基于DDST的信道估計與信號檢測

董磊 卿朝進 余旺 蔡斌 杜艷紅

摘要：為提高信道估計與信號檢測的精度且不增加系統頻譜開銷的情況下，在基于數據相關疊加訓練序列方案（Data-Dependent Superimposed Training，DDST）中加入降噪處理。發送端將導頻與發送數據采用DDST方式疊加;接收端對估計的信道狀態信息（Channel State Information，CSI）進行降噪處理，隨后進行信號檢測。仿真結果表明，在DDST系統中加入降噪處理能有效改善信道估計精度，從而進一步提高信號檢測性能。

關鍵詞：DDST;信道估計;降噪;信號檢測

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）23-0027-03

Abstract：To improve the accuracy of channel estimation and signal detection without increasing the spectrum overhead of the system， noise reduction is added to data-dependent superimposed training （DDST）.The pilot frequency and the transmitting data are superimposed by DDST at the sender. At the receiver， the estimated channel state information （CSI） is denoised， and then the signal is detected. The simulation results show that adding noise reduction to DDST system can effectively improve the channel estimation accuracy and further improve the signal detection performance.

Key words：DDST; channel estimation; noise reduction; signal detection

1 引言

第五代移動通信（5th Generation Mobile Networks，5G）的到來使得頻譜利用率與傳輸速率要求增加[1，2]。然而，有限的頻譜資源造成了信號傳輸資源緊張，導頻輔助信道估計的方法占用大量的頻譜帶寬資源，導致頻譜利用率降低，傳輸速率不高[3]。為節省帶寬資源，疊加序列[4-7]方法被廣泛應用于通信系統的信道估計、CSI反饋以及語音壓縮等領域。針對信道估計，將訓練序列與傳輸數據進行疊加的方式一直是通信系統中的一大研究熱點[8]。然而，傳統的疊加訓練序列與傳輸數據進行信道估計時，傳輸數據對訓練序列造成干擾，使得信道估計的性能變差[9，10]。

為消除傳輸數據對疊加訓練序列的干擾，基于數據相關的疊加訓練序列（Data-Dependent Superimposed Training，DDST）的方法[7]及其改進方法[11-13]被相繼提出。這些方法能夠消除訓練序列對傳輸數據的影響，從而改善信道估計與符號檢測性能。本文在基于DDST的信道估計與符號檢測方法中引入信道狀態信息（Channel State Information，CSI）降噪處理，從而改善CSI估計精度并提升信號檢測性能。

本文中，粗體小寫字母和大寫字母分別表示向量和矩陣，如[x]和[X];斜體不加粗字母表示變量，如[N];[·T]、[·H]與[·?]分別表示矩陣轉置、共軛轉置與共軛;[F]表示傅里葉變換矩;[I]表示單位矩陣。

2 系統模型

接收機接收端接收到的信號表示為：

3 信道估計與符號檢測

針對DDST方法，本節首先在3.1小節中給出基于CSI降噪處理的LS信道估計方法。隨后，在3.2小節中給出基于迫零（Zero-Forcing，ZF）與最小均方誤差（Minimum Mean Square Error，MMSE）均衡的信號檢測方法。

3.1 信道估計

信道估計的流程如表1所示。

接收端在除去循環前綴后，采用頻域估計方法。首先將接收到的信號經過離散傅里葉變換（DFT，Discrete Fourier Transform）到頻域，即[Y=FNy];隨后通過疊加訓練序列對信道進行LS估計。疊加訓練序列變換在頻域為[C=FNc]，由于在頻域導頻位置處的傳輸數據為0，經過LS估計得到對應頻點處的CSI為：

為改善CSI估計性能，對CSI進行降噪處理。首先將估計到的頻域CSI做離散傅里葉反變換（IDFT，Inverse Discrete Fourier Transform）：

3.2 信號檢測

信號檢測的流程如表2所示。

4 數值仿真

在仿真實驗中，數據幀長[N=240]，調制方式采用QPSK，實驗在信道路徑數為[L=8]與[L=12]下仿真，且每條路徑按照一定的幅度衰減，其衰減因子可以表示為[Ehl2=exp（-0.2l）]，仿真中設置疊加的功率因子[ρ=0.2]。由于存在無窮多個周期序列，其周期大小都相等，需要選用具有最小峰值平均功率比（PAR）的序列。所以在DDST方案中采用Chirp序列作為疊加序列，其表達式為：

圖1為DDST方案的LS信道估計結果。

圖1中，實虛線分別表示多徑條數為[L=8]與[L=12]條，可以看出在[SNR≥5dB]的時候，DDST方法的NMSE結果優于傳統疊加方法。特別地，經過DFT降噪后CSI估計獲得了最好的NMSE性能提升，如在[L=8]時，可以看出在[SNR=10dB]的時候，經降噪后的NMSE小于未經降噪的。

不失一般性，這里以BER進行信號檢測性能對比，信號檢測性能如圖2所示。

圖2給出了在信道路徑數[L=8]時DDST方案中基于ZF與MMSE均衡的BER性能。從圖2中可以看出，無論是基于ZF還是MMSE均衡，經過降噪提升的CSI精度，均帶來了檢測性能改善。例如，在[SNR=15dB]的時候無論是迭代0次還是3次，經過DFT降噪過后的BER都比沒有降噪的BER更低。

5 結論

本文在DDST方案中引入DFT降噪處理，在節省帶寬資源開銷的情況下，有效地改善了DDST的CSI估計精度?；贑SI估計精度的改善，從ZF與MMSE均衡兩個方面進一步驗證了檢測性能可以進一步改善。本文方法可應用與諸如5G的高頻譜效率需求的無線通信系統中。

參考文獻：

[1] 張文科.無線通信技術發展分析[J].科技創新與應用，2016（12）：86.

[2] 僧書銘.淺析5G移動通信的發展趨勢[J].科技創新與應用，2015（29）：107.

[3] J. -. van de Beek， O. Edfors， M. Sandell， S. K. Wilson and P. O. Borjesson.On channel estimation in OFDM systems[C].1995 IEEE 45th Vehicular Technology Conference. Countdown to the Wireless Twenty-First Century， Chicago， IL， USA， 1995，2：815-819.

[4] Qing C J，Cai B，Yang Q Y，et al.ELM-based superimposed CSI feedback for FDD massive MIMO system[J].IEEE Access， 2020，8：53408-53418.

[5] Qing C J，Cai B，Yang Q Y，et al.Deep learning for CSI feedback based on superimposed coding[J].IEEE Access， 2019，7：93723-93733.

[6] 萬東琴，卿朝進，陽慶瑤，等.疊加特征信息輔助的語音傳輸與重構[J].計算機工程與應用，2019，55（15）：117-122，152.

[7] Ghogho M，McLernon D，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.

[8] Estrada-Jimenez J C，Guzman B G，Fernandez-Getino Garcia M J，et al.Superimposed training-based channel estimation for MISO optical-OFDM VLC[J].IEEE Transactions on Vehicular Technology， 2019，68（6）：6161-6166.

[9] M. Ghogho and Ananthram Swami.Improved channel estimation using superimposed training[J].IEEE 5th Workshop on Signal Processing Advances in Wireless Communications， Lisbon， 2004：110-114.

[10] Zhou G，Viberg M，McKelvey T.A first-order statistical method for channel estimation[J].IEEE Signal Processing Letters，2003，10（3）：57-60.

[11] Chan K，Li C，Hung C，et al.A precoding scheme for eliminating data identification problem in single carrier system using data-dependent superimposed training[J].IEEE Access，2019，7：45930-45939.

[12] Dou G Q，Guo F L，Li C Y，et al.Constellation rotation and symbol detection for data-dependent superimposed training[J].Electronics Letters， 2014，50（25）：1939-1940.

[13] Zhang H，Sheng B.An enhanced partial-data superimposed training scheme for OFDM systems[J].IEEE Communications Letters， 2020：1.

【通聯編輯：代影】