OTFS调制技术:通往6G的时延-多普勒域革命

举报
DuHz 发表于 2025/10/06 18:51:58 2025/10/06
【摘要】 OTFS调制技术:通往6G的时延-多普勒域革命正交时频空间(OTFS,Orthogonal Time Frequency Space)调制技术代表了无线通信领域的一次范式转变。 这项创新技术将信息符号从传统的时频域搬迁到时延-多普勒域,为高速移动通信场景提供了全新的解决方案。在5G向6G演进的关键时期,OTFS以其独特的数学优雅性和卓越的抗多普勒性能,成为下一代移动通信的重要候选技术。 从...

OTFS调制技术:通往6G的时延-多普勒域革命

正交时频空间(OTFS,Orthogonal Time Frequency Space)调制技术代表了无线通信领域的一次范式转变。 这项创新技术将信息符号从传统的时频域搬迁到时延-多普勒域,为高速移动通信场景提供了全新的解决方案。在5G向6G演进的关键时期,OTFS以其独特的数学优雅性和卓越的抗多普勒性能,成为下一代移动通信的重要候选技术。

从雷达理论到通信革新:OTFS的诞生背景

OTFS的故事始于2010年,这一年美国德克萨斯大学奥斯汀分校的数学家Ronny Hadani与连续创业家Shlomo Rakib共同为一项革命性技术申请了专利。Hadani作为数学理论奠基人,将雷达信号处理中的时延-多普勒域概念创造性地引入到无线通信领域,开启了调制技术的新纪元。2011年,Cohere Technologies公司正式成立,开始将这项理论成果推向产业化。

这项技术的提出并非偶然,而是源于现有通信系统在高速移动场景下面临的严峻挑战。当前4G和5G系统广泛采用的OFDM(正交频分复用)技术,在静态或低速移动环境下表现出色,但一旦移动速度超过120公里每小时,多普勒效应就会像一把利刃,撕裂子载波之间精心维护的正交性。想象一辆高速行驶的列车,车内乘客试图通过手机观看高清视频,信号在反射、折射的过程中因相对运动产生频率偏移,不同路径的信号叠加后相互干扰,导致通信质量急剧下降。这种载波间干扰在高速场景下几乎无法避免,成为制约移动宽带发展的瓶颈。

OTFS的核心创新在于从根本上改变了看待无线信道的方式。传统技术在时频域观察信道,就像站在湍急的河流中试图捕捉水花的瞬间形态——信道特性随时间快速变化,需要不断测量和调整。而OTFS将视角切换到时延-多普勒域,相当于从河流的源头观察,每个散射体的延迟(距离)和多普勒频移(速度)成为稳定的物理参数。这种准静态特性使得信道估计的频率大幅降低,系统开销显著减少。

2016年8月,首篇OTFS学术论文在arXiv平台发表,系统阐述了这一技术的数学基础。2017年3月,IEEE无线通信与网络会议正式接纳了OTFS相关研究,标志着学术界对这一创新的认可。随后几年,全球研究热潮迅速兴起,澳大利亚Monash大学、印度IIT Delhi和IISc Bangalore等机构成为研究重镇,累计发表超过1500篇学术论文。2018年,Cohere与西班牙电信Telefonica的实测展示了令人振奋的成果:在90度扇区内实现了57比特每秒每赫兹的频谱效率,远超传统技术。

时延-多普勒域:重新定义无线信道

要理解OTFS的核心原理,我们需要从一个全新的视角审视无线信道。传统通信系统工作在时频域,将时间和频率作为两个正交维度来组织信息传输。OFDM技术就是这种思想的典型代表,它将宽带信道分割成多个窄带子信道,每个子信道在频率上正交,在时间上连续传输符号。然而,这种表示方法在高速移动场景下遇到了本质困难:时变信道导致时间和频率维度都在快速变化,系统难以跟踪这种双重动态特性。

时延-多普勒域提供了一种更加本质的信道描述方式。在这个域中,横轴代表时延τ\tau,反映信号传播的距离和多径延迟;纵轴代表多普勒频移ν\nu,反映散射体的相对运动速度。无线环境中的每个反射体,无论是建筑物、车辆还是行人,都可以在这个二维平面上用一个点来表示,其坐标由物理距离和相对速度唯一确定。更重要的是,只要这些反射体保持匀速直线运动,它们在时延-多普勒平面上的位置就基本保持不变,即使在时频域看来信道正在剧烈波动。

这种表示的数学基础源于准周期性条件,一个定义在时延-多普勒域上的信号x(τ,ν)x(\tau,\nu)满足特殊的周期性关系:

x(τ+τp,ν+νp)=ej2π(νpττpν)x(τ,ν)x(\tau + \tau_p, \nu + \nu_p) = e^{j2\pi(\nu_p\tau - \tau_p\nu)} \cdot x(\tau, \nu)

这里τp\tau_pνp\nu_p分别是时延周期和多普勒周期,它们的乘积必须等于1,这一约束条件体现了时延和多普勒之间的对偶关系,类似于时域和频域的傅里叶对偶。这个看似抽象的数学表达式,实际上描述了OTFS信号在二维空间中的拓扑结构——它不是简单的周期延拓,而是带有相位扭曲的准周期函数,这种扭曲正是OTFS能够保持正交性和抗干扰能力的关键。

在实际系统中,时延-多普勒域被离散化为一个N×MN \times M的网格,其中NN是时延方向的采样点数,MM是多普勒方向的采样点数。时延网格间隔Δτ\Delta\tau等于时延周期除以NN,多普勒网格间隔Δν\Delta\nu等于多普勒周期除以MM。这个网格的物理意义非常直观:Δτ\Delta\tau决定了系统能够分辨的最小距离差异,Δν\Delta\nu决定了能够分辨的最小速度差异。对于高速铁路通信,可能需要更密集的多普勒采样来捕捉快速变化的速度信息;对于室内短距通信,则需要更精细的时延分辨率来区分多径分量。

时延-多普勒域的稀疏性是OTFS的另一个重要优势。在真实的无线环境中,散射体数量虽然看起来很多,但能够显著影响信号传播的主要路径通常只有几条到十几条。这意味着在N×MN \times M的时延-多普勒网格中,绝大多数点的信道增益接近零,只有少数几个点对应实际的传播路径。这种稀疏特性为高效的信道估计提供了可能——我们不需要估计成千上万个信道系数,只需要找到并估计那些非零的关键位置,计算复杂度和导频开销都得到大幅降低。

数学核心:辛傅里叶变换与Zak变换

OTFS的数学美感体现在其精心设计的变换链条中,这条链条将时延-多普勒域、时频域和时域三个空间巧妙地连接起来。整个发射过程可以想象成一个三级火箭:信息符号首先在时延-多普勒域编码,然后通过辛傅里叶变换进入时频域,最后通过Heisenberg变换转换为可以在天线上发射的时域波形。接收端则执行相反的过程,层层剥离,最终在时延-多普勒域恢复出原始信息。

辛傅里叶变换(Symplectic Fourier Transform,简称SFFT)是OTFS的核心变换,它的名字源于辛几何中的辛形式概念。从N×MN \times M的时延-多普勒网格x[n,m]x[n,m]M×NM \times N的时频网格X[m,n]X[m',n']的变换公式为:

X[m,n]=1NMn=0N1m=0M1x[n,m]ej2π(mnNnmM)X[m', n'] = \frac{1}{\sqrt{NM}} \sum_{n=0}^{N-1} \sum_{m=0}^{M-1} x[n,m] \cdot e^{j2\pi\left(\frac{m'n}{N} - \frac{n'm}{M}\right)}

这个公式的精妙之处在于指数项中的交叉耦合:mnNnmM\frac{m'n}{N} - \frac{n'm}{M}。与标准的二维傅里叶变换不同,这里时延索引nn与多普勒频率索引mm'耦合,而多普勒索引mm与时频时间索引nn'反向耦合。这种"扭曲"的耦合关系正是"辛"一词的由来,它保证了变换的可逆性和正交性,同时将时延-多普勒域的准静态信道映射为时频域的特殊结构。

从实现角度看,SFFT可以分解为两个标准的傅里叶变换,这一分解极大简化了硬件实现。具体步骤是:首先对时延-多普勒矩阵的每一列进行NN点FFT,得到时间维度的频谱;然后对结果矩阵的每一行进行MM点IFFT,得到多普勒维度的时域表示。这种列FFT + 行IFFT的组合,计算复杂度仅为O(NMlog(NM))O(NM \cdot \log(NM)),与单独的二维FFT相当,但实现了从时延到频率、从多普勒到时间的精确转换。

逆辛傅里叶变换ISFFT则执行相反的操作,将时频域信号X[m,n]X[m',n']转换回时延-多普勒域信号x[n,m]x[n,m]

x[n,m]=1NMm=0M1n=0N1X[m,n]ej2π(mnNnmM)x[n,m] = \frac{1}{\sqrt{NM}} \sum_{m'=0}^{M-1} \sum_{n'=0}^{N-1} X[m',n'] \cdot e^{-j2\pi\left(\frac{m'n}{N} - \frac{n'm}{M}\right)}

这个变换在发射端使用,它将时频域的符号映射回时延-多普勒域。实现方式是先对时延轴进行NN点IDFT转换到时间维度,再对多普勒轴进行MM点DFT转换到频率维度,恰好是SFFT的逆过程。

Zak变换是连接时域连续信号与时延-多普勒域的桥梁,它的数学形式源于固体物理学家Josef Zak在1967年研究晶格系统时提出的表示方法。时域到时延-多普勒域的Zak变换定义为:

Zt{s(t)}=s(t)ej2πντdνZ_t\{s(t)\} = \int_{-\infty}^{\infty} s(t) \cdot e^{-j2\pi\nu\tau} d\nu

这个积分沿着多普勒维度进行,将时域函数s(t)s(t)投影到时延-多普勒平面上。Zak变换的一个深刻性质是它能够将傅里叶变换分解为两步:先进行时域Zak变换得到时延-多普勒域表示,再进行频域逆Zak变换得到频域表示。这种分解揭示了FFT算法(Cooley-Tukey算法)的几何本质,也是OTFS能够与现有OFDM系统兼容的数学根源。

Heisenberg变换将时频网格转换为连续时域信号,它实际上就是OFDM调制的数学表达:

s(t)=m=0M1n=0N1X[m,n]gtx(tnT)ej2πmΔfts(t) = \sum_{m'=0}^{M-1} \sum_{n'=0}^{N-1} X[m',n'] \cdot g_{tx}(t - n'T) \cdot e^{j2\pi m'\Delta f \cdot t}

这里gtx(t)g_{tx}(t)是发射脉冲成形滤波器,TT是符号周期,Δf\Delta f是子载波间隔。每个时频网格点对应一个时移频移的脉冲,所有脉冲线性叠加形成最终的发射波形。接收端使用Wigner变换执行逆操作,它通过匹配滤波和频率解调将时域接收信号r(t)r(t)转换回时频网格:

Y[m,n]=t=(n1)TnTr(t)grx(tnT)ej2πmΔftdtY[m',n'] = \int_{t=(n'-1)T}^{n'T} r(t) \cdot g_{rx}^*(t - n'T) \cdot e^{-j2\pi m'\Delta f \cdot t} dt

这个积分在一个符号周期内进行,提取出特定时间和频率位置的信号分量。Wigner变换也是量子力学中相空间表示的经典工具,在OTFS中它起到了时频分析器的作用。

信道模型:扭曲卷积与准静态特性

OTFS之所以能在高速移动场景下大放异彩,关键在于它对信道的独特建模方式。在时延-多普勒域,时变多径信道可以表示为离散脉冲的叠加:

h(τ,ν)=i=1Phiδ(ττi)δ(ννi)h(\tau,\nu) = \sum_{i=1}^{P} h_i \cdot \delta(\tau - \tau_i) \cdot \delta(\nu - \nu_i)

这里PP是多径数量,hih_i是第ii条路径的复增益(包含幅度和相位信息),τi\tau_iνi\nu_i分别是该路径的时延和多普勒频移。这个表达式的物理意义非常清晰:每条传播路径在时延-多普勒平面上对应一个冲激,其位置由距离和速度决定,强度由路径损耗和阴影衰落决定。与时频域信道的密集卷积形式相比,这种稀疏表示更加紧凑和稳定。

时延-多普勒域的输入输出关系遵循一种特殊的运算规则,称为扭曲卷积(Twisted Convolution):

y[k,l]=k=0N1l=0M1h[k,l]x[(kk)modN,(ll)modM]ej2πk(ll)/M+w[k,l]y[k,l] = \sum_{k'=0}^{N-1} \sum_{l'=0}^{M-1} h[k',l'] \cdot x[(k-k') \bmod N, (l-l') \bmod M] \cdot e^{j2\pi k'(l-l')/M} + w[k,l]

这个公式乍看之下与普通的二维循环卷积类似,输出y[k,l]y[k,l]是输入xx和信道hh的加权叠加,但关键差异在于相位因子ej2πk(ll)/Me^{j2\pi k'(l-l')/M}。这个扭曲项来源于时延算子和多普勒算子的非交换性——在量子力学语言中,它们不对易,满足海森堡不确定性关系。正是这种扭曲,使得OTFS能够将频率选择性衰落和时间选择性衰落统一处理,每个信息符号都经历几乎相同的有效信道增益,实现了完全的时频分集。

将扭曲卷积改写成矩阵形式,可以得到:

yvec=HDDxvec+wvec\mathbf{y}_{vec} = \mathbf{H}_{DD} \cdot \mathbf{x}_{vec} + \mathbf{w}_{vec}

这里yvec\mathbf{y}_{vec}xvec\mathbf{x}_{vec}是将二维网格按列堆叠得到的MN×1MN \times 1向量,HDD\mathbf{H}_{DD}MN×MNMN \times MN的信道矩阵。这个矩阵具有特殊的块循环结构,可以分解为:

HDD=i=1PhiΠτiΔνi\mathbf{H}_{DD} = \sum_{i=1}^{P} h_i \cdot \boldsymbol{\Pi}^{\tau_i} \cdot \boldsymbol{\Delta}^{\nu_i}

其中Π\boldsymbol{\Pi}是时延算子对应的循环移位矩阵,Δ\boldsymbol{\Delta}是多普勒算子对应的相位调制矩阵。这种结构表明,时延-多普勒域的信道矩阵本质上是几个简单矩阵的加权和,每个矩阵对应一条物理路径。利用这种结构可以设计高效的均衡算法,避免直接对MN×MNMN \times MN矩阵求逆带来的O((MN)3)O((MN)^3)复杂度。在理想情况下,时延-多普勒域的信道在整个OTFS帧持续时间内保持不变,这意味着只需要在帧的开始进行一次信道估计,所有符号都可以使用相同的信道信息进行均衡。数学上,这体现为信道增益对所有符号位置(k,l)(k,l)保持近似恒定:

heff[k,l]constant|h_{eff}[k,l]| \approx \text{constant}

这与OFDM形成鲜明对比——在OFDM中,不同子载波经历不同的衰落,不同时刻的符号经历不同的瞬时信道,需要大量导频持续跟踪信道变化。OTFS的准静态特性使得导频开销从OFDM的7-10%降低到3-5%,频谱效率显著提升。

OTFS与OFDM:两代技术的巅峰对决

要真正理解OTFS的价值,最直接的方式是将它与统治移动通信近20年的OFDM技术进行全面对比。OFDM的成功源于其对频率选择性衰落的优雅解决方案:通过将宽带信道分割成多个窄带子信道,每个子信道近似为平坦衰落,可以使用简单的单抽头均衡器进行补偿。这种设计在固定或低速移动场景下效率极高,实现复杂度低,正是4G LTE和5G NR选择它作为物理层基础的原因。

当移动速度超过120公里每小时,多普勒频移开始显著破坏子载波间的正交性,来自其他子载波的信号泄漏到当前子载波,形成载波间干扰ICI。这种干扰无法通过单抽头均衡器消除,因为它本质上是多个频率分量的混叠。即使采用复杂的多抽头均衡或干扰消除算法,性能改善也非常有限,且计算复杂度急剧上升。

在一个典型的高速移动实验中,载频5 GHz、速度范围从-280 km/h到+467 km/h、信噪比40 dB的条件下,OFDM系统使用单抽头频域均衡器后的误码率为1.693×1021.693 \times 10^{-2},这意味着平均每传输100个比特就有超过1个错误,对于需要可靠传输的应用场景完全无法接受。而OTFS系统使用时域LMMSE均衡器后的误码率为零——在同样的信道条件下实现了完美的符号检测。这个对比不仅仅是量化的性能差距,更是质的区别:OFDM已经失去了作为调制技术的基本功能,而OTFS依然稳健运行。

从信道估计的角度看,OFDM需要在每个符号或每几个符号插入导频,因为时变信道导致相干时间极短。在高速场景下,信道相干时间可能只有几毫秒,对应几个OFDM符号周期,这意味着导频密度必须相应增加才能准确跟踪信道变化。假设每10个符号需要1个导频符号,导频开销就达到10%,严重侵蚀有效吞吐量。相比之下,OTFS利用时延-多普勒域的准静态特性,可以在一个帧周期(通常包含几十到上百个符号)内只进行一次信道估计,导频开销降低到3-5%,在高移动场景下的频谱效率优势达到20-30%。

均衡复杂度的对比则呈现出有趣的权衡关系。OFDM的单抽头均衡器是最简单的线性均衡器,每个子载波只需要一次复数除法,总复杂度为O(MN)O(MN)。但正如前面指出的,这种低复杂度以牺牲高速场景下的性能为代价。OTFS需要更复杂的时域均衡,直接矩阵求逆的MMSE均衡器复杂度为O((MN)3)O((MN)^3),这在实际系统中难以接受。幸运的是,利用时延-多普勒信道的块循环结构和稀疏性,可以设计出复杂度为O((MN)2)O((MN)^2)甚至O(MNlog(MN))O(MN \log(MN))的快速算法,这个开销对于高速移动场景带来的巨大性能提升来说是值得的。

峰均功率比PAPR是另一个重要的比较维度。OFDM的高PAPR问题由来已久,多个子载波信号叠加时偶尔会形成很高的瞬时峰值,要求功率放大器工作在远离饱和区的线性区域,降低了功率效率。OTFS作为多载波技术同样面临PAPR挑战,但实验数据显示,当多普勒维度采样点数MM等于时延维度采样点数NN时(如M=N=256M=N=256),OTFS的PAPR比OFDM低约0.5-1.3 dB。这个优势源于OTFS符号在时延-多普勒域的扩散效应——信息符号经过ISFFT后分散到整个时频网格,避免了某些时频位置的能量过度集中。当然,如果MMNN差异较大,这个优势会减弱甚至逆转,需要根据具体应用场景选择合适的参数配置。

从系统设计哲学的角度看,OFDM和OTFS代表了两种不同的思路。OFDM采用"分而治之"策略,将复杂的宽带时变信道分解为多个简单的窄带平坦信道,逐个处理。这种策略在信道时变较慢时非常高效,但当时变速度超过设计假设时就会失效。OTFS采用"变换域优化"策略,通过精心设计的坐标变换将不利的信道特性转化为有利的信道特性,将时变问题转化为时不变问题。这种策略的代价是需要更复杂的变换和均衡操作,但收益是在极端条件下仍能保持鲁棒性。

附录:OTFS数学推导

A. 辛傅里叶变换的推导

辛傅里叶变换的数学基础源于辛几何中的Weyl-Heisenberg群表示理论。我们从定义时延算子Tτ\mathcal{T}_\tau和多普勒算子Mν\mathcal{M}_\nu开始:

Tτs(t)=s(tτ)\mathcal{T}_\tau s(t) = s(t - \tau)

Mνs(t)=ej2πνts(t)\mathcal{M}_\nu s(t) = e^{j2\pi\nu t} s(t)

这两个算子满足非对易关系(Weyl交换关系):

MνTτ=ej2πντTτMν\mathcal{M}_\nu \mathcal{T}_\tau = e^{j2\pi\nu\tau} \mathcal{T}_\tau \mathcal{M}_\nu

定义位移算子:

D(τ,ν)=ejπντMνTτ\mathcal{D}(\tau, \nu) = e^{-j\pi\nu\tau} \mathcal{M}_\nu \mathcal{T}_\tau

位移算子作用在基函数g(t)g(t)上生成时频移位的基函数族:

gm,n(t)=D(nT,mΔf)g(t)=ejπmnTΔfej2πmΔftg(tnT)g_{m,n}(t) = \mathcal{D}(nT, m\Delta f) g(t) = e^{-j\pi m n T\Delta f} e^{j2\pi m\Delta f t} g(t - nT)

其中TT是时间采样间隔,Δf\Delta f是频率采样间隔。关键的约束条件是TΔf=1/MNT \cdot \Delta f = 1/MN,这保证了基函数族的正交完备性。

考虑离散时延-多普勒域信号x[n,m]x[n,m],其中n{0,1,...,N1}n \in \{0,1,...,N-1\}表示时延索引,m{0,1,...,M1}m \in \{0,1,...,M-1\}表示多普勒索引。辛傅里叶变换定义为:

X[m,n]=n=0N1m=0M1x[n,m]KSFFT[n,m;m,n]X[m',n'] = \sum_{n=0}^{N-1} \sum_{m=0}^{M-1} x[n,m] \cdot K_{SFFT}[n,m;m',n']

其中核函数:

KSFFT[n,m;m,n]=1NMej2π(mnNnmM)K_{SFFT}[n,m;m',n'] = \frac{1}{\sqrt{NM}} e^{j2\pi\left(\frac{m'n}{N} - \frac{n'm}{M}\right)}

为了证明这是一个酉变换,我们验证正交性条件:

n=0N1m=0M1KSFFT[n,m;m1,n1]KSFFT[n,m;m2,n2]\sum_{n=0}^{N-1} \sum_{m=0}^{M-1} K_{SFFT}^*[n,m;m_1',n_1'] \cdot K_{SFFT}[n,m;m_2',n_2']

=1NMn=0N1m=0M1ej2π[(m2m1)nN(n2n1)mM]= \frac{1}{NM} \sum_{n=0}^{N-1} \sum_{m=0}^{M-1} e^{j2\pi\left[\frac{(m_2'-m_1')n}{N} - \frac{(n_2'-n_1')m}{M}\right]}

利用几何级数求和公式:

n=0N1ej2π(m2m1)n/N={N,if m2=m1modN0,otherwise\sum_{n=0}^{N-1} e^{j2\pi(m_2'-m_1')n/N} = \begin{cases} N, & \text{if } m_2' = m_1' \bmod N \\ 0, & \text{otherwise} \end{cases}

类似地对mm求和,最终得到:

n,mKSFFT[n,m;m1,n1]KSFFT[n,m;m2,n2]=δm1,m2δn1,n2\sum_{n,m} K_{SFFT}^*[n,m;m_1',n_1'] \cdot K_{SFFT}[n,m;m_2',n_2'] = \delta_{m_1',m_2'} \delta_{n_1',n_2'}

这证明了SFFT是酉变换,保证了能量守恒和可逆性。

B. 扭曲卷积的李代数结构

扭曲卷积的深层数学结构与李代数密切相关。定义时延-多普勒域的位移算子:

Πk0,l0x[k,l]=x[(kk0)modN,(ll0)modM]ej2πk0l/M\Pi_{k_0,l_0} x[k,l] = x[(k-k_0) \bmod N, (l-l_0) \bmod M] \cdot e^{j2\pi k_0 l/M}

这个算子满足群运算规则:

Πk1,l1Πk2,l2=ej2π(k1l2k2l1)/(2MN)Πk1+k2,l1+l2\Pi_{k_1,l_1} \circ \Pi_{k_2,l_2} = e^{j2\pi(k_1 l_2 - k_2 l_1)/(2MN)} \Pi_{k_1+k_2, l_1+l_2}

相位因子ej2π(k1l2k2l1)/(2MN)e^{j2\pi(k_1 l_2 - k_2 l_1)/(2MN)}是辛形式ω((k1,l1),(k2,l2))=k1l2k2l1\omega((k_1,l_1), (k_2,l_2)) = k_1 l_2 - k_2 l_1的指数映射。

定义无穷小生成元(李代数元素):

Lτ=k,Lν=l+2πkM\mathcal{L}_\tau = \frac{\partial}{\partial k}, \quad \mathcal{L}_\nu = \frac{\partial}{\partial l} + \frac{2\pi k}{M}

它们的对易子:

[Lτ,Lν]=LτLνLνLτ=2πM[\mathcal{L}_\tau, \mathcal{L}_\nu] = \mathcal{L}_\tau \mathcal{L}_\nu - \mathcal{L}_\nu \mathcal{L}_\tau = \frac{2\pi}{M}

这是海森堡代数的离散版本,反映了时延和多普勒的量子力学不确定性关系。

扭曲卷积可以表示为群卷积:

y=hx=k,lh[k,l]Πk,lxy = h \circledast x = \sum_{k',l'} h[k',l'] \cdot \Pi_{k',l'} x

展开得到:

y[k,l]=k=0N1l=0M1h[k,l]x[(kk)modN,(ll)modM]ej2πk(ll)/My[k,l] = \sum_{k'=0}^{N-1} \sum_{l'=0}^{M-1} h[k',l'] \cdot x[(k-k') \bmod N, (l-l') \bmod M] \cdot e^{j2\pi k'(l-l')/M}

C. 时频域与时延-多普勒域的对偶关系

建立完整的对偶理论需要引入Wigner分布和模糊函数。Wigner分布定义为:

Ws(t,f)=s(t+τ2)s(tτ2)ej2πfτdτW_s(t,f) = \int_{-\infty}^{\infty} s\left(t + \frac{\tau}{2}\right) s^*\left(t - \frac{\tau}{2}\right) e^{-j2\pi f\tau} d\tau

模糊函数定义为:

As(τ,ν)=s(t+τ2)s(tτ2)ej2πνtdtA_s(\tau,\nu) = \int_{-\infty}^{\infty} s\left(t + \frac{\tau}{2}\right) s^*\left(t - \frac{\tau}{2}\right) e^{j2\pi\nu t} dt

关键的对偶关系是:

As(τ,ν)=Ws(t,f)ej2π(fτtν)dtdfA_s(\tau,\nu) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} W_s(t,f) e^{-j2\pi(f\tau - t\nu)} dt df

这表明模糊函数是Wigner分布的辛傅里叶变换。在离散情况下:

A[k,l]=SFFT{W[n,m]}A[k,l] = \text{SFFT}\{W[n',m']\}

其中A[k,l]A[k,l]是时延-多普勒域的模糊函数,W[n,m]W[n',m']是时频域的Wigner分布。

D. 信道矩阵的谱分解

时延-多普勒域信道矩阵HDD\mathbf{H}_{DD}具有特殊的代数结构。定义基矩阵:

Ek,l=ΠkΔl\mathbf{E}_{k,l} = \boldsymbol{\Pi}^k \boldsymbol{\Delta}^l

其中:

[Π]i,j=δ(ij)modN,1[\boldsymbol{\Pi}]_{i,j} = \delta_{(i-j) \bmod N, 1}

[Δ]i,j=δi,jej2πi/M[\boldsymbol{\Delta}]_{i,j} = \delta_{i,j} e^{j2\pi i/M}

信道矩阵可以表示为:

HDD=k=0N1l=0M1h[k,l]Ek,l\mathbf{H}_{DD} = \sum_{k=0}^{N-1} \sum_{l=0}^{M-1} h[k,l] \mathbf{E}_{k,l}

基矩阵满足:

Ek1,l1Ek2,l2=ej2πk1l2/MEk1+k2,l1+l2\mathbf{E}_{k_1,l_1} \mathbf{E}_{k_2,l_2} = e^{j2\pi k_1 l_2/M} \mathbf{E}_{k_1+k_2, l_1+l_2}

利用这个关系,可以将信道矩阵对角化。定义变换矩阵:

U=FMIN\mathbf{U} = \mathbf{F}_M \otimes \mathbf{I}_N

其中FM\mathbf{F}_MMM点DFT矩阵,\otimes表示Kronecker积。在变换域中:

H~=UHHDDU\tilde{\mathbf{H}} = \mathbf{U}^H \mathbf{H}_{DD} \mathbf{U}

当信道稀疏时,H~\tilde{\mathbf{H}}呈现块对角结构,每个块对应一个多普勒频率,这大大简化了均衡器设计。

E. MMSE均衡器的闭式解

考虑加性高斯白噪声信道,接收信号为:

y=HDDx+w\mathbf{y} = \mathbf{H}_{DD} \mathbf{x} + \mathbf{w}

其中wCN(0,σw2I)\mathbf{w} \sim \mathcal{CN}(0, \sigma_w^2 \mathbf{I})。MMSE均衡器的目标是最小化均方误差:

x^MMSE=argminx^E{xx^2}\hat{\mathbf{x}}_{MMSE} = \arg\min_{\hat{\mathbf{x}}} E\{||\mathbf{x} - \hat{\mathbf{x}}||^2\}

利用正交性原理,MMSE估计满足:

E{(xx^MMSE)yH}=0E\{(\mathbf{x} - \hat{\mathbf{x}}_{MMSE}) \mathbf{y}^H\} = \mathbf{0}

假设xCN(0,σx2I)\mathbf{x} \sim \mathcal{CN}(0, \sigma_x^2 \mathbf{I}),推导得到:

x^MMSE=σx2HDDH(σx2HDDHDDH+σw2I)1y\hat{\mathbf{x}}_{MMSE} = \sigma_x^2 \mathbf{H}_{DD}^H (\sigma_x^2 \mathbf{H}_{DD} \mathbf{H}_{DD}^H + \sigma_w^2 \mathbf{I})^{-1} \mathbf{y}

定义信噪比γ=σx2/σw2\gamma = \sigma_x^2/\sigma_w^2,可以重写为:

x^MMSE=(HDDHHDD+γ1I)1HDDHy\hat{\mathbf{x}}_{MMSE} = (\mathbf{H}_{DD}^H \mathbf{H}_{DD} + \gamma^{-1} \mathbf{I})^{-1} \mathbf{H}_{DD}^H \mathbf{y}

利用矩阵恒等式(Woodbury恒等式):

(A+BCD)1=A1A1B(C1+DA1B)1DA1(\mathbf{A} + \mathbf{B}\mathbf{C}\mathbf{D})^{-1} = \mathbf{A}^{-1} - \mathbf{A}^{-1}\mathbf{B}(\mathbf{C}^{-1} + \mathbf{D}\mathbf{A}^{-1}\mathbf{B})^{-1}\mathbf{D}\mathbf{A}^{-1}

当信道矩阵具有低秩结构时(稀疏多径),可以显著降低求逆的计算复杂度。

F. 分数多普勒的处理

实际系统中,多普勒频移往往不是网格间隔的整数倍,产生分数多普勒效应。设真实多普勒频移为:

νtrue=(l+ϵ)Δν\nu_{true} = (l + \epsilon) \Delta\nu

其中ll是整数部分,ϵ<0.5|\epsilon| < 0.5是分数部分。分数多普勒导致的泄漏可以用sinc函数描述:

hleaked[k,l]=h[k,l]sinc(π(llϵ))ejπϵ(1llM)h_{leaked}[k,l'] = h[k,l] \cdot \text{sinc}\left(\pi(l' - l - \epsilon)\right) \cdot e^{j\pi\epsilon(1 - \frac{l' - l}{M})}

为了补偿分数多普勒,可以采用过采样策略。定义过采样因子QQ,新的多普勒分辨率为:

Δν=ΔνQ\Delta\nu' = \frac{\Delta\nu}{Q}

相应的时延-多普勒网格扩展为N×(QM)N \times (QM)。在过采样域中,分数部分减小为ϵ<1/(2Q)|\epsilon'| < 1/(2Q),泄漏效应显著降低。

另一种方法是基于插值的迭代估计:

  1. 初始估计:使用标准网格检测峰值位置(k0,l0)(k_0, l_0)
  2. 精细估计:在(k0,l0)(k_0, l_0)周围进行二次插值

    ϵ=h[k0,l01]2h[k0,l0+1]22(h[k0,l01]2+h[k0,l0+1]22h[k0,l0]2)\epsilon = \frac{|h[k_0, l_0-1]|^2 - |h[k_0, l_0+1]|^2}{2(|h[k_0, l_0-1]|^2 + |h[k_0, l_0+1]|^2 - 2|h[k_0, l_0]|^2)}

  3. 相位补偿:对接收信号进行相位旋转

    ycomp[k,l]=y[k,l]ej2πϵk/Ny_{comp}[k,l] = y[k,l] \cdot e^{-j2\pi\epsilon k/N}

  4. 迭代优化:重复步骤1-3直到收敛

G. 循环前缀的作用与消除

虽然OTFS不像OFDM那样显式使用循环前缀,但在实际系统中仍需要某种形式的保护间隔来对抗多径干扰。OTFS的保护机制通过在时延-多普勒域添加零保护带实现。

考虑时延扩展为τmax\tau_{max},多普勒扩展为νmax\nu_{max}的信道。保护区域定义为:

G={(k,l):k[0,kmax][Nkmax,N1],l[0,lmax][Mlmax,M1]}\mathcal{G} = \{(k,l): k \in [0, k_{max}] \cup [N-k_{max}, N-1], l \in [0, l_{max}] \cup [M-l_{max}, M-1]\}

其中kmax=τmax/Δτk_{max} = \lceil \tau_{max}/\Delta\tau \rceillmax=νmax/Δνl_{max} = \lceil \nu_{max}/\Delta\nu \rceil

在保护区域内不放置数据符号:

x[k,l]=0,(k,l)Gx[k,l] = 0, \quad \forall (k,l) \in \mathcal{G}

经过信道后,数据符号和保护符号之间的干扰被限制在保护区域内,不影响数据检测。这相当于在时域自动形成了循环结构,但开销更小,因为保护区域可以根据实际信道条件自适应调整。

H. 功率谱密度分析

OTFS信号的功率谱密度(PSD)是评估带外辐射和频谱效率的重要指标。时域OTFS信号可以表示为:

s(t)=k=0MN1dkp(tkTs)s(t) = \sum_{k=0}^{MN-1} d_k p(t - kT_s)

其中dkd_k是调制符号序列,p(t)p(t)是等效脉冲波形,TsT_s是符号间隔。

功率谱密度为:

Ss(f)=σd2TsP(f)2S_s(f) = \frac{\sigma_d^2}{T_s} |P(f)|^2

其中P(f)P(f)是脉冲波形的傅里叶变换,σd2\sigma_d^2是符号功率。

对于矩形脉冲:

prect(t)={1/Ts,0t<Ts0,otherwisep_{rect}(t) = \begin{cases} 1/\sqrt{T_s}, & 0 \leq t < T_s \\ 0, & \text{otherwise} \end{cases}

其频谱为:

Prect(f)=Tssinc(πfTs)ejπfTsP_{rect}(f) = \sqrt{T_s} \cdot \text{sinc}(\pi f T_s) \cdot e^{-j\pi f T_s}

功率谱密度呈现sinc平方形状,旁瓣衰减缓慢(-13 dB/octave)。

采用根升余弦(RRC)脉冲可以改善频谱特性:

PRRC(f)={Ts,f1α2TsTs2[1+cos(πTsα(f1α2Ts))],1α2Ts<f1+α2Ts0,f>1+α2TsP_{RRC}(f) = \begin{cases} \sqrt{T_s}, & |f| \leq \frac{1-\alpha}{2T_s} \\ \sqrt{\frac{T_s}{2}}\left[1 + \cos\left(\frac{\pi T_s}{\alpha}\left(|f| - \frac{1-\alpha}{2T_s}\right)\right)\right], & \frac{1-\alpha}{2T_s} < |f| \leq \frac{1+\alpha}{2T_s} \\ 0, & |f| > \frac{1+\alpha}{2T_s} \end{cases}

其中α\alpha是滚降因子。RRC脉冲的旁瓣衰减更快,带外辐射显著降低。

I. 相位噪声的影响与补偿

振荡器相位噪声是实际系统中不可避免的损伤。相位噪声模型为:

ϕ(t)=0tω(τ)dτ\phi(t) = \int_0^t \omega(\tau) d\tau

其中ω(t)\omega(t)是Wiener过程,功率谱密度为:

Sω(f)=2πβf2S_\omega(f) = \frac{2\pi \beta}{|f|^2}

β\beta是3dB线宽。

接收信号受相位噪声影响:

r(t)=s(t)ejϕ(t)+w(t)r(t) = s(t) \cdot e^{j\phi(t)} + w(t)

在时延-多普勒域,相位噪声表现为多普勒维度的扩散:

y[k,l]=lΦ[ll]h[k,l]x[k,l]+w[k,l]y[k,l] = \sum_{l'} \Phi[l-l'] \cdot h[k,l'] \cdot x[k,l'] + w[k,l]

其中Φ[l]\Phi[l]是相位噪声的多普勒域表示。

补偿策略包括:

  1. 公共相位误差(CPE)补偿:估计平均相位旋转

    ϕ^CPE=arg{k,ly[k,l]x[k,l]}\hat{\phi}_{CPE} = \arg\left\{\sum_{k,l} y^*[k,l] \cdot x[k,l]\right\}

  2. 载波间干扰(ICI)消除:建立相位噪声矩阵模型,迭代消除干扰

    x^(i+1)=(Heff(i))1y\hat{\mathbf{x}}^{(i+1)} = (\mathbf{H}_{eff}^{(i)})^{-1} \mathbf{y}

    其中Heff(i)=Φ(i)HDD\mathbf{H}_{eff}^{(i)} = \boldsymbol{\Phi}^{(i)} \mathbf{H}_{DD}

  3. 基于卡尔曼滤波的跟踪:将相位噪声建模为状态空间模型

    ϕn+1=ϕn+ωn\phi_{n+1} = \phi_n + \omega_n

    yn=hnejϕnxn+wny_n = h_n e^{j\phi_n} x_n + w_n

    使用扩展卡尔曼滤波器(EKF)递推估计。

J. MIMO-OTFS系统模型

多天线OTFS系统可以进一步提升频谱效率和可靠性。考虑NtN_t发射天线、NrN_r接收天线的MIMO-OTFS系统。

时延-多普勒域MIMO信道模型:

Yr=t=1NtHr,tXt+Wr\mathbf{Y}_{r} = \sum_{t=1}^{N_t} \mathbf{H}_{r,t} \circledast \mathbf{X}_t + \mathbf{W}_r

其中Yr\mathbf{Y}_r是第rr个接收天线的接收信号,Xt\mathbf{X}_t是第tt个发射天线的发送信号,Hr,t\mathbf{H}_{r,t}是从天线tt到天线rr的信道矩阵。

向量化表示:

y=HMIMOx+w\mathbf{y} = \mathbf{H}_{MIMO} \mathbf{x} + \mathbf{w}

其中:

y=[vec(Y1)vec(YNr)],x=[vec(X1)vec(XNt)]\mathbf{y} = \begin{bmatrix} \text{vec}(\mathbf{Y}_1) \\ \vdots \\ \text{vec}(\mathbf{Y}_{N_r}) \end{bmatrix}, \quad \mathbf{x} = \begin{bmatrix} \text{vec}(\mathbf{X}_1) \\ \vdots \\ \text{vec}(\mathbf{X}_{N_t}) \end{bmatrix}

MIMO信道矩阵具有块结构:

HMIMO=[H1,1H1,NtHNr,1HNr,Nt]\mathbf{H}_{MIMO} = \begin{bmatrix} \mathbf{H}_{1,1} & \cdots & \mathbf{H}_{1,N_t} \\ \vdots & \ddots & \vdots \\ \mathbf{H}_{N_r,1} & \cdots & \mathbf{H}_{N_r,N_t} \end{bmatrix}

空间复用增益:当rank(HMIMO)=min(Nt,Nr)MN\text{rank}(\mathbf{H}_{MIMO}) = \min(N_t, N_r) \cdot MN时,可以同时传输min(Nt,Nr)\min(N_t, N_r)个独立的数据流。

空间分集增益:通过空时编码,可以获得Nt×NrN_t \times N_r的分集阶数,显著降低误码率。

预编码设计:基于信道状态信息,设计预编码矩阵P\mathbf{P}

x=Ps\mathbf{x} = \mathbf{P} \mathbf{s}

其中s\mathbf{s}是信息符号向量。最优预编码基于奇异值分解(SVD):

HMIMO=UΣVH\mathbf{H}_{MIMO} = \mathbf{U} \boldsymbol{\Sigma} \mathbf{V}^H

选择P=V\mathbf{P} = \mathbf{V},接收端使用UH\mathbf{U}^H进行合并,将MIMO信道对角化为并行的SISO信道。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。