OFTS Delay-Doppler modulation(1)

4.1 System model

\quad 本节主要介绍OTFS的调制与解调如图4.1,其中涉及几个关键概念:离散时域、时频域、delay-Doppler域
我们假设一个通信系统存在PPP条多径、信道带宽为BBB,最大时延扩展为τmax\tau_{max}τmax、最大多普勒频移为vmaxv_{max}vmax。我们考虑一个离散域等效基带模型,连续信号的采样率为fs=B=1Ts=MΔf\mathcal{f_s=B=\frac{1}{T_s}=M\Delta f}fs=B=Ts1=MΔf,离散时域存在N∗M\mathcal{N*M}NM个采样点(NNN为符号数),每个符号M个数据数据样点,因此OTFS帧长为Tf=NMTs,T=MTs\mathcal{T_f=NMT_s,T=MT_s}Tf=NMTs,T=MTs。每TTT秒的离散频谱可以通过MMM点傅里叶变化得到,频谱间隔为Δf=1T\Delta f=\frac{1}{T}Δf=T1,OTFS帧结构沿着时间轴可以定义为具有N个带宽为B=MΔf\mathcal{B=M\Delta f}B=MΔf时频域离散资源
Λ={(lΔf,kT),l=0,⋯ ,M−1,k=0,⋯ N−1} \varLambda=\{(l\Delta f,k T),l=0,\cdots,M-1,k=0,\cdots\,N-1\} Λ={(lΔf,kT),l=0,,M1,k=0,N1}
对于整数M,N>0\mathcal{M,N}>0M,N>0,离散时频域样点可以使用矩阵X[l,k],l=0,⋯ ,M−1,k=0,⋯ ,N−1\mathcal{X}[l,k],l=0,\cdots,M-1,k=0,\cdots,N-1X[l,k],l=0,,M1,k=0,,N1,离散的时频域样点可以通过一个2D辛傅里叶变化转换到delay-Doppler。

4.1.1 Parameter choice for OTFS systen

OTFS 关键参数主要包括N,M,T\mathcal{N,M,T}N,M,T,其中T,Δf\mathcal{T},\Delta fT,Δf取决于最大可支持的多普勒时延τmax<T\tau_{max} < \mathcal{T}τmax<T,多普勒频移vmax<Δf/2v_{max}<\Delta f/2vmax<Δf/2,如果一帧的样点固定M∗N\mathcal{M*N}MN,我们可以选择一个比较大的T\mathcal{T}T(smaller Δf\Delta fΔf),这样可以选择一个比较大的M\mathcal{M}M和小的N\mathcal{N}N,反之也是同理。这样我们可以设计一个系统使得τmaxvmax<1/2\tau_{max}v_{max}<1/2τmaxvmax<1/2,这样就拓展了我们系统使得其能够摆脱欠扩展信道的限制(τmaxvmax≪1)(\tau_{max}v_{max} \ll 1 )(τmaxvmax1)

4.1.2 OTFS modulation

如图4.1所示发送端发送的调制信号A={a1,⋯ ,aQ}\mathbb{A}=\{a_1,\cdots,a_Q\}A={a1,,aQ}大小为Q,放置在delay-Doppler 矩阵X∈CM×NX\in \mathbb{C}^{M\times N}XCM×N的位置X[m,n],m=0,⋯ ,M−1,n=0,⋯ ,N−1X[m,n],m=0,\cdots,M-1,n=0,\cdots,N-1X[m,n],m=0,,M1,n=0,,N1。发送端首先映射发送X[m,n]X[m,n]X[m,n]到delay-Doppler域资源格上,通过逆辛傅里叶变化转化的时频域Xtf[l,k]\mathcal{X_{tf}[l,k]}Xtf[l,k]
在这里插入图片描述

ISFFT
Xtf[l,k]=1N∗M∑n=0N−1∑m=0M−1X[m,n]ej2π(nkN−mlM)(4.2) \mathcal{X}_{tf}[l,k]=\frac{1}{\sqrt{\mathcal{N*M}}}\sum_{n=0}^{N-1}\sum_{m=0}^{M-1}X[m,n]e^{j2\pi (\frac{nk}{N}-\frac{ml}{M})}\tag{4.2} Xtf[l,k]=NM 1n=0N1m=0M1X[m,n]ej2π(NnkMml)(4.2)
其中l=0,⋯ ,M−1,k=0,⋯ ,N−1,Xtf∈CM×Nl=0,\cdots,M-1,k=0,\cdots,N-1,\mathcal{X}_{tf} \in \mathbb{C}^{M\times N}l=0,,M1,k=0,,N1,XtfCM×N。ISFFT相当于是一个2D傅里叶变化,对Xtf[l,k]\mathcal{X}_{tf}[l,k]Xtf[l,k]沿着列方向的一个M点的DFT,验证行方向的一个IDFT。接下来需要将时频域转换的连续的时域波形s(t)s(t)s(t)发送出去,其中gtx(t)g_{tx}(t)gtx(t)为脉冲成形波形。
s(t)=∑k=0N−1∑l=0M−1Xtf[l,k]gtx(t−kT)ej2πlΔf(t−kT)(4.3) s(t)=\sum_{k=0}^{N-1}\sum_{l=0}^{M-1}\mathcal{X}_{tf}[l,k]g_{tx}(t-kT)e^{j2\pi l\Delta f(t-kT)}\tag{4.3} s(t)=k=0N1l=0M1Xtf[l,k]gtx(tkT)ej2πlΔf(tkT)(4.3)
这定义为Hesisenberg 变换实际上相当于是对Xtf[l,k]\mathcal{X}_{tf}[l,k]Xtf[l,k]沿着列方向进行一个IDFT变化。

4.1.3 High-mobility channel distortion

信号s(t)s(t)s(t)通过delay-Doppler信道 h(τ,v)h(\tau,v)h(τ,v)发送出去,其time-delay 响应为g(τ,t)g_(\tau,t)g(τ,t),其中τ,v\tau,vτ,v分别为信道时延和Doppler shift。忽略噪声影响接收信号r(t)r(t)r(t)表示如下:
r(t)=∫∫h(τ,v)s(t−τ)ej2πv(t−τ)dτdv=∫g(τ,v)s(t−τ)dτ, \begin{align*} r(t)&=\int\int h(\tau,v)s(t-\tau)e^{j2\pi v(t-\tau)}d\tau dv\\ &=\int g(\tau,v)s(t-\tau)d\tau,\tag{4.4} \end{align*} r(t)=∫∫h(τ,v)s(tτ)ej2πv(tτ)dτdv=g(τ,v)s(tτ)dτ,(4.4)
g(τ,t)=∫vh(τ,v)ej2πv(t−τ)dvg(\tau,t)=\int_{v}h(\tau,v)e^{j2\pi v(t-\tau)}dvg(τ,t)=vh(τ,v)ej2πv(tτ)dv,接收端接收信号r(t)r(t)r(t)经过采样t=qTs=qT/M,q=0,⋯ ,NM−1,τ=lTs=lT/M,l=0,⋯ ,M−1\mathcal{t=qT_s=qT/M},q=0,\cdots,\mathcal{NM-1},\mathcal{\tau=lT_s=lT/M},l=0,\cdots,\mathcal{M}-1t=qTs=qT/M,q=0,,NM1,τ=lTs=lT/M,l=0,,M1
r[q]=∑lgs[l,q]s[q−l],q=0,⋯ ,NM−1(4.5) r[q]=\sum_{l}g^s[l,q]s[q-l],q=0,\cdots,\mathcal{NM}-1 \tag{4.5} r[q]=lgs[l,q]s[ql],q=0,,NM1(4.5)
离散时域信道响应gs[l,q]g^s[l,q]gs[l,q]表示如下:
gs[l,q]=∑ℓ∈L(∑κ∈Kℓvℓ(κ)zκ(q−l))sinc(l−ℓ)(4.6) g^s[l,q]=\sum_{\mathbb{\ell \in \mathcal{L}}}\left(\sum_{\kappa \in \mathcal{K_{\ell}}}v_{\ell}(\kappa)z^{\kappa(q-l)} \right)sinc(l-\ell)\tag{4.6} gs[l,q]=L(κKv(κ)zκ(ql))sinc(l)(4.6)
其中sinc(x)=sin⁡(πx)/πx,z=ej2πNMsinc(x)=\sin(\pi x)/\pi x,z=e^{\frac{j2\pi}{\mathcal{NM}}}sinc(x)=sin(πx)/πx,z=eNMj2π,vℓ(κ)v_{\ell}(\kappa)v(κ)是delay为ℓT/M\mathcal{\ell T/M}T/M信道响应。ℓ\ell为归一化的delay,Kℓ\mathcal{K}_{\ell}K为归一化多普勒频移κ\kappaκ集合。现在考虑一个有P条多径的时变多径信道,每条条径的gain值为gig_igi,时延为τ\tauτ,多普勒频移为viv_ivi,则时延为ℓ=ℓi=τi/MΔf\ell=\ell_i=\tau_i/\mathcal{M}\Delta f=i=τi/MΔf的多普了响应为
vl(κ)={gi,if ℓ=ℓi=τi/MΔf and κ=κi=vi/NT,0, otherwise(4.7) \mathcal{v_{l}(\kappa)}= \begin{cases} g_i, \text{if } \ell=\ell_i=\tau_i/\mathcal{M\Delta f} \text{ and }\kappa=\kappa_i=v_i/\mathcal{NT},\\ 0, \text{ otherwise}\tag{4.7} \end{cases} vl(κ)={gi,if =i=τi/MΔf and κ=κi=vi/NT,0, otherwise(4.7)
更进一步如果时延delay ℓi\ell_ii和多普勒扩展κi\kappa_iκi都是整数我们分别已lil_ilikik_iki表示,则第lil_ili个时延的时域信道响应可以表示如下(sinc 使用单位脉冲替换):
gs[l,q]=∑i=1Pvli(κi)zκi(q−l)δ[l−li]=∑i=1Pgizκi(q−l)δ[l−li](4.8) g^s[l,q]=\sum_{i=1}^{P}v_{l_i}(\kappa_i)z^{\kappa_i(q-l)}\delta[l-l_i]=\sum_{i=1}^Pg_iz^{\kappa_i(q-l)}\delta[l-l_i]\tag{4.8} gs[l,q]=i=1Pvli(κi)zκi(ql)δ[lli]=i=1Pgizκi(ql)δ[lli](4.8)

4.1.4 OTFS demodulation

如图4.1 假如接收信号r(t)r(t)r(t)通过一个匹配滤波且进行时频域变化:
Y(f,t)=Agrx,r(f,t)=∫r(t′)grx∗(t′−t)e−j2πf(t′−t)dt′(4.9) \mathsf{Y}(f,t)=A_{g_{rx,r}}(f,t)=\int r(t')g^*_{rx}(t'-t)e^{-j2\pi f(t'-t)}dt' \tag{4.9} Y(f,t)=Agrx,r(f,t)=r(t)grx(tt)ej2πf(tt)dt(4.9)
Y(f,t)\mathsf{Y}(f,t)Y(f,t)离散化,Ytf∈CM×N\mathsf{Y}_{\mathsf{tf}} \in \mathbb{C}^{\mathcal{M}\times N}YtfCM×N
Ytf[l,k]=Y(f,t)∣f=lΔf,t=kT(4.10) \mathsf{Y}_{\mathsf{tf}}[l,k]=\mathsf{Y}(f,t)|_{f=l\Delta f,t=kT}\tag{4.10} Ytf[l,k]=Y(f,t)f=lΔf,t=kT(4.10)
l=0,⋯ ,M−1,k=0,⋯ ,N−1l=0,\cdots,\mathcal{M-1},k=0,\cdots,\mathcal{N-1}l=0,,M1,k=0,,N1,式4.9和4.10被称为Winger transform
最后对Ytf[m,n]\mathsf{Y}_{\mathsf{tf}}[m,n]Ytf[m,n]进行辛傅里叶变化(SFFT)即可获得Delay-Doppler 域的样点
Y[m,n]=1NM∑k=0N−1∑l=0M−1Ytf[l,k]e−j2π(nkN−mlM)(4.11) \mathsf{Y}[m,n]=\frac{1}{\mathcal{NM}}\sum_{k=0}^{\mathcal{N}-1}\sum_{l=0}^{\mathcal{M}-1}\mathsf{Y}_{\mathsf{tf}}[l,k]e^{-j2\pi(\frac{nk}{\mathcal{N}}-\frac{ml}{\mathcal{M}})}\tag{4.11} Y[m,n]=NM1k=0N1l=0M1Ytf[l,k]ej2π(NnkMml)(4.11)
Delay-Doppler 域的样点Y∈CM×N\mathsf{Y}\in \mathbb{C}^{\mathcal{M\times N}}YCM×N,SFFT 相当于对Y[m,n]\mathsf{Y}[m,n]Y[m,n]沿着列进行一个M点\mathcal{M}点MIDFT,沿着行进行一个N点\mathcal{N}点NDFT
\quad 总的来说,OTFS调制的过程为,将调制符号映射到Delay-Doppler域的X[m,n]\mathsf{X}[m,n]X[m,n],通过ISFFT变换到时频域Xtf[l,k]\mathsf{X}_{\mathsf{tf}}[l,k]Xtf[l,k] 再通过Heisenberg变化转化到时域。在接收端将接收信号r(t)r(t)r(t)通过Wigner变换转化到时频域,再通过SFFT变化到Delay-Doppler域
在这里插入图片描述

Logo

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念,把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起,为开发者提供从开发、训练到部署的一站式体验。

更多推荐