协同中继系统在密集信道下的信道估计算法

目前，点对点通信系统多径信道估计算法方面有了大量成果，协同中继通信系统信道估计方面的研究相对较少。由于协同中继通信系统的信道特性与点对点系统的信道特性大不相同，所以信道估计的算法不能简单照搬应用。协同中继通信系统的信道是多个信道冲激响应的卷积形成的，比如，协同中继系统中典型的三点结构——源节点S、中继节点R和目的节点D，在放大转发模式下，为了减少中继节点的负担，一般考虑在目的节点处估计整个传输信道的冲激响应，此时的信道是S-R链路以及R-D链路两个信道向量的卷积形成的级联信道。如果沿用点对点通信系统的信道估计思路，需要在中继节点和目的节点处分别进行信道估计，中继节点需要把其估计的S-R链路的信道状态信息发送给目的节点，这样不但会带来时延，同时也会引入噪声的影响。

按照是否发送导频序列，中继信道估计的算法大致可分为两类：盲信道估计和非盲信道估计。

非盲信道估计算法通过占用系统的部分频带资源，在收发两端约定的时隙或载波位置处插入导频信息，实现对信道状态信息（Channel State Information，CSI）的跟踪和估计。根据对估计精度及算法复杂度的要求，接收端采用相应的估计准则，首先估计出导频所在位置处的信道状态信息，然后通过内插算法获得非导频位置处的CSI。该类方法一般称为基于导频的信道估计算法，此类算法根据系统对信道估计精度的要求以及无线信道的衰落特性，在时间和/或频率域插入适量的导频信息，即便是在快时变衰落的信道环境下，也能够估计出较为精确的信道状态信息。

盲信道估计算法主要根据经验信息，分析接收信号的统计特性，达到获取信道状态信息的目的。该类算法不需要发送导频序列，无须占用系统频谱资源。不过，盲信道估计算法需要对大量的接收数据进行处理，无疑增加了算法的复杂度，因此不能有效实时跟踪信道的变化，所获得的信道信息误差会比较大，盲信道估计算法很难在实际中有效应用。近年来，随着人们对协同中继通信技术的关注，针对该系统的信道估计成果也逐渐增多，表1-3中列出了密集多径环境中信道估计方面的部分成果。(www.xing528.com)

表1-3　协同中继系统信道估计方面的突出成果

针对密集多径信道环境的协同通信系统信道估计问题，国内外已有很多研究成果。主要成果为：基于最优训练序列的协同中继信道估计问题，包括放大转发单中继单向网络、双向中继网络和多中继协同系统信道估计算法研究，在协同中继信道估计方面做出了开创性的工作；MIMO双向协同中继系统信道估计以及训练序列的设计方面有很好的成果；采用平行因子分析的方案对MIMO多中继系统进行了信道估计；采用LMMSE算法做出了MIMO单中继协同系统的信道估计；由于MIMO系统具有空间分集的作用，研究者提出分布式编码协同中继系统的信道估计思路，主要采用训练序列的设计，提出对源节点与中继节点之间的信道以及中继节点到目的节点之间的信道分别进行估计，并且对源端点和中继节点处的序列分别进行设计，进而进行多链路信道的重构。

协同中继系统信道估计的成果主要集中于单天线协同中继系统，MIMO协同中继信道估计方面的公开报道还非常少，现有的研究成果多是基于训练序列的信道估计。具体采用的算法主要包括最小二乘（Least Squares，LS）法、最大似然估计算法、期望最大化（Expectation Maximization，EM）算法和线性最小均方误差（Linear Minimum Mean Square Error，LMMSE）算法等。这些研究均是在密集多径信道假设的基础上开展的，其中LMMSE、ML以及EM算法的估计精确度比较高，但计算复杂度也比较高，LS算法的估计准确度相比较低，但是其复杂度也很低。利用以上算法在考虑最优序列设计时，需要的训练序列比较多，而这些信号并不包括需要传输的有用信息，也就是占用了系统大量的频谱资源，导致频谱利用率降低，不利于绿色通信的开展。因此，如何利用较少的训练信号获取较准确的信道估计精度，成为近年来的研究热点。因为，训练信号越少，系统被额外占用的资源就越少，系统中的频谱利用率就会越高，所以系统的整体性能也将会大幅提升。压缩感知理论的诞生使稀疏信号处理理论得到了进一步的发展，为上述问题提供了理论基础。