时域信道估计和时域信道均衡以及matlab代码手搓(注意是时域，后续讲ofdm相关的频域信道估计和均衡)
时域信道估计与信号均衡笔记
**约定**：共轭转置统一记为 \((\cdot)^{H}\)，\(L\) 为信道多径个数（即信道冲激响应 \(h\) 的长度），\(N\) 为输入发送信号 \(x\) 的长度。
原卷积输入输出模型：
\[
y = h \otimes x + n
\]
根据卷积性质，接收输出 \(y\) 的长度为 \((N + L - 1) \times 1\)，\(n\) 为加性噪声。
---
一、信道估计：估计信道冲激响应 \(h\)
1. 时域最小二乘（LS）信道估计
将卷积运算转化为矩阵乘法：把输入 \(x\) 构造为托普利茨卷积矩阵，模型改写为：
\[
y = X h + n
\]
各变量维度与形式：
- \(y\)：接收输出向量，维度 \((N + L - 1) \times 1\)
- \(h\)：待估计信道，维度 \(L \times 1\)
- \(X\)：输入 \(x\) 的托普利茨卷积矩阵，维度 \((N + L - 1) \times L\)，形式如下：
\[
X = \begin{bmatrix}
x(0) & 0 & \cdots & 0 \\
x(1) & x(0) & \cdots & 0 \\
\vdots & x(1) & \cdots & 0 \\
x(N-1) & \vdots & \ddots & x(0) \\
0 & x(N-1) & \cdots & x(1) \\
\vdots & \vdots & \ddots & \vdots \\
0 & 0 & \cdots & x(N-1)
\end{bmatrix}_{(N+L-1)\times L}
\]
维度验证：\((N + L - 1) \times 1 = [(N + L - 1) \times L] \cdot [L \times 1]\)，匹配。
最小二乘的闭合解为：
\[
\hat{h}_{\mathrm{LS}} = \left(X^{H}X\right)^{-1} X^{H} y
\]
2. 时域最小均方误差（MMSE）信道估计
MMSE信道估计的公式为：
\[
\hat{h}_{\mathrm{MMSE}} = R_{hh} X^{H} \left( X R_{hh} X^{H} + \sigma_n^2 I \right)^{-1} y
\]
其中 \(R_{hh} = \mathbb{E}[h h^{H}]\) 是信道的自相关矩阵，\(\sigma_n^2\) 是噪声方差。
实际场景中通常无法获得完整的 \(R_{hh}\)，可利用信道不同多径抽头互不相关的假设，将 \(R_{hh}\) 近似为对角矩阵：
\[
D = R_{hh} = \operatorname{diag}\left(\sigma_h^2, \sigma_h^2, \ldots, \sigma_h^2\right) \quad (\text{共 } L \text{ 个})
\]
代入后得到近似MMSE估计解：
\[
\hat{h}_{\mathrm{MMSE}} = D X^{H} \left( X D X^{H} + \sigma_n^2 I \right)^{-1} y
\]
3. 频域LS信道估计（简化实现方法）
实现步骤：
a. 将接收信号 \(y(n)\) 和训练序列 \(x(n)\) 补零到长度 \(N + L - 1\)
b. 分别做FFT变换到频域：
\[
Y[k] = \mathrm{FFT}(y(n)), \quad X[k] = \mathrm{FFT}(x(n))
\]
c. 频域LS估计得到信道频率响应：
\[
H_{\mathrm{LS}}[k] = Y[k] / X[k]
\]
d. 做IFFT变换回时域，得到时域信道估计：
\[
\hat{h}_{\mathrm{LS}}[n] = \mathrm{IFFT}(H_{\mathrm{LS}}[k])
\]
e. 只取前 \(L\) 个点，作为最终的时域信道估计结果。
---
二、得到信道估计后：信号均衡，估计发送信号 \(x\)
已知信道估计 \(\hat{h}_{\mathrm{est}}\)，将 \(h\) 构造为托普利茨卷积矩阵，原卷积模型改写为：
\[
y = H x + n
\]
各变量维度统一：
- \(N\)：发送信号 \(x\) 的长度，\(x\) 维度为 \(N \times 1\)
- \(L\)：信道多径个数，即 \(h\) 的长度
- \(H\)：由 \(h\) 构造的托普利茨卷积矩阵，维度为 \((N + L - 1) \times N\)
- \(y\)：接收信号，维度为 \((N + L - 1) \times 1\)
\(H\) 的形式如下：
\[
H = \begin{bmatrix}
h(0) & 0 & \cdots & 0 \\
h(1) & h(0) & \cdots & 0 \\
\vdots & h(1) & \cdots & 0 \\
h(L-1) & \vdots & \ddots & h(0) \\
0 & h(L-1) & \cdots & h(1) \\
\vdots & \vdots & \ddots & \vdots \\
0 & 0 & \cdots & h(L-1)
\end{bmatrix}_{(N+L-1)\times N}
\]
1. 零迫（ZF）均衡
理想零迫解为 \(\hat{x}_{\mathrm{ZF}} = H^{-1} y\)，但实际中 \(H\) 通常是病态矩阵，一般用矩阵伪逆求解：
\[
\hat{x}_{\mathrm{ZF}} = \left( H^{H} H \right)^{-1} H^{H} y = H^{+} y
\]
其中 \(H^{+}\) 表示 \(H\) 的摩尔-彭若斯伪逆，数值计算中通常用 `pinv` 函数实现。
2. MMSE均衡
**情况1**：信道冲激响应 \(h\) 已知时（单径情况或每个子载波上的标量形式）
\[
\hat{x}_{\mathrm{MMSE}} = \frac{h^*}{|h|^2 + \sigma_n^2} \, y
\]
（注：此式适用于单径信道或频域每个子载波上的处理；对于多径时域，应采用下面的矩阵形式。）
**情况2**：\(h\) 为估计得到时，构造托普利茨矩阵 \(H\) 后，MMSE均衡滤波器为：
\[
W = \left( H^{H} H + \sigma_n^2 I \right)^{-1} H^{H}
\]
最终发送信号估计为：
\[
\hat{x}_{\mathrm{MMSE}} = W \, y
\]
三、相关核心代码
模拟4径场景下，不同信道估计和信道均衡算法的对比
L = 4; % 信道冲激响应长度 N = 1000; % 总符号数（导频+数据） SNR_dB = 15; % 信噪比（dB） pilot_length = 64; % 导频序列长度 %% 信道估计 % 导频部分接收信号 y_pilot = y(1:pilot_length); % 最小二乘信道估计 h_estls = (X_pilot' * X_pilot) \ (X_pilot' * y_pilot); % MMSE信道估计（使用理想信道信息） R_h = h_true * h_true'; % 理想情况知道真实信道 C_n = noise_power * eye(pilot_length); H_mmse = R_h * X_pilot' / (X_pilot * R_h * X_pilot' + C_n); h_estmmse = H_mmse * y_pilot;%% 迫零均衡 (Zero-Forcing Equalization) % 构造信道矩阵（复数） H_ls = toeplitz([h_estls; zeros(N-L,1)], [h_estls(1), zeros(1,N-1)]); H_mmse = toeplitz([h_estmmse; zeros(N-L,1)], [h_estmmse(1), zeros(1,N-1)]); % 迫零均衡器（直接求逆） W_zf_ls = pinv(H_ls); % 使用伪逆避免病态矩阵 W_zf_mmse = pinv(H_mmse); % 迫零均衡 x_zf_ls = W_zf_ls * y; x_zf_mmse = W_zf_mmse * y; %% MMSE均衡（用于对比） W_mmse_eq_ls = (H_ls' * H_ls + (noise_power/var(x)) * eye(N)) \ H_ls'; x_mmse_ls = W_mmse_eq_ls * y; W_mmse_eq_mmse = (H_mmse' * H_mmse + (noise_power/var(x)) * eye(N)) \ H_mmse'; x_mmse_mmse = W_mmse_eq_mmse * y;