CN1917491A - 利用训练循环前缀的ofdm同步方法 - Google Patents

Abstract

本发明请求保护一种利用训练循环前缀的OFDM同步方法，涉及无线通信技术。该同步方法包括：在OFDM符号后端***训练序列并由此产生循环前缀，固定训练序列段来寻找与之相匹配的定时偏差，根据定时偏移值计算小数倍频偏，然后得到整数倍频率偏差。由训练序列段来计算整数倍频率偏差，通过固定OFDM符号中的训练序列部分，不断改变定时偏差值而得到一段OFDM符号可能的循环前缀，可以进行整数倍频偏估计，并且定时估计精度能得到大幅度的提升，提高了***同步精度。

Description

利用训练循环前缀的OFDM同步方法

技术领域

本发明涉及无线通信技术，尤其涉及无线通信中的OFDM***。

技术背景

正交频分复用OFDM是一种无线环境下的高速传输技术，它的特点是各子载波相互正交，使扩频调制后的频谱可以相互重叠，从而减小了子载波间的相互干扰。然而相对于单载波***，OFDM***对定时和频率偏移非常敏感。为了消除符号间干扰(ISI)和载波间干扰(ICI)，同步估计就显得非常重要了。

现有技术对OFDM***的同步估计均采用的是关于数据辅助(data-aided)估计算法和非数据辅助估计算法。数据辅助估计由于要用多个OFDM块传导频符号或训练序列，造成了资源浪费，带来了信息速率的损失；非数据辅助估计虽然没有资源浪费，但是在多径衰落信道时估计的性能不佳，精度不高。

经典的利用数据相关性性质的ML(最大似然)算法是基于高斯信道下提出来的，但在多径衰落信道下由于信道的影响，循环前缀的重复性质变差使得定时点d和其两边抽样点的ML函数值很接近，造成定时估计性能严重下降。由于定时估计的性能不佳，使得频偏估计的性能也随之下降。如Van de BeekJ J等[Van de Beek J J，Sandell M，Boriesson P O.ML estimation of timeand frequency offset in OFDM  systems.IEEE Transaction on SignalProcessing，1997，45(7)：1800-1805]根据OFDM符号后端的数据和循环前缀数据相关的原理，采用ML算法同时进行定时和频偏估计，但是在衰落信道下时效果不佳，而且不能进行整数倍频偏估计，以致同步效果不佳。

发明内容

本发明提出了一种利用训练循环前缀的OFDM同步方法，针对现有技术中采用ML算法进行频偏估计的上述缺陷而提出了一种新的频偏估计方法，弥补了现有技术的上述不足。本发明解决上述技术问题所采用的技术方案是：提出一种利用训练循环前缀的正交频分复用OFDM同步方法，该方法包括步骤：在OFDM符号后端***训练序列并由此产生循环前缀，固定OFDM符号中的训练序列段并寻找与之相匹配的定时偏差值，根据定时偏移值计算小数倍频偏，然后得到整数倍频率偏差，实现OFDM同步。并通过固定OFDM符号中的训练序列部分，不断改变定时偏差值而得到一段OFDM符号可能的循环前缀，提高了符号定时的精度，并可以进行整数倍频偏估计。根据逆傅立叶变换IFFT前的训练序列和傅立叶变换FFT后的训练序列两者之间只有一种循环移位的关系，根据两者的相关性质得到整数倍频率偏差。

本发明的有益效果，采用本发明提出的利用训练循环前缀的正交频分复用同步方法，定时估计精度可以得到大幅度的提升，进而改善小数倍频偏估计的性能，并且相对于ML算法不能进行整数倍频偏估计的缺陷，本发明也很好的解决了这个问题。

附图说明

图1利用训练循环前缀的OFDM同步的***模型图

图2***训练序列的OFDM符号结构

图3采用ML算法与本发明所述方法的定时估计性能效果比较图

具体实施方式

本发明提出了一种简单而且高效的利用训练循环前缀的OFDM同步算法。在OFDM符号后端***训练序列，由此训练序列产生循环前缀，固定OFDM符号中的训练序列段并寻找与之相匹配的定时偏差值，在接收端根据两者的时域相关性质做定时估计，进而进行小数倍频偏估计，经过定时和小数倍频偏校正后，去循环前缀和傅立叶变换FFT，这时根据原始训练序列和接收训练序列的频域相关性质可以得到整数倍频偏估计，从而实现OFDM同步。

(1)建立利用训练循环前缀的OFDM同步算法***模型

如图1所示为利用训练循环前缀的OFDM建立的同步***，在OFDM***中，传输端的N个复数符号(d₀……d_k……d_K-1)即OFDM符号经过逆傅立叶变换IFFT后被调制到N个子载波上，取N个复数符号的后面L个(Tx)作为训练序列。这其中的最后L个样值(即训练序列)***在每个OFDM符号的开始以形成保护间隔。在经过并串变换P/S和逆傅立叶变换IFFT以后，基带调制信号s(n)被表示为：

$s\left(n\right)=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{d}_k\exp \left(j\frac{2\mathrm{\πk}(n-L)}{N}\right)$

这里的d_k是经过星座点映射后的数据符号。每一个OFDM周期是M＝N+L。当s(n)通过冲激响应为h(n，1)的多径信道后，输出信号x(n)被表示为：

$x\left(n\right)=\underset{l}{\mathrm{\Σ}}h(n,l)s(n-l)$

在接收端，由于符号定时偏差和载波频率偏差的影响，实际接收信号r(n)被表示为：

            r(n)＝x(n-d)e^j2πΔfn/N+w(n)

其中d表示符号定时偏差，Δf表示由接收端与发射端之间振荡频率的不同以及多普勒频移引起的载波频率偏差。w(n)为零均值的高斯白噪声，它与信号相互独立。

在时域接收端，从接收信号r(n)中取出一段长为L的数据段

          R(i)＝[r(i)，r+(i+1)，…，r(i+L-1)]    i＝0，1，2，…

其中i为定时偏差，当取值i变化时，得到的数据段R(i)也不同。

若在时域上的训练序列部分为train(n)，0≤n≤L-1，由数据相关性质可以得到与固定训练序列段相关的定时偏差Δd：

$\mathrm{\Δd}=\arg m\underset{i}{a}x\left\{\mathrm{sum}\left(\right|R\left(i\right)*\mathrm{conj}\left(\mathrm{train}\right)\left|\right)\right\}$

估计出与固定训练序列段相关的定时偏差Δd后，可以求得小数倍频偏估计值为：

$\mathrm{\Δ}{f}_F=-\frac{1}{2\mathrm{\π}}\∠\underset{k=\mathrm{\Δd}}{\overset{\mathrm{\Δd}+L-1}{\mathrm{\Σ}}}r\left(k\right)r*(k+N)$

经过定时和小数倍频偏校正后确定了***的定时偏差和小数倍频偏，在去循环前缀S/P和傅立叶变换FFT后，***中还剩有整数倍频偏。此时频域的OFDM符号中的训练序列表示为Z(k)，k＝0，1，…L′-1(其中L′为训练序列长度)。根据FFT运算的性质，在时域上频偏的影响相当于在频域上的一个移位，由此我们可以得到整数倍频偏估计为：

$\mathrm{\Δ}{f}_I=\arg m\underset{j}{a}x\left\{\right|\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}Z\left(k\right)d*{(k+j)}_{L^{\′}}\left|\right\}-\frac{L^{\′}}{2}\≤\mathrm{\Δ}{f}_I\≤\frac{L^{\′}}{2}$

这里的d(k+j)_L′表示d(k)长度为L′的循环移位。

由上式可知，整数倍频率偏差的估计值取决于逆傅立叶变换IFFT前传输端的复数符号d(k)和傅立叶变换FFT后的训练序列Z(k)。

如图2所示，我们在每个OFDM符号的后端***训练序列Tx，将此训练序列复制到OFDM符号Tifft的前端形成循环前缀Tg。在时域接收端，接收信号r(n)经过串/并变换S/P后，从并行信号r₀…r_N…r_N+L-1中取出一段长为L的数据段R(i)与在时域上固定的训练序列部分[train(n)]作相关运算，由两者的相关性质，可以求得相关性最大时定时偏移Δd。当取值i变化时，数据段R(i)也不同，不断改变定时偏差值i得到一段OFDM符号可能的循环前缀，若在时域上的训练序列部分为train(n)，由两者的相关性质，可以求得相关性最大时定时偏移i的大小，由此得到最佳的循环前缀Tg，再根据求得的定时偏差值，根据ML算法或其他算法，求得小数倍频偏。然后再经过去循环前缀S/P和傅立叶变换FFT后，得到整数倍频偏。

与ML算法相比较，本方法固定了OFDM符号后端的数据段(已知的训练序列)，通过改变可能的定时偏差值i的大小，找出与固定数据段相关性最大的一段数据R(i)，求得定时偏差Δd与ML算法相比较，本方法固定了OFDM符号后端的数据(已知的训练序列)，通过改变可能的定时偏差值i的大小，找出与固定数据段相关性最大的一段数据R(i)，求得定时偏差Δd。因此，本算法的定时估计精度可以得到大幅度的提升，进而改善小数倍频偏估计的性能，并且相对于ML算法不能进行整数倍频偏估计的缺陷，本算法也很好的解决了这个问题。从而更好实现OFDM的同步。

(2)性能实例

我们在TD-SCDMA***环境下，选取的OFDM主要参数为：抽样频率F＝1.6MHz；总的子载波数N＝256；平均分给16个用户，每个用户占用16个子载波；最后1个用户的16个子载波放TD-SCDMA***中的训练序列midamble码；1个0.675ms的TD-SCDMA时隙占用4个OFDM符号；循环前缀占用14个抽样点。具体的OFDM参数设置见表1。数据符号采用QPSK调制，训练序列采用TD-SCDMA***中的基本midamble码，将原始的128位midamble码经过加扰处理后使用前64位，平均***4个OFDM符号内(1个TD-SCDMA时隙使用4个OFDM符号)，每个OFDM符号使用16位，在取它的后14位形成循环前缀。

            表1  OFDM***的主要参数

参数	参数值
		抽样频率	16MHz
一个时隙占用的OFDM符号数	4
		总子载波数	256
midamble码子载波数	16
		OFDM符号间隔	168.75μs(270chip)
FFT周期Tfft	160μs(256chip)
		循环前缀长度(保护间隔)	8.75μs(14chip)
子载波频率间隔Δf	6.25kHz(1.6MHz/256)
		用户数	16
一个用户使用的子载波数	16

在Case3信道环境下，对采用ML算法与本发明提出的方法进行比较，从附图3可以看出，采用本发明的方法正确估计出定时偏移位置的可能性比ML算法高出近20％，定时估计性能大幅度提高，由于定时估计性能的大幅度提高，进而使得小数倍频偏估计性能也得到大幅度的改善，并且能进行整数倍频偏估计，弥补了采用ML算法进行频偏估计的不足。还能满足TD-SCDMA***帧结构的要求，当***处于慢衰落信道时，可以同时利用时隙中多个OFDM符号进行估计。因此，该算法完全能解决实际中的OFDM同步问题。

Claims (4)

1.一种利用训练循环前缀的正交频分复用OFDM同步方法，在OFDM符号后端***训练序列并由此产生循环前缀，其特征在于，固定OFDM符号中的训练序列段并寻找与之相匹配的定时偏差值，改变定时偏差值得到可能的循环前缀，根据定时偏移值计算小数倍频率偏差，然后得到整数倍频率偏差，实现OFDM同步。

2.根据权利要求1所述的正交频分复用OFDM同步方法，其特征在于，采用最大似然算法ML计算小数倍频偏，去循环前缀以及傅立叶变换FFT后得到整数倍频偏。

3.根据权利要求1所述的正交频分复用OFDM同步方法，其特征在于，不断改变定时偏差值得到一段OFDM符号最佳的循环前缀。

4.根据权利要求1所述的正交频分复用OFDM同步方法，其特征在于，根据逆傅立叶变换IFFT前的复数符号和傅立叶变换FFT后的训练序列计算整数倍频率偏差。

Images