OFDM符号同步技术的研究 - Brodband Wireless

OFDM符号同步技术

由于在OFDM符号之间插入了循环前缀保 护间隔,因此OFDM符号定时同步的起始 时刻可以在保护间隔内变化，而不会造 成ISI和ICI.只有当FFT运算窗口超出了符 号边界,或者落入符号的幅度滚降区间,才 会造成ISI和ICI.因此,OFDM系统对符号 定时同步的要求会相对较宽松,但是在多 径环境中,为了获得最佳的系统性能,需要 确定最佳的符号定时.
OFDM符号定时技术的研究
陈晨 CC-2000@163.NET 2004年11月20日
主要内容


符号定时技术在OFDM系统中的重要性 几种传统的符号粗定时算法的性能分析 和仿真 分析信道衰落对于符号定时的影响 介绍一种改进的双自相关符号定时算法
OFDM符号同步技术


同步定时对于任何数字通信系统来说都 是根本的任务。没有精确的同步算法就 不能对传送的数据进行可靠的接受。 OFDM中的符号定时是指求得单个OFDM 符号开始和结束的精确时刻。符号定时 的结果将决定FFT的窗口，也就是用于计 算每一个接收OFDM符号的一组取样值。
OFDM符号同步技术
在OFDM系统中存在两大类符号定时：广播系 统的定时（continuous transmission model)和 WLAN系统的定时(burst transmission model)。 WLAN接收机要求在前导部分就找到符号定时。 OFDM广播系统可以利用几个符号的开销获得 符号定时的精确估计。 本文主要研究WLAN系统中的符号定时技术。
结束
谢谢！
符号定时算法

双滑动窗口分组检测算法 双滑动窗口分组检测算法计算了两个连 续滑动窗口的接收能量，基本原则就是 通过两个窗口中的总能量的比值来判决。
符号定时算法
packet
A
B
mn
符号定时算法
符号定时算法
这种方法有一个优点是在 峰值点， 的值为信号S和噪声能量N之和， 值等于噪声能量，因而峰值点可以用于计 算接收的信噪比。

m peak
a peak b peak
SN S 1 N N
符号定时算法


采用前导结构的延时相关算法 采用前导结构进行符号同步一般分为两 步：运用短训练序列进行粗同步，然后 运用长训练序列进行细同步。 这里介绍的算法是用来进行粗同步的。 它是利用前导中短训练符号的周期性进 行延时相关来计算的。
符号定时算法

利用检测信号能量计算符号定时的算法 当没有接受到数据分组时，接受的信号 中只有噪声；当数据分组到来时，接收 信号中加入了信号的成分，因此当接受 能量值发生变化时可以检测到分组。
符号定时算法
符号定时算法

这种方法的缺点在于：它的阈值是由接 收信号的能量而定的。当接收机搜索来 数据分组时，接收信号中只有噪声，而 噪声的功率值一般是不可知的，并且当 接收机调整射频放大器设置或者在所需 系统内出现同频干扰的波动，都会使其 发生变化。
双自相关滑动算法
N s 1 * r ( m ) r ( m 2 N s ) N s 1 m 0 2 | r ( m ) |
M 2 ( )
m 0
arg max(M1 ( ) M 2 ( ))

^
双自相关滑动算法
双自相关滑动算法
双自相关滑动算法
符号定时算法
信道衰落对于符号定时的影响
信道衰落对于符号定时的影响

பைடு நூலகம்

上图采用延时相关算法，指数衰落信道， 时延扩展50ns。可见在差的信道环境下， 传统的粗同步算法性能很差。 双自相关滑动算法
N s 1
M 1 ( )
m 0
* r ( m ) r ( m N s ) N s 1 m 0 2 | r ( m ) |
Cp3
Symbol3
DFT RANGE
Fig.1 ideal symbol timing
符号定时算法



以下仿真所使用的参数： 包长：100字节 调制编码：BPSK ½卷积码 频偏：无 信道模型：AWGN 信噪比：10db 抽样频率：20M 子载波数目（包含导频）：52 短训练序列，长训练序列，导频插入点都采用 802.11a标准
OFDM符号同步技术

尽管符号定时的起点可以在保护间隔内 任意选择，但是容易得知，任何符号定 时的变化，都会增加OFDM系统对时延扩 展的敏感程度，因此系统所能容忍的时 延扩展就会低于其设计值。
OFDM符号同步技术
Average symbol timing
Cp1
Symbol1
Cp2
Symbol2
符号定时算法
IEEE 802.11a 标准前导
符号定时算法

算法描述如下：
符号定时算法


首先生成两个滑动窗口C和P，窗口C为接收信 号和接收信号延时的互相关系数；D等于前导 起始的周期，这里D＝16；窗口P计算了互相关 系数窗口期间接收信号的能量；判决变量为 。 当接收的信号只有噪声时，输出的延时相关值 近似为0，即为随机变量，因为噪声的取样值 的互相关系数为0。一旦数据分组开始接受， 就是相同短训练符号的互相关系数，因此 迅速跳变成为最大值，该跳变使得数据分组起 始可以得到不错的估计。