http://www.paper.edu.cn
基于 TD-SCDMA 系统的频偏估计算法研究1
范欣然 1,彭涛 2,王文博 3
1 北京邮电大学信息与通信工程学院,北京(100876)
E-mail:xinran.fan@gmail.com
摘 要: 本文从原理上推导了四种经典的误差估计算法——Kay、Fitz、L&R 以及 Kay&R
算法,通过分析、比较和多方面仿真验证了多种因素对算法性能的影响,如性能评判标准、
待测参量之间的影响、观测序列长度的选取等等,并且这些参数对于频率误差估计影响是不
同的。同时从估计范围、估计精度和运算复杂度等方面对现有的 4 种频偏估计算法进行研究
和仿真,给出了算法的选择依据和详细的分析结果。在此基础上,研究了基于用户数据和训
练序列的联合频偏估计算法,分析了估计范围和运算复杂度,并采用迭代的方法进一步提高
了算法性能。希望这些理论依据对测试仪的误差估计算法起到指导和借鉴作用。
关键词:时分同步码分多址系统, 频偏估计, 性能分析,克拉美-劳下界
中图分类号:TN929.5
1. 引 言
在时分同步码分多址(TD-SCDMA)系统中,由于收发设备间的频率偏差和多普勒频
移,导致接收的基带信号存在一定的频偏,严重影响了信号的接收新能。因此,能否快速正
确地估计和校准频偏是正确接收数据的前提,是移动通信系统中必不可少的步骤[1]。
通常接收机采用锁相环来调整本地载波的频率,获得发送和接收数据之间的载波同步,
但 TD-SCDMA 的短突发通信体制不适合使用跟踪环。因此,本文立足于 TD-SCDMA 系统,
对频偏估计算法进行了详细分析与研究,选出了较好的实现方法来解决精确频偏估计的问
题。
2. TD-SCDMA 系统信号模型
m(t)
Reciprocal
m(t)
AWGN
Channel
r(t)
z(t)
Frequency
Offset
Estimator
图 2-1 系统链路模型
本文所参考的系统链路模型如图 2-1 所示,采用离散时间模型,采样周期等于系统的码
片间隔 cT 。图 2-2 给出了 TD-SCDMA 链路的时隙结构。一个时隙包含两个数据域和一个训
练序列,该训练序列将两个数据域分隔。在 TD-SCDMA 系统中,该训练序列称为 Midamble
1 本课题得到安捷伦公司资助。
- 1 -
序列。发送的训练序列为接收机所知,可以用来进行同步计算,本文利用该训练序列主要进
行频偏的估计。
http://www.paper.edu.cn
图 2-2
TD-SCDMA 系统链路的时隙结构
因此,传输的训练序列可以表示为:
( )
m t
=
j
π
i
(
δ
2
t
m e
i
−
iT
c
)
144
∑
i
1
=
信号 ( )m t 通过加性白高斯噪声信道后,得到的接受信号及其采样序列可以表示为:
( )
r t
=
e
j
(
)
ft
2
Δ +
π θ
j
π
i
(
δ
2
t
m e
i
−
iT
c
)
τ
−
+
( )
n t
144
∑
i
1
=
(2-1)
(2-2)
r
k
(
r kT
c
)
τ
e
(
f kT
2
Δ
π
c
j
⎡
⎣
)
⎤
+ +
τ θ
⎦
=
+
(2-3)
其中 fΔ 表示载波的频率偏移;θ是一个未知的随机相位偏移,其概率密度服从[
)
0,2π 的均
},k sn 是
匀分布;τ是时间偏移; ( )n t 是一个加性白高斯噪声,
相互独立的零均值高斯随机序列,方差都为 2 2σ 。由于训练序列为接收机所知,因此可以
},k cn 和{
,{
n
k c
,
n
k
jn
=
+
k s
,
+
m e
k
n
k
j
π
k
2
通过该训练序列获得有用信号。将 kr 与 (
的信号:
m kT
c
j
π
k
2
)
=
m e
k
相除生成输入载波频率偏移估计器
z
k
=
r
k
m e
k
j
π
k
2
2
Δ
π
(
f kT
c
j
⎡
⎣
)
⎤
+ +
τ θ
⎦
=
e
+
v k
,
k
=
N
1,2,
,
(2-4)
−
j
π
k
2
e
m
k
n
k
,{ }kv 为独立零均值高斯随
其中 N 为观测序列的长度,即为训练序列长度,
v
k
=
机序列。
3. 频偏估计算法介绍
3.1 Kay 算法
根据 Kay 算法[2],将(2-4)转化为以下形式:
其中
x
k
v e
k
−
j
⎡
⎣
2
π
Δ
(
f kT
c
是:
z
=
k
)
⎤
τ θ
+ +
⎦
j
⎡
⎣
)
⎤
τ θ
+ +
⎦
(
f kT
2
π
Δ
c
e
是一个复白高斯噪声序列,方差为 2σ 。设
(
1
= +
)
⎤
τ θ
+ +
⎦
(
f kT
c
v
k
x
k
2
π
Δ
+
e
)
⎡
⎣
j
x
k
(3-1)
=
x
k I
,
+
jx
k Q
,
,于
- 2 -
http://www.paper.edu.cn
1
+
x
k
=
(
1
⎡
⎣
+
x
k I
,
2
)
+
x
2
k Q
,
1 2
⎤
⎦
×
exp
⎛
⎜
⎜
⎝
j
tan
1
−
x
k Q
,
x
+
k I
,
1
⎞
⎟
⎟
⎠
(3-2)
(
exp
)
τ θ
+ + +
)
j
x
k Q
,
tan
⎤
⎦
−
1
jx
x
k Q
,
exp
≈
(3-3)
。因此,加性噪声被转化为等效的相位噪声 ,k Qx ,
k Q
,
(
)
x σ
2
k
2
。定义
,则有:
k Qxφ =
k
,
(
j
f kT
c
2
π
Δ
⎡
⎣
)
⎤
τ θ
+ +
⎦
≈
e
2
π
Δ
(
f kT
c
)
τ θ φ
+ + +
k
j
⎡
⎣
⎤
⎦
(3-4)
当
SNR 时,
1
通过以上近似,得到
方差为 (
var
x
k Q
,
=
)
=
e
=
kz
0.5var
x
1
≈
+
k
(
j
f kT
2
⎡
e π
Δ
⎣
c
(
)
⎤
τ θ
+ +
⎦
=
)
z
其中 kφ 是一个零均值白高斯噪声,方差为 2 2σ 。
k
+
v
k
(
1
= +
x
k
)
e
2
π
Δ
(
f kT
c
j
⎡
⎣
通过以上计算,可以得到下式:
(3-5)
k
1
+
z
z
}
z
{
{
arg
Δ =
k
arg
=
cfTπΔ 的带噪声分量的均值,通过{ }kz 序列可以获得(
是 2
{ }
z
arg
−
k
}
fT
2
*
π
= Δ
c
φ φ
k
k
k N
≤ ≤
,1
+
−
−
1
1
+
1
+
k
k
k
k
z
z+
1
}*
显然, {
)1N − 个测
arg
量值。由式(3-5)可知,对于频率偏移的估计问题即为对一个有色高斯噪声过程均值的估计。
该过程实际上是一个系数为 1 和-1 的滑动平均。式(3-5)的线性模型的最小方差无偏(MVU)
估计通过最小化下式得到:
(
Δ
J
2
2
π
− Δ
π
=
− Δ
其中 [
, [
= ,C 是一个(
T
N
1,1,
1
矩阵。于是最小方差无偏估计为:
(3-6)
)
1
− 维的 kΔ 的协方差
)
(
1 C Δ
fT
c
]
,1 T
)
1
fT
c
)
(
1
− ×
= Δ Δ
N
Δ
N −
1
Δ
]
,
,
,
T
−
1
1
2
估计值的方差为:
ˆ
f
Δ =
1
Tπ
2
c
×
1 C Δ
T
1
−
1 C 1
T
1
−
(3-7)
var
(
)
ˆ
f
Δ =
1
Tπ
4
2
2
c
(3-8)
ˆfΔ 是一个无偏的高斯随机变量,与观测值呈线性关系。为了计算 1−C ,首先注意 kΔ 是一个
b
实的滑动平均过程,噪声方差为 2 2σ ,系数为 0
= − 。因此,协方差为:
1 C 1
1
T
−
1
×
1
c
( )
0
=
b
2
0
+
b
2
1
b=
11,
)
=
2
σ
(
2
σ
2
)
1
− =
)
=
0
= −
2
σ
2
2
σ
2
b b
0 1
2
≥
k
c
c
=
( )
1
(
(
c k
由此可知,该协方差矩阵为以下形式:
1
−
2
C
=
2
σ
2
⎛
⎜
⎜
⎜
⎜
⎝
0
0
0
1
−
2
0
0
1
−
0
0
0
1
−
⎞
⎟
⎟
⎟
⎟
2 N
⎠
(
) (
1
− ×
N
)
1
−
- 3 -
(
N
)
1
− ×
(
N
)
− 维矩阵的(
1
,i
于是得到:
−
1
C
⎡
⎣
⎤ =
⎦
ij
)
j 元素的倒数由下式给出:
2 min ,
(
i
2
σ
ij
N
−
≤
1
)
j
i
⎡
⎢
⎣
⎤
⎥
⎦
,
http://www.paper.edu.cn
j N
≤
−
1
(3-9)
1 C Δ
T
1
−
=
其中{ }kγ 是一个窗函数,对称点为
k N=
1 C 1
T
1
−
)
1
2
(
N N
−
=
6
2
σ
(
)
N N
1
−
6
2
σ
。
N
2
2
k
1
−
Δ∑
γ
k
1
=
k
(3-10)
N
最终,得到 fΔ 的估计值为:
γ
k
3
= ⋅
2
N
2
−
1
⎡
1
⎢
⎢
⎣
−
2
k N
−
N
⎛
⎜
⎝
2
⎞
⎟
⎠
⎤
⎥
⎥
⎦
,
k
=
1,2,
,
N
−
1
(3-11)
3.2 Fitz 算法
ˆ
f
Δ =
1
T
2
π
kc
N
1
−
γ
k
∑
1
=
arg
{
z
k
1
+
*
z
k
}
(3-12)
Fitz 算法[3]通过计算 kz 的互相关系数实现,是一个近似的最大似然估计。如式(2-4)所示
的正弦信号频率的最大似然估计由下式给出:
(3-13)
其中 fΔ 是 fΔ 的瞬时值,是通过最大化 fΔ 的最大似然函数得到的。似然函数由周期图得到:
1
=
k
×
arg max
z e
k
=
ˆ
f
Δ
ML
1
T
2
π
c
2
−
j
fT k
2
π
Δ
c
N
∑
L
f
Δ
( )
z
−
j
fT k
2
π
Δ
c
z e
k
2
=
N
∑
k
1
=
由式(3-14),令互相关系数为 0 得到:
N
N
∑∑
k
1
=
m
1
=
2
z z e π
*
Δ
k m
−
j
fT k m
−
(
c
)
(3-14)
(3-15)
(3-16)
重新整理上式得到:
N
N
∑∑
k
1
=
m
1
=
(
2
k m z z e π−
Δ
*
k m
−
j
)
fT k m
−
(
c
)
=
0
Im
⎧
⎨
⎩
N
1
−
∑
m
1
=
m N m R m e π
fT m
2
Δ
−
−
j
c
(
N
(
)
)
=
0
⎫
⎬
⎭
其中 (
NR m 表示序列 kz 的估计的自相关,定义为:
)
N
1
− ∑
N m
(
)
1
−
≤
≤
i m
1
= +
*
i m
−
m N
R m
N
z z
i
注意到式(3-16)中括号内的部分为估计自相关 (
NR m 的离散傅里叶变换的形式,通过一个
窗函数 (
)
0m = 附近,
相关系数 (
NR m 包含很少的或者根本没有频率偏移信息,这是因为这些值是通过相隔很近
的信号值得到的。另一方面,当 m 接近于 N 时, (
NR m 是一个 kz 自相关的不准确估计,
w m m N m m
进行加权。由加权函数发现,在
−…
N
,1
)
1,2,
),
=
−
=
1
)
)
(
,
(3-17)
- 4 -
因为式(3-17)中求和元素的数量很少。将靠近 m N= 的不可靠自相关值舍弃,并且用一个全
1 的序列替代 (
)w m 之后,得到一个次优的频率偏移估计:
⎫ =
⎬
⎭
R m e π−
fT m
2
Δ
N
∑
Im
⎧
⎨
⎩
(
)
0
1
=
M
m
j
c
由于自相关函数有如下形式:
所以:
当 N 较大时有:
NR m e
=
(
)
j
2
πΔ
fT m
c
+
noise
arg
{
(
E R m
(
N
)
}
)
fT mπ= Δ
2
c
j
−
(
(
Im
fT m
2
Δ
π
)
R m e
N
)
c
≈
≈
sin arg
(
{
arg
{
(
R m
N
}
)
(
R m
N
}
)
2
− Δ
π
2
π
− Δ
fT m
c
fT m
c
于是,式(3-18)当 N 较大时近似为:
{
arg
M
∑
⎡
⎣
m
1
=
对式(3-22)进行代数计算,得到 fΔ 的估计值为:
R m
N
(
}
)
− Δ
fT mπ
2
c
≈
0
⎤
⎦
http://www.paper.edu.cn
(3-18)
(3-19)
(3-20)
(3-21)
(3-22)
)
M
∑
m
1
=
ˆ
f
Δ
ML
≈
3.3 L&R 算法
arg
{
R m
N
(
}
)
T
2
π
c
M
∑
m
1
=
m
=
1
M M
(
π
+
)
1
M
∑
1
=
T
mc
arg
{
R m
N
(
}
)
(3-23)
信道模型如式(2-4)所示,通过寻找式(3-14)给出的似然函数的最大值获得频率偏移的估
计即为该算法。L&R 算法[4]的分析与 Fitz 算法的分析基本相同,不同之处在于对式(3-18)采
用不同的替代形式。
用泰勒级数展开的形式对式(3-18)进行替代,进行计算得到:
R m
N
基于上述假设 (
)
=
mv ,于是:
1
量,
ˆ
f
Δ ≈
1
T
2
π
s
exp
(
j
fmT
2
π
Δ
c
)
M
1
=
m
m
M
∑
∑
m
1
=
v
+
m
(
Im
{
{
1
≈ +
Re
R m
N
}
)
}
)
j m fT
2
Δ
π
c
R m
N
(
(3-24)
+
,其中 mv 是一个噪声分
v
m
M
∑
m
1
=
Im
{
R m
N
(
}
)
≈
M
arg
M
∑
m
1
=
m
Re
{
R m
N
(
}
)
≈
R m
N
(
)
⎫
⎬
⎭
+
)
1
k
M
⎧
∑
⎨
⎩
1
=
(
M M
2
(3-25)
(3-26)
将(3-25)和(3-26)带入式(3-24)中,最终得到 fΔ 的估计为:
- 5 -
3.4 Kay&R 算法
ˆ
f
Δ =
1
+
)
1
T
c
arg
⎧
⎨
⎩
(
π
M
M
∑
m
1
=
http://www.paper.edu.cn
(3-27)
R m
N
(
)
⎫
⎬
⎭
Kay&R 算法[5]通过计算 (
)
z k 的自相关和该自相关值序列的相位增量来实现。将式(3-19)
转化为如下形式:
j
其中 '
φ
m
e
+
1
v
'
m
e
π−
j m fT
2
c
Δ
Δ
e
=
j m fT
2
π
c
R
+
m
。考虑下式:
v
'
m
=
(
j
2
e π
m fT
c
Δ
'
φ
+
m
)
f
Δ <
(
T
1 2 c
)
若
*
{
arg
R R
m
}
m
1
−
, fΔ 的估计表示为:
1
Tπ
2
c
ˆ
f
Δ =
=
fTπ
2
Δ
c
+
'
φ φ
−
'
m
m
1
−
×
arg
{
*
R R
m
m
1
−
}
在平滑噪声的影响之后,可以得到 fΔ 的最终估计为:
{
)
M N M
1
− + −
MN
N
3
+
−
1
×∑
Tπ
2
mc
)(
N m N m
−
M M
6
4
ˆ
f
Δ =
R R
m
arg
w
m
w
m
−
=
3
⎡
⎣
(
(
1
=
1
−
M
m
2
2
*
}
−
)
1
(
(3-28)
(3-29)
(3-30)
(3-31)
(3-32)
)
⎤
⎦
4. Crame-Rao 下界
接收信号为一个样本矢量:
荡器 {
exp
2j
}
ftπΔ 的频率偏移 fΔ 的最大似然估计问题:
=R
[
r r
,
1
2
,...,
r −
N
1
T
]
。由采样信号的观测值开始考虑复数振
(
)
θ
+
j
fkT
2
π
Δ
s
e
=
r
k
k N
(4-1)
, ,k cn 和 ,k sn 是独立高斯噪声采样,
其中 sT 是采样间隔;θ是一个未知相位;
n
k
均值为 0,方差为 2 2σ 。此信号模型与式(2-4)一致,所以,可以使用该 Crame-Rao 下界
(CRLB,Cramer-Rao Lower Bound)[6]作为频偏估计算法性能评判准则。
, 1
≤ ≤
jn
+
n
+
k
n
=
k c
,
k s
,
因此,
其中
(
cos 2
=
fkT
π
Δ
s
r
k i
,
于是,当未知参数矢量α 时,采样矢量 R 的联合概率密度函数(PDF,probability density
+ 。
n
k s
,
+
)
θ
r
k
r
=
k i
,
r
+ ,
k q
,
n
k c
,
k N
jr
, , 1
≤ ≤
+
k q
)
(
fkT
sin 2
θ
=
π
Δ
+
s
(4-2)
function)由下式给出:
f
(
R α
;
)
=
N
exp
1
2
πσ
⎛
⎜
⎝
⎞
⎟
⎠
−
⎧
⎨
⎩
1
2
σ
N
1
−
∑
k
=
0
r
k i
,
−
μ
k
2
)
+
(
r
k q
,
ν
−
k
(
⎡
⎢
⎣
2
)
⎤
⎥
⎦
⎫
⎬
⎭
其中,如果 fΔ 和θ均未知,则:
α
[
= Δ
T
]
f θ
,
- 6 -
(4-3)
(4-4)
http://www.paper.edu.cn
=
=
μ
k
ν
k
)
θ
+
)
+
θ
(
cos 2
(
sin 2
fkT
π
Δ
s
fkT
π
Δ
s
(4-5)
(4-6)
在一个估计(或者测量)系统中,有一些参数能够指示利用可用数据(观测值)可以进
行的最优估计是很重要的。均方根(RMS,root mean square)误差就是这样一个重要的参数,
经常被用来作为一个系统准确度的测量标准。Crame-Rao 下界是任何一个以式(2-4)和(4-1)为
信号模型的频率偏移变量估计的理论的下限(也就是,任何估计都不能超过它)。因此,本
文引用 CRLB 作为频偏估计算法性能的评判标准。
无偏估计的 CRLB 是由费舍尔信息矩阵(Fisher information matrix) J 对角线元素的倒
数给出,费舍尔信息矩阵 J 的典型元素由下式给出:
{
E H
{
E H H
α α
j
其中,期望值与采样矢量 R 有关,为:
(4-7)
= −
ijJ
}
}
αα
j
=
i
i
则下界为:
H
∂
α α
∂
i
=
i
log
f
(
)
R α
;
其中, ˆiα是 iα的估计值, iiJ 表示 1−J 的第i 个对角线元素。
i
var
{ }ˆ
Jα ≥
ii
(4-8)
(4-9)
当 (
)
f R α 是由式(4-3)给出时,费舍尔信息矩阵 J 的元素为:
;
J
ij
=
1
−
2 N
∑
2
σ
=
0
k
⎡
⎢
⎢
⎣
k
v
μ μ
∂
∂
k
k
α α α α
∂
∂
j
v
∂
k
∂
∂
∂
+
i
j
i
⎤
⎥
⎥
⎦
(4-10)
式(4-10)中的下标i 和 j 只表示α 中的未知元素。最一般的情况即是α 中的所有元素均未知,
则由式(4-10)得到矩阵 J 为:
其中
于是得到 1−J 如下式所示:
J
=
2
T Q
4
2
2
π
s
T P
2
2
σ π
s
⎡
⎢
⎣
T P
2
π
s
N
⎤
⎥
⎦
P
=
Q
=
N
1
−
2
=∑
k
k
=
0
)
1
N
1
−
=∑
k
(
N N
=
0
k
−
(
N N
2
)(
1 2
6
−
N
−
)
1
3
2
σ
(
T N N
2
2
2
π
s
当相位未知时,频率偏移估计的 CRLB 为:
1
J
=
=
J
J
−
2
1
*
2
⎛
×⎜
⎝
N
T P
2
π
s
−
)
1
−
T P
2
π
−
s
T Q
4
2
2
π
s
⎞
⎟
⎠
var
(
)
ˆ
f
Δ ≥
3
2
σ
(
T N N
2
2
2
π
s
2
)
1
−
- 7 -
(4-11)
(4-12)
(4-13)
(4-14)
(4-15)
http://www.paper.edu.cn
5. 算法改进
考虑到频偏估计的下界近似与观测序列长度的立方成反比,即观测序列的长度越长,观
测结果越精确。
因此,首先使用训练序列(Midamble 码)进行频偏估计,获得一个粗略的频偏估计值,
将这个频偏估计值补偿之后,再使用用户数据和 Midamble 码序列一起进行频偏估计,获得
一个精确的估计值,该值作为粗略的频偏估计值的补充。即:
ˆ
ˆ
f
f
Δ = Δ
mid
+ Δ
ˆ
f
ud
mid
fΔ 为由使用 Midamble 码序列进行估计获得的频偏估计值, ˆ
(5-1)
其中, ˆ
udfΔ 为由使用用户数
据和 Midamble 码序列一起获得的频偏估计值, ˆfΔ 为最终的估计值。图 2-3 给出了 ˆ
fΔ 、
ˆ
udfΔ 和 ˆfΔ 在不同信噪比下的关系,其中两次估计使用的算法均为 Kay 算法,频偏设为 20
KHz。显而易见,使用用户数据使估计值更加精确。图 2-4 给出了频偏估计值的均方根误差
{
}2
⎦ 与信噪比的关系。当信噪比较高时, ˆfΔ 较 ˆ
⎤
fΔ 更为稳定,即此估计算
E
ˆ
f
Δ − Δ
f
mid
mid
⎡
⎣
法更加稳定。
x 104 EstiResult, Midamble: Kay, User Data: Kay, FreqOffset=20KHz
Midamble Only
UserData
Midamble + UserData
FreqOffset
2.5
2
1.5
1
0.5
0
l
e
u
a
v
n
o
i
t
a
m
i
t
s
E
n
a
e
M
-0.5
-30
-25
-20
-15
-10
-5
SNR dB
0
5
10
15
20
图 2-3 估计值的期望,
Midamble 序列使用 Kay 算法,用户数据和 Midamble 序列使用 Kay 算法
(频偏设为 20 KHz)
- 8 -