一种基于FRFT编码训练符号的TO、FO联合估计方法

文章提出了一种新的时频偏估计方法,利用分数域快速傅里叶变换(FRFT)编码的训练符号,改进了Schmidl和Cox算法。这种方法在估计时间和频率偏移时具有更高的精度和更广的范围,特别是在低信噪比环境下。通过FRFT-DC信号的时频特性,可以同时估计TO和FO,且在估计过程中结合了经典算法进行残差频偏的精确估计,优化了OFDM接收机的同步性能。
摘要由CSDN通过智能技术生成

经典的Schmidl和Cox算法将频偏分为子载波间距的分数和整数部分,并分别使用两个训练符号(TSS)来估计这两种频偏,频偏分数部分的估计精度较高,但范围较小。 虽然频域估计的组成部分增加了估计范围,但由于在OFDM接收机前端在时域进行FO补偿,计算复杂度和延迟也增加了。

现在多数估计方法都依赖于专门设计的训练符号的相关性。 在时域中,对信号进行逐样本扫描后的相关运算是必要的。

Schmidl and Cox’s method(简称 SC 方法)是一种用于估计同步时钟的方法,特别适用于 OFDM(正交频分复用)系统。在 OFDM 系统中,需要对接收到的信号进行同步以提高信号解调的准确性。SC 方法是一种非常简单但有效的同步方法,它利用了 OFDM 符号序列的周期性特征。该方法通过在接收到的 OFDM 符号序列中插入已知的同步序列,然后在接收端检测同步序列的位置来估计同步时钟

具体来说,SC 方法将同步序列插入到每个 OFDM 符号序列的首部和尾部,然后通过计算同步序列首部和尾部的自相关函数,找到同步序列的位置,并根据同步序列的位置进行时钟同步。

训练符号(Training Symbols,TSs)是一种用于数字通信系统的特殊符号序列,用于在接收端对信道进行估计和均衡。在数字通信系统中,信道通常会引入一些失真、噪声和干扰,从而导致接收信号的质量下降。为了在接收端恢复尽可能准确的原始信息,需要对信道进行估计和均衡。这时就需要发送一些已知的、特殊的符号序列(即训练符号)来辅助信道估计和均衡的过程。在训练符号的帮助下,接收端可以更准确地估计信道的响应,并相应地调整接收滤波器和均衡器的参数,从而提高接收信号的质量和系统的性能。

文章提出的 TO/FO 估计方法利用FRFT编码TSS的时频特性代替相关特性,实现快速准确的FO和TO估计。 TSS在时频空间中的独特结构保证了TO和FO的鲁棒性和精确性。在信噪比较差的情况下,该算法的估计性能优于Schmidl和Cox方法。

当一个直流信号经过 p 阶FRFT后,对应于固定值0的频率会随着时间的变化而线性变化(如下图)。论文中把这种信号称为 FrFT-DC 信号,与LFM信号相似:

S(t)是直流信号,P 是 FrFT 的阶次,T(t,P) 表示时域 P 阶FRFT-DC信号。对于这种 FrFT-DC 信号,我们可以找到一个Q阶分数域,在这里信号的能量可以得到最大程度的聚集。

阶次 Q 和 P 之间的关系满足:Q=1-P。经过Q阶FRFT后,FRFT-DC信号将出现一个能量峰值,能量峰的位置与TO和FO有关。

为了同时估计 TO 和 FO ,需要两个不同阶数的 FrFT-DC 信号。论文中提出的训练符号由两个 p 和 -p 阶相反的 FRFT-DC 信号组成:

对于该训练符号,有两个信号能量集中的分数域:

这两个分数域的阶数 Q1 和 Q2 与 FRFT-DC 信号的原始阶数有关:

 由 FrFT 的定义可以知道,坐标轴的旋转与其阶次有关:\theta =P\cdot \pi /2

在没有任何 TO 和 FO时,信号在 Q1 或 Q2 阶分数域的能量峰值位于训练符号范围的中间。然而,当训练符号中出现一些TO或FO时,Q1和Q2阶信号的峰值会发生偏移。

通过几何分析可以得到峰值偏移与频率和时间偏移之间的关系

当移动方向与表示 f 、t 或 u 的轴的正方向相反时,\Delta N_t\Delta N_f\Delta Q_1\Delta Q_2 为负数。因此,峰值偏移可以使用偏移样本数量来表示。

 只要通过峰值搜索得到训练符号在两个分数域中的峰移 \Delta Q_1\Delta Q_2 ,就可以估计出 To 和 Fo:

 由上式可知,TO和FO估计的范围和精度与P阶有关。

为了联合TO/FO估计,FO的估计范围与最坏的TO条件相关联,它等于训练符号长度的一半。在这样的条件下,TO(\Delta N_t=N/2)FO(\Delta N_f) 满足:

 其中,N是论文提出的的训练符号的样本数。

最大 FO(\Delta F_{max}) 为:

 F_{sam}是采样率,最大估计FO与阶p之间的关系:

 P 阶越大,即旋转角θ越大,则 \Delta N_t 的分辨率越高,估计结果越好。 由于存在周期性前缀(CPs)来容忍TO估计误差,因此应设置相对较小的 P,以确保在较大范围内有较好的 FO 估计精度。

当FO估计的范围可以保证时,较小的P将导致TO估计的退化,因为分辨率较粗。

\Delta Q_1+\Delta Q_2 的绝对值等于1时,可以得到论文提出的训练符号的最小估计FO值 FO_{min}

 N是论文提出的的训练符号TS1的样本数,等于IFFT的大小,然后得到了 FO_{min} 与子载波频率间距 f_{sc} 的关系:

 证明,论文中提出的时频偏估计方法可以用粗估计来处理FO的分数部分,此外,Schmidl和Cox算法的FO估计范围仅限于 ±f_{sc}

可以在对训练符号进行粗估计后,采用经典的Schmidl和Cox算法构造另一个训练符号来实现残差FO估计,以获得高精度的FO估计。

TO和FO联合估计首先通过扫描信号找到训练符号的粗糙位置来完成

首先,扫描信号一个符号长度,它们被称为临时符号,在图中用绿色帧表示 (a).

其次,对于每个临时符号,我们用Q1阶和Q2阶FRFT将其变换到Q1阶和Q2阶分数域。 只有这些覆盖TS1大部分的临时符号才能在Q1和Q2分数域中具有峰值,如图所示(b). 因此,我们可以估计每个TS1的粗的地方。

第三,当我们找到每个TS1的粗点后,特定的临时符号的峰值出现在Q1和Q2分数域中,如图(c). 对于Q1和Q2分数域,我们可以分别得到峰的位置。 最后,峰的位移ΔQ1和ΔQ2等于峰的位置减去信号在q1和q2分数域中的中间位置。 从而可以达到其精确的 TO 估计。

针对频偏的残差部分,进一步采用Schmidl和Cox算法对分数阶频偏进行精确估计。 由于OFDM信号的起始样本已经确定,所以用Schmidl和Cox方法估计分数阶频偏要简单得多。 之后,可以在没有任何额外开销的情况下补偿剩余频率偏移(RFO)。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

飞大圣

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值