第【121】期--基于导频的 OFDM 信道估计方法仿真：核回归与线性插值--matlab完整代码

关注我追更更多通信仿真代码文章目录摘要1 引言2 系统模型与信道估计2.1 OFDM 信号模型2.2 多径信道频域模型2.3 导频结构与 LS 信道估计2.4 频域信道估计算法2.4.1 线性插值2.4.2 高斯核回归2.4.3 截断 RBF 核回归2.5 自适应核宽度选择3 仿真设计与分析3.1 参数设置3.2 结果图分析3.3 部分代码4 总结摘要在 OFDM 系统中相干解调依赖于准确的信道状态信息因此信道估计的精度直接决定系统性能。本文基于导频辅助的频域信道估计框架对比研究了三种典型方法传统线性插值、高斯核回归以及截断 RBF 核回归。其中核回归方法采用自适应带宽选择策略根据不同信噪比动态优化核宽度。仿真结果表明核回归方法在中高信噪比区域误码率性能优于线性插值。1 引言正交频分复用Orthogonal Frequency Division Multiplexing, OFDM通过将高速数据流分配到多个正交子载波上传输有效对抗频率选择性衰落是 LTE、5G NR 等标准的核心波形技术。在 OFDM 接收机中为恢复每个子载波上承载的数据符号接收端必须准确估算各子载波处的信道频域响应Channel Frequency Response, CFR这一过程称为信道估计。基于导频Pilot的信道估计是工程中最常用的方案发射端在特定子载波导频子载波上插入已知符号接收端根据这些导频符号的观测值通过某种算法推算出全部数据子载波上的信道响应。近年来核回归作为一种经典的机器学习非参数回归方法因其无需预先训练、能根据数据自适应调整平滑程度已被引入信道估计领域。典型做法是采用高斯核函数对导频处的原始估计进行加权平均等效于频域低通滤波可有效压制噪声。2 系统模型与信道估计2.1 OFDM 信号模型2.2 多径信道频域模型2.3 导频结构与 LS 信道估计2.4 频域信道估计算法2.4.1 线性插值2.4.2 高斯核回归2.4.3 截断 RBF 核回归2.5 自适应核宽度选择3 仿真设计与分析3.1 参数设置参数符号取值载波频率f c f_cfc​3.5 GHz子载波间隔Δ f \Delta fΔf15 kHz资源块数N R B N_{\rm RB}NRB​52每资源块子载波数N s c R B N_{\rm sc}^{\rm RB}NscRB​12总子载波数N NN624导频间隔Δ p \Delta pΔp4导频数量N p N_pNp​156调制方式—QPSK多径数目L LL20平均时延扩展τ r m s \tau_{\rm rms}τrms​200 ns每 SNR 点 OFDM 符号数N s y m N_{\rm sym}Nsym​50候选核宽度集合Σ \SigmaΣ{ 1 , 2 , … , 25 } \{1, 2, \dots, 25\}{1,2,…,25}截断 RBF 半径R RR203.2 结果图分析可以看到两种核方法的 BER 在所有 SNR 点上均低于线性插值验证了核回归在频域信道估计中的有效性。3.3 部分代码clear clc close all%---仿真参数---carrierFreq3.5e9;%载波频率(Hz)pilotSpacing4;%导频间隔 subcarrierSpacing15;%子载波间隔(kHz)subcarriersPerRB12;%每资源块子载波数 numResourceBlocks52;%资源块数量 totalSubcarriersnumResourceBlocks*subcarriersPerRB;%总子载波数 pilotIndices(1:pilotSpacing:totalSubcarriers);%导频位置 numPilotslength(pilotIndices);%---信道参数---numPaths20;avgDelaySpread200e-9;%---核宽度候选集用于自适应选择---sigmaValueslinspace(1,25,10);%候选 σ numTestslength(sigmaValues);%---BER 仿真信噪比范围---SNRRange-5:5:25;BERTrueChannelzeros(length(SNRRange),1);KBEREstimatedChannelzeros(length(SNRRange),1);%RBF 核 RKBEREstimatedChannelzeros(length(SNRRange),1);%高斯核 LinearBERzeros(length(SNRRange),1);%线性插值%---仿真设置---numTrials100;%每个核宽度的试验次数用于初始σ选择 signalToNoiseRatio10;%用于初始优化的 SNR若后续自适应此步可简化 bitsPerPilot2;modulationOrder2^bitsPerPilot;%---生成固定 QPSK 导频符号---pilotBitsrandi([0,1],numPilots*bitsPerPilot,1);pilotSymbolsqammod(pilotBits,modulationOrder,UnitAveragePower,true,InputType,bit);%---初始发送向量仅导频用于 σ 初始粗略估计可选---txVectorzeros(totalSubcarriers,1);txVector(pilotIndices)pilotSymbols;%---(可选)初始粗略选择 σ但后续 BER 循环会自适应此处可省略保留原代码风格---%为保持与原代码一致仍计算一个 initialSigma但实际在 BER 循环中会重新选 mseValueszeros(numTrials,numTests);averageMSEzeros(numTests,1);fortestIndex1:numTests currentSigmasigmaValues(testIndex);fortrialIndex1:numTrials channelResponsegenerateRandomChannel(totalSubcarriers,avgDelaySpread,subcarrierSpacing);noiseVariancedb2pow(-signalToNoiseRatio);receivedSignalchannelResponse.*txVectorsqrt(noiseVariance/2)*(randn(totalSubcarriers,1)1i*randn(totalSubcarriers,1));rawEstimatesreceivedSignal(pilotIndices)./pilotSymbols;%使用修正后的 RBF 函数新函数接口相同 estimatedChannelperformRBFKernelRegression(pilotIndices,rawEstimates,totalSubcarriers,currentSigma);mseValues(trialIndex,testIndex)mean(abs(estimatedChannel-channelResponse).^2);endaverageMSE(testIndex)10*log10(mean(mseValues(:,testIndex)));end[~,optimalIndex]min(averageMSE);initialSigmasigmaValues(optimalIndex);%仅作备选实际循环会自适应%---仿真 OFDM 符号传输(RBF 核)---numOFDMSymbols200;rng(1)%为了自适应 σ我们在每个 SNR 下独立选择最佳 σ使用高斯核作为参考因为其计算准确%但 RBF 和 Gaussian 使用相同的 σ所以用 Gaussian 来选 σ 即可forsnrIndex1:length(SNRRange)SNRSNRRange(snrIndex);%---自适应选择当前 SNR 下的最优 σ基于少量符号的 MSE---%使用高斯核准确实现来评估不同 σ 的 MSE然后 RBF 和 Gaussian 都使用此 σ optSigmainitialSigma;%默认 minMSEinf;numEvalSymbols10;%用于 σ 评估的符号数fors1:numTests mseSum0;forsymEval1:numEvalSymbols%产生随机信道和接收信号仅导频 chEvalgenerateRandomChannel(totalSubcarriers,avgDelaySpread,subcarrierSpacing);txEvalzeros(totalSubcarriers,1);txEval(pilotIndices)pilotSymbols;noiseVardb2pow(-SNR);rxEvalchEval.*txEvalsqrt(noiseVar/2)*(randn(totalSubcarriers,1)1i*randn(totalSubcarriers,1));rawEvalrxEval(pilotIndices)./pilotSymbols;%使用高斯核估计 estEvalperformGaussianKernelRegression(pilotIndices,rawEval,totalSubcarriers,sigmaValues(s));mseSummseSummean(abs(estEval-chEval).^2);endifmseSumminMSE minMSEmseSum;optSigmasigmaValues(s);end endfprintf(SNR %d dB, 自适应 σ %.2f\n,SNR,optSigma);%---正式开始该 SNR 下的 BER 统计(RBF 核)---bitErrorsTrue0;bitErrorsRBF0;totalBits0;forsymbolIndex1:numOFDMSymbols%生成数据 dataBitsrandi([0,1],(totalSubcarriers-numPilots)*bitsPerPilot,1);dataSymbolsqammod(dataBits,modulationOrder,UnitAveragePower,true,InputType,bit);txVectorzeros(totalSubcarriers,1);txVector(pilotIndices)pilotSymbols;dataIndicessetdiff(1:totalSubcarriers,pilotIndices);txVector(dataIndices)dataSymbols;%信道和接收 channelResponsegenerateRandomChannel(totalSubcarriers,avgDelaySpread,subcarrierSpacing);noiseVariancedb2pow(-SNR);receivedSignalchannelResponse.*txVectorsqrt(noiseVariance/2)*(randn(totalSubcarriers,1)1i*randn(totalSubcarriers,1));%导频处原始估计 rawChannelEstimatesreceivedSignal(pilotIndices)./pilotSymbols;%使用修正后的 RBF 核回归新实现和自适应 σ estimatedChannelperformRBFKernelRegression(pilotIndices,rawChannelEstimates,totalSubcarriers,optSigma);%均衡 equalizedSignalTruereceivedSignal./channelResponse;equalizedSignalRBFreceivedSignal./estimatedChannel;%解调 receivedBitsTrueqamdemod(equalizedSignalTrue(dataIndices),modulationOrder,OutputType,bit,UnitAveragePower,true);receivedBitsRBFqamdemod(equalizedSignalRBF(dataIndices),modulationOrder,OutputType,bit,UnitAveragePower,true);%统计误比特 bitErrorsTruebitErrorsTruesum(dataBits~receivedBitsTrue);bitErrorsRBFbitErrorsRBFsum(dataBits~receivedBitsRBF);totalBitstotalBitslength(dataBits);endKBEREstimatedChannel(snrIndex)bitErrorsRBF/totalBits;end4 总结本文针对 OFDM 系统频域信道估计问题对比了线性插值、高斯核回归与截断 RBF 核回归三种方法。仿真表明核回归方法在中高信噪比下误码率性能优于线性插值验证了其有效性。后续可进一步探索核宽度的在线自适应策略以降低计算开销。完整仿真代码可见往期文章文末VX公众号包含往期博客所有代码所见即所得