论文部分内容阅读
多输入多输出(Multiple Input Multiple Output)系统作为未来移动通信系统的优选技术之一,能够充分利用空间资源,在不增加系统带宽和天线发射总功率的情况下,明显地改进频谱利用率,大大提高系统容量,因此获得广泛研究。一般而言,采用空时编码可获得较高的MIMO系统容量。然而,采用空时编码的前提是信道状态信息能够被准确估计,只有获得较准确的信道状态信息,MIMO系统才能获得理想的信道容量。因此,如何获得准确的MIMO信道状态信息就成为一个关键问题。本文正是从MIMO系统研究出发,重点研究了MIMO系统中的关键技术之一的信道估计技术。首先,本文针对静止信道条件下或信道缓慢变化条件,在传统的基于训练序列的信道估计算法基础上,提出了一种基于重构观测样本的信道估计方法。新的估计方法通过充分利用系统所提供的冗余信息,构造出新的观测序列:累加观测信号序列AONSS和级联观测信号序列CONSS。假设信道状况理想且服从平坦衰落,提出了基于AONSS和CONSS的ML估计算法、LS估计算法和LMMSE估计算法,推导得出了基于AONSS和CONSS的广义Cramer-Rao下界。研究表明:基于重构观测样本的ML估计算法、LS估计算法和LMMSE估计算法性能优于其相对应的传统估计算法,可以获得更准确的信道估计结果。然而,基于AONSS或是基于CONSS观测信号序列的MIMO信道估计方法的应用条件是不尽相同的,只有发射端再重复发送完全相同的训练序列的情况下,才可使用基于AONSS的MIMO信道估计策略。而基于CONSS的MIMO信道估计策略由于是对接收信号进行级联,则没有这个限制条件,但由于增加了接收信号的长度而使得计算复杂度却基于AONSS的估计方法。此外,针对连续衰落,本文仍实施基于AONSS和CONSS的信道估计。我们把信道分组衰落情况下所得到的最大似然估计算法以及对应的最优训练序列应用于信道连续衰落的情况,并在此基础上研究信道估计误差。研究表明:在信道连续衰落的情况下,信道估计误差由噪声和信道时变特性造成,与传统的最大似然估计算法相比,基于重构样本的ML算法增加了观测训练序列样本数,该方法降低了由噪声造成的估计误差,但却使得由信道时变特性造成的估计误差增加。另外,传统ML估计算法所对应的估计误差可视为基于AONSS的ML估计算法以及基于CONSS的ML估计算法所对应的估计误差在没有冗余时的特例。相关仿真结果表明:在信道时变情况下,论文所提出基于重构观测样本的信道估计方法是切实可行的,为深入研究MIMO通信系统下的基于重构观测样本的信道估计提供了一种新的思路和途径。