一种信道估计方法、系统、设备及计算机可读存储介质

摘要

本申请公开了一种信道估计方法、系统、设备及计算机可读存储介质，获取待估计的目标大时延信道，目标大时延信道表征为h＝(h0,…,hL‑1)T，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列；基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。本申请中，可以基于目标大时延信道的信道向量长度L及值为零的信道数量m的值生成第一目标序列和第二目标序列，之后可以基于第二目标序列和第二目标序列来以较小的代价完成大时延信道的最优估计。

权利要求

1.一种信道估计方法，其特征在于，包括：

T

获取待估计的目标大时延信道，所述目标大时延信道表征为h＝(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；

生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

获取所述第一目标序列和所述第二目标序列经所述目标大时延信道传输后的目标接收序列；

基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果；

其中，所述生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列，包括：获取第一初始序列及第二初始序列，所述第一初始序列及所述第二初始序列的非周期自相关和满足 且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示所述第一初始序列，b表示所述第二初始序列；

按照第一生成公式，基于所述第一初始序列及所述第二初始序列生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的所述第一目标序列和所述第二目标序列；

所述第一生成公式包括：

c＝[a,b]；d＝[a,‑b]；

其中，c表示所述第一目标序列；d表示所述第二目标序列；

其中，所述基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果，包括：基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵；

对所述目标大时延信道进行分块，得到值为零和不为零的大时延信道块；

删除所述目标大时延信道中值为零的所述大时延信道块，得到处理大时延信道；

对所述初始导频矩阵进行拆分、删除，得到与所述处理大时延信道对应的目标导频矩阵；

基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵，包括：根据序列的至相关性，基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的所述初始导频矩阵。

3.根据权利要求2所述的方法，其特征在于，所述基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果，包括：根据最小二乘法，基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

4.一种信道估计系统，其特征在于，包括：

第一获取模块，用于获取待估计的目标大时延信道，所述目标大时延信道表征为h＝T(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；

第一生成模块，用于生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

第二获取模块，用于获取所述第一目标序列和所述第二目标序列经所述目标大时延信道传输后的目标接收序列；

第一估计模块，用于基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果；

其中，所述第一生成模块，包括：

第一获取单元，用于获取第一初始序列及第二初始序列，所述第一初始序列及所述第二初始序列的非周期自相关和满足 且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示所述第一初始序列，b表示所述第二初始序列；

第一生成单元，用于按照第一生成公式，基于所述第一初始序列及所述第二初始序列生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的所述第一目标序列和所述第二目标序列；

所述第一生成公式包括：

c＝[a,b]；d＝[a,‑b]；

其中，c表示所述第一目标序列；d表示所述第二目标序列；

其中，所述第一估计模块包括：

第一生成单元，用于基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵；

第一分块单元，用于对所述目标大时延信道进行分块，得到值为零和不为零的大时延信道块；

第一删除单元，用于删除所述目标大时延信道中值为零的所述大时延信道块，得到处理大时延信道；

第一拆分单元，用于对所述初始导频矩阵进行拆分、删除，得到与所述处理大时延信道对应的目标导频矩阵；

第一估计单元，用于基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

5.一种信道估计设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述信道估计方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述信道估计方法的步骤。

说明书

一种信道估计方法、系统、设备及计算机可读存储介质

技术领域

[0001] 本申请涉及通信技术领域，更具体地说，涉及一种信道估计方法、系统、设备及计算机可读存储介质。

背景技术

[0002] 在通信领域，复杂通信环境会给无线信号的传播带来大时延多径效应，增加信道估计难度，严重影响通信质量。跳频通信系统凭借其优秀的抗干扰性能被广范应用于通信系统，由于跳频通信在单个频带上传输信息，因此通常采用时域单载波方式进行通信。然而，如何从户外场景的信道特点出发，研究能够使得信道估计性能达到克拉美罗下界(Crámer‑Rao Lower Bound,CRLB)的新零相关区(Zero Correction Zone,ZCZ)序列，同时降低该类序列的设计难度，最终实现复杂通信环境下的高速率、高可靠性无线通信是一个需要解决的问题。

[0003] 现有的最小二乘法(Least Square,LS)是一种经典的时域信道估计方法，其具有计算复杂度低、硬件实现代价小等优势，被广泛应用于各类时域单载波通信系统。在多径信道下，最小二乘信道估计的性能取决于训练序列的相关性，完美序列(Perfect Sequence)可以使得其信道估计性能最优，CRLB.Fan等人在分析了多径信道的特点后，于1999年提出ZCZ序列的概念。Fan等人指出，多径信道的有效旁径的时延是有限的，当多径信道的最大多径时延小于序列相关性的零相关区大小的时候，其信道估计性能可以达到最优。此外，2001年Spasojevic等人指出，互补序列可以在单载波通信系统中，以双边信道估计的形式使用。2007年，Fan等人又将ZCZ的概念推广至互补序列的范畴，并提出零相关互补对(Zero Complementary Pair,ZCP)。当多径信道的最大多径时延小于序列非周期相关和的零相关区大小的时候，其信道估计性能也可以达到最优。应当注意，设计具有大ZCZ区间的ZCP(或单条序列)是一个具有挑战性的问题，通常而言，ZCZ区间越大设计难度也越高。

[0004] 无线通信系统的性能很大程度上受到无线信道的影响，如阴影衰落和频率选择性衰落等。因此，对于无线通信系统来说，获得准确的信道信息，从而在接收端正确地解调出发射信号是十分重要的。在大时延信道模型下，精确的信道估计要求序列的ZCZ区间更大，这也意味着序列设计的难度更大。

[0005] 综上所述，如何用较小的代价完成大时延信道的最优估计是目前本领域技术人员亟待解决的问题。

发明内容

[0006] 本申请的目的是提供一种信道估计方法，其能在一定程度上解决如何用较小的代价完成大时延信道的最优估计的技术问题。本申请还提供了一种信道估计系统、设备及计算机可读存储介质。

[0007] 为了实现上述目的，本申请提供如下技术方案：

[0008] 一种信道估计方法，包括：

[0009] 获取待估计的目标大时延信道，所述目标大时延信道表征为h＝(h0,…,hL‑1)T，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；

[0010] 生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

[0011] 获取所述第一目标序列和所述第二目标序列经所述目标大时延信道传输后的目标接收序列；

[0012] 基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果。

[0013] 优选的，所述生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列，包括：

[0014] 获取第一初始序列及第二初始序列，所述第一初始序列及所述第二初始序列的非周期自相关和满足 且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示所述第一初始序列，b表示所述第二初始序列；

[0015] 按照第一生成公式，基于所述第一初始序列及所述第二初始序列生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的所述第一目标序列和所述第二目标序列；

[0016] 所述第一生成公式包括：

[0017] c＝[a,b]；d＝[a,‑b]；

[0018] 其中，c表示所述第一目标序列；d表示所述第二目标序列。

[0019] 优选的，所述基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果，包括：

[0020] 基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵；

[0021] 对所述目标大时延信道进行分块，得到值为零和不为零的大时延信道块；

[0022] 删除所述目标大时延信道中值为零的所述大时延信道块，得到处理大时延信道；

[0023] 对所述初始导频矩阵进行拆分、删除，得到与所述处理大时延信道对应的目标导频矩阵；

[0024] 基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

[0025] 优选的，所述基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵，包括：

[0026] 根据序列的至相关性，基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的所述初始导频矩阵。

[0027] 优选的，所述基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果，包括：

[0028] 根据最小二乘法，基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

[0029] 一种信道估计系统，包括：

[0030] 第一获取模块，用于获取待估计的目标大时延信道，所述目标大时延信道表征为hT＝(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；

[0031] 第一生成模块，用于生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

[0032] 第二获取模块，用于获取所述第一目标序列和所述第二目标序列经所述目标大时延信道传输后的目标接收序列；

[0033] 第一估计模块，用于基于所述第一目标序列、所述第二目标序列和所述目标接收序列对所述目标大时延信道进行信道估计，得到信道估计结果。

[0034] 优选的，所述第一生成模块，包括：

[0035] 第一获取单元，用于获取第一初始序列及第二初始序列，所述第一初始序列及所述第二初始序列的非周期自相关和满足 且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示所述第一初始序列，b表示所述第二初始序列；

[0036] 第一生成单元，用于按照第一生成公式，基于所述第一初始序列及所述第二初始序列生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的所述第一目标序列和所述第二目标序列；

[0037] 所述生成公式包括：

[0038] c＝[a,b]；d＝[a,‑b]；

[0039] 其中，c表示所述第一目标序列；d表示所述第二目标序列。

[0040] 优选的，所述第一估计模块包括：

[0041] 第一生成单元，用于基于所述第一目标序列、所述第二目标序列及L生成所述目标大时延信道对应的初始导频矩阵；

[0042] 第一分块单元，用于对所述目标大时延信道进行分块，得到值为零和不为零的大时延信道块；

[0043] 第一删除单元，用于删除所述目标大时延信道中值为零的所述大时延信道块，得到处理大时延信道；

[0044] 第一拆分单元，用于对所述初始导频矩阵进行拆分、删除，得到与所述处理大时延信道对应的目标导频矩阵；

[0045] 第一估计单元，用于基于所述目标导频矩阵及所述目标接收序列对所述目标大时延信道进行信道估计，得到所述信道估计结果。

[0046] 一种信道估计设备，包括：

[0047] 存储器，用于存储计算机程序；

[0048] 处理器，用于执行所述计算机程序时实现如上任一所述信道估计方法的步骤。

[0049] 一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述信道估计方法的步骤。

[0050] 本申请提供的一种信道估计方法，获取待估计的目标大时延信道，目标大时延信T道表征为h＝(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列；基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。本申请中，可以基于目标大时延信道的信道向量长度L及值为零的信道数量m的值生成第一目标序列和第二目标序列，之后可以基于第二目标序列和第二目标序列来以较小的代价完成大时延信道的最优估计。本申请提供的一种信道估计系统、设备及计算机可读存储介质也解决了相应技术问题。

附图说明

[0051] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

[0052] 图1为本申请实施例提供的一种信道估计方法的流程图；

[0053] 图2为初始导频矩阵的示意图；

[0054] 图3为初始导频矩阵的分块示意图；

[0055] 图4为26长GZCP的MLS与LS算法对比图；

[0056] 图5为26长GCP的MLS与LS算法对比图；

[0057] 图6为32长GZCP的MLS与LS算法对比图；

[0058] 图7为32长GCP的MLS与LS算法对比图；

[0059] 图8为26长GZCP与GCP在MLS算法下的对比图；

[0060] 图9为32长GZCP与GCP在MLS算法下的对比图；

[0061] 图10为本申请实施例提供的一种信道估计系统的结构示意图；

[0062] 图11为本申请实施例提供的一种风扇转速处理设备的结构示意图；

[0063] 图12为本申请实施例提供的一种风扇转速处理设备的另一结构示意图。

具体实施方式

[0064] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0065] 请参阅图1，图1为本申请实施例提供的一种信道估计方法的流程图。

[0066] 本申请实施例提供的一种信道估计方法，可以包括以下步骤：

[0067] 步骤S101：获取待估计的目标大时延信道，目标大时延信道表征为h＝(h0,…,ThL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零。

[0068] 实际应用中，可以先获取待估计的目标大时延信道，目标大时延信道表征为h＝T(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零，L表示信道向量长度，h表示每条信道路径的响应数值，且L及h的值可以根据信道模型中时延大小及系统的码片传输速率来确定。

[0069] 步骤S102：生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列。

[0070] 实际应用中，在获取待估计的目标大时延信道之后，便可以生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列。

[0071] 需要说明的是，本申请中的非周期自相关指的是：对于序列a＝(a(0),a(1),...,a(N‑1))，定义其非周期自相关为

[0072] 具体应用场景中，在生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列的过程中，可以获取满足ZCP的第一初始序列及第二初始序列，也即第一初始序列及第二初始序列的非周期自相关和满足且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示第一初始序列，b表
示第二初始序列；按照第一生成公式，基于第一初始序列及第二初始序列快速生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

[0073] 第一生成公式包括：

[0074] c＝[a,b]；d＝[a,‑b]；

[0075] 其中，c表示第一目标序列；d表示第二目标序列。

[0076] 步骤S103：获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列。

[0077] 实际应用中，在生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列之后，便可以获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列，以便后续基于目标接收序列及第一目标序列、第二目标序列对目标大时延信道进行信道估计。

[0078] 步骤S104：基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0079] 实际应用中，在获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列之后，便可以基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0080] 具体应用场景中，在基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果的过程中，可以基于第一目标序列、第二目标序列及L生成目标大时延信道对应的初始导频矩阵，如图2所示；对目标大时延信道进行分块，得到值为零和不为零的大时延信道块；删除目标大时延信道中值为零的大时延信道块，得到处理大时延信道；对初始导频矩阵进行拆分、删除，得到与处理大时延信道对应的目标导频矩阵，如图3所示；基于目标导频矩阵及目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0081] 具体应用场景中，在基于第一目标序列、第二目标序列及L生成目标大时延信道对应的初始导频矩阵的过程中，可以根据序列的至相关性，基于第一目标序列、第二目标序列及L生成目标大时延信道对应的初始导频矩阵，具体的，可以将第一目标序列及第二目标序列作为初始导频矩阵的第一列，将第一列向下移动一位得到第二列，将第一列向下移动两位得到第三列，依此类推，最终一条导频序列就会生成一个(N+L‑1)*L大小的矩阵，P1和P2表示第一目标序列和第二目标序列，两个矩阵上下连接在一起形成一个大的导频矩阵，也即初始导频矩阵，其大小为2(N+L‑1)*L，如图2所示，且最后一列是第一列向下移动L‑1位。

[0082] 具体应用场景中，在基于目标导频矩阵及目标接收序列对目标大时延信道进行信道估计，得到信道估计结果的过程中，可以根据最小二乘法，比如MLS(Modified LS)算法等，基于目标导频矩阵及目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0083] 需要说明的是，假设目标接收序列为：

[0084]

[0085] 当第一目标序列和第二目标序列满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零时，此时 为对角对阵，等价于导频序列P满足自相关为0的时延范围大于等于信道的多径时延范围，估计方差最小，达到最优信道估计性能，为便于说明，可以将此时的第一目标序列和第二目标序列称之为GZCPs((Generalized Z‑Complementary Pairs)。

[0086] 本申请提供的一种信道估计方法，获取待估计的目标大时延信道，目标大时延信T道表征为h＝(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列；基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。本申请中，可以基于目标大时延信道的信道向量长度L及值为零的信道数量m的值生成第一目标序列和第二目标序列，之后可以基于第二目标序列和第二目标序列来以较小的代价完成大时延信道的最优估计。

[0087] 为了便于理解本申请方案，现假设本申请方案用于解决1.6MHz单载波通信系统模型下SUI–6Channel模型的估计问题。该系统下码片传输速率为1.22Mcps,信道在时延14μsΤ和20μs处有响应，由此得到信道参数为E(|h|)＝[1,019,0.4,04,0.2] ；

[0088] 假设目标序列为26长GZCP，非周期自相关和为：

[0089] [52,07,12,6,‑6,4,‑10,‑2,2,‑4,2,2,08]；

[0090] 则第一目标序列可以为：

[0091] [1,1,1,1,1,1,1,1,1,‑1,1,‑1,‑1,1,1,1,‑1,‑1,‑1,1,‑1,1,‑1,1,1,‑1]；

[0092] 第二目标序列可以为：

[0093] [1,1,‑1,‑1,‑1,‑1,1,1,‑1,1,1,‑1,‑1,‑1,1,1,‑1,1,1,‑1,‑1,1,‑1,1,‑1,1]；

[0094] 假设目标序列为28长GZCP，非周期自相关和为：

[0095] [56,05,‑4,‑4,‑8,8,‑8,14,0,4,4,0,0,2,0,‑10,08]；

[0096] 则第一目标序列可以为：

[0097] [‑1,‑1,‑1,‑1,‑1,‑1,1,‑1,1,1,1,‑1,‑1,1,‑1,1,‑1,‑1,‑1,1,1,1,‑1,‑1,1,‑1,1,‑1]；

[0098] 第二目标序列可以为：

[0099] [1,1,1,‑1,‑1,1,1,‑1,‑1,1,‑1,‑1,1,1,1,1,‑1,1,‑1,‑1,‑1,‑1,‑1,1,‑1,‑1,1,‑1]；

[0100] 假设目标序列为30长GZCP，非周期自相关和为：

[0101] [60,06,4,8,‑4,8,‑2,‑4,‑6,0,‑2,4,6,0,‑2,010]；

[0102] 则第一目标序列可以为：

[0103] [‑1,1,1,1,1,‑1,‑1,1,‑1,1,‑1,1,1,‑1,1,‑1,‑1,‑1,1,1,1,1,1,1,1,‑1,1,1,1,‑1]；

[0104] 第二目标序列可以为：

[0105] [1,‑1,‑1,‑1,‑1,1,1,‑1,1,‑1,1,‑1,‑1,1,1,‑1,1,1,‑1,‑1,1,1,1,1,1,‑1,1,1,1,‑1]；

[0106] 假设目标序列为31长GZCP，非周期自相关和为：

[0107] [62,05,‑10,2,18,2,2,‑2,0,8,‑8,8,6,6,‑6,‑2,06,2,‑2,‑2,‑2,2]；

[0108] 则第一目标序列可以为：

[0109] [‑1,1,‑1,‑1,1,‑1,1,1,1,1,‑1,1,1,‑1,1,‑1,1,1,‑1,1,1,1,‑1,1,1,1,‑1,1,1,1,‑1]；

[0110] 第二目标序列可以为：

[0111] [1,1,‑1,‑1,1,‑1,‑1,‑1,‑1,1,‑1,‑1,‑1,1,‑1,1,1,1,‑1,‑1,‑1,‑1,‑1,1,1,1,1,‑1,‑1,‑1,1]；

[0112] 假设目标序列为32长GZCP，非周期自相关和为：

[0113] [64,05,‑2,‑8,‑16,0,4,8,0,4,6,8,‑2,0,‑6,07,2,03,‑4,0]；

[0114] 则第一目标序列可以为：

[0115] [1,‑1,1,1,‑1,1,1,‑1,1,1,‑1,1,1,‑1,‑1,1,1,1,‑1,1,1,1,1,‑1,1,‑1,1,‑1,‑1,‑1,‑1,1]；

[0116] 第二目标序列可以为：

[0117] [1,1,1,‑1,‑1,‑1,‑1,‑1,‑1,‑1,1,1,1,‑1,1,1,1,‑1,‑1,‑1,‑1,1,1,‑1,‑1,1,‑1,1,‑1,1,‑1,‑1]；

[0118] 假设目标序列为33长GZCP，非周期自相关和为：

[0119] [66,05,14,4,2,‑14,‑6,‑2,‑2,2,0,‑14,2,‑4,‑4,6,06,‑2,‑4,2,2,‑2,‑2,‑2]；

[0120] 则第一目标序列可以为：

[0121] [1,1,1,‑1,‑1,1,‑1,1,1,‑1,‑1,‑1,1,1,1,1,1,‑1,1,1,‑1,1,‑1,‑1,‑1,‑1,1,‑1,‑1,‑1,‑1,‑1,‑1]；

[0122] 第二目标序列可以为：

[0123] [1,1,1,‑1,‑1,1,1,‑1,1,1,‑1,‑1,1,‑1,1,‑1,‑1,‑1,1,‑1,1,‑1,1,‑1,1,1,‑1,‑1,1,1,1,1,‑1]。

[0124] 为了便于理解本申请的效果，现以大时延信道模型为背景，分析传统信道估计序列对在此情况下设计困难和数量不足的缺点，以此为基础改进了LS算法、提出了GZCPs，GZCPs相比于传统的信道估计序列对，其对零相关区要求更低，在长度和数量上具有很大优势。因此在MLS算法下GZCPs更适合大时延信道的估计。现对GZCPs和GCPs进行仿真对比，证明大时延信道下MLS算法相比于LS算法的优势以及用GZCPs对大时延信道进行估计的有效性，相应的对照结果可以参照图4至图9。且由图4至图7可知，GZCPs在MLS算法下的估计性能明显优于LS算法，由于GCPs的完全互补性，其在MLS算法和LS算法下估计结果相同；此外，图8和图9表明在MLS算法下，GZCPs与GCPs有着相同的信道估计结果。由此，通过仿真对比可以看到，在MLS算法下GZCPs与GCPs有着相同的信道估计结果。因此，在有信道为大时延信道这个先验信息的情况下，使用GZCPs进行信道估计是准确、可靠的。

[0125] 需要说明的是，对于两条长为N的序列a和b，如果非周期自相关和满足：

[0126]

[0127] 则称序列a和b为非周期完全互补序列对或GCP(Golay complementary pair)；此时，对于最大多径时延为L‑1的信道，当N≥L时，用非周期互补对作双边信道估计得到的信道信息最准确，但是满足条件的互补对数量较少而且长度受限，当N为奇数时不存在两条完全互补的序列，而本申请并不存在此种缺陷；

[0128] 如果非周期自相关和满足：

[0129]

[0130] 且满足ρa(Z)+ρb(Z)≠0，则称序列a和b为ZCPs。此时，对于最大多径时延为L‑1的信道，当Z≥L时，用ZCPs作双边信道估计能得到准确的信道信息，ZCPs数量比非周期互补序列对更多，但是ZCPs数量仍然不够多，当N为奇数时，最优的ZCPs只能达到 而本申请并不存在此种缺陷。

[0131] 此外，虽然GCPs和ZCPs在满足零相关区大于等于L时能做到对h的最优估计，且在信道时延较小时容易找到满足条件的序列，但是在大时延信道场景下(L较大)，寻找长度合适并且能够对h进行最优估计的ZCPs或者GCPs比较困难，且大时延信道模型的信道冲击响应时间间隔较大(向量h中间大部分均为0)是导致信道估计所需的ZCPs和GCPs长度增加的主要原因。而本申请在有信道先验信息的情况下，放弃对信道无响应部分的估计从而降低序列要求，进而可以使满足条件的序列数量增加，便于准确对大时延信道进行估计。

[0132] 请参阅图10，图10为本申请实施例提供的一种信道估计系统的结构示意图。

[0133] 本申请实施例提供的一种信道估计系统，包括：

[0134] 第一获取模块101，用于获取待估计的目标大时延信道，目标大时延信道表征为hT＝(h0,…,hL‑1) ，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；

[0135] 第一生成模块102，用于生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

[0136] 第二获取模块103，用于获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列；

[0137] 第一估计模块104，用于基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0138] 本申请实施例提供的一种信道估计系统，第一生成模块可以包括：

[0139] 第一获取单元，用于获取第一初始序列及第二初始序列，第一初始序列及第二初始序列的非周期自相关和满足 且满足ρa(Z)+ρb(Z)≠0，其中，Z≥L，a表示第一初始序列，b表示第二初始序列；

[0140] 第一生成单元，用于按照第一生成公式，基于第一初始序列及第二初始序列生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；

[0141] 第一生成公式包括：

[0142] c＝[a,b]；d＝[a,‑b]；

[0143] 其中，c表示第一目标序列；d表示第二目标序列。

[0144] 本申请实施例提供的一种信道估计系统，第一估计模块可以包括：

[0145] 第一生成单元，用于基于第一目标序列、第二目标序列及L生成目标大时延信道对应的初始导频矩阵；

[0146] 第一分块单元，用于对目标大时延信道进行分块，得到值为零和不为零的大时延信道块；

[0147] 第一删除单元，用于删除目标大时延信道中值为零的大时延信道块，得到处理大时延信道；

[0148] 第一拆分单元，用于对初始导频矩阵进行拆分、删除，得到与处理大时延信道对应的目标导频矩阵；

[0149] 第一估计单元，用于基于目标导频矩阵及目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。

[0150] 本申请实施例提供的一种信道估计方法中相应部分的描述可以参阅上述实施例，在此不再赘述。

[0151] 本申请还提供了一种信道估计设备及计算机可读存储介质，其均具有本申请实施例提供的一种信道估计方法具有的对应效果。请参阅图11，图11为本申请实施例提供的一种风扇转速处理设备的结构示意图。

[0152] 本申请实施例提供的一种风扇转速处理设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如上任一实施例所描述信道估计方法的步骤。

[0153] 请参阅图12，本申请实施例提供的另一种信道估计设备中还可以包括：与处理器202连接的输入端口203，用于传输外界输入的命令至处理器202；与处理器202连接的显示单元204，用于显示处理器202的处理结果至外界；与处理器202连接的通信模块205，用于实现信道估计设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等；通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接：无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。

[0154] 本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例所描述信道估计方法的步骤。

[0155] 本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领域内所公知的任意其它形式的存储介质。

[0156] 本申请实施例提供的信道估计系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的信道估计方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

[0157] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0158] 对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。