OFDM信道估計論文(IP大作業(yè))概要

1、OFDM信道估計算法研究摘要一正交頻分復用(OFDM,OrthogonalFrequencyDivisionMultiplexing)技術是一種無線環(huán)境下的高速多載波傳輸技術，它通過將頻率選擇性衰落信道在頻域內(nèi)轉(zhuǎn)換成平坦信道，從而減少多徑影響，成為第四代(4G)移動通信系統(tǒng)的核心技術。信道估計技術是OFDM系統(tǒng)的研究熱點之一。信道估計算法大致可分為基于導頻的信道估計和盲估計。文中研究了LS和MMSE基于導頻的信道估計算法，并對兩種算法進行了分析和性能比較。止匕外，還研究了不同的插值算法對OFDM系統(tǒng)的誤碼性能影響。仿真結果表明MMSE算法較LS算法可以更加準確的跟蹤信道的變化，從而保證更加準確

2、地估計出信道信息，而高階的插值算法能有效提高系統(tǒng)誤碼性能。ABSTRACTOFDMisaneffectivetechniqueforhigh-ratemulti-carrierwirelesstransmissionsystem.Itreducestheeffectsofthemulti-pathfadingbyconvertingafrequency-selectivechannelintoaparallelcollectionoffrequencyflatsub-channels.AndOFDMisthekeytechniqueofthefourthgenerationofcommunic

3、ations.Channelestimationhasattractedwidespreadattention.Therearetwoestimationtechniques:pilot-aidedandblindchannelestimation.Differentpilot-aidedchannelestimationsLSandMMSEinOFDMsystemsispresentedandanalyzedinthispaper.Inaddition,theperformanceoftheSERispresentedindifferentinterpolationalgorithms.Th

4、esimulationresultsshowthatMMSEoutperformsLSandhigh-orderinterpolationalgorithmcanimprovethesystemperformance.1引言未來的無線多媒體業(yè)務要求數(shù)據(jù)傳輸速率較高，同時又要求保證質(zhì)量，這就要求所采用的調(diào)制解調(diào)技術既要有較高的信元速率，又要有較長的碼元周期?；谶@樣的考慮，產(chǎn)生了OFDM技術1。OFDM的主要思想是：將信道分成若干正交子信道，將高速數(shù)據(jù)信號合成并行的低速子數(shù)據(jù)流，調(diào)制到每個子信道上進行傳輸，有效地抵抗無線移動環(huán)境中的頻率選擇性衰落，減少多徑的影響2。然而要想完全實現(xiàn)OFDM技術所

5、帶來的性能的提高，還需要進行相關技術的實現(xiàn)，而信道估計就是其中之一網(wǎng)。信道估計是通信領域的一個研究熱點，它是進行相關檢測，解調(diào)，均衡的基礎。由于OFDM多載波的出現(xiàn)，這位信道技術應用提供了新的空間。從最早的無分集的單載波信道估計到現(xiàn)在有分集的多載波信道估計，從時域或頻域信道估計到現(xiàn)在的時頻域二維估計，信道估計的性能在不斷提高。本文就基于導頻的信道估計做了詳細的闡釋，給出了典型估計方法LS和MMSE的比較和仿真。在此基礎上，研究了不同差值算法對系統(tǒng)誤碼性能的影響，并得出相關結論。2信道估計原理及方法信道估計從大的角度可以分為基于導頻的信道估計和盲估計。所謂的非盲估計指在估計階段首先利用導頻來獲得

6、導頻位置的信道信息，然后為下面獲得整個數(shù)據(jù)傳輸階段的信道信息做好準備；盲估計是指在不使用導頻信息，通過使用相應信息處理技術獲得信道的估計值。與基于導頻的信道估計技術相比，盲信道估計使系統(tǒng)的傳輸效率大大提高，然而由于盲信道估計算法一般收斂速度較慢，這阻礙了它在實際系統(tǒng)中的應用。在基于OFDM的無線通信系統(tǒng)中，由于傳輸速率較高，并且使用相干檢測技術獲得較高的性能，因而通常使用非盲估計便可獲得較好的估計效果，這樣可以更好的跟蹤無線信道的變化，提高接收機的性能?；趯ьl的信道估計是指在數(shù)據(jù)發(fā)射時，將收發(fā)雙方已知的導頻符號離散的安插在有效數(shù)據(jù)之中，從時域和頻域這一二維結構看去，只要在兩個方向的導頻密度滿

7、足采樣定理，就可以精確估計信道的時變和衰落特性。利用導頻進行信道估計的一大優(yōu)點就是能夠適應快衰落信道。2.1 OFDM導頻結構根據(jù)導頻排列的不同，導頻結構可以分為三種：塊狀類型、梳狀類型和格狀類型4。2.1.1 塊狀類型圖2.1所示為塊狀類型的導頻排列。在這種類型中，周期性地發(fā)射OFDM符號以進行信道估計，其中每個導頻符號上的所有子載波都用做導頻。利用這些導頻進行時域插值，沿時間軸估計信道，令St表示導頻符號的周期。為跟蹤時變信道特性，導頻插入周期必須與相干時間保持一致，導頻符號的周期必須滿足：-1St（2-1）fDoppler其中，fDoppler為多普勒頻移。&-u01nb9JIUL1 0

8、Fooc ooc ooc ooc ooc ooc OOO OOC OOO ooo ooc ooc ooc oocAdu 巾 tlaJLL CGCCCCCCCCCCCC 。00。0 OOOOOOOOOOOOOO 。0。0。 OOOOOQOOOOOOOO J 。0。 00000000000000 OOOOOOOOOOOOOO irooooooo OOOOOO OOOOOOOOOOOOOO OOOOO0OOOOOOOO 00。 g OOOOOOOOOOOOOO m oooooooeoooo SyOOOOOOOOOOOOOOoooooooooooooe OOOOOOOOOOOOOO ooooooooo

9、oooo* OOOOOOOOOOOOOO ooooooooooooo* OOOOOOOOOOOOOO ooooooooooooo* oooooooooooo oooooooooooooe ooooooooooooo0 0 00。： OOOOOOOOQOOOO 000*0000000000 01OOOOOOOOOOOOOO 由 oco00000*cooQo Syooo-o0oloololo;. M 一。D。0。0。0。 OFoooooooooooooe 1 ccooooocococoTime圖2.1塊狀類型的導頻排列圖2.2梳狀類型的導頻排列圖由于導頻是周期性地插入導頻符號所有的子載波中，所以塊

10、狀導頻的排列適用于頻率選擇性信道，而不適用于快衰落信道。2.1.2 梳狀類型圖2.2所示為梳狀類型的導頻排列。在這種類型中，在每個OFDM符號的子載波上周期性地放置導頻信號，然后利用這些導頻信號進行頻域插值，沿頻率軸進行信道估計。令Sf為導頻在頻率上的周期。為了跟蹤頻率選擇性信道的特性，放置的導頻符號的頻率必須與相干帶寬保持一致。以進行信道估計，其中每個導頻符號上的所有子載波都用做導頻。利用這些導頻進行時域插值，沿時間軸估計信道，令Sf表示導頻符號的周期。為跟蹤時變信道特性，導頻插入周期必須與相干時間保持一致，導頻符號的周期必須滿足：1Sf-（2-2）二max其中仃max為最大時延擴展。與塊狀

11、類型的導頻排列不同，梳狀類型的導頻排列適用于快衰落信道，而不是頻率選擇性信道。2.1.3 格狀類型圖2.3所示為格狀類型的導頻排列。在這種類型中，以給定的周期沿時間軸和頻率軸兩個方向插入導頻。導頻分散在時間和頻率軸上，使信道估計在時域和頻域上的差值更為便利。令St和Sf分別表示導頻符號在時間和頻率上的周期。為了跟蹤信道的時變和頻率選擇特性，導頻符號的排列必須同時滿足：St fDoppler和Sf=0.5)d(i)=+1；elsed(i)=-1；endendfori=1:64X(i,i)=d(i);end%計算矩陣G(信道矩陣)tau=0.53.5;%Thefractionallyspacedt

12、aps.%GenerationoftheGmatrix.fork=1:64s=0;form=1:2s=s+(exp(-j*pi*(1/64)*(k+63*tau(m)*(sin(pi*tau(m)/sin(pi*(1/64)*(tau(m)-k);%Gothroughtheabovecitedpaperforthetheorybehindtheformulaendg(k)=s/sqrt(64);endG=g;%Thus,thechannelvectorisevaluated.H=fft(G);%Inthefreqdomain.u=rand(64,64);F=fft(u)*inv(u);%Fis

13、thetwiddlefactormatrix.%Evaluationoftheautocovariancematrix(自協(xié)方差矩陣)ofG-Rgg%gg=zeros(64,64);fori=1:64gg(i,i)=G(i);endgg_myu=sum(gg,1)/64;gg_mid=gg-gg_myu(ones(64,1),:);sum_gg_mid=sum(gg_mid,1);Rgg=(gg_mid*gg_mid-(sum_gg_mid*sum_gg_mid)/64)/(64-1);%Runningforadozentrialstotryandaverageouttheresults.fo

14、rm=1:12forn=1:5SNR_send=2*n;XFG=X*H;n1=ones(64,1);n1=n1*0.000000000000000001i;%Justtoensurethatthefunctionawgnaddscomplexgaussiannoise.noise=awgn(n1,SNR_send);variance=var(noise);N=fft(noise);Y=XFG+N;%EvaluatingthemeansquarederrorfortheLSestimator.mean_squared_error_ls=LS_MSE_calc(X,H,Y);%Evaluating

15、themeansquarederrorfortheMMSEestimator.mean_squared_error_mmse=MMSE_MSE_calc(X,H,Y,Rgg,variance);SNR(n)=SNR_send;mmse_mse(m,n)=mean_squared_error_mmse;ls_mse(m,n)=mean_squared_error_ls;end;end;ls_msemmse_msemmse_mse_ave=mean(mmse_mse);ls_mse_ave=mean(ls_mse);%乍圖：semilogy(SNR,mmse_mse_ave,-r*);holdon

16、;semilogy(SNR,ls_mse_ave,-b*);gridon;xlabel(SNR(dB);ylabel(MSE-?u?o2?);legend(mmse-mse-ave,ls-mse-ave);title(SNRandsquareMSEforanOFDMsystemwithMMSE/LSestimator);(2)對比SER仿真代碼：clc;clearall;%Generationofanaivetrainingsequence.%AssumingBPSKmodulation.symbols:+1/-1X=zeros(64,64);d=rand(64,1);fori=1:64if(

17、d(i)=0.5)d(i)=+1;elsed(i)=-1;endendfori=1:64X(i,i)=d(i);end%CalculationofGThechannelMatrix%Thechannnelis.tau=0.5 3.5;%Generation of the G matrix.for k=1:64%The fractionally spaced taps.s=0;form=1:2s=s+(exp(-j*pi*(1/64)*(k+63*tau(m)*(sin(pi*tau(m)/sin(pi*(1/64)*(tau(m)-k);%Gothroughtheabovecitedpaper

18、forthetheorybehindtheformulaendg(k)=s/sqrt(64);endG=g;%Thus,thechannelvectorisevaluated.H=fft(G);%Inthefreqdomain.XFG=X*H;n1=ones(64,1);n1=n1*0.000000000000000001i;%Justtoensurethatthefunctionawgnaddscomplexgaussiannoise.noise=awgn(n1,8);%Assumingthechannellearningishappeningat8db.variance=var(noise

19、);N=fft(noise);Y=XFG+N;%EvaluationoftheautocovariancematrixofG-Rgg%gg=zeros(64,64);fori=1:64gg(i,i)=G(i);endgg_myu=sum(gg,1)/64;gg_mid=gg-gg_myu(ones(64,1),:);sum_gg_mid=sum(gg_mid,1);Rgg=(gg_mid*gg_mid-(sum_gg_mid*sum_gg_mid)/64)/(64-1);%OK.Nowthatwehavetheingredientsready,letsmoveonandevaluatethee

20、stimatedchannelsbytheuseoftheLSandtheMMSEalgorithms.%EVALUATIONOFHls%Hmmse=inv(X)*Y;%H_ls=(inv(X)*Y;Hls=zeros(64,64);fori=1:64Hls(i,i)=H_ls(i);end%EVALUATIONOFHmmse%Hmmse=F*Rgg*inv(Rgy)*Y;%u=rand(64,64);F=fft(u)*inv(u);%The64X64twiddlefactormatrix.I=eye(64,64);Rgy=Rgg*F*X;Ryy=X*F*Rgg*F*X+variance*I;

21、fori=1:64yy(i,i尸丫(i)；endGmmse=Rgy*inv(Ryy)*Y;H_mmse=fft(Gmmse);fori=1:64Hmmse(i,i)=H_mmse(i);end%Fine.thechannelshavebeenestimated,nowisthetimeforrealtimesimulations.forn=1:6SNR_send=2*n;error_count_ls=0;%Cleartheerror_count.error_count_mmse=0;%Cleartheerror_count.%Sendingaround1000datavectorsthroug

22、hthechannel%Roughlylike1000simulationsperSNRreading.forc=1:1000%GenerateRandomDatai/pmatrix.X=zeros(64,64);d=rand(64,1);fori=1:64if(d(i)=0.5)d(i)=+1;elsed(i)=-1;endendfori=1:64X(i,i)=d(i);endXFG=X*H;%Letitgothroughtheactualchannel.n1=ones(64,1);n1=n1*0.000000000000000001i;%Justtoensurethatthefunctionawgnaddscomplexgaussiannoise.noise=awgn(n1,SNR_send);variance=var(noise);N=fft(noise);Y=XFG+N;%o/pgotbythereceiver.%