基于DDST的信道估计与信号检测

董磊 卿朝进 余旺 蔡斌 杜艳红

摘要：为提高信道估计与信号检测的精度且不增加系统频谱开销的情况下，在基于数据相关叠加训练序列方案（Data-Dependent Superimposed Training，DDST）中加入降噪处理。发送端将导频与发送数据采用DDST方式叠加;接收端对估计的信道状态信息（Channel State Information，CSI）进行降噪处理，随后进行信号检测。仿真结果表明，在DDST系统中加入降噪处理能有效改善信道估计精度，从而进一步提高信号检测性能。

关键词：DDST;信道估计;降噪;信号检测

中图分类号：TP393        文献标识码：A

文章编号：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

第五代移动通信（5th Generation Mobile Networks，5G）的到来使得频谱利用率与传输速率要求增加[1，2]。然而，有限的频谱资源造成了信号传输资源紧张，导频辅助信道估计的方法占用大量的频谱带宽资源，导致频谱利用率降低，传输速率不高[3]。为节省带宽资源，叠加序列[4-7]方法被广泛应用于通信系统的信道估计、CSI反馈以及语音压缩等领域。针对信道估计，将训练序列与传输数据进行叠加的方式一直是通信系统中的一大研究热点[8]。然而，传统的叠加训练序列与传输数据进行信道估计时，传输数据对训练序列造成干扰，使得信道估计的性能变差[9，10]。

为消除传输数据对叠加训练序列的干扰，基于数据相关的叠加训练序列（Data-Dependent Superimposed Training，DDST）的方法[7]及其改进方法[11-13]被相继提出。这些方法能够消除训练序列对传输数据的影响，从而改善信道估计与符号检测性能。本文在基于DDST的信道估计与符号检测方法中引入信道状态信息（Channel State Information，CSI）降噪处理，从而改善CSI估计精度并提升信号检测性能。

本文中，粗体小写字母和大写字母分别表示向量和矩阵，如[x]和[X];斜体不加粗字母表示变量，如[N];[·T]、[·H]與[·?]分别表示矩阵转置、共轭转置与共轭;[F]表示傅里叶变换矩;[I]表示单位矩阵。

2 系统模型

接收机接收端接收到的信号表示为：

3 信道估计与符号检测

针对DDST方法，本节首先在3.1小节中给出基于CSI降噪处理的LS信道估计方法。随后，在3.2小节中给出基于迫零（Zero-Forcing，ZF）与最小均方误差（Minimum Mean Square Error，MMSE）均衡的信号检测方法。

3.1 信道估计

信道估计的流程如表1所示。

接收端在除去循环前缀后，采用频域估计方法。首先将接收到的信号经过离散傅里叶变换（DFT，Discrete Fourier Transform）到频域，即[Y=FNy];随后通过叠加训练序列对信道进行LS估计。叠加训练序列变换在频域为[C=FNc]，由于在频域导频位置处的传输数据为0，经过LS估计得到对应频点处的CSI为：

为改善CSI估计性能，对CSI进行降噪处理。首先将估计到的频域CSI做离散傅里叶反变换（IDFT，Inverse Discrete Fourier Transform）：

3.2 信号检测

信号检测的流程如表2所示。

4 数值仿真

在仿真实验中，数据帧长[N=240]，调制方式采用QPSK，实验在信道路径数为[L=8]与[L=12]下仿真，且每条路径按照一定的幅度衰减，其衰减因子可以表示为[Ehl2=exp（-0.2l）]，仿真中设置叠加的功率因子[ρ=0.2]。由于存在无穷多个周期序列，其周期大小都相等，需要选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序列作为叠加序列，其表达式为：

图1为DDST方案的LS信道估计结果。

图1中，实虚线分别表示多径条数为[L=8]与[L=12]条，可以看出在[SNR≥5dB]的时候，DDST方法的NMSE结果优于传统叠加方法。特别地，经过DFT降噪后CSI估计获得了最好的NMSE性能提升，如在[L=8]时，可以看出在[SNR=10dB]的时候，经降噪后的NMSE小于未经降噪的。

不失一般性，这里以BER进行信号检测性能对比，信号检测性能如图2所示。

图2给出了在信道路径数[L=8]时DDST方案中基于ZF与MMSE均衡的BER性能。从图2中可以看出，无论是基于ZF还是MMSE均衡，经过降噪提升的CSI精度，均带来了检测性能改善。例如，在[SNR=15dB]的时候无论是迭代0次还是3次，经过DFT降噪过后的BER都比没有降噪的BER更低。

5 结论

本文在DDST方案中引入DFT降噪处理，在节省带宽资源开销的情况下，有效地改善了DDST的CSI估计精度。基于CSI估计精度的改善，从ZF与MMSE均衡两个方面进一步验证了检测性能可以进一步改善。本文方法可应用与诸如5G的高频谱效率需求的无线通信系统中。

参考文献：

[1] 张文科.无线通信技术发展分析[J].科技创新与应用，2016（12）：86.

[2] 僧书铭.浅析5G移动通信的发展趋势[J].科技创新与应用，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] 万东琴，卿朝进，阳庆瑶，等.叠加特征信息辅助的语音传输与重构[J].计算机工程与应用，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，Fernandez-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.

【通聯编辑：代影】