LTE-Advanced信道估计的研究与实现

来源 :重庆邮电大学 | 被引量 : 0次 | 上传用户:chjl0620
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
LTE-Advanced是3GPP提出的LTE的增强技术,旨在提高传输速率以适应移动宽带通信市场的应用需求,并保持3GPP标准在移动通信领域的竞争力。它继续沿用了正交频分复用(OFDM)和多入多出(MIMO)技术作为物理层核心技术。MIMO信道状态信息估计的准确与否,将直接影响接收端的信号检测,所以信道估计在LTE-Advanced系统中起着十分关键的作用。信道估计技术是一种相对较复杂的技术,它需要通过大量的线性和非线性运算来保证其结果的精确度,由于软件方案无法满足LTE-Advanced系统高速率的性能需求,因此对信道估计技术进行硬件实现的设计研究也势在必行。   本文首先深入分析和研究LTE-Advanced物理层协议,然后重点对其帧结构、物理资源块结构、下行参考信号、多径信道模型和下行链路流程等内容进行了研究。基于以上研究成果,文中主要对最小平方(LS)算法、线性插值算法、最小均方误差(MMSE)算法、线性最小均方误差(LMMSE)算法等基于参考信号的估计算法进行性能仿真和实现分析,从算法性能和实现复杂度两个维度对比衡量,最终选择采用LS算法对参考信号位置上的数据进行估计,然后再利用参考信号估计值,采用LMMSE和线性插值算法分别进行频域估计和时域估计,并进行ASIC实现。基于选择出的算法方案,本文以高速率、小面积、低功耗、可扩展等性能为硬件实现目标,提出一种适用于LTE-Advanced系统的信道估计ASIC实现方案。该方案以一个OFDM符号为单位进行估计,与采用PRB为单位进行估计相比资源消耗减少3-4倍;在频域估计实现过程中采用滑动窗设计和流水线方式提高运算速率和吞吐量,保证一个cycle能够得到一个信道估计值;时域估计实现过程中通过与频域估计并行流水来减少延时,满足了LTE-Advanced系统信道估计实时性要求。本文以4X4的MIMO天线为例,用Verilog HDL硬件设计语言对论文中设计方案进行代码实现,并使用LEDA工具对代码的正确性和可行性进行分析,然后通过白箱测试方法进行功能验证,最后采用SMIC65nm CMOS工艺库进行逻辑综合,验证了本实现方案的正确性和可行性,方案性能达到LTE-Advanced系统的性能需求。
其他文献
信号是信息的载荷者、传送者。自然界和人类社会中信息的传输与交换都是通过信号这一物理实体来完成的。自然界里,信号形式多种多样,普遍存在的一种信号模型是高动态信号。该信
无线通信业务需求的爆炸式增长和服务质量要求的不断提高,要求无线通信网络必须利用有限的频谱资源,不断寻求提高系统容量和覆盖能力的技术途径。认知无线电作为一种智能频谱共
当今社会随着移动数据流量爆炸性增长以及频谱资源的短缺,大规模多输入多输出(MIMO)技术可以预见成为下一代移动通信系统的核心技术点,同时绿色通信也成为未来通信领域的焦点
随着移动通信技术的发展,集群通信也在向基于TD-SCDMA技术的第三代数字集群演进。目前集群业务量在增长,集群用户也在增加,而无线频谱资源相对有限。在这种情况下,呼叫接纳控制算
智能电网具有可靠、优质、高效、兼容、互动等特点,是未来电网的发展方向。实时电价(RTP)作为智能电网的一种理想定价机制,具有节能环保、削峰填谷、保障用户和供电商最大化效益等方面的优势,能完善需求侧管理,鼓励用户更明智更高效地用电,有效解决智能电网的供需平衡问题。然而,对实时电价模型的求解,通常采用基于对偶分解的次梯度算法,该算法有步长不易调整及在电网规模较大时,收敛慢甚至不收敛的缺陷。本文所用改进
随着数字多媒体技术的发展,光正交频分复用(O-OFDM)传输系统因其高速率大容量的特点得到了广泛的研究。然而由于受到O-OFDM系统中的色散、传输系统光器件和OFDM信号的子载波
随着各种宽带网络应用的不断涌现,组播业务日渐发展成为一种重要的业务模式。光网络拥有巨大的带宽资源,将组播技术移植到光网络将会使得更多的宽带实时应用成为可能。光组播中
感知无线电网络中,次用户(感知用户)在检测周期内需要对授权频段进行检测,当检测到频谱空洞后,次用户则利用空闲频段传输数据,这种伺机接入空闲的授权频段方案,可以提高频谱利用率。
近年来,随着光网络的不断发展,作为光网络接入环节代表性技术之一的以太无源光网络(Ethernet Passive Optical Network,EPON)得到了迅速的普及与应用。有关EPON应用和创新的各类
多示例多标记学习(MIMLL,Multi-Instance Multi-Label Learning)是机器学习的一个重要分支。MIML学习框架中,一个样本由多个示例即特征向量表示,并同时与多个标记相关联。因