MB-OFDM系统的超宽带信道估计方法和系统

摘要

本发明公开了一种MB-OFDM系统的超宽带信道估计方法和系统。该方法中，通过训练序列获取用于进行信道估计数据r[n，m]，并通过对信道估计数据r[n，m]的变换，确定p[n，l]及q[n，l]，进而确定列向量p[n]及方阵Q[n]，并计算Q[n]的逆阵，进而确定信道冲激响应的信道估计值。当获得信道信息之后，用该信息对训练序列后的数据频域均衡，以消除信道对发射数据的影响。本发明充分考虑了UWB信道的簇结构，相对于其他信道的信道估计算法更精确，更符合UWB信道情况；并且由于UWB信道为密集多径信道，算法在精确度与复杂度上做了折中处理，使得算法在低复杂度的情况下依旧保证较低的误码率。

说明书

技术领域

本发明移动通信技术领域，尤其涉及MB-OFDM系统的超宽带信道估计方法和系统。 

背景技术

超宽带(Ultra Wideband，UWB)技术始于20世纪60年代兴起的脉冲通信技术，是一种新颖的无线通信方式。物理层分为多载波正交频分复用(MB-OFDM)和直接序列UWB(DS-UWB)两个协议标准，其中MB-OFDM标准在竞争中略占上风。MB-OFDM系统结构如图1a(发射机)和图1b(接收机)所示，其系统参数如图2所示。在无线通信中，发射信号经过不同的路径到达接收端形成多径，并且由于信号传播路径中障碍物的影响，发射信号会产生反射、绕射以及散射等现象，因此，接收到的信号会产生幅度衰落和相位偏移，如果接收端无法正确分辨合并多径信号，会使系统的性能下降。因此，在接收端必须要对信道的参数进行估计，找出多径的时延，补偿其幅度衰落与相位偏移。可以说，在很大程度上，信道估计的精确性决定了接收机的接收性能。而由于无线信道本身的复杂性，要对信道参数进行精确的估计具有很大的难度，所以，信道估计是无线通信系统中的关键技术之一。对超宽带通信，由于其信道与一般无线系统相比更加复杂，因此其信道估计难度更大。 

发明内容

本发明的目的在于提供一种MB-OFDM系统的超宽带信道的信道估计方法和系统。 

一方面，本发明公开了一种MB-OFDM系统的超宽带信道估计方法，包括如下步骤： 

步骤1，接收天线收到信号并进行处理，以获取用于信道估计的数据r[n，m]；其中，n为OFDM符号序号，m为子载波序号，0＜m≤M，M为总子载波数； 

步骤2，对获取的所述用于信道估计的数据r[n，m]进行如下变换，确定：

$>p[n,l]=\underset{m=0}{\overset{M-1}{\Sigma }}r[n,m].t^{*}[n,m]W_M^{-\mathrm{ml}}$>

$>q[n,l]=K\underset{M=0}{\overset{M-1}{\Sigma }}{e}^{-j2\mathrm{\pi m\Delta f}/\lambda }t[n,m]t^{*}[n,m]W_M^{-\mathrm{ml}};$>

其中，l为簇序号，0≤l≤L，L为总簇数，K为簇内多径数，t[n，m]为训练序列，t^*[n，m]为t[n，m]的共轭形式， 

步骤3，依据获取的p[n，l]和q[n，l]确定： 

p[n]＝[p[n，0]，p[n，1]，...，p[n，L]]^T， 

步骤4，计算Q[n]的逆矩阵，获取Q^-1[n]，根据p[n]和Q^-1[n]，确定信道冲激响应的估计值。 

上述信道估计方法，优选通过如下方式获取用于信道估计的数据r[n，m]：对接收天线收到的信号进行下变频、相干解调，A/D转换、后串/并变换、去CP处理以及FFT变换。 

上述信道估计方法，优选所述步骤4中，依据 获取信道冲激响应的LS算法估计值。 

上述信道估计方法，优选根据 得到 的频率响应 再由 获取信道频率响应的MMSE算法估计值，其中R_HH为 的自相关矩阵，I为单位阵，SNR为信噪比。 

另一方面，本发明还公开了一种MB-OFDM系统的超宽带信道估计系统，包括： 

第一模块，用于接收天线收到信号并进行处理，以获取用于信道估计的数据r[n，m]；其中，n为OFDM符号序号，m为子载波序号，0＜m≤M，M为总子载波数； 

第二模块，用于对获取的所述用于信道估计的数据r[n，m]进行如下变换，确定： 

$>p[n,l]=\underset{m=0}{\overset{M-1}{\Sigma }}r[n,m].t^{*}[n,m]W_M^{-\mathrm{ml}}$>

$>q[n,l]=K\underset{m=0}{\overset{M-1}{\Sigma }}{e}^{-j2\mathrm{\pi m\Delta f}/\lambda }t[n,m]t^{*}[n,m]W_M^{-\mathrm{ml}};$>

其中，l为簇序号，0≤l≤L，L为总簇数，K为簇内多径数，t[n，m]为训练序列，t^*[n，m]为t[n，m]的共轭形式， 

第三模块，用于依据获取的p[n，l]和q[n，l]确定： 

p[n]＝[p[n，0]，p[n，1]，...，p[n，L]]^T， 

第四模块，用于计算Q[n]的逆矩阵，获取Q^-1[n]，根据p[n]和Q^-1[n]，确定信道冲激响应的估计值。 

上述信道估计系统，优选所述第一模块中，通过如下方式获取用于信道估计的数据r[n，m]：对接收天线收到的信号进行下变频、相干解调，A/D转换、后串/并变换、去CP处理以及FFT变换。 

上述信道估计系统，优选所述第四模块中，依据 获取信道冲激响应的LS算法估计值。 

上述信道估计系统，优选根据 得到 的频率响应 再由 获取信道频率响应的MMSE算法估计值，其中R_HH为 的自相关矩阵，I为单位阵，SNR为信噪比。 

本发明首先研究了Rayleigh信道，提出系统子载波间隔与多径延迟关系的推论，接着分析了超宽带信道与Rayleigh信道的不同点 与相似之处，基于LS准则和MMSE准则，利用Rayleigh信道中的推论，得出基于簇的超宽带信道估计方法，并在推导当中充分考虑了算法的复杂度与精确度，使得算法在不失精确性的条件下保持较低的复杂度。本发明的优点就在于：1)充分考虑了UWB信道的簇结构，并在算法中体现，比基于其他信道的信道估计算法更精确，更符合UWB信道情况；2)由于UWB信道为密集多径信道，算法在精确度与复杂度上做了折中处理，使得算法在低复杂度的情况下依旧保证较低的误码率；3)为UWB信道的簇效应提供了新的认知方式，为UWB信道的其他研究提供了新的思路。 

附图说明

图1a为现有技术MB-OFDM系统结构中，发射机的结构原理图； 

图1b为现有技术MB-OFDM系统结构中，接收机的结构原理图； 

图2为现有技术MB-OFDM系统的系统参数表格； 

图3为S-V模型中多径簇效应示意图； 

图4为UWB多径信道的测量数据、模型参数表格； 

图5为本发明MB-OFDM系统的超宽带信道的信道估计方法流程图； 

图6为LS算法误码率与信噪比关系图； 

图7为LS算法均方误差与信噪比关系图； 

图8为MMSE算法误码率与信噪比关系图； 

图9为MMSE算法均方误差与信噪比关系图； 

图10为本发明MB-OFDM系统的超宽带信道估计系统的结构示意图。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

信道估计方法从大的角度可以分为非盲估计和盲估计以及在此基础上产生的半盲估计。所谓非盲估计是指在估计阶段首先利用导频来获得导频位置的信道信息，然后为下面获得整个数据传输阶段的信道信息做好准备；盲估计是指不利用导频或者训练序列，用传输的数据内在的数学信息来估计信道。与传统的非盲信道估计相比，盲信道估计技术使得系统的传输效率大大提高，然而由于盲信道估计算法一般收敛速度较慢，这阻碍了它在实际系统中的应用；正是如此出现了半盲信道估计，它在数据传输效率和收敛速度之间做了一个折衷，即采用较少的训练序列来获得信道的信息。在基于OFDM的新一代无线通信系统中，由于传输速率比较高，并且需要相干检测技术获得更高的性能，因此通常采用非盲估计来获得比较好的效果，这样可以更好的跟踪信道变化的情况，提高接收机的性能(当然也有一些面向盲估计和非盲估计的算法)。这些非盲估计的算法从实现准则上来讲，可以分为最小均方误差(MMSE，Minimal MeanSquare Error)，最小平方(LS，Least Square)和最大似然(ML)等。 

IEEE 802.15.3a工作组提交的超宽带室内信道模型已经得到广泛的认可。该信道模型是根据Saleh-Valenzuela(S-V)模型的基础上作 了少量的修改后得到的。S-V模型的特点是考虑了多径的簇(Cluster)效应，它认为多径的到达时间并不是完全随机的，而是成簇出现的，并且认为多径的能量和幅度分布分别服从双指数分布和Rayleigh分布。S-V模型中多径簇效应示意图如图3所示。 

成簇现象可以被定义为在一定的环境中独立个体之间存在的某种相互联系的集群行为。UWB信道的成簇现象，是指在功率时延谱上有明显的尖峰。在UWB室内传播信道中，对UWB脉冲信号产生反射、折射和绕射作用的物体非常丰富，例如墙壁、门、窗户和各种办公家具等。大量UWB信道的测量实验发现，室内信道的功率时延谱上簇的数量有限，一般只有几个。事实上UWB信道中出现簇现象，是由其固有的特性密集多径和高时延分辨率产生的。UWB信道常常被称作密集多径信道，是指在该信道中，可分辨多径分量的数目远比以往的窄带或宽带信道多。有多个脉冲到达的时延间隔就会发生能量叠加，从而产生成簇现象。但是发生这种事件的概率非常低。能够发生叠加作用的脉冲的时延几乎是相同的，这就要求它们来源于同一个散射体，因为这样才能使时延相同的概率最高。因此可以得出结论，UWB信道中的簇是由于某些对多径分量有突出贡献的散射体造成的。 

IEEE 802.15.3a工作组建议的超宽带室内信道模型，其时域冲激响应可以表示为： 

$>h\left(t\right)=X\underset{l=0}{\overset{L}{\Sigma }}\underset{k=0}{\overset{K}{\Sigma }}{\alpha }_{k,l}\delta (t-T_l-{\tau }_{k,l})---\left(1\right)$>

X表示对数正态阴影项，有： 

$>20\lg \left(X\right)\propto N(0,{\sigma }_x^2)---\left(2\right)$>

当考虑对数正态阴影的影响，加入X考虑，为了简化分析，下文信道估计算法推导中略去了这一项。 

T_l表示第l簇的到达时间，τ_k，l表示第l簇中第k条多径相对于第一条多径的到达时间，并且根据定义有： 

T₀＝0，τ_0，l＝0        (3) 

T_l，τ_k，l的分布服从参数分别为Λ和λ的指数分布，其概率密度函数分别为： 

p(T_l|T_l-1)＝Λexp[-Λ(T_l-T_l-1)]，l＞0 

p(τ_k，l|τ_(k-1)，l)＝λexp[-λ(τ_k，l-τ_(k-1)l)]，k＞0    (4) 

Λ是簇的到达率，λ为径的到达率。Λ的值越大，则簇的数量越多；同样，λ的值越大，多径就越密集。 

IEEE 802.15.3a工作组建议的超宽带室内信道模型中，多径幅度增益α_k，l不再采用传统的Rayleigh分布，而是采用均值为μ_k，l，方差为 的对数正态分布，其中： 

$>{\mu }_{k,l}=\frac{10\ln \left({\Omega }_0\right)-10T_l/\Gamma -{10\tau }_{k,l}/\gamma }{\ln \left(10\right)}-\frac{({\sigma }_1^2+{\sigma }_2^2)\ln \left(10\right)}{20}---\left(5\right)$>

Γ和γ分别为簇和多径的衰减因子，σ₁和σ₂分别为对数正态分布的簇与簇内多径幅度的标准差。 

由于目前针对MB-OFDM系统的超宽带信道估计算法较少，且其中部分文献在信道估计时，依旧采用了Rayleigh信道模型，不论 是从严谨角度还是系统的精确度来看都是不合适的，需要做一种针对UWB信道的信道估计算法。 

本发明针对MB-OFDM系统，从目前研究较为完善的Rayleigh信道入手，提出系统子载波间隔与多径延迟关系的推论，接着分析了UWB信道与Rayleigh信道的不同点与相似之处，基于LS准则和MMSE准则，并利用Rayleigh信道中的推论，得出基于簇的UWB信道估计方法，并在推导当中充分考虑了算法的复杂度与精确度，使得算法在不失精确性的条件下保持较低的复杂度。 

移动无线信道时域冲击响应形式： 

$>h(t,\tau )=\underset{l=0}{\overset{L-1}{\Sigma }}{\gamma }_l\left(t\right)\delta (\tau -{\tau }_l)---\left(6\right)$>

其中L是多径数目，τ_l是第l径的时延，γ_l(t)服从Rayleigh分布，且多径之间相互独立。则在时刻t，其频率响应为： 

$>H(t,f)={\int }_{-\infty }^{\infty }h(t,\tau )e^{-j2\mathrm{\pi f\tau }}\mathrm{d\tau }=\underset{l=0}{\overset{L-1}{\Sigma }}{\gamma }_l\left(t\right)e^{-j2\mathrm{\pi f}{\tau }_l}---\left(7\right)$>

对于具有合适的循环前缀和采样率的OFDM系统，信道频率响应可以近似表示为： 

$>H(n,k)=H(n{T}_f,\mathrm{k\Delta f})=\underset{l=0}{\overset{L-1}{\Sigma }}h[n,l]W_K^{\mathrm{kl}}=\underset{l=0}{\overset{L-1}{\Sigma }}h[n,l]e^{-\frac{j2\mathrm{\pi kl}}{K}}---\left(8\right)$>

其中L是多径数目；h[n，l]也服从Rayleigh分布。 

可以看出，(7)式与(8)式具有很高的相似性，(8)式可看作(7)式在OFDM系统中的表达形式。下面对二式进行比较。 

OFDM系统中，载波间满足下列关系： 

f_k＝f₀+kΔf，(k＝0，1，…，K-1；Δf＝1/T_N)     (9) 

通常，多径时延段可以量化，即将冲激响应的多径时延τ离散化为相同的时延段，称为附加时延段。每段时延宽度均等于τ_i+1-τ_i，则τ_i+1-τ_i等于Δτ的时延宽度。满足τ_l＝Δτ。则我们可以得到(7)式在OFDM系统中的形式： 

$>H(n,k)=\underset{l=0}{\overset{L-1}{\Sigma }}{\gamma }_l\left(t\right)e^{-j2\pi f_0\mathrm{l\Delta \tau }}{e}^{-j2\mathrm{\pi kl\Delta f\Delta \tau }}=\underset{l=0}{\overset{L-1}{\Sigma }}{h}_1[n,l]e^{-j2\mathrm{\pi kl\Delta f\Delta \iota }}---\left(10\right)$>

其中： 

$>h_1[n,l]={\gamma }_l\left(t\right)e^{-j2\pi f_0\mathrm{l\Delta \tau }}---\left(11\right)$>

h₁[n，l]也服从Rayleigh分布。比较(8)式和(11)式，我们可以得到如下推论： 

$>\mathrm{\Delta f\Delta \tau }=\frac{1}{K}---\left(12\right)$>

这里讨论一下推论的合理性。Δτ定义为最小时延扩展，Δf为载波频率间隔，K为载波数；原式可化为： 

$>\mathrm{\Delta \tau }=\frac{1}{\mathrm{K\Delta f}}=\frac{1}{B}---\left(13\right)$>

经测量，一般来说，室内环境下的最大时延扩展值τ_max约为40-200ns，因为FCC关于超宽带定义的信号最小带宽大于500MHz，所以可以认为如果采用Rayleigh衰落信道模型，则信号最大带宽为500MHz，则对(13)式计算得最小时延极限值Δτ＝2ns；另外，室内多 径数不会太多，按照量化多径时延得到的最大时延扩展可以满足实际情况；且由于CP的存在，τ_max＜T_符号，满足OFDM系统平坦衰落的特性。 

图4是UWB多径信道的测量数据、模型参数。对于CM3和CM4模型，可以看出簇的到达率Λ为1/15(个/ns)，即簇的平均时延为15ns，这与上文中Rayleigh衰落的时延扩展是一个量级的，且数值比较接近；其最大时延扩展约为45ns，在Rayleigh衰落最大时延扩展范围内。如果考虑CM2模型，则会发现数值上只有0.5ns的差别，是高度接近的；其最大时延扩展为100ns左右，也在最大时延扩展范围中。因为CM1是有视距路径(LOS)情况，与Rayleigh衰落适用的路径特点--无视距路径(NLOS)不同，所以这里不作考虑。 

从直观上理解，信号在传输过程中会遇到很多反射面，经过较小的反射面时，会形成很多不同的脉冲，这样信号就由原来的一个脉冲变成了一系列的脉冲串，这些脉冲串经过较大的反射面时又会形成不同的簇。所以从UWB信道簇现象的成因来分析，UWB信道的簇时延概念与Rayleigh衰落信道的时延扩展可近似看作等价关系。故可以采用与分析Rayleigh衰落信道类似的方法。 

对信道时域冲激响应进行傅里叶变换，得到频率响应为： 

$>H\left(f\right)={\int }_{-\infty }^{\infty }h\left(\tau \right)e^{-j2\mathrm{\pi f\tau }}\mathrm{d\tau }=\underset{l=0}{\overset{L}{\Sigma }}\underset{k=0}{\overset{K}{\Sigma }}{\alpha }_{k,l}{e}^{-j2\mathrm{\pi f}\left({T_l+\tau }_{k,l}\right)}---\left(14\right)$>

比较两个信道模型的差别，可知UWB信道模型中第l簇的到达时间T_l与Rayleigh衰落信道中第l路的时延扩展τ₁是同一量级的，因此可以采用类似的等间隔时延处理，有： 

T_l＝lΔT，l＝0，1，…，L    (15) 

ΔT为常数，为接收机接收第二簇与第一簇之间的时延。则(14)式改写为： 

$>H\left(f\right)=\underset{l=0}{\overset{L}{\Sigma }}\underset{k=0}{\overset{K}{\Sigma }}{\alpha }_{k,l}{e}^{-j2\mathrm{\pi f}{\tau }_{k,l}}{e}^{-j2\mathrm{\pi fl\Delta T}}---\left(16\right)$>

OFDM系统中，载波间满足下列关系： 

f_m＝f₀+mΔf，(m＝0，1，…，M-1，M为载波数；Δf＝1/T_N)     (17)则(16)式进一步写为： 

$>H(n,m)=\underset{l=0}{\overset{L}{\Sigma }}\underset{k=0}{\overset{K}{\Sigma }}{\alpha }_{k,l}{e}^{-j2\pi [(f_0+\mathrm{m\Delta f}){\tau }_{k,l}+l{f}_0\mathrm{\Delta T}]}{e^{-j2\mathrm{\pi lm\Delta f\Delta T}}}^{---\left(18\right)}$>

再作假设有： 

(假设合理性与(12)式的讨论一致，这里不再叙述)(19) 

则有： 

$>H(n,m)=\underset{l=0}{\overset{L}{\Sigma }}\underset{k=0}{\overset{K}{\Sigma }}{\alpha }_{k,l}{e}^{-j2\pi [(f_0+\mathrm{m\Delta f}){\tau }_{k,l}+l{f}_0\mathrm{\Delta T}]}{e}^{-\frac{j2\mathrm{\pi lm}}{M}---\left(20\right)}$>

为了简化方程复杂度，我们把簇为考虑对象，事实上，如果以簇内多径为主体，则在后面的分析中可以看出，其运算量是相当大的，在实际运用中也是不现实的。先对(20)式作一些近似处理。注意到τ_k，l的分布服从参数为λ的指数分布，对τ_kl求期望，即有： 

E[τ_k，l]＝1/λ       (21) 

对于簇，我们定义 这样，簇内多径可以认为是同一值，能相当程度的减少运算量，则有： 

$>H(n,m)=K\underset{l=0}{\overset{L}{\Sigma }}{\alpha }_{k,l}^{\prime }{e}^{-j2\pi [(f_0+\mathrm{m\Delta f})/\lambda +l{f}_0\mathrm{\Delta T}]}{e}^{-\frac{j2\mathrm{\pi lm}}{M}}$>

$>=K\underset{l=0}{\overset{L}{\Sigma }}{h}_{k,l}[n,m,l]e^{-j2\mathrm{\pi lm}}---\left(22\right)$>

根据LS准则，时域估计准则函数定义为： 

$>C\left(\left\{{\hat{h}}_{k,l}[n,m]\right\}\right)=\underset{m=0}{\overset{M-1}{\Sigma }}{|r[n,m]-K\underset{l=0}{\overset{L}{\Sigma }}{\hat{h}}_{k,l}[n,m,l]e^{-\frac{j2\mathrm{\pi lm}}{M}}t[n,m]|}^2---\left(23\right)$>计算上式导数并使导数得零，定义： 

$>p[n,l]=\underset{m=0}{\overset{M-1}{\Sigma }}r[n,m].t^{*}[n,m]W_M^{-\mathrm{ml}}$>

$>q[n,l]=K\underset{m=0}{\overset{M-1}{\Sigma }}{e}^{-j2\mathrm{\pi m\Delta f}/\lambda }t[n,m]t^{*}[n,m]W_M^{-\mathrm{ml}}---\left(24\right)$>

则有： 

$>{\hat{h}}_{k,l}\left[n\right]=Q^{-1}\left[n\right]p\left[n\right]---\left(25\right)$>

其中： 

$>{\hat{h}}_{k,l}\left[n\right]={\left[{\hat{h}}_{k,l}\right[n,0],{\hat{h}}_{k,l}[n,1],...,{\hat{h}}_{k,l}[n,L\left]\right]}^T---\left(26\right)$>

p[n]＝[p[n，0]，p[n，1]，...，p[n，L]]^T    (27) 

根据IEEE 802.15.3a工作组的建议，UWB信道可以认为在一个OFDM包内是时不变的，因此可以发送训练序列获得信道信息。 

算法的均方误差(MSE)为： 

$>\mathrm{MSE}=\frac{1}{2L}E\left\{{\left|\right|{\hat{h}}_{k,l}\left[n\right]-h_{k,l}\left[n\right]\left|\right|}^2\right\}$>

$>=\frac{{\sigma }_n^2}{2L}\mathrm{Tr}\left\{Q^{-1}\right[n\left]\right\}---\left(29\right)$>

其中 为高斯噪声的方差，事实上，除了q[n，l]的定义不同，针对UWB信道的信道估计算法MSE与在Rayleigh信道的MSE形式是一样的。 

图6为LS算法误码率(BER)与信噪比(SNR)关系图，其中6a为适于UWB信道的LS算法性能曲线；6b为适于Rayleigh信道的LS算法性能曲线。 为Rayleigh信道下的LS信道估计算法得到的估计值，这里我们定义 为 的频率响应。从图中可以看出，在低信噪比(低于10dB)条件下， 与 的性能是比较接近的，且最大有2.1dB的增益。UWB系统因占用带宽巨大，考虑与其他系统的共存性，须在低信噪比条件下工作，恰体现本发明算法的优势。算法MSE如图7所示，可见该算法的均方误差还是很低的，在低信噪比条件下即可达近10^-3量级。虽然MSE很低，但因为考虑的是簇内多径的均方误差，而每簇包含的多径较多，积累起的误差就会大许多，对接收机判决信号还是有一定程度的影响。 基于上述结论，得到UWB信道的MMSE信道估计算法，因为： 

$>{\hat{H}}_{\mathrm{MMSE}}=R_{\mathrm{HY}}{R}_{\mathrm{YY}}^{-1}Y=R_{\mathrm{HH}}{X}^H{({\mathrm{XR}}_{\mathrm{HH}}{X}^H+{\sigma }_N^2{I}_N)}^{-1}{X}^{-1}Y$>

$>=R_{\mathrm{HH}}{(R_{\mathrm{HH}}+{\sigma }_N^2({\mathrm{XX}}^H{)}^{-1})}^{-1}{X}^{-1}Y$>

$>\approx R_{\mathrm{HH}}{(R_{\mathrm{HH}}+\frac{1}{\mathrm{SNR}}I)}^{-1}{X}^{-1}Y$>

$>=R_{\mathrm{HH}}{(R_{\mathrm{HH}}+\frac{1}{\mathrm{SNR}}I)}^{-1}{\hat{H}}_{\mathrm{LS}\left(\mathrm{Tra}\right)}---\left(30\right)$>

从图6的分析中，不难知道，为了简化运算量又不失准确性，我们可以把 用 代替，而自相关矩阵RHH可由LS估计得到，则有： 

$>{\hat{H}}_{\mathrm{MMSE}}\approx R_{\mathrm{HH}}{(R_{\mathrm{HH}}+\frac{1}{\mathrm{SNR}}I)}^{-1}{\hat{H}}_{\mathrm{LS}\left(\mathrm{Mod}\right)}---\left(31\right)$>

算法的MSE为： 

$>{\mathrm{MSE}}_{\mathrm{MMSE}}=\frac{1}{N}.\frac{1}{\mathrm{SNR}}\underset{i=0}{\overset{N-1}{\Sigma }}\frac{{\lambda }_i}{{\lambda }_i+\frac{1}{\mathrm{SNR}}}---\left(32\right)$>

其中，λ_i为的R_HH第i个特征值。图8和图9分别为MMSE算法的BER、MSE与SNR关系图。其中，8a为适于Rayleigh信道的MMSE算法性能曲线；8b为适于UWB信道的MMSE算法性能曲线。从图8中可以看出，MMSE算法表现出更佳的性能，低信噪比下，本发明的MMSE算法最大能获得3dB的增益；而在高信噪比下，最大可获得6.9dB的增益；而其MSE低信噪比下即可达到近10^-4量级。 

本发明MB-OFDM系统的超宽带信道的信道估计方法中接收天线将接收信号首先进行下变频及相干解调处理，经过A/D转换、串/并变换和去CP模块，对并行数据进行FFT变换，获得受信道影响的训练序列符号，即用于信道估计的数据r[n，m]，进行信道估计。 因此，后续获得信道信息之后，用该信息对训练序列后的数据频域均衡，以消除信道对发射数据的影响。 

参照图5，图5为本发明MB-OFDM系统的超宽带信道的信道估计方法流程图，包括如下步骤： 

步骤1，将接收信号进行处理，以获取用于信道估计的数据r[n，m]；其中，n为OFDM符号序号，m为子载波序号，0＜m≤M，M为总子载波数。 

步骤2，对获取的所述用于信道估计的数据r[n，m]进行如下变换，确定： 

$>p[n,l]=\underset{m=0}{\overset{M-1}{\Sigma }}r[n,m].t^{*}[n,m]W_M^{-\mathrm{ml}}$>

$>q[n,l]=K\underset{m=0}{\overset{M-1}{\Sigma }}{e}^{-j2\mathrm{\pi m\Delta f}/\lambda }t[n,m]t^{*}[n,m]W_M^{-\mathrm{ml}};$>

其中，l为簇序号，0≤l≤L，L为总簇数，K为簇内多径数t^*[m，n]为t[m，n]的共轭形式， 

步骤3，依据获取的p[n，l]和q[n，l]确定： 

p[n]＝[p[n，0]，p[n，1]，...，p[n，L]]^T， 

步骤4，计算Q[n]的逆矩阵，获取Q^-1[n]，依据 获取信道冲激响应的LS算法估计值。 

进而，根据 得到 的频率响应 再由 获取信道频率响应的MMSE算法估计值，其中R_HH为 的自相关矩阵，I为单位阵，SNR为信噪比。 

上述步骤1中，通过如下方式获取用于信道估计的数据r[n，m]：对接收天线收到的信号进行处理，进行下变频、相干解调，A/D转换、后串/并变换、去CP处理以及FFT变换，以获取用于信道估计的数据r[n，m]，即受信道影响的训练序列t[n，m]。 

另一方面，本发明还提供了一种MB-OFDM系统的超宽带信道估计系统，参照图10，该系统包括第一模块1001、第二模块1002、第三模块1003和第四模块1004。 

第一模块1001用于接收信号并进行处理，以获取用于信道估计的数据r[n，m]，即受信道影响的训练序列t[n，m]；其中，n为OFDM符号序号，m为子载波序号，0＜m≤M，M为总子载波数。 

第二模块1002用于对获取的所述用于信道估计的数据r[n，m]进行如下变换，确定： 

$>p[n,l]=\underset{m=0}{\overset{M-1}{\Sigma }}r[n,m].t^{*}[n,m]W_M^{-\mathrm{ml}};$>

$>q[n,l]=K\underset{m=0}{\overset{M-1}{\Sigma }}{e}^{-j2\mathrm{\pi m\Delta f}/\lambda }t[n,m]t^{*}[n,m]W_M^{-\mathrm{ml}}$>

其中，l为簇序号，0≤l≤L，L为总簇数，K为簇内多径数，t^*[m，n]为t[m，n]的共轭形式， 

第三模块1003用于依据获取的p[n，l]和q[n，l]确定： 

p[n]＝[p[n，0]，p[n，1]，...，p[n，L]]^T， 

第四模块1004用于计算Q[n]的逆矩阵，获取Q^-1[n]；依据 获取信道冲激响应的LS算法估计值。 

进而，根据 得到 的频率响应 再由 获取信道频率响应的MMSE算法估计值，其中 的自相关矩阵，I为单位阵，SNR为信噪比。 

以上对本发明MB-OFDM系统的超宽带信道估计系统进行了说明，其与MB-OFDM系统的超宽带信道估计方法原理相同，相同之处不再赘述，相关之处互相参照即可。 

以上对本发明所提供的一种MB-OFDM系统的超宽带信道的信道估计方法和系统进行详细介绍，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。