基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法

摘要

基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法，本发明涉及混合载波通信系统中的迭代时域最小均方误差信道均衡方法。本发明是要解决由于通信双方的高速相对移动而引起的大多普勒频移，造成的信号同时在时间域和频率域上的能量弥散问题。一、完成混合载波调制得到时域序列x；二、得到时域采样序列y；三、将时域采样序列y串行发送，获得信道系数；四、对接收到的时域信号采样并进行线性MMSE估计；五、经过N点α阶WFRFT变换到α阶WFRFT域；六、利用步骤五中获得的矩阵R^(l)和矩阵C^(l)分别计算的α阶WFRFT域估计值序列中每个符号的统计均值和方差；七、计算下一次迭代中先验信息和本发明应用于移动通信领域。

主权项

1.基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法，其特征在于基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法按以下步骤实现：一、混合载波调制系统发送端完成混合载波调制得到时域序列x；二、对步骤一中得到的时域序列x加入循环前缀并经过并串转换后得到时域采样序列y；三、将步骤二中得到的时域采样序列y串行发送，经历双弥散信道接收端对接收到的时域信号采样、去除CP并进行串并转换处理，然后借助信道估计方法获得信道系数；四、接收端对接收到的时域信号采样并进行线性MMSE估计：将接收端时域采样序列y输入迭代时域MMSE均衡器，进行对混合载波调制系统发送端逐个时域序列x中某时域采样点x_m的线性MMSE估计：${\hat{x}}_m=i_m^H{F}^{-\alpha }\bar{s}+g_m^H(y_m-H_m{F}^{-\alpha }\bar{s})$式中的均衡器系数向量g_m：$g_m={(H_m{F}^{-\alpha }{\rho }_s{F}^{\alpha }{H}_m^H+{\sigma }^2{I}_{N_h})}^{-1}{H}_m{F}^{-\alpha }{\rho }_s{F}^{\alpha }{i}_m$其中，每个混合载波调制符号的时域采样点总数为N，每次迭代过程中需进行N次线性MMSE估计；五、完成对时域采样序列的线性MMSE估计后得到时域估计序列经过N点α阶WFRFT变换到α阶WFRFT域$\hat{s}=F^{\alpha }\hat{x}$其中，$\hat{s}=F^{\alpha }\underset{m=0}{\overset{N-1}{\Sigma }}{i}_m·{\hat{x}}_m^{\left(l\right)}={\bar{s}}^{\left(l\right)}+R^{\left(l\right)}(s-{\bar{s}}^{\left(l\right)})+C^{\left(l\right)}v,$以获得对源数据符号序列s的估计值序列根据步骤三获得的信道系数和均衡器系数计算矩阵R^(l)和矩阵C^(l)如公式$R^{\left(l\right)}=F^{\alpha }\underset{m=0}{\overset{N-1}{\Sigma }}{i}_m\left(g_m^H{H}_m{F}^{-\alpha }\right)$$C^{\left(l\right)}=F^{\alpha }\underset{m=0}{\overset{N-1}{\Sigma }}{i}_m\left(g_m^H{F}_m\right);$六、根据条件高斯分布假设，利用步骤五中获得的矩阵R^(l)和矩阵C^(l)分别计算的α阶WFRFT域估计值序列中每个符号的统计均值和方差如${\mu }_{n,k}^{\left(l\right)}=E\left\{{\hat{s}}^{\left(l\right)}\right|s_n=S_k\}={\bar{s}}_n^{\left(l\right)}+R_{n,n}^{\left(l\right)}(S_k-{\bar{s}}_n^{\left(l\right)})$${\left({\sigma }_{n,k}^{\left(l\right)}\right)}^2=E\left\{{({\hat{s}}_n^{\left(l\right)}-{\mu }_{n,k}^{\left(l\right)})}^2\right|s_n=S_k\}$$=\underset{n^{\prime }=0,n^{\prime }\ne n}{\overset{N-1}{\Sigma }}{\left|R_{n,n^{\prime }}^{\left(l\right)}\right|}^2{\left[{\rho }_s^{\left(l\right)}\right]}_{n^{\prime },n^{\prime }}+{\sigma }^2{\left|\right|c_n^{\left(l\right)}\left|\right|}^2$再根据最大后验概率准则，计算先验对数似然比到后验对数似然比的更新值更新对发送端比特序列LLR的估计如七、根据更新过的比特LLR值计算下一次迭代中先验信息和如${\bar{s}}_n^{(l+1)}=\underset{k=0}{\overset{K-1}{\Sigma }}{S}_k{P}^{(l+1)}(s_n=S_k),$和${\left[{\rho }_s^{(l+1)}\right]}_{n,n}=\underset{k=0}{\overset{K-1}{\Sigma }}{\left|S_k\right|}^2{P}^{(l+1)}(s_n=S_k)-{\left|{\bar{s}}_n^{(l+1)}\right|}^2,$$P^{(l+1)}(s_n=S_k)=\frac{1}{2}\underset{q=0}{\overset{Q-1}{\Pi }}(1+(1-{2\gamma }_{k,q})\tanh (L_{n,q}^{(l+1)}/2)),$并将更新后的先验信息反馈回步骤五中的时域线性MMSE估计，重复步骤四至步骤七，直至达到预先设定的迭代次数上限，将最近一次更新的LLR作为输出判决得到对比特位的估计；其中，先验信息和在第一次迭代中分别被初始化为全零序列和单位矩阵，而后随着迭代进行，先验信息被不断更新。