4、信道估计基础：LS估计、MMSE估计、导频设计、插值算法
各位同学好，我是你们的老朋友。今天咱们来聊聊信道估计。说实话，这是5G物理层里最绕不开的一个坎儿。你想想看，信号在空中飞了一圈，被多径、噪声、干扰折腾得不成样子，接收端要是不做信道估计，那后面的均衡、解调全是白搭。
我个人习惯把信道估计比作「给信号做体检」。你得先知道信道长什么样，才能对症下药。今天我们就从最基础的LS估计讲起，再到性能更好的MMSE，最后聊聊导频怎么放、插值怎么做。
4.1 LS估计：最简单，也最脆弱
LS估计，全称是最小二乘估计。说白了，就是硬算。
假设我们在某个子载波上发了导频信号 \( x_p \)，收到的信号是 \( y_p \)。那么信道响应 \( h \) 的LS估计就是：
h_ls = y_p / x_p就这么简单。没有先验信息，不考虑噪声统计特性，直接除。
我在项目中遇到过这种情况：刚开始做原型机验证时，图省事直接上了LS估计。结果在低信噪比场景下，估计出来的信道简直没法看。为什么？因为LS估计对噪声太敏感了。你想想看，噪声一大，除法算出来的结果就跟着抖，抖得你怀疑人生。
LS估计的数学表达式其实也很直白：
H_LS = (X^H X)^{-1} X^H y嗯，这里要注意，如果导频是正交的，\( X^H X \) 就是个对角阵，求逆几乎没代价。这也是为什么5G NR里导频都设计成正交的原因之一。
4.2 MMSE估计：用先验信息换性能
LS估计太「愣头青」了，那有没有更聪明的办法？有，MMSE估计。
MMSE全称是最小均方误差估计。它跟LS最大的区别是什么？它知道信道的统计特性。说白了，它知道信道大概长什么样，噪声大概有多大。
MMSE估计的公式长这样：
H_MMSE = R_hh (R_hh + σ² I)^{-1} H_LS其中 \( R_hh \) 是信道的自相关矩阵，\( σ² \) 是噪声功率。
你可能会问：「这玩意儿怎么用？」我建议你记住一个关键点：MMSE本质上是在LS的基础上加了一个「滤波器」。这个滤波器会根据信道的相关性，把噪声压下去。
我曾经在某个5G小站项目里，一开始用LS估计，PUSCH的解调性能死活差3个dB。换成MMSE之后，一下就达标了。代价是什么？计算量大了不少。每次都要算矩阵求逆，硬件实现的时候挺头疼的。
不过现在有简化方案。比如用LMMSE（线性MMSE），或者用SVD分解来降秩近似。我个人的经验是：在工程实现中，用64阶的降秩MMSE，性能跟全阶MMSE差不到0.5dB，但计算量能降一个数量级。
4.3 导频设计：位置、密度、功率
信道估计好不好，导频设计占一半。你想想看，导频就是信道的「探针」，探针放得不好，后面再怎么插值也是白费。
5G NR里导频设计有几个关键参数：
| 参数 | 典型值 | 影响 |
|---|---|---|
| 导频密度（频域） | 每4个RE放1个 | 密度越高，频域分辨率越好，但开销大 |
| 导频密度（时域） | 每时隙放2~4个OFDM符号 | 密度越高，时域跟踪越快，但开销大 |
| 导频功率 | 比数据高3~6dB | 功率越高，估计越准，但会干扰数据 |
我个人习惯在导频设计时遵循一个原则：奈奎斯特采样定理。导频在频域的间隔不能超过信道的相干带宽，在时域的间隔不能超过相干时间。否则就会发生混叠，估计出来的信道全是错的。
我曾经在一个高速移动场景（350km/h）的项目里，一开始导频密度设得太稀，结果信道估计完全跟不上。后来把时域导频密度翻了一倍，性能才稳住。嗯，这个坑我替你们踩过了。
4.4 插值算法：从离散到连续
导频点上的信道估计出来了，但数据RE上没有导频啊。怎么办？插值。
插值说白了就是「猜」。根据已知的导频点，猜出中间数据点的信道值。
常用的插值算法有这么几种：
- 线性插值：最简单，两个导频点之间画直线。适合信道变化缓慢的场景。
- 三次样条插值：更平滑，适合信道变化较快的场景。但计算量大一些。
- DFT插值：利用信道在时域的稀疏性，先做IFFT到时域，加窗去噪，再FFT回频域。性能很好，我强烈推荐。
- 维纳插值：基于MMSE的插值，性能最优，但需要知道信道的统计特性。
我在实际项目中用得最多的是DFT插值。为什么？因为它不需要先验信息，性能又比线性插值好得多。具体做法是这样的：
1. 对导频上的信道估计做IFFT，得到时域冲击响应
2. 保留前L个最强径（L < CP长度），其余置零
3. 对处理后的时域信号做FFT，得到所有RE上的信道估计你想想看，这个做法的物理意义是什么？它利用了信道在时域的稀疏性。多径信道就那么几条径，大部分时域采样点都是噪声。一刀切掉，噪声就没了。
还有一种情况要特别小心：边缘效应。在频带的两端，导频点少，插值容易出问题。我建议在频带两端额外加一些保护导频，或者用外推算法来处理。
4.5 实战建议：怎么选？
说了这么多，到底怎么选？我给你们一个决策树：
- 低复杂度场景（IoT、低成本终端）：LS估计 + 线性插值。够用就行。
- 中等性能场景（普通eMBB）：LS估计 + DFT插值。性价比最高。
- 高性能场景（URLLC、高速移动）：MMSE估计 + 维纳插值。性能拉满。
我个人建议，如果你刚开始做信道估计，先从LS + DFT插值入手。这个组合实现简单，性能也不错。等你把这一套跑通了，再往MMSE方向升级。
好了，信道估计的基础就聊到这儿。下一章我们讲更高级的信道跟踪算法，到时候会用到今天讲的这些知识。记住，信道估计是5G物理层的基石，这块搞不明白，后面全是空中楼阁。