Propagation environment on a wireless communication usually consists of a large number of scatters that result in multiple propagation paths. Rayleigh fading channel model is a statistical model for the effect of this environment and this model is most applicable when there is no line of sight between the transmitter and the receiver. It has been proposed that the first-order Markov channel model can be modeled in slowly varying Rayleigh fading channel with additive Gaussian noise. In particular, the first-order Markov channel provides a mathematically tractable model for slowly time-varying channel.
In this paper, an adaptive channel estimation algorithm based on the Interacting Multiple Model (IMM) is introduced to estimate the first-order Markov channel coefficients in single-input single-output (SISO) OFDM systems and single-input multiple-output (SIMO) OFDM systems. The IMM algorithm estimates the state of a dynamic system which is characterized by several behavior models and very effective approach when the system has discrete uncertainties in the dynamic or measurement models as well as continuous uncertainties. The Kalman filter, that is a part of the IMM algorithm, is an efficient recursive filter which can also estimate the state of a dynamic system from a series of incomplete and noisy measurements. But the Kalman filter requires observation model for state estimation. Because of this limitation of the Kalman filter, however, the IMM algorithm is used for channel estimation. The proposed algorithm reduces the number of models used in this recursion and avoids the exponential growth complexity caused by increasing channel memory length. The performance of the IMM algorithm is studied and compared with pilot based channel estimation for SISO OFDM systems, and compared with blind channel estimation for SIMO OFDM systems.
무선통신 시스템에서 무선채널을 추정하는 방법으로는 파일럿(pilot)에 의한 채널 추정방법과 블라인드(blind) 채널 추정방법이 있다. 파일럿에 의한 추정방법에 비해 정확도는 떨어지지만, 파일럿에 의한 주파수 소모가 없는 블라인드 추정방법에는 여러가지 방법이 발표되었는데, 이 논문에서는 IMM (interacting multiple model) 알고리즘에 의한 채널추정방법을 적용하고 있다.
IMM 알고리즘은 변화하는 시스템의 상태를 추정하는 방법에 대해 제시된 기술로 주로 움직이는 목표를 추적하는 용도로 사용되었다. 이 IMM 방법은 채널모델이 일차 마코프(Markov) 모델을 따르고 있음을 전제로 하고 유도된 기술이다. 일차 마코프 모델은 변화하는 시스템에서 현재 시스템의 상태가 바로 이전 상태에 의해서만 좌우되는 모델을 말한다. 현재의 무선 통신 환경을 가장 잘 반영하고 있는 모델로는 레일리 페이딩(Rayleigh fading) 모델을 꼽고 있는데 느리게 변화하는 레일리 페이딩 모델의 경우 일차 마코프의 형태로 모델링할 수 있다고 알려져 있다. 이 논문에서는 일차 마코프 채널을 추정하는 방법으로 이 IMM 방법을 사용하였으며, 이를 OFDM(직교 주파수 분할다중)에서 적용하여 구현하였고, 또한 수신안테나의 개수가 1개일때와 2개일때로 나누어 구현하였다.
IMM 알고리즘은 시스템이 다양한 모델을 가질 경우 각 모델에 해당되는 값을 전부 고려하여 이에 대한 확률로서 조합하는 방법이다. 예를 들어 보내는 데이터의 값이 둘중 하나를 가질때는 2개의 시스템 모델에 대해서 값을 고려하고, 이 중 현재 관측된 값과의 오차가 적을수록 높은 확률값을 부여하여 각 예측값과 확률값과의 조합을 통해 원하는 값을 얻는다. 통상적인 필터의 경우 보내는 데이터의 양이 길어질수록 고려해야하는 데이터의 길이가 길어지므로 이에 따라 고려해야하는 시스템의 모델은 기하급수적으로 늘어난다. 이를 보완한 방법이 IMM 방법인데, 이는 상호작용(interaction) 과정을 통해 고려해야하는 시스템의 모델을 일정하게 유지시켜준다.
첫번째로, 수신안테나의 개수가 1개일때는 가장 많이 사용되는 파일럿에 의한 채널 추정방법과 시뮬레이션을 통해 비교하여 보았다. 시뮬레이션을 통해 IMM에 의한 방법이 파일럿에 의한 방법과 유사한 성능을 보임을 볼 수 있었으며, IMM 알고리즘은 파일럿을 사용하지 않아 파일럿에 의한 채널 추정방법보다 동일 시간에 더 많은 데이타를 보낼 수 있으므로 높은 데이타 효율을 보인다.
둘째로, 수신안테나를 2개 사용하면 각 안테나에 의한 공간 다이버시티 효과로 더 높은 성능을 나타낸다. 이 경우 IMM을 사용한 기술과 또 다른 블라인드 채널 추정방법과 시뮬레이션을 통해 비교하였다. IMM에 의한 채널 추정방법이 블라인드 방법보다 우수한 성능을 보임을 시뮬레이션 결과를 통해 알 수 있었다.
결국 이 논문에서는 기존 제시된 IMM 기술을 OFDM 시스템에 적용하여 안테나 개수를 각각 다르게 하면서 채널 추정을 해보았으며, 이와 같이 시스템 모델을 알고 있는 경우 IMM 에 의한 방법을 통해 좋은 성능을 얻을 수 있음을 볼 수 있다.
