干涉信号码功率及噪声变异评估的方法与装置 【技术领域】
本发明是关于一般的无线分时双工(TDD)或分频双工(FDD)通信系统。更明确地说，本发明是关于一种TDD通信系统，其可利用部份取样平均法，实现一种干涉信号码功率(ISCP)及噪声变异的评估方法。
背景技术
在UMTS地面无线接入TDD系统中，ISCP及噪声变异的评估已经便得越来越重要。接收器的设计需要对信道评估的后处理进行噪声变异评估，以及可供多用户侦测(MUD)使用的最小均方误差-区块线性均衡(MMSE-BLE)算法。此外，动态信道分配、动态信道配置(DCA)以及时隙配置也都取决于精确的干涉信号码功率(ISCP)评估。如3GPP TS25.225中所定义的，量测「时隙ISCP」仅是其中一种量测小区间干涉的方式。因为小区间的干涉可视为白高斯噪声，因此可将ISCP及噪声变异评估结合成一道步骤。先前的评估方法是在保护期间使用片段序列。不过，因为时序前进及延迟长度展开的关系，保护期间内并没有足够的片段可供执行该项评估。
【发明内容】
本发明提供一种背景噪声功率评估器，其利用的是已经评估的信道脉冲响应系数。
【附图说明】
图1所示的是截尾雷利分布随机变量的理论总体平均功率，以及相对于每次信道评估地W＝57个片段中的少量取样数量的取样功率数值平均，图中显示出仿真曲线及理论曲线。
图2所示的是利用算法1所得到的已评估噪声变异的平均值及均方误差曲线图，其结果已经过实际的噪声变异正规化。该图中总共对10,000次独立的仿真结果进行平均。
图3所示的是经过实际的噪声变异标准化之后的已评估噪声变异序列。3dBEb/No时的工作组4(WG4)状况2(慢衰落)。图3a所示的是从保护期间(GP)的评估结果，图3b及3c所示的分别是运用算法1及2的已评估噪声变异结果。
图4(a)所示的是原始位误码率曲线，图4(b)所示的是已评估的噪声变异的正规平均值，而图4(c)所示的是经过实际变异正规化的评估值的均方误差。在工作组4(WG4)信道状况2(慢衰落)中，算法1使用30个取样，算法2使用6次递归。
图5(a)所示的是原始位误码率曲线，图5(b)所示的是已评估的噪声变异的正规平均值，而图5(c)所示的是经过实际变异正规化的评估值的均方误差。在国际电讯联盟(ITU)行人(pedestrian)B信道状况中，算法1具有30个取样，算法2具有6次递归。
图6所示的是UE接收器的信道评估及后处理的方块图，图中采用的是根据本发明的方法及装置制作而成的噪声变异评估器。
【具体实施方式】
本发明使用的是一种利用该信道评估器的输出信息进行ISCP及噪声变异的评估方法。该方法可解决先前技艺方法的问题，并且可提供更精确的评估供动态信道配置(DCA)及多用户侦测(MUD)使用。明确地说，本发明使用的是部份取样平均算法来进行计算。
虽然本发明的ISCP及噪声变异评估方法是针对WCDMA TDD系统，不过，该算法亦能应用在使用已评估信道响应信息的所有类型的通信系统中，包括WCDMA FDD系统在内。图3b及3c所示的是运用本发明的算法1及2的噪声变异评估结果，其可与从保护期间(GP)所取得的噪声变异进行比较。
下面说明的是史泰纳(Steiner)信道评估的信号模型。假设Kmax是一基本中间编码所允许的最大的不同中间码(midamble)数量。因此，丛集(burst)第1型的Kmax＝16、8或4，而丛集(burst)第2型的Kmax＝6或3。已接收的序列的信号模型可表示如下：
r=Gh+n=[G1|G2|···|GK]h(1)h(2)···h(K)+n]]>
方程式(1)
而最大近似评估值(MLE)则可假设如下：
方程式(2)
其中：
w＝(GHG)-1GHn 方程式(3)
当能够确实知道主动中间码(midamble)移动的情形时(具有共享中间码(midamble)的上行链路或下行链路移动)，便能够降低矩阵G的区块栏数以及干涉情形。不过，比较最大中间码(midamble)移动(Kmax)以及主动中间码(midamble)移动(Kactive)之后，可看出并无效能增益。实际上，因为必须针对每个时隙计算出虚拟反矩阵的系数，反而增加该系统的复杂度。假定为最大的中间码(midamble)数量，其仅会在规定该小区之后进行计算。再者，即使是已知的中间码(midamble)，都可使用不具有信号成份的输出序列进行ISCP及噪声变异评估。所以，不论有多少个中间码(midamble)是主动的，该信道评估器都希望提供信道评估的Kmax数量。
下面说明的是根据本发明所建议的ISCP及噪声变异评估方法。信道评估器的输出序列的片段长度永远都是KmaxW，其中W是信道脉冲响应的长度。大部份的输出序列都仅包括ISCP及噪声成份，少部份则包括信号及噪声成份。当主动的中间码(midamble)是已知时，从该些信道评估中便可轻易地产生非主动中间码(midamble)的评估值。不过，对具有共享中间码(midamble)的上行链路及下行链路(中间码(midamble)是未知的)来说，便难以进行评估。前面的说明是针对具有多重中间码(midamble)的下行链路信道，其中主动中间码(midamble)是未知的。
为简化起见，该ISCP及噪声变异将称为(如算法1的噪声变异般)部份取样平均，该复数噪声的振幅机率密度函数为雷利函数，可表示如下：
f(x)=2xσw2exp(-x2σw2)U(x)]]> 方程式(4)
其中，σw2为其变异数。
本发明的目标是以最少的取样数量评估该变异数。如图3所示，该评估的平均值及均方误差都会随着取样数的增加而减少。显而易见的，取样功率的平均值并不会收敛成总体平均功率。相反地，当使用W个取样中最小的N值的话，取样变异便会收敛成如下所示的第二矩量：
σa2=∫x=0ax2f(x)dx]]> 方程式(5)
其中，a满足Pr{x<a}=NW.]]>
经过短导算之后，
a=-σw2ln(1-NW)]]> 方程式(6)
W个取样中最小的N值的总体平均功率会收敛成：
σw2=cσw2]]> 方程式(7)
其中：
c=NW+(1-NW)·(1-NW)]]> 方程式(8)
所以，比例因子c是N/W比率的函数。图1所示的是丛集(burst)第1型及W＝57时，理论及数值比例因子相对于N的关系图。
利用此比例因子，W中N个最小取样的噪声变异评估会变成：
σ^w2=1cKNΣj=1KΣj=1N|hi(j)|2]]> 方程式(9)
其中，hi(j)，i＝1、2、...、W是成振幅递增的次序。
前面所述的是噪声变异评估方法的参数，以及信道评估所使用的参数。该项评估方法将会通过某些系统参数于系统阶加以说明。该等系统参数如下：
·W：信道长度。
·Kmax：最大的中间码(midamble)移动值。
·P：基本中间码(midamble)长度，其为信道评估区块的输入长度。
·Lm：中间码(midamble)长度。
·Lchest：信道评估器的输出长度。其未必等于W。
Kmax，尤其是在丛集(burst)第1型的延伸中间码(midamble)情形时。
·hi，i＝1、2...、Lches：已评估的接合信道系数。
·Kactive：主动的中间码(midamble)移动值。
·Np1：每个信道的最大路径值。
·Np2：每个信道的实际路径值。
表1归纳出上面各项参数的规格及关系： 丛集 (burst) 结构 丛集(burst)第1型或3 P＝456，Lm＝512 丛集(burst)第2型 P＝192，Lm＝256 Kmax 16 8 4 6 3 W 28或29* 57 57 32 64 Lchest 456 456 456 192 192
*偶数中间码(midamble)值中W＝28；奇数值中W＝29。
表1
图6所示的是ISCP及噪声变异评估区块14在用户设备(UE)10中的位置。在上行链路中，因为BS接收器已经知道，所以并不需要中间码(midamble)侦测18及盲码侦测20区块。因为并不知道主动的中间码(midamble)值，所以下行链路噪声评估会使用Kmax取代Kactive，并且利用中间码(midamble)侦测进行评估。主动中间码(midamble)值信息可视情况由中间码(midamble)18经由路径18a馈送至噪声(ISCP)评估区块14，不过，在整个侦测效能中会造成具有些许增益的处理延迟。
本文所建议的评估算法(采用部份取样平均法)可归纳如下：
σ^n2=G·γ(r)·1Nsample·Σi=1Nsample|hn(i)|2]]> 方程式(10)
其中：
Nsample＝Lchest-Npl·Kactive 方程式(11)
γ(r)=[1+(1r-1)·ln(1-r)]-1]]> 方程式(12)
r=NsampleLchest;]]>取样率， 方程式(13)
丛集(burst)第1型和3时，G＝400，
以及，
丛集(burst)第2型时，G＝169。
n(i)，i＝1、2、...、Lchest是第I个最小系数的指针(即hn(i)，i＝1、2、...、Lchest)，其成振幅递增的次序。为简化实现方式，会如表2般将每种状况的常数固定，该表中显示的是相对于时隙结构的比例常数T，其中P是可用的取样数，并且以双星号标记的数值于实际状况中可能不会出现。此处的常数T定义如下：
T=G·γ(r)Nsample]]> 方程式(14)
已评估的噪声变异数则变成
σ^n2=T·Σi=1Nsample|hn(i)|2]]> 方程式(15) Kmax Npl＝6 Npl＝10 N个取样 T N个取样 T 丛集 (burst )型 1 P＝456 4 432** 1.1** 411 1.3 8 411 1.3 375 1.7 16 360 1.9 296** 3.1** 丛集 (burst )型 2 P＝192 3 174 1.3 158 1.7 6 158 1.7 132** 2.7**
表2
在替代方式中可从已评估的信道输出的无用系数中评估噪声变异，并且利用下面的方程式以递归方式进行更新：
σ^n2=1KWΣj=1KΣi=1W|hi(j)-h^i(j)|2,]]>
其中，是经过噪声变异评估后处理之后的信道评估，而的初始值全部都为零。
在此仿真中，递归数为六(6)，其可视传播信道状况而降低。
现在将解释其中一种示范仿真情形。下面所列的是本范例的假设条件及参数：
·丛集(burst)第1型。
·W＝57。
·8个数据丛，展开因子(SF)＝16。
·8个不同的中间码(midamble)。
·WG4状况2及ITU行人B信道状况。
·算法1有30个取样。
·算法2有6次递归。
如图4(a)及图5(a)所示，不同结构所产生的MMSE-BLE效能非常相似。因此，如图4(c)及图5(c)所示，数据侦测效能并不会受到以实际噪声变异标准化之后的评估误差的影响。
所得到的结论是：
·从图5(b)及6(b)中可看出，算法1的变异评估在高SNR且具多重路径的情况下，数值会稍微地偏高。
·算法2具有最佳的效能，不过必须针对后处理实施多重的临界测试。其复杂度的增加情况则取决于迭代的次数及比较的复杂度。
·如果仅有MMSE-BLE及后处理的噪声变异的话，那么算法1便足以供大部份的无线情形来使用。不过，如果整体的通信系统效能非常容易受到噪声变异评估误差的影响，而需要更精确的噪声变异评估时，那么算法2将是最佳的选择。