JP2007520971A - 通信システムのためのチャネル推定を行なう方法および装置 - Google Patents

Abstract

通信システムのためのチャネル推定を行なう方法および装置が示される。

Description

本発明は、通信システムのためのチャネル推定を行なう方法および装置に関する。

マルチ入力マルチ出力（ＭＩＭＯ）システムは、複数の通信媒体を単一の通信チャネルとして取り扱うことを含む。例えば、ＭＩＭＯシステムは、信号ケーブル内で結束された複数の個別のツイスト・ペア銅線を、マルチ入力およびマルチ出力を有する単一の通信チャネルとして取り扱う。しかしながら、与えられた銅線を通して送信された情報は、隣接した銅線を通して送信された情報からの干渉を受けやすい。この状態は、典型的には「漏話(crosstalk)」と呼ばれる。

ＭＩＭＯシステムの性能は、ＭＩＭＯチャネルの漏話量を低減することにより著しく向上する。漏話の低減を促進する１つの技術は、ＭＩＭＯチャネルのチャネル推定を行なうことである。チャネル推定が改善されると、結果としてＭＩＭＯシステム性能が改善される。従って、装置またはネットワーク内において、かかる技術の改善に対する要求がある。

実施例に関する主題は、明細書の最終部分で特に指摘され明確に要求される。しかしながら、実施例は、その目的、機能、および利点と共に、構成および動作方法の両方に関して、以下の詳細な説明を添付図面と合わせて読むことにより、最も良く理解されるであろう。

実施例は、通信システムのためのチャネル推定を行なう方法および装置について示される。チャネル推定技術は、例えば、銅線のツイスト・ペア、無線周波数（ＲＦ）および他の媒体のような全二重通信媒体を利用する通信システムにおいて漏話を抑制するために用いられる。漏話の例として、近端漏話（ＮＥＸＴ）および遠端漏話（ＦＥＸＴ）が含まれる。一実施例では、例えば、チャネル推定技術は、符号間干渉（ＩＳＩ）チャネルまたは非ＩＳＩチャネルのいずれかを使用するマルチ入力マルチ出力（ＭＩＭＯ）の全二重ワイヤードまたはワイヤレス通信システムのためのチャネル推定を行なうために用いられる。

一実施例において、チャネル推定技術は、トレーニング・ベースのチャネル推定の閾値スキーム(threshold scheme)を含む。チャネル・インパルス応答（ＣＩＲ）推定は、最尤（ＭＬ）推定を予測し、次に、閾値スキーム用いてＭＬ推定の精度を高め、または改善することにより見出だされる。その結果が、ＭＩＭＯチャネルのための改善されたＣＩＲ推定である。

一実施例において、ＣＩＲ推定は、ＭＩＭＯシステムの漏話を低減または消去するための漏話抑制スキームで用いられる。漏話抑制スキームは、例えば、帯域制限チャネル内の漏話を抑制し、さらに、最終漏話抑制レベルを提供する等化から漏話抑制問題を分離する。その結果、本実施例は、漏話抑制スキームの全ての出力に対して同一の等化器を使用することができる。

本発明の実施例について完全な理解を提供するために、ここでは多数の特定の詳細について説明される。しかしながら、本発明の実施例は、これらの特定の詳細な説明の範囲を越えて実施されることがあることを、当業者は理解するであろう。他の例としては、周知の方法、手順、要素、および回路については、本発明の実施例を不明瞭にしないために詳細に記述されない。ここに示された特定の構造および機能の詳細は代表的なものであり、必ずしも本発明の範囲を制限するものではないと理解すべきである。

「一実施例」または「ある実施例」についての明細書中での言及は、実施例に関して記述された特定の機能、構造、または特性が、少なくとも１つの実施例に含まれることを意味することに注目されたい。明細書中の様々な箇所で「一実施例において」という語句が使用されるが、それらは必ずしも明細書中の同一の実施例を意味するものではない。

さて、全図にわたる参照番号によって指定された図面を参照して詳細に説明すると、図１では、一実施例を実行するために適切なシステムが示される。図１は、システム１００のブロック図である。システム１００は、複数のネットワーク・ノードを含む。ここで使用される用語「ネットワーク・ノード」とは、１またはそれ以上のプロトコルに従って情報を通信することができる任意のノードを称する。ネットワーク・ノードの例としては、コンピュータ、サーバ、スイッチ、ルータ、ブリッジ、ゲートウエイ、個人用デジタル情報処理端末、モバイル装置、コール端子等を含む。ここで使用される用語「プロトコル」とは、情報が通信媒体上でどのように通信されるかを制御するための命令のセットを称する。

一実施例において、システム１００は、多様なネットワーク・ノード間で多様なタイプの情報を通信する。例えば、１つのタイプの情報には、「媒体情報」が含まれる。媒体情報とは、ユーザのために内容を表現する任意のデータを称する。内容の例としては、例えば、音声会話からのデータ、テレビ会議、ストリームビデオ、電子メール(email)のメッセージ、ボイスメールのメッセージ、英数字記号、グラフィックス、イメージ、ビデオ、テキスト等を含む。音声会話からのデータは、例えば、スピーチ情報、沈黙時間、バックグラウンド・ノイズ、コンフォート・ノイズ、トーン等である。他のタイプの情報は「制御情報」を含むことがある。制御情報とは、自動システムのためにコマンド、命令、または制御ワードを表現する任意のデータを称する。例えば、制御情報は、ネットワークを通して媒体情報をルートするため、あるいは、予め定められた方法で媒体情報を処理するためのネットワーク・ノードに命令するために使用される。媒体情報および制御情報の両方は、２またはそれ以上の端点間のデータ・ストリーム内で通信される。ここで使用される用語「データ・ストリーム」とは、データ通信セッション中に連続して送られるビット、バイト、または記号の収集を称する。

一実施例では、１またはそれ以上の通信媒体がノードを接続する。ここで使用される用語「通信媒体」とは、情報信号を運ぶことができる任意の媒体を称する。通信媒体の例としては、金属リード、半導体材料、ツイスト・ペア線、同軸ケーブル、光ファイバ、ＲＦスペクトラム等を含む。本文脈において、用語「接続」または「相互接続」、およびそれらのバリエーションは、物理的接続および／または論理的接続を称する。

一実施例において、例えば、ネットワーク・ノードは、セルラまたはモバイル・システムのようなワイヤレス・ネットワークのためのＲＦスペクトラムを含む通信媒体によって接続される。この場合、システム１００に示されるネットワーク・ノードおよび／またはネットワークは、さらに、ワイヤ通信媒体から運ばれた信号をＲＦ信号に変換するための装置およびインターフェイスを含む。このような装置およびインターフェイスの例としては、無指向性アンテナおよびワイヤレスＲＦ送受信機を含む。本実施例は、この文脈に制限されない。

一実施例において、ネットワーク・ノードは、パケットの形で互いに情報を通信する。この文脈において、パケットとは、典型的にはビットまたはバイトに関して表わされる長さであって、制限された長さの情報のセットを称する。パケット長さの一例は、１０００バイトである。パケットは、１またはそれ以上のパケット・プロトコルに従って通信される。例えば、一実施例において、パケット・プロトコルは、伝送制御プロトコル（ＴＣＰ）およびインターネット・プロトコル（ＩＰ）のような１またはそれ以上のインターネット・プロトコルを含む。本実施例はこの文脈に制限されない。

再び図１に関し、システム１００は、ＭＩＭＯ通信チャネルを使用するワイヤードまたはワイヤレス通信システムを含む。一実施例において、例えば、システム１００は、例えば、ギガビット・イーサネット１０００Ｂａｓｅ−Ｔ通信システム（「ギガビット・イーサネット」）、アドバンスド１０ＧＢａｓｅ−Ｔ通信システム等の、米国電気電子学会（ＩＥＥＥ）８０２．３シリーズ規格によって定義されるような通信プロトコルに基づいた１またはそれ以上のイーサネットに従って動作するローカル・エリア・ネットワーク（ＬＡＮ）を含む。一実施例が、例示のためにギガビット・イーサネット・システムについての文脈内で示されるが、ＭＩＭＯチャネルを使用する任意のタイプの通信システムを使用することが可能であり、かつ、これはいまだ実施例の意図する範囲内であることが理解されるであろう。

図１は、ギガビット・イーサネット・システム１００の構造を示す。図１で示されるように、システム１００は、ネットワーク・ノード１２０，１２２を含む。ネットワーク・ノード１２０，１２２は、それぞれギガビット・イーサネット装置を有する処理システムを表わす。例えば、ギガビット・イーサネット装置は、ネットワーク・インターフェイス・カード（ＮＩＣ）の一部として実施される。より詳しくは、ネットワーク・ノード１２０は、等化器（１−Ｎ）のセット１０２、ＣＦＭ（ＣＦＭ）１０４、送信機／受信機（送受信機）（１−Ｎ）のセット１０６、およびチャネル推定器１１６を含む。ネットワーク・ノード１２２は、ネットワーク１２０と同様の構造を有し、等化器（１−Ｍ）のセット１１４、ＣＦＭ１１２、送受信機（１−Ｍ）のセット１１０、およびチャネル推定器１１８を含む。典型的な実施例では、ＭとＮは通常等しいが、本実施例はこの文脈に制限されない。ネットワーク・ノード１２０，１２２は、ＭＩＭＯチャネル１０８を使用して、相互間で情報を通信する。明瞭化する目的ために、図１には２つのネットワーク・ノードおよび１つのＭＩＭＯチャネルのみが示されるが、任意の数のネットワーク・ノードおよびＭＩＭＯチャネルを使用することも可能であり、かつ、それは本実施例の範囲内であることが理解されるであろう。

システム１００は、約１０００メガビット／秒（Ｍｂｐｓ）の通信速度でネットワーク・ノード１２０，１２２間で情報を通信するために動作する。１０００Ｍｂｐｓの全二重データ処理能力は、ＭＩＭＯチャネル１０８を使用して達成される。ＭＩＭＯチャネル１０８は、例えば、カテゴリ５（ＣＡＴ−５）ケーブル内で束にされた４対のツイスト・ペア銅線を含む。各対は、４次元５レベルのパルス振幅変調（４−Ｄ ＰＡＭ−５）の信号配置にエンコードされた２５０のＭｂｐｓのデータ・ストリームを送信する。本質的には、４対のＣＡＴ−５非シールド・ツイスト・ペア（ＵＴＰ）配線は、４つの入力および４つの出力で１つのチャネルとして取り扱われる。従って、各ネットワーク・ノードは、４台の同様な送受信機、１本は物理的な線の各対のためにある。例えば、送受信機１−Ｎの送信機のそれぞれは、送受信機１−Ｍの対応する受信機と対になる。ハイブリッド回路（図示せず）は、同一線上での双方向データ伝送を促進する。

システム１００の初期化中に、対になった送受信機は、ＭＩＭＯチャネル１０８を特徴付ける試みを行なうトレーニング・フェーズに入ることができる。チャネル推定器１１６，１１８は、トレーニング・フェーズにおいて制御または支援する。信号は、それぞれの送信機および受信機の間で通信され、また、ＭＩＭＯチャネル１０８の少なくとも１つの特徴は、チャネル・インパルス応答、振幅レベル、信号の形、信号の歪み、漏話インパルス応答、一時的なシフトおよび遅延等によって判断される。受信装置によって受信された通信信号は予め定められた信号であり、期待値からの逸脱は、受信装置によって示される。

逸脱する結果を招く１つの要因は漏話ノイズである。１つの通信経路またはデータ・ストリーム中の信号からのエネルギーが、１またはそれ以上の他の通信経路またはデータ・ストリーム中の信号に干渉するとき、ＦＥＸＴノイズのような漏話ノイズが生じる。すなわち、漏話ノイズは、対の送信端から受電端への信号伝播のような２またはそれ以上の送信対間における望ましくない結合を意味する。漏話ノイズは、受信機が特定のデータ・ストリームを解読する能力に影響を与え、さらに、ＭＩＭＯチャネル１０８の速度または帯域幅を害するおそれがある。

一実施例において、チャネル推定器１１６,１１８は、ＭＩＭＯチャネル１０８のためにチャネルの特徴づけを行なうために使用され、潜在的な漏話ノイズを推定する。チャネル推定器１１６,１１８は、ＭＩＭＯチャネル１０８のために複数のチャネル・インパルス応答値を推定する。チャネル推定器１１６,１１８は、各送信機と各受信機の間のチャネル・インパルス応答値を推定する。従って、Ｎ個の送信機およびＭ個の受信機を有するＭＩＭＯシステムについては、Ｎ×Ｍのインパルス応答はトレーニング・フェーズの後で獲得されるべきである。その後、これらのチャネル・インパルス応答は、ＭＩＭＯチャネル・インパルス応答行列を構築するために使用される。従って、チャネル推定器１１６,１１８は、チャネル・インパルス応答値をそれぞれＣＦＭ１０４,１１２へ送る。ＣＦＭ１０４,１１２は、漏話ノイズを抑制するための適切なフィルタの作成を支援するために、チャネル・インパルス応答値を使用する。チャネル推定スキームは、図５から図９に関してより詳細に述べられる。

一実施例において、例えば、ＣＦＭ１０４,１１２は、チャネル推定器１１６,１１８からＣＩＲ推定をそれぞれ受信する。各ＣＦＭは、ＭＩＭＯチャネル１０８に結合された受信機において漏話ノイズを低減または消去することを支援するためのフィルタを合成または生成するためにＣＩＲ推定を用いる。したがって、一実施例において、フィルタはトレーニング・フェーズの後で合成される。ＣＦＭ１０４,１１２は、図２に関してより詳細に述べられる。

チャネル・フィルタリング
図２は一実施例に従ったＣＦＭを示す。図２はＣＦＭ２００を示す。ＣＦＭは、例えばＣＦＭ１０４,１１２で表わされる。一実施例において、ＣＦＭ２００は、１またはそれ以上のモジュールを含む。例えば一実施例において、２００は、チャネル・インパルス応答（ＣＩＲ）行列生成器２０２、漏話抑制フィルタ（ＣＳＦ）行列生成器２０４、およびフィルタ２０６を含む。これらのモジュールは例示のために記述されたものであるが、それより多い数または少ない数のモジュールが使用されてもよく、それはいまだ本実施例の範囲内であると理解される。さらに、本実施例は記述を容易にするために「モジュール」に関して述べるが、モジュールの一つ、いくつか、あるいは全ての代わりに、１またはそれ以上の回路、コンポーネント、レジスタ、プロセッサ、ソフトウェア・サブルーチン、またはそれらの任意の組合せを用いることができる。

図２で示されるように、ＣＩＲ行列生成器２０２は、チャネル推定器１１６,１１８のようなチャネル推定器から、１またはそれ以上の測定値（例えば、測定されたチャネル・インパルス応答）を受け取る。ＣＩＲ行列生成器２０２は、測定値を使用してＣＩＲ行列を構築する。

一実施例において、ＣＩＲ行列は、ＭＩＭＯチャネル１０８のような通信媒体が、ネットワーク・ノード１２０,１２２のような２つの端点間で送信されている信号をどのように変更するのかについての記述を表わす。任意の実際のチャネルにとって、不可避のフィルタリング効果は、通信チャネルを通過する個々のデータ記号を拡張をもたらすであろう。ＣＩＲ行列は、送信信号の伝播が受信機でどのように信号を誘起するかを特徴づけ、または記述することを試みる。インパルス応答に関してチャネルを表現することは可能である、すなわち、受信される信号は、送信されるインパルスである。一実施例において、例えば、ＣＩＲ行列は、ＭＩＭＯチャネル１０８を、行列形式で表現されたＰ−タップの有限インパルス応答（ＦＩＲ）フィルタで構成された一般的なＮ個入力およびＭ個出力のＭＩＭＯシステムであると特徴づける。一旦ＣＩＲ行列が生成されると、ＣＩＲ行列生成器２０２は、生成されたＣＩＲ行列をＣＳＦ行列生成器２０４へ送る。

一実施例において、ＣＳＦ行列生成器２０４はＣＩＲ行列を受け取る。ＣＳＦ行列生成器２０４は、受け取ったＣＩＲ行列を使用してＣＳＦ行列を生成する。ＣＳＦ行列は、ＦＩＲフィルタによって概算されたＣＩＲ値を使用して構築された行列フィルタを意味する。ＣＳＦ行列は、ＭＩＭＯチャネル１０８ために漏話を低減または除去する目的で、ＣＩＲ行列を使用して合成される。一旦ＣＳＦ行列が生成されると、ＣＳＦ行列生成器２０４は生成されたＣＳＦ行列をフィルタ２０６に送る。

一実施例において、フィルタ２０６はＣＳＦ行列を受け取る。フィルタ２０６はＣＳＦ行列を用いて、ＭＩＭＯチャネル１０８を使用して通信された１またはそれ以上のデータ・ストリームからの漏話ノイズをフィルタする。ＣＩＲ行列、ＣＳＦ行列、およびフィルタ２０６は、図３および図４に関してより詳細に記述される。

システム１００,２００の動作は、図３および図４に関して実施例と共にさらに記述される。ここで示される図は、特定のプログラミング・ロジックを含むが、プログラミング・ロジックは、ここに記述された一般的な機能性をどのように実行することができるかという例を単に提供するものであると理解されたい。さらに、与えられたプログラミング・ロジックは、特に示されない限り、必ずしも記述された順番に実行する必要はない。さらに、与えられたプログラミング・ロジックは、ここでは上記のモジュール内で実行されるものとして記述されるが、このプログラミング・ロジックはシステム内のいかなる場所においても実行することができ、かつ、それはいまだ実施例の範囲内であることを理解されたい。

図３は、１つの実施例に従ってＣＦＭのプログラムするロジック３００を示す。プログラミング・ロジック３００に示されるように、ＣＩＲ行列はブロック３０２で推定される。ＣＳＦ行列は、ブロック３０４でＣＩＲ行列に基づいて作成される。ＣＩＲ行列およびＣＳＦ行列は、類似の構造および行列次元を有する。ＭＩＭＯシステムのためにチャネルを介して受信された複数のデータ・ストリームは、ブロック３０６で、漏話を低減するためにＣＳＦ行列を用いてフィルタされる。データ・ストリームは、それぞれ、例えばＩＳＩまたは非ＩＳＩ信号を含む。その後、フィルタされたデータ・ストリームは、同一または類似する等化パラメータを使用して、１またはそれ以上の等化器によって等化される。

一実施例において、ＣＩＲ行列は、ＭＩＭＯチャネルのための少なくとも１つのチャネル特性を推定することによって推定される。複数のチャネル・インパルス応答要素は、チャネル特性に基づいて推定される。ＣＩＲ行列は、チャネル・インパルス応答要素を使用して作成される。

図３および図４で示されるシステム１００，２００の動作およびプログラミング・ロジックは、実施例によって一層よく理解することができる。上述のように、ＣＦＭ２００はＣＩＲ行列を推定し、次に、ＭＩＭＯチャネル１０８のようなＭＩＭＯチャネルからの漏話ノイズをフィルタする際に使用するためのＣＳＦ行列を合成する。この例示目的のために、システム１００に示されるような、４つの入力および４つの出力を備えたＭＩＭＯチャネルを有する双方向のギガビット・イーサネット・システムを仮定する。ｍ_０入力およびｍ_０出力を備えた、線形の、分散的な、雑音のあるデジタル通信ＭＩＭＯシステムの一般的な事例を考える。ｊ番目のチャネル出力（１≦ｊ≦ｍ０）での信号は標準形式を有する。

ここで、ｙ_ｉ（ｔ）はｉ番目のチャネル出力、ｈ_ｉｊ（ｔ）はｊ番目の入力とｉ番目の出力との間のチャネル・インパルス応答、ｓ_ｊ（ｔ）はｊ番目のチャネル入力信号、ｎ_ｉ（ｔ）はｉ番目の出力でのノイズである。

展開形式では、方程式（１）は次のように書き直すことができる。

ここで、ｈ_ｉｊ（ｍ）は、ｊ番目の入力とｉ番目の出力との間の等価離散時間型チャネルの有限インパルス応答のタップ利得係数であって、そのメモリはＬ_ｉｊによって表示される。ｓ_ｊ（ｍ）ｎ_ｉ（ｍ）ｙ_ｉ（ｍ）は、それぞれｓ_ｊ（ｔ）、ｎ_ｉ（ｔ）、ｙ_ｉ（ｔ）のサンプリングされたバージョンである。

すべてのｍ_０チャネル出力から列ベクトルｙ（ｔ）への受信信号をグループ化することによって、方程式（１）は行列形式で表現される。

ここで、ｙ（ｔ）は受信信号のｍ_０×１ベクトル、Ｈ（ｔ）はｍ_０×ｍ_０ＭＩＭＯチャネル・インパルス応答行列、ｓ（ｔ）は送信信号のｍ_０×１ベクトル、ｎ（ｔ）はノイズ・ベクトルである。

展開形式では、方程式（３）は次のように書くことができる。

ここで、ｖは全てのｍ_０×ｍ_０チャネル・インパルス応答の最大の長さ、すなわち、ｖ＝ｍａｘ_ｉ，ｊＬ_ｉｊである。これらの表記において、ＣＩＲ行列Ｈ（ｔ）の非対角要素は望ましくない漏話インパルス応答を表わし、隣接する対（あるいはワイヤレス通信システムのための並列空間チャネル）から有効信号への望ましくない干渉（すなわち漏話）を導入し、さらにこれらの干渉がＣＦＭ２００によって除去されることに注意されたい。

この例において、システム１００は、以下の動作を実行することによって漏話ノイズを低減すると仮定する。最初の問題として、システム１００の全体的なチャネル特性が定義されるべきである。チャネル特性を定義するために、任意のチャネル推定技術を使用することができる。与えられたインプリメンテーションに使用される特定のチャネル推定技術は、所望の漏話抑制レベルによって定義することができ、それはまた、推定の精度プロパティに依存する。

一旦チャネル推定動作が完了すると、完全なＣＩＲ行列Ｈ＾（ｔ）が受信機端で構築される。この行列は、ＦＩＲフィルタによって概算されたＣＩＲ行列値のセットを含み、それは以下のように表わされる。

各チャネル出力における漏話を抑制するために、漏話抑制フィルタＱ（ｔ）が受信信号を処理するために適合される。このフィルタは、ＣＩＲ行列Ｈ＾（ｔ）を使用して合成される。

漏話フィルタＱ（ｔ）計算のアルゴリズムは、いくつかのステージを含む。以下の動作によって、漏話抑制フィルタの要素ｑ_ｉｊ（ｔ）ｉ，ｊ＝１，．．．，ｍ_０が計算される。

１． ＣＩＲ行列Ｈ＾（ｔ）が転置される。ＣＩＲ行列の転置は、行と列を入れ替えることにより計算される。
２． 得られた行列の各要素は、その小行列式上で置換される。小行列式計算中に、乗算動作の代わりにたたみこみ動作が適合される。
３． 小行列式値のためのサインが決定される。小行列式値のためのサインは、指数（インデックス）の奇数の合計とともに、小行列式のために＋（プラス）から−（マイナス）まで変化する。
上記動作の結果、ｍ_０×ｍ_０漏話抑制フィルタが構築される。

このように、行列Ｑ（ｔ）が漏話抑制フィルタを含む方法が得られる。以上に示されるように、漏話抑制フィルタの性能は、測定されたチャネル特性に依存する。完全なチャネル知識を仮定して、ＣＦＭ２００は、完全にＭＩＭＯチャネル１０８から漏話ノイズを除去する。ノイズの無いチャネルでは、漏話抑制フィルタの出力は次のように書くことができる。

ここでｍ_０×ｍ_０行列フィルタＧ（ｔ）は、主要な対角線上に同一要素ｇ（ｔ）を備えた対角線形式を有する。したがって、行列漏話抑制フィルタの出力は、漏話の無い信号である。

さらにシステム１００の動作について説明するために、ノイズを除外した、２つの入力および２つの出力を有するＭＩＭＯシステムのより複雑でないケースについて考える。この場合、方程式（１）は、次の形式で入力および出力信号間の関係を与える。

ＣＩＲ行列は、

として表わされる。完全なチャネル推定を仮定すると、漏話抑制フィルタは、

として表わされる。このフィルタの出力信号は、次の方程式によって記述することができる。

方程式（９）からわかるように、出力信号は漏話の無い信号である。両方の出力の完全なインパルス応答は、ほぼ等しいことに注意されたい。これは、同一の等化器が漏話抑制フィルタの出力で適合されることを意味する。

図４は、一実施例に従ってＣＦＭ性能を示すグラフである。図４は、遮蔽なしツイスト・ペア銅媒体ＣＡＴ−５ケーブルを含むＭＩＭＯチャネルを使用するＣＦＭの性能を示す。図４は、４対のツイストペア・ケーブルを有するイーサネットＬＡＮシステムのために作図された。かかるシステムでは、フリーの送信機は、受信機端で同時に漏話を引き起こす。曲線４０２は、ＣＦＭを使用する前の、漏話に対する有効信号の比率の合計を示す。曲線４０４は、ＣＦＭを使用した後の、漏話に対する有効信号の比率の合計を示す。図４によって示されるように、ＣＦＭの使用によって漏話の抑制が提供され、残余の漏話ノイズがチャネル・ノイズ・フロアよりも小さくなる。

チャネル推定
上述のように、チャネル推定器１１６,１１８は、チャネル推定技術を使用し、ＭＩＭＯチャネル１０８のような１またはそれ以上のチャネルの特性を推定する。例えば、チャネル推定器１１６,１１８は、ＣＩＲ推定を推定する。その後、ＣＩＲ推定は、フィルタを合成するためにＣＦＭ１０４およびＣＦＭ１１２のような漏話フィルタ・モジュールによって使用され、ＭＩＭＯチャネル１０８に結合された受信機で漏話ノイズを低減または消去することを支援する。ＣＦＭの性能は、ＣＩＲ推定の精度に従って向上する。図５から図９は、そのような改善されたチャネル推定技術について説明する。

一実施例において、チャネル推定器１１６,１１８は、トレーニング・ベースのチャネル推定のための閾値スキームを含むチャネル推定技術を使用する。ＣＩＲ推定は、ＭＬ推定の推定によって見出され、次に、閾値スキームを用いてＭＬ推定の精度を高め、または改善する。その結果が、ＭＩＭＯチャネル１０８のようなＭＩＭＯチャネルのための改善されたＣＩＲ推定である。

ＭＬ推定は、最小分散の不偏推定値であることが知られている。しかしながら、ＭＬ推定は複数の理由により不十分である。例えば、チャネルのＭＬ推定は、チャネル長Ｌを提供しない。予め定められたチャネル長がない状態で、ＭＬ推定は最大可能なチャネル長を使用する。しかしながら、実際のチャネルは、多くの場合最大可能なチャネル長よりも短くなる。この場合、ＭＬ推定は、チャネル・ノイズによる偽タップを有する。ＣＩＲ推定の精度における偽タップの影響は、実際のチャネル長と最大可能なチャネル長との差が増加するにつれて増加する。他の例では、ＭＬ推定は、ノイズがガウスのホワイト・ノイズである場合に推定エラーの最小分散を提供する。しかしながら、実際には、背景のチャネル・ノイズはガウスのホワイト・ノイズとは異なる。例えば、ケーブル束内のエイリアン・ノイズは、他のケーブルからの信号によって引き起こされるので、ガウスのホワイト・ノイズを含まない。

一実施例は、これらおよび他の問題を補償するようなチャネル推定スキームを含む。このチャネル推定スキームは、閾値スキームを用いてＭＬ推定の精度を高める。その結果、チャネル推定器１１６,１１８は、既存の技術に関連するより正確なＣＩＲ推定を生成する。ＣＩＲ推定は、ＭＩＭＯチャネル１０８のようなＭＩＭＯチャネルを使用して、通信システム内の漏話ノイズを低減するために使用される。

図５は、一実施例に従ってチャネル推定器のブロック図を示す。図５はチャネル推定器５００を示す。一実施例において、チャネル推定器５００は、例えばチャネル推定器１１６,１１８に相当する。チャネル推定器５００は、複数モジュールを含む。しかしながら、これらのモジュールは例示のために記述されるものであり、これよりも多くの、または少ない数のモジュールを使用することが可能であり、また、それはいまだ本実施例の範囲内であると理解されたい。さらに、本実施例は記述を簡易化するために「モジュール」に関して記述されるが、モジュールのうちの一つまたはいくつか、あるいは全ての代わりに、１またはそれ以上の回路、コンポーネント、レジスタ、プロセッサ、ソフトウェア・サブルーチン、またはそれらの任意の組合せを用いることができる。

一実施例において、チャネル推定器５００は、ＭＬ推定器５２０を含む。ＭＬ推定器５２０は、行列トランスフォーマ５０４に接続されたフィルタ５０２をさらに含む。ＭＬ推定器５２０は、トレーニング・シーケンス（ＴＳ）テーブル５０６にアクセスする。ＭＬ推定器５２０は、さらに閾値生成器５０８および候補ＣＩＲ生成器５１０に接続され、それらの両方が互いに接続される。候補ＣＩＲ生成器５１０は、フィルタ５１２に接続される。フィルタ５１２は、さらにＴＳテーブル５０６にアクセスする。フィルタ５１２は、距離計算器５１４に接続される。距離計算器５１４は、最小セレクタ５１６に接続される。最小セレクタ５１６は、ＣＩＲセレクタ５１８に接続される。チャネル推定器５００の動作は、図６から図９に関してさらに記述される。

図６は、一実施例に従ってチャネル推定器によって実行されたプログラミング・ロジックのブロック・フローチャートである。図６はプログラミング・ロジック６００を図示する。プログラミング・ロジック６００は、チャネル推定を実行するための動作を示す。例えば、第１トレーニング・シーケンスがブロック６０２で受信される。チャネル・インパルス応答のＭＬ推定が、ブロック６０４で、第１受信トレーニング・シーケンスを用いて推定される。第２トレーニング・シーケンスがブロック６０６で受信される。少なくとも１つのＣＩＲ推定が、ブロック６０８で、ＭＬ推定および第２受信トレーニング・シーケンスを用いて推定される。

一実施例において、ＭＬ推定は、フィルタを使用して、第１受信トレーニング・シーケンスをフィルタすることにより推定される。フィルタは、第１受信トレーニング・シーケンスと一致する。フィルタの出力は、行列のためのベクトルの第１セットである。行列は、ＭＬ推定を形成するために変形される。

一実施例において、ＣＩＲ推定はＭＬ推定を受信することにより推定される。閾値のセットは、ＭＬ推定を用いて生成される。候補ＣＩＲ推定ベクトルのセットは、閾値を使用して生成される。ＣＩＲ推定は、候補ＣＩＲ推定ベクトルから選択される。

一実施例において、閾値のセットは次の方程式を解くことにより生成される。

ここで、ｔ＝［ｔ_１，．．．，ｔ_Ｎ］は閾値のセットであり、ｊ＝１，．．．，Ｎであり、Ｌはチャネル・インパルス応答長を表わし、ｈ＾^ＭＬは前記ＭＬ推定を表わし、ｈ＾_ｋ ^ＭＬは前記チャネル・インパルス応答のＭＬ推定のｋ番目のタップを表わし、ｋ＝０，．．．，Ｌ−１である。

一実施例において、候補ＣＩＲ推定ベクトルは次の方程式を解くことにより生成される。すなわち、

ここで、ｈ＾^（ｊ）＝［ｈ＾^（１），．．．，ｈ＾^（Ｎ）］は候補ＣＩＲ推定のセットであり、ｊ＝１，．．．，Ｎであり、ｈ＾_ｋ ^（ｊ）はｊ番目の候補ＣＩＲ推定ベクトルのｋ番目のタップであり、ｔ＝［ｔ_１，．．．，ｔ_Ｎ］は閾値のセットであり、ｈ＾^ＭＬは前記ＭＬ推定を表わす。

一実施例において、ＣＩＲ推定は、候補ＣＩＲ推定ベクトルから選択される。第１受信トレーニング・シーケンスは、受信機に関して知られているが、候補ＣＩＲ推定ベクトルを使用してフィルタされ、ベクトルの第２セットを形成する。ベクトルの第２セットと第２受信トレーニング・シーケンスとの間の距離値のセットが決定される。最小の距離値が距離値のセットから選択される。ＣＩＲ推定ベクトルは、最小の距離値を用いて選択される。

一実施例において、ＣＩＲ推定は、例えば、ＭＩＭＯチャネル１０８のような通信チャネルからの漏話をフィルタするために使用される。ＣＩＲ推定は、ＣＦＭで受信され、ＣＩＲ行列を形成する。ＣＳＦ行列は、ＣＩＲ行列に基づいて作成される。ＭＩＭＯ出力システムのためにチャネルを介して受信された複数のデータ・ストリームは、ＣＳＦ行列を用いて、データ・ストリーム間の漏話を低減するためにフィルタされる。

システム５００の動作、および図６で示されるプログラミング・ロジックは、例示によって一層よく理解することができる。図１から図３に関して記述された例を継続して、ＣＦＭ２００はＣＩＲ行列を推定し、次に、ＭＩＭＯチャネル１０８のようなＭＩＭＯチャネルからの漏話ノイズをフィルタする際に使用するためのＣＳＦ行列を合成する。ＣＩＲ行列は、チャネル推定器５００によって生成されたＣＩＲ推定を用いて推定される。

本実施例において、チャネル推定器５００は、トレーニング・ベースのチャネル推定のための閾値スキームを実行する。ＣＩＲ推定は、ＭＬ推定に由来する。一旦ＭＬ推定が生成されると、それは閾値技術を用いて改善される。スキームはトレーニング・ベースであるので、ＣＩＲ推定は、既知のトレーニング・シーケンスおよびそれに応答する観察を用いて得られる。一実施例において、閾値スキームは、少なくとも２回、同一のトレーニング・シーケンスを送信および受信する。トレーニング・シーケンスは、ＭＬ推定のために最適に使用される既知のトレーニング・シーケンスである。

１回目に送信されるＴＳの受信記号は次のとおりである。

ここで、ｓ_ｊ（ｊ＝１，．．．，Ｍ）はトレーニング・シーケンスの記号であり、ｈ_ｋ（ｋ＝０，．．．，Ｌ−１）はＣＩＲのタップであり、ＬはＣＩＲ長であり、ｎ_ｉ ^（１）は付加的なチャネル・ノイズのサンプルである。

２回目に送信されるトレーニング・シーケンスの受信記号は次のとおりである。

ここで、ｎ_ｉ ^（２）はチャネル・ノイズの他の実現である。

方程式（１０）および（１１）を比較することによって、受信トレーニング・シーケンスが主にノイズ実現において相違することが理解されるであろう。さらに以下で記述されるように、これは、閾値技術性能を評価するときに特に有用である。

方程式（１０）は、次のような行列ベクトル形式で書き直すことができる。

ここで、ｈ＝［ｈ_０，．．．，ｈ_Ｌ−１］^Ｔは未知のＣＩＲであって、それは推定されるべきものであり、また、ｎ^（１）はノイズ・ベクトルであり、Ｓは、エントリＳ_ｉｊ＝ｓ_{Ｌ＋（ｉ−ｊ）}を有する（Ｍ−Ｌ＋１）×Ｌ次元の行列であり、ｙ^（１）は受信信号のベクトルである。

第１受信トレーニング・シーケンスｙ^（１）は、ＣＩＲ ｈの最尤推定（ＭＬＥ）を得るために用いられる。表記法（１２）を使用して、ＣＩＲのＭＬ推定は［１０，１１］によって付与される。

再び図５に関し、ＭＬ推定器５２０のフィルタ５０２は、第１トレーニング・シーケンスを受信する。第１ベクトルＳ^Ｔｙ^（１）は、フィルタ５０２の出力として見出される。フィルタ５０２は、トレーニング・シーケンスに適切に一致したフィルタである。行列トランスフォーマ５０４は、フィルタ５０２の出力を受信し、行列変換（Ｓ^ＴＳ）^−１を適用する。行列（Ｓ^ＴＳ）^−１は、第１受信トレーニング・シーケンスのみの機能である。したがって、それは受信機で既知であり、したがって予め計算される。ＭＬ推定器５２０の出力は、ＭＬ推定ｈ＾^ＭＬである。

ＣＩＲのＭＬ推定ｈ＾^ＭＬが得られた後、閾値生成器５０８は、次の方程式に従って閾値ｔ＝［ｔ_１，．．．，ｔ_Ｎ］のセットを生成する。

候補ＣＩＲ生成器５１０は、閾値のセットを受信し、それらを使用してＣＩＲ推定［ｈ＾^（１），．．．，ｈ＾^（Ｎ）］のセットを形成する。各推定ｈ＾^（ｊ）は、次の規則を使用して得られる。

その後、候補ＣＩＲ生成器５１０は、生成されたＮ個のＣＩＲ推定のセットを出力する。例えば、ＣＩＲ推定はベクトルの形をしている。

その後、チャネル推定器５００は、生成されたＣＩＲ推定のセットから最良のＣＩＲ推定の選択を行なう。フィルタ５１２は、候補ＣＩＲ推定を受信し、次の方程式に従ってトレーニング・シーケンスで各々を巻き込む。

したがって、ベクトル［ｂ^（１），．．．，ｂ^（Ｎ）］のセットが生成される。

距離計算器５１４は、ベクトル［ｂ^（１），．．．，ｂ^（Ｎ）］のセットを受信し、次の方程式に従って、得られたベクトル［ｂ^（１），．．．，ｂ^（Ｎ）］と第２受信トレーニング・シーケンスｙ^（２）との間の距離［ｄ_１、．．．ｄ_Ｎ］を計算する。

最小セレクタ５１６は、得られたベクトル間の距離［ｄ_１，．．．，ｄ_Ｎ］を受信し、次の方程式に従って、最小の距離ｄ_ｊ０を有するベクトルｂ^（ｊ０）を選択する。

値ｄ^２ _ｊ０は、最小残留パワーの検出を有し、それは、トレーニング・シーケンスの残留パワーおよびノイズ・パワーの合計である。ＣＩＲセレクタ５１８は、ｈ＾＝ｈ＾^（ｊ０）に従ってＣＩＲの最終推定ｈ＾を生成するが、それは生成されたセットからの最も正確な推定を提供する。

図７は、一実施例に従って、チャネル推定器の性能を示す第１のグラフである。図７は、グラフ７００を示す。グラフ７００は、残留パワーｄ^２ _ｊと閾値指標ｊの関係を例示する。より低い指標は、より小さい閾値に対応する。点線のカーブは、距離ｄ_ｊが（１７）の代わりにｄ_ｊ＝‖ｂ^（ｊ）−ｙ^（１）‖として計算される場合を示す。この場合、ｙ^（１）は、ＭＬ ＣＩＲ推定を得るために使用されたので、最小距離は見出せない。実線のカーブは、ｄ_ｊが（１７）のように計算される場合を示す。他のノイズ実現により、最小距離を常に見出すことができる。

図８は、一実施例に従ってチャネル推定器の性能を示す第２のグラフである。図８はグラフ８００を示す。グラフ８００は、ＭＬ推定および閾値スキームを用いて改善されたＭＬ推定の両方を使用して、ＵＴＰケーブルのＮＥＸＴのためのインパルス応答の推定精度を示す。本実施例の目的のために、トレーニング・シーケンス長は３０４７であり、また、ＣＩＲ長は１０２４である。図８で示されるように、閾値技術を用いて修正されたＭＬ推定は、特に低い信号対雑音比に対して、ＭＬ推定技術を単独で用いるよりも正確なＣＩＲ推定を提供する。

図９は、一実施例に従ってチャネル推定器の性能を示す第３のグラフである。図９は、グラフ９００を示す。グラフ９００は、ＭＬ推定および閾値スキームを用いて改善されたＭＬ推定の両方を用いて、ＵＴＰケーブルのＦＥＸＴのためのインパルス応答の推定精度を示す。３０４７の同一のトレーニング・シーケンス長および１０２４のＣＩＲ長を仮定して、グラフ９００は、単独で使用されたＭＬ推定技術に関連する閾値スキームを用いて修正されたＭＬ推定技術の、より高い精度を示す。

上述されたチャネル推定技術のバリエーションに従って、他の実施例は、改善された最終ＣＩＲ推定を得ようとして、最終ＣＩＲ推定をさらに正確にする。前述のように一旦第１最終ＣＩＲ推定が得られると、チャネル推定技術は第２最終ＣＩＲ推定の生成を２回繰り返す。しかしながら、２回目の反復中に、第１および第２の受信トレーニング・シーケンスが交換される。例えば、第２ＭＬ推定は、第２受信トレーニング・シーケンスを使用して、２回目の反復中に得られる。第２ＭＬ推定は、閾値、候補ＣＩＲ推定、およびベクトルの第２セットを生成するために使用される。距離のセットは、生成されたベクトルの第２のセットと第１受信トレーニング・シーケンスとの間で計算される。最小距離は、候補ＣＩＲ推定の第２の生成されたセットから第２の最終ＣＩＲ推定を選択するために用いられる。その後、第１および第２最終ＣＩＲ推定は、正確になった最終ＣＩＲ推定を見出すために共に平均化される。

上述されたチャネル推定技術の他のバリエーションに従って、他の実施例は、最終ＣＩＲ推定を生成するために２個を越える受信トレーニング・シーケンスを用いる。例えば、一実施例において、受信機はＭ個のトレーニング・シーケンスを受信するが、ここで、Ｍ≧２である。ｉ番目の最終ＣＩＲ推定は、すべての受信トレーニング・シーケンスのために得られる。これは、ｉ番目の受信トレーニング・シーケンスを用いて、ＣＩＲのＭＬ推定を得ることにより遂行される。閾値のセットは、ＭＬ推定を用いて生成される。閾値のセットは、候補ＣＩＲ推定のセットを生成するために使用される。ベクトルのセットは、候補ＣＩＲ推定を通じてトレーニング・シーケンスをフィルタすることにより生成される。平均化された受信トレーニング・シーケンスは、他のＭ−１受信トレーニング・シーケンスの平均化により見出され、そこでは、最後のもの以外の受信トレーニング・シーケンスの全てが平均を見出すために用いられる。距離のセットは、平均化されたトレーニング・シーケンスとベクトルのセットとの間で計算される。最小距離は、距離のセットから見出される。ｉ番目の最終ＣＩＲ推定は、最小距離に対応する候補ＣＩＲ推定のセットから選択される。最終ＣＩＲ推定は、Ｍ個の最終ＣＩＲ推定の平均化により見出される。

本実施例は、所要の計算率、電力レベル、耐熱性、処理サイクル予算、入力データ率、出力データ率、メモリー・リソース、データ・バス速度、および他のパフォーマンス制限のような要因の数に従って変化するアーキテクチャを使用して実行される。例えば、一実施例は、プロセッサによって実行されたソフトウェアを使用して実行される。プロセッサは、例えばＩｎｔｅｌ（登録商標）Ｃｏｒｐｏｒａｔｉｏｎによって製作されたプロセッサのような汎用または専用のプロセッサである。ソフトウェアは、計算機プログラムのコード・セグメント、プログラミング・ロジック、命令、またはデータを含む。ソフトウェアは、マシン、コンピュータ、または他の処理システムによってアクセス可能な媒体上に格納される。利用可能な媒体の例としては、リード・オンリ・メモリ（ＲＯＭ）、ランダム・アクセス・メモリ（ＲＡＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能ＰＲＯＭ（ＥＰＲＯＭ）、磁気ディスク、光ディスク等のようなコンピュータ読取り可能媒体を含む。一実施例において、媒体は、プロセッサによって実行される前にインストーラによってコンパイルまたはインストールされなければならない命令と同様に、プログラミング命令を圧縮または暗号化したフォーマットで格納する。他の例として、一実施例は、特定用途向け集積回路（ＡＳＩＣ）、プログラム可能論理回路（ＰＬＤ）またはデジタル信号プロセッサ（ＤＳＰ）、および付随するハードウェア構造のような専用ハードウェアとして実行される。他の例として、一実施例は、プログラムされた汎用計算機コンポーネントおよびカスタム・ハードウェア・コンポーネントの任意の組合せによっても実行される。本実施例は、この文脈には制限されない。

ここで記述されたように、本発明の実施例の特定の機能が示されたが、当業者は、多くの修正、代替、変更、および均等を想起するであろう。そしたがって、添付の請求項は、本発明の実施例の真なる精神に該当する限り、これらの修正および変更をすべてカバーすることを意図するものであると理解すべきである。

一実施例を実施するのに適したＭＩＭＯシステムを示す。 一実施例に従って漏話フィルタ・モジュール（ＣＦＭ）のブロック図を示す。 一実施例に従ってＣＦＭのためのプログラミング・ロジック３００を示す。 一実施例に従ってＣＦＭ性能を示すグラフである。 一実施例に従ってチャネル推定器のブロック図を示す。 一実施例に従ってチャネル推定器によって実行されるプログラミング・ロジックのブロック・フローチャートである。 一実施例に従ってチャネル推定器の性能を示す第１のグラフである。 一実施例に従ってチャネル推定器の性能を示す第２のグラフである。 一実施例に従ってチャネル推定器の性能を示す第３のグラフである。

Claims (21)

1. 第１トレーニング・シーケンスを受信する段階と、
   前記第１受信トレーニング・シーケンスを用いて、チャネル・インパルス応答の最尤推定を推定する段階と、
   第２トレーニング・シーケンスを受信する段階と、
   前記最尤推定および前記第２受信トレーニング・シーケンスを用いて、少なくとも１つのチャネル・インパルス応答推定を推定する段階と、
   から成ることを特徴とするチャネル推定を行なう方法。
2. 前記最尤推定を推定する段階は、
   前記第１受信トレーニング・シーケンスに一致するフィルタを用いて前記第１受信トレーニング・シーケンスをフィルタし、行列のためのベクトルの第１セットを形成する段階と、
   前記行列を変形して前記最尤推定を形成する段階と、
   を含むことを特徴とする請求項１記載の方法。
3. 前記チャネル・インパルス応答推定を推定する段階は、
   前記最尤推定を受信する段階と、
   前記最尤推定を用いて閾値のセットを生成する段階と、
   前記閾値を用いて候補チャネル・インパルス応答推定ベクトルのセットを生成する段階と、
   前記候補チャネル・インパルス応答推定ベクトルから前記チャネル・インパルス応答推定を選択する段階と、
   を含むことを特徴とする請求項１記載の方法。
4. 前記閾値のセットは、次の方程式、
   

   

   を解くことにより生成され、
   ここで、ｔ＝［ｔ_１，．．．，ｔ_Ｎ］は閾値のセットであり、ｊ＝１，．．．，Ｎであり、Ｌはチャネル・インパルス応答長を表わし、ｈ＾^ＭＬは前記最尤推定を表わし、ｈ＾_ｋ ^ＭＬは、前記チャネル・インパルス応答の最尤推定のｋ番目のタップを表わし、ｋ＝０，．．．，Ｌ−１である、
   ことを特徴とする請求項３記載の方法。
5. 前記候補チャネル・インパルス応答推定ベクトルのセットは、次の方程式、
   

   

   を解くことにより生成され、
   ここで、ｈ＾^（ｊ）＝［ｈ＾^（１），．．．，ｈ＾^（Ｎ）］は候補チャネル・インパルス推定のセットであり、ｊ＝１，．．．，Ｎであり、ｈ＾_ｋ ^（ｊ）はｊ番目の候補チャネル・インパルス推定ベクトルのｋ番目のタップであり、ｔ＝［ｔ_１，．．．，ｔ_Ｎ］は閾値のセットであり、ｈ＾^ＭＬは前記最尤推定を表わす、
   ことを特徴とする請求項３記載の方法。
6. 前記選択する段階は、
   前記候補チャネル・インパルス応答推定ベクトルを用いて前記第１受信トレーニング・シーケンスをフィルタし、ベクトルの第２セットを形成する段階と、
   ベクトルの前記第２セットと前記第２受信トレーニング・シーケンスとの間の距離値のセットを決定する段階と、
   前記距離値のセットから最小距離値を選択する段階と、
   前記最小距離値を用いて前記チャネル・インパルス応答推定ベクトルを選択する段階と、
   から成ることを特徴とする請求項３記載の方法。
7. 漏話フィルタ・モジュールで前記チャネル・インパルス応答推定を受信し、チャネル・インパルス応答行列を形成する段階と、
   前記チャネル・インパルス応答行列に基づいて、漏話抑制フィルタ行列を作成する段階と、
   マルチ入力マルチ出力システムのためにチャネルを介して受信された複数のデータ・ストリームをフィルタし、前記漏話抑制フィルタ行列を用いて前記データ・ストリーム間の漏話を低減する段階と、
   をさらに含むことを特徴とする請求項１記載の方法。
8. 第１受信トレーニング・シーケンスを用いて最尤推定を生成するための最尤推定器と、
   前記最尤推定器に結合するためのチャネル・タップ推定器であって、前記チャネル・タップ推定器は、前記最尤推定および第２受信トレーニング・シーケンスを受信し、また、前記チャネル・タップ推定器は、前記最尤推定および前記第２受信トレーニング・シーケンスを使用して少なくとも１つのチャネル・インパルス応答推定を生成する、チャネル・タップ推定器と、
   から構成されることを特徴とするシステム。
9. 前記最尤推定器は、
   前記第１受信トレーニング・シーケンスを受信するためのフィルタであって、前記フィルタは、第１受信トレーニング・シーケンスをフィルタし、行列のためのベクトルの第１セットを形成する、フィルタと、
   前記行列を変形し、前記最尤推定を形成するための行列トランスフォーマと、
   から構成されることを特徴とする請求項８記載のシステム。
10. 前記チャネル・タップ推定器は、
    前記最尤推定を受信し、かつ前記最尤推定を用いて閾値のセットを生成するための閾値生成器と、
    前記閾値を受信し、かつ前記閾値を用いて候補チャネル・インパルス応答推定ベクトルのセットを生成するための候補チャネル・インパルス応答生成器と、
    前記候補チャネル・インパルス応答推定ベクトルおよび最小距離値を受信するためのチャネル・インパルス応答セレクタであって、前記チャネル・インパルス応答セレクタは、前記候補チャネル・インパルス応答推定ベクトルおよび前記最小距離値を用いて前記チャネル・インパルス応答推定を選択する、チャネル・インパルス応答セレクタと、
    から構成されることを特徴とする請求項８記載のシステム。
11. 前記第１受信トレーニング・シーケンスおよび前記候補チャネル・インパルス応答推定ベクトルを受信するフィルタであって、前記フィルタは、前記候補チャネル・インパルス応答推定ベクトルを用いて前記第１受信トレーニング・シーケンスをフィルタし、ベクトルの第２セットを形成する、フィルタと、
    第２トレーニング・シーケンスおよび前記ベクトルの第２セットを受信する距離計算器であって、前記距離計算器は、前記ベクトルの第２セットと前記第２受信トレーニング・シーケンスとの間の距離値のセットを決定する、距離計算器と、
    前記距離値を受信し、前記距離値のセットから最小距離値を選択し、前記チャネル・インパルス応答セレクタに前記最小距離値を出力するための最小セレクタと、
    をさらに含むことを特徴とする請求項８記載のシステム。
12. 通信媒体と、
    前記通信媒体に接続された複数の送信機であって、各送信機は通信チャネルを使用して前記通信媒体を介してデータ・ストリームを送信する、送信機と、
    前記通信媒体に接続された複数の受信機であって、前記複数の受信機は前記通信チャネルから前記データ・ストリームを受信する、受信機と、
    前記複数の受信機に接続された漏話フィルタ・モジュールであって、前記漏話フィルタ・モジュールは、前記チャネル・インパルス応答推定を受信し、かつ前記チャネル・インパルス応答推定を用いて前記データ・ストリームをフィルタし、前記送信中に前記データ・ストリームによって生じた漏話信号を低減する、漏話フィルタ・モジュールと、
    を含むことを特徴とする請求項８記載のシステム。
13. 前記フィルタ・モジュールに接続された複数の等化器をさらに含み、前記等化器は、ほぼ同一の等化パラメータのセットを使用して前記フィルタされたデータ・ストリームを等化することを特徴とする請求項１２記載のシステム。
14. 前記漏話フィルタ・モジュールは、
    チャネル・インパルス応答行列を生成するチャネル・インパルス応答行列生成器と、
    前記チャネル・インパルス応答行列を用いて漏話抑制フィルタ行列を生成するための漏話抑制フィルタ行列生成器と、
    前記漏話抑制フィルタ行列を用いて前記データ・ストリームをフィルタするためのフィルタと、
    を含むことを特徴とする請求項１２記載のシステム。
15. 格納媒体を含み、
    前記格納媒体は格納された命令を含み、プロセッサによって実行されたとき、第１トレーニング・シーケンスを受信し、前記第１受信トレーニング・シーケンスを用いてチャネル・インパルス応答の最尤推定を推定し、第２トレーニング・シーケンスを受信し、前記最尤推定および前記第２受信トレーニング・シーケンスを用いて少なくとも１つのチャネル・インパルス応答推定を推定することによって、チャネル推定を実行する、
    ことを特徴とする物品。
16. 前記格納された命令は、プロセッサによって実行されたとき、さらに、前記第１受信トレーニング・シーケンスに一致したフィルタを用いて前記第１受信トレーニング・シーケンスをフィルタして行列のためのベクトルの第１セットを形成し、前記行列を変形して前記最尤推定を形成することによって、前記最尤推定を推定することを特徴とする請求項１５記載の物品。
17. 前記格納された命令は、プロセッサによって実行されたとき、さらに、前記最尤推定を受信し、前記最尤推定を用いて閾値のセットを生成し、前記閾値を用いて候補チャネル・インパルス応答推定ベクトルのセットを生成し、前記候補チャネル・インパルス応答推定ベクトルから前記チャネル・インパルス応答推定を選択することによって、前記チャネル・インパルス応答推定を推定することを特徴とする請求項１５記載の物品。
18. 前記格納された命令は、プロセッサによって実行されたとき、さらに、前記候補チャネル・インパルス応答推定ベクトルを用いて前記第１受信トレーニング・シーケンスをフィルタしてベクトルの第２セットを形成し、前記ベクトルの第２セットと前記第２受信トレーニング・シーケンスとの間の距離値のセットを決定し、距離値の前記セットから最小距離値を選択し、前記最小距離値を用いて前記チャネル・インパルス応答推定ベクトルを選択することによって、前記選択を行うことを特徴とする請求項１７記載の物品。
19. 前記格納された命令は、プロセッサによって実行されたとき、さらに、漏話フィルタ・モジュールで前記チャネル・インパルス応答推定を受信してチャネル・インパルス応答行列を形成し、前記チャネル・インパルス応答行列に基づいて漏話抑制フィルタ行列を生成し、マルチ入力マルチ出力システムのためにチャネルを介して受信された複数のデータ・ストリームをフィルタし、前記漏話抑制フィルタ行列を用いて前記データ・ストリーム間の漏話を低減することを特徴とする請求項１５記載の物品。
20. 前記第２受信トレーニング・シーケンスを用いてチャネル・インパルス応答の第２最尤推定を推定する段階と、
    前記第２最尤推定および前記第１受信トレーニング・シーケンスを用いて第２チャネル・インパルス応答推定を推定する段階と、
    平均チャネル・インパルス応答推定を見出すために前記チャネル・インパルス応答推定を平均する段階と、
    をさらに含むことを特徴とする請求項１記載の方法。
21. ｉ番目のトレーニング・シーケンスを受信する段階と、
    前記ｉ番目のトレーニング・シーケンスを用いてＭ個のチャネル・インパルス応答推定を推定する段階と、
    平均チャネル・インパルス応答推定を見出すために前記Ｍ個のチャネル・インパルス応答推定を平均する段階と、
    をさらに含むことを特徴とする請求項１記載の方法。

Images