1.算法概述
MIMO-OFDM系统的接收信号是多个发射天线发送信号的衰落与加性噪声的线性叠加,若采用通常SISO-OFDM系统或MIMO系统的估计算法估计信道,将会带来很大的估计误差。出于设计实现的考虑,本文主要研究理论相对比较成熟的慢变环境下基于训练序列的MIMO-OFDM系统的信道估计算法。本章将主要讨论MIMO-OFDM系统特殊训练序列的设计和信道估计算法的选择。
多天线系统的信道估计算法同单天线系统的相比具有更大的复杂性,因为接收信号是多个发射信号的叠加信号,这些发射信号同时从多个发射天线上发射出来,几乎同步到达任一接收天线。因此要从一个叠加信号中正确的识别出多个发射信号,需要信道估计算法能估计出各发射天线到同一接收天线之间多个并行信道的信道特性。而任一发射天线到任一接收天线之间的信道估计可参考单天线系统的算法。
信道估计算法主要可以分为两种:盲估计算法和非盲估计算法。盲信道估计算法不需要在发送信息中插入训练序列,节约了带宽。盲估计算法的实现需要利用发送信息内包含的统计信息。这通常需要在接收端对接收信号进行复杂的数学运算,算法的运算量一般都很大,不适合应用于对时延要求比较高的实时系统。非盲估计算法是在发送信号中插入收发两端都事先己知的信息,接收端在接收到该已知信息之后,由该信息的幅度、载频或相位变化来估计信道对发送信息所造成的衰落影响。算法应用广泛,几乎可以应用于所有的无线通信系统。
2.仿真效果预览
matlab2022a仿真结果如下:
3.核心MATLAB预览
for snrl=1:length(SNR)
estimation_error1=zeros(mt*mr,nse);%误差估计
R1=besselj(0,2*pi*fm*(nse+ng)/B);
sigma2=10^(-SNR(snrl)/10);
aa=(1-R1^2)/(1-R1^2+sigma2); %两个系数公式
bb=sigma2*R1/(1-R1^2+sigma2); %两个系数公式
for iteration=1:number
if awgn==1
h=ones(mt*mr,1);
else
phi=rand*2*pi;
h=r(index+iteration)*exp(j*phi);
h=h.*(ones(mt*mr,1)*(exp(-0.5).^[1:ds]));
h=h./(sqrt(sum(abs(h).^2,2))*ones(1,ds)); %OFDM系统的系统冲激响应函数
end
% 信道长度
CL=size(h,2);
output=zeros(mr,nse);
%%
%信号发送模块
for tx=1:mt
%产生随机数
data_b=0*round(rand(4,nse));
%利用QAM调制
data_qam(tx,:)=j*(2*(mod(data_b(1,:)+data_b(2,:),2)+2*data_b(1,:))-3)+2*(mod(data_b(3,:)+data_b(4,:),2)+2*data_b(3,:))-3;
for loop=1:mt
data_qam(tx,pilot+loop-1)=(1+j)*(loop==tx);
end
%IFFt变化
data_time_temp=ifft(data_qam(tx,:));
data_time(tx,:)=[data_time_temp(end-ng+1:end) data_time_temp];
end
%信号接收模块
for rx=1:mr
for tx=1:mt
%卷积模块
output_temp=conv(data_time(tx,:),h((rx-1)*mt+tx,:));
output(rx,:)=output_temp(ng+1:ng+nse)+output(rx,:);
end
np=(sum(abs(output(rx,:)).^2)/length(output(rx,:)))*sigma2;
%产生噪声
noise=(randn(size(output(rx,:)))+i*randn(size(output(rx,:))))*sqrt(np);
%给输入信号叠加噪声
output(rx,:)=output(rx,:)+noise;
data_out(rx,:)=fft(output(rx,:));
end
%信道估计
H_act=zeros(mt*mr,nse);
H_est1=zeros(mt*mr,nse);
i=1;
%发送和接收估计
for tx=1:mt
for rx=1:mr
H_est_temp=data_out(rx,pilot+tx-1)./data_qam(tx,pilot+tx-1);
%IFFT变化
h_time=ifft(H_est_temp);
h_time=[h_time zeros(1,nse-length(h_time))];
H_est1((rx-1)*mt+tx,:)=fft(h_time);
if (tx>1)
H_est1((rx-1)*mt+tx,:)=[H_est1((rx-1)*mt+tx,nse-tx+2:nse) H_est1((rx-1)*mt+tx,1:nse-tx+1)];
end
H_act((rx-1)*mt+tx,:)=fft([h((rx-1)*mt+tx,:) zeros(1,nse-CL)]);
%误差计算
error1=(abs(H_act((rx-1)*mt+tx,:)-H_est1((rx-1)*mt+tx,:)).^2);
%误差累加
estimation_error1((rx-1)*mt+tx,:)=estimation_error1((rx-1)*mt+tx,:)+error1;
end
end
end
%计算平均误差估计
estimation_error1=estimation_error1/number;
MEE1(snrl)=sum(sum(estimation_error1))/(mt*mr*nse);
end
error1=(abs(H_act-H_est1).^2)./(abs(H_act).^2);
figure(1);
subplot(311),plot([0:length(H_act )-1],abs(H_act)); %信道估计
subplot(312),plot([0:length(H_est1)-1],abs(H_est1)); %信道估计
subplot(313),plot([0:length(error1)-1],error1); %误差估计
X=round(rand(1,N_num)) ;
s=(X.*2-1)/sqrt(2) ;
sreal=s(1:2:N_num) ;
simage=s(2:2:N_num) ;
%=========================================
X1=sreal+j.*simage;
train_sym=round(rand(1,2*carr_sym));
t=(train_sym.*2-1)/sqrt(2);
treal=t(1:2:2*carr_sym);
timage=t(2:2:2*carr_sym);
training_symbols1=treal+j.*timage; %信号实部+虚部
training_symbols2=training_symbols1.'; %信号转置
training_symbols=repmat(training_symbols2,1,Np);
pilot=1:LI+1:carr_num+Np;
if length(pilot)~=Np
pilot=[pilot,carr_num+Np];
end
%串并转换
X2=reshape(X1,carr_num,carr_sym).';
%插入导频
signal=1:carr_num+Np;
signal(pilot)=[];
X3(:,pilot)=training_symbols;
X3(:,signal)=X2;
IFFT_modulation=zeros(carr_sym,IFFT_length);
IFFT_modulation(:,carriers)=X3;
X4=ifft(IFFT_modulation,IFFT_length,2);
%加保护间隔(循环前缀)
for k=1:carr_sym;
for i=1:IFFT_length;
X6(k,i+GI)=X4(k,i);
end
for i=1:GI;
X6(k,i)=X4(k,i+IFFT_length-GI);
end
end
01_004_m