基于MIMO-OFDM系统新的迭代信道估计算法研究

［陈发堂 易润 黄菲］

基于MIMO-OFDM系统新的迭代信道估计算法研究

［陈发堂 易润 黄菲］

论文基于改进型QR分解检测算法基础上主要提出了一种多天线下迭代的联合信道估计和信号检测算法，通过当前符号经过信号检测出的信号进行下一个符号的信道估计，充分的利用信道估计值和信号检测符号之间的交互信息，在MIMO空分复用的模式下，有效地消除了符号间干扰和载波间干扰，提高可靠性。在较低算法复杂度下提高了信道估计和信号检测的准确度。根据仿真结果显示，采用改进型QR分解算法优于除了ML算法以外的算法；在BER为时迭代算法优于传统算法2db，这种新的联合迭代信道估计算法对比传统算法性能有了显著的提升。

MIMO-OFDM 迭代信道估计 交互信息 可靠性

陈发堂

重庆邮电大学，研究员，硕士生导师，主要研究方向：物理层算法研究及软件开发。

易 润

重庆邮电大学硕士研究生，研究方向为LTE-A物理层算法及FPGA实现。

黄 菲

重庆邮电大学硕士研究生，研究方向为LTE-A物理层算法及DSP实现

引言

在移动通信网络（例如第四代移动网络，Wimax），MIMO-OFDM是最关键的技术之一。MIMO-OFDM系统结合了多天线收发技术和正交频分复用两大关键技术。此系统采用空间复用技术，不仅有更好的系统容量和数据传输速率，还有很好的抗多径衰落的能力，而且又能够通过空时分集和正交频分复用提高可靠性和频谱利用率［1，2］。

在MIMO-OFDM中常用的信道估计算法主要有LS（最小二乘）信道估计算法和基于LMMSE准则的信道估计算法，然后进行线性插值算法。系统采用导频辅助的估计算法，先对导频位置进行信道估计，再进行线性插值和临近插值处理得到整个信道的频率响应H。线性信号检测算法主要有迫零算法（ZF）、LMMSE算法以及ML算法。非线性检测算法主要指V-BLAST算法、QR分解算法和相关改进算法［3，4，5］。文献［6］提出了一种单天线情况下LS 和ZF算法的迭代运算，但不适用于多天线的情况。本文是基于改进的QR分解信号检测算法进行迭代。

本文采用基于改进型QR信号检测算法和LS算法，提出了一种基于空分复用模式下多天线联合迭代信道估计和信号检测算法。新的算法能够更好的利用信道估计值和信号检测之间的软信息和交互信息［7］。其次，在QR分解信号检测算法和LS算法加频域插值准则下，将经过校正过后的信号检测结果作为第二个符号的信道估计初值，进行联合迭代信道估计和信号检测，对比传统的插值算法和信号检测，该算法不需要时域插值，且不需要等待下一个导频信号信道估计完成，算法实现简单，能够更好的结合信道估计与信号检测过程，而且能够有更好的系统性能和误码率。

1　系统描述

1.1 MIMO-OFDM系统结构描述

MIMO-OFDM系统基带模型如图1，T为发送天线索引号，R为接收天线索引号。

图1　MIMO-OFDM系统基带模型

基于空分复用系统下，假设发送天线数为t，接受天线数为r ，H 代表信道冲击响应矩阵，矩阵大小为r∗t ，其中表示第i 个发送天线到第j个接收天线的信道冲击响应。其中代表发送端的信号。表示接收端的信号，表示为Y=HX+N ，N代表噪声向量［3］。

接收端信号有：

1.2 LS信道估计算法+频域线性插值

将MIMO-OFDM信道模型写成矩阵的形式，则在导频处有：

其中Hp是信道冲击响应；XP是已知的导频发送信号；YP是接收到的导频信号；WP是加性噪声矢量。LS算法就是对（2）式中的参数H进行估计，从而使得函数（3）最小，Hˆ 是H 的估计值［8］。

再利用线性插值算法对导频所在符号其他位置的信道冲击响应进行频域插值：

由公式（6）可以得到导频所在符号全部的Hp。

传统的LS信道估计算法加线性插值算法，是将所有导频信号进行频域插值，然后根据导频信号时域插值得出所有符号的信道冲击响应H，本文提出联合迭代信号检测算法不用等待所有导频估计完成，只需要当前符号估计完就可以进行后面信号检测的部分，则不需要时域插值，时效性有很大的提高。

1.3 改进型QR信号检测算法

传统QR分解算法存在误码传播的问题。而且，最先检测层检测性能最差，分集增益较低，最后检测层能够很好利用分集信息。为了改进信号检测的系统性能，本文采用改进型的QR分解检测算法。

因为最后层的检测性能最好，首先要运用QR分解算法将H矩阵分解进行信号检测，只保留最后一层的信号检测的值，其他层的结果全部舍弃，然后将使最后检测层的信号检测的结果对应下一次最先检测层，随后对调整后的信道冲击响应矩阵再次使用QR分解算法进行信号检测，同样只保留最后一层的估计值并将其调整到下一次最先检测层，重复该过程，直到所有层的符号被检测出来［4］。接收信号可以表示为：

R 矩阵为QR分解得到的上三角矩阵，上式可变换为：

基本步骤如下所示：

（1）对于接收向量Y采用传统QR分解检测算法，得到各层检测值；

（3）调整顺序，循环调整H的列向量：h1→hnT→hnT-1…h2→h1，即将第1列的向量移动到最后一列，得到新的信道矩阵；

第一，乡村教师整体教育信念处于中等水平，在学生方面的信念亟待提升。第二，不同性别、年龄、学历、教龄、职称的乡村教师在教育信念的整体层面上不存在显著差异。第三，年龄、教龄、职称与教育目的方面的信念呈正相关，年龄越大，教育目的信念得分越高。随着从教时间的增加和职称的晋升，教育目的信念水平会不断提高。

（6）令i=i+1，调至步骤（3），直到所有符号都被检测完毕。

2　基于MIMO-OFDM联合迭代信道估计和信号检测算法

首先采用导频辅助估计算法，根据LS算法和频域线性插值算法，公式（5）和（6）计算出第一个导频符号的H，将信道估计的结果经过改进型QR分解信号检测，得到信号X 。

由于信道噪声和多径衰落的干扰，信号检测的结果会有误差，将信号检测得到的X经过软解调，根据最小欧式距离准则判定，将信号检测的值校正，得到更准确的信号，然后将校正后的信息经过同样的调制方式后，返回会得到更准确的信号。

联合迭代算法的流程图如图2。

图2　联合迭代算法流程

联合迭代信道估计算法具体步骤如下：

（1） 利用基于LS算法加时域插值根据公式（5）和（6）估计出导频处频率响应H 。

（2） 根据导频符号的频率响应H经过改进型QR分解信号检测得到X 。

（3） 将信号检测出来的X，经过相应软解调和最小欧式距离准则进行校正，判定为最近的星座点Xˆ 。

（4） 将校正过后的Xˆ通过相应的调制方式，可以得到更准确的信号。

此算法的优势是，经过软解调和最小欧式距离准则校正，然后迭代在信道估计的模块，采用LS算法和改进型QR分解信号检测算法，对比传统的信道估计，在算法复杂度不高的情况下，有更好的误码率性能，准确度更高，且在信道环境较差的情况下，性能改善情况明显，且不用等待所有导频符号信道估计全部做完，对于传统信号估计和信号检测是独立的，新的迭代算法有效的结合了信道估计和信号检测过程，充分利用两者的交互信息。

3　算法在LTE-A下行链路的应用

根据下行参考信号位置，2×2和4×4天线导频位置和迭代过程如下如图3和图4，第0，4，7，11为下行导频符号位置。

图3　2×2天线下导频信号位置（CRS）

图4　4×4天线下导频信号位置（CRS）

在2×2和4×4天线导频位置可以得出，0，1，2，3为天线端口号，将第一个导频符号经过迭代信道估计算法作为第二个符号的迭代信道估计算法的初值，例如，第一个符号l=0经过迭代算法得到H0作为下一个符号l=1迭代算法的初值， 依次类推，离导频符号越远的符号经过此算法越准确，当下一个符号为导频符号，如l=4的符号，则把重新当前导频符号经过迭代算法结果更新为初值，可以防止差错传播，在较低算法复杂度的情况下，LTE-A等移动通信对时效性要求较高。获得更好的误码率性能。

4　MTALAB仿真结果分析

本文的目的是通过基于MIMO-OFDM系统联合迭代信道估计和信号检测，选取的是改进型QR分解信号算法，为了验证上述算法的结果，采用传统型QR分解和改进型QR分解算法进行性能仿真。主要是在EPA信道模型下，分别对2×2和4×4天线采取迭代信道估计和信号检测算法性能进行仿真和验证。使用MATLAB搭建仿真链路，数据带宽为20MHz，采样频率为30.72MHZ。信道模型参数具体如下表1。

表1　 信道模型具体参数配置

图5　空分复用模式下信号检测算法性能

根据仿真图结果如图5，本文选取的改进型QR分解信号检测算法明显优于线性迫零算法和传统QR分解检测算法，在误码率为时，改进型QR的信噪比比传统QR算法少4dB。误比特率明显低于ZF和传统QR算法。如表2，计算复杂度仅统计复数乘法的次数，算法复杂度大大少于ML算法，略高于传统QR。

表2　 算法复杂度比较

图6　2×2天线下系统性能分析

图7　4×4天线下系统性能分析

根据仿真图结果如图6和图7，在不同MIMO-OFDM系统和相同的无线信道环境（EPA）下，两种算法随着信噪比增加而减少，但是新的迭代信道估计算法系统性能对比传统算法有明显增加，在2×2天线下BER为时，迭代算法优于传统算法2db，在4×4天线下BER为时，迭代算法优于传统算法4db，且在信道环境比较差的情况下，效果更明显，当SNR=2dB时有明显增加。在无线信道环境下，有较好的防止多径干扰和多普勒频移，误码率性能和时效性对比传统算法也有很好提升。

5　结束语

针对MIMO-OFDM系统，本文基于LS算法和改进型QR信号检测基础上，提出了一种新的联合迭代信道估计和信号检测算法，提升系统性能，并提出在LTE-A系统上的可用性，能够充分利用两者之间的交互信息，提高可靠性，而且经过MATLAB在无线信道仿真得出其正确性，通过对比，验证此算法的正确性，在信道环境较差情况下，有明显提升，该算法已经用于重庆市教委科学技术研究项目（KJ1500428）。

1Babidha K R， Smitha P S. Implementation of both spatial diversity and spatial multiplexing technique in MIMOOFDM communication system［J］. International Journal of Multmdeia and Ubiquitous Engineering， 2014， 9（9）: 249-254

2Sheng Wu， Lin lingKuang. Low-complexity iterative detection for large-scale multiuser MIMO-OFDM systems using approximate message passing［J］. Selected Topics in Signal Processing. IEEE Journal Publication Year:2014:902-915

3Lei Cao， Wenjin Wang. Improved MMSE SQRD based detection for MIMO-OFDM systems with co-channel interference［C］// Wireless Communications ＆ Signal Processing （WCSP）， 2015 International Conference on. 2016:1- 6

4郭哥. LTE系统中下行信号检测算法研究［D］，重庆：重庆邮电大学，2011

5S.Morteza Razavi. Adaptive LS and MMSE-based beamformer design for multiuser MIMO interference channels ［J］. IEEE Transactions on Vehicular Technology. 2016:132- 144

6李小文，赵北平，王华华. OFDM系统中一种新的联合信道估计和信号检测算法［J］.光通信研究， 2016，12（6）:58-60

7Ruizhe Yang， Siyang Ye. Iterative channel estimation and detection for fast time-varying MIMO-OFDM channels ［C］//Wireless Communications and Networking Conference（WCNC）， New Orleans， LA， IEEE，2015:229-234

8Andre G.D.Uchoa. Iterative detection and decoding algorithms for MIMO systems in block-fading channels using LDPC codes［J］. IEEE Transactions on Vehicular Technology. 2016:2735-2741

10.3969/j.issn.1006-6403.2016.07.007

2016-06-12）