叠加训练序列设计及其高效传输技术研究*

张　龙，周安栋，窦高奇，文申平

(海军工程大学 电子工程学院，湖北 武汉 430033)



叠加训练序列设计及其高效传输技术研究*

张龙，周安栋，窦高奇，文申平

(海军工程大学 电子工程学院，湖北 武汉 430033)

修回日期：2015-05-19Received date:2015-01-27；Revised date：2015-05-19

摘要：采用训练序列与信息数据叠加的传输方案由于消除训练序列占用的频带开销而受到广泛关注。然而，如何高效的分离叠加信号是实现高效信道估计和可靠检测的基础。通过叠加周期训练序列，研究了基于数据依赖的叠加训练(DDST)方案的高效信道估计和检测方案。并结合信道编码技术，研究了编码条件下DDST方案与传统时分复用(TDM)方案的性能。仿真结果表明，在消除训练带宽开销的情况下，获得DDST方案与TDM的误码率基本保持一致。

关键词：叠加训练；序列设计；信道估计与均衡；卷积码

0引言

由于无线信道的频率选择性，导致了接收信号存在码间干扰，接收端需要采用各种均衡技术来尽可能地消除多径信道的影响。实际的通信系统中通常采用时分复用(TDM)训练序列估计信道脉冲响应。然而训练序列占据一定的带宽，降低了信号传输速率，特别是在信道变化较快的环境中，为了能够跟踪信道的变化，需要频繁地发送训练序列，造成有效信息传输速率的严重下降。比如在GSM系统中，每148个符号的突发就包含有26个训练符号，这导致约18%的容量损失，而在高频(HF)通信系统中传输训练序列的时间几乎占去总传输容量的50%[1]。盲信道估计和盲均衡技术避免了使用训练序列，从而有效地提高了信息传输速率，但是由于高阶统计量的盲算法需要相当长的观测数据[2]，不仅计算复杂度高，不利于实时估计[3]，对于快变信道在长数据段内保持恒定的假设也是不现实的。相对于现阶段采用的时分复用(Time Division Multiplexing，TDM)方案，叠加训练(Superimposed Training，ST)方案将训练和信息叠加起来发送，不损失信息速率，最大限度地提高了带宽利用率，但是在收端的信道估计和检测中存在严重的训练和信息互扰[4]，如何消除互扰是提高系统性能的关键。文献[5]提出数据依赖叠加训练(Data-Dependent Superimposed Training，DDST)方案，通过在发端对信息序列进行预处理，利用训练的周期性，消除周期频点处的信息分量，从而使信道估计不再受信息的干扰，有效提高系统的性能。由于信息数据进行了预处理，丢失了一部分信息，在误码率的比较上与TDM方案还有一定差距。基于此，本文提出在发端进行信道编码的基于叠加训练的传输方案，利用DDST思想消除信息序列与训练序列的互扰，对信道采用频域最小二乘(Least Squares，LS)估计和频域最小均方误差均衡(Minimun Mean Square Error，MMSE)，结合符号检测实现整个系统在基带的传输。

1系统模型

在传统的叠加训练方案(ST)中传输序列s为信息序列ω与训练序列c的算术和：

s=ω+c

将训练与信息在时域直接叠加，ST相比时分复用方案(TDM)减小带宽，但在接收端利用训练进行信道估计时将受到信息的干扰，导致信道估计性能下降；而在符号检测时训练也会对信息产生干扰，使接收数据的出错率大大提高[6-7]。因此，这里采用基于数据依赖叠加训练(DDST)的方案，既减小了带宽，也提高了性能。考虑在基于频率选择性信道的单载波系统中通信，采用如图1所示基于数据依赖叠加训练(DDST)的方案，处理过的信息序列和训练序列在时域进行叠加。

考虑在频率选择性信道下采用分块传输，且假定信道在块内是时不变的。为了在接收端进行频域信道估计，设定块长度为N,采用周期为P的训练序列进行传输，令Q=N/P为整数。由于训练序列c的周期性，序列的能量将集中在周期频点k=lQ,l=0,1,…,P-1,在传输序列通过信道后，周期频点k处将有训练、信息和噪声，若能消除周期频点处的信息频响，则信道估计将不再受到信息序列的干扰，即对信息序列ω进行特殊处理。本文采用一种先叠加能量再进行周期延拓的思想，引入一个附加序列e，使得e满足：

(2)

就可以保证ω-e在周期频点的响应为0，从而消除它对信道估计的干扰。

图1　DDST方案流程

从式(2)中可以推导出:

(3)

即信息序列的周期均值，可以表示为e=Jω，其中J=(1/Q)1Q⊗Ip。因此，处理过的信息序列表示为ω-e=(I-J)ω。

假定信道阶数为L，用h(l)=[h0,h1,…,hl-1]表示信道冲击响应。由于为分块传输，为了防止块与块之间的干扰，在块之间插入长度为L的循环前缀(CP)。因此，叠加后的传输序列：

s=ω-e+c=(I-J)ω+c

则发送信号帧结构如图2所示：

图2　时域发送信号结构示意

传输序列s通过信道后，需要先去除掉CP，则每个块中的信号模型可以表示为：

x=Hs+v

(5)

其中H为循环矩阵：

2信道估计与均衡

2.1频域LS估计

由于c中每个周期P内至少有L个非零值，则可以进行LS信道估计如下：

FNxN=FNHNsN+FNvN

(7)

其中[DH]N×N=diag([DH]0,0,[DH]1,1,…,[DH]N-1,N-1)

根据DH与HN的关系以及式(7)，可以的得出LS信道估计值：

(8)

2.2均衡

对信息序列进行均衡则需消除训练序列，若利用直接减去的方法，将要考虑信道估计误差所带来的影响。因此这里利用训练序列的周期性来消除接收信号的训练序列

z=(I-J)x

(9)

由于H和J为循环矩阵，利用它的交换性，z可以表示为:

z=H(I-J)ω+(I-J)v

(10)

由于H为循环矩阵，均衡可以在频域完成。对处理过的信号z进行频域MMSE均衡，得到均衡后的信号:

(11)

3仿真结果

图3　信道估计的均方误差

图4为两种方案信道估计的均方误差，与MSE理论分析能很好吻合。TDM根据功率比例设置长度，由于训练序列必须为周期P的倍数，因此取最接近的整数，则训练长度Nt=12。从图中可知DDST方案在信道估计时完全消除了信息的干扰，性能与TDM方案相同。图5为无信道编码情况下两种方案的误码率曲线，可见DDST方案在符号检测时基本能消除训练的干扰，但性能仍然不如TDM方案。图6为加入卷积码编码后的两种方案的误码率曲线，可知在加入编码后，DDST方案中发端预处理的失真影响减小，DDST方案的BER性能提升明显，基本能较为接近TDM方案性能，然而DDST方案至少节省了10%的带宽。

图4　无编码的误码率

图5　有编码的误码率

4结语

本文以短波衰落突发信道为背景，对DDST方案进行研究，并加入信道编码。新方案有如下特点：①通过消除周期频点信息序列的干扰，保证了信道估计性能与理论分析保持一致，且与TDM方案基本相同，能很好的估计出信道特性；②在接收端完全消除训练序列对判决的干扰，通过纠错编码使得检测性能较为接近TDM方案的水平。新方案在基本不降低误码率的前提下，消除了TDM方案中训练序列的频带开销，节约了带宽，达到了预期的效果。

参考文献：

[1]Hlawatsch F, Matz G. Wireless Communications over Rapidly Time-Varying Channels[M]. Oxford, UK: Elsevier Press, 2011.

[2]TONG L,Sadler B M and DONG M. Pilot-Assisted Wireless Transmissions General Model,Design Criteria and Signal Processing[J]. IEEE Signal Processing Magazine,21(6),12-25,Nov. 2004.

[3]王洪民,周冰.基于导频的信道估计算法的研究[J].通信技术，2011，44(08):29-32.

WANG Hong-min，ZHOU Bing. Study on Pilot-based Channel Estimation Method for Wireless OFDM System[J]. Communications Technology, 2011，44(08):29-32.

[4]Orozco-Lugo A G,Lara M M and McLernon D C. Channel Estimation using Implicit Training[J]. IEEE Transactions on Signal Processing, 2004, 52(1): 240-254.

[5]Ghogho M, McLernon D C, 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.

[6]Ghogho M, McLernon D C, 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.

[7]DOU G, HE C, LI C, et al. A Weighted First-Order Statistical Method for Time-Varying Channel and DC-Offset Estimation using Superimposed Training[J]. IEEE Communications Letters, 2013, 17(5): 852-855.

张龙(1991—)，男，硕士研究生，主要研究方向为数字通信理论与技术；

周安栋(1964—)，男，副教授，硕士生导师，主要研究方向为无线通信；

窦高奇(1981—)，男，讲师、博士，主要研究方向为信道估计与均衡，同步等；

文申平(1991—)，男，硕士研究生，主要研究方向为数字通信理论与技术。

Superimposed Training Sequence Design and Its

Efficient Transmission Technology

ZHANG Long, ZHOU An-dong, DOU Gao-qi, WEN Shen-ping

(College of Electronic Engineering, Naval University of Engineering, Wuhan Hubei 430033,China)

Abstract：The transmission scheme, for its superimposition of training sequence and information data, and removal of bandwidth cost occupied by training sequence attracts extensive attention from the people. How-ever, how to effectively separate superimposed signals thus becomes the basis for achieving efficient channel estimation and reliable detection. Based on superimposed periodic training sequence, an efficient channel estimation and detection scheme based on DDST (Data-Dependent Superimposed Training) scheme is stu-died. And combined with channel coding technology, the performance of DDST scheme and traditional TDM (Time-Division Multiplexing) scheme under coding condition is compared. Simulation results indicate that under the removal of training bandwidth cost, the BER of DDST is almost consistent with that of TDM.

Key words：superimposed training; sequence design; channel estimation and equalization; convolution code

作者简介：

中图分类号：TN92

文献标志码：A

文章编号：1002-0802(2015)07-0772-04

收稿日期：*2015-01-27；

doi:10.3969/j.issn.1002-0802.2015.07.004