文档库 最新最全的文档下载
当前位置:文档库 › 基于导频的OFDM信道估计方法的理论比较(适合大四毕业设计)

基于导频的OFDM信道估计方法的理论比较(适合大四毕业设计)

基于导频的OFDM信道估计方法的理论比较(适合大四毕业设计)
基于导频的OFDM信道估计方法的理论比较(适合大四毕业设计)

信道估计算法

LS 信道估计 假设OFDM 系统模型用下式表示: P P P Y X H W =+ (1) 式中H 为信道响应;P X 为已知的导频发送信号;P Y 为接收到的导频信号;P W 为在导频子信道上叠加的A WGN 矢量。 LS 为最小二乘(Least —Square)信道估计, LS 算法就是对(1)式中的参数H 进行估计,使函数(2)最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- (2) 其中P Y 是接收端导频子载波处的接受信号组成的向量;??P P Y X H =是经过信道估计后得到的导频输出信号;?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为: 11,()H H P LS P P P P P P H X X X Y X Y --== 可见,LS 估计只需要知道发送信号P X ,对于待定的参数H ,观测噪声P W ,以及接收信号P Y 的其它统计特征,都不需要其它的信息,因此LS 信道估计算法的最大优点是结构简单,计算量小,仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是,LS 估计算法由于在估计时忽略了噪声的影响,所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时,估计的准确性大大降低,从而影响数据子信道的参数估计。 LMMSE 算法的实现流程: 首先我们得到LMMSE 算法的相关公式: 211??*((()()))P P P P H LMMSE H H H H W LS H R R diag X diag X H σ--=+ 其中=()P P H H H P P R E H H 为信道矢量H 的自相关矩阵, ?LM M SE H 代表采用LMMSE 算法时信道

基于导频序列的信道估计算法的研究

第一章绪论 1.1 研究背景和意义 现代社会已经进入了信息时代,在各种信息技术中,信息的传输即通信起着支撑作用。由于人类社会生活对通信的需求越来越高,世界各国都在致力于现代通信技术的研究与开发以及现代通信网的建设现代移动通信技二十世纪二十年代,但是一直到 20 世纪 70 年代中期才迎来了移动通信的蓬勃发展时期。美国贝尔实验室研制成功先进移动系统,建成了蜂窝状模拟移动通信网,大大提高了系统容量。从八十年代开始,数字移动通信系统进入了发展和成熟时期,欧洲首先推出了全球移动通信系统(GSM),随后美国和日本也相继制定了各自的数字移动通信体制。90年代初,美国Qualcomm公司推出了窄带码分多址(CDMA)蜂窝通信系统,这是移动通信系统发展中的里程碑。从此码分多址这种新的无线接入技术在移动通信领域占据了越来越重要的地位。这些目前正在广泛使用的数字移动通信系统是第二代移动通信系统。第二代移动通信系统主要是为支持语音和低速率的数据业务而设计的,但是随着人们对通信业务围和业务速率要求的不断提高,已有的第二代移动通信网将很难满足新的业务需求。为了适应新的市场需求,人们正在研究和设计第三代移动通信系统。尽管目前关于第三代移动通信系统的研究和标准化工作十分引人注目,但是目前第三代移动通信的方案实际只能是第二代移动通信方案的改进,算不上真正意义上的宽带接入网络。而且3G的核心网还没有完全脱离第二代移动通信系统的核心网的结构。目前,人们把越来越多的眼光投向三代以后的(beyond 3G/4G)移动通信系统中新一代移动通信(beyond 3G/4G)将可以提供的数据传输速率高达100Mbit/s,甚至更高,支持的业务从语音到多媒体业务,包括实时的流媒体业务,数据传输速率可以根据这些业务所需的速率不同进行动态调整。新一代移动通信的另一个特点是低成本。因此在有限的频谱资源上实现更高速率和更大容量,需要频谱效率更高的通信技术。MIMO技术充分开发空间资源,利用多个天线实现多发多收,在不需要增加频谱资源和天线发送功率的情况下,可以成倍地提高信道容量。OFDM技术是多载波传输的一种,其多载波之间相互正交,可以高效的利用频谱资源。另外,OFDM将总带宽分割为若干个窄带子载波可以有效的抵抗频率选择性衰落。因此充分研究开发这两种技术的潜力,将两者结合起来成为新一代移动通信核心技术的解决方案。信道估计是无线通信中的关键技术之一,对MIMO-OFDM系统的信道估计算法进行研究和改进,对MIMO-OFDM 系统技术的发展有着非同寻常的意义。

信道估计

寒假信道估计技术相关内容总结 目录 第一章无线信道 (3) 1.1 概述 (3) 1.2 信号传播方式 (3) 1.3 移动无线信道的衰落特性 (3) 1.4 多径衰落信道的物理特性 (5) 1.5 无线信道的数学模型 (7) 1.6 本章小结 (7) 第二章MIMO-OFDM系统 (8) 2.1 MIMO无线通信技术 (8) 2.1.1 MIMO系统模型 (9) 2.1.2 MIMO系统优缺点 (11) 2.2 OFDM技术 (12) 2.2.1 OFDM系统模型 (12) 2.2.2 OFDM系统的优缺点 (14) 2.3 MIMO-OFDM技术 (16) 2.3.1 MIMO、OFDM系统组合的必要性 (16) 2.3.1 MIMO-OFDM系统模型 (16) 2.4 本章小结 (17) 第三章MIMO信道估计技术 (18) 3.1 MIMO信道技术概述 (18) 3.2 MIMO系统的信号模型 (19) 3.3 信道估计原理 (21) 3.3.1 最小二乘(LS)信道估计算法 (21) 3.3.2 最大似然(ML)估计算法 (23) 3.3.3 最小均方误差(MMSE)信道估计算法 (24) 3.3.4 最大后验概率(MAP)信道估计算法 (25) 3.3.5 导频辅助信道估计算法 (26) 3.3.6 信道估计算法的性能比较 (26) 3.4 基于训练序列的信道估计 (28) 3.5 基于导频的信道估计 (28) 3.5.1 导频信号的选择 (29) 3.5.2 信道估计算法 (31) 3.5.3 插值算法 (31) 3.5.3.1 线性插值 (31) 3.5.3.2 高斯插值 (32) 3.5.3.3 样条插值 (33) 3.5.3.4 DFT算法 (33) 3.5.4 IFFT/FFT低通滤波 (33) 3.6 盲的和半盲的信道估计 (34)

基于训练的最小二乘(LS)算法的信道估计

基于训练的最小二乘(LS )算法的信道估计 一、概述与背景 随着近年来无线通信系统的高速发展,基于阵列的接收机和空时分集方法逐渐成为研究热点。现在无论是在理论分析还是在富散射环境的实地测试中,MIMO (multiple-input multiple-output)系统都能够大幅度提高无线通信系统的容量。 设一个t 发射天线、r 接收天线的MIMO 系统,其接收信号可表示为: i i i v Hp s +=(1) H 表示随机信道复矩阵,i p 表示t×1发送信号复向量,i v 表示零均值白噪声复 向量。 为了估计信道矩阵H ,假设发送的训练信号为N p p ,…,1,其中t N ≥.其对应 的r×N 接收信号矩阵 ] [,1N s s S ,…=可表示为: V HP S +=(2) 其中 ] [,1N p p P ,…=表示t×N 训练矩阵, ] [,1N v v V ,…=表示r×N 噪声矩阵。 。而MIMO 技术的要点在于得到一个精确的信道状态信息(CSI)。而信道估计算法的任务是基于S 和P 的信息来恢复信道矩阵H 的信息. 信道估计有非盲信道估计方法、盲信道估计方法和半盲信道方法。目前使用最为广泛的MIMO 信道估计方法是非盲信道估计方法,也即使用导频信号(又称为训练序列)然后基于接收数据和训练序列的信息来实现信道估计。盲信道估计实质上是利用信道潜在的结构特征或者是输入信号的特征达到信道估计的目的。而半盲信道方法估计是上述两种信道估计方法的综合与平衡。 本文主要讲的是最小二乘算法的信道估计,并用matlab 对LS 算法进行仿真,仿真内容是ZF 下理想信道与LS 估计信道的性能比较和LS 估计信道的不同天线数MIMO 系统的性能比较。

最新LS信道估计算法

L S信道估计算法

LS 信道估计 假设OFDM 系统模型用下式表示: P P P Y X H W =+ (1) 式中H 为信道响应;P X 为已知的导频发送信号;P Y 为接收到的导频信号;P W 为在导频子信道上叠加的AWGN 矢量。 LS 为最小二乘(Least —Square)信道估计, LS 算法就是对(1)式中的参数H 进行估计,使函数(2)最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- (2) 其中P Y 是接收端导频子载波处的接受信号组成的向量;??P P Y X H =是经过信道估计后得到的导频输出信号;?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为: 11 ,()H H P LS P P P P P P H X X X Y X Y --== 可见,LS 估计只需要知道发送信号P X ,对于待定的参数H ,观测噪声 P W ,以及接收信号P Y 的其它统计特征,都不需要其它的信息,因此LS 信道估 计算法的最大优点是结构简单,计算量小,仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是,LS 估计算法由于在孤寂时忽略了噪声的影响,所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时,估计的准确性大大降低,从而影响数据子信道的参数估计。

LMMSE 算法的实现流程: 首先我们得到LMMSE 算法的相关公式: 211??*((()()))P P P H LMMSE HH H H W LS H R R diag X diag X H σ--=+ 其中P H 为导频子载波的CFR (振幅因素衰减),P HH R 表示所有子载波与导频子载波的互协 方差,P P H H R 表示导频子载波的自协方差。?LMMSE H 代表信道的阶跃响应。从公式中可以看出LMMSE 使用子载波间的协方差以及SNR 等信息进行信道估计。 因为H -1(diag(X)diag(X))可以作为一个常量。则H -1(diag(X)diag(X))可以替换为其期望值:2H -1E{(diag(x)diag(x))}=I W SNR βσ,其中I 代表单位矩阵。 所以,上式又可变为1??*()P P P LMMSE HH H H LS H R R I H SNR β-=+。 其中,星座因子β与采用的调制方式有关:对于16QAM 调制为17/9;对于 QPSK 调制为1。SNR 是每个符号的信噪比;?LS H 表示参考信号处由LS 估计的信道冲激响应值; 因为要进行求逆运算,所以运算的复杂度较高。如果参考信号的子载波数目较多,则求逆运算会变得很复杂。下面则将对LMMSE 算法进行改进。 在这里我们采用了奇异值分解的方法对估计器进行低阶近似。将信道的自相关函数分解为:H HH R =U U Λ。 则原公式可以化为:0??00n H SVD LMMSE LS H U U H -???= ??? 其中11 1()diag(,....,)N N I SNR SNR SNR λλβββλλ-?=ΛΛ+=++.这样在某种程度上就可以大大减少运算量。

信道估计总结 (2)

信道估计总结LS和半盲信道估计

目录 一、信道估计概述 (3) 二、MIMO系统模型 (4) 三、波束成形半盲信道估计 (4) 3.1波束成形半盲信道估计概述 (4) 3.2传统的最小二乘信道估计 (5) 3.3半盲信道估计 (6) A.正交导频设计 (6) B.接收波束成形估计u1 (6) C.发送波束成形估计v1 (7) 3.4CLSE和半盲信道估计比较 (8) 3.5总结 (10) 四、OPML半盲信道估计 (10) 4.1概述 (10) 4.2W已知的情况下,估计酋矩阵Q (11) A.正交导频ML估计(OPML) (11) B.通用导频的迭代ML估计(IGML) (11) 4.3盲估计W (13) 4.4仿真结果 (13) 4.5总结 (14) 参考文献 (14)

信道估计总结 ------LS和半盲信道估计 一、信道估计概述 移动无线通信系统的发送端所发送的信号经过无线信道传输后,由于无线信道的时变性和多径传播性,会引起传输信号的幅度和相位畸变,同时会产生符号间干扰。如果采用MIMO 系统,则各发送天线间也会互相干扰。在通信系统中,需要信道估计参数进行分集合并、相干解调检测和解码,在MIMO环境下,待估计的信道参数个数随着天线个数的增加线性增加,信道估计成为构建系统的难点。所以,为了在接收端恢复正确的发射信号,找到一种高精度低复杂度的信道估计方法是必要的。 所谓信道估计,就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。MIMO系统实现大容量的前提是接收机能对接收到的来自各发送天线的信号进行很好的去相关处理,而进行这一处理的必要条件是接收端对信道进行比较精确的估计,获得较准确的信道信息,从而能够正确地恢复被干扰和噪声污染的信号。 在MIMO通信系统中,空时信道的估计和跟踪相对于SISO系统更加复杂,同时对系统误码性能和容量有很大的影响。这一复杂性主要表现在两个方面:快速移动通信环境所导致的信道时变特性;多径时延扩展的长度较大使得信道变成频率选择性信道,即一个时变的FIR矩阵信道,此时估计与跟踪的实现是较困难的。 从信道估计算法输入数据的类型来分,MIMO信道估计方案可以划分为时域和频域两个类方法。频域方法主要针对多载波系统;时域方法适用于所有单载波和多载波MIMO系统,它借助于训练序列或发送数据的统计特性,估计衰落信道中各多径分量的衰落系数。从估计算法先验信息的角度,时域方法又可分为一下3类: (1)基于训练序列的估计按一定估计准则确定待估参数,或者按某些准则进行逐步跟踪和调整待估参数的估计值,其特点是需要借助参考信号,即导频或训练序列。在此,我们将基于训练序列和导频序列的估计统称为训练序列估计算法。 基于训练序列的信道估计适用于突发传输方式的系统。通过发送已知的训练序列,在接收端进行初始的信道估计,当发送有用的信息数据时,利用初始的信道估计结果进行一个判决更新,完成实时的信道估计。 基于导频符号的信道估计适用于连续传输的系统。通过在发送有用数据的过程中插入已经的导频符号,可以得到导频位置的信道估计结果;接着利用导频位置的信道估计结果,通过内插得到有用数据位置的信道估计结果,完成信道估计。 (2)盲估计利用调制信号本身固有的、与具体承载信息比特无关的一些特征,或是采用判决反对的方法来进行信道估计的方法。 (3)半盲估计结合盲估计与基于训练序列估计这良好总方法优点的信道估计方法。 一般来讲,通过设计训练序列或在数据中周期性地插入导频符号来进行估计的方法比较常用。而盲估计和半盲估计算法无需或者需要较短的训练序列,频谱效率高,因此获得了广泛的研究。但一般盲估计和半盲估计方法的计算复杂度较高,且可能出现相位模糊(基于子空间的方法)、误码传播(如判决反馈类方法)、收敛慢或陷入局部极小等问题,需要较长的观察数据,这一定程度上限制了它们的实用性。

信道估计

重庆交通大学信息科学与工程学院综合性设计性实验报告 专业:通信工程专业11级 学号:631106040222 姓名:徐国健 实验所属课程:宽带无线接入技术 实验室(中心):软件与通信实验中心 指导教师:吴仕勋 2014年3月

一、题目 OFDM系统的信道估计技术 二、仿真要求 要求一:OFDM系统的数据传输 ①传输的数据随机产生; ②调制方式采用16QAM; 要求二:要求对BER的性能仿真 设计仿真方案,比较两个信道估计算法(基于LS与基于DFT +LS)的性能,并画出真实估计信道幅度与信道估计的对比图。 三、仿真方案详细设计 信道估计模型: 无线传播信道具有很大的随机性,会引起传输信号幅度、相位和频率的失真。产牛符号|’HJ干扰等,对接收机的设计提出了很大的挑战.这就要求对无线信道进行估计和预测。信道估计器是接收机的一个重要组成部分。在理论研究中。为了更好地描述信道对信号的影响.引入了信道模型统计的方法.通过研究信号在特定环境下的特性来进信道建模。 根据不同的考量标准,产生了不少信道估计算法。总而言之,—个“好”的估计方法就是要使某种估计误差最小化的估计算法。但是通常考虑到具体实现,则要求算法的复杂度要低。因此在设计信道估计算法时,需要权衡算法精准度和设计复杂度间的矛盾。 信道估计一般分为非盲估计、盲估计和半肓估计。在OFDM系统中,由于传输速率较高。并且在接收端需使用相干解调技术获得较高性能,一般采用非盲估计。其基本过程是:在发送端适当位置插入导频,接收端利用导频恢复出导频位置的信道信息。 在OFDM信道估计的各种算法中,典型的有LS和DFT算法。LS的准则是求得接收与发送端的最小平方误差;而DFT算法的准则则是基于LS算法基础上在DFT变换。

实现信道估计算法的MATLAB仿真

clear all; %close all; i=sqrt(-1); Rayleigh=1; AWGN=0; % for AWGN channel MMSE=0; % estimation technique Nsc=64; % Number of subcarriers Ng=16; % Cyclic prefix length SNR_dB=[0 5 10 15 20 25 30 35 40]; % Signal to noise ratio Mt=2; % Number of Tx antennas Mr=2; % Number of Rx antennas pilots=[1:Nsc/Ng:Nsc]; % pilot subcarriers DS=5; % Delay spread of channel iteration_max=200; %%%%%%%%%%%%%%%%%%%%%%%%%%%% % Channel impulse response % %%%%%%%%%%%%%%%%%%%%%%%%%%%% if (Rayleigh) N=50; fm=100; B=20e3; fd=(rand(1,N)-0.5)*2*fm; theta=randn(1,N)*2*pi; c=randn(1,N); c=c/sum(c.^2); t=0:fm/B:10000*fm/B; Tc=zeros(size(t)); Ts=zeros(size(t)); for k=1:N Tc=c(k)*cos(2*pi*fd(k)*t+theta(k))+Tc; Ts=c(k)*sin(2*pi*fd(k)*t+theta(k))+Ts; end r=ones(Mt*Mr,1)*(Tc.^2+Ts.^2).^0.5; index=floor(rand(Mt*Mr,DS)*5000+1); end MEE1=zeros(1,length(SNR_dB)); MEE2=zeros(1,length(SNR_dB)); for snrl=1:length(SNR_dB) snrl

相关文档