第一章 绪论
1.1 研究背景和意义
现代社会已经进入了信息时代，在各种信息技术中，信息的传输即通信起着支撑作用。由于人类社会生活对通信的需求越来越高，世界各国都在致力于现代通信技术的研究与开发以及现代通信网的建设现代移动通信技二十世纪二十年代，但是一直到 20 世纪 70 年代中期才迎来了移动通信的蓬勃发展时期。美国贝尔实验室研制成功先进移动电话系统，建成了蜂窝状模拟移动通信网，大大提高了系统容量。从八十年代开始，数字移动通信系统进入了发展和成熟时期，欧洲首先推出了全球移动通信系统（GSM），随后美国和日本也相继制定了各自的数字移动通信体制。90年代初，美国Qualcomm公司推出了窄带码分多址（CDMA）蜂窝通信系统，这是移动通信系统发展中的里程碑。从此码分多址这种新的无线接入技术在移动通信领域占据了越来越重要的地位。这些目前正在广泛使用的数字移动通信系统是第二代移动通信系统。第二代移动通信系统主要是为支持语音和低速率的数据业务而设计的，但是随着人们对通信业务范围和业务速率要求的不断提高，已有的第二代移动通信网将很难满足新的业务需求。为了适应新的市场需求，人们正在研究和设计第三代移动通信系统。尽管目前关于第三代移动通信系统的研究和标准化工作十分引人注目，但是目前第三代移动通信的方案实际只能是第二代移动通信方案的改进，算不上真正意义上的宽带接入网络。而且3G的核心网还没有完全脱离第二代移动通信系统的核心网的结构。目前，人们把越来越多的眼光投向三代以后的（beyond 3G/4G）移动通信系统中新一代移动通信（beyond 3G/4G）将可以提供的数据传输速率高达100Mbit/s，甚至更高，支持的业务从语音到多媒体业务，包括实时的流媒体业务，数据传输速率可以根据这些业务所需的速率不同进行动态调整。新一代移动通信的另一个特点是低成本。因此在有限的频谱资源上实现更高速率和更大容量，需要频谱效率更高的通信技术。MIMO技术充分开发空间资源，利用多个天线实现多发多收，在不需要增加频谱资源和天线发送功率的情况下，可以成倍地提高信道容量。OFDM技术是多载波传输的一种，其多载波之间相互正交，可以高效的利用频谱资源。另外，OFDM将总带宽分割为若干个窄带子载波可以有效的抵抗频率选择性衰落。因此充分研究开发这两种技术的潜力，将两者结合起来成为新一代移动通信核心技术的解决方案。信道估计是无线通信中的关键技术之一，对MIMO-OFDM系统的信道估计算法进行研究和改进，对MIMO-OFDM系统技术的发展有着非同寻常的意义。
1.2 MIMO-OFDM 系统信道估计的研究现状
随着对无线通信业务需求的不断提升，人们越来越关注对后3G(B3G)移动通信系统的研究。MIMO和OFDM技术的结合能够有效地减轻无线通信系统实验扩展的影响，显著增加系统容量，获得更稳定的性能，被公认为事后3G系统的主流技术。由于在接收端，每个子载波的信号都是来自不同发射天线的多个独立衰落信号的叠加，因此信道估计变得困难。
本论文提出新的一种使用频分复用导频的序列时域关联估计的信道冲击响应信道估计算法。在频率中，使用导频的训练序列估计信道冲击与训练序列和接收信号进行的相关计算所获得信道冲击响应有相同的作用。对它进行DFT变换就可以获得信道的频域响应结果。在时域，应用MMSE准则就可以得到临近两个的导频符号间符号数据衰落数值的最好估计。
MIMO-OFDM系统与传统SISO-OFDM统相比一个重要的不同在于满足一定的信道环境条件下，MIMO系统的各发送接收支路之间都拥有相互独立的空间传输信道，即OFDM系统在时域上的信道估计各径延迟与复增益或在频域上的信道估计（估计各个子载波的复增益）都将因为空间参数的引入而更为复杂。而在空间复用MIMO-OFDM 系统中，MIMO信道估计的作用则更为重要，因为从各条OFDM“基带处理单元”中产生出的数据符号在没有经过空时处理的情况下直接被发送，这些相互独立的数据符号将在空间传输中发生混叠，而各接收支路上收到的也是这些被信道噪声所干扰的混叠数据符号。接收机要完成MIMO解码任务，即从这些被干扰的混叠数据符号中恢复出从各条发送支路所送出的原始数据，其实现的一个必要前提条件是需要对各组发送接收对之间的空间信道响应有准确的估计。从单载波系统的角度分析，这些不同发送接收对之间的空间信道就是在某个指定载波上的空间信道矩阵，而从OFDM的角度来看这就转化为在所有子载波上的空间信道矩阵。
目前MIMO-OFDM 信道估计的方法通常可以分为三类：
第一类是基于导频或训练序列的方法。这类方法通常是在发送端发送训练序列来识别出各发送接收之路之间的空间信道并获得这些信道的初始估计，然后再利用嵌入在每个数据符号中的导频数据不断跟踪信道的变化。具体的方法有LS算法，在掌握信道二阶统计特性的情况下还可以采用更为准确的算法等。具体的参考文献有由ik Schober等人提出的采用二维Winner滤波器自适应跟踪时变信道的算法、eder snazi等人提出的自适应信道估计算法、线性高斯内插估计方法、最大似然估计算法、最优线性MMSE算
法，由于LS算法估计效果不够理想，MMSE算法又过于复杂，XiaoYang等人还提出了将MMSE和RLS算法相结合的算法。还有一种就是通过设计导频和训练序列来降低算法的复杂度，提高估计性能，例如Han Zhan等人提出的导频符号分析补偿算法，有的在训练序列中进行功率补偿。基于导频训练序列的信道估计方法性能好，简单且易于实现，应用广泛，几乎可以用于所有的无线通信系统。这类方法的缺点就是训练序列占用了信息比特，降低了信道传输的有效性，浪费了带宽。另外在接收端，要将整帧的信号接收后才能提取出训练序列进行信道估计，不可避免的带来了时延。
第二类是基于被传输信息符号的有限字符和其统计特性的盲信道估计方法。由于盲信道估计算法仅仅利用接收端数据的统计特性以及一些信道特征和发送序列的统计特性来进行信道估计的，无需使用训练序列，因此大大提高了频谱利用率，引起了越来越多人的关注。盲信道估计算法根据统计特性的不同主要分为：基于高阶统计特性的盲信道辨识（HOS），例如由Shengli Zhou提出的基于输入信号的高阶统计量的盲信道估计算法；基于二阶统计特性的盲信道辨识方法，其中一些算法是基于自相关矩阵子矩阵的盲估计算法，另一些是基于子空间分解的盲信道估计算法；第三种就是基于一阶统计特性的辨识方法。基于高阶统计量的盲辨识方法计算量大，收敛慢，且需要大量的数据，因此对于快速时变的通信信道它并不合适。基于二阶统计特性的盲方法由于仅仅需要计算自相关和互相关函数，因此计算量较小。但基于二阶统计的盲方法存在一些缺陷，比如存在信道的不确定量。基于一阶统计特性的辨识方法（隐含导频）通过在发送信号上叠加周期训练序列，同样节约了频带资源并且实现简单，但是由于这种处理会增加发送功率，从而使MIMO-OFDM系统的信道容量降低。
第三类是同时利用盲道估计算法所用的信息和已知符号的信息来完成信道估计的半盲信道估计算法。可以根据对未知输入符号的先验知识的利用程度对半盲道估计算法如下分类。第一种是确定性算法，如SF算法、SRM算法、确定性ML算法、最小二乘平滑方法及双边线性预测方法。第二种是利用统计量信息的高斯算法，（盲）预测算法或者（盲）协方差匹配算法。将未知输入符号作为高斯随机变量来处理的半盲高斯最大似然（aussian Maximum Likelihood）也属此类。在文献中还给出了一种半盲GML算法，它采用了已知输入符号的不精确模型。第三种是利用数据的二阶或者高阶统计量的半盲道估计算法。第四种是利用输入符号的有限字符特性的算法，这类算法中有盲ML算法及其半盲推广形式。还有半盲统计ML(SML)算法也属此种算法。在MIMO-OFDM系统中，也有很多人致力于半盲道估计算法研究。半盲道估计算法算法与基于导频的信道估计算法相比计算复杂度要高，但是它提高了系统的频谱利用率。与盲道估计算法相比，又降低了计算复杂度，所以它是介于导频信道估计和盲信道估计之间的一种算法。