第 9 章 信道估计算法¶

本章预计学习时间： 6 小时
前置知识： 第 1-4 章（数学基础）、第 7 章（信道建模）、第 8 章（噪声模型）
后续依赖： 第 10 章（均衡算法）、第 11 章（解调）

📌 本章目标¶

学完本章后，你将能够：

1. 理解 导频辅助信道估计的原理
2. 推导 LS 估计的统计特性（无偏性、MSE）
3. 完整推导 LMMSE 估计（每一步都有解释）
4. 掌握 相关矩阵的计算与简化方法
5. 应用 插值算法获得所有子载波的信道估计

9.1 信道估计问题描述¶

🎯 基础概念（零基础友好）¶

为什么需要信道估计？¶

问题： 接收信号 \(y = hx + n\)，如何恢复 \(x\)？

答案： 需要知道 \(h\)！

1
2
3
4
5

发射：x（已知星座点）
信道：h（未知，随机变化）
接收：y = hx + n（已知）

目标：从 y 估计 h，然后用 ĥ 恢复 x

实际场景：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

4G/5G 下行链路：

基站 → 发射导频（已知参考信号）
      ↓
    无线信道 h
      ↓
手机 → 接收 y_p = h x_p + n
      ↓
    估计 ĥ = f(y_p, x_p)
      ↓
    用 ĥ 解调数据符号

导频结构¶

定义 9-1（导频）：

导频是发射端已知的参考符号，用于信道估计。

LTE/5G 导频结构：

1
2
3
4
5
6
7
8
9

频域：[Pilot] [Data] [Data] [Pilot] [Data] ...
       ↑                ↑
     k=0              k=6

时域：
时隙 0: [P] [D] [D] [P] [D] ...
时隙 1: [D] [P] [P] [D] [D] ...

导频密度：约 1/6 子载波

📐 数学模型¶

系统模型¶

频域接收信号：

其中： - \(Y[k]\)：第 \(k\) 个子载波的接收信号 - \(H[k]\)：第 \(k\) 个子载波的信道频率响应 - \(X[k]\)：第 \(k\) 个子载波的发射符号 - \(N[k] \sim \mathcal{CN}(0, \sigma^2)\)：噪声

导频位置：

令 \(\mathcal{P} = \{p_0, p_1, ..., p_{N_p-1}\}\) 是导频子载波索引集合。

在导频位置： \(\(Y_p[m] = H_p[m] X_p[m] + N_p[m], \quad m = 0, 1, ..., N_p-1\)\)

向量形式：

其中： - \(\mathbf{y}_p = [Y_p[0], ..., Y_p[N_p-1]]^T\) - \(\mathbf{h}_p = [H_p[0], ..., H_p[N_p-1]]^T\) - \(\mathbf{X}_p = \text{diag}(X_p[0], ..., X_p[N_p-1])\) - \(\mathbf{n}_p = [N_p[0], ..., N_p[N_p-1]]^T\)

估计问题¶

已知： \(\mathbf{y}_p\)（接收导频），\(\mathbf{X}_p\)（发射导频）

未知： \(\mathbf{h}_p\)（导频位置信道）

目标： 构造估计量 \(\hat{\mathbf{h}}_p = f(\mathbf{y}_p, \mathbf{X}_p)\)

性能指标：

✏️ 练习题 9.1¶

基础题 9-1：

若导频符号 \(X_p = 1+j\)，接收 \(Y_p = 0.5+0.8j\)，LS 估计 \(\hat{H}_{LS}\) 是多少？

答案：

1
2
3
4

Ĥ_LS = Y_p / X_p = (0.5+0.8j) / (1+j)
     = (0.5+0.8j)(1-j) / ((1+j)(1-j))
     = (0.5-0.5j+0.8j+0.8) / 2
     = (1.3+0.3j) / 2 = 0.65+0.15j

9.2 LS 估计的统计特性 ⭐⭐⭐⭐¶

🎯 基础概念¶

LS 估计定义¶

定义 9-2（LS 估计）：

闭式解：

（因为 \(\mathbf{X}_p\) 是对角矩阵，求逆简单）

逐元素： \(\(\hat{H}_{LS}[m] = \frac{Y_p[m]}{X_p[m]}, \quad m = 0, 1, ..., N_p-1\)\)

📊 无偏性分析¶

定理 9-1：LS 是无偏估计¶

证明：

物理解释：

LS 估计的长期平均值等于真值！

但单次估计可能有误差（因为噪声）。

📊 MSE 分析¶

定理 9-2：LS 的 MSE¶

若 \(|X_p[m]|^2 = 1\)（单位功率导频）：

逐元素 MSE：

证明：

误差向量： \(\(\hat{\mathbf{h}}_{LS} - \mathbf{h}_p = \mathbf{X}_p^{-1} \mathbf{y}_p - \mathbf{h}_p = \mathbf{X}_p^{-1} (\mathbf{X}_p \mathbf{h}_p + \mathbf{n}_p) - \mathbf{h}_p = \mathbf{X}_p^{-1} \mathbf{n}_p\)\)

MSE： \(\(\begin{aligned} E[\|\hat{\mathbf{h}}_{LS} - \mathbf{h}_p\|^2] &= E[\|\mathbf{X}_p^{-1} \mathbf{n}_p\|^2] \\ &= E[\mathbf{n}_p^H (\mathbf{X}_p^{-1})^H \mathbf{X}_p^{-1} \mathbf{n}_p] \\ &= E[\mathbf{n}_p^H (\mathbf{X}_p \mathbf{X}_p^H)^{-1} \mathbf{n}_p] \\ &= \text{tr}((\mathbf{X}_p \mathbf{X}_p^H)^{-1} E[\mathbf{n}_p \mathbf{n}_p^H]) \\ &= \text{tr}((\mathbf{X}_p \mathbf{X}_p^H)^{-1} \sigma^2 \mathbf{I}) \\ &= \sigma^2 \text{tr}((\mathbf{X}_p \mathbf{X}_p^H)^{-1}) \\ &= \sigma^2 \sum_{m=0}^{N_p-1} \frac{1}{|X_p[m]|^2} \end{aligned}\)\)

若 \(|X_p[m]|^2 = 1\)：

📊 信噪比分析¶

有效 SNR¶

定义： 信道估计后的有效 SNR

代入 LS 估计：

SNR 损失： 3 dB（因为估计误差）

📝 数值例子¶

例子 9-1：LS 估计性能¶

场景： LTE 系统，10 MHz 带宽

参数： - 导频数：\(N_p = 600\)（每时隙） - 导频功率：\(|X_p|^2 = 1\) - 噪声方差：\(\sigma^2 = 0.01\)（SNR = 20 dB）

MSE 计算：

归一化 MSE（每子载波）：

物理解释：

• 总 MSE = 6（所有导频的误差功率和）
• 每子载波 NMSE = -20 dB（与 SNR 相同）

结论： LS 估计的精度直接受 SNR 限制！

⚠️ LS 的局限性¶

问题 1：噪声增强¶

分析：

若 \(|X_p|\) 很小，噪声被放大！

实际中： 导频功率通常 boosted（增强）

LTE 中：导频功率比数据高 3-6 dB

问题 2：未利用信道统计¶

问题： LS 不使用信道的先验信息

• 不利用频域相关性
• 不利用时域相关性
• 不利用信道功率延迟谱

解决方案： LMMSE 估计！

✏️ 练习题 9.2¶

基础题 9-2：

LS 估计，\(|X_p|^2 = 2\)（导频功率增强 3 dB），\(\sigma^2 = 0.1\)。计算 NMSE。

答案：

1
2
3

NMSE = σ²/|X_p|² = 0.1/2 = 0.05 = -13 dB

相比 |X_p|²=1 时（-10 dB），性能提升 3 dB

进阶题 9-3：

推导 LS 估计的方差矩阵。

答案：

1
2
3
4
5
6
7

Var(ĥ_LS) = E[(ĥ_LS - h)(ĥ_LS - h)ᴴ]
          = E[(X_p⁻¹n)(X_p⁻¹n)ᴴ]
          = X_p⁻¹ E[nnᴴ] (X_p⁻¹)ᴴ
          = X_p⁻¹ (σ²I) (X_p⁻¹)ᴴ
          = σ² (X_p X_pᴴ)⁻¹

对角元素：Var(Ĥ_LS[m]) = σ²/|X_p[m]|²

9.3 LMMSE 估计完整推导 ⭐⭐⭐⭐⭐¶

🎯 问题描述¶

为什么要用 LMMSE？¶

LS 的问题： - 噪声敏感（尤其在低 SNR） - 未利用信道统计信息

LMMSE 的优势： - 利用信道相关矩阵 \(R_{hh}\) - 利用噪声方差 \(\sigma^2\) - MSE 最小（在线性估计中）

问题形式化¶

目标： 设计线性估计器 \(\hat{\mathbf{h}} = \mathbf{W} \mathbf{y}_p\)

最优性准则： 最小化 MSE

📐 完整推导（每一步都有解释）¶

步骤 1：展开代价函数¶

MSE 代价函数：

展开范数平方：

利用期望线性性：

步骤 2：逐项计算¶

第 1 项：

第 2 项：

第 3 项：

第 4 项：

其中 \(\mathbf{R}_{yy} = E[\mathbf{y}_p \mathbf{y}_p^H]\)。

步骤 3：计算 \(\mathbf{R}_{yy}\)¶

步骤 4：整理代价函数¶

步骤 5：对 \(\mathbf{W}\) 求梯度¶

使用复矩阵微积分：

应用：

步骤 6：令梯度为零¶

步骤 7：求解最优 \(\mathbf{W}\)¶

步骤 8：LMMSE 估计¶

📊 简化形式¶

特殊情况 1：单位功率导频¶

若 \(\mathbf{X}_p = \mathbf{I}\)（或 \(|X_p[m]|^2 = 1\)）：

物理解释：

这是一个"平滑"滤波器！

特殊情况 2：对角信道相关¶

若 \(\mathbf{R}_{hh} = \sigma_h^2 \mathbf{I}\)（信道不相关）：

标量形式： \(\(\hat{H}_{LMMSE} = \frac{\sigma_h^2}{\sigma_h^2 + \sigma^2} Y_p\)\)

物理解释：

其中权重 \(w = \frac{\sigma_h^2}{\sigma_h^2 + \sigma^2}\)。

极端情况：

📊 MSE 分析¶

定理 9-3：LMMSE 的 MSE¶

对角情况：

与 LS 比较：

LMMSE 总是优于 LS！

SNR 增益：

数值例子 9-2：

1
2
3
4
5
6
7
8

σ_h² = 1（信道功率）
σ² = 0.1（SNR = 10 dB）

LS: MSE_LS = N_p × 0.1

LMMSE: MSE_LMMSE = N_p × (1×0.1)/(1+0.1) = N_p × 0.091

增益：10 log₁₀(1/0.91) ≈ 0.4 dB

📝 数值例子¶

例子 9-3：2 子载波 LMMSE¶

参数： - \(N_p = 2\) - \(\mathbf{R}_{hh} = \begin{bmatrix} 1 & 0.5 \\ 0.5 & 1 \end{bmatrix}\) - \(\sigma^2 = 0.1\) - \(\mathbf{X}_p = \mathbf{I}\) - \(\mathbf{y}_p = \begin{bmatrix} 0.8+0.3j \\ -0.2+0.6j \end{bmatrix}\)

步骤 1：计算 \(\mathbf{R}_{hh} + \sigma^2 \mathbf{I}\)

步骤 2：求逆

步骤 3：计算 Wiener 滤波器

步骤 4：LMMSE 估计

比较 LS：

LMMSE 向先验均值（0）收缩！

⚠️ 常见误区¶

误区 1： "LMMSE 总是比 LS 好很多"

纠正： 增益取决于 SNR 和信道相关性。

• 高 SNR：LMMSE ≈ LS（增益小）
• 低 SNR：LMMSE 显著优于 LS
• 高相关性：LMMSE 增益大

误区 2： "LMMSE 需要完美的 \(R_{hh}\)"

纠正： 可以使用典型信道的平均 \(R_{hh}\)，性能损失不大。

误区 3： "LMMSE 复杂度太高，无法实用"

纠正： 可用简化方法（DFT 近似、离线计算）降低复杂度。

✏️ 练习题 9.3¶

基础题 9-4：

标量 LMMSE，\(\sigma_h^2 = 1\)，\(\sigma^2 = 0.5\)。计算权重 \(w\)。

答案：

1

w = σ_h²/(σ_h² + σ²) = 1/(1+0.5) = 2/3 ≈ 0.667

进阶题 9-5：

推导 LMMSE 的 MSE 公式。

提示：

1
2
3

MSE = E[‖h - ŷ‖²]
    = tr(R_hh - R_hh Wᴴ - W R_hh + W R_yy Wᴴ)
代入最优 W

答案：

1
2

MSE = tr(R_hh - R_hh(R_hh + σ²I)⁻¹R_hh)
    = tr((R_hh⁻¹ + (1/σ²)I)⁻¹)

9.4 相关矩阵的计算与简化 ⭐⭐⭐⭐¶

🎯 问题¶

LMMSE 的实现挑战¶

问题 1：需要知道 \(\mathbf{R}_{hh}\)

• 实际信道未知
• 信道统计随环境变化

问题 2：矩阵求逆复杂度高

• \(O(N_p^3)\) 浮点运算
• \(N_p = 600\)（LTE 10 MHz）→ \(2.16 \times 10^8\) 次运算

解决方案： 简化计算！

📐 简化方法 1：离线计算¶

思路¶

观察： \(\mathbf{R}_{hh}\) 变化缓慢（取决于环境类型）

方法： 1. 离线计算典型信道的 \(\mathbf{R}_{hh}\) 2. 存储为查找表 3. 在线选择最接近的模型

典型信道模型（3GPP）：

流程：

1
2
3
4
5
6
7

手机测量信道特性
  ↓
选择最接近的信道模型（EPA/EVA/ETU）
  ↓
从查找表获取 R_hh
  ↓
计算 LMMSE 滤波器

📐 简化方法 2：DFT 近似¶

思路¶

观察： \(\mathbf{R}_{hh}\) 近似 Toeplitz 结构

Toeplitz 矩阵： 每条对角线上的元素相同

循环近似：

将 Toeplitz 矩阵近似为循环矩阵：

其中 \(\mathbf{F}\) 是 DFT 矩阵，\(\mathbf{\Lambda}\) 是对角矩阵。

对角元素：

（\(r_m\) 的 DFT）

求逆简化¶

直接求逆： \(O(N_p^3)\)

DFT 方法：

复杂度： - DFT：\(O(N_p \log N_p)\) - 对角求逆：\(O(N_p)\) - IDFT：\(O(N_p \log N_p)\)

总复杂度： \(O(N_p \log N_p)\)

加速比：

对于 \(N_p = 600\)：

加速 39000 倍！

📐 简化方法 3：低秩近似¶

思路¶

观察： 信道相关矩阵通常是低秩的

原因： 多径数量有限（典型 3-10 径）

特征分解：

保留前 \(K\) 个主特征值（\(K \ll N_p\)）：

LMMSE 简化：

复杂度： - 特征分解：\(O(N_p^3)\)（离线） - 在线计算：\(O(K^2 N_p)\)

对于 \(K = 10\)，\(N_p = 600\)：

加速 3600 倍！

📡 在通信中的应用¶

应用 1：LTE 信道估计¶

实际实现：

1
2
3
4
5
6
7

1. 接收导频符号
2. LS 初步估计：ĥ_LS = Y_p/X_p
3. 选择信道模型（EPA/EVA/ETU）
4. 从查找表获取 R_hh
5. DFT 近似计算 LMMSE 滤波器
6. 应用滤波器：ĥ_LMMSE = W ĥ_LS
7. 插值到数据子载波

应用 2：自适应切换¶

问题： 高速移动时信道变化快

解决方案： 根据多普勒估计切换模型

1
2
3

低速（< 30 km/h）：使用 EPA 模型
中速（30-120 km/h）：使用 EVA 模型
高速（> 120 km/h）：使用 ETU 模型

✏️ 练习题 9.4¶

基础题 9-6：

\(N_p = 100\)，比较低秩近似（K=5）与直接求逆的复杂度。

答案：

1
2
3
4

直接：O(100³) = 10⁶
低秩：O(5² × 100) = 2500

加速比：10⁶/2500 = 400 倍

进阶题 9-7：

证明：循环矩阵的逆仍是循环矩阵。

提示：

1
2

利用 C = FᴴΛF
C⁻¹ = F⁻¹ Λ⁻¹ (Fᴴ)⁻¹ = Fᴴ Λ⁻¹ F

9.5 插值算法的数学原理 ⭐⭐⭐¶

🎯 问题¶

为什么要插值？¶

问题： 导频只在部分子载波上

1
2
3

频域：[P] [D] [D] [D] [P] [D] [D] [D] [P] ...
       ↑               ↑               ↑
     已知            未知            已知

目标： 估计所有数据子载波的信道

📐 线性插值¶

方法¶

公式：

其中 \(k_1 < k < k_2\) 是相邻导频位置。

权重： \(\(w_1 = \frac{k_2-k}{k_2-k_1}, \quad w_2 = \frac{k-k_1}{k_2-k_1}\)\)

性能分析¶

优点： - 简单，复杂度低 - 实时性好

缺点： - 未利用信道统计 - 插值误差大（尤其频率选择性强的信道）

📐 最优插值（Wiener 滤波）¶

问题形式化¶

已知： 导频位置估计 \(\hat{\mathbf{h}}_p\)

目标： 估计数据位置 \(H[k_d]\)

线性估计：

最优权重：

维纳解¶

定理 9-4：最优权重

其中： - \(\mathbf{R}_{pp} = E[\hat{\mathbf{h}}_p \hat{\mathbf{h}}_p^H]\)（导频自相关） - \(\mathbf{r}_{pH} = E[\hat{\mathbf{h}}_p H^*[k_d]]\)（互相关向量）

推导：

MSE 代价函数： \(\(J(\mathbf{w}) = E[|H[k_d] - \mathbf{w}^H \hat{\mathbf{h}}_p|^2]\)\)

展开： \(\(J(\mathbf{w}) = E[|H[k_d]|^2] - \mathbf{w}^H E[\hat{\mathbf{h}}_p H^*[k_d]] - E[H[k_d] \hat{\mathbf{h}}_p^H] \mathbf{w} + \mathbf{w}^H E[\hat{\mathbf{h}}_p \hat{\mathbf{h}}_p^H] \mathbf{w}\)\)

求梯度： \(\(\frac{\partial J}{\partial \mathbf{w}^*} = -\mathbf{r}_{pH} + \mathbf{R}_{pp} \mathbf{w} = \mathbf{0}\)\)

📝 数值例子¶

例子 9-4：2 点线性插值¶

导频位置： \(k_1 = 0\)，\(k_2 = 6\)

导频估计： \(\hat{H}[0] = 0.8+0.2j\)，\(\hat{H}[6] = 0.5-0.3j\)

目标： 估计 \(k = 3\) 处的信道

权重： \(\(w_1 = \frac{6-3}{6-0} = 0.5, \quad w_2 = \frac{3-0}{6-0} = 0.5\)\)

插值： \(\(\hat{H}[3] = 0.5(0.8+0.2j) + 0.5(0.5-0.3j) = 0.65-0.05j\)\)

⚠️ 常见误区¶

误区 1： "插值越复杂越好"

纠正： 需要权衡性能和复杂度。

• 线性插值：简单，性能一般
• Wiener 插值：复杂，性能最优
• 实际：根据应用场景选择

误区 2： "导频越密越好"

纠正： 导频密度受相干带宽限制。

• 导频间隔 < 相干带宽：足够
• 导频间隔 >> 相干带宽：插值失效

✏️ 练习题 9.5¶

基础题 9-8：

导频位置 \(k_1=0\)，\(k_2=12\)，估计 \(k=4\) 处的权重。

答案：

1
2

w₁ = (12-4)/(12-0) = 8/12 = 2/3
w₂ = (4-0)/(12-0) = 4/12 = 1/3

进阶题 9-9：

推导 Wiener 插值的 MSE。

答案：

1

MSE = σ_H² - r_pHᴴ R_pp⁻¹ r_pH

📌 本章小结¶

关键公式速查¶

估计器比较¶

简化方法¶

🎓 本章完成检查¶

在完成第 10 章之前，确保你能：

• 推导 LS 估计的闭式解
• 证明 LS 的无偏性
• 计算 LS 的 MSE
• 完整推导 LMMSE 估计（7 个步骤）
• 解释 LMMSE 的物理意义（Wiener 滤波）
• 比较低秩近似和 DFT 近似的复杂度
• 推导 Wiener 插值的最优权重
• 说明实际系统中 LMMSE 的实现流程

全部掌握？ → 继续学习 第 10 章 均衡算法

还有疑问？ → 重读本章节，或做更多练习题

第 9 章 结束