摘要:针对多输入多输出-正交频分复用系统(MIMO-OFDM)中基于训练序列的信道估计方法频带利用率偏低的缺陷,提出了一种将空时分组编码和盲信道估计技术相结合的MIMO-OFDM信道估计方法。利用了空时分组编码的线性编码特性,通过接收信号的子空间矩阵的奇异值分解来实现对特征值的分离,引入模糊矩阵来提高估计的性能。仿真表明该方法能够明显的降低系统的归一化均方误差和误码率,改善了信道估计的精度,优化了系统性能。
关键词:多输入多输出-正交频分复用;空时分组编码;盲信道估计;子空间
中图分类号:TN919 文献标识码:A
Abstract: In the MIMO-OFDM system, due to the defect of low bandwidth-utilization in the channel estimation based on pilot-symbols, it proposes a new algorithm combined STBC and blind channel estimation in the MIMO-OFDM system .It takes the advantage of the linear coding characteristic of the STBC and decomposes the subspace matrix of the receiver signals in SVD.Then it improves the estimation performance by bringing a fuzzy matrix. The simulations show that the algorithm could reduce the NMSE and BER remarkably and could improve the precision of the estimation and optimize the system.
Key Words: MIMO-OFDM; STBC; Blind Channel Estimation; Subspace 0 引 言
多输入多输出(MIMO, Multiple Input and Multiple Output)技术能够有效地提高通信系统的容量,是下一代无线通信系统实现高效率传输关键技术之一。文献[1,2]中已证明,在散射丰富的环境中, 多输入多输出系统的通信容量随着收发端天线数目中较小者而近似线性增大,即在双端部署多天线的通信系统能够在不增加发射功率和频谱占用的情况下显著提高无线系统的传输容量。同时,正交频分复用(OFDM, Orthogonal Frequency Division Multiplexing)技术,因其极高的频谱利用率和优秀的抗干扰能力等特点已经广泛应用于数字音频广播(DAB)、数字视频广播(DVB)和非对称高比特率数字用户线(ADSL)等领域[3],被公认为最具潜力的下一代无线通信中的调制方案。多输入多输出技术和正交频分复用技术相结合(MIMO-OFDM)而构成的无线通信系统,综合了MIMO技术空间分集频带占用率低和OFDM系统抗频率选择性衰落的能力强优点,是一种非常有潜力的无线通信技术方案[4]。
在接收端通常采用相干检测技术实施对信号的检测、识别、均衡等,需要已知信道信息,因此精确的信道估计是系统获得高可靠性和有效性的重要保证,且其重要性随着天线数目的增加而增加,因而对信道估计技术的研究具有重要的意义。常用的信道估计技术主要分为两类:一类是基于训练序列的信道估计,即在发射端通过发送训练序列来估计信道状态信息[5];另一类是盲(半盲)信道估计,主要利用发送信号和接收信号的统计特性进行估计。前者发送的训练序列或者导频需要占用一定的带宽从而降低系统的频带利用率,在多输入多输出系统中尤为明显;后者则能克服上述缺陷,但同时也存在计算复杂度较高、效率偏低的缺点。针对盲信道估计方法,文献[6]提出了一种基于线性预编码的统计型方法,通过对发送信号的线性预编码改变发送数据的相关特性来完成盲信道估计;文献[7]提出了最大似然盲信道估计方法的简化算法以达到降低其计算量的目的;文献[8]提出了利用空时码的特殊结构来对MIMO-STC-OFDM系统进行子空间盲估计方法;文献[9]提出了一种基于二阶统计特性的子空间矩阵信道盲估计算法,具有较好的收敛性。
本文综合文献[8]和文献[9]的思想,利用空时分组编码(STBC, Space Time Block Code)的线性编码特性,将空时分组编码技术和盲信道估计技术结合,通过对子空间奇异值的分解来实现对MIMO- OFDM的信道估计,仿真表明该方法明显的降低了系统的误码率,改善了估计的精度和系统的性能。
1 MIMO-STBC-OFDM系统模型
一个采用NT根发射天线、NR根接收天线和N个子载波的MIMO-STBC-OFDM系统模型简图如图1所示:
bi bo X1 Y1 YN Y2 XN X2
空
时
编
码 IFFT IFFT IFFT FFT FFT FFT
空
时
译
码 信道
估计 图1 系统框图 信源信号经过映射、空时编码和串并变换后送到各发射天线,各发送端采用IFFT来完成对OFDM符号调制,添加循环前缀(Cyclic prefix, CP )后从各天线发送出去。各接收天线将接收到的信号去掉循环前缀后通过长度为K的FFT运算来实现对OFDM符号的频域解调。假设数据在调制前加入了足够长的循环前缀来消除符号间的干扰,同时假设接收端严格同步,则去除循环前缀和解调后,接收天线j上的信号可表示为:
(1)
其中,Xi=diag[Xi[n,0],Xi[n,1],…,Xi[n,N-1]]; Hij= [Hi[n,0],Hi[n,1],…,Hi[n,N-1]]T; Hi[n,k], k=0,…,N-1,表示时刻n发送天线i到接收天线j之间第k个子载波上的频率响应;Wj为时刻n接收天线j上的N*1维独立同分布的均值为零、方差为高斯白噪声向量。从式(1)可以看出,接收信号为所有发送信号经过加性高斯白噪声信道之后的线性叠加。
2 基于子空间分解的盲信道估计
设发送信号Xi和噪声Wj满足如下两条件:
a)噪声为互不相关的高斯白噪声,即
(2)
b)噪声与发送信号不相关,即:
(3)
将接收信号取自相关可得:
Ry=E(y (n) y (n)H)= (4)
(*)H表示共轭转置,对Ry进行奇异值(SVD, Singular Value Decomposition)分解。因Rx=E(x (n) x(n)H)为正定矩阵,分解得到的最小特征值设为,又矩阵HRxHH的秩为NNR,根据矩阵论可知存在q=NNR - KNT个与最小特征值对应的正交向量(i=0,1,…,q-1)。这些特征向量构成了接收信号的噪声子空间。由文献[10]知:
=0,i=0,1,…,q-1 (5)