毕业论文一周总结3.docVIP

毕业论文一周总结 从式 (2.16)的表述可知，由于其十分依赖于信号的生成模型，因而在实际当 中比较难于操作。而当数据函数与待估参数满足线性关系的时候(参见式 (2.17))， LS估计器能够得到一个封闭模式的解。 其中，A为Nxd阶的矩阵。为了使式(2.16)有解，需要设定Nd，同时必须保 证A是一个满秩矩阵。在这些假设条件下，能够很容易的得到以下估计结果: 则信道估计LS估计器的估计结果应该为: 由于x为对角矩阵，可被进一步简化为: 仔细观察 ，能够发现:在OFDM系统中，Ls估计器实际等效于迫零估计器，其估计值是带噪的信道频率响应。 下面将对LS估计器进行两点说明: (l)在式(2.13)和式(2一5)中均存在噪声项(n和w(n))，在进行Ls估计 的过程中，可以看到它的影响: 在一般的无线通信系统中，作为导频信号的乓是一个幅度恒定的实值或者 复值信号，因此相比较而言它对噪声干扰项的统计属性不会有任何影响。但是 由于多径时延产生的频率选择性会使h、随着子载波索引k的变化而变化。由此可 以推知:在频率选择性信道下，用LS算法对不同的频点(子载波)进行信道估 计，所得到的MSE(均方误差)或信噪比有可能是不同的。 (2)LS估计器并不依赖于信号及待估参数本身的统计特性，它几乎适用于 任何场景，同时它是一个无偏估计器。 LS估计器(或者说ZF估计器)通常是其它估计器的基础，由于该算法经 过化简后有着非常简单的形式，因而其它估计器可以直接利用LS估计的结果做 进一步的操作，下面将要介绍的两种信道估计算法都是以LS算法为基础的。 2.2 LMMSE算法 MMSE估计方法源于著名的Wiener一Hopf方程。根据理论分析，当扰动干 扰项w(n)和待估参数。服从一定的统计分布的时候，可以使用MMSE估计器， 进而当系统模型为线性时，可以使用LMMSE估计算法。 本小节所关注的LMMSE算法是基于一维空间模式的，由于二维估计器的 复杂度较高，其实现的可能性要小的多。 根据前文2.2.1节建立的OFDM系统的基带模型，并结合MMSE估计器理 论，能够得到: 其中，F为DFT矩阵。Rgg是信道时域冲激响应g的自相关协方差矩阵;噪声方差项，这两项均可以通过统计获取。由式 (2.22)和式 (2.23)，进一步得到LMMSE估计器的估计结果，即: 被定义为： 式 (2.24)给出了LMMsE估计器在频域上，也即在多径时延扩展场景中的估 计结果。用同样的方法，也可以得到该估计器在时域上，也即在Doppler扩展场 景中的估计结果。此外，LMMSE估计器的估计结果还有另一种表达方式 其中 式中，为Ls估计器的输出结果;a万为加性高斯白噪声方差;自相关矩阵的 具体表述如下所示: 其中，k为子载波索引。 对LS估计器输出的信道频率响应结果进行IDFT变换，有: 其中，为反DFT矩阵;g为真实信道的时域冲激响应;x，n分别为导频信 号矢量和导频位置处的噪声矢量，参见式 (2.30)。 式 (2.31)所反映的实际物理意义是:Ls估计器的估计结果可表示为真实信道 的时域冲激响应g，与一个噪声项，(这里的i为对系统采样时间进行归一 X 化处理之后的时延索引，O三iN:(N，为导频数目))之和。而对于一个OFDM 符号而言，通常认为DopPler的影响是可以忽略的，只需考虑多径时延扩展所带 来的影响，并且时延扩展的大小一般要远远小于整个OFDM符号的持续时间。 此外，由于矩阵的特性，相比较而言从统计特性上来讲并没有 X 任何改变。同时，由于导频信号乓通常会采用等幅度调制方式，因此在做 了归一化处理后，与的统计特性应该是完全一致的。 (3)对信道时域冲激响应项:进行处理(可将“定义为 以进一步抑制其中的噪声项，提高信道估计本身的SNR性能。 由式 (2.31)可知，不仅包含了信道的真实时域冲激响应g;，还包含了一 个噪声项，并且该噪声项在每个时延点的影响程度将等概率的服从高斯分布。 如果信道有效径部分的索引集合为数量为)，则可以令中有效长度外 的部分为零，即抑制信道有效部分以外的所有噪声项。 在理想场景中，即在不存在有效信道能量丢失的情况下，总的噪声能量将 变为原来的(N为总的子载波数)倍，而信道有用信息的能量并没有改变， 因而有: 对三种最基本的信道估计算法的介绍可知:多种信道估计算法在本质上都是相通的，其目的都是保留有效信道信息，尽量滤除扰动干扰项的影