一种基于噪声预测的单载波频域均衡算法的制作方法

本发明涉及通信技术领域，更具体地，涉及单载波系统中噪声预测频域均衡器性能提高的方法。

背景技术：

对于时延扩展较大的频率选择性信道，单载波频域均衡(sc-fde)是克服isi的一个非常有效的技术。sc-fde采用低复杂度频域均衡技术，相比较于ofdm技术，sc-fde具有更小的峰均比(par)，抗频率选择性强，对相位噪声的敏感性更低。此外，与时域均衡相比，在获得同样的系统性能时，sc-fde的计算复杂度较低。因此sc-fde技术在无线通信场景中的应用进行更加深入的研究。

现有的频域均衡器有传统zf(迫零)均衡器和mmse(最小均方误差)均衡器以及针对空间复用的mimo-scfde(multiple-inputandmultiple-outputsinglecarrierfrequencydomainequalization)系统,根据迫零(zf)和最小均方误差(mmse)准则，分别推导的噪声预测的zf均衡器(zf-np-fde)和噪声预测的mmse均衡器(mmse-np-fde)。基于噪声预测的算法，由于接收机完全已知作为cp的特定序列，可以准确地计算出频域均衡器输出端特定序列估计值包含的噪声；其次，利用频域均衡器输出端数据估计值包含的噪声和特定序列估计值包含的噪声的统计相关特性，用计算出的特定序列估计值中包含的噪声来预测和抵消数据估计包含的噪声，相对于传统均衡器，根据噪声预测的算法改善了系统性能。但是这种噪声预测算法不够准确，当插入的特定序列(uw)较短，数据较长时，得到的数据部分的噪声估计是粗糙的，特别是远离uw的数据部分的噪声估计将可能出现较大偏差。

技术实现要素：

为了克服现有技术存在的不足，本发明提出了一种改进算法的基于噪声预测的单载波zf均衡器(zf-np-fde)和噪声预测的单载波mmse均衡器(mmse-np-fde)用来降低估计数据的功率、减小均方误差，提高信噪比，改善系统的性能。

为了实现上述目的，本发明提出的方法具体步骤如下：

s1.分析单输入单输出sc-fde系统，建立系统模型并且构造未知数据符号参数向量d；

s2.分析已知噪声与未知数据噪声的关系，然后根据噪声之间的相关性写出εw和εd的关系；

s3.根据维纳滤波准则，求出噪声系数的最优矩阵wzf，d、wmmse，d；

s4.根据未知数据第一个符号进行逐符号对噪声值进行求解，并以此类推求出所有未知符号的噪声值；

s5.接收数据符号zf或者mmse均衡后减去求出的每个符号噪声值并进行判决得到发送数据符号。

本发明的有益效果是：

1)本发明提供的方法，提出了一种适用于多径信道下单载波频域均衡算法，在8psk调制模式下，以深衰落信道仿真为例，在zf频域均衡器中，当ser为10-3时，与原算法相比，改进后的噪声预测频域均衡器可以获得大约6db的snr增益；在mmse频域均衡器中，当ser为10-3时，改进后的噪声预测均衡器相比原算法可以获得大约5.5db的snr增益。

2)本发明中通过逐点噪声预测的方式有效提高了噪声预测的准确性，而通过符号判决避免了噪声累积。

附图说明

图1本发明实现流程图

图2深衰落信道幅频响应

图3深衰落信道zf频域均衡器性能

图4深衰落信道mmse频域均衡器性能

图5轻衰落信道幅频响应

图6轻衰落信道zf频域均衡器性能

图7轻衰落信道mmse频域均衡器性能

图8随机信道zf频域均衡器平均性能

图9随机信道mmse频域均衡器平均性能

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

如图1所示，本发明提出的方法具体步骤如下：

a)分析单输入单输出sc-fde系统，建立系统模型并且构造未知数据符号参数向量d。

其中，步骤a)的具体做法为：

发射机将要发射的数据流分段为多个长度为p的数据分组。每个数据分组前插入一个长度为q的特定已知序列，并且在所有发射数据分组前插入一个特定序列(uw)。为了抵消各数据分组之间的干扰，选择特定序列的长度q大于信道冲激响应的长度。每个发射的数据分组可以表示为

其中d为p×1的数据符号向量，w为q×1的特定已知序列。

接收的数据分组可以表示为

y＝hx+n

其中n为加性噪声向量，其元素为独立同分布、零均值、方差为n0的复高斯随机变量。h是由信道冲激响应所构成的循环矩阵，h＝f^hλf，f是傅立叶变换矩阵，其维数为n＝p+q；λ是由信道冲激响应的dft变换所得的值构成的对角矩阵。

接收信号y用来检测发射的数据d。

b)分析已知噪声与未知数据噪声的关系，然后根据噪声之间的相关性写出εw和εd的关系。

其中，步骤b)的具体求法如下：

对于zf均衡器：

插入uw的单载波系统的接收机不需要删除接收信号中的uw对应部分，而直接进行串/并转换，将分解为数据和uw两部分：

其中fd是矩阵f的前面p列所构成的矩阵，fw是矩阵f的后面q列所构成的矩阵。由于接收机完全已知w，可以准确地估计出噪声向量nw

对于mmse均衡器：

通过逆傅立叶变换(idft)，得到的时域信号，该式可以表示为

其中是一个对角阵。与zf-np-fde类似，可以分解为数据和uw两个部分：

此外，的估计误差为

同样，将ε分解为两部分，分别得到和的估计误差

c)根据维纳滤波准则，求出噪声系数的最优矩阵wzf，d、wmmse，d；

其中，步骤c)的具体求法如下：

对于zf均衡器：

由于nd和nw为同一高斯噪声n的线性变换，二者是相关的，考虑从准确估计的nw来预测nd，根据维纳滤波原理，选择p×q的矩阵wzf，d为

通过求解，可得

nd的预测值为

对于mmse均衡器：

根据维纳滤波原理，选择p×q的矩阵wmmse，d为

该问题的解为

噪声εd的预测值为

d)根据未知数据第一个符号进行逐符号对噪声值进行求解，并以此类推求出所有未知符号的噪声值。

其中，步骤d)的具体方法如下：

对于zf均衡器：

准确的已知噪声向量nw后，计算出数据分组首个符号的噪声预测值

其中

fd1为矩阵f的第一列元素构成的向量。抵消的噪声并进行符号判决

dec{x}表示对x的符号判决。重新计算该符号的噪声值

将其作为已知噪声并入噪声向量nw中，并去除向量nw首个元素，成为新的已知噪声向量nw′。去除向量首元素的目的在于保持噪声向量的长度，避免其长度过长导致复杂度过高。以此类推，数据分组第i个符号的噪声预测值为

其中nw′是由估计第i-1个符号噪声值时的噪声向量与判决第i-1个符号后重新计算的该符号噪声值通过合并、去首元素后得到的新的已知噪声向量，

fdi为矩阵f的第i列元素构成的向量，fw′为矩阵f对应于已知噪声向量的q列元素所构成的矩阵，假设已知噪声向量nw′为式(3-8)中的第n～n+q个元素的噪声，那么fw′即为矩阵f的第n～n+q列元素构成的矩阵。

对于mmse均衡器：

数据分组第i个符号的噪声预测值为

其中εw′是由估计第i-1个符号噪声值时的噪声向量与判决第i-1个符号后重新计算的该符号噪声值通过合并、去首元素后得到的新的已知噪声向量，估计首个符号噪声值的噪声向量求得

fdi为矩阵f的第i列元素构成的向量，fw′为矩阵f对应于已知噪声向量的q列元素所构成的矩阵，假设已知噪声向量εw′为式(3-9)中的第n～n+q个元素的噪声，那么fw′即为矩阵f的第n～n+q列元素构成的矩阵。

e)接收数据符号zf或者mmse均衡后减去求出的每个符号噪声值并进行判决得到发送数据符号。

其中，步骤e)的具体方法如下：

对于zf均衡器：

对第i个符号进行判决

重新计算该符号的噪声值

与nw′进行合并、去首元素获得新的已知噪声向量。重复以上步骤，依次得到数据分组各符号的噪声估计值及判决值。

对于mmse均衡器：

对第i个符号进行判决

重新计算该符号的噪声值

与εw′进行合并、去首元素获得新的已知噪声向量。重复以上步骤，依次得到数据分组各符号的噪声估计值及判决值。

实施例2

本发明对上述方法进行了性能分析与仿真，具体如下：

发射数据分组中插入uw的长度为6，数据符号向量长度为58，则fft的维数为64。发射符号采用8psk调制；信道为瑞利衰落多径信道，信道冲激响应的长度为6，在三组信道系数中做出仿真，分别为深衰落信道、衰落不明显信道以及由cost-207ra信道模型随机生成的10000条六径信道。

图2为深衰落信道的幅频响应，信道系数为h＝[0.6523-0.1627i0.1449+0.8804i-0.4126+0.2606i-0.1432-0.09780i-0.1921+0.07379i0.07459+0.07625i]。图3、4分别给出了在此信道环境下单载波系统zf和mmse频域均衡器的ser性能，其中原算法指代的是文献[车小林,何晨,蒋铃鸽.基于噪声预测的单载波mimo系统的频域均衡[j].电子学报,2009,37(1):43-47.]中所提出的基于噪声预测的频域均衡算法，改进算法为对其作出改进后算法的性能曲线。

图5为轻衰落信道的幅频响应，信道系数为h＝[0.98-0.002i0.385+0.532i-0.189-0.168i0.01+0.051i-0.106-0.0197i-0.0612+0.0614i]。图6、7分别给出了在此信道环境下单载波系统zf和mmse频域均衡器的ser性能。

图8、9分别给出了在由cost-207ra信道模型随机生成的10000条六径信道下单载波系统zf和mmse频域均衡器的平均ser性能。

从以上各种信道环境仿真中均能看出，基于噪声预测的频域均衡器，无论是原算法还是改进后算法，其性能均明显好于传统的频域均衡器。这是因为，通过噪声预测和抵消，使得数据估计的噪声功率或均方误差减小了，从而提高了系统性能。而相对于文献[]所提出的噪声预测频域均衡原算法，改进算法的性能有了显著的提高，这主要是因为通过逐点噪声预测的方式有效提高了噪声预测的准确性，而通过符号判决避免了噪声累积。以深衰落信道仿真为例，在zf频域均衡器中，当ser为10^-3时，与原算法相比，改进后的噪声预测频域均衡器可以获得大约6db的snr增益；在mmse频域均衡器中，当ser为10^-3时，改进后的噪声预测均衡器相比原算法可以获得大约5.5db的snr增益。