时域信道估计和时域信道均衡以及matlab代码手搓(注意是时域，后续讲ofdm相关的频域信道估计和均衡)

时域信道估计与信号均衡笔记**约定**共轭转置统一记为 \((\cdot)^{H}\)\(L\) 为信道多径个数即信道冲激响应 \(h\) 的长度\(N\) 为输入发送信号 \(x\) 的长度。原卷积输入输出模型\[y h \otimes x n\]根据卷积性质接收输出 \(y\) 的长度为 \((N L - 1) \times 1\)\(n\) 为加性噪声。---一、信道估计估计信道冲激响应 \(h\)1. 时域最小二乘LS信道估计将卷积运算转化为矩阵乘法把输入 \(x\) 构造为托普利茨卷积矩阵模型改写为\[y X h n\]各变量维度与形式- \(y\)接收输出向量维度 \((N L - 1) \times 1\)- \(h\)待估计信道维度 \(L \times 1\)- \(X\)输入 \(x\) 的托普利茨卷积矩阵维度 \((N L - 1) \times L\)形式如下\[X \begin{bmatrix}x(0) 0 \cdots 0 \\x(1) x(0) \cdots 0 \\\vdots x(1) \cdots 0 \\x(N-1) \vdots \ddots x(0) \\0 x(N-1) \cdots x(1) \\\vdots \vdots \ddots \vdots \\0 0 \cdots x(N-1)\end{bmatrix}_{(NL-1)\times L}\]维度验证\((N L - 1) \times 1 [(N L - 1) \times L] \cdot [L \times 1]\)匹配。最小二乘的闭合解为\[\hat{h}_{\mathrm{LS}} \left(X^{H}X\right)^{-1} X^{H} y\]2. 时域最小均方误差MMSE信道估计MMSE信道估计的公式为\[\hat{h}_{\mathrm{MMSE}} R_{hh} X^{H} \left( X R_{hh} X^{H} \sigma_n^2 I \right)^{-1} y\]其中 \(R_{hh} \mathbb{E}[h h^{H}]\) 是信道的自相关矩阵\(\sigma_n^2\) 是噪声方差。实际场景中通常无法获得完整的 \(R_{hh}\)可利用信道不同多径抽头互不相关的假设将 \(R_{hh}\) 近似为对角矩阵\[D R_{hh} \operatorname{diag}\left(\sigma_h^2, \sigma_h^2, \ldots, \sigma_h^2\right) \quad (\text{共 } L \text{ 个})\]代入后得到近似MMSE估计解\[\hat{h}_{\mathrm{MMSE}} D X^{H} \left( X D X^{H} \sigma_n^2 I \right)^{-1} y\]3. 频域LS信道估计简化实现方法实现步骤a. 将接收信号 \(y(n)\) 和训练序列 \(x(n)\) 补零到长度 \(N L - 1\)b. 分别做FFT变换到频域\[Y[k] \mathrm{FFT}(y(n)), \quad X[k] \mathrm{FFT}(x(n))\]c. 频域LS估计得到信道频率响应\[H_{\mathrm{LS}}[k] Y[k] / X[k]\]d. 做IFFT变换回时域得到时域信道估计\[\hat{h}_{\mathrm{LS}}[n] \mathrm{IFFT}(H_{\mathrm{LS}}[k])\]e. 只取前 \(L\) 个点作为最终的时域信道估计结果。---二、得到信道估计后信号均衡估计发送信号 \(x\)已知信道估计 \(\hat{h}_{\mathrm{est}}\)将 \(h\) 构造为托普利茨卷积矩阵原卷积模型改写为\[y H x n\]各变量维度统一- \(N\)发送信号 \(x\) 的长度\(x\) 维度为 \(N \times 1\)- \(L\)信道多径个数即 \(h\) 的长度- \(H\)由 \(h\) 构造的托普利茨卷积矩阵维度为 \((N L - 1) \times N\)- \(y\)接收信号维度为 \((N L - 1) \times 1\)\(H\) 的形式如下\[H \begin{bmatrix}h(0) 0 \cdots 0 \\h(1) h(0) \cdots 0 \\\vdots h(1) \cdots 0 \\h(L-1) \vdots \ddots h(0) \\0 h(L-1) \cdots h(1) \\\vdots \vdots \ddots \vdots \\0 0 \cdots h(L-1)\end{bmatrix}_{(NL-1)\times N}\]1. 零迫ZF均衡理想零迫解为 \(\hat{x}_{\mathrm{ZF}} H^{-1} y\)但实际中 \(H\) 通常是病态矩阵一般用矩阵伪逆求解\[\hat{x}_{\mathrm{ZF}} \left( H^{H} H \right)^{-1} H^{H} y H^{} y\]其中 \(H^{}\) 表示 \(H\) 的摩尔-彭若斯伪逆数值计算中通常用 pinv 函数实现。2. MMSE均衡**情况1**信道冲激响应 \(h\) 已知时单径情况或每个子载波上的标量形式\[\hat{x}_{\mathrm{MMSE}} \frac{h^*}{|h|^2 \sigma_n^2} \, y\]注此式适用于单径信道或频域每个子载波上的处理对于多径时域应采用下面的矩阵形式。**情况2**\(h\) 为估计得到时构造托普利茨矩阵 \(H\) 后MMSE均衡滤波器为\[W \left( H^{H} H \sigma_n^2 I \right)^{-1} H^{H}\]最终发送信号估计为\[\hat{x}_{\mathrm{MMSE}} W \, y\]三、相关核心代码模拟4径场景下不同信道估计和信道均衡算法的对比L 4; % 信道冲激响应长度 N 1000; % 总符号数导频数据 SNR_dB 15; % 信噪比dB pilot_length 64; % 导频序列长度 %% 信道估计 % 导频部分接收信号 y_pilot y(1:pilot_length); % 最小二乘信道估计 h_estls (X_pilot * X_pilot) \ (X_pilot * y_pilot); % MMSE信道估计使用理想信道信息 R_h h_true * h_true; % 理想情况知道真实信道 C_n noise_power * eye(pilot_length); H_mmse R_h * X_pilot / (X_pilot * R_h * X_pilot C_n); h_estmmse H_mmse * y_pilot;%% 迫零均衡 (Zero-Forcing Equalization) % 构造信道矩阵复数 H_ls toeplitz([h_estls; zeros(N-L,1)], [h_estls(1), zeros(1,N-1)]); H_mmse toeplitz([h_estmmse; zeros(N-L,1)], [h_estmmse(1), zeros(1,N-1)]); % 迫零均衡器直接求逆 W_zf_ls pinv(H_ls); % 使用伪逆避免病态矩阵 W_zf_mmse pinv(H_mmse); % 迫零均衡 x_zf_ls W_zf_ls * y; x_zf_mmse W_zf_mmse * y; %% MMSE均衡用于对比 W_mmse_eq_ls (H_ls * H_ls (noise_power/var(x)) * eye(N)) \ H_ls; x_mmse_ls W_mmse_eq_ls * y; W_mmse_eq_mmse (H_mmse * H_mmse (noise_power/var(x)) * eye(N)) \ H_mmse; x_mmse_mmse W_mmse_eq_mmse * y;四、运行效果展示