基于DDST的信道估計(jì)與信號(hào)檢測(cè)

董磊 卿朝進(jìn) 余旺 蔡斌 杜艷紅

摘要：為提高信道估計(jì)與信號(hào)檢測(cè)的精度且不增加系統(tǒng)頻譜開(kāi)銷(xiāo)的情況下，在基于數(shù)據(jù)相關(guān)疊加訓(xùn)練序列方案（Data-Dependent Superimposed Training，DDST）中加入降噪處理。發(fā)送端將導(dǎo)頻與發(fā)送數(shù)據(jù)采用DDST方式疊加;接收端對(duì)估計(jì)的信道狀態(tài)信息（Channel State Information，CSI）進(jìn)行降噪處理，隨后進(jìn)行信號(hào)檢測(cè)。仿真結(jié)果表明，在DDST系統(tǒng)中加入降噪處理能有效改善信道估計(jì)精度，從而進(jìn)一步提高信號(hào)檢測(cè)性能。

關(guān)鍵詞：DDST;信道估計(jì);降噪;信號(hào)檢測(cè)

中圖分類號(hào)：TP393? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）23-0027-03

Abstract：To improve the accuracy of channel estimation and signal detection without increasing the spectrum overhead of the system， noise reduction is added to data-dependent superimposed training （DDST）.The pilot frequency and the transmitting data are superimposed by DDST at the sender. At the receiver， the estimated channel state information （CSI） is denoised， and then the signal is detected. The simulation results show that adding noise reduction to DDST system can effectively improve the channel estimation accuracy and further improve the signal detection performance.

Key words：DDST; channel estimation; noise reduction; signal detection

1 引言

第五代移動(dòng)通信（5th Generation Mobile Networks，5G）的到來(lái)使得頻譜利用率與傳輸速率要求增加[1，2]。然而，有限的頻譜資源造成了信號(hào)傳輸資源緊張，導(dǎo)頻輔助信道估計(jì)的方法占用大量的頻譜帶寬資源，導(dǎo)致頻譜利用率降低，傳輸速率不高[3]。為節(jié)省帶寬資源，疊加序列[4-7]方法被廣泛應(yīng)用于通信系統(tǒng)的信道估計(jì)、CSI反饋以及語(yǔ)音壓縮等領(lǐng)域。針對(duì)信道估計(jì)，將訓(xùn)練序列與傳輸數(shù)據(jù)進(jìn)行疊加的方式一直是通信系統(tǒng)中的一大研究熱點(diǎn)[8]。然而，傳統(tǒng)的疊加訓(xùn)練序列與傳輸數(shù)據(jù)進(jìn)行信道估計(jì)時(shí)，傳輸數(shù)據(jù)對(duì)訓(xùn)練序列造成干擾，使得信道估計(jì)的性能變差[9，10]。

為消除傳輸數(shù)據(jù)對(duì)疊加訓(xùn)練序列的干擾，基于數(shù)據(jù)相關(guān)的疊加訓(xùn)練序列（Data-Dependent Superimposed Training，DDST）的方法[7]及其改進(jìn)方法[11-13]被相繼提出。這些方法能夠消除訓(xùn)練序列對(duì)傳輸數(shù)據(jù)的影響，從而改善信道估計(jì)與符號(hào)檢測(cè)性能。本文在基于DDST的信道估計(jì)與符號(hào)檢測(cè)方法中引入信道狀態(tài)信息（Channel State Information，CSI）降噪處理，從而改善CSI估計(jì)精度并提升信號(hào)檢測(cè)性能。

本文中，粗體小寫(xiě)字母和大寫(xiě)字母分別表示向量和矩陣，如[x]和[X];斜體不加粗字母表示變量，如[N];[·T]、[·H]與[·?]分別表示矩陣轉(zhuǎn)置、共軛轉(zhuǎn)置與共軛;[F]表示傅里葉變換矩;[I]表示單位矩陣。

2 系統(tǒng)模型

接收機(jī)接收端接收到的信號(hào)表示為：

3 信道估計(jì)與符號(hào)檢測(cè)

針對(duì)DDST方法，本節(jié)首先在3.1小節(jié)中給出基于CSI降噪處理的LS信道估計(jì)方法。隨后，在3.2小節(jié)中給出基于迫零（Zero-Forcing，ZF）與最小均方誤差（Minimum Mean Square Error，MMSE）均衡的信號(hào)檢測(cè)方法。

3.1 信道估計(jì)

信道估計(jì)的流程如表1所示。

接收端在除去循環(huán)前綴后，采用頻域估計(jì)方法。首先將接收到的信號(hào)經(jīng)過(guò)離散傅里葉變換（DFT，Discrete Fourier Transform）到頻域，即[Y=FNy];隨后通過(guò)疊加訓(xùn)練序列對(duì)信道進(jìn)行LS估計(jì)。疊加訓(xùn)練序列變換在頻域?yàn)閇C=FNc]，由于在頻域?qū)ьl位置處的傳輸數(shù)據(jù)為0，經(jīng)過(guò)LS估計(jì)得到對(duì)應(yīng)頻點(diǎn)處的CSI為：

為改善CSI估計(jì)性能，對(duì)CSI進(jìn)行降噪處理。首先將估計(jì)到的頻域CSI做離散傅里葉反變換（IDFT，Inverse Discrete Fourier Transform）：

3.2 信號(hào)檢測(cè)

信號(hào)檢測(cè)的流程如表2所示。

4 數(shù)值仿真

在仿真實(shí)驗(yàn)中，數(shù)據(jù)幀長(zhǎng)[N=240]，調(diào)制方式采用QPSK，實(shí)驗(yàn)在信道路徑數(shù)為[L=8]與[L=12]下仿真，且每條路徑按照一定的幅度衰減，其衰減因子可以表示為[Ehl2=exp（-0.2l）]，仿真中設(shè)置疊加的功率因子[ρ=0.2]。由于存在無(wú)窮多個(gè)周期序列，其周期大小都相等，需要選用具有最小峰值平均功率比（PAR）的序列。所以在DDST方案中采用Chirp序列作為疊加序列，其表達(dá)式為：

圖1為DDST方案的LS信道估計(jì)結(jié)果。

圖1中，實(shí)虛線分別表示多徑條數(shù)為[L=8]與[L=12]條，可以看出在[SNR≥5dB]的時(shí)候，DDST方法的NMSE結(jié)果優(yōu)于傳統(tǒng)疊加方法。特別地，經(jīng)過(guò)DFT降噪后CSI估計(jì)獲得了最好的NMSE性能提升，如在[L=8]時(shí)，可以看出在[SNR=10dB]的時(shí)候，經(jīng)降噪后的NMSE小于未經(jīng)降噪的。

不失一般性，這里以BER進(jìn)行信號(hào)檢測(cè)性能對(duì)比，信號(hào)檢測(cè)性能如圖2所示。

圖2給出了在信道路徑數(shù)[L=8]時(shí)DDST方案中基于ZF與MMSE均衡的BER性能。從圖2中可以看出，無(wú)論是基于ZF還是MMSE均衡，經(jīng)過(guò)降噪提升的CSI精度，均帶來(lái)了檢測(cè)性能改善。例如，在[SNR=15dB]的時(shí)候無(wú)論是迭代0次還是3次，經(jīng)過(guò)DFT降噪過(guò)后的BER都比沒(méi)有降噪的BER更低。

5 結(jié)論

本文在DDST方案中引入DFT降噪處理，在節(jié)省帶寬資源開(kāi)銷(xiāo)的情況下，有效地改善了DDST的CSI估計(jì)精度?；贑SI估計(jì)精度的改善，從ZF與MMSE均衡兩個(gè)方面進(jìn)一步驗(yàn)證了檢測(cè)性能可以進(jìn)一步改善。本文方法可應(yīng)用與諸如5G的高頻譜效率需求的無(wú)線通信系統(tǒng)中。

參考文獻(xiàn)：

[1] 張文科.無(wú)線通信技術(shù)發(fā)展分析[J].科技創(chuàng)新與應(yīng)用，2016（12）：86.

[2] 僧書(shū)銘.淺析5G移動(dòng)通信的發(fā)展趨勢(shì)[J].科技創(chuàng)新與應(yīng)用，2015（29）：107.

[3] J. -. van de Beek， O. Edfors， M. Sandell， S. K. Wilson and P. O. Borjesson.On channel estimation in OFDM systems[C].1995 IEEE 45th Vehicular Technology Conference. Countdown to the Wireless Twenty-First Century， Chicago， IL， USA， 1995，2：815-819.

[4] Qing C J，Cai B，Yang Q Y，et al.ELM-based superimposed CSI feedback for FDD massive MIMO system[J].IEEE Access， 2020，8：53408-53418.

[5] Qing C J，Cai B，Yang Q Y，et al.Deep learning for CSI feedback based on superimposed coding[J].IEEE Access， 2019，7：93723-93733.

[6] 萬(wàn)東琴，卿朝進(jìn)，陽(yáng)慶瑤，等.疊加特征信息輔助的語(yǔ)音傳輸與重構(gòu)[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（15）：117-122，152.

[7] Ghogho M，McLernon D，Alameda-Hernandez E，et al.Channel estimation and symbol detection for block transmission using data-dependent superimposed training[J].IEEE Signal Processing Letters， 2005，12（3）：226-229.

[8] Estrada-Jimenez J C，Guzman B G，F(xiàn)ernandez-Getino Garcia M J，et al.Superimposed training-based channel estimation for MISO optical-OFDM VLC[J].IEEE Transactions on Vehicular Technology， 2019，68（6）：6161-6166.

[9] M. Ghogho and Ananthram Swami.Improved channel estimation using superimposed training[J].IEEE 5th Workshop on Signal Processing Advances in Wireless Communications， Lisbon， 2004：110-114.

[10] Zhou G，Viberg M，McKelvey T.A first-order statistical method for channel estimation[J].IEEE Signal Processing Letters，2003，10（3）：57-60.

[11] Chan K，Li C，Hung C，et al.A precoding scheme for eliminating data identification problem in single carrier system using data-dependent superimposed training[J].IEEE Access，2019，7：45930-45939.

[12] Dou G Q，Guo F L，Li C Y，et al.Constellation rotation and symbol detection for data-dependent superimposed training[J].Electronics Letters， 2014，50（25）：1939-1940.

[13] Zhang H，Sheng B.An enhanced partial-data superimposed training scheme for OFDM systems[J].IEEE Communications Letters， 2020：1.

【通聯(lián)編輯：代影】