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 τ ,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 ν ,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) x ( τ , ν ) 满足特殊的周期性关系:
x ( τ + τ p , ν + ν p ) = e j 2 π ( ν p τ − τ p ν ) ⋅ x ( τ , ν ) x(\tau + \tau_p, \nu + \nu_p) = e^{j2\pi(\nu_p\tau - \tau_p\nu)} \cdot x(\tau, \nu)
x ( τ + τ p , ν + ν p ) = e j 2 π ( ν p τ − τ p ν ) ⋅ x ( τ , ν )
这里τ p \tau_p τ p 和ν p \nu_p ν 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 × M N \times M N × M 的网格,其中N N N 是时延方向的采样点数,M M M 是多普勒方向的采样点数。时延网格间隔Δ τ \Delta\tau Δ τ 等于时延周期除以N N N ,多普勒网格间隔Δ ν \Delta\nu Δ ν 等于多普勒周期除以M M M 。这个网格的物理意义非常直观:Δ τ \Delta\tau Δ τ 决定了系统能够分辨的最小距离差异,Δ ν \Delta\nu Δ ν 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 × M N \times M N × 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 × M N \times M N × M 的时延-多普勒网格x [ n , m ] x[n,m] x [ n , m ] 到M × N M \times N M × N 的时频网格X [ m ′ , n ′ ] X[m',n'] X [ m ′ , n ′ ] 的变换公式为:
X [ m ′ , n ′ ] = 1 N M ∑ n = 0 N − 1 ∑ m = 0 M − 1 x [ n , m ] ⋅ e j 2 π ( m ′ n N − n ′ m M ) 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)}
X [ m ′ , n ′ ] = N M 1 n = 0 ∑ N − 1 m = 0 ∑ M − 1 x [ n , m ] ⋅ e j 2 π ( N m ′ n − M n ′ m )
这个公式的精妙之处在于指数项中的交叉耦合:m ′ n N − n ′ m M \frac{m'n}{N} - \frac{n'm}{M} N m ′ n − M n ′ m 。与标准的二维傅里叶变换不同,这里时延索引n n n 与多普勒频率索引m ′ m' m ′ 耦合,而多普勒索引m m m 与时频时间索引n ′ n' n ′ 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N N N 点FFT,得到时间维度的频谱;然后对结果矩阵的每一行进行M M M 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 ( N M ⋅ log ( N M ) ) O(NM \cdot \log(NM)) O ( N M ⋅ log ( N M ) ) ,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'] X [ m ′ , n ′ ] 转换回时延-多普勒域信号x [ n , m ] x[n,m] x [ n , m ] :
x [ n , m ] = 1 N M ∑ m ′ = 0 M − 1 ∑ n ′ = 0 N − 1 X [ m ′ , n ′ ] ⋅ e − j 2 π ( m ′ n N − n ′ m M ) 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)}
x [ n , m ] = N M 1 m ′ = 0 ∑ M − 1 n ′ = 0 ∑ N − 1 X [ m ′ , n ′ ] ⋅ e − j 2 π ( N m ′ n − M n ′ m )
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N N N 点IDFT转换到时间维度,再对多普勒轴进行M M M 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:
Z t { s ( t ) } = ∫ − ∞ ∞ s ( t ) ⋅ e − j 2 π ν τ d ν Z_t\{s(t)\} = \int_{-\infty}^{\infty} s(t) \cdot e^{-j2\pi\nu\tau} d\nu
Z t { s ( t ) } = ∫ − ∞ ∞ s ( t ) ⋅ e − j 2 π ν τ d ν
这个积分沿着多普勒维度进行,将时域函数s ( t ) 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 ′ = 0 M − 1 ∑ n ′ = 0 N − 1 X [ m ′ , n ′ ] ⋅ g t x ( t − n ′ T ) ⋅ e j 2 π m ′ Δ f ⋅ t s(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}
s ( t ) = m ′ = 0 ∑ M − 1 n ′ = 0 ∑ N − 1 X [ m ′ , n ′ ] ⋅ g t x ( t − n ′ T ) ⋅ e j 2 π m ′ Δ f ⋅ t
这里g t x ( t ) g_{tx}(t) g t x ( t ) 是发射脉冲成形滤波器,T T T 是符号周期,Δ f \Delta f Δ 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) r ( t ) 转换回时频网格:
Y [ m ′ , n ′ ] = ∫ t = ( n ′ − 1 ) T n ′ T r ( t ) ⋅ g r x ∗ ( t − n ′ T ) ⋅ e − j 2 π m ′ Δ f ⋅ t d t Y[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
Y [ m ′ , n ′ ] = ∫ t = ( n ′ − 1 ) T n ′ T r ( t ) ⋅ g r x ∗ ( t − n ′ T ) ⋅ e − j 2 π m ′ Δ f ⋅ t d t
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 = 1 P h i ⋅ δ ( τ − τ i ) ⋅ δ ( ν − ν i ) h(\tau,\nu) = \sum_{i=1}^{P} h_i \cdot \delta(\tau - \tau_i) \cdot \delta(\nu - \nu_i)
h ( τ , ν ) = i = 1 ∑ P h i ⋅ δ ( τ − τ i ) ⋅ δ ( ν − ν i )
这里P P P 是多径数量,h i h_i h i 是第i i i 条路径的复增益(包含幅度和相位信息),τ i \tau_i τ i 和ν i \nu_i ν 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 ′ = 0 N − 1 ∑ l ′ = 0 M − 1 h [ k ′ , l ′ ] ⋅ x [ ( k − k ′ ) m o d N , ( l − l ′ ) m o d M ] ⋅ e j 2 π k ′ ( l − l ′ ) / 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]
y [ k , l ] = k ′ = 0 ∑ N − 1 l ′ = 0 ∑ M − 1 h [ k ′ , l ′ ] ⋅ x [ ( k − k ′ ) m o d N , ( l − l ′ ) m o d M ] ⋅ e j 2 π 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] y [ k , l ] 是输入x x x 和信道h h h 的加权叠加,但关键差异在于相位因子e j 2 π k ′ ( l − l ′ ) / M e^{j2\pi k'(l-l')/M} e j 2 π 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:
y v e c = H D D ⋅ x v e c + w v e c \mathbf{y}_{vec} = \mathbf{H}_{DD} \cdot \mathbf{x}_{vec} + \mathbf{w}_{vec}
y v e c = H D D ⋅ x v e c + w v e c
这里y v e c \mathbf{y}_{vec} y v e c 和x v e c \mathbf{x}_{vec} x v e c 是将二维网格按列堆叠得到的M N × 1 MN \times 1 M N × 1 向量,H D D \mathbf{H}_{DD} H D D 是M N × M N MN \times MN M N × M N 的信道矩阵。这个矩阵具有特殊的块循环结构,可以分解为:
H D D = ∑ i = 1 P h i ⋅ Π τ i ⋅ Δ ν i \mathbf{H}_{DD} = \sum_{i=1}^{P} h_i \cdot \boldsymbol{\Pi}^{\tau_i} \cdot \boldsymbol{\Delta}^{\nu_i}
H D D = i = 1 ∑ P h i ⋅ Π τ i ⋅ Δ ν i
其中Π \boldsymbol{\Pi} Π 是时延算子对应的循环移位矩阵,Δ \boldsymbol{\Delta} Δ 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M N × M N MN \times MN M N × M N 矩阵求逆带来的O ( ( M N ) 3 ) O((MN)^3) O ( ( M N ) 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) ( k , l ) 保持近似恒定:
∣ h e f f [ k , l ] ∣ ≈ constant |h_{eff}[k,l]| \approx \text{constant}
∣ h e f f [ k , l ] ∣ ≈ 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 × 1 0 − 2 1.693 \times 10^{-2} 1 . 6 9 3 × 1 0 − 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 ( M N ) O(MN) O ( M N ) 。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 ( ( M N ) 3 ) O((MN)^3) O ( ( M N ) 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 ( ( M N ) 2 ) O((MN)^2) O ( ( M N ) 2 ) 甚至O ( M N log ( M N ) ) O(MN \log(MN)) O ( M N log ( M N ) ) 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M M M 等于时延维度采样点数N N N 时(如M = N = 256 M=N=256 M = N = 2 5 6 ),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M M M 和N N N 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T τ \mathcal{T}_\tau T τ 和多普勒算子M ν \mathcal{M}_\nu M ν 开始:
T τ s ( t ) = s ( t − τ ) \mathcal{T}_\tau s(t) = s(t - \tau)
T τ s ( t ) = s ( t − τ )
M ν s ( t ) = e j 2 π ν t s ( t ) \mathcal{M}_\nu s(t) = e^{j2\pi\nu t} s(t)
M ν s ( t ) = e j 2 π ν t s ( t )
这两个算子满足非对易关系(Weyl交换关系):
M ν T τ = e j 2 π ν τ T τ M ν \mathcal{M}_\nu \mathcal{T}_\tau = e^{j2\pi\nu\tau} \mathcal{T}_\tau \mathcal{M}_\nu
M ν T τ = e j 2 π ν τ T τ M ν
定义位移算子:
D ( τ , ν ) = e − j π ν τ M ν T τ \mathcal{D}(\tau, \nu) = e^{-j\pi\nu\tau} \mathcal{M}_\nu \mathcal{T}_\tau
D ( τ , ν ) = e − j π ν τ M ν T τ
位移算子作用在基函数g ( t ) g(t) g ( t ) 上生成时频移位的基函数族:
g m , n ( t ) = D ( n T , m Δ f ) g ( t ) = e − j π m n T Δ f e j 2 π m Δ f t g ( t − n T ) 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)
g m , n ( t ) = D ( n T , m Δ f ) g ( t ) = e − j π m n T Δ f e j 2 π m Δ f t g ( t − n T )
其中T T T 是时间采样间隔,Δ f \Delta f Δ f 是频率采样间隔。关键的约束条件是T ⋅ Δ f = 1 / M N T \cdot \Delta f = 1/MN T ⋅ Δ f = 1 / M N ,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] x [ n , m ] ,其中n ∈ { 0 , 1 , . . . , N − 1 } n \in \{0,1,...,N-1\} n ∈ { 0 , 1 , . . . , N − 1 } 表示时延索引,m ∈ { 0 , 1 , . . . , M − 1 } m \in \{0,1,...,M-1\} m ∈ { 0 , 1 , . . . , M − 1 } 表示多普勒索引。辛傅里叶变换定义为:
X [ m ′ , n ′ ] = ∑ n = 0 N − 1 ∑ m = 0 M − 1 x [ n , m ] ⋅ K S F F T [ 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']
X [ m ′ , n ′ ] = n = 0 ∑ N − 1 m = 0 ∑ M − 1 x [ n , m ] ⋅ K S F F T [ n , m ; m ′ , n ′ ]
其中核函数:
K S F F T [ n , m ; m ′ , n ′ ] = 1 N M e j 2 π ( m ′ n N − n ′ m M ) K_{SFFT}[n,m;m',n'] = \frac{1}{\sqrt{NM}} e^{j2\pi\left(\frac{m'n}{N} - \frac{n'm}{M}\right)}
K S F F T [ n , m ; m ′ , n ′ ] = N M 1 e j 2 π ( N m ′ n − M n ′ m )
为了证明这是一个酉变换,我们验证正交性条件:
∑ n = 0 N − 1 ∑ m = 0 M − 1 K S F F T ∗ [ n , m ; m 1 ′ , n 1 ′ ] ⋅ K S F F T [ n , m ; m 2 ′ , n 2 ′ ] \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']
n = 0 ∑ N − 1 m = 0 ∑ M − 1 K S F F T ∗ [ n , m ; m 1 ′ , n 1 ′ ] ⋅ K S F F T [ n , m ; m 2 ′ , n 2 ′ ]
= 1 N M ∑ n = 0 N − 1 ∑ m = 0 M − 1 e j 2 π [ ( m 2 ′ − m 1 ′ ) n N − ( n 2 ′ − n 1 ′ ) m M ] = \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]}
= N M 1 n = 0 ∑ N − 1 m = 0 ∑ M − 1 e j 2 π [ N ( m 2 ′ − m 1 ′ ) n − M ( n 2 ′ − n 1 ′ ) m ]
利用几何级数求和公式:
∑ n = 0 N − 1 e j 2 π ( m 2 ′ − m 1 ′ ) n / N = { N , if m 2 ′ = m 1 ′ m o d N 0 , 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} n = 0 ∑ N − 1 e j 2 π ( m 2 ′ − m 1 ′ ) n / N = { N , 0 , if m 2 ′ = m 1 ′ m o d N otherwise
类似地对m m m 求和,最终得到:
∑ n , m K S F F T ∗ [ n , m ; m 1 ′ , n 1 ′ ] ⋅ K S F F T [ n , m ; m 2 ′ , n 2 ′ ] = δ m 1 ′ , m 2 ′ δ n 1 ′ , n 2 ′ \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'}
n , m ∑ K S F F T ∗ [ n , m ; m 1 ′ , n 1 ′ ] ⋅ K S F F T [ n , m ; m 2 ′ , n 2 ′ ] = δ m 1 ′ , m 2 ′ δ 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:
Π k 0 , l 0 x [ k , l ] = x [ ( k − k 0 ) m o d N , ( l − l 0 ) m o d M ] ⋅ e j 2 π k 0 l / 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}
Π k 0 , l 0 x [ k , l ] = x [ ( k − k 0 ) m o d N , ( l − l 0 ) m o d M ] ⋅ e j 2 π k 0 l / M
这个算子满足群运算规则:
Π k 1 , l 1 ∘ Π k 2 , l 2 = e j 2 π ( k 1 l 2 − k 2 l 1 ) / ( 2 M N ) Π k 1 + k 2 , l 1 + l 2 \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}
Π k 1 , l 1 ∘ Π k 2 , l 2 = e j 2 π ( k 1 l 2 − k 2 l 1 ) / ( 2 M N ) Π k 1 + k 2 , l 1 + l 2
相位因子e j 2 π ( k 1 l 2 − k 2 l 1 ) / ( 2 M N ) e^{j2\pi(k_1 l_2 - k_2 l_1)/(2MN)} e j 2 π ( k 1 l 2 − k 2 l 1 ) / ( 2 M N ) 是辛形式ω ( ( k 1 , l 1 ) , ( k 2 , l 2 ) ) = k 1 l 2 − k 2 l 1 \omega((k_1,l_1), (k_2,l_2)) = k_1 l_2 - k_2 l_1 ω ( ( 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):
L τ = ∂ ∂ k , L ν = ∂ ∂ l + 2 π k M \mathcal{L}_\tau = \frac{\partial}{\partial k}, \quad \mathcal{L}_\nu = \frac{\partial}{\partial l} + \frac{2\pi k}{M}
L τ = ∂ k ∂ , L ν = ∂ l ∂ + M 2 π k
它们的对易子:
[ L τ , L ν ] = L τ L ν − L ν L τ = 2 π M [\mathcal{L}_\tau, \mathcal{L}_\nu] = \mathcal{L}_\tau \mathcal{L}_\nu - \mathcal{L}_\nu \mathcal{L}_\tau = \frac{2\pi}{M}
[ L τ , L ν ] = L τ L ν − L ν L τ = M 2 π
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 = h ⊛ x = ∑ k ′ , l ′ h [ k ′ , l ′ ] ⋅ Π k ′ , l ′ x y = h \circledast x = \sum_{k',l'} h[k',l'] \cdot \Pi_{k',l'} x
y = h ⊛ x = k ′ , l ′ ∑ h [ k ′ , l ′ ] ⋅ Π k ′ , l ′ x
展开得到:
y [ k , l ] = ∑ k ′ = 0 N − 1 ∑ l ′ = 0 M − 1 h [ k ′ , l ′ ] ⋅ x [ ( k − k ′ ) m o d N , ( l − l ′ ) m o d M ] ⋅ e j 2 π k ′ ( l − l ′ ) / M 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}
y [ k , l ] = k ′ = 0 ∑ N − 1 l ′ = 0 ∑ M − 1 h [ k ′ , l ′ ] ⋅ x [ ( k − k ′ ) m o d N , ( l − l ′ ) m o d M ] ⋅ e j 2 π 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:
W s ( t , f ) = ∫ − ∞ ∞ s ( t + τ 2 ) s ∗ ( t − τ 2 ) e − j 2 π f τ d τ W_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
W s ( t , f ) = ∫ − ∞ ∞ s ( t + 2 τ ) s ∗ ( t − 2 τ ) e − j 2 π f τ d τ
模糊函数定义为:
A s ( τ , ν ) = ∫ − ∞ ∞ s ( t + τ 2 ) s ∗ ( t − τ 2 ) e j 2 π ν t d t A_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
A s ( τ , ν ) = ∫ − ∞ ∞ s ( t + 2 τ ) s ∗ ( t − 2 τ ) e j 2 π ν t d t
关键的对偶关系是:
A s ( τ , ν ) = ∫ − ∞ ∞ ∫ − ∞ ∞ W s ( t , f ) e − j 2 π ( f τ − t ν ) d t d f A_s(\tau,\nu) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} W_s(t,f) e^{-j2\pi(f\tau - t\nu)} dt df
A s ( τ , ν ) = ∫ − ∞ ∞ ∫ − ∞ ∞ W s ( t , f ) e − j 2 π ( f τ − t ν ) d t d f
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']\}
A [ k , l ] = SFFT { W [ n ′ , m ′ ] }
其中A [ k , l ] A[k,l] A [ k , l ] 是时延-多普勒域的模糊函数,W [ n ′ , m ′ ] 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H D D \mathbf{H}_{DD} H D D 具有特殊的代数结构。定义基矩阵:
E k , l = Π k Δ l \mathbf{E}_{k,l} = \boldsymbol{\Pi}^k \boldsymbol{\Delta}^l
E k , l = Π k Δ l
其中:
[ Π ] i , j = δ ( i − j ) m o d N , 1 [\boldsymbol{\Pi}]_{i,j} = \delta_{(i-j) \bmod N, 1}
[ Π ] i , j = δ ( i − j ) m o d N , 1
[ Δ ] i , j = δ i , j e j 2 π i / M [\boldsymbol{\Delta}]_{i,j} = \delta_{i,j} e^{j2\pi i/M}
[ Δ ] i , j = δ i , j e j 2 π i / M
信道矩阵可以表示为:
H D D = ∑ k = 0 N − 1 ∑ l = 0 M − 1 h [ k , l ] E k , l \mathbf{H}_{DD} = \sum_{k=0}^{N-1} \sum_{l=0}^{M-1} h[k,l] \mathbf{E}_{k,l}
H D D = k = 0 ∑ N − 1 l = 0 ∑ M − 1 h [ k , l ] E k , l
基矩阵满足:
E k 1 , l 1 E k 2 , l 2 = e j 2 π k 1 l 2 / M E k 1 + k 2 , l 1 + l 2 \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}
E k 1 , l 1 E k 2 , l 2 = e j 2 π k 1 l 2 / M 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 = F M ⊗ I N \mathbf{U} = \mathbf{F}_M \otimes \mathbf{I}_N
U = F M ⊗ I N
其中F M \mathbf{F}_M F M 是M M M 点DFT矩阵,⊗ \otimes ⊗ 表示Kronecker积。在变换域中:
H ~ = U H H D D U \tilde{\mathbf{H}} = \mathbf{U}^H \mathbf{H}_{DD} \mathbf{U}
H ~ = U H H D D U
当信道稀疏时,H ~ \tilde{\mathbf{H}} 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 = H D D x + w \mathbf{y} = \mathbf{H}_{DD} \mathbf{x} + \mathbf{w}
y = H D D x + w
其中w ∼ C N ( 0 , σ w 2 I ) \mathbf{w} \sim \mathcal{CN}(0, \sigma_w^2 \mathbf{I}) w ∼ C N ( 0 , σ w 2 I ) 。MMSE均衡器的目标是最小化均方误差:
x ^ M M S E = arg min x ^ E { ∣ ∣ x − x ^ ∣ ∣ 2 } \hat{\mathbf{x}}_{MMSE} = \arg\min_{\hat{\mathbf{x}}} E\{||\mathbf{x} - \hat{\mathbf{x}}||^2\}
x ^ M M S E = arg x ^ min E { ∣ ∣ x − x ^ ∣ ∣ 2 }
利用正交性原理,MMSE估计满足:
E { ( x − x ^ M M S E ) y H } = 0 E\{(\mathbf{x} - \hat{\mathbf{x}}_{MMSE}) \mathbf{y}^H\} = \mathbf{0}
E { ( x − x ^ M M S E ) y H } = 0
假设x ∼ C N ( 0 , σ x 2 I ) \mathbf{x} \sim \mathcal{CN}(0, \sigma_x^2 \mathbf{I}) x ∼ C N ( 0 , σ x 2 I ) ,推导得到:
x ^ M M S E = σ x 2 H D D H ( σ x 2 H D D H D D H + σ w 2 I ) − 1 y \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}
x ^ M M S E = σ x 2 H D D H ( σ x 2 H D D H D D H + σ w 2 I ) − 1 y
定义信噪比γ = σ x 2 / σ w 2 \gamma = \sigma_x^2/\sigma_w^2 γ = σ x 2 / σ w 2 ,可以重写为:
x ^ M M S E = ( H D D H H D D + γ − 1 I ) − 1 H D D H y \hat{\mathbf{x}}_{MMSE} = (\mathbf{H}_{DD}^H \mathbf{H}_{DD} + \gamma^{-1} \mathbf{I})^{-1} \mathbf{H}_{DD}^H \mathbf{y}
x ^ M M S E = ( H D D H H D D + γ − 1 I ) − 1 H D D H y
利用矩阵恒等式(Woodbury恒等式):
( A + B C D ) − 1 = A − 1 − A − 1 B ( C − 1 + D A − 1 B ) − 1 D A − 1 (\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}
( A + B C D ) − 1 = A − 1 − A − 1 B ( C − 1 + D A − 1 B ) − 1 D 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:
ν t r u e = ( l + ϵ ) Δ ν \nu_{true} = (l + \epsilon) \Delta\nu
ν t r u e = ( l + ϵ ) Δ ν
其中l l l 是整数部分,∣ ϵ ∣ < 0.5 |\epsilon| < 0.5 ∣ ϵ ∣ < 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:
h l e a k e d [ k , l ′ ] = h [ k , l ] ⋅ sinc ( π ( l ′ − l − ϵ ) ) ⋅ e j π ϵ ( 1 − l ′ − l M ) 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})}
h l e a k e d [ k , l ′ ] = h [ k , l ] ⋅ sinc ( π ( l ′ − l − ϵ ) ) ⋅ e j π ϵ ( 1 − M l ′ − l )
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Q Q Q ,新的多普勒分辨率为:
Δ ν ′ = Δ ν Q \Delta\nu' = \frac{\Delta\nu}{Q}
Δ ν ′ = Q Δ ν
相应的时延-多普勒网格扩展为N × ( Q M ) N \times (QM) N × ( Q M ) 。在过采样域中,分数部分减小为∣ ϵ ′ ∣ < 1 / ( 2 Q ) |\epsilon'| < 1/(2Q) ∣ ϵ ′ ∣ < 1 / ( 2 Q ) ,泄漏效应显著降低。
另一种方法是基于插值的迭代估计:
初始估计:使用标准网格检测峰值位置( k 0 , l 0 ) (k_0, l_0) ( k 0 , l 0 )
精细估计:在( k 0 , l 0 ) (k_0, l_0) ( k 0 , l 0 ) 周围进行二次插值ϵ = ∣ 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 ) \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)}
ϵ = 2 ( ∣ h [ k 0 , l 0 − 1 ] ∣ 2 + ∣ h [ k 0 , l 0 + 1 ] ∣ 2 − 2 ∣ h [ k 0 , l 0 ] ∣ 2 ) ∣ h [ k 0 , l 0 − 1 ] ∣ 2 − ∣ h [ k 0 , l 0 + 1 ] ∣ 2
相位补偿:对接收信号进行相位旋转y c o m p [ k , l ] = y [ k , l ] ⋅ e − j 2 π ϵ k / N y_{comp}[k,l] = y[k,l] \cdot e^{-j2\pi\epsilon k/N}
y c o m p [ k , l ] = y [ k , l ] ⋅ e − j 2 π ϵ k / N
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τ m a x \tau_{max} τ m a x ,多普勒扩展为ν m a x \nu_{max} ν m a x 的信道。保护区域定义为:
G = { ( k , l ) : k ∈ [ 0 , k m a x ] ∪ [ N − k m a x , N − 1 ] , l ∈ [ 0 , l m a x ] ∪ [ M − l m a x , M − 1 ] } \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]\}
G = { ( k , l ) : k ∈ [ 0 , k m a x ] ∪ [ N − k m a x , N − 1 ] , l ∈ [ 0 , l m a x ] ∪ [ M − l m a x , M − 1 ] }
其中k m a x = ⌈ τ m a x / Δ τ ⌉ k_{max} = \lceil \tau_{max}/\Delta\tau \rceil k m a x = ⌈ τ m a x / Δ τ ⌉ ,l m a x = ⌈ ν m a x / Δ ν ⌉ l_{max} = \lceil \nu_{max}/\Delta\nu \rceil l m a x = ⌈ ν m a x / Δ ν ⌉ 。
在保护区域内不放置数据符号:
x [ k , l ] = 0 , ∀ ( k , l ) ∈ G x[k,l] = 0, \quad \forall (k,l) \in \mathcal{G}
x [ k , l ] = 0 , ∀ ( k , l ) ∈ 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 = 0 M N − 1 d k p ( t − k T s ) s(t) = \sum_{k=0}^{MN-1} d_k p(t - kT_s)
s ( t ) = k = 0 ∑ M N − 1 d k p ( t − k T s )
其中d k d_k d k 是调制符号序列,p ( t ) p(t) p ( t ) 是等效脉冲波形,T s T_s T s 是符号间隔。
功率谱密度为:
S s ( f ) = σ d 2 T s ∣ P ( f ) ∣ 2 S_s(f) = \frac{\sigma_d^2}{T_s} |P(f)|^2
S s ( f ) = T s σ d 2 ∣ P ( f ) ∣ 2
其中P ( f ) P(f) P ( f ) 是脉冲波形的傅里叶变换,σ d 2 \sigma_d^2 σ d 2 是符号功率。
对于矩形脉冲:
p r e c t ( t ) = { 1 / T s , 0 ≤ t < T s 0 , otherwise p_{rect}(t) = \begin{cases}
1/\sqrt{T_s}, & 0 \leq t < T_s \\
0, & \text{otherwise}
\end{cases} p r e c t ( t ) = { 1 / T s , 0 , 0 ≤ t < T s otherwise
其频谱为:
P r e c t ( f ) = T s ⋅ sinc ( π f T s ) ⋅ e − j π f T s P_{rect}(f) = \sqrt{T_s} \cdot \text{sinc}(\pi f T_s) \cdot e^{-j\pi f T_s}
P r e c t ( f ) = T s ⋅ sinc ( π f T s ) ⋅ e − j π 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:
P R R C ( f ) = { T s , ∣ f ∣ ≤ 1 − α 2 T s T s 2 [ 1 + cos ( π T s α ( ∣ f ∣ − 1 − α 2 T s ) ) ] , 1 − α 2 T s < ∣ f ∣ ≤ 1 + α 2 T s 0 , ∣ f ∣ > 1 + α 2 T s P_{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} P R R C ( f ) = ⎩ ⎪ ⎪ ⎪ ⎨ ⎪ ⎪ ⎪ ⎧ T s , 2 T s [ 1 + cos ( α π T s ( ∣ f ∣ − 2 T s 1 − α ) ) ] , 0 , ∣ f ∣ ≤ 2 T s 1 − α 2 T s 1 − α < ∣ f ∣ ≤ 2 T s 1 + α ∣ f ∣ > 2 T s 1 + α
其中α \alpha α 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 ) = ∫ 0 t ω ( τ ) d τ \phi(t) = \int_0^t \omega(\tau) d\tau
ϕ ( t ) = ∫ 0 t ω ( τ ) d τ
其中ω ( t ) \omega(t) ω ( t ) 是Wiener过程,功率谱密度为:
S ω ( f ) = 2 π β ∣ f ∣ 2 S_\omega(f) = \frac{2\pi \beta}{|f|^2}
S ω ( f ) = ∣ f ∣ 2 2 π β
β \beta β 是3dB线宽。
接收信号受相位噪声影响:
r ( t ) = s ( t ) ⋅ e j ϕ ( t ) + w ( t ) r(t) = s(t) \cdot e^{j\phi(t)} + w(t)
r ( t ) = s ( t ) ⋅ e j ϕ ( 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 ] = ∑ l ′ Φ [ l − l ′ ] ⋅ 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]
y [ k , l ] = l ′ ∑ Φ [ l − l ′ ] ⋅ h [ k , l ′ ] ⋅ x [ k , l ′ ] + w [ k , l ]
其中Φ [ l ] \Phi[l] Φ [ l ] 是相位噪声的多普勒域表示。
补偿策略包括:
公共相位误差(CPE)补偿 :估计平均相位旋转
ϕ ^ C P E = arg { ∑ k , l y ∗ [ k , l ] ⋅ x [ k , l ] } \hat{\phi}_{CPE} = \arg\left\{\sum_{k,l} y^*[k,l] \cdot x[k,l]\right\}
ϕ ^ C P E = arg ⎩ ⎪ ⎨ ⎪ ⎧ k , l ∑ y ∗ [ k , l ] ⋅ x [ k , l ] ⎭ ⎪ ⎬ ⎪ ⎫
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 ) = ( H e f f ( i ) ) − 1 y \hat{\mathbf{x}}^{(i+1)} = (\mathbf{H}_{eff}^{(i)})^{-1} \mathbf{y}
x ^ ( i + 1 ) = ( H e f f ( i ) ) − 1 y
其中H e f f ( i ) = Φ ( i ) H D D \mathbf{H}_{eff}^{(i)} = \boldsymbol{\Phi}^{(i)} \mathbf{H}_{DD} H e f f ( i ) = Φ ( i ) H D D
基于卡尔曼滤波的跟踪 :将相位噪声建模为状态空间模型
ϕ n + 1 = ϕ n + ω n \phi_{n+1} = \phi_n + \omega_n
ϕ n + 1 = ϕ n + ω n
y n = h n e j ϕ n x n + w n y_n = h_n e^{j\phi_n} x_n + w_n
y n = h n e j ϕ 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N t N_t N t 发射天线、N r N_r N r 接收天线的MIMO-OTFS系统。
时延-多普勒域MIMO信道模型:
Y r = ∑ t = 1 N t H r , t ⊛ X t + W r \mathbf{Y}_{r} = \sum_{t=1}^{N_t} \mathbf{H}_{r,t} \circledast \mathbf{X}_t + \mathbf{W}_r
Y r = t = 1 ∑ N t H r , t ⊛ X t + W r
其中Y r \mathbf{Y}_r Y r 是第r r r 个接收天线的接收信号,X t \mathbf{X}_t X t 是第t t t 个发射天线的发送信号,H r , t \mathbf{H}_{r,t} H r , t 是从天线t t t 到天线r r r 的信道矩阵。
向量化表示:
y = H M I M O x + w \mathbf{y} = \mathbf{H}_{MIMO} \mathbf{x} + \mathbf{w}
y = H M I M O x + w
其中:
y = [ vec ( Y 1 ) ⋮ vec ( Y N r ) ] , x = [ vec ( X 1 ) ⋮ vec ( X N t ) ] \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} y = ⎣ ⎢ ⎢ ⎡ vec ( Y 1 ) ⋮ vec ( Y N r ) ⎦ ⎥ ⎥ ⎤ , x = ⎣ ⎢ ⎢ ⎡ vec ( X 1 ) ⋮ vec ( X N t ) ⎦ ⎥ ⎥ ⎤
MIMO信道矩阵具有块结构:
H M I M O = [ H 1 , 1 ⋯ H 1 , N t ⋮ ⋱ ⋮ H N r , 1 ⋯ H N r , N t ] \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} H M I M O = ⎣ ⎢ ⎢ ⎡ H 1 , 1 ⋮ H N r , 1 ⋯ ⋱ ⋯ H 1 , N t ⋮ H N r , N t ⎦ ⎥ ⎥ ⎤
空间复用增益:当rank ( H M I M O ) = min ( N t , N r ) ⋅ M N \text{rank}(\mathbf{H}_{MIMO}) = \min(N_t, N_r) \cdot MN rank ( H M I M O ) = min ( N t , N r ) ⋅ M N 时,可以同时传输min ( N t , N r ) \min(N_t, N_r) 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N t × N r N_t \times N_r N t × 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} P :
x = P s \mathbf{x} = \mathbf{P} \mathbf{s}
x = P s
其中s \mathbf{s} s 是信息符号向量。最优预编码基于奇异值分解(SVD):
H M I M O = U Σ V H \mathbf{H}_{MIMO} = \mathbf{U} \boldsymbol{\Sigma} \mathbf{V}^H
H M I M O = U Σ V H
选择P = V \mathbf{P} = \mathbf{V} P = V ,接收端使用U H \mathbf{U}^H U H 进行合并,将MIMO信道对角化为并行的SISO信道。
评论(0)