CN101048934B - 以降低繁复性滑窗为基础的均衡器 - Google Patents

Abstract

本发明具有多种形式。本发明的一种形式是使用以滑窗为基础的方法执行等化。第二种形式再使用为每一窗导出的由一后续窗使用的信息。第三形式使用等化用的以离散傅立叶转换方法为基础的方法。第四种形式是关于处理被接收信号的过度取样及频道响应。第五种形式是关于处理多重接收天线。第六种形式是关于处理过度取样及多重接收天线二者。

Description

以降低繁复性滑窗为基础的均衡器

技术领域

本发明总的有关无线通讯系统。尤其是，本发明是有关此种系统中的数据检测。

背景技术

由于改善接收器性能要求的增加，许多先进的接收器使用迫零(zero-forcing，ZF)区块线性均衡器(block linear equalizer)以及最小均方误差(minimum mean square error，MMSE)均衡器。

在这二种方法中，被接收信号通常具有程序1的模型。

r＝Hd+n           程序1

r是接收的向量，包含被接收信号的样本。H是频道响矩阵。d是将被评估的数据向量。在散频(spread spectrum)系统中，例如分码多重存取(CDMA)系统，d可以代表数据符元(symbol)或合成的扩展数据向量。对于合成的扩展数据向量而言，每个独立的码所用的数据符元通过对具有该码的该被评估的数据向量d去扩展而产生。n是噪声向量。

在ZF区块线性均衡器中评估数据向量，例如以程序2。

d＝(H^H H)^-1H^H r     程序2

(·)^H是复共轭转置(或Hermetian)运算。在MMSE区块线性均衡器中，例如依据程序3数据评估向量。

d＝(H^H H+σ²I)^-1H^H r      程序3

在无线频道经验的多路径(multipath)传播中，为使用这些方法正确地检测数据，需要使用极大数量的被接收样本，这是不实际的。因此，希望使用近似的技术。其中一种方法是滑窗(sliding window)方法。在滑窗方法中，预定的接收样本的窗以及频道响应被用于数据检测。在初步检测之后，此窗下滑至样本的下一个窗。此程序持续进行直到通讯中止为止。

通过不使用极大数量的样本数，在程序1所示的符元(symbol)模型中导入一个误差，且因此造成不正确的数据检测。此误差在窗的开始及结束的最显著的，其中无限序列的有效删截部份具有最大的影响。一种降低这些误差的方法是使用大的窗尺寸并在窗的开始及结束截断结果。窗被截断的部份在之前以及后续的窗中被决定。此方法具有相当的繁复性，尤其是在大的频道延迟扩展时。此大的窗尺寸导致评估中所使用的大数据矩阵尺寸以及向量。此外，此方法由于在窗的开始及结束检测数据然后丢弃该数据因此不具计算上的效率。

因此，希望可以有其它的数据检测方法。

发明内容

本发明具有许多形式。本发明的一种形式是使用滑窗方法以执行均衡器。第二种形式重新使用为每一窗所导出由一后续窗所使用的信息。第三种形式使用等化用的以离散傅立叶转换(discrete Fourier transform)为基础的方法。第四种形式是关于处理接收信号及频道响应的过度取样。第五种形式是关于处理多重接收天线。第六个实施例是关于处理过度取样以及多重接收天线二者。

附图说明

图1是带状频道响应矩阵。

图2是带状频道响应矩阵的中新部份。

图3是具有可能的分割的一数据向量窗。

图4是被分割的信号模型的说明。

图5是使用过去校正因子的滑窗数据检测的流程图。

图6是使用过去校正因子的滑窗数据检测的接收器。

图7是使用噪声自动关联校正因子的滑窗数据检测的流程图。

图8是使用噪声自动关联校正因子的滑窗数据检测的接收器。

图9是滑窗流程的图式代表。

图10是使用循环近似法(circulant approximation)的滑窗流程的图式。

图11是使用离散傅立叶转换(DFTs)检测数据的实施例电路图。

具体实施方式

虽然本发明的特征及组件在特定实施例中以特定组合被描述，每一特征或组件可单独被使用(不需要较佳实施例的其它特征及组件)，或在具有或不具有本发明其它特征及组件的不同组合中被使用。

以下，无线接收/传输单元(WTRU)包括但不限于使用者设备，移动站，固定或移动用户单元，呼叫器，或任何其它型态的能够在无线环境中操作的装置。当以参照下文时，基站包括但不限于点B，位置控制器，存取点或任何型态的在无线环境中的接口装置。

虽然降低繁复性滑窗均衡器是结合较佳的分码多重存取通讯系统而被描述，例如CDMA2000以及通用移动陆地系统(UMTS)分频双工(FDD)，分时双工(TDD)模式以及分时同步CDMA(TD-SCDMA)，其可适用于不同的通讯系统，且尤其是，各种的无线通讯系统。在无线通讯系统中，其可被应用于由一WTRU从一基地台接收，由一基地台从一或多个WTRUs接收，或由一WTRU从另一WTRU所接收的传输，例如在运作的移动随意(ad hoc)模式中。

以下描述使用较佳的MMSE算法的以降低繁复滑窗为基础的均衡器。然而，也可使用其它的算法，例如迫零算法。h(·)是一频道的脉冲。d(·)是使用扩展码通过扩展一符元所产生的第k个被传输的样本。其亦可为使用一组码，例如正交码，通过扩展一组符元所产生的码片(chi p)的总合。r(·)是接收的信号。此系统的模式可被表示如程序4。

$r\left(t\right)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}d\left(k\right)h(t-k{T}_c)+n\left(t\right),-\&infin;<t<\&infin;$ 程序4

m(t)是附加的噪声及干扰(信元内(intra-cel 1)及信元间(inter-cell))。为简化起见，以下描述为假设码片速率取样是在接收器使用，虽然也可使用其它的取样速率，例如码片速率的数倍。被取样的接收信号可以程序5表示。

$r\left(j\right)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}d\left(k\right)h(j-k)+n\left(j\right)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}d(j-k)h\left(k\right)+n\left(j\right),j\&Element;\{...,-2,-\mathrm{1,0,1,2},...\}$

程序5

Tc为简化的故在标记中被丢弃。

假设h(·)是有限的支持并不随时间而变。这表示在离散时域中存在指针L，因此h(·)＝0，对于i＜0及i＞L而言。因此，程序5可被重写为程序6。

$r\left(j\right)=\underset{k=0}{\overset{L-1}{\mathrm{\&Sigma;}}}h\left(k\right)d(j-k)+n\left(j\right),j\&Element;\{...,-2,-\mathrm{1,0,1,2},...\}$ 程序6

假设被接收的信号具有M个被接收的信号\r(0)，....r(M-1)，产生程序7。

r＝Hd+n

其中

r＝[r(0)，...，r(M-1)]^T∈C^M，

d＝[d(-L+1)，d(-L+2)，...，d(0)，d(1)，...，d(M-1)]^T∈C^M+L＝1

n＝[n(0)，...，n(M-1)]^T∈C^M

程序7

在程序7，C^M表示具有维度M的所有多个向量的空间。

向量d的部份可使用近似程序而被决定假设M＞L且定义N＝M-L+1，向量d从程序8获得。

程序8

程序7中的H矩阵是一个带状矩阵，其可被表示为图1图式。在图1，阴影区域中的每一列代表向量[h(L-1)，h(L-2)，...h(1)，h(0)]，如程序7所示。

取代评估d中的所有元素，仅d中的中间N个元素被评估。

如程序9所示为中间N。

$\tilde{d}={[d\left(0\right),...,d(N-1)]}^T$ 程序9

对r使用相同的观察，r与

之间的近似线性关系依据程序10。

$r=\tilde{H}\tilde{d}+n$ 程序10

矩阵

可被表示为图2中的图式或如程序11所示。

程序11

如所示，r的第一个L-1以及最后的L-1元素不等于程序10的右手边。因此，在向量

二端的元素将被评估的正确性将比接近中央的元素小。由于此种特性，如后续所述的滑窗方法较好被使用在传输样本，例如码片(chip)，的评估。

在滑窗方法的每一第k个步骤中，确定数目的被接收样本被维持在具有N+L-1维的r[k]中。它们被用以使用程序10评估一组具有维度N的传输的数据在向量

被评估之后，仅有被评估的向量

被使用于进一步的数据处理，例如通过去扩散(de-spread)。较低的部份(或稍后及时的部份)在滑窗处理之下一步骤中再次被评估，其中r[k+1]具有一些元素r[k]以及一些接收的样本，亦即其是r[k]的偏移(滑动)的版本。

虽然，较佳者此窗的尺寸N及滑动步骤尺寸是设计参数(基于频道(L)的延迟扩展，数据评估的精确需求以及实施的繁复性限制)，为说明的目的在以下使用程序12的窗尺寸。

N＝4N s x SF  程序12

SF为扩散因子。典型的窗尺寸是频道脉冲响应的5至20倍，虽然也可使用其它的尺寸。

以程序12的窗尺寸为基础的滑动步骤尺寸是，较佳者，2N_s×SF。N_s∈{1，2，...}，较佳者，留做一设计参数。此外，在每一滑动步骤中，被传送至去扩展器的被评估的码片是被评估中央的元素2N_s×SF。此程序说明在图3。

在以上描述的滑动窗方法中，此系统模型通过丢弃模型中某些项目而被近似。在以下描述一种技术，其中的项目通过使用之前滑动步骤所评估的信息或使所述项目的特征为模型中噪声而被维持。此系统模型使用维持/特征化项目而被校正。

一种数据检测算法使用具有模型误差较正的MMSE算法，使用一滑窗为基础的方法以及程序10的系统模型。

由于近似，数据的评估，例如码片，具有误差，尤其是在每一滑动步骤中(在开始及结束)在数据向量的二端。为校正此误差，程序7中的矩阵H被分割为一区块列矩阵，如程序13(步骤50)。

$H=\left[H_p\right|\tilde{H}\left|H_f\right]$ 程序13

下标“p”表示”过去”，而“f”表示”未来”。来自程序10。H_p如程序14。

程序14

H_f如程序15。

程序15

向量d也被分割为区块，如程序16。

$d={\left[d_p^T\right|{\tilde{d}}^T\left|d_f^T\right]}^T$ 程序16

和程序8相同，而d_p依据程序17。

d_p＝[d(-L+1)d(-L+2)...d(-1)]^T∈C^L-1     程序17

d_f依据程序18。

d_f＝[d(N)d(N+1)...d(N+L-2)]^T∈C^L-1        程序18

原始的系统模型随后依据程序19且表示在图4。

$r=H_p{d}_p+\tilde{H}\tilde{d}+H_f{d}_f+n$ 程序19

对模型程序19的一种方法如程序20。

$\tilde{r}=\tilde{H}\tilde{d}+{\tilde{n}}_1$

其中 $\tilde{r}=r-H_p{d}_p\mathrm{and}{\tilde{n}}_1=H_f{d}_f+n$ 程序20

使用MMSE算法，被评估的数据向量

如程序21。

$\hat{\tilde{d}}=g_d{\tilde{H}}^H{(g_d\tilde{H}{\tilde{H}}^H+{\mathrm{\&Sigma;}}_1)}^{-1}\hat{\tilde{r}}$ 程序21

在程序21，g_d是依据程序22的码片能量。

E{d(i)d^*(j)}＝g_dδ_ij      程序22

是依据程序23所得。

$\hat{\tilde{r}}=r-H_p{\hat{d}}_p$ 程序23

是先前滑窗步骤中的的评估。∑₁是

的主动关联矩阵，亦即 ${\mathrm{\&Sigma;}}_1=E\left\{{\tilde{n}}_1{{\tilde{n}}_1}^H\right\}.$ 如果假设H_fd_f以及n是未相关联，产生程序24。

${\mathrm{\&Sigma;}}_1=g_d{H}_f{H}_f^H+E\left\{n{n}^H\right\}$ 程序24

的可靠度依据滑动窗的尺寸(相对频道延迟时间L)以及滑动步骤尺寸而定。

此方法也结合图5以及较佳者图6的接收器组件而被说明，其可被实施于WTRU或基地台的内。图6的电路可被实施于一单一集成电路上(IC)，例如特殊应用集成电路(ASIC)，在多重的ICs之上，例如离散的组件，或IC与离散组件的组合。

频道评估装置20处理并接收产生频道评估矩阵部H_p，

and H_f的向量r(步骤50)。一未来噪声主动关联装置24决定未来噪声主动关联因子g_dH_fH_f ^H(步骤52)。一噪声主动关联装置22决定一噪声主动关联因子，E{nn^H}(步骤54)。一加法器26将二因子加总在一起以产生∑1，(步骤56)。

一过去输入校正装置28取频道响应矩阵Hp的过去的部份，以及数据向量

的一过去部份，以便产生一过去校正因子

(步骤58)。一减法器30从接收的向量减去该过去校正因子而产生一修改的接收向量

(步骤60)。MMSE装置34使用∑₁，

以及

以决定接收的数据向量中央部份

例如依据程序21(步骤62)。下一个窗口在下一个窗决定中以相同的方式使用的一部份做为

(步骤64)。如此方法所述，只有想的的部份的数据

被决定，降低数据检测以及截除数据向量不想要的部份所包含的繁复性。

在关于数据检测的另一个方法中，仅有噪声项目被校正。在此方法中，此系统模型依据程序25。

$r=\tilde{H}\tilde{d}+{\tilde{n}}_n,,$ 其中 ${\tilde{n}}_2=H_p{d}_p+H_f{d}_f+n$ 程序25

使用MMSE算法，被评估的数据向量是依据程序26。

$\hat{\tilde{d}}=g_d{\tilde{H}}^H{(g_d\tilde{H}{\tilde{H}}^H+{\mathrm{\&Sigma;}}_2)}^{-1}r$ 程序26

假设Hpdp，Hfdf未被校正，则产生程序27。

${\mathrm{\&Sigma;}}_2=g_d{H}_p{H}_p^H+g_d{H}_f{H}_f^H+E\left\{{\mathrm{nn}}^H\right\}$ 程序27

为降低使用程序27解程序26的繁复性，不需要H_pH_p ^H及H_fH_f ^H的全矩阵乘法，因为通常仅有H_p的上部与H_f的下部角落为非0。

此方法也结合图7的流程图及图8可被实施于WTRU或基站的较佳接收器组件而被说明。图8的电路可被实施于一单一集成电路(IC)，例如特殊应用积体(ASICs)，实施于多重ICs上，做为离散的组件，或是ICs与离散组件的组合。

频道评估装置36处理被接收的向量而产生频道评估矩阵部份H_p，

以及H_f。(步骤70)。一噪声主动关联校正装置38使用频道响应矩阵的未来及过去部份而决定一噪声主动关联校正因子，g_dH_pH_p ^H+g_dH_fH_f ^H，(步骤72)。一噪声主动关联装置40决定一噪声主动关联因子E{nn^H}，(步骤74)。一加法器将噪声主动关联校正因子加到噪声主动关联因子以产生∑₂，(步骤76)。一MMSE装置44使用中央部份或频道响应矩阵

接收的向量r以及∑₂以评估数据向量的中央部份

(步骤78)。此方法的优点在于不需要使用此被检测数据的反馈回路。因此，不同的滑窗版本可以被同时而非依序决定。

离散傅立叶转换为基础的等化

以上所述的滑窗方法需要一个矩阵逆转(reverse)，这是一个复杂的过程。实施滑窗的实施例使用如下的离散傅立叶转换(DFTs)。虽然此以DFT为基础的方法是使用MMSE算法，其可使用其它算法，例如以迫零为基础的算法。

对某些整数N而言，矩阵A_cir∈C^N×N是循环矩阵，如果其具有程序28的形式。

程序28

此类型的矩阵使用DFT以及IDFT操作数而被表示，例如程序29。

其中A_cir[：，1]＝(a₀，a₁，...，a_N)^T∈C^N，亦即其为矩阵A_cir的第一行

程序29

如果有适当地置换的话，使用第一行之外的行。F_N是第N点DFT矩阵，其对任何x∈C^N，被定义如程序30。

${\left(F_{N}x\right)}_k=\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}x\left(n\right)e^{j\frac{2\mathrm{\&pi;kn}}{N}},k=0,...,N-1$ 程序30

F_N ^-1是第N-1点DFT矩阵，其对任何x∈C^N，被定义如程序31。

${\left(F_N^{-1}x\right)}_k=\frac{1}{N}{\left(F_N^{*}x\right)}_k=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}x\left(n\right)e^{-j\frac{2\mathrm{\&pi;kn}}{N}},k=0,...,N-1$ 程序31

Λ_N(·)是对角线矩阵，其对任何x∈C^N，被定义如程序32。

Λ_N(x)＝diag(F_Nx)  程序32

矩阵A_cir的逆转依据程序33而被表示。

$A_{\mathrm{cir}}^{-1}=F_N^{-1}{\mathrm{\&Lambda;}}_N^{-1}\left(A_{\mathrm{cir}}\right[:,1\left]\right)F_N$ 程序33

以下是关于使用以滑窗为基础的码片准位均衡器的数据评估处理的以DFT为基础的方法。第一实施例使用单一接收天线。后续的实施例使用多接收天线。

此接受器系统依据程序34形成模型。

$r\left(t\right)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}d\left(k\right)h(t-k{T}_c)+n\left(t\right),-\&infin;<t<\&infin;$ 程序34

h(·)是频道的脉波响应。d(k)是使用扩散码通过扩散符元产生的第k个被传输的码片样本。r(·)是接收的信号。n(·)是附加的噪声及干扰的总和(信元内部(intra-cell)及信元之间(inter-cell))。

使用码片速率取样且h(·)具有有限的支持，这表示在离散的时域中，有一个整数L使得h(i)＝0，对于i＜0以及i≥L，j∈{...，-2，-1，0，1，2，...}被取样的接收信号可以依据程序35而被表示。(Tc为简化标示的原因而舍弃)。

$r\left(j\right)=\underset{k=0}{\overset{L-1}{\mathrm{\&Sigma;}}}h\left(k\right)d(j-k)+n\left(j\right)$ 程序35

基于M的接收信号(M＞L)，r(0)，...，r(M-1)，产生程序36。

r＝Hd+n

其中

r＝[r(0)，...，r(M-1)]^T∈C^M，

d＝[d(-L+1)，d(-L+2)，...，d(0)，d(1)，...，d(M-1)]^T∈C^M+L＝1

n＝[n(0)，...，n(M-1)]^T∈C^M

程序36

如程序36所示，H矩阵是多复变矩阵(Toeplitz matrix)。如后续多码片速率取样及/或多接收天线的应用中所描述，H矩阵是区块多复变(block Toeplitz)。使用区块多复变特性，使用使用离散傅立叶转换技术。多复变/区块多复变天性是与一频道的折积(convolution)或与具有限数量的有效平行频道折积的结果。有效的平行频道的出现是过度取样或多重接收天线的结果。对一频道而言，一单一列必须被往下滑动至右边以产生一多复变矩阵。

噪声向量的统计被当成具有主动关联特性而被处理，依程序37。

E{n n^H}＝σ²I      程序37

程序(5)的左边可被视为是连续输入信号串的一个”窗(window)”。为评估此数据，使用适合的模型。在此近似的模型中，向量d的第一个L-1及最后一个L-1元素在施加MMSE算法之前被假设为0，且d的剩余M-L+1元素形成新的向量 $\tilde{d}={[d\left(0\right),...,d(M-L+1)]}^T.$ 此近似的模型可表示如程序38。

$r=\tilde{H}\tilde{d}+n$

程序38

在向量

被评估之后，仅有其中间部份被进行解扩散。接着，观察的窗(即被接收的信号)被滑动(M-L+1)/2元素，并重复此流程。图9是如以上描述的滑窗流程的图式。

使用MMSE算法，被评估的数据以程序39表示。

$\hat{\tilde{d}}=R^{-1}{\tilde{H}}^{H}r$

其中 $R={\tilde{H}}^H\tilde{H}+{\mathrm{\&sigma;}}^{2}I$

程序39

在程序39，矩阵R及矩阵

不会被循环以帮助DFT实施。为有助于DFT实施，对每一滑动步骤，使用程序40的近似系统模型。

其中

程序40

在程序40，仅有第一个L-1元素[程序]是程序36元素的近似。

矩阵

被以一循环矩阵(circulant matrix)取代，例如依程序41。

程序41

此系统模型，对于每一滑动步骤，是依据程序42。

r＝H_cird+n

其中d＝[d(0)，...，d(M-1)]^T∈C^M×1

程序42

程序42中的向量d由于新模型而与程序36中的向量d不同。程序42将额外的失真加到程序39的第一个L-1元素。此失真使得被评估的向量d的二端是不正确的。图10是此模型结构处理的图式表示。

使用程序42的近似模型，MMSE算法产生评估的数据，如程序43。

$\hat{d}=R_{\mathrm{cir}}^{-1}{H}_{\mathrm{cir}}^{H}r$

其中 $R_{\mathrm{cir}}=H_{\mathrm{cir}}^H{H}_{\mathrm{cir}}+{\mathrm{\&sigma;}}^{2}I$ 程序43

H_cir ^H及R_cir二者为循环且R_cir为程序44的形式。

程序44

使用循环矩阵的特性，评巜的数据如程序45。

$\hat{d}=F_M^{-1}{\mathrm{\&Lambda;}}_M^{-1}\left(R_{\mathrm{cir}}[:,1]\right){\mathrm{\&Lambda;}}_M\left(H_{\mathrm{cir}}^H[:,1]\right)F_{M}r$ 程序45

图11是依据程序45消除数据的电路图式。图11的电路可被实施于一单一集成电路(IC)，例如特殊应用集成电路(ASICs)，实施于多重ICs上，做为离散的组件，或是ICs与离散组件的组合。

被评估的频道响应

是由一

决定装置80处理以决定多复变矩阵

循环近似装置82处理

以产生循环矩阵A H_cir，H_cir ^H。使用H_cir，H_cir ^H以及噪声变量σ²，R_cir由一R_cir决定装置86决定。使用H_cir ^H的第一行，由Λ_M(H_cir ^H[：，1])决定装置88决定一对角矩阵。使用R_cir的第一行，由Λ_M ^-1(R_cir[：，1])决定装置90决定一逆对角矩阵。离散傅立叶转换装置92在接收的向量r上执行转换。对角，逆对角以及傅立叶转换结果由乘法器96相乘一起。逆傅立叶转换置94取相乘结果的逆转换以产生数据向量

此滑窗方法是以频道在每一滑窗内是不变的假设为基础。接近滑窗开始的频道脉波响应可被用于每一滑动步骤。

决定窗步骤尺寸N_ss以及窗尺寸M的方法是依据程序46，虽然可使用其它的方法。

N_ss＝2N_symbol×SF且M＝4N_symbol×SF   程序46

N_symbol∈{1，2，...}是符元的数量且为应该被选择的设计参数，因此M＞L。因为M也是可以使用FFT算法实施的DFT用的参数。M可以够大，因此可以使用基数2FFT(radix-2FFT)或主要因子算法(prime factoralgorithm(PFA))FFT。在数据被评估之后，2N_symbol×SF样本从N_symbol×SF^th被进行解扩散。图11是取得解扩散用的样本的说明。

多接收天线等化

以下是使用多接收天线的实施例，例如K接收天线。独立取的每一天线的被接收向量的样本以及频道脉波响应的评估。依循和单一天线相同的程序，每一天线输入r_k依据程序47被近似。

r_k＝H_cir，kd+n_k    ，k＝1，...，K    程序47

或依据程序48的区块矩阵形式。

程序48

程序49及50是噪声项目的主动关联及交叉关联的特性。

$E\left\{n_k{n}_k^H\right\}={\mathrm{\&sigma;}}^{2}I,\mathrm{for\; k}=1,...,K$ 程序49

以及

$E\left\{n_k{n}_j^H\right\}=0,\mathrm{for\; k}\&NotEqual;j$ 程序50

使用MMSE算法，被评估的数据可依据程序51而被表示。

$\hat{d}=R_{\mathrm{cir}}^{-1}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{H}_{\mathrm{cir},k}^H{r}_k$

其中 $R_{\mathrm{cir}}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{H}_{\mathrm{cir},k}^H{H}_{\mathrm{cir},k}+{\mathrm{\&sigma;}}^{2}I$ 程序51

R_cir依然是循环矩阵而被评估数据可依据程序52决定。

$\hat{d}=F_M^{-1}{\mathrm{\&Lambda;}}_M^{-1}\left(R_{\mathrm{cir}}[:,1]\right)\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&Lambda;}}_M\left(H_{\mathrm{cir},k}^H[:,1]\right)F_M{r}_k$ 程序52

如果接收天线被紧密排列，噪声项目可以在时间及空间中被进行关联。因此，可能产生某些性能上的退化。

多码片速率取样(过度取样)等化

以下描述具有多码片速率取样的使用以滑窗为基础的等化方法的实施例。多码片速率取样是当频道在一特定取样速率被取样时，其为码片速率的整数倍。例如2倍，3倍等等。虽然下文集中在每码片速率的2倍，这些方法可适用其它倍数。

使用N码片滑动窗宽度以及2倍码片速率取样，我们的接收向量是r＝[r₀，r₁，...，r_2N-1]^T。此向量可以被重新安排且分离为一偶接收向量r_e＝[r₀，r₂，...，r_2N-2]^T以及一奇接收向量r_o＝[r₁，r₃，...，r_2N-1]^T。不具有大部份的损失，数据传输模型依据程序53。

$\left[\begin{array}{c}{r}_e\\ r_o\end{array}\right]=\left[\begin{array}{c}{H}_e\\ H_o\end{array}\right]d+\left[\begin{array}{c}{n}_e\\ n_o\end{array}\right]$ 程序53

程序53将有效的每码片2样本离散时间频道分离为2个码片速率离散时间频道。

程序53中的矩阵H_e及H_o对应偶与奇频道响应矩阵。这些矩阵是来自偶与奇频道响应向量h_e与h_o，其是通过每码片2样本对频道响应取样并将其分为偶与奇频道响应向量而获得。

此频道噪声被建构为具有一变量σ²的白的模型，如程序54。

$E\left[n_e{n_e}^H\right]=E\left[n_o{n_o}^H\right]={\mathrm{\&sigma;}}^{2}I$ 程序54

如果此频道是相加的白高斯噪声(white Gaussian noise(AWGN))，频道及接收的数据直接从取样的频道提供，然后产生程序55。

$E\left[n_e{n_o}^H\right]=0$ 程序55

因此，此问题在数学上类似具有未关联噪声的2接收天线用的码片速率均衡器的情况，如前所述。然而，许多实施例中的被接收天线信号在被提供给数字接收器做进一步处理之前是由一接收端根升余弦滤波器(root-raisedcosine(RRC)filter)所处理。在此种处理之后，接收的噪声向量不再是白的，但具有raised-cosine(RC)主动关联函数。RC是RRC响应的频域平方。因为RC脉波是奈奎斯(Nyquist)脉波，程序54维持，但程序55则否。矩阵 ${\mathrm{\&Lambda;}}_{\mathrm{cross}}\stackrel{\mathrm{def}}{=}\frac{1}{{\mathrm{\&sigma;}}^2}E\left[n_e{n_o}^H\right]$ 的第(i，j)元素是依据程序56。

$\frac{1}{{\mathrm{\&sigma;}}^2}E{\left[n_e{n_o}^H\right]}_{(i,j)}=x_{\mathrm{RC}}\left(\right|i-j|+0.5)$ 程序56

x_RC是单位符元时间正规化RC脉波形状。

Λ_cross的特性是，其为实数(real)，对称且多复变(Toeplitz)；其并非带状且不具有0项目，且其项目变小且接近0当它们离主要对角线愈来愈远时。

∑_n表示全部雑讯向量的交叉关联矩阵且依据程序57。

${\mathrm{\&Sigma;}}_n={\mathrm{\&sigma;}}^2\left[\begin{array}{cc}I& {\mathrm{\&Sigma;}}_{\mathrm{cross}}\\ {\mathrm{\&Sigma;}}_{\mathrm{cross}}& I\end{array}\right]$ 程序57

确实的解法

来自观察r的d的线性最小均方评估的问题的确实解法依据程序58。

${\hat{d}}_{\mathrm{MMSE}}={(H^H{\mathrm{\&Sigma;}}_n^{-1}H+I)}^{-1}{H}^H{\mathrm{\&Sigma;}}_n^{-1}r$

其中 $y=H^H{\mathrm{\&Sigma;}}_n^{-1}r$ 是白化匹配滤波(whitening matched filtering(WMF))

${\hat{d}}_{\mathrm{MMSE}}={(H^H{\mathrm{\&Sigma;}}_n^{-1}H+I)}^{-1}y$ 是线性MMSE等化             程序58

H^H∑_n ^-1及H^H∑_n ^-1H+I皆不是多复变且亦不能经由元素单位运算[例如列/行的重新排列]被形成多复变，由于∑_n的结构。因此，基于多复变矩阵的循环近似的以DFT为基础的方法不能适用于此且确实的解十分复杂。

描述导出解答此问题用的有效的算法用二个实施例。第一实施例使用简单的近似，而第二实施例使用几乎确实的解法。

简单近似

简单近似忽略n_e与n_o，之间的关联，∑_cross＝0。因此，使用与多码片速率接收天线的相同的方法。

简单近似方法的繁复性如下所述。考虑N码片数据区块。以粗略近似而言，一个N点DFT繁复性，假设每秒NlogN运算(operations per second(ops))。此外，假设N点向量乘法以执行N ops并忽略向量加法。

DFT为基础的方法的繁复性可以粗略地分为2部份：必须在每一接收数据组上执行的流程以及当频道评估被更新时的流程，其被执行的频率通常比前者的运算小一至二个等级的大小。

对于在每一接收数据组上执行的流程，执行以下的运作：2N点DFTs以便将接收的向量转换至频域；2N点向量乘法(将每一接的向量乘上适当的“状态(state)”向量；以及多一个DFT以转换此乘积回时域(time domain)。因此，适合的繁复性如程序59所示。

C_1，r＝3N log N+2N    程序59

关于执行频道响应被更新时所执行的流程，执行以下的运作：2DFT运算，6个N点向量乘法以及一向量除法，其需要一向量乘法10倍的运算。因此，此程序的繁复性大约如程序60所示。

C_1，r＝2N log N+16N  程序60

几乎确实的解

对于使用区快多复变解法的几乎确实的解，向量及矩阵被重新排列为其自然的次序，因此向量r由r＝[r₀，r₁，...，r_2N-1]^T获得。程序61是自然次序模型。

r＝H_bTd+n

其中H_bT被定义为 $H_{\mathrm{bT}}=\left[\begin{array}{c}{h}_{e,1}\\ h_{o,1}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_{o,N}\end{array}\right]=\left[\begin{array}{c}{G}_1\\ G_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ G_N\end{array}\right]$ 程序61

h_e，i是H_e的第i列而h_o，i是H_o的第i列。G_i是2xN矩阵，其第1列是h_e，i而其第二列是h_o，i.使用G_i[x，y]做为G_i的列x，行y元素，H_bT是如程序62所示的区块多复变。

G_i[x，y]＝G_j[x，y+(i-j)]

假设1≤y+(i-j)≤N    程序62

H_bT的区块多复变结构立即从H_e及的H_o多复变以及列的重新排列而产生。从I的多复变结构及∑_cross，重新定义问题中的主动关联矩阵也是区块多复变。因为矩阵也是对称的，可以重新写为程序63。

∑_bT＝[∑_i，j]_{1≤i，j≤N}

其中∑_i，j是2x2矩阵，具有特性∑_i，j＝∑_|i-j|

程序63

接着产生对区块多复变矩阵的区块循环近似。因为H_bT矩阵也是带状，随后直接获得H_bT的区块循环近似。但是，∑_bT不是带状，故不可能直接从其产生区块循环近似。因为Λ_bT的元素在远离主要对角线时倾向于0，对∑_bT的带状近似依据程序64。

${\mathrm{\&Sigma;}}_{\mathrm{bT}}\&ap;{\widetilde{\mathrm{\&Sigma;}}}_{\mathrm{bT}}={\left[{\widetilde{\mathrm{\&Sigma;}}}_{i,j}\right]}_{1\&le;i,j\&le;N}$

其中

是2x2矩阵并具有以下特性

${\widetilde{\mathrm{\&Sigma;}}}_{i,j}={\mathrm{\&Sigma;}}_{|i-j|}$ 如果|i-j|≤B_n且 ${\widetilde{\mathrm{\&Sigma;}}}_{i,j}=0$ otherwise  程序64

此噪声共变异频宽(noise-covariance-bandwidth)B_n是被选择的设计参数。由于RC脉波形状的衰退特性，倾向于仅有数个码片。现在

是带状区块多复变且对其产生循环近似。

H_bT的循环近似以及

分别是H_bC与∑_bC。W_n表示n点DFT矩阵，就是如果xis是n向量，则x_f＝W_nx是x的DFT。区块循环矩阵是程序65的形式。

其中C_i是NxN矩阵且因此C是MNxMN矩阵

程序65

C也可被写为程序66。

$C=W_{M\&times;N}^{-1}{\mathrm{\&Lambda;}}_{M\&times;N}\left(C\right)W_{M\&times;N}$

其中W_M×Nis是区块N-DFT矩阵，定义为 $W_{M\&times;N}=W_M\&CircleTimes;I_N$

程序66

Λ_M×N(C)是依据C而定的区块对角线矩阵且如程序67所表示。

程序67

Λ_i(C)是NxN矩阵。为完全指定Λ_i(C)，λ_i，(k，l)表示Λ_i(C)的第(k，l)元素并且被定义为 ${\mathrm{\&lambda;}}_{(k,l)}\stackrel{\mathrm{def}}{=}{[{\mathrm{\&lambda;}}_{1,(k,l)},{\mathrm{\&lambda;}}_{2,(k,l)},...,{\mathrm{\&lambda;}}_{M,(k,l)}]}^T.$ c_i(k，l)表示C的第(k，l)元素，并且被定义为 $c_{(k,l)}\stackrel{\mathrm{def}}{=}{[c_{1,(k,l)},c_{2,(k,l)},...,c_{M,(k,l)}]}^T.$ λ_(k，l)是c_(k，l)的M点DFT且被定义如程序68。

λ_(k，l)＝W_Mc_(k，l)         程序68

程序66-68指定方形区块循环矩阵的区块DFT的表示。计算Λ_M×N(C)需要N²DFTs。

MMSE评估器被重新写成程序69。

${\hat{d}}_{\mathrm{MMSE}}=H^H{({\mathrm{\&Sigma;}}_n+{\mathrm{HH}}^H)}^{-1}r$ 程序69

依据程序68的MMSE评估器的形式具有数个优点。其仅需要一单一的逆矩阵计算且因此在DFT域中仅需一单一向量分割。这提供潜在的重要节省，因为分割是高度的复杂。

此几乎确实的解法在较佳实施例中具有二步骤，虽然也可使用其它的方法。每次获得新的评道估计时，频道滤波器被更新，(决定H^H(∑_n+HH^H)^-1)。对每一数据区块，此滤波器适用于接收的数据区块。使用此分割是因为频道更新的频率与被接收数据区块的处理相较之下比较不频繁，且因此通过将整体流程分为此二步骤可以大大降低繁复性。

∑_n的DFT是脉冲波形滤波器的DFT乘上噪声变量σ²。因为脉冲波形滤波器通常是系统固定的特征其DFT可被预先计算并储存在内存中且因此仅有σ²被更新。因为脉冲波形滤波器很可能接近”理想的”(IRR)脉冲形状，理想脉冲形状的DFT可为∑_n所用，降低繁复性，且远离载体。

为频道更新步骤，执行以下流程：

1.需要计算H的”区块DFT”。因为区块的宽度为2，其需要2个DFT。所产生的结果是一个Nx2矩阵，此矩阵的列为h_e及h_o的DFTs。

2.HH^∥的”区块DFT”是通过一个元素一个元素地寻找h_e及h_o的主动关联性及交叉关联性而被计算。这需要6N多个乘法及2N多个加法：N 2x2矩阵以其本身的赫转置(Hermitian transposes)而被计算。

3.∑_n的区块DFT被相加，其需要3N乘法(以σ²决定被储存的RRC滤波器的区块DFT的大小)以及3N相加以将二矩阵的区块DFT相加。

4.∑_n+HH^H的逆转被列入区块DFT领域。为此，N个2x2矩阵的每一者的逆转被列入区块DFT领域中。为评估全部运算的数量，考虑一个赫梅矩阵 $M=\left[\begin{array}{cc}a& b\\ b^{*}& a\end{array}\right].$ 此矩阵的逆转表示在程序70。

$M^{-1}=\frac{1}{a^2-{\left|b\right|}^2}\left[\begin{array}{cc}a& -b\\ -b^{*}& a\end{array}\right]$ 程序70

因此，计算每一逆转的繁复性包括3个实数乘法以及1个实数减法(大约是一个多个乘法)以及一个实数除法。

5.此结果和H^∥的区块DFT进行区块相乘，其共使用8N个乘法+4N加法(因为H^∥不是赫梅)。

总而言之，需要以下的计算：2N点DFS；18N多个乘法(17N点向量乘法+N标准单独乘法)；11N多个加法(11N点向量加法)；以及11实数除法。

处理一个2N数值(N码片长度)的数据区块r包含：2N点DFTs；N点区块DFTs的乘积(滤波器及数据)，其需要8N多个乘法及4N多个加法；以及1N点逆DFTs。

综言的，需要以下的计算：3N点DFTs；8N多个乘法(8N点向量乘法)；以及4N多个加法(4N点向量加法)。

多重码片速率取样及多重接收天线等化

以下是使用多重码片速率取样及多重接收天线等化的实施例。以L接收天线，2L频道矩阵-每一天线乘积的一个”偶”以及一个”奇”矩阵。第l个天线的频道矩阵被标示为H_l，e及H_l，o而h_l，e，n及h_l，o，n表示此种矩阵的第n列。每一频道矩阵是多复变，且以适合的列的重新排列，联合频道矩阵是一个区块多复矩阵，如程序71。

$H_{\mathrm{bT}}=\left[\begin{array}{c}{h}_{l,e,1}\\ h_{l,o,1}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_{L,o,N}\end{array}\right]=\left[\begin{array}{c}{G}_1\\ G_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ G_N\end{array}\right]$

程序71

G_iar的矩阵是H_bT的多复变区块。每个G_i是2LxNr矩阵。

来自所接收的观察r的向量d可从程序72被形成模型。

r＝H_bTd+n    程序72

MMSE评估是依据程序73。

${\hat{d}}_{\mathrm{MMSE}}={H_{\mathrm{bT}}}^H{({\mathrm{\&Sigma;}}_n+H_{\mathrm{bT}}{H_{\mathrm{bT}}}^H)}^{-1}r$ 程序73

∑_nis是噪声向量n的共变异。程序73的解的形式是基于为所用的假设。多重天线的导入引导出一额外的空间域。虽然时间与空间的交互作用的关联性是极度复杂的，可以假设噪声的空间关联特性不和时间关联性特性交互作用，除了二者的直接乘积之外，如程序74所示。

${\mathrm{\&Sigma;}}_n={\mathrm{\&Sigma;}}_{n,1\mathrm{ant}}\&CircleTimes;{\mathrm{\&Sigma;}}_{\mathrm{sp}}$ 程序74

∑_n，1 ant是依据程序57在单一天线观察的噪声的共变异矩阵。∑_n，1 ant的维度是2Nx2N。∑_sp是正规化同步空间共变异矩阵，亦即，其为在L天线同时被观察的L噪声样本之间且被正规化为在主对角线具有1的矩阵。表示Kroenecker乘积。

∑_n是2LNx2LN赫梅半正定正半限定矩阵(Hermitian positivesemi-definite matrix)，其是具有2Lx2L区块的区块多复变。为评估此数据，描述4个较佳实施例：一确实的解法；通过假设L接收天线具有不相关的噪声的简化；通过忽略来自相同天线的奇及偶串行的时间关联性的简化；以及通过假设码片串行是不相关的简化。

使用循环近似的以DFT为基础的繁复性可以被分割为二部份：需要为每个新的数据区块执行的频道评估的处理以及为每一数据区块而执行的数据本身的处理。在所有4个实施例中，处理数据的繁复性包括：2L顺向N点DFTs；2LN多个乘法；以及1逆向N-点DFT。处理频道评估的繁复性因每一实施例而变化。

在确实的MMSE解法的情况中，计算来自频道评估的“MMSE滤波器”的繁复性如下：2L N点DFT’s；N2Lx2L矩阵乘积+N2Lx2L矩阵加法以计算(∑_n+H_bTH_bT ^H)；N2Lx2L矩阵逆转以计算(∑_n+H_bTH_bT ^H)的逆转；以及N2Lx2L矩阵乘积以产生真实的滤波。

对此流程整体繁复性主要的贡献在于必须执行2Lx2L矩阵的矩阵逆转步骤。通过噪声的不相关的天性而可被降低的繁复性如下所述：

对此流程整体繁复性主要的贡献在于必须执行2Lx2L矩阵的矩阵逆转步骤。通过噪声的不相关的天性而可被降低的繁复性如下所述：

1.如果假设噪声在时间(奇/偶样本)及空间(越过天线)二者的噪声是不相关联的，则∑_n降低至一对角线矩阵且此问题等于具有2L天线且具有空间不相关噪声的每码片单一样本的取样。因此，矩阵逆转的运算简单地降低至一除法，因为所有包含在内的矩阵都是多复变。

2.如果假设噪声在空间是不相关的，则所包含的矩阵逆转是2X2矩阵的逆转。

3.如果假设奇/偶串行的时间不相关，但维持空间噪声的关联性，所包含的矩阵为LxL。

Claims (10)

1.一种无线通讯系统的数据评估方法，包括：

通过在一多重数据信号码片速率取样而产生一接收向量；

使用一以滑窗为基础的方法处理该接收向量，该以滑窗为基础的方法忽略与每一多重码片速率样本相关的噪声间的一关联性，并包括，对每一窗：

将一非多复变频道响应矩阵转换为一多复变矩阵；

将该多复变矩阵转换为一循环频道响应矩阵；以及

于一以离散傅立叶转换为基础方法中使用该循环频道响应矩阵以评估相应该窗的一数据向量；以及

组合于每一窗中所评估的数据向量以形成一组合的数据向量。

2.根据权利要求1所述的方法，其特征在于该接收向量是于该使用该以滑窗为基础的方法处理该接收向量之前通过一根升余弦滤波器处理。

3.根据权利要求2所述的方法，其特征在于该使用该以滑窗为基础的方法处理该接收向量包括使用一接收向量以及以一自然次序所排列的一频道响应矩阵，其中该排列的频道响应矩阵是一区块多复变矩阵，且该自然次序是该接收向量及该频道响应矩阵确实被接收的元素的一次序。

4.根据权利要求1所述的方法，其特征在于该使用该以滑窗为基础的方法处理该接收向量中包括使用一噪声向量的一交叉关联性，而一脉冲形状滤波器是用以处理接收的信号，且该脉冲形状滤波器的一被预先决定离散傅立叶转换被乘上一测量的噪声变量以决定该噪声向量交叉关联性的一离散傅立叶转换。

5.根据权利要求1所述的方法通过一无线传输接收单元来执行。

6.一种无线传输/接收单元，包括：

用以通过在一多重数据信号码片速率取样而产生一接收向量的装置；

用以使用一以滑窗为基础的方法处理该接收向量的装置，该以滑窗为基础的方法忽略与每一多重码片速率样本相关的噪声间的一关联性而使得每一窗通过：

将一非多复变频道响应矩阵转换为一多复变矩阵；

将该多复变矩阵转换为一循环频道响应矩阵；以及

于一以离散傅立叶转换为基础方法中使用该循环频道响应矩阵以评估相应该窗的一数据向量而被处理；以及

用以组合于每一窗中所评估的数据向量以形成一组合的数据向量的装置。

7.根据权利要求6所述的无线传输/接收单元，还包括一根升余弦滤波器是于该以滑窗为基础的处理之前被配置以处理该接收向量。

8.根据权利要求7所述的无线传输/接收单元，其特征在于该用以使用该以滑窗为基础的方法处理该接收向量的装置被配置以使用一接收向量以及一自然次序所排列的一频道响应矩阵，其中该排列的频道响应矩阵是一区块多复变矩阵，且该自然次序是该接收向量及该频道响应矩阵确实被接收的元素的一次序。

9.根据权利要求6所述的无线传输/接收单元还包括复数接收天线与用以在一多重码片速率从该复数接收天线取样接收接收向量信号的装置。

10.根据权利要求6所述的无线传输/接收单元，其特征在于该用以使用该以滑窗为基础的方法处理该接收向量的装置被配置以使用一噪声的一交叉关联性与以使用一脉冲形状滤波器以处理接收的信号，且以将该脉冲形状滤波器的一预先决定的离散傅立叶转换乘上一测量的噪声变量以决定该噪声向量交叉关联性的一离散傅立叶转换。

Images