缀模块，连接串并变换模块，连接快速傅立叶变换模块，连接软输出维特比检测模块后一路硬判输出，另一路连接最小二乘信道估计模块后返回连接至软输出维特比检测模块：

基于Turbo结构的接收端：接收天线信号进入去除循环前缀模块，连接串并变换模块，连接快速傅立叶变换模块，连接软输出维特比检测模块后一路连接解交织模块，连接软输入软输出译码模块后，一路硬判输出，另一路连接交织模块后返回连接至软输出维特比检测模块，软输出维特比检测模块后另一路连接最小二乘信道估计模块后返回连接至软输出维特比检测模块。

Images