一种多小区OFDMA下行链路载波频偏的估计方法

摘要

一种多小区0FDMA下行链路载波频偏的估计方法属移动宽带接入技术领域步骤如下：1)建立系统模型；2)从系统模型中得到接收信号，形成矩阵F；3)载波频偏的估计。根据接收信号的特性，及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏。本发明方法的特点是：在频域信号是交织但不重叠的，在时域形成四段周期性的序列，利用这种周期性形成一个4×N/4形式的矩阵F，应用MUSIC算法，可以很好的估计出多个基站的载波频偏，具有合理可行性，该方法计算量相比大大的减少，且估计性能良好。

主权项

1.一种多小区OFDMA下行链路载波频偏的估计方法，步骤如下：1)建立系统模型；1a)假设N个子载波分给Q个子信道进行数据的传输，每个子信道包含P＝N/Q个子载波；在频域子载波是相互交叉的，子信道{q}包含的子载波为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，即子信道{q}对应的子载波集就为{q，Q+q，…，(P-1)Q+q}，q＝0，1，...，Q-1，这些子载波集在频域是不重叠的；1b)不同的BS利用不同的子载波集：当N可以被Q整除时，在时域是周期为P的周期序列，否则就是伪周期的，当Q＝4时，在时域前导字是4个重复的序列，周期为P＝N/4；对一个小区中三个扇区来说，每个扇区利用一个子载波集；1c)用户(MS)接收到的时域信号可以表示为：$x_m\left(n\right)=\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\Sigma }}{X}_m\left(k\right)e^{\frac{j2\mathrm{\pi n}}{N}k}$k∈{0，1，2，...，N-1}，m∈{0，1，2}，-N_g≤n≤N-1，N是子载波数，N_g是循环前缀(CP)的长度，X_m(k)是从第m个扇区的BS传输来的第k个子载波，这里的每个扇区利用三个互不重叠的子载波集之一；1d)当MS在小区或扇区的边界处时，接收信号可以表示为：$r\left(n\right)=\underset{m=0}{\overset{2}{\Sigma }}{e}^{j\frac{2\pi {ϵ}_m}{N}n}{e}^{j{\phi }_m}\underset{l=0}{\overset{L-1}{\Sigma }}{h}_m\left(l\right)x_m(n-l)+w\left(n\right)$其中：{w(n)}是均值为零和方差为σ_m²的高斯噪声，L是MS和BS之间路径数的最大值，ε_m和h_m(l)分别为归一化载波频偏，相位偏移，MS和第m个BS之间的第1条路径增益；2)从系统模型中得到接收信号，形成矩阵F；2a)相位偏移ε_m包括整数部分ε_m，int和小数部分ε_m，fr，即ε_m＝ε_m，int+ε_m，fr，其中-0.5＜ε_m，fr＜0.5，得到$r\left(n\right)=\underset{m=0}{\overset{2}{\Sigma }}{e}^{j\frac{2\pi {ϵ}_m}{N}n}{e}^{j{\phi }_m}\left\{\frac{1}{\sqrt{N}}\underset{k=0}{\overset{N-1}{\Sigma }}{H}_m\left(k\right)X_m\left(k\right)e^{j\frac{2\mathrm{\pi n}}{N}k}\right\}$其中，N是子载波的个数，H_m(k)是第m个BS和MS之间频域的路径增益，X_m(k)是x_m(n)变换到频域的信号；2b)当Q＝4时，根据接收信号的特性得到4×N/4的矩阵形式，$F=\left[\begin{array}{cccc}r\left(0\right)& r\left(1\right)& ...& r(N/4-1)\\ r(N/4)& r(N/4+1)& ...& r(N/2-1)\\ r(N/2)& r(N/2+1)& ...& r(3N/4-1)\\ r(3N/4)& r(3N/4+1)& ...& r(N-1)\end{array}\right];$3)载波频偏的估计；根据接收信号的特性及构造出来的F矩阵，可以利用MUSIC算法估计出小数倍载波频偏；3a)由F矩阵可得到协方差矩阵Ψ，$\Psi =\frac{1}{P}{\mathrm{FF}}^H$其中，P为每个子信道的子载波个数；3b)对协方差矩阵Ψ进行奇异值分解，$\Psi =\left[\begin{array}{cc}{U}_s& U_z\end{array}\right]\left[\begin{array}{cc}{\Sigma }_s& 0\\ 0& {\Sigma }_z\end{array}\right]\left[\begin{array}{c}{U}_s^H\\ U_z^H\end{array}\right]$其中∑_s＝Diag[λ₁，...，λ_M]，∑_Z＝Diag[λ_M+1，...，λ_Q]，U_s是一个Q×M矩阵，包含M个特征值对应M个特征向量λ₁，...，λ_M，U_z包含Q-M个特征值，对应Q-M个特征向量λ_M+1，...，λ_Q；3c)由噪声空间和信号空间的特性，可得到峰值表达式G(ξ)的M个最大峰值，$G\left(\xi \right)=\frac{1}{{\left|\right|e^H\left(\xi \right)U_z{U}_z^{H}e\left(\xi \right)\left|\right|}^2}$其中，e(ξ)＝[1，e^j2πξ，...，e^j2π(Q-1)ξ]^T，M个峰值对应于M个基站的载波频偏在实际仿真计算时，找1/G(ξ)的M个最小峰值效果是等同的；3d)计算出小数位CFO估计值，${\hat{\xi }}_{m,\mathrm{fr}}=Q{\hat{\xi }}_m-{\hat{q}}_m$其中，是第m个基站的载波频偏，是估计出的第m个基站利用的子信道，Q是子信道的个数。