一种多通道信息融合的mimo-ofdm信道估计算法.docxVIP

一种多通道信息融合的mimo-ofdm信道估计算法 未来，随着移动通信中语音业务、数据业务和宽带网络业务的发展，通信系统的传输速度、性能和业务能力对提高通信系统的要求。如果mimo技术不增加带宽，mimo技术可以显著提高通信系统的容量和频率利用率。ifd技术可以将频率选择性信道转换为多个平坦的信道，使用循环预处理（cp）来避免符号之间的干扰（isi）。因此，mimo-sod技术已成为未来无线通信系统中最重要的技术方案之一。 信道估计在相干解调中起着关键作用, 它的准确性对MIMO-OFDM系统的性能有着重要影响.基于导频的信道估计利用导频来估计信道, 算法估计误差低, 收敛速度快, 易于工程实现.期望最大化 (EM) 算法由于其良好的收敛性, 无需矩阵求逆, 可把多维估计问题转化为一系列低维估计问题, 得到广泛的应用.文献首次提出利用EM算法解决叠加信号的参数估计问题;文献比较了经典EM和空间交替广义期望最大化 (SAGE) 算法的性能和收敛性;文献在MIMO系统下提出一种最优最大后验 (MAP) 算法, 并利用迭代处理来减小它的高计算复杂度;针对最优最大后验 (MAP) 算法的高计算复杂度问题, 文献提出利用低阶近似来降低MAP算法的高计算复杂度. 在MIMO-OFDM系统中, 基于EM的MAP信道估计算法利用EM的降维特性可降低MAP算法的高计算复杂度, 但由于其受EM算法收敛性的影响, 在高信噪比 (SNR) 下收敛于较高的均方误差 (MSE) .针对这一问题, 本文首先引入一种等效的信号模型来改善EM算法在高SNR下的MSE性能.然后, 为改善发射天线过多带来的较低数据传输效率的问题, 利用多个OFDM符号联合估计信道.最后, 根据角域内信道系数间的不相关性对每个信道系数进行独立去噪处理, 进而减小信道估计MSE. 1 系统模型 1.1 信号向量t 对于一个MIMO-OFDM系统, 有Nt根发送天线和Nr根接收天线, 每个OFDM符号有K个子载波.假设信道时间扩展长度为L, 令hr,t(l) 表示第t根发送天线和第r根接收天线间第l条路径增益.在接收端, 第r根接收天线接收的信号向量可表示为 Yr=DHr+Zr, (1) 其中,Yr=[Yr(0) , …,Yr(K-1) ]T,D=[D1, …,DNt],Dt=diag[dt(0) , …,dt(K-1) ],dt(k) 是第t根发送天线已发送的在第k个子载波上的数据,Hr=[HTr, 1, …,HTr,Nt]T,Hr,t(k) =L-1∑m=0∑m=0L?1hr,t(m) exp (-j2πkm/K) , 0≤m≤L-1, 1≤t≤Nt,Zr=[Zr(0) , …,Zr(K-1) ]T是加性高斯白噪声 (AWGN) 向量,f(Zr) ～CN(0,σ2IK) ,CN(φ,λ) 表示服从均值为φ、方差为λ的复高斯分布. 1.2 nrnt空间特征 对于一个MIMO系统, 波束形成将有Nt个发送波瓣和Nr个接收波瓣.一个传输和接收天线对形成一个角域区域, 因此, MIMO系统可分为Nt×Nr个角域区域, 不同角域区域内的信道系数可认为空间不相关.角域与空域之间的转换可表示为 Ra(l) =QHrR(l)Qt, (2) 其中,R(l) 是由hr,t(l) 构成的Nr×Nt空域信道矩阵, 上标a代表角域变量, (·)H代表共轭转秩,Qt与Qr分别为酉矩阵, 其各列分别为: Qt={Et(0),Et(1Μt),?,Et(Νt-1Μt)}Qt={Et(0),Et(1Mt),?,Et(Nt?1Mt)}; (3) Qr={Er(0),Er(1Μr),?,Er(Νr-1Μr)}Qr={Er(0),Er(1Mr),?,Er(Nr?1Mr)}; (4) 其中,Mt和Mr表示均匀线阵的归一化长度, 矢量Et(Ωtiti) 与Er(Ωriri) 为沿Ω方向第i条路径的发射单位空间特征图与接收单位空间特征图, 分别表示为: Et(Ωti)=1√Νt[1exp[j(2πΔtΩtj)]?exp[j(Νt-1)(2πΔtΩti)]] ; (5) Er(Ωti)=1√Νr[1exp[j(2πΔrΩrj)]?exp[j(Νr-1)(2πΔrΩri)]] ; (6) 其中,Δt=Mt/Nt和Δr=Mr/Nr为发射天线和接收天线间的归一化间隔. 2 信道估计算法 针对MAP算法的高计算复杂度, 可以基于EM算法来设计MAP.Hr,t的MAP估计可表示为 ?Ηr,t=(DΗtR-1ΖDt+R-1Η)DΗtR-1ΖYr,t, (7) 其中,RZ是零均值噪声向量的相关矩阵,RH表示Hr,t的相关矩阵.在准静态信道中,RZ=σ2IK,IK是K×K单位