[4G/5G/6G专题基础-156]: 什么是物理层信道评估

目录

第1章 什么是信道评估（Channel Estimation）

1.1 信道评估的由来

1.2 信道评估过程

1.3 影响信道特征矩阵的因素

1.4 信道评估的目的

1.5 信道评估的实体

1.6 接收信号的形态

1.7 信道信号接收的数学模型

1.8 信道评估的基本过程

1.9 信道评估的实现的假设

第2章 信道评估详解：导频信道

2.1 导频信号与信道特征矩阵的关系

2.2 示意图

第3章 单输入单输出SISO的信道评估

3.1 SISO模型示意图

3.2 SISO模型的数学表达

3.3 特征矩阵的计算

3.4 噪声矩阵的计算

第4章 2 x 2 MIMO的信道评估

4.1 模型示意图

4.2 2*2 MIMO的数学模型

4.3 特征矩阵的计算

 4.4 噪声的计算

第3章 接收信道的信号还原

参考：

---

第1章 什么是信道评估（Channel Estimation）

1.1 信道评估的由来

在所有通信中，信号都会通过一种介质（称为信道），信号会失真，或者在信号通过信道时，各种噪声会添加到信号中。

接收方为了正确地解码接收信号而没有太多误差，需要从接收到号中去除信道施加的失真和噪声。要做到这一点，第一步是借助导频信道/参考信号，找出导频信号/参考信号经过的通道的特性。第二步，用计算出来的信道特征，补偿其实数据信道，去除数据信道施加的失真和噪声。

表征信道的技术/过程称为“信道估计”, 即Y = H（X），该过程将如下所示。

1.2 信道评估过程

1.3 影响信道特征矩阵的因素

（1）信号在信道中传输的衰减

（2）信号在信道中传输的相位偏移

（3）信号在信道中传输中叠加的噪声

上述因素都会导致信号一定程度的失真。

1.4 信道评估的目的

接收信号的一方，从接收到号中去除信道施加的失真和噪声。还原发送方发送的原始信号。

特别注意：

接收方并不是直接使用接收到的实际信号进行数字解调的！！！！

接收方式根据接收信号和信道的特征矩阵，还原发送方的信号，

然后再对还原后的信号进行数字解调。

1.5 信道评估的实体

（1）手机的物理层：下行数据解调，如QAM解调

（2）基站的物理层：上行数据解调，如QAM解调

信道信号还原是在QAM解调之前。

1.6 接收信号的形态

IQ数据的幅度，即I路和Q路的信号的幅度。

1.7 信道信号接收的数学模型

Y = H（X）

（1）Y：接收到的实际的IQ信号的幅度

（2）X：发送端发送的原始IQ信号的幅度

（3）H：信道特征矩阵

1.8 信道评估的基本过程

信道估计有许多不同的方法，但基本概念相似。该过程如下所述。

i） 设置一个数学模型，使用“信道”矩阵关联“发送信号”和“接收信号”。

ii）发送已知信号（我们通常称之为“参考信号”或“导频信号”），并检测接收信号。

iii）通过比较发射信号和接收信号，我们可以计算出信道矩阵的每个元素（参数）。

这个过程中的详细的算法可能会随着每个特定芯片组的实现而变化，然而，总体概念将是类似的。

1.9 信道评估的实现的假设

（1）导频信道：信道评估

• 导频信道输入是已知的：基站通过SIB或RRC信息通知UE，导频信道的信息。
• 输出Y是已知的：UE通过接收到信号获得当前导频信道信号
• H矩阵的参数为未知得：通过Y = H(X)计算，获得信道特征矩阵H。

（2）其他数据信道：信道数据接收

• 其他数据信道与导频信道具备相似的无线信道特征。
• 输出Y是已知的：UE通过接收到信号获得当前数据信道信号
• H矩阵的参数是以知的：通过同频信道计算获得。
• 计算：X = H’ * Y,  其中H'是H矩阵的逆矩阵

第2章 信道评估详解：导频信道

2.1 导频信号与信道特征矩阵的关系

我们如何计算通道的属性，即特征矩阵？ 我们如何估计信道？

i） 在无线信道中嵌入了一组预定义的信号（称为参考信号、导频信号）

ii）当这些参考信号通过信道时，它与其他信号一起失真（衰减、相移、噪声）

iii）我们在接收器处检测/解码接收到的参考信号

iv）比较发射的参考信号和接收的参考信号，并找到它们之间的相关性，即特征矩阵。

2.2 示意图

（1）发送端的导频信道的幅度是已知的。如上图中的红色部分。

（2）接收端的导频信号的幅度也是已知的。如上图中蓝色部分。

（3）接收端的信号受到了干扰，发生了畸变。

第3章 单输入单输出SISO的信道评估

3.1 SISO模型示意图

首先考虑一下最简单的SISO的情况，看看如何估计信道特性（信道系数和噪声估计）。

由于是SISO，所以参考信号仅嵌入到一个天线端口（端口0）。

资源图中的垂直线表示频域。用f1，f2，f3…fn索引每个天线端口的参考信号。

每个参考符号可以是复数（I/Q数据），可以按上图所示绘制。

左侧（传输侧）的每个复数（参考符号）经过信道传输后，信号发生了失真，变为变为右侧（接收符号）的每个对应符号。

3.2 SISO模型的数学表达

信道估计是找到左侧复数数组和右侧复数数组之间相关性的过程。

估计的详细方法可能非常依赖于实现。这里将描述的方法是基于开源代码：SDR | ShareTechnote

由于这只是一个天线，每个发射参考信号和接收参考信号的系统模型可以表示如下：

y（）表示接收参考信号的阵列，

x（）表示发送参考信号的数组（），

h（）表示信道系数的数组。

f1，f2，…只是指数的整数。

3.3 特征矩阵的计算

我们知道x（）是什么，因为它是给定的，而y（）也是已知的，因为它由接收器测量/检测。

有了这些，我们可以很容易地计算系数数组，如下所示：

3.4 噪声矩阵的计算

下一步是估计噪声特性。理论上，噪声可按以下公式计算。

然而，我们需要的是噪声的统计特性，而不是确切的噪声值。

我们可以仅使用测量的信道系数和平均信道来估计噪声，如下所示（实际上，精确的噪声值没有多大意义，因为噪声值不断变化，使用那些特定的噪声值是没有用的）。

在srsLTE中，作者使用了这种方法：

第4章 2 x 2 MIMO的信道评估

4.1 模型示意图

假设我们有一个如下所示的通信系统。

x（t）表示发射信号，y（t）指示接收信号。

当x（t）被传输到空气（信道）中时，它会失真并产生各种噪声，并且可能相互干扰。

因此接收信号y（t）不能与发送信号x（t）相同。

4.2 2*2 MIMO的数学模型

 发射信号、接收信号和信道矩阵之间的这种关系可以如下所示的数学形式建模。

在这个方程中，我们知道值x1、x2（已知发射信号）和y1、y2（检测/接收信号）。

我们不知道的部分是：H矩阵和噪声（n1，n2）.

为简单起见，假设该信道中没有噪声，这意味着我们可以设置n1，n2为0。（当然，在真实信道中总是存在噪声，估计噪声是信道估计的一个非常重要的部分，但在本例中，我们假设没有噪声只是为了简化。稍后，当我有更好的知识用简单的语言描述情况时，我们将添加噪声情况）。

由于我们有一个数学模型，下一步是传输一个已知信号（参考信号），并从参考信号中计算出信道参数。

假设我们只通过一个天线发送了一个振幅为1的已知信号，而另一个天线现在已关闭。因为信号通过空气传播并且它将被接收器侧的两个天线检测到。现在让我们假设第一个天线接收到的参考信号的振幅为0.8，第二个天线接收的参考信号幅度为0.2。根据这个结果，我们可以算出一行信道矩阵（H），如下所示。

假设我们只通过另一个（第二个）天线发送了一个振幅为1的已知信号，第一个天线现在关闭。因为信号通过空气传播并且它将被接收器侧的两个天线检测到。现在让我们假设第一个天线接收到的参考信号的振幅为0.3，第二个天线接收的参考信号幅度为0.7。根据这个结果，我们可以算出一行信道矩阵（H），如下所示。

够简单吗？

我想（希望）你在理解这个基本概念方面没有任何问题。

但如果您完全按照上述方法使用此方法，则会有一些低效。根据上面解释的概念，当您仅传输参考信号而不传输实际数据以估计信道信息时，应该会有一个时刻，这意味着由于信道估计过程，数据速率会降低。为了消除这种低效率，实际通信系统同时传输参考信号和数据。

现在的问题是“我们如何在同时传输参考信号和数据的同时实现上述概念？”。有几种不同的方法可以做到这一点，不同的通信系统会使用一些不同的方法。

以LTE为例，我们使用如下所示的方法。在LTE中的2 x 2 MIMO的情况下，每个子帧对于每个天线的参考信号具有不同的位置。天线0的子帧发送了分配给天线0的参考信号，并且在分配给天线1的参考信号处不发送任何信号。天线1的子帧传输了分配给了天线1的基准信号，并且不在分配给了传感器0的参考信号处发送任何信号。因此，如果您在两个接收器天线处解码为天线0的参考信号分配的资源元素，您可以估计h11，h12。（为了简单起见，这里我们还假设没有噪声）。如果您在两个接收器天线处解码为天线1的参考信号分配的资源元素，您可以估计h21，h22。（为了简单起见，这里我们还假设没有噪声）。

4.3 特征矩阵的计算

上述过程是测量LTE OFDMA符号中频域中一个特定点的H矩阵。如果在对符号的其他部分进行解码的过程中应用测量的H值，解码符号的精度可能不如实际情况，因为上一步中使用的测量数据将包含一定程度的噪声。因此，在实际应用中，对通过上述方法测量的H值进行某种后处理，在此后处理过程中，我们可以计算出噪声的总体统计特性（例如，噪声的均值、方差和统计分布）。需要记住的一件事是，在此过程中获得的特定噪声值本身没有多大意义。从参考信号获得的特定值将与解码其他数据（非参考信号）的噪声值不同，因为噪声值随机变化。然而，这些随机噪声的总体特性可能是一个重要信息（例如，用于SNR估计等）。

在继续之前，让我们再次简要思考一下数学模型。即使我们将包含噪声项的系统方程描述如下，但这并不意味着可以直接测量噪声。这是不可能的。该方程仅表明检测信号（y）包含噪声分量的特定部分。

 因此，当我们测量信道系数时，我们使用了没有噪声项的设备，如下所示

在LTE的特定应用中，我们在OFDM符号内具有多个测量点（多个参考信号）。这些测量点在频域上表示。因此，让我们重写通道矩阵如下，以指示每个通道矩阵的测量点。

现在让我们假设您已经测量了整个OFDM符号的H矩阵，您将有多个H矩阵，如下所示，每个H矩阵表示一个特定频率下的H矩阵。
 

现在你有了一个H矩阵的数组。

该阵列由四个不同的组组成，每个组都用不同的颜色高亮显示，如下所示：

应用后处理算法时，该算法需要分别应用于这些组中的每个组。

为了简单起见，我将H矩阵的数组重新排列为多个独立数组（本例中为4个数组），如下所示。

对于这些数组中的每一个，我将执行与下面所示相同的处理。（每个芯片组制造商可能会采用稍微不同的方法，但总体思路是相似的）。在下面所示的方法中，数据（每个频率点中的信道系数阵列）应用IFFT，这意味着dta被转换为时域，从而产生标记为（2）的时域数据阵列。实际上，这是特定信道路径的脉冲响应。然后我们对该时域数据应用特定的滤波（或窗口）。在本例中，将某个点的数据替换为零，并创建标记为（3）的结果。您可以应用更复杂的过滤器或窗口，而不是这种简单的调零。然后，通过将滤波后的信道脉冲数据转换回频域，我得到滤波后的通道系数，并在解码其他接收信号（即解码非参考数据）的过程中使用该值作为“估计通道系数”。

通过对所有四个阵列执行相同的过程，可以得到“估计信道系数阵列”的四个阵列。

从这四个阵列中，可以按如下方式重建估计信道矩阵的阵列。

 4.4 噪声的计算

使用此估计的信道矩阵，可以使用以下等式估计每个点的噪声值。这与本文开头的原始系统方程相同，只是H矩阵被“估计H”矩阵替换，现在我们知道了除噪声值之外的所有值。因此，通过插入所有已知值，我们可以计算（估计）每个测量点的噪声值。

如果将此方程应用于所有测量点，则将获得所有测量点的噪声值，并从这些计算的噪声值中获得噪声的统计特性。如上所述，此处计算的每个单独噪声值没有多大意义，因为该值不能直接适用于解码其他信号（非参考信号），但这些噪声的统计特性可以是确定信道性质的非常有用的信息。

第3章 接收信道的信号还原

3.1 数学模型

至此，我们通过发送的导频信号和接收到的导频信号的幅度值，计算出了特征矩阵H和噪声矩阵N。

计算这两个矩阵的目的是：根据其他信道中接收到信号的幅度，反向推测这些信道中发送端信号的幅度。

接收信号：Y = H*X + N

发送信号：X = (Y-N) * ^H  

3.2 补充说明

（1）近似性

数据信道和导频信道/参考信号在时域和频域尽可能的接近，这样才能用导频信道计算出来的特征，作为数据信道特征的近似。

（2）移动性

由于手机是有可能移动的，在移动的过程中，信道的特征矩阵和噪声矩阵是要发生变化的。

因此，需要动态的计算特征矩阵和噪声矩阵。

（3）实时性

H矩阵和噪声矩阵的变化有可能是缓慢的，有可能是突发的，因此，对H矩阵的计算有一定的实时性的要求。超过时效的计算结果没有多大的意义。

3.3 传统的解析法求特征矩阵

传统的特征矩阵的方法是解析方，通过实时地、动态解方程的方式，实时获取特征矩阵H和噪声矩阵的值。

3.4 AI深度学习求特征矩阵

如果需要深度学习算法，实时获取特征矩阵H和噪声矩阵的值，就需要两个网络：

 （1）特征提取网络：自动提取出当前信道的H特征矩阵和噪声矩阵的值。

深度学习的难度：要能够训练一个通用的网络，该网络能够根据外部的原始数据，提取出H矩阵和噪声矩阵。也就是说H矩阵的值和噪声矩阵的值，并不是训练出来的，而是预测出来的。

需要训练的神经网络的W, B参数，并不是H矩阵和噪声矩阵本身，而是要能够提取H矩阵和噪声矩阵的神经网络的特征值。

H矩阵和噪声矩阵，对于神经网络而言，它们是从原始的输入信号中提取的特征值。而不是神经网络的W, B本身。

（2）预测网络：根据特征矩阵和噪声矩阵的值，反向预测发送端IQ信号的幅度。

---

参考：

Communication Technology | ShareTechnote