根据采样点的选择估计信干噪比的方法及系统

摘要

一种根据采样点的选择估计信干噪比的方法及相应的处理系统。估计时间间隔中输入信号的信干噪比SINR的方法包括接收所述时间间隔内的所述输入信号的采样点以及使用均值计算(202，401)和方差计算(203，404)从接收的采样点确定所述SINR(204，405)。确定步骤包括从所述接收的采样点中选择一组采样点(201，402)，且仅使用选择的采样点组进行所述均值计算和/或所述方差计算(202，203，401，404)。

说明书

技术领域

本发明涉及数字信号处理，尤其涉及数字调制信号中的信干噪比(Signal to  Interference plus Noise Ratio，SINR)的估计。

背景技术

本发明的非限制应用针对无线通信领域，尤其是HSDPA(High Speed  Downlink Packet Access，高速下行分组接入)和3G标准。HSDPA是使下行 具有高数据吞吐量的标准。可通过链路自适应和使用用于FEC(Forward Error  Correction，前向纠错)的涡轮码(turbo code)实现。

链路自适应包括传输用的调制和编码率的自适应。基站进行下游链路的自 适应。其基于手机反馈报告给基站的CQI(Channel Quality Information，信 道质量信息)。CQI计算部分地基于手机所接收的导频序列的SINR估计。

FEC允许接收端检测和纠正错误而不需要向发送端请求附加数据。使用涡 轮码可以更好地检测和纠正。为了实现涡轮解码，移动电话使用众所周知的、 表达可信度并称为“软位”(soft bits)的变量。软位计算基于手机所接收的数据 序列的SINR估计。

因此，SINR估计扮演重要角色，正确的SINR估计使HSDPA链路的服务 质量好。

在现有技术中，提出了几种算法以估计SINR。

这些算法中的一种算法基于最大似然。根据星座中接收信号的位置，按照 最大似然确定发送数据的值。从这个值确定数据的振幅的平均值。然后，使用 基于导频序列的方差估计值确定SINR。

这些方法的普遍弊端是SINR的错误估计。鉴于前述内容，本文描述一种可 更好估计SINR而不明显增加复杂度的方法和系统。

发明内容

事实上提出一种仅根据选定数量的采样点进行估计的方法。特别地，为SINR 估计仅选择最可靠的采样点。

根据第一方面，提出一种用于估计时间间隔中输入信号的信干噪比(称为 SINR)的方法，该方法包括接收所述时间间隔内的所述输入信号的采样点，并 使用均值计算和方差计算从接收的采样点确定所述SINR。

根据一般特征，所述确定所述SINR的步骤包括从所述接收的采样点中选择 一组采样点以及仅使用选择的采样点组进行所述均值计算和/或所述方差计算。

仅保留最可靠的采样点，大幅度减小错误识别的概率，获得更好的SINR估 计。

在一实施方式中，所述输入信号为调制信号，且仅使用所述选择的采样点 组、从调制星座中所述采样点的位置获得的所述采样点的最大似然值和所传输 的参考采样点的已知序列进行所述均值计算和所述方差计算。

在另一实施方式中，重复进行选择步骤直到根据当前选择的采样点组所计 算的采样点的当前均值和根据在前选择的采样点组所计算的采样点的在前均值 之间的差值小于阈值。

在另一实施方式中，所述选择步骤包括去除受到码间干扰的采样点以获得 至少一组采样点，且所述方差计算基于以最小平方误差关于所述至少一组采样 点进行的曲线拟合。

关于一组的识别抑制了单个采样点的错误识别的问题，去除受到码间干扰 的采样点可降低噪声计算中干扰的影响，干扰会高估该计算。因此，曲线拟合 方法和选择可实现更准确的SINR估计。

优选地，用于曲线拟合的曲线为高斯型。

根据另一实施方式，使用所述方差计算的结果进行至少一组采样点的辅助 均值计算。

优选地，重复进行所述曲线拟合步骤和所述辅助均值计算，当前方差计算 使用在前辅助均值计算的结果。

根据另一方面，提出一种估计时间间隔中输入信号的信干噪比(称为SINR) 的装置，该装置包括：

接收部件，用于在所述时间间隔内接收所述输入信号的采样点；

处理部件，用于从接收的采样点确定SINR，所述处理部件包括用于进行均 值计算的第一计算部件和用于进行方差计算的第二计算部件。

根据该方面的一般特征，所述处理部件包括用于从所述接收的采样点中选 择一组采样点的选择部件，且所述第一计算部件和/或所述第二计算部件配置为 仅使用选择的采样点组。

在一实施方式中，所述输入信号为调制信号，且所述第一计算部件和第二 计算部件配置为使用所述选择的采样点组、从调制星座中所述采样点的位置获 得的所述采样点的最大似然值和所传输的参考采样点的已知序列。

在另一实施方式中，所述选择部件包括用于比较根据当前选择的采样点组 所计算的采样点的当前均值和根据在前选择的采样点组所计算的采样点的在前 均值的差值与阈值的比较部件以及用于激活所述选择部件直到所述差值小于所 述阈值的控制部件。

在另一实施方式中，所述选择部件配置为去除受到码间干扰的采样点以获 得至少一组采样点，且所述第二计算部件包括用于以最小平方误差来曲线拟合 所述至少一组采样点的部件。

根据另一实施方式，用于曲线拟合的部件配置为用高斯分布曲线来曲线拟 合所述至少一组采样点。

根据另一实施方式，所述处理部件包括使用所述第二计算部件所计算的方 差进行至少一组采样点的辅助均值计算的第三计算部件。

所述处理部件还包括用于重复激活进行曲线拟合的所述部件和所述第三计 算部件的控制部件。

根据另一方面，提供一种包括如上所定义的装置的无线设备。

附图说明

细阅非限制的实施方式和附图的详细描述，本发明的其它优势和特征将变 得明显，其中：

图1示出在HSDPA无线通信系统中应用于数字序列的惯用方法；

图2用图解法示出根据本发明的方法的第一实施方式；

图3用图解法示出根据本发明的装置的第一实施方式；

图4示出根据本发明的方法的另一实施方式；

图5和图6示出与图4的实施方式相关的结果；

图7示出根据本发明的装置的另一实施方式。

具体实施方式

图1示出根据HSDPA标准的无线通信系统中应用于所发送和接收的数字序 列的惯用方法。

众所周知，在连续帧中发送符号，每帧细分为几个时隙。每个时隙包含指 定数量的符号，每个符号包括预定数量的码片。

将导频序列p和每个用户s₁，s₂...，s_u(u为用户数量)的符号序列利用其 自身的扩频码进行扩频、叠加和加扰。信道表示为h，高斯白噪声表示为n。在 解扰和解扩之前使用均衡器w。在解扰和解扩之后接收的导频序列和接收的码 片序列分别称为r_p和r_d，1...r_d，u。因此，根据图1，接收的码片序列r_d，u的通用公式 可以写成：

在该公式中，用户u的第k个码片所对应的数据符号d_u[k]被用即时时 间“k”时的信道和均衡器的卷积的主抽头g_d[k+m]加权。前导干扰 (precursor)和后尾干扰(postcursor)ISI_d，u[k+m]提供建设性的码间干 扰，所述建设性的码间干扰作为有用项。然而，码间干扰的影响一般 忽略不计。考虑扩频因子SF＝16，实现针对码片k的信道和均衡器的 卷积。项表示滤波噪声和码间干扰。

一般来说，若干个码与一个用户相关。如果N_codes为分配给一个用户的码的 数量，且扩频因子为16，则每10个符号(一个时隙)的组包含10*16*N_codes个码片。

根据现有技术，在用于确定SINR的最大似然方法中，将接收码片进行如下 处理；以退旋转(derotation)过程为基础以便计算所述接收码片的振幅的平均 值

r_derot[k]＝r_d[k]·r_ref^*[k]

$r_{\mathrm{ref}}\left[k\right]\in \{(1+j)/\sqrt{2};(1-j)/\sqrt{2};(-1+j)/\sqrt{2};(-1-j)/\sqrt{2}\}$

$\bar{A}=\frac{1}{160N_{\mathrm{codes}}}\underset{k=1}{\overset{160N_{\mathrm{codes}}}{\Sigma }}A\left[k\right]$

其中，

-r_d[k]为与用户d相关的接收码片k的振幅；

-r_ref[k]对应r_d[k]的最大似然值，r_ref[k]的值从硬判决获得且取决于 接收信号所属的象限。换句话说，值r_ref[k]对应星座中r_d[k]的位置；

-^*为共轭复数；

-Re{}为实部运算符；

为对160xN_codes个码片所计算的A[k]的均值。

然后可通过均值的平方与涉及所述均值和导频序列的方差值的比来计 算SINR。对于一个时隙，利用最大似然确定的SINR可以根据如下公式计算：

${\mathrm{SINR}}_{\mathrm{ML}}=\frac{{\bar{A}}^2}{\frac{1}{160N_{\mathrm{codes}}}\underset{k=1}{\overset{160N_{\mathrm{codes}}}{\Sigma }}{\left|r_p\right[k]-\bar{A}·p[k\left]\right|}^2}---\left(3\right)$

其中：

-p[k]为导频序列的发送码片；

-r_p[k]为导频序列的接收码片。

该方法的问题在于过高估计SINR，尤其是在低SINR的区域中。最大似然 法是有偏差的，因为基于最大似然确定的一个采样码片可能是错误的。为了克 服该问题，提出了一种改进的最大似然法，该方法仅基于选定数量的采样点， 更确切地说是最可靠的采样点。

图2示出该改进的似然法的实施方式。

事实上，仅根据选定的一组采样点B_sel计算上文(2)中所提及的均值。这 里，在160xN_codes个符号的退旋转之后重复获得B_sel(步骤201)。更确切地说， B_sel，n表示在重复n次时当前所选择的采样点组。B_sel的采样点描述如 下：

B_sel，n＝{A[k]，k使得|r_p[k]-a_n-1|²≤r_n-1²}      (4)

其中，r_p[k]为导频序列的接收码片，上文(2)已定义A[k]，a_n-1为 A[k]∈B_sel，n-1的均值，a_n-1定义如下：

$a_{n-1}=\frac{1}{N_{\mathrm{sel}}}\underset{B_{\mathrm{sel},n-1}}{\Sigma }A\left[k\right]$且$r_{n-1}=\frac{a_{n-1}}{2}---\left(5\right)$

且N_sel为在前的组B_sel，n-1中采样点的数量。

在复平面中，所选择的采样点位于中心在a_n且半径为r_n的圆上。在初始化 步骤中，考虑全部采样点A[k]。该选择易于实现且可选择接近均值的噪 声影响小的采样点。

继续进行重复，直到差值Δ＝a_n-a_n-1低于预定义的阈值δ。对于δ＝0.01， 要达到所要求的阈值，只需进行一次或两次重复。

然后，进行均值计算的步骤202。可按如下公式计算选择的采样点组B_sel的均值：${\bar{A}}_{\mathrm{sel}}=\frac{1}{N_{\mathrm{sel}}}\underset{B_{\mathrm{sel}}}{\Sigma }A\left[k\right].$

还表示信道的衰减系数。最后，进行方差计算的步骤203。可 按如下公式计算方差：$\frac{1}{160N_{\mathrm{codes}}}\underset{k=1}{\overset{160N_{\mathrm{codes}}}{\Sigma }}{\left|r_p\right[k]-{\bar{A}}_{\mathrm{sel}}·p[k\left]\right|}^2.$

然后，可按如下比很容易地计算一个时隙的SINR：

${\mathrm{SINR}}_{\mathrm{MML}}=\frac{{\left({\bar{A}}_{\mathrm{sel}}\right)}^2}{\frac{1}{160N_{\mathrm{codes}}}\underset{k=1}{\overset{160N_{\mathrm{codes}}}{\Sigma }}{\left|r_p\right[k]-{\bar{A}}_{\mathrm{sel}}·p[k\left]\right|}^2}---\left(6\right)$

换句话说，相比于根据现有技术的最大似然(Maximum Likelihood， ML)法，该改进的最大似然(Modified Maximum Likelihood，MML) 法使SINR估计更准确。该方法包括在最大似然处理之前增加的选择 步骤。基于重复过程易于计算该选择(选择公式(4))。

图3概略地示出一种无线设备，该设备包括能实施根据本发明的 改进的最大似然法的装置。该设备常规地包括天线309、模拟级310 和数字级320。所述天线可以发送和/或接收模拟调制信号。所述模拟 级包括用于模拟调制和模拟解调的常规部件。

例如，所述数字级包括基带处理器321。所述数字级包括用于估计 信干噪比的装置322。可通过所述基带处理器中的软件模块实现该装置。

所述装置包括用于接收输入信号的数字采样点的接收部件。所述装置还包 括用于从所述接收的采样点确定SINR的处理部件323。所述处理部件323包括 用于从所述接收的采样点中选择一组采样点的选择部件324、用于进行均值计算 的第一计算部件325和用于进行方差计算的第二计算部件326。所述第一计算部 件和/或所述第二计算部件配置为仅使用选择的采样点组。

根据一个实施方式，第一计算部件和/或所述第二计算部件使用所述选择的 采样点组的最大似然值。从调制星座中采样点的位置获得最大似然值。利用最 大似然值和所发送的参考采样点的已知序列，所述第一计算部件和/或所述第二 计算部件可计算所述选择的采样点组的方差和均值。

所述选择部件可以包括比较部件327。所述选择部件还可以包括用于重复激 活所述比较部件的控制部件328。每次选择时，所述比较部件327将根据当前选 择的采样点组所计算的采样点的当前均值和根据在前选择的采样点组所计算的 采样点的在前均值的差值与阈值进行比较。所述控制部件328重复该选择直到 所述差值小于所述阈值。

可通过所述基带处理器中的软件模块实现上文所描述的处理部件和几 个部件。

关于传统的ML法的另一SINR计算的改进基于曲线拟合，下面对 此进行描述。

曲线拟合包括利用参考曲线确定接收的采样点的概率密度函数。 出于示例性的目的，选择高斯型曲线作为将要拟合的参考曲线，但是 也可使用另一参考曲线。概率密度函数的曲线拟合确定可以基于最小 均方误差。

在该方法中，根据第一个优势，因为曲线拟合提出确定一组采样点的概 率密度函数，所以一个采样点的最大似然识别出现错误的风险降低。

根据第二个优势，因为只选择受干扰影响小的接收的采样点进行曲 线拟合，所以计算出的SINR更准确。

这里，根据曲线拟合的SINR的计算适用于2-PAM(包含仅具有两 级振幅的信号的映射的脉冲振幅调制)的情况。可从2-PAM传输的 SINR的计算中扣除用在HSDPA中的QPSK传输的SINR。实际上， QPSK调制可以看作为两个PAM调制(一个对实部，另一个对虚部) 的级联。普通的技术人员可将本文所公开的方法推广到任意QAM调 制传输的SINR计算。

为了能快速扣除QPSK的SINR，2-PAM(脉冲振幅调制)接收的 采样点为双倍数量的采样点。令

y(ts)＝(y[1]，y[2]，...，y[k]，...y[2·160·N_user])，k＝1，2，...2·160·N_codes

为表示r_d[k]在时隙ts时的所有实部和虚部的矢量。每个采样点y[k]对应2-PAM 中所用的两级中的一级的接收振幅。

图4示出该方法的流程图。概括地说，该方法包括均值计算步骤、 两组采样点的选择步骤、以及然后确定这些组采样点的概率密度函数。 随后，通过具有高斯分布的曲线拟合确定该概率密度函数，确定所述 高斯分布的均值和均方误差。该确定实现采样点y[k]的SINR的计算。

可仅利用一个选择的组的采样点进行SINR的计算，无论该选择的 组是什么，或利用两个选择的组的采样点，因此增加采样点的数量。

现在将参照图4、图5和图6描述仅使用两个选择的组中的一组进 行SINR计算的示例。

首先，粗略估计时隙ts上接收的采样点的均值(步骤401)。通过 简单地对时隙ts的所有采样点y[k](码片)的绝对值求均值来估计均 值m₀(ts)：

$m_0\left(\mathrm{ts}\right)=\frac{{\Sigma }_{i=1}^{320N_{\mathrm{codes}}}\left|y\right[k\left]\right|}{320N_{\mathrm{codes}}}---\left(7\right)$

然后，进行采样点的选择(402)。为此，按照如下公式选择元素：

因此产生两个组：

-第一组采样点，振幅大于θ，即y[k]＞θ；

-第二组采样点，振幅小于-θ，即y[k]＜-θ。

这两个组中每组对应之后图5所示的“更可靠的”组。

该选择使SINR的估计更准确。实际上，干扰对这两个选择的组中 的一组的采样点影响小。因此，在SINR的估计中，最小化干扰的影 响。

现在，作为示例，选择这些组中的一组用于SINR的计算。之后将 进行更详细地说明，该方法的目标在于找到最拟合该组采样点的概率 密度函数的高斯型曲线。然后，该组采样点的方差将为找到的高斯曲 线的方差。下面将进行详细描述。

将该选择的组的采样点绘制在直方图上，在所述直方图中，横轴对应采样 点的振幅，纵轴对应事件的数量。

然后将该组采样点的直方图切分成几个区间C_i＝[s_i，s_i+1]＝[θ+(i-1)·Δ；θ+i·Δ]，

其中，其中N_bins为区间的数量，例如10。

然后，可通过计算有多少个采样点属于每个区间C_i来计算实验的概率密度 函数。这称为zi，即

$z_i=\frac{\underset{k=1}{\overset{320N_{\mathrm{codes}}}{\Sigma }}1\{y\left[k\right]\in C_i\}}{320N_{\mathrm{codes}}}---\left(9\right)$

其中，1{.}为指示函数，如果括号内的条件成立，则等于1，否则 等于0。该运算提供N_bins个实验点。

下面描述步骤403的利用最拟合这些实验点的高斯概率密度函数进行的确 定。

由于已粗略估计均值，因此需要计算的唯一参数就是高斯型曲线的均方(方 差的平方根)。

通过如下公式给出实验的密度函数和待确定的高斯型曲线之间的均方误差：

$J=\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{[z_i-\mathrm{Pr}\left(y\right[k]\in C_i)]}^2$

$=\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{[z_i-Q\left(\frac{s_i}{\sqrt{{\sigma }^2}}\right)+Q\left(\frac{s_{i+1}}{\sqrt{{\sigma }^2}}\right)]}^2$

$=\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{[z_i-Q\left(\frac{s_i}{\sqrt{{\sigma }^2}}\right)+Q\left(\frac{s_{i+1}}{\sqrt{{\sigma }^2}}\right)]}^2---\left(10\right)$

$=\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{[z_i-Q\left(\frac{\theta +(i-1)\Delta -m_0}{\sqrt{{\sigma }^2}}\right)+Q\left(\frac{\theta +\mathrm{i\Delta }-m_0}{\sqrt{{\sigma }^2}}\right)]}^2$

J为需要最小化的度量值。根据σ²的最小值需要验证如下方程式 该等式为：

$\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}[z_i-Q\left(\frac{\theta +(i-1)\Delta -m_0}{\sqrt{{\sigma }^2}}\right)+Q\left(\frac{\theta +\mathrm{i\Delta }-m_0}{\sqrt{{\sigma }^2}}\right)]·[f(i,{\sigma }^2)-f(i-1,{\sigma }^2)]=0---\left(11\right)$

其中$f(i,{\sigma }^2)=(\theta +\mathrm{i\Delta }-m_0)e^{(-\frac{{(\theta +\mathrm{i\Delta }-m_0)}^2}{2{\sigma }^2})}$

由于Q(.)函数可以接近指数函数，因此可以把该方程式计算最 复杂的部分制成表格，建立查阅表以减小复杂度。通过对该方程式求 解，可以找到最拟合实验的概率密度函数的高斯概率密度函数的方差 σ_est²。

因此，该组的接收的采样点y[k]的估计方差对应σ_est²(404)。

所选择的采样点的均值的可选的另一计算是可以的。该新的均值计算比粗 略计算更精确。该计算使用估计方差σ_est²。可通过计算如下等式求得：

$\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{C}_i=Q\left(\frac{\theta -m_1}{\sqrt{{\sigma }_{\mathrm{est}}^2}}\right)\Rightarrow m_1\left(\mathrm{ts}\right)=\theta -\sqrt{{\sigma }_{\mathrm{est}}^2}{Q}^{-1}\left(\underset{i=1}{\overset{N_{\mathrm{bins}}}{\Sigma }}{C}_i\right)---\left(12\right)$

如上所述，可预先计算Q函数的倒数，并存储在查阅表中。

如图4中虚线所示，可重复进行步骤403和步骤404。重复次数取决于SINR 计算所要求的精度和重复计算时间之间的折中。

最后，可从这些计算中获得SINR(405)。每个TTI(Transmission Time  Interval，传输时间间隔)(1个TTI＝3个HSDPA时隙)计算SINR。每个TTI 持续2ms。这可以产生该时间段期间的SINR的均值。在最后的三个时隙上，按 照如下公式计算时隙ts的SINR：

$\mathrm{SINR}\left[\mathrm{ts}\right]=\frac{{m1}^2[\mathrm{ts}-2]+{m1}^2[\mathrm{ts}-1]+{m1}^2\left[\mathrm{ts}\right]}{{{\sigma }^2}_{\mathrm{est}}\left(\mathrm{ts}\right)}---\left(13\right).$

换句话说，通过易于计算选择公式(8)的选择步骤，SINR估计更准确， 在其他的方法中，曲线拟合方法具有最佳性能，如下文将描述的。

图5和图6示出曲线拟合方法的结果的示例。

在图5中，示出具有低SINR(10dB)的2-PAM接收信号的实验的仿真直 方图。

图5中，0值附近区域中的采样点被严重的码间干扰所影响。因此很难确定 接收的采样点所对应的符号的值。

为了避免这个有问题的区域，上文所描述的选择(8)能区分三个区域。这 三个区域可命名为：更可靠采样点、较不可靠采样点和更可靠采样点。如前所 述，所述曲线拟合方法仅使用在命名为“更可靠采样点”的两组中至少一组中 选择的采样点。

在图6中，描绘了三条曲线，每条曲线对应不同的SINR估计或计算。

-曲线C1对应所计算的参考SINR。

可根据如下公式计算所述参考SINR：

数据符号d_l[k]提供数据的主要有用部分，所述数据符号d_l[k]针对每个码 片k被信道和均衡器的卷积的主抽头g_d[k+m]加权。将前导干扰和后尾 干扰ISI_d，u[k+m]所提供的建设性的码间干扰作为有用项。然而，该影响 一般忽略不计。

其他用户的码间干扰和滤波噪声提供失真。

在一个时隙中平均SINR的计算式：

为了简便，将160*N_codes个发送码片中的每个发送码片称为d[k]，接收数 据为r_d[k]。则可将SINR_ref写为：

${\mathrm{SINR}}_{\mathrm{ref}}=\frac{1}{160·N_{\mathrm{codes}}}\underset{k=1}{\overset{160·N_{\mathrm{codes}}}{\Sigma }}\frac{{\left(A\right[k\left]\right)}^2}{{\left(r_d\right[k]-A[k\left]d\right[k\left]\right)}^2}---\left(16\right)$

-曲线C2对应使用上文所描述的曲线拟合方法估计的SINR，该曲线拟合 方法在图5的虚线框(dotted loop)中仅重复一次。

-曲线C3对应使用传统的ML(最大似然)法估计的SINR。

仿真条件如下：

VA 30、Ior/Ioc＝10dB、Ec/Ior＝-6dB以及N_codes＝5，其中，

-VA 30对应以30km/h移动的车的无线信道，

-Ior/Ioc为表示从同步基站和干扰基站接收的能量之间的除法的 因子，

-Ec/Ior为表示信息的能量和从同步基站接收的能量之间的除法的因 子，

如图所示，使用选择算法的曲线拟合示出最佳性能，即相对参考SINR具有 最小的NMSE(Normalized Mean Square Error，归一化均方误差)。

换句话说，从曲线拟合方法(在图5的虚线框(dotted loop)中仅重复一次) 所计算的SINR最接近参考SINR。也不会过高估计该SINR。

图7用图表示出包括装置722的无线设备，所述装置722可根据上述方法 进行曲线拟合过程。该装置也可以软件方式纳入图3的无线设备的基带处理器 中。该装置包括用于使用曲线拟合确定SINR的处理部件723。

所述处理部件723包括用于从接收部件选择一组采样点的选择部件724、用 于进行均值计算的第一计算部件725和用于进行方差计算的第二计算部件726。

所述第一计算部件725和/或所述第二计算部件726配置为仅使用从所述选 择部件724选择的采样点组。

在一个实施方式中，所述选择部件724可配置为去除受到码间干扰的采样 点以获得至少一组采样点。则所述第二计算部件726可包括用于以最小平方误 差来曲线拟合所述至少一组采样点的部件727。

优选地，用于曲线拟合的部件727可配置为用高斯分布曲线拟合所述至少 一组采样点。

根据另一实施方式，所述处理部件723可包括用于进行所述至少一组采样 点的辅助均值计算的第三计算部件728。使用所述第二计算部件726所计算的方 差进行该计算。

最后，所述处理部件723可以还包括用于重复激活进行曲线拟合的部件727 和所述第三计算部件728的控制部件729。

可通过所述基带处理器中的软件模块实现上述装置、所包括的处理部 件和其它部件。