淺談快速衰落的信道估計技術

陳敏+王萍

摘 要：隨著通信技術的發展，移動通信需求量越來越大。面對高速移動變化的通信場景，通信信道從緩慢衰落信道變成快速衰落信道，即雙選擇性信道，對于信道估計算法提出了更高的要求。文章簡單分析了快速衰落信道估計所面臨的難題，對現有的估計算法進行簡要介紹并分析其優缺點。

關鍵詞：雙選擇性信道；信道估計；移動通信

中圖分類號：TP84+2 文獻標志碼：A 文章編號：2095-2945（2017）26-0043-02

引言

隨著4G以及智能手機的廣泛普及，人們對于移動數據的需求越來越大，這當中自然也包括了在高速移動變化的通信場景下。但是傳統的正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）系統在高速移動變化的通信場景下工作還是具有一定困難的。因為系統的信道從原來的緩慢衰落信道變成了快速衰落信道。由此，OFDM系統一個OFDM字符串長度的等效的頻域信道不再是對角矩陣，而是變成全矩陣。因此為了更好滿足用戶在高速移動變化場景下對于數據的需求，追求更低復雜度及更好的性能的下行鏈路OFDM接收機均衡器成為研究的熱點。

1 雙選擇性信道及其估計

在無線通信過程中，由于通信信道中引入的加性噪聲和乘性噪聲使得發送信道存在失真，直接解調會導致嚴重的誤差產生，因此需要對信道進行估計，即信道估計（Channel Estimation，CE）。研究人員大多數情況下會基于比較理想化的條件對信道進行研究，如單選擇性信道——時變信道或頻率選擇性信道。而高速移動變化的通信場景，則涉及到了時變且頻率選擇性信道，即雙選擇性信道（Doubly Selective Channel，DSC）。對于單選擇性信道，已經有大量相關的信道估計算法被提出。針對各種不同的通信場景，有基于線性迫零（Zero Forcing，ZF）估計的、基于最小均方誤差（Minimum Mean Square Error，MMSE）估計的、基于最大似然（Maximum Likelihood，ML）估計等。前兩者是線性算法，計算復雜度低。后者性能好，但復雜度高。

而對于DSC信道，由于信道是快速變化的，傳統的信道估計方法是通過基礎擴展模型來估計幾個重要的信道相關參數，但是這個方法會因為選擇的模型不同而導致性能有比較大的差異；其次所選模型的復雜度會因為選擇的相關參數個數及需要估計的信道時間長短的不同而不同；傳統的OFDM帶狀信道結構，相比原來的全矩陣，是一個只包含對角線元素和對角線相鄰元素的矩陣，近似看成是一個稀疏矩陣，在快速移動場景下，信道結構變成全矩陣，增加計算復雜度。另外，未來的無線應用是高發射頻率和高移動性的，導致信道是DSC信道。在這種情況下，信道變化會破壞OFDM符號中子載波之間的正交性，導致載波間干擾（Inter-Carrier Interference，ICI）和性能退化。因此，為了補償ICI，接收機需要高質量的信道脈沖信息，這對信道估計的性能提出了要求。

2 幾種DSC信道估計方法

對于DSC信道，一些估計算法已經被提出。有利用衰落信道的時間和頻域相關函數通過傳統方法進行估計的，但這種技術并沒有嘗試取消ICI，所以OFDM系統仍然會受到ICI的影響[1]。為了減少ICI的影響，研究人員提出了時域信道估計器，假定信道脈沖響應在符號持續時間內以線性方式變化[2]。基于此，使用傳統方法在導頻位置執行信道估計，然后利用相鄰符號獲取信道變化的斜率，通過利用信道的時變特性作為時間分集的提供者，并利用奇異值分解方法降低了復雜度，提出了一種潛在的估計候選，這種技術需要信道統計信息[3]。基于MMSE的迭代判決反饋均衡器[4]也可以抑制ICI。它也假定信道在幀內是線性變化的，研究誤差功率傳遞與均衡過程的并行性，給出了迭代過程中的增益和輔助MMSE決策。ICI分量迭代地從接收符號中被估計和取消，以提高源符號的MMSE估計。

上述幾種技術基本上執行的是基于ICI損壞的導頻符號的信道估計，在此基礎上，假設信道變化是線性模型來重構信道矩陣，因此信道參數是由與數據無關的ICI影響的信道測量實現的。此類技術的弱點在于它首先承認ICI，但允許ICI破壞導頻，導致信道估計性能退化。對此，一種基于分段線性模型的迭代信道估計方法被提出，用以消除ICI對信道估計的影響[5]。此信道估計技術基于分段線性模型進行初始信道估計，然后從接收到的信號中重構和消除ICI，利用干擾較小的信號再次估計信道，以獲得更精細的信道估計。

由顯著的多普勒頻移引起的時頻雙選擇性使得DSC具有大量的信道系數，這些系數不但引入ICI還迫使信道估計需要分配大量的導頻子載波。針對這一問題，一種基于分布式壓縮感知理論的信道估計方案被提出[6]。它利用延遲域的基礎擴展模型和信道稀疏性，將原始的DSC轉換為一種新的二維信道模型，其中幾個聯合稀疏邊界元系數向量成為估計目標。然后設計了一種新的稀疏導頻模型的特殊解耦形式，使其具有無ICI的結構，使分布式壓縮感知應用能夠準確地對這些矢量進行聯合估計。

基于壓縮感知理論進行信道估計成了DSC信道估計的一個研究熱點。研究人員利用此理論獲得無ICI的結構，并將信道估計問題轉化為聯合塊稀疏模塊，并提出一種基于塊的同時正交匹配追蹤算法[7]。最后通過分段線性逼近對已估計信道抽頭進行平滑處理，以減少復指數基礎擴展模型建模誤差。

另外還有基于結構壓縮感知進行DSC信道估計的，研究人員利用所提出的導頻模式和信道擴展基對應的系數向量的聯合稀疏特性，構造了一種結構壓縮感知模型，通過自適應感知塊正交匹配追蹤算法可以恢復DSC信道[8]。

除了壓縮感知理論，研究人員還利用伯恩斯坦基多項式來捕捉信道的快速時間變化，避免了估計大量實際信道系數時的可辨識性問題，并利用空間交替廣義期望-最大后驗概率算法對載波頻率偏移和信道系數進行聯合估計[9]。endprint

3 結束語

DSC信道估計是移動通信需要研究的一大難題，其由于顯著的多普勒效應而引入的ICI和快速信道變化導致的大量信道系數都是信道估計需要面對的難關。現有的研究，有利用迭代算法不斷消除ICI以提高估計精度的，也有利用壓縮感知理論，結合DSC信道的稀疏特性，重新設計無ICI結構的，還有利用最大后驗概率算法進行估計的。這些算法在估計DSC信道時性能雖然有所差別，但都比一般的傳統估計算法要好的多，而復雜度顯然也比較高。對于移動通信來說，過長的時延顯然是不合適的，因此低復雜度的估計算法還有待進一步研究。另外，本文提到的這些算法都是針對陸地上的移動通信，陸地上的快速移動通信的信道變化顯然沒有海上快速移動通信信道的信道變化復雜，畢竟海上有風浪、海面散射、船舶顛簸等環境因素，導致信道變化更為復雜，因此對于信道估計算法的要求就更高了。為了實現海上可靠的移動通信傳輸，對于海上的快速信道估計也需要進一步地研究。

參考文獻

[1]Y. Li， J. Cimini Jr.， N. R. Sollenberge. Robust channel estimation for OFDM systems with rapid dispersive fading channels[J].IEEE Transactions on Communication， 1998，46（7）：902-915.

[2]S. Chen， T. Yao. Intercarrier interference suppression and channel estimation for OFDM systems in time-varying frequency-selective fading channels[J].IEEE Transactions on Wireless Communications， 2004，50（2）：429-435.

[3]Y. S. Choi， P. J. Voltz， F. A. Cassara. On channel estimation and detection for multicarrier signals in fast and selective rayleigh fading channels[J].IEEE Transactions on Communication， 2001，49（8）：1375-1387.

[4]S. Huang， et al. Iterative MMSE-DFE and Error Transfer for OFDM in Doubly Selective Channels[J].IEEE Transactions on Broadcasting，2015，61（3）：541-547.

[5]L. Ruan， J. Zhang， Y. Zhang， M. Xia， Channel Estimation and ICI Cancellation for OFDM Systems in Doubly-Selective Channels [C]. IEEE 68th VTC， Calgary，2008：1-5.

[6]P. Cheng， et al. Channel Estimation for OFDM Systems over Doubly Selective Channels： A Distributed Compressive Sensing Based Approach[J].IEEE Transactions on Communications，2013，61（10）：4173-4185.

[7]Q. Qin， et al. Structured Distributed Compressive Channel Estimation Over Doubly Selective Channels[J].IEEE Transactions on Broadcasting，2016，62（3）：521-531.

[8]X. Ma， et al. Structured Compressive Sensing-Based Channel Estimation for Time Frequency Training OFDM Systems Over Doubly Selective Channel[J].IEEE Wireless Communications Letters，2017，6（2）：266-269.

[9]P. Muneer， S. M. Sameer. Pilot-Aided Joint Estimation of Doubly Selective Channel and Carrier Frequency Offsets in OFDMA Uplink With High-Mobility Users[J].IEEE Transactions on Vehicular Technology，2015，64（1）：411-417.endprint