一种基于FRFT编码训练符号的TO、FO联合估计方法

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：

是直流信号，P 是 FrFT 的阶次， 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：。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：

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，、、、 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 和 ，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，， 满足：

 其中，N是论文提出的的训练符号的样本数。

最大 为：

 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 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。

当 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 ：

 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 与子载波频率间距 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 ±。

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)。