论文部分内容阅读
随着移动互联网技术的井喷式发展及私家车的广泛普及,人们对于车辆行驶中的实时通信需求不断增强。与传统的无线通信系统相比,车辆行驶中的信道传输特性更为复杂,不仅时变、多径、随地理环境变化,而且由于高速移动也会产生较大的多普勒频移。IEEE 802.11p标准作为国际上主流的车辆通信协议,在物理层采用OFDM技术,因此对载波频率同步的要求特别严格。传统的OFDM同步算法分为数据辅助类、半盲同步类和盲同步类算法。由于802.11p协议的数据帧结构中定义了训练序列,本文重点分析了数据辅助类算法。仿真结果显示,这类算法在简单的高斯信道中同步性能较好,而在复杂的车辆通信信道中同步性能明显下降。因此数据辅助类算法在车辆通信系统中具有一定的局限性。基于以上问题,本文主要研究车辆通信系统中的频率同步问题。本文采用COST-207信道中的RA模型和TU模型分别模拟车辆在乡村地区和城市地区行驶的场景,并根据信道模型参数来设计数据帧的长度。同时,结合机器学习中的期望最大化(Expectation Maximization,EM)算法,本文提出基于EM的频率同步算法,用来解决车辆通信系统中载波频率偏移与信道冲激响应相关联的问题。该算法主要分为两个步骤,先利用802.11p中短训练序列的重复性进行频偏粗估计,并进行频偏补偿;再将信道冲激响应视为EM算法中的隐含变量,通过载波频偏与信道冲激响应的数学关系进行EM迭代估计。算法根据信道实时状况来调整载波频偏估计值,从而更好地适应车辆通信系统的时变特性。最后,本文在MATLAB中搭建基于802.11p的车辆通信系统仿真平台,将基于EM的频率同步算法与现有的数据辅助类算法进行比较。结果表明,在时变的车辆通信系统中,基于EM的频率同步算法性能明显提升,同时可以实时地跟踪信道状况对信道进行估计。