欢迎来到天天文库
浏览记录
ID:52223624
大小:220.85 KB
页数:4页
时间:2020-03-25
《高速移动场景下OFDM系统的联合信道频响估计和数据检测算法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、电信息技术高速移动场景下OFDM系统的联合信道频晌估计和数据检测算法徐珙(揭阳职业技术学院)摘要:提出一种高速移动场景下OFDM系统的联合信道频响矩阵(CFR)估计和数据检测算法。使用CFR矩阵的MMSE近似模型减少未知参数量,并提出基于EM算法的迭代算法,求解联合CFR矩阵估计和数据检测问题。计算机仿真表明:该算法可以在较少的迭代次数下收敛,并且检测误比特率接近接收端已知理想信道状态的情况。关键词:OFDM;双选信道;信道估计;数据检测O引言的MMSE(最小均方误差)近似模型。由于直接求解联合CFR矩阵估计和数据检测问题需要高维度的穷正交频分复用(orthogonalfrequencydi
2、vision搜索,计算复杂度非常高,本文提出一种基于EM算multiplexing,OFDM)是一种多载波传输技术,因具法的迭代算法来求解,可以极大地降低计算复杂度。有频谱效率高、抗频率选择性衰落能力强和实现简单等优点,被很多无线通信系统标准采用,如DAB/DVB、l系统信号模型Wimax和LTE。1.1发送端信号模型如今越来越多移动通信系统要求支持高速移动假定OFDM系统子载波数量为Ⅳ,每个符号周场景。此时信道同时具有频率选择性和时间选择性。期内,P个子载波发送导频符号,d个子载波发送信道在一个OFDM符号周期内发生变化,需要估计数据符号。发送的频域信号=[(0),...,x(N一1)]的
3、未知信道参数急剧增多,且接收信号子载波之问失=KPP+KdXd(1)去正交性,数据检测的难度大大增加。其中=[(0)⋯.,(p一1)]和xd=[Xd(O),...,很多文献对双选信道下的OFDM系统进行了研(一1)】分别是由导频符号和数据符号组成的向究。文献[1]假定接收端已知理想的信道状态信息,单量;和分别是由单位矩阵中导频符号和数据独考虑数据检测问题。文献[2]先根据训练符号做信道符号使用子载波编号对应的列组成。估计,得到的结果用于做后续数据符号的数据检测,对做Ⅳ点IDFT,得到时域信号(采样间隔为这在信道快速变化时会引入很大误差。文献[3]在每个=/N)=[(O)9*oo9s(N-1)
4、]=F日,其中FOFDM符号的部分子载波上放置导频符号,接收端先为FFT矩阵,,(,k2)=—P。用导频符号做信道估计,再做其余子载波上的数据检、,V测,但是把估计得到的信道状态信息当作理想信道状信号加上循环前缀后被发送到无线信道。循环前态信息还是会引入误差。文献[4]进行联合信道估计和缀长度大于信道长度,以消除符号间干扰。数据检测,改善了这个问题。1.2信道模型本文提出一种高速移动场景下OFDM系统的联信道同时具有频率选择性和时间选择性。可分辨合信道频响矩阵估计和数据检测算法。使用频域信号径的数量为,相邻径的时间间隔为系统采样间隔,模型,更适合扩展到OFDMA系统。为降低CFR矩不同径之间
5、相互独立,每一径的信道幅度响应服从阵未知参数数量,本文采用文献[5]提出的CFR矩阵Rayleigh分布,功率延迟谱为典型的指数衰减分布。28信道快速变化,多普勒功率密度谱为典型Jakes谱。D=B0(8)1-3接收端信号模型0O⋯接收端去掉循环前缀后,时域接收信号,=Hs+。1O⋯其中n为加性高斯白噪声;日为跟信道有关的矩阵。B0l⋯::‘.记=[(O)⋯.,ht(N一1)]为信道的第,径在FFrr窗●●●00⋯口内的增益,则0=vec{Diag(v.~)}(10)一。(O)⋯⋯1,o(O)=Diag{~,...,川)(11)%(0)0一(0)⋯⋯/-6(1)boo)0hL一,(1)⋯==
6、Lp/LJ,,=p-nL)(12)0hL—l(Ⅳ一I)⋯⋯ho(N一1)近似后CFR矩阵未知参数从Ⅳ变为^(批<<Ⅳ)。接收信号6Ia]x可以改写为的线性形式。接收的频域信号l,为,的Ⅳ点DFT:fN.L一1、NL一1GIx=lI=艺ap(Qpx):r[x]a(13J,=Fr=(月)()+=6+W(3)其中T[x]:[PoX,...,Q一lX]其中G肿口为信道CFR矩阵。1.4CFR矩阵的近似模型2联合CFR估计和数据检测算法双选信道下CFR矩阵非对角元素不为0,未知参由于n为高斯白噪声,(疵,xa)的似然函数为数量为Ⅳ。为降低未知参数量,使用文献[5]中CFRP(YI,)=矩阵的MMSE近
7、似模型,把G近似为4NL一1exp{一州(+}G≈∑apQp(4)p=0如果直接做,)的联合估计,需要做高维度其中,为一组固定的基底;为对应的随机系数。的穷搜索,计算复杂度非常高。本文提出一种基于对式(5)中的矩阵I,进行EVD分解,得到从大到EM算法的迭代算法来降低计算复杂度。取Y为非完小排列的Ⅳ个特征值,...,一。,对应的特征向量全数据,(J,,)为完全数据,为待估计参数。EMVo,...,Ⅳ一l,主特
此文档下载收益归作者所有