基于正交空时分组编码的MIMO盲信道估计模糊度去除方法

摘要

本发明公开了一种基于正交空时分组编码的MIMO盲信道估计模糊度去除方法，包括以下步骤：建立一个MIMO空时系统，分析训练序列信号，发射前对数据信号进行分组并处理，联合利用盲的和基于训练序列的信道估计方法对第一个数据块进行盲信道估计，对第一个数据块采用信号和信道联合二维搜索做最大似然解码，利用迫零均衡得到的训练序列估计值对后续数据块进行基于训练序列的信道估计，对后续数据块采用发送信号一维搜索做最大似然解码。本发明的有益之处在于：采用信号和信道联合二维搜索，利用正交空时编码中信号之间的相关性，在盲信道估计的基础上消除信道估计结果固有的相位模糊，缩小信道可能解的范围，为确定解码信号的相位提供了方便。

说明书

技术领域

本发明涉及一种MIMO盲信道估计模糊度去除方法，具体涉及一种基于正交空时分组编码的MIMO盲信道估计模糊度去除方法，属于无线通信技术领域。 

背景技术

信道估计是指接收端获得信道状态信息的过程和方法。由于接收端的信道均衡和解码通常需要已知信道状态信息才能完成，因此信道估计的准确性严重影响着接收性能和数据的传输质量，也使得无线信道的估计和辨识成为无线通信信号处理中一个重要的研究领域。传统的信道估计一般通过设计训练序列或在数据包中插入导频实现信道估计，这些方法的缺点在于明显的降低了信道容量和频谱利用率。尽管对于准静态信道来讲，这一损失很小，然而在高速无线通信中，信道是时变的，这种损失就不可忽略。此外，在合作通信系统中，接收端在保证和发射端有效协作的条件下，已知全部或者部分训练序列，可采用非盲或半盲的信道估计，而在非合作通信系统中，由于接收端对发射端所采用的训练序列的内容是完全未知的，为了实现MIMO信号的检测，必须利用盲信道估计方法来获得信道状态信息。 

MIMO系统的盲信道估计问题中，仅根据观测信号实现信道矩阵的完全辨识及源信号的恢复是无法实现的，得到的信道响应值与实际的信道之间存在一定的模糊度。SIMO系统下的模糊度是一个标量因子，只存在幅度和相位模糊，而在MIMO系统下模糊度则表现为一个矩阵， 包括顺序模糊度、相位模糊度和幅度模糊度，即估计得到的不同天线上的信道顺序发生错位，且使均衡得到的信号星座图与原始星座图发生相位的旋转以及幅度上的整体缩放。对于恒模调制的通信系统，幅度模糊对信号检测不产生影响，但是如果不能将顺序模糊和相位模糊度去除，则严重影响信号的检测。在已有的算法中，一般都是插入部分训练序列或者导频来进行信道估计值的矫正来解决模糊度问题，但是在信号盲检测场景下，接收端无法获知训练序列或者导频，所以模糊度的问题是盲信道估计中的一大难点。 

针对MIMO系统的盲信道估计问题，人们提出了许多基于时域或频域的解决方法。子空间方法作为时域方法的代表，因其结构简单且性能良好，受到了广泛的研究。Gao F,Nallanathan A等人在文章“Subspace-based blind channel estimation for SISO,MISO and MIMO-OFDM systems”提出了一种基于子空间的盲信道估计算法，并利用预编码矩阵解决模糊度问题。但是，在非合作通信中，预编码矩阵是发端设计的，对接收端是未知的，所以该方法无法解决非合作MIMO通信中的模糊度问题。 

Binning Chen等人在“Frequency domain blind MIMO system identification based on second and higher order statistics”中提出了一种利用接收信号二阶和高阶统计量的频域信道估计方法，并对模糊度问题进行了研究，因此被之后许多文章引用来处理模糊度问题。然而此算法只能把信道估计值的相位偏转统一成与频率无关的值，也就是说仍存在未知的相位模糊度，这一模糊度需要利用真实信 道进行校正。在非合作通信中，实际信道信息是未知的，所以该方法也不能应用于非合作通信的盲信道估计。 

在STBC-MIMO系统中，借助空时编码提供的信息，可以对盲信道估计的模糊度进行一定处理。Choqueuse V等人在“Blind channel estimation for STBC systems using higher-order statistics”中提出了一种利用高阶统计量的信道估计方法，并利用STBC编码信息，将使用几种特定码型的系统的信道估计模糊度矩阵限定在一个集合内，但仍不能准确确定模糊度矩阵，因此该方法也无法解决非合作通信系统中盲信道估计的模糊度问题。 

发明内容

为解决现有技术的不足，本发明的目的在于提供一种MIMO盲信道估计模糊度去除方法，该方法基于正交空时分组编码(Orthogonal Space-Time Block Code,OSTBC)，能够有效解决非合作MIMO通信中盲信道估计的模糊度问题。 

为了实现上述目标，本发明采用如下的技术方案： 

一种基于正交空时分组编码的MIMO盲信道估计模糊度去除方法，其特征在于，包括以下步骤： 

(一)、建立、分析和处理MIMO空时系统模型： 

(1)建立一个具有N_t个发射天线和N_r个接收天线的MIMO空时系统，发射天线发射的每一帧信号由训练序列、循环前缀和数据三部分组成，前述训练序列为时域正交训练序列，信道为平坦慢变瑞利衰落信道，假设连续的N_f帧信号经历的信道状态相同； 

(2)分析时域正交训练序列信号： 

假设k时刻任一天线的时域正交训练序列信号用N_t×1维复向量s_tr(k)表示，则接收信号表示为： 

y_tr(k)＝Hs_tr(k)+v(k) 

式中，H为N_r×N_t维瑞利衰落信道响应矩阵，y_tr(k)为N_r×1维接收信号向量，v(k)为N_r×1维噪声向量，前述噪声服从均值为0、方差为 的高斯分布； 

(3)在发射之前对数据信号进行分组： 

令s(k)＝[s₁(k)s₂(k)…s_N(k)]^T为待发射的由N个符号组成的第k个数据分组，且各个符号独立同分布； 

(4)处理第k个数据分组s(k)： 

将s(k)经过空时编码映射为N_t×L维编码矩阵C(k)： 

$C\left(k\right)=\underset{n=1}{\overset{N}{\Sigma }}(A_n{s}_{\mathrm{Rn}}\left(k\right)+j{B}_n{s}_{\mathrm{In}}\left(k\right))$

式中，A_n和B_n分别为对应于第n个符号s_n(k)的实部(s_Rn(k))和虚部(s_In(k))的编码矩阵，L为编码矩阵时隙的数目,则接收信号表示为： 

Y(k)＝HC(k)+V(k) 

式中，Y(k)为N_r×L维接收信号矩阵，V(k)为N_r×L维噪声矩阵，Y(k)、V(k)服从均值为0、方差为的高斯分布； 

(二)、信道估计和解码： 

(1)输出第一个数据块的估计信号： 

首先，联合利用盲的和基于时域正交训练序列的信道估计方法，对第一个数据块进行盲信道估计；然后，对第一个数据块采用信号和 信道联合二维搜索做最大似然解码，输出第一个数据块的估计信号； 

(2)输出后续数据块的估计信号： 

首先，利用迫零均衡得到的时域正交训练序列估计值对后续数据块进行基于时域正交训练序列的信道估计，使后续数据块的估计信道具有和第一个数据块相同的相位模糊；然后，对后续数据块采用发送信号一维搜索做最大似然解码，输出后续数据块的估计信号。 

前述的基于正交空时分组编码的MIMO盲信道估计模糊度去除方法，其特征在于，在对第一个数据块进行盲信道估计时，利用chu序列做时域正交训练序列、采用Alamouti发送方案。 

前述的基于正交空时分组编码的MIMO盲信道估计模糊度去除方法，其特征在于，在对第一个数据块进行盲信道估计时，利用QPSK调制序列做时域正交训练序列、采用Alamouti发送方案。 

本发明的有益之处在于：通过采用信号和信道联合二维搜索，利用正交空时编码中信号之间的相关性，在盲信道估计的基础上消除信道估计结果固有的相位模糊，缩小信道可能解的范围，从而为确定解码信号的相位提供方便；此外，此方案通过在不同数据块分别利用盲的和基于时域正交训练序列的信道估计方法，将一次发送的不同数据块解码数据的相位偏差统一到一个固定值，解决了非合作通信中由于盲信道的模糊度问题造成解码错误的问题；本发明的方法可以应用于各种多天线信号、协作通信信号的盲识别、盲检测。 

附图说明

图1是发送信息结构图； 

图2是信道估计及解码流程图； 

图3是第一帧的最大似然解码流程图； 

图4是后续帧的最大似然解码流程图； 

图5是chu序列作为时域正交训练序列、采用Alamouti发送方案时，系统接收信号的星座图； 

图6是chu序列作为时域正交训练序列、采用Alamouti发送方案时，系统均衡信号的星座图； 

图7是chu序列作为时域正交训练序列时，Alamouti发送方案的解码性能曲线； 

图8是QPSK调制序列作为时域正交训练序列、采用Alamouti发送方案时，系统接收信号的星座图； 

图9是QPSK调制序列作为时域正交训练序列、采用Alamouti发送方案时，系统均衡信号的星座图； 

图10是QPSK调制序列作为时域正交训练序列时，Alamouti发送方案的解码性能曲线； 

图11是QPSK调制序列作为时域正交训练序列时，Alamouti发送方案与信道信息完全已知的系统的解码性能的比较图。 

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。 

一、建立、分析和处理MIMO空时系统模型 

1、建立MIMO空时系统模型 

建立一个具有N_t个发射天线和N_r个接收天线的MIMO空时系统， 发射天线发射的每一帧信号由训练序列、循环前缀和数据三部分组成，信道为平坦慢变瑞利衰落信道，假设连续的N_f帧信号经历的信道状态相同，即一个数据块由N_f帧组成，如图1所示。 

无线通信系统中的训练序列分为时域正交训练序列、频域正交训练序列和码域正交训练序列，在本发明所建立的空时系统模型中，训练序列采用时域正交训练序列。 

2、分析时域正交训练序列信号 

假设k时刻任一天线的时域正交训练序列信号用N_t×1维复向量s_tr(k)表示，则接收信号表示为： 

y_tr(k)＝Hs_tr(k)+v(k) 

式中，H为N_r×N_t维瑞利衰落信道响应矩阵，y_tr(k)为N_r×1维接收信号向量，v(k)为N_r×1维噪声向量，其中，噪声服从均值为0、方差为的高斯分布。 

3、处理MIMO空时系统模型 

数据信号由于需要进行空时编码，故在发射之前先进行分组，令s(k)＝[s₁(k)s₂(k)…s_N(k)]^T为待发射的由N个符号组成的第k个数据分组，且各个符号独立同分布。 

接下来处理第k个数据分组s(k)，具体的，将s(k)经过空时编码映射为N_t×L维编码矩阵C(k)： 

$C\left(k\right)=\underset{n=1}{\overset{N}{\Sigma }}(A_n{s}_{\mathrm{Rn}}\left(k\right)+j{B}_n{s}_{\mathrm{In}}\left(k\right))$

式中，A_n和B_n分别为对应于第n个符号s_n(k)的实部(s_Rn(k))和虚部(s_In(k))的编码矩阵，L为编码矩阵时隙的数目。则接收信号可以表 示为： 

Y(k)＝HC(k)+V(k) 

式中，Y(k)为N_r×L维接收信号矩阵，V(k)为N_r×L维噪声矩阵，Y(k)、V(k)服从均值为0、方差为的高斯分布。 

此外，因为信道慢变，相邻的数据块n+1和数据块n的信道遵循如下关系： 

$H_{n+1}=\sqrt{1-\beta }·H_n+\sqrt{\beta }·\mathrm{\Delta H}$

H_n和△H服从复高斯分布，β为常系数，β值越小信道变化越小。 

二、信道估计和解码 

在以往的盲信道估计算法中，每次信道估计产生的相位模糊度都不相同且是随机的，这对正确解码带来很大困难。 

接下来，参照图2，详细介绍本发明所涉及的信道估计与解码方案。 

1、对第一个数据块进行信道估计和解码 

信道估计部分：联合利用盲的和基于时域正交训练序列的信道估计方法，对第一个数据块进行盲信道估计，将第一个数据块的相位模糊统一到一个固定值，这一固定值由语义判决确定。 

解码部分：由于盲信道估计固有的模糊度，信道估计存在多组解。本发明在解码部分通过采用信号和信道联合二维搜索，利用空时编码中信号之间的相关性，对第一个数据块做最大似然解码，在信道估计的基础上进一步缩小信道可能解的范围，从而为最终相位模糊度的确定提供方便。 

为了将所有数据块由盲信道估计模糊度引起的解码信号相位偏转统一，我们只在第一个数据块的最大似然解码中进行信号与信道的二维搜索，具体过程见图3。 

对第一个数据块进行盲信道估计时，由于该盲信道估计是利用时域正交训练序列完成的，而对于不同的时域正交训练序列，方案的性能存在着差别。 

近年来出现了众多针对不同通信环境的多天线空时处理方案。其中，空时分组码(STBC)方案通过提供分集增益来改善连接稳定性和提高数据发送速率，是极具代表性的空时方案。然而，它的性能在很大程度上依赖于信道估计的准确性。 

以经典的Alamouti方案为例，其编码矩阵可以表示为 $C_{\mathrm{STBC}}=\left(\begin{array}{cc}{s}_1& -s_2^{*}\\ s_2& s_1^{*}\end{array}\right).$因此，下面我们将以两发射天线为例，分别讨论由chu序列和QPSK调制序列做时域正交训练序列的Alamouti发送方案的信道估计和解码问题。 

(1)、利用chu序列作为时域正交训练序列 

当不考虑噪声时，整个MIMO系统信道矩阵存在180°或0°的相位模糊度。具体的推导过程如下： 

令h₁,h₂分别表示两根发射天线的真实子信道，s₁,s₂表示实际发送信号，则接收信号为： 

$\left(\begin{array}{cc}{h}_1& h_2\end{array}\right)\left(\begin{array}{cc}{s}_1& -s_2^{*}\\ s_2& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}{h}_1{s}_1+h_2{s}_2& -h_1{s}_2^{*}+h_2{s}_1^{*}\end{array}\right)$

令表示信道估计值，表示最终解码结果，若两根天线的 子信道估计值都存在180°相位偏转，用这样的信道进行解码时，我们可以得到： 

$\left(\begin{array}{cc}\stackrel{^^}{h_1}& h_2\end{array}\right)\left(\begin{array}{cc}\stackrel{^^}{s_1}& -s_2^{*}\\ \stackrel{^^}{s_2}& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}-h_1\stackrel{^^^^}{s_{1-}}{h}_2{s}_2& h_1{s}_2^{*}-h_2{s}_1^{*}\end{array}\right)$

令则α₁＝α₂＝-1，结果与接收信号相同，错误向量为0，故此情况下，解码信号会发生180°相位偏转。 

由推导可知，对于Alamouti发送方案，解码部分对相位模糊度有一定选择作用，使得最终的解码结果只可能有两种，分别为(s₁ s₂)和(-s₁ -s₂)，其中，(s₁ s₂)是正确的解码。 

(2)、利用QPSK调制序列做时域正交训练序列 

当不考虑噪声时，整个MIMO系统信道矩阵存在0°、180°、90°或-90°的相位模糊度。具体的推导过程如下： 

令h₁,h₂分别表示两根发射天线的真实子信道，s₁,s₂表示实际发送信号，则接收信号为： 

$\left(\begin{array}{cc}{h}_1& h_2\end{array}\right)\left(\begin{array}{cc}{s}_1& -s_2^{*}\\ s_2& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}{h}_1{s}_1+h_2{s}_2& -h_1{s}_2^{*}+h_2{s}_1^{*}\end{array}\right)$

令表示信道估计值，表示最终解码结果，用这样的信道进行解码时，α₁与α₂分别可取1，-1，i或-i，除去正确解码(α₁＝α₂＝1)的情况，还有三种情况我们需要考虑： 

①若两根天线的子信道估计值都存在180°相位偏转，我们可以得到： 

$\left(\begin{array}{cc}\stackrel{^^}{h_1}& h_2\end{array}\right)\left(\begin{array}{cc}\stackrel{^^}{s_1}& -s_2^{*}\\ \stackrel{^^}{s_2}& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}-h_1\stackrel{^^^^}{s_{1-}}{h}_2{s}_2& h_1{s}_2^{*}-h_2{s}_1^{*}\end{array}\right)$

令则α₁＝α₂＝-1，结果与接收信号相同，错误向量为0，故此情况下，解码信号会发生180°相位偏转。 

②若第一个子信道估计值存在90°相位偏转，第二个子信道估计值存在-90°相位偏转，我们可以得到： 

$\left(\begin{array}{cc}{\mathrm{ih}}_1& -{\mathrm{ih}}_2\end{array}\right)\left(\begin{array}{cc}\stackrel{^^}{s_1}& -s_2^{*}\\ \stackrel{^^}{s_2}& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}{\mathrm{ih}}_1\stackrel{^^^^}{s_{1-}}{\mathrm{ih}}_2{s}_2& -{\mathrm{ih}}_1{s}_2^{*}-{\mathrm{ih}}_2{s}_1^{*}\end{array}\right)$

令则α₁＝-i,α₂＝i，结果与接收信号相同，错误向量为0，故此情况下，天线1的解码信号发生-90°相位偏转，天线2的解码信号发生90°相位偏转。 

③若第一个子信道估计值存在-90°相位偏转，第二个子信道估计值存在90°相位偏转，我们可以得到： 

$\left(\begin{array}{cc}-{\mathrm{ih}}_1& {\mathrm{ih}}_2\end{array}\right)\left(\begin{array}{cc}\stackrel{^^}{s_1}& -s_2^{*}\\ \stackrel{^^}{s_2}& s_1^{*}\end{array}\right)=\left(\begin{array}{cc}-{\mathrm{ih}}_1\stackrel{^^^^}{s_{1+}}{\mathrm{ih}}_2{s}_2& {\mathrm{ih}}_1{s}_2^{*}+{\mathrm{ih}}_2{s}_1^{*}\end{array}\right)$

令则α₁＝i,α₂＝-i，结果与接收信号相同，错误向量为0，故此情况下，天线1的解码信号发生90°相位偏转，天线2的解码信号发生-90°相位偏转。 

综上前述，当使用QPSK调制序列作为时域正交训练序列对Alamouti发送方案进行信道估计和解码时，解码结果有以下四种可能：(s₁ s₂)、(-s₁ -s₂)、(-is₁ is₂)、(is₁ -is₂)。 

2、对后续数据块进行信道估计和解码 

信道估计部分：利用迫零均衡得到的时域正交训练序列估计值对后续数据块进行基于时域正交训练序列的信道估计，使后续数据块的估计信道具有和第一个数据块相同的相位模糊，从而将一次发送的不 同数据块的相位模糊统一到一个固定值。 

解码部分：对后续数据块采用发送信号一维搜索做最大似然解码，输出后续数据块的估计信号。 

可见，在进一步确定信道后(即对第一个数据块进行信道估计和解码后)，对后续数据块的解码我们采用的是一般的最大似然算法，即采用发送信号一维搜索做最大似然解码，从而保证了不同数据块解码信号携带的相位偏转相同，该具体过程见图4。 

三、方案仿真及性能分析 

为了得到估计性能，我们分别用由chu序列构成的时域正交训练序列和由QPSK调制序列构成的时域正交训练序列，通过直接SVD分解方法估计信道，相位模糊度用真实信道消除，统计误码率，结果具体如下： 

1、chu序列作为时域正交训练序列、采用Alamouti发送方案 

仿真条件：建立一个具有两发八收的MIMO空时系统，采用Alamouti发送方案，发送并接收两个数据块，每个数据块4帧。发送数据中时域正交训练序列使用chu序列，由32个符号组成，数据部分由64个符号组成。共进行1000次蒙特卡洛仿真。 

接收信号的星座图见图5。 

均衡信号的星座图见图6。 

解码性能曲线图见图7。 

由此可见：使用chu序列作为时域正交训练序列，在Alamouti空时编码方案下，所提算法可以较好的均衡受信道影响混叠在一起的接 收信号，从而正确恢复出系统发送信号，且误码率随信噪比的增加而减小，在12dB达到10^-2。 

2、QPSK调制序列作为时域正交训练序列、采用Alamouti发送方案 

仿真条件：建立一个具有两发八收的MIMO空时系统，采用Alamouti发送方案，发送并接收两个数据块，每个数据块4帧。发送数据中时域正交训练序列使用QPSK调制序列，由32个符号组成，数据部分由64个符号组成。共进行1000次蒙特卡洛仿真，统计误码率。 

接收信号的星座图见图8。 

均衡信号的星座图见图9。 

解码性能曲线图见图10。 

由此可见：使用QPSK调制序列作为时域正交训练序列，在Alamouti空时编码方案下，所提算法可以较好的均衡受信道影响混叠在一起的接收信号，从而正确恢复出系统发送信号，且误码率随信噪比的增加而减小，在15dB达到10^-2。 

利用QPSK调制序列作为时域正交训练序列时，将Alamouti发送方案的解码性能与信道信息完全已知的系统的解码性能进行比较，见图11。 

由此可见：在本专利考虑的场景下，接收端无法知道时域正交训练序列具体内容及信道状态信息，因此盲信道估计与解码的误码率性能与合作通信场景下，已知真实信道进行解码的误码率性能有一定差 距，但也能在一定程度上实现系统正常通信。 

综上前述，本发明的方法首先通过采用信号和信道联合二维搜索，利用空时编码中信号之间的相关性，在盲信道估计的基础上消除信道估计结果固有的相位模糊，缩小信道可能解的范围，从而为确定解码信号的相位提供方便。 

此外，本发明的方案通过在不同数据块分别利用盲的和基于时域正交训练序列的信道估计方法，将一次发送的不同数据块解码数据的相位偏差统一到一个固定值。 

总而言之，本发明的方法解决了盲信道估计固有的相位模糊对系统解码造成的影响。 

本发明的方法可以应用于各种多天线信号、协作通信信号的盲识别、盲检测。 

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。