一种用于突发OFDM系统中的符号粗同步的方法

摘要

本发明具体涉及突发OFDM系统的帧同步方法，本发明提出的方法，通过判断若干段接收到的数据序列的信噪比的平均值是否超过预设门限的办法，进而确定帧的起始位置。本发明提出的方法，很好的解决了SC算法的平台效应，并且不用计算较复杂的相关性，比起SC算法在计算量上也有优势。

说明书

技术领域

本发明属于无线通信系统中的同步技术领域，具体涉及突发OFDM系统的符号粗同步方法。

背景技术

对于突发OFDM系统而言，接收端的首要工作是检测帧的起始位置，即：符号粗同步，又称帧同步。目前，研究帧同步方法的文献很多，大致可以分为两种，一是基于训练序列的帧同步，二是基于循环前缀的帧同步。由于基于循环前缀的帧同步在多径快变信道下的性能不理想，所以大部分的研究者都集中研究基于训练序列的帧同步。1997年12月，Timothy M.Schmidl和Donald C.Cox在IEEE Transactions on Communications第45卷第12期上发表的“RobustFrequency and Timing Synchronization for OFDM”中提出的基于训练序列的帧同步算法(以下简称SC算法)以及训练序列的时域结构被后来很多研究者借鉴，本发明也不例外。

SC算法中训练序列的大小是一个OFDM符号，其时域结构如附图2所示。其中，N是OFDM子载波个数，N_CP是循环前缀的长度，训练序列的时域结构由两个完全相同的部分组成，图中两个B组成了训练序列，A表示循环前缀(cyclicprefix，简称CP)，是由B的最后N_CP个数据点组成。

SC算法利用训练序列前后两部分完全相同的特性来检测帧的起始位置。实际计算中，SC算法主要包括以下几个步骤：

步骤1：初始化接收序列的起始位置d为1，即d＝1。

步骤2：从接收序列R中选取以d为起点，长度为N的一段序列S，即S＝R(d：d+N-1)。

步骤3：计算序列S的前N/2点和后N/2点的相关值P(d)。P(d)的计算公式是

$>P\left(d\right)=\underset{m=0}{\overset{N/2-1}{\Sigma }}\left[S^{*}\left(m\right)S(m+N/2)\right].$>

步骤4：计算序列S的后N/2点的能量和Q(d)。Q(d)的计算公式是

$>Q\left(d\right)=\underset{m=0}{\overset{N/2-1}{\Sigma }}{\left|S(m+N/2)\right|}^2.$>

步骤5：计算时间判决变量M_SC(d)。M_SC(d)的计算公式是

步骤6：将M_SC(d)和事先设定的门限值Th比较，若M_SC(d)≥Th，则判断位置d帧的起始位置；若M_SC(d)＜Th，则更新d＝d+1，返回步骤2。

经过分析发现，SC算法在实际应用中存在如下难点：

一是由于循环前缀CP的存在，时间判决变量M_SC(d)会出现一个平台，且平台的长度与CP的长度成正比例关系，平台的存在会增加帧同步的判决困难。二是由于要计算序列S的前后两部分的相关值P(d)、及其与能量值Q(d)的比值，增加了实现过程中的复杂性。三是门限Th的设定通常随信噪比的变化而变化，因此，设定固定的门限值难以满足不同信道环境中不同信噪比条件下的性能要求。

发明内容

为了解决现有的方法存在的上述技术问题，本发明提出了一种用于突发的OFDM系统帧同步的方法，依次包括：

1)初始化：OFDM系统子载波数为N，循环前缀的长度为N_CP，选取数据序列的起始位置d＝1，判决门限Th，延迟处理点数Delay；

2)从接收到的数据序列R中选取以d为起点，长度为N的序列S，即S＝R(d：d+N-1)；

还依次包括如下步骤：

3)计算并保存序列S的信噪比

4)若d≥Delay，则进入5)步；否则更新d＝d+1，返回2)步；

5)计算最近保存下来的Delay个snr(d)中最先保存的N_CP个snr(d)的算术平均值Mean；

6)若Mean≥Th，则进入7)步；若Mean＜Th，则更新d＝d+1，返回2)步；

7)找出最近保存下来的Delay个snr(d)中的最大值所对应的序号d_max，判定d_max为符号粗同步位置。

为了解决上述技术问题，与上述第一方面相结合，本发明的第二方面在于提供一种用于突发的OFDM系统帧同步的方法，所述的判决门限Th的取值范围0.1≤Th≤33。

为了解决上述技术问题，与上述第一方面相结合，本发明的第三方面在于提供一种用于突发的OFDM系统帧同步的方法所述的延迟处理点数Delay≥2×N_CP。

为了解决上述技术问题，与上述第一方面相结合，本发明的第四方面在于提供一种用于突发的OFDM系统帧同步的方法所述的计算序列S的信噪比snr(d)进一步包括如下步骤：

a)计算序列S的噪声功率$>n\left(d\right)=\frac{1}{N}\underset{i=1}{\overset{N/2}{\Sigma }}{|S\left(i\right)-S(i+N/2)|}^2;$>

b)计算序列S的总功率

c)计算序列S中有用信号的功率s(d)＝E(d)-n(d)；

d)计算序列S的信噪比

附图3给出了现有的SC算法的时间判决变量M_SC(d)与本发明技术方案的时间判决变量snr(d)的仿真结果的对比图，从图3(a)中可以看出，现有的SC算法的时间判决变量M_SC(d)会产生平台效应，而从图3(b)可以看出，本发明技术方案中的时间判决变量snr(d)是序列S的有用信号的功率s(d)和噪声功率n(d)的比值，只有一个峰值，没有平台效应。所以本发明技术方案很好的解决了SC算法的平台效应。SC算法的门限值随信噪比的变化而变化，而本发明技术方案通过选择合理的恒定门限值Th，可以在不同的信噪比条件下工作。此外，本发明技术方案不用计算较复杂的相关性，比起SC算法在计算量上有优势。

附图说明

附图1为本发明技术方案的总体流程图。

附图2为现有的SC算法使用的训练序列的时域结构图；

附图3为本发明技术方案相对于现有技术的有益技术效果的仿真结果对比图。

具体实施方式

下面具体说明本发明技术方案的实施方式。

本实施例中，OFDM子载波个数N为128，有效子载波个数为116，循环前缀的长度N_CP为N/4，符号间隔0.25μs。多普勒频率为900Hz，载波频率偏移位1KHz，OFDM符号采用BPSK调制，信道采用城市环境(TU)信道模型。训练序列后面跟着25个OFDM符号。信噪比设置为4-16dB。门限值设置为Th＝0.9。

本实施例中用到的训练序列的时域结构与SC算法中提出的相同，如附图1所示，训练序列的具体内容按照如下步骤产生：

1：选取训练序列的频域值为：

F＝[0 0-1 0-1 0-1 0-1 0-1 0-1 0-1 0 1 0 1 0-1 0 1 0 1 0 1 0 1 0 1 0-1 0-1 0-1 0-1 0 1 0 1 0 1 0 1 0-1 0-1 0 1 0 1 0 1 0-1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0-1 0-1 0 1 0-10-1 0-1 0 1 0-1 0 1 0 1 0-1 0 1 0-1 0-1 0 1 0 1 0 1 0-1 0 1 0 1 0 1 0-1 0 1 0-1 0 10-1 0 1 0]。对F归一化处理，使得有效子载波上的平均功率为1，即将F乘以归一化因子

2：由训练序列的频域值得到时域值：对进行IFFT运算得到训练序列的时域序列，为了保证时域与频域能量一致，将得到的时域序列乘以归一化因子最终得到的序列记作T，即为附图1中两个B级联的部分。

T＝[0.2500 -0.3490+0.0437i -0.6970-0.9694i -1.1761-0.4145i-0.3808-0.8921i 0.4204-1.0557i 0.9670+0.8320i 0.4718-0.0256i -0.7803-0.8536i 1.1242-0.3020i 0.3511+1.2303i-0.4240-0.9399i -0.1371-0.5475i -0.6635+0.0272i 0.0713-0.5307i 0.7629+1.0435i 1.0000-1.0000i 0.3955+0.3119i0.0371-0.3431i -1.0605-0.2520i -0.2164+0.6596i 0.4464-1.2384i 0.1938-0.4298i 0.5510+0.7979i 0.2803+0.1464i0.7323-0.8496i -0.8048-0.1210i -0.1678+0.0285i 0.7344-0.6850i -0.2035-1.3111i -0.1185-0.0746i -0.8603-0.6118i-1.2500 -0.8603+0.6118i -0.1185+0.0747i -0.2035+1.3111i0.7344+0.6850i -0.1678-0.0285i -0.8048+0.1210i 0.7324+0.8496i 0.2803-0.1464i 0.5510-0.7979i 0.1938+0.4298i0.4464+1.2384i -0.2164-0.6596i -1.0605+0.2520i 0.0371+0.3431i 0.3955-0.3119i 1.0000+1.0000i 0.7629-1.0435i0.0713+0.5307i -0.6635-0.0272i -0.1371+0.5475i -0.4240+0.9399i 0.3511-1.2303i 1.1242+0.3020i -0.7803+0.8536i0.4718+0.0256i 0.9670-0.8320i 0.4204+1.0557i -0.3808+0.8921i -1.1761+0.4145i -0.6970+0.9694i -0.3490-0.0437i0.2500 -0.3490+0.0437i -0.6970-0.9694i -1.1761-0.4145i-0.3808-0.8921i 0.4204-1.0557i 0.9670+0.8320i 0.4718-0.0256i -0.7803-0.8536i 1.1242-0.3020i 0.3511+1.2303i-0.4240-0.9399i -0.1371-0.5475i -0.6635+0.0272i 0.0713-0.5307i 0.7629+1.0435i 1.0000-1.0000i 0.3955+0.3119i0.0371-0.3431i -1.0605-0.2520i -0.2164+0.6596i 0.4464-1.2384i 0.1938-0.4298i 0.5510+0.7979i 0.2803+0.1464i0.7324-0.8496i -0.8048-0.1210i -0.1678+0.0285i 0.7344-0.6850i -0.2035-1.3111i -0.1185-0.0747i -0.8603-0.6118i-1.2500 -0.8603+0.6118i -0.1185+0.0747i -0.2035+1.3111i0.7344+0.6850i -0.1678-0.0285i -0.8048+0.1210i 0.7324+0.8496i 0.2803-0.1464i 0.5510-0.7979i 0.1938+0.4298i0.4464+1.2384i -0.2164-0.6596i -1.0605+0.2520i 0.0371+0.3431i 0.3955-0.3119i 1.0000+1.0000i 0.7629-1.0435i0.0713+0.5307i -0.6635-0.0272i -0.1371+0.5475i -0.4240+0.9399i 0.3511-1.2303i 1.1242+0.3020i -0.7803+0.8536i0.4718+0.0256i 0.9670-0.8320i 0.4204+1.0557i -0.3808+0.8921i -1.1761+0.4145i -0.6970+0.9694i -0.3490-0.0437i]。

下面开始针对上述训练序列进行符号粗同步运算：

步骤1：初始化d为1，即d＝1，初始化延迟处理的点数Delay。

步骤2：从接收到的数据序列R中选取以d为起点，长度为N的序列S，即S＝R(d：d+N-1)。

步骤3：计算序列S的噪声功率n(d)，n(d)的计算公式为$>n\left(d\right)=\frac{1}{N}\underset{i=1}{\overset{N/2}{\Sigma }}{|S\left(i\right)-S(i+N/2)|}^2.$>

步骤4：计算序列S的功率E(d)，E(d)的计算公式为

步骤5：计算序列S中有用信号的功率s(d)，s(d)的计算公式为s(d)＝E(d)-n(d)。

步骤6：计算序列S中时间判决变量snr(d)，snr(d)的计算公式为若d≥Delay，则进入步骤7；若d＜Delay，则更新d＝d+1，返回步骤2。

步骤7：计算最近保存下来的Delay个snr(d)中最先保存的N_CP个snr(d)的平均值Mean，Mean的计算公式为若Mean≥Th，则进入步骤8；若Mean＜Th，则更新d＝d+1，返回步骤2。

步骤8：找出最近保存下来的Delay个snr(d)中的最大值所对应的序号d_max，判定d_max为符号粗同步位置。

实现过程中，需要存储的snr(d)的个数是Delay，即延迟处理点数。Delay的值越大，需要的存储空间越大；Delay的值越小，需要的存储空间越小，但是Delay必须满足Delay≥2×N_CP。门限值Th的范围是0.1≤Th≤33。当Delay较小时，Th应该设置为较大的值，但都不应超过Th和Delay的范围。