解读--载波同步技术中的最大似然估计

载波同步

通信接收机解调器设计中，一个很重要的模块是载波同步。由于通信双方的相对运动和时钟差异，到达接收机的载波调制信号存在一定的频率和相位漂移，这是不利于相干解调的，因此加入载波同步模块，对存在的频率和相位偏差进行估计、补偿，以便在本地产生与接收信号同频同相的载波信号，用来相干解调，得到基带信号（这里暂且忽略多径效应，并假定没有码字偏差）。载波同步技术主要有两类，一类是非数据辅助的同步，如锁相环技术；另一类是基于数据辅助的同步，即在发送数据中加入特定的已知信息位，用于辅助载波同步。今天主要讲讲数据辅助的载波同步技术中，对未知参数估计的方法，即载波同步中的最大似然估计。

接收信号的概率密度分布函数

最大似然估计第一步就是要建立似然函数，而似然函数又是和数据样本的概率分布函数相关，因此首先需要知道接收信号的概率密度分布函数。这里设发送信号为$X(t)$，接收到的信号为$Y(t)$，高斯信道引入的噪声为$W(t)$，则：$Y(t)=X(t)+W(t)$。噪声满足标准正态分布，设其方差为${\sigma }^2$，可推出接收信号$Y(t)$的概率密度分布函数为：
$$P(Y(t))=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(Y(t)-X(t){)}^2}{2{\sigma }^2})$$
这是到达接收机的信号$Y(t)$的概率分布，在接收机的处理中，第一步是下变频，将数字中频信号变换至基带，成为正交信号，即下变频后的信号变为了有实部和虚部的复信号$Y^{ddc}(t)$，同时$X(t)$和$W(t)$也会变为复信号，不变的是噪声的概率分布，那复信号$Y^{ddc}(t)$的概率分布又会变成什么样呢？其实这是一个简单的联合概率分布问题(实部与虚部正交)。
$$P(Y^{ddc}(t))=P（Y_{real}^{ddc}(t),Y_{imag}^{ddc}(t))=P(Y_{real}^{ddc}(t))P(Y_{imag}^{ddc}(t))$$
则，
$$P(Y^{ddc}(t))=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{（Y_{real}^{ddc}(t)-X_{real}^{ddc}(t){)}^2}{2{\sigma }^2})\ast \frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(Y_{imag}^{ddc}(t)-X_{imag}^{ddc}(t){)}^2}{2{\sigma }^2})$$

$$=\frac{1}{2\pi {\sigma }^2}exp(-\frac{|Y^{ddc}(t)-X^{ddc}(t){|}^2}{2{\sigma }^2})$$

载波同步中的最大似然估计

这里就不再啰嗦最大似然的基本原理了，需要补知识的童鞋可以点链接 通俗易懂的最大似然估计 当你明白了什么是最大似然和最大似然估计，接着就来看看在基于数据辅助的载波同步中，怎么使用最大似然估计。

1. 建立似然函数$L(R_i|\gamma )$ ，其中$R_i$为下变频后的样本序列，$\gamma$为待估参数，其代表频偏和相偏的集合，即$\gamma =(f_d,{\theta }_d)$，则似然函数为带有参数$\gamma$的样本序列概率分布函数的连乘。
   $$L(R_i|\gamma )=\prod _{i=1}^N\frac{1}{2\pi {\sigma }^2}exp(-\frac{|Y_{ddc}(t_i，\gamma )-X_{ddc}(t_i，\gamma ){|}^2}{2{\sigma }^2})$$
   其中N表示用于最大似然估计的样本长度。
2. 似然函数取对数，为方便计算，一般会用对数似然函数来代替原始的似然函数，将连乘运算变为连加运算。
   $$Ln[L(R_i|\gamma )]=NLn(\frac{1}{2\pi {\sigma }^2})+\sum _{i=1}^N-\frac{|Y_{ddc}(t_i,\gamma )-X_{ddc}(t_i,\gamma ){|}^2}{2{\sigma }^2}$$
3. 对数似然函数的极大值，当参数估计准确时，样本序列概率函数连乘有最大值。即对数似然函数的最大值对应的参数值即为待估参数的实际值，所以基于最大似然的参数估计就变为了求似然函数最大值的问题。
   $$Max(Ln[L(R_i|\gamma )])=Max(-\sum _{i=1}^N|Y_{ddc}(t_i,\gamma )-X_{ddc}(t_i,\gamma ){|}^2)$$
   $$=Max(-\sum _{i=1}^N|Y_{ddc}(t_i,\gamma ){|}^2-\sum _{i=1}^N|X_{ddc}(t_i,\gamma ){|}^2+2\sum _{i=1}^{N}Re(Y_{ddc}(t_i,\gamma )\ast Conj(X_{ddc}(t_i,\gamma ))))$$
   其中$Y_{ddc}(t_i,\gamma )$为接收的样本序列，其值属于固定的，因此在最大值计算中，可以去除，则上式可进一步简化为：
   $$Max(Ln[L(R_i|\gamma )])=Max(2\sum _{i=1}^{N}Re(Y_{ddc}(t_i,\gamma )\ast Conj(X_{ddc}(t_i,\gamma )))-\sum _{i=1}^N|X_{ddc}(t_i,\gamma ){|}^2))$$
   $X_{ddc}(t_i,\gamma )$是接收数据中的已知序列（所谓的数据辅助 指的就是它的辅助，因此它对于我们来说是已知的，譬如常用的导频序列，前导序列等），但它与发送端的序列还是有点区别的，区别在于它包含了频率和相位的偏差信息，其可描述为$X_{ddc}(t_i,\gamma )=C_i{e}^{j(2\pi f_{d}iT+{\theta }_d)}g(t-iT)$，可见$|X_{ddc}(t_i,\gamma ){|}^2$也为一个固定值，因此上面的最大值计算公式可进一步简化为：
   $$Max(Ln[L(R_i|\gamma )])=Max(\sum _{i=1}^{N}Re(Y_{ddc}(t_i,\gamma )\ast Conj(X_{ddc}(t_i,\gamma ))))$$

将 $X_{ddc}(t_i,\gamma )$的表达式带入上式，得
$$Max(Ln[L(R_i|\gamma )])=Max(Re(e^{-j{\theta }_d}\sum _{i=1}^N{C}_i^{\ast }\ast Y_{ddc}(t_i,\gamma )e^{-j2\pi f_{d}iT}g(t-iT)))$$
由上面的公式可推出数据辅助载波同步的处理流程，它包括匹配滤波，基于偏移频率的二次下变频，与本地码字的共轭相关，经过这样的处理后，得到的最大值对应的偏移频率，即为估计的载波频偏。同时也通过这个方法，做到了码字同步，其找到了码字的起始位置，与帧同步类似。
设${\sum }_{i=1}^N{C}_i^{\ast }\ast Y_{ddc}(t_i,\gamma )e^{-j2\pi f_{d}iT}g(t-iT)=|A|e^{j\psi }$,则上式可简写为
$$Max(|A|cos(j\psi -\theta ))$$