浅谈快速衰落的信道估计技术

陈敏+王萍

摘 要：随着通信技术的发展，移动通信需求量越来越大。面对高速移动变化的通信场景，通信信道从缓慢衰落信道变成快速衰落信道，即双选择性信道，对于信道估计算法提出了更高的要求。文章简单分析了快速衰落信道估计所面临的难题，对现有的估计算法进行简要介绍并分析其优缺点。

关键词：双选择性信道；信道估计；移动通信

中图分类号：TP84+2 文献标志码：A 文章编号：2095-2945（2017）26-0043-02

引言

随着4G以及智能手机的广泛普及，人们对于移动数据的需求越来越大，这当中自然也包括了在高速移动变化的通信场景下。但是传统的正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）系统在高速移动变化的通信场景下工作还是具有一定困难的。因为系统的信道从原来的缓慢衰落信道变成了快速衰落信道。由此，OFDM系统一个OFDM字符串长度的等效的频域信道不再是对角矩阵，而是变成全矩阵。因此为了更好满足用户在高速移动变化场景下对于数据的需求，追求更低复杂度及更好的性能的下行链路OFDM接收机均衡器成为研究的热点。

1 双选择性信道及其估计

在无线通信过程中，由于通信信道中引入的加性噪声和乘性噪声使得发送信道存在失真，直接解调会导致严重的误差产生，因此需要对信道进行估计，即信道估计（Channel Estimation，CE）。研究人员大多数情况下会基于比较理想化的条件对信道进行研究，如单选择性信道——时变信道或频率选择性信道。而高速移动变化的通信场景，则涉及到了时变且频率选择性信道，即双选择性信道（Doubly Selective Channel，DSC）。对于单选择性信道，已经有大量相关的信道估计算法被提出。针对各种不同的通信场景，有基于线性迫零（Zero Forcing，ZF）估计的、基于最小均方误差（Minimum Mean Square Error，MMSE）估计的、基于最大似然（Maximum Likelihood，ML）估计等。前两者是线性算法，计算复杂度低。后者性能好，但复杂度高。

而对于DSC信道，由于信道是快速变化的，传统的信道估计方法是通过基础扩展模型来估计几个重要的信道相关参数，但是这个方法会因为选择的模型不同而导致性能有比较大的差异；其次所选模型的复杂度会因为选择的相关参数个数及需要估计的信道时间长短的不同而不同；传统的OFDM带状信道结构，相比原来的全矩阵，是一个只包含对角线元素和对角线相邻元素的矩阵，近似看成是一个稀疏矩阵，在快速移动场景下，信道结构变成全矩阵，增加计算复杂度。另外，未来的无线应用是高发射频率和高移动性的，导致信道是DSC信道。在这种情况下，信道变化会破坏OFDM符号中子载波之間的正交性，导致载波间干扰（Inter-Carrier Interference，ICI）和性能退化。因此，为了补偿ICI，接收机需要高质量的信道脉冲信息，这对信道估计的性能提出了要求。

2 几种DSC信道估计方法

对于DSC信道，一些估计算法已经被提出。有利用衰落信道的时间和频域相关函数通过传统方法进行估计的，但这种技术并没有尝试取消ICI，所以OFDM系统仍然会受到ICI的影响[1]。为了减少ICI的影响，研究人员提出了时域信道估计器，假定信道脉冲响应在符号持续时间内以线性方式变化[2]。基于此，使用传统方法在导频位置执行信道估计，然后利用相邻符号获取信道变化的斜率，通过利用信道的时变特性作为时间分集的提供者，并利用奇异值分解方法降低了复杂度，提出了一种潜在的估计候选，这种技术需要信道统计信息[3]。基于MMSE的迭代判决反馈均衡器[4]也可以抑制ICI。它也假定信道在帧内是线性变化的，研究误差功率传递与均衡过程的并行性，给出了迭代过程中的增益和辅助MMSE决策。ICI分量迭代地从接收符号中被估计和取消，以提高源符号的MMSE估计。

上述几种技术基本上执行的是基于ICI损坏的导频符号的信道估计，在此基础上，假设信道变化是线性模型来重构信道矩阵，因此信道参数是由与数据无关的ICI影响的信道测量实现的。此类技术的弱点在于它首先承认ICI，但允许ICI破坏导频，导致信道估计性能退化。对此，一种基于分段线性模型的迭代信道估计方法被提出，用以消除ICI对信道估计的影响[5]。此信道估计技术基于分段线性模型进行初始信道估计，然后从接收到的信号中重构和消除ICI，利用干扰较小的信号再次估计信道，以获得更精细的信道估计。

由显著的多普勒频移引起的时频双选择性使得DSC具有大量的信道系数，这些系数不但引入ICI还迫使信道估计需要分配大量的导频子载波。针对这一问题，一种基于分布式压缩感知理论的信道估计方案被提出[6]。它利用延迟域的基础扩展模型和信道稀疏性，将原始的DSC转换为一种新的二维信道模型，其中几个联合稀疏边界元系数向量成为估计目标。然后设计了一种新的稀疏导频模型的特殊解耦形式，使其具有无ICI的结构，使分布式压缩感知应用能够准确地对这些矢量进行联合估计。

基于压缩感知理论进行信道估计成了DSC信道估计的一个研究热点。研究人员利用此理论获得无ICI的结构，并将信道估计问题转化为联合块稀疏模块，并提出一种基于块的同时正交匹配追踪算法[7]。最后通过分段线性逼近对已估计信道抽头进行平滑处理，以减少复指数基础扩展模型建模误差。

另外还有基于结构压缩感知进行DSC信道估计的，研究人员利用所提出的导频模式和信道扩展基对应的系数向量的联合稀疏特性，构造了一种结构压缩感知模型，通过自适应感知块正交匹配追踪算法可以恢复DSC信道[8]。

除了压缩感知理论，研究人员还利用伯恩斯坦基多项式来捕捉信道的快速时间变化，避免了估计大量实际信道系数时的可辨识性问题，并利用空间交替广义期望-最大后验概率算法对载波频率偏移和信道系数进行联合估计[9]。endprint

3 結束语

DSC信道估计是移动通信需要研究的一大难题，其由于显著的多普勒效应而引入的ICI和快速信道变化导致的大量信道系数都是信道估计需要面对的难关。现有的研究，有利用迭代算法不断消除ICI以提高估计精度的，也有利用压缩感知理论，结合DSC信道的稀疏特性，重新设计无ICI结构的，还有利用最大后验概率算法进行估计的。这些算法在估计DSC信道时性能虽然有所差别，但都比一般的传统估计算法要好的多，而复杂度显然也比较高。对于移动通信来说，过长的时延显然是不合适的，因此低复杂度的估计算法还有待进一步研究。另外，本文提到的这些算法都是针对陆地上的移动通信，陆地上的快速移动通信的信道变化显然没有海上快速移动通信信道的信道变化复杂，毕竟海上有风浪、海面散射、船舶颠簸等环境因素，导致信道变化更为复杂，因此对于信道估计算法的要求就更高了。为了实现海上可靠的移动通信传输，对于海上的快速信道估计也需要进一步地研究。

参考文献

[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