日志

HighSpeedLogic专题:简易MIMO-OFDM系统的设计

已有 36252 次阅读| 2017-5-18 16:44 |系统分类:芯片设计

web:http://www.hslogic.com/

MIMO-OFDM系统的接收信号是多个发射天线发送信号的衰落与加性噪声的线性叠加，若采用通常SISO-OFDM系统或MIMO系统的估计算法估计信道，将会带来很大的估计误差。出于设计实现的考虑，本文主要研究理论相对比较成熟的慢变环境下基于训练序列的MIMO-OFDM系统的信道估计算法。本章将主要讨论MIMO-OFDM系统特殊训练序列的设计和信道估计算法的选择。

多天线系统的信道估计算法同单天线系统的相比具有更大的复杂性，因为接收信号是多个发射信号的叠加信号，这些发射信号同时从多个发射天线上发射出来，几乎同步到达任一接收天线。因此要从一个叠加信号中正确的识别出多个发射信号，需要信道估计算法能估计出各发射天线到同一接收天线之间多个并行信道的信道特性。而任一发射天线到任一接收天线之间的信道估计可参考单天线系统的算法。

信道估计算法主要可以分为两种：盲估计算法和非盲估计算法。盲信道估计算法不需要在发送信息中插入训练序列，节约了带宽。盲估计算法的实现需要利用发送信息内包含的统计信息。这通常需要在接收端对接收信号进行复杂的数学运算，算法的运算量一般都很大，不适合应用于对时延要求比较高的实时系统。非盲估计算法是在发送信号中插入收发两端都事先己知的信息，接收端在接收到该已知信息之后，由该信息的幅度、载频或相位变化来估计信道对发送信息所造成的衰落影响。算法应用广泛，几乎可以应用于所有的无线通信系统。

在上面图中，输入信号经复用器分解成n个长度相同的数据流，然后进行独立地编码和调制，因此它不是基于发射分集的。这些编码器可以是二进制的卷积编码器，也可以是不经过任何编码直接输出。下面就来重点介绍一下这个系统的MATLAB的实现方法。

for k=1:N

Tc=c(k)*cos(2*pi*fd(k)*t+theta(k))+Tc;

Ts=c(k)*sin(2*pi*fd(k)*t+theta(k))+Ts;

end

r=ones(mt*mr,1)*(Tc.^2+Ts.^2).^0.5;

这段代码主要用来产生所需要的信号，分别有SIN,COS两个分量。

for tx=1:mt

data_b=0*round(rand(4,nse));

data_qam(tx,:)=j*(2*(mod(data_b(1,:)+data_b(2,:),2)

+2*data_b(1,:))-3)+2*(mod(data_b(3,:)+data_b(4,:),2)+2*data_b(3,:))-3;

for loop=1:mt

data_qam(tx,pilot+loop-1)=(1+j)*(loop==tx);

end

data_time_temp=ifft(data_qam(tx,:));

data_time(tx,:)=[data_time_temp(end-ng+1:end) data_time_temp];

end

这段代码主要用来模拟MIMO-OFDM系统的发送部分，首先模拟实际情况生成一个随机信号，然后将随机信号通过QAM调制再经过IFFT变化得到我们所要的信号。这个过程就是上述系统结果的描述。

for rx=1:mr

for tx=1:mt

output_temp=conv(data_time(tx,:),h((rx-1)*mt+tx,:));

output(rx,:)=output_temp(ng+1:ng+nse)+output(rx,:);

end

np=(sum(abs(output(rx,:)).^2)/length(output(rx,:)))*sigma2;

noise=(randn(size(output(rx,:)))+i*randn(size(output(rx,:))))*sqrt(np);

output(rx,:)=output(rx,:)+noise;

data_out(rx,:)=fft(output(rx,:));

end

这段代码主要用来模拟MIMO-OFDM系统的接收部分。由于系统工作的时候，肯定会有噪声的影响，所以只有通过模拟一个系统的噪声才能正确的模拟系统的工作性。这里，我们通过产生一个随机数和原始的信号进行叠加来模拟我们所接收到的信号。

以上，我们模拟MIMO-OFDM系统的发送和接收模块，下面就来建立一个系统的信道估计模块：具体代码如下所示：

for tx=1:mt

for rx=1:mr

H_est_temp=data_out(rx,pilot+tx-1)./data_qam(tx,pilot+tx-1);

h_time=ifft(H_est_temp);

h_time=[h_time zeros(1,nse-length(h_time))];

H_est1((rx-1)*mt+tx,:)=fft(h_time);

if (tx>1)

H_est1((rx-1)*mt+tx,:)=[H_est1((rx-1)*mt+tx,nse-tx+2:nse) H_est1((rx-1)*mt+tx,1:nse-tx+1)];

End

H_act((rx-1)*mt+tx,:)=fft([h((rx-1)*mt+tx,:) zeros(1,nse-CL)]);

error1=(abs(H_act((rx-1)*mt+tx,:)-H_est1((rx-1)*mt+tx,:)).^2);

estimation_error1((rx-1)*mt+tx,:)=estimation_error1((rx-1)*mt+tx,:)+error1;

end

通过这个方法，我们就可以做系统的信道估计了，此外还能计算系统的平均误差检测，从而验证系统的正确性。

对于MIMO-OFDM系统而言,空时码解码必须提供信道参数,由于在各个接收天线上收到的每个信号都和多径信道参数有关,这就使信道估计变得更为复杂。幸运的是，这些来自不同信道的信道参数是具有相关性的,因而可以利用这种相关性来设计信道估计的算法。

主要的理论知识都在前面已经介绍过了，下面主要来介绍如何利用MATLAB进行最小二乘LS来进行信道估计。

treal=t(1:2:2*carr_sym);

timage=t(2:2:2*carr_sym);

training_symbols1=treal+j.*timage;

这个过程主要是产生发送信号的实部和虚部，然后做相加运算得到我们的发送信号。在信号同步的处理问题上，我们采用插入导频法来完成同步操作。插入导频法提取载波要使用窄带滤波器，这个窄带滤波器也可以用锁相环来代替，这是因为锁相环本身就是一个性能良好的窄带滤波器，因而使用锁相环后，载波提取的性能将有改善。

signal=1:carr_num+Np;

signal(pilot)=[];

X3(:,pilot)=training_symbols;

X3(:,signal)=X2;

IFFT_modulation=zeros(carr_sym,IFFT_length);

IFFT_modulation(:,carriers)=X3;

X4=ifft(IFFT_modulation,IFFT_length,2);

通过这个代码，我们完成了系统的插入导频的功能。

在OFDM系统中，由于是多载波调制系统，一般我们都采用在载波之间加保护带，从而提高系统的通信质量。

for k=1:carr_sym;

for i=1:IFFT_length;

X6(k,i+GI)=X4(k,i);

end

for i=1:GI;

X6(k,i)=X4(k,i+IFFT_length-GI);

end

这段代码就是在系统的载波边带加上了保护带。

在系统的接收端，我们只要做到同步检测和去保护带就可以了，在这里我们利用最小二乘法来估计信道。整个系统的系统框图如下所示：

由上图仿真结果可以看出在系统存在ISI时，本文新提出的优化插零序列LS估计的MSE与系统保护间隔充足时(不存在ISI)的未插零恒包络序列LS估计MSE近似相等，这主要是因为优化插零序列在每个奇数子载波处插零的做法并没有降低恒包络序列的估计性能，但是由于插零优化带来的加性噪声，当加性噪声主导系统干扰失真时，插零优化序列LS算法的性能将低于未插零恒包络序列LS算法；而在保护间隔不足时，本文新提出的优化插零序列LS估计的MSE比未插零恒包络序列LS估计的MSE在SNR>30dB时，要高20dB，这主要是是因为优化插零序列消除了ISI对信道估计的影响，还有效解决了LS算法中QHQ乘积为病态矩阵的问题，对恒包络序列信道估计优化效果明显。可以很清楚的看出，随着发射天线数和接受天线数的增多，系统的性能会越来越好。

估计算法也能取得较好的性能，由于它也涉及大规模矩阵的求逆运算，计算复杂度较高；其简化算法通过采用最优化导频符号设计，避免了矩阵的求逆运算，在不降低估计精度的同时进一步简化了算法复杂度。LS频域估计由于仅在频域上进行，因此其实现复杂度较低，但是这种方法的估计精度易受到高斯噪声和子载波间干扰ICI的影响，从而性能较差。