多相信道化结构推导

信道化原型结构：

多相信道化的应用是为了减少信道化实现所需的资源，在计算结果不变的情况下，大大降低了系统的资源消耗（计算量降低），以下为推到过程。

$D$为抽取因子，信道数量为$K$，如果抽取因子$D=K$,那么第$k$道的信号输出$y_k(m)$为：
$$\begin{array}{rl}{y}_k(m)& =[x(n)\cdot e^{-j{\omega }_{k}n}]\ast h(n){|}_{n=mD}\\ & =\sum _{i=-\infty }^{+\infty }[x(n-i)e^{-j{\omega }_k(n-i)}h(i)]{|}_{n=mD}\\ & =\sum _{i=-\infty }^{+\infty }[x(mD-i)e^{-j{\omega }_k(mD-i)}h(i)],令i=jD+p\\ & =\sum _{p=0}^{D-1}\sum _{j=-\infty }^{+\infty }[x(mD-jD-p)e^{-j{\omega }_k(mD-jD-p)}h(jD+p)]\\ & 令，x_p(m)=x(mD-p),h_p(m)=h(mD+p)\\ & =\sum _{p=0}^{D-1}\sum _{j=-\infty }^{+\infty }[x_p(m-j)e^{-j{\omega }_k(mD-jD-p)}{h}_p(j)]\\ & =\sum _{p=0}^{D-1}[\sum _{j=-\infty }^{+\infty }[x_p(m-j)e^{-j{\omega }_k(mD-jD)}{h}_p(j)]e^{j{\omega }_{k}p}\\ & 令,s_p(m)=\sum _{j=-\infty }^{+\infty }[x_p(m-j)e^{-j{\omega }_k(mD-jD)}{h}_p(j)]=x_p(m)e^{-j{\omega }_{k}mD}\ast h_p(m)\\ & =\sum _{p=0}^{D-1}[s_p(m)]e^{j{\omega }_{k}p}\end{array}$$
${\omega }_k$的取值决定每路信道输出的中心频率，也决定了信道的进一步化解。假如${\omega }_k=2\pi k/D$,那么：
$$\begin{array}{rl}{y}_k(m)& =\sum _{p=0}^{D-1}[s_p(m)]e^{j{\omega }_{k}p}\\ & =IDFT[s_p(m)]，IDFT为逆离散傅里叶变化\\ & =IDFT[x_p(m)\ast h_p(m)]\end{array}$$
推到之后的高效信道化结构：