4.3 信道估计与均衡

4.3 信道估计与均衡

本节摘要：SOURCE 4.3：导频辅助 LS/MMSE 估计 H_k；频域插值（线性/DFT）补全数据子载波；均衡后 EVM 决定 MCS 回退。

估计与均衡（详解）

MIMO-OFDM：每子载波 H 为矩阵，需 SVD/MMSE 检测——复杂度 O(N_{rx}^3) per 子载波。

⚠️ 常见坑：高速移动下信道过时 → 估计失效，需缩短相干间隔或预测。

💡 关键直觉：信道估计质量天花板决定链路自适应上限。

导频设计的二维约束

信道估计依赖已知符号——导频。导频在资源网格中的密度由信道的二维变化速度决定。频域上，导频间隔须小于相干带宽的一半，否则无法重建 H_k 的频域起伏；时域上，导频间隔须小于相干时间的一半，否则信道在相邻导频间已明显变化。这两个约束来自采样定理：对频域信道响应 H(f) 做间隔 1/\Delta f_{pil} 的采样，重建带宽受限于信道最大时延；对时域变化做采样，重建受限于多普勒扩展。

实际标准在二维上安排导频图案：LTE 的 CRS 在每时隙固定位置密集分布；5G NR 的 DMRS 支持"前置"模式（时隙开头一次性放入，降低解调时延）与"额外"模式（按需加密，应对高速移动）。导频开销是信道估计精度的直接成本——导频越多、估计越准，但可用数据资源越少。系统设计必须在这两者之间找平衡点，通常导频开销占比 5%-15%。

LS 与 MMSE 估计的数学

在导频位置，接收信号为 Y_p = H_p X_p + N_p。最小二乘估计直接求：

LS 估计无偏但方差大，噪声功率为 \sigma_n^2/|X_p|^2。最小均方误差估计利用信道自相关矩阵 R_{HH} 与噪声方差：

MMSE 估计在估计误差与噪声抑制之间取最优，低信噪比下增益明显，但需要信道统计量且涉及矩阵求逆，复杂度高。工程上常用其降维近似——例如只利用对角相关结构，或用 DFT 域截断代替矩阵运算，兼顾性能与实现。

插值方法对比

导频只覆盖部分子载波，数据子载波的 H_k 需插值补齐。线性插值利用相邻导频线性外推，实现简单，适合相干带宽内信道缓变；但在信道起伏剧烈时误差大。二次/三次插值逼近真实曲线的曲率，精度略高但延迟增大。DFT 插值利用"信道时域长度有限"这一先验：对 LS 估计序列做 IDFT，保留前 L 个时域抽头（对应最大时延扩展），其余置零后 DFT 回频域，等效于对频域做理想低通滤波，抗噪性强，适合稀疏多径信道。

插值误差的后果直接反映在均衡质量上。若插值得到 \hat{H}_k 偏离真实值，均衡器 \hat{X}_k = Y_k/\hat{H}_k 会引入残余符号间干扰与幅度失真，抬高误码率。接收机通常用均衡后的误差向量幅度（EVM）作为解调质量指标，并把 EVM 反馈给调度器决定 MCS 是否回退——这正是链路自适应的闭环一环。

MIMO-OFDM 的矩阵化

多天线场景下，每个子载波的信道不再是标量而是矩阵。设发射天线 N_t、接收天线 N_r，子载波 k 的信道矩阵 \mathbf{H}_k \in \mathbb{C}^{N_r\times N_t}，接收向量为：

检测需对每个子载波解一个线性方程组。迫零检测 \hat{\mathbf{x}}_k = \mathbf{H}_k^\dagger \mathbf{y}_k 与 MMSE 检测 \hat{\mathbf{x}}_k = (\mathbf{H}_k^H\mathbf{H}_k+\sigma^2\mathbf{I})^{-1}\mathbf{H}_k^H\mathbf{y}_k 是两类基本方案，后者在低信噪比下更稳健。矩阵求逆的复杂度为 O(N_r³) 每子载波，对 OFDM 数千个子载波并行计算，构成基带芯片的运算热点；大规模 MIMO 下还需利用信道的稀疏与对称结构加速。

信道估计在多天线下同步矩阵化：每个天线端口需要独立导频，导频开销随端口数线性增长。5G NR 通过 DMRS 的正交端口设计（梳状与循环移位）控制开销，并配合 CSI 上报压缩矩阵信息。可以认为，MIMO 的增益上限由信道估计质量决定——矩阵检测、预编码、波束赋形全部建立在准确的 \mathbf{H}_k 之上，这使信道估计成为整个物理层性能的天花板。

仿真：LS 与 MMSE 估计对比

下面在单天线 OFDM 仿真中对比 LS 与 MMSE 信道估计加均衡后的误码率。

import numpy as np

N = 64
pilot_pos = np.arange(0, N, 8)                      # 每 8 个子载波一个导频
data_pos = np.setdiff1d(np.arange(N), pilot_pos)
rng = np.random.default_rng(5)
H_true = 0.8 * np.exp(1j * 0.3 * np.arange(N))      # 平滑频响，便于插值

def simulate(method, snr_db, trials=300):
    snr = 10 ** (snr_db / 10); errs = 0; tot = 0
    for _ in range(trials):
        X = np.zeros(N, complex)
        X[pilot_pos] = 1                             # 导频 BPSK
        X[data_pos] = (rng.integers(0, 2, data_pos.size) * 2 - 1) / np.sqrt(2)
        Y = H_true * X
        Y += rng.normal(0, np.sqrt(0.5 / snr), N) + 1j * rng.normal(0, np.sqrt(0.5 / snr), N)
        H_ls_p = Y[pilot_pos] / X[pilot_pos]        # LS 导频估计
        H_est = np.interp(np.arange(N), pilot_pos, H_ls_p)   # 线性插值
        if method == 'mmse':
            denom = np.abs(H_est) ** 2 + 1 / snr
            X_hat = np.conj(H_est) / denom * Y
        else:
            X_hat = Y / H_est
        rx = X_hat[data_pos].real > 0
        ref = X[data_pos].real > 0
        errs += np.sum(rx != ref); tot += data_pos.size
    return errs / tot

for snr in [0, 5, 10, 15, 20]:
    print(f"SNR={snr:3d} dB  LS={simulate('ls', snr):.4f}  MMSE={simulate('mmse', snr):.4f}")
​

低信噪比下 MMSE 的噪声正则化效应清晰可见；高信噪比下两者趋于一致。读者可以增大导频间隔，观察插值误差如何淹没两种估计的差异。

要点串联

• 导频密度=估计精度 trade-off
• MMSE 均衡优于 ZF 低 SNR
• MIMO 使每子载波矩阵化
• EVM 反馈驱动 MCS 回退