专利名称：基于可调时频训练序列的低复杂度频偏估计方法
技术领域：
本发明是一种应用于正交频分复用(OFDM)系统及其它分块传输系统的频率同步方法，属于移动通信中的同步技术领域。
背景技术：
频率同步是移动通信系统能正常通信的前提。为了能够支持高速数据业务，未来移动通信系统将是宽带、多(收、发)天线的系统，而OFDM是未来移动通信系统的重要候选方案。对于未来移动无线通信来说，宽带无线信道的时变特性会对载波频率产生影响，使其发生偏移，从而破坏OFDM系统内子载波之间的正交性。与单载波系统相比，OFDM系统对载波频偏更为敏感，如何减少子载波间干扰ICI对系统性能的影响，是OFDM系统能得到广泛应用的前提之一。传统的频率同步方法都是或者基于频域训练序列或者基于时域训练序列来对载波频偏进行估计的，它们都有这样那样的缺点不适合分组数据传输、负载过高、捕获范围小、估计性能不理想、计算复杂度高。本发明克服了以上缺点，提出了一种基于可调时频训练序列进行频偏估计的方法。
发明内容
技术问题本发明的目的是提供一种基于可调时频训练序列的低复杂度频偏估计方法，并据此进一步提供一种快速可靠、负载比较小、捕获范围大、估计精度高、实现复杂度低、既适于连续数据传输又适于分组数据传输的频偏估计方法。
技术方案本发明的基于可调时频训练序列的低复杂度频偏估计方法为1)、对接收的频域序列TS 1作β倍快速傅立叶变换插值，并据此计算其周期图；
2)、对相应周期图用冒泡法作峰值幅度搜索；3)、根据预定义查找表确定所找到的峰值导频在集合{ik}0K-1中的索引值；4)、计算所找到的峰值频域导频的偏移量并将其归一化到N，从而确定粗频偏估计值；5)、对接收的时域序列TS 2作粗频偏校正；6)、对校正后的时域序列TS 2，根据其所包含的P个相同的子序列，计算由于频偏而引起的相角旋转分量；7)、对上述相角旋转分量作加权平均并归一化即可得到相应的细频偏估计值；8)、将估计出的粗频偏值和细频偏值相加，得到总的频偏估计值。
其中，β应从集合{2n}0-log2α中选取，α应从集合{2-n}1log2N-1中选择，N＞0为该时频训练序列的总长度，集合{ik}0K-1表示频域序列TS 1中K个不等间距导频的索引值，0＜K□αN。
所述的可调的时频训练序列，由长度为αN的频域序列TS 1和长度为(1-α)N的时域序列TS 2组成的该种训练序列，其两部分的比率可以调节，但总长度保持不变为N；为了对抗符号间干扰(ISI)，在这两部分序列前面都插入长度为Ng的循环前缀；频域序列TS 1由K个不等间距的导频组成，时域序列TS 2由P个相同的长度为U的子序列所组成；通过参数的选取，相应的频偏估计器可以获得不同的复杂度性能权衡，从而应用到不同的无线移动场景中。其中，Ng应大于无线多径信道的最大时延扩展，PU＝(1-α)N。
所述的预定义查找表，其存储内容如下
其中，i0，i1，…，iK-1为频域序列TS 1中所包含的K个不等间距导频的索引值。
有益效果1、引入时频训练序列的概念，充分利用了时域和频域两种训练序列各自的优点，从而可以获得最优的估计性能。
2、采用查找表，充分利用频域训练序列的结构特点，提高了粗频偏估计的正确概率，极大的减少了完成粗频偏估计的时间消耗。
3、根据实际载波频偏大小及具体应用场景的不同，选取不同的时频训练序列参数及结构，从而获得最优的复杂度性能折衷权衡。
4、细频偏估计算法可以根据具体应用场景及时频训练序列结构的不同而作不同的选取，极大的丰富了具体系统实现的灵活性、多样性。
本发明提出的频偏估计算法能用于任何分块传输系统。
本发明主要考虑如何在移动通信系统中减少系统负载，降低估计算法的复杂度，提高系统性能，使得系统能更高效地支持高速数据业务。
图1是本发明的时频训练序列结构示意图。其中，f表示频域，t表示时域，CP表示循环前缀，TS 1为频域序列，TS 2为时域序列，Ng为循环前缀的长度，αN和(1-α)N分别为TS 1和TS 2的长度；i0，i1，…，iK-1为TS 1中所包含的K个不等间距导频的索引值，U为TS 2中所包含的P个子序列中每一个子序列的长度。
图2是基于可调时频训练序列的频偏估计方法示意图。
图3是基于可调时频训练序列的频偏估计算法的实现结构示意图(含αβ＝1时的细频偏估计算法实现结构示意图，而αβ＝1时的细频偏估计算法是αβ＜1时的细频偏估计算法的一种特例)。它包括插值装置、平方装置、峰值幅度搜索装置、峰值导频索引计算装置、偏移量计算及归一化装置、乘法装置、乘法累加装置、相角计算装置、加法装置。其中，αβ＝1时的细频偏估计器由乘法累加装置、相角计算装置组成。
具体实施例方式
假设一个OFDM符号所包含的子载波数目为N，CP的长度为Ng。频域序列TS 1的长度为NF＝αN，由K个不等间距非零导频所组成，该非零导频用p~K=[p~i0,p~i1,···p~iK-1]T]]>表示；时域序列TS 2的长度为NT＝(1-α)N，由P个相同的长度为U的子序列所组成。
接收的训练序列经过β倍快速傅立叶变换插值并计算周期图后，用冒泡法作峰值幅度搜索，然后经过峰值导频索引值计算单元，接着计算峰值导频的偏移量并将其归一化到N后即得到相应的粗频偏估计值，然后将接收到的时域序列送到粗频偏校正单元。根据时频训练序列结构的不同，细频偏估计分两种情况αβ＝1，则将校正后的时域序列依次送到乘法累加器、相角计算模块，最后得到相应的细频偏估计值；αβ＜1，则将校正后的时域序列依次送到乘法累加器、乘法器、相角计算模块、乘法累加器即可得到细频偏估计值。最后，将粗、细频偏估计值相加，输出总的频偏估计值。
具体算法描述如下受频偏ε影响的接收序列表达式可以写成 [公式一]其中，φ为由于定时误差或者维纳相位噪声而引入的相位偏差，F‾=[fi0,fi1,···,fiK-1]]]>为NF×K的反傅立叶变换矩阵，w为加性高斯白噪声信号。
然后，通过快速傅立叶变换插值技术计算接收序列的周期图Ξ(k)=|Σn=0βNF-1r‾ne-j2πnk/(βNF)|2,k=0,1,···,βNF-1]]>[公式二]其中，r‾n=rn,n=0,1,···,NF-10,n=NF,NF+1,···,βNF-1;]]>β表示加零插值比。插值后的信号送到峰值幅度搜索单元，找到如下最大值ξ=argmaxk∈
{Ξ(k)}]]>[公式三]然后，根据预定义查找表定位该峰值导频信号在集合{ik}0K-1中的索引值，即K=argmaxk∈
{Σg=0K-2Ξ[((βΠk,g+ξ))βNF]}]]>[公式四]其中，Πk，g表示存储在查找表中第k行第g列的内容。将上式结果送到偏移量计算及归一化模块，即可得到粗频偏估计值δ＝(ζ-βik)/(αβ) [公式五]
[公式六]然后，将接收到的时域序列{tn}0NT-1送到相应的粗频偏校正模块tncc=tne-j2πϵ^c(Ng+NF+n)/N,n=0,1,···,NT-1]]>[公式七]假设αβ＝1，则将校正后的时域序列依次送到乘法累加器、相角计算模块，得到相应的细频偏估计值如下ϵ^f=1(1-α)πangle{Σn=0NT/2-1tncc*tn+NT/2cc}]]>[公式八]假设αβ＜1，则将校正后的时域序列依次送到乘法累加器、乘法器、相角计算模块、乘法累加器即可得到细频偏估计值如下 [公式九]其中，Ωm=3(P-m)(P-m+1)-M(P-M)M(4M2-6PM+3P2-1),1≤m≤M;]]>1＝angle{ρ1}；ρm=1NT-mUΣn=mUNT-1tncctn-mUcc*,1≤m≤M;]]> U＝NT/P；M＝P/2。αβ＝1时的细频偏估计算法是αβ＜1时的细频偏估计算法的一种特例；令公式九中的P＝2即可得到公式八。
最后，将估计出的粗、细频偏估计值送到加法器即可得到总的频偏估计值如下 [公式十]根据以上描述，可以得到基于可调时频训练序列的频偏估计算法的实现步骤如下1)、对接收的频域序列TS 1作β倍快速傅立叶变换插值，并据此计算其周期图；2)、对相应周期图用冒泡法作峰值幅度搜索；3)、根据预定义查找表确定所找到的峰值导频在集合{ik}0K-1中的索引值；4)、计算所找到的峰值频域导频的偏移量并将其归一化到N，从而确定粗频偏估计值；
5)、对接收的时域序列TS 2作粗频偏校正；6)、对校正后的时域序列TS 2，根据其所包含的P个相同的子序列，计算由于频偏而引起的相角旋转分量；7)、对上述相角旋转分量作加权平均并归一化即可得到相应的细频偏估计值；8)、将估计出的粗频偏值和细频偏值相加，得到总的频偏估计值。
其中，β应从集合{2n}0-log2α中选取，α应从集合{2-n}1log2N-1中选择，N＞0为该时频训练序列的总长度，集合{ik}0K-1表示频域序列TS 1中K个不等间距导频的索引值，0＜K□αN。
插值装置和平方装置完成公式[二]中包含的运算，峰值幅度搜索装置完成公式[三]，峰值导频索引计算装置完成公式[四]，偏移量计算及归一化装置完成公式[五]、公式[六]，乘法装置完成粗频偏校正运算(公式[七])，两个乘法累加装置、乘法装置、及相角计算装置合起来完成αβ＜1时的细频偏估计运算(公式[九])，加法装置完成总的频偏估计运算(公式[十])。其中乘法累加装置、相角计算装置完成αβ＝1时的细频偏估计运算(公式[八])。
权利要求
1.一种基于可调时频训练序列的低复杂度频偏估计方法，其特征在于该估计的方法为1)、对接收的频域序列TS 1作β倍快速傅立叶变换插值，并据此计算其周期图；2)、对相应周期图用冒泡法作峰值幅度搜索；3)、根据预定义查找表确定所找到的峰值导频在集合{ik}0K-1中的索引值；4)、计算所找到的峰值频域导频的偏移量并将其归一化到N，从而确定粗频偏估计值；5)、对接收的时域序列TS 2作粗频偏校正；6)、对校正后的时域序列TS 2，根据其所包含的P个相同的子序列，计算由于频偏而引起的相角旋转分量；7)、对上述相角旋转分量作加权平均并归一化即可得到相应的细频偏估计值；8)、将估计出的粗频偏值和细频偏值相加，得到总的频偏估计值。其中，β应从集合{2n}0-log2α中选取，α应从集合{2-n}1log2N-1中选择，N＞0为该时频训练序列的总长度，集合{ik}0K-1表示频域序列TS 1中K个不等间距导频的索引值，0＜K□αN。
2.根据权利要求1所述的一种基于可调时频训练序列的低复杂度频偏估计方法，其特征在于所述的可调的时频训练序列，由长度为αN的频域序列TS 1和长度为(1-α)N的时域序列TS 2组成的该种训练序列，其两部分的比率可以调节，但总长度保持不变为N；为了对抗符号间干扰ISI，在这两部分序列前面都插入长度为Ng的循环前缀；频域序列TS 1由K个不等间距的导频组成，时域序列TS 2由P个相同的长度为U的子序列所组成；通过参数的选取，相应的频偏估计器可以获得不同的复杂度性能权衡，从而应用到不同的无线移动场景中。其中，Ng应大于无线多径信道的最大时延扩展，PU＝(1-α)N。
全文摘要
基于可调时频训练序列的频偏估计方法是一种适用于正交频分复用系统OFDM及其它分块传输系统的频率同步方法。其中，可调的时频训练序列，由长度为αN的频域序列TS 1和长度为(1－α)N的时域序列TS 2组成的该种训练序列，其两部分的比率可以调节，但总长度保持不变为N；为了对抗符号间干扰ISI，在这两部分序列前面都插入长度为N
文档编号H04L27/26GK1665230SQ20051003849
公开日2005年9月7日 申请日期2005年3月21日 优先权日2005年3月21日
发明者尤肖虎, 高西奇, 蒋雁翔 申请人:东南大学