论文部分内容阅读
正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)是第四代(the 4th Generation, 4G)移动通信的核心技术,它的最大优点是对抗频率选择性衰落,同时又提高了频谱利用率。OFDM技术不仅可以增加系统容量,而且它能够更好地将包括语音、数据、视频等多媒体业务通过宽带信道高质量地传送。OFDM符号由多个子载波信号叠加构成,各个子载波之间利用正交性来区分,因此确保这种正交性对于OFDM系统来说是至关重要的,这样它对载波同步的要求也就相对较严格。而在OFDM系统存在如下几个方面的同步要求:1、载波同步:接收端的振荡频率要与发送载波同频同相;2、符号同步:IFFT和FFT起止时刻一致;3、样值同步:接收端和发射端的抽样频率一致。由于样值同步对系统的影响较小,所以本文主要讨论了解决载波同步和符号同步的方法。在OFDM系统中有关定时和频率偏差估计的同步算法包括两大类:第一类是非盲估计,即基于导频符号,这类算法会导致带宽和功率资源的浪费,降低系统的有效性;另一类是盲估计,它是利用信号的结构,如循环前缀和虚子载波作估计,这类算法克服了导频符号浪费资源的缺点。本文主要讨论了基于循环前缀(Cyclic Prefix, CP)的最大似然(Maximum Likelihood, ML)联合符号定时与频偏估计算法和基于IEEE 802.11a标准的前导训练序列(Preamble)同步方案。本文首先介绍了OFDM系统的发展与基本原理,并对OFDM技术的同步方法研究现状进行了总结。然后对影响系统性能的五种同步误差参数进行分析,推导了由于同步误差引入符号间干扰(ISI)和子载波间干扰(ICI)的原理以及对OFDM系统造成的影响。接下来分析了利用CP所携带的冗余信息完成符号定时与载波频率同步的ML估计算法。经典的ML算法实现简单,但是定时估计较为粗糙,所以在此基础上,为了增加估计器的可用信息,生成稳定的符号时钟和振荡器频率,分析了M个连续符号的ML估计改进算法,通过仿真可以得到在低信噪比环境下,系统性能有了较大提升。同时为了减少ML算法的计算量,分析了ML算法的迭代方式实现,它使ML算法在执行步骤上有了简化,从而加快了程序的执行速度。近年来用OFDM作为物理层技术的无线局域网(WLAN)标准IEEE802.11a受到极大的关注,它可提供高达56Mbps的数据速率,本文基于协议规定的物理层帧结构分析了由前置长短训练符号完成定时同步和频率同步的系统方案。