partners were engaged in two projects within the DFG program ”TakeOFDM”. The

4.6 System Design for Time-Variant Channels 
137
During the project, parameters of an OFDM system were defined taking into ac-
count the main characteristics of the channel that was determined by ray-tracing
simulations. The system’s performance limits were established through Monte Carlo
simulations. The system parameters have been dimensioned such that the time-
bandwidth conflict caused by the interference is completely focused on the frequency
domain, while time domain intersymbol interference is avoided. Thus, the proce-
dures to counter the Doppler effect can be performed after the DFT in the receiver.
By consolidating the effects of multipath and Doppler spread in the form of a
channel matrix, a linear equalization of both effects according to the MMSE crite-
rion can be carried out. The disadvantage of this procedure, however, is a relatively
high computational effort, while the knowledge of the signal alphabet is not ex-
ploited. Therefore, two well-known algorithms for low-complex equalization were
implemented: a successive linear MMSE equalizer and a successive equalizer with
decision feedback structure, which were modified in accordance to the requirements
of the scenario. Both methods, however, did not provide satisfactory simulation
results, which in the decision-feedback method is due to the suboptimal detection
sequence. This called for the sorted QR decomposition (SQRD) employed in V-
BLAST to improve the detection sequence. This resulted in the best detection
performance, but at the cost of a comparably high computational effort. Through
the gradual decomposition of the channel matrix in submatrices the effort can be
reduced significantly, yielding a trade-off between high performance and low com-
plexity equalization. This successive SQRD is detailed in [11, 12].
As part of the investigations of alternative multicarrier concepts the subcarrier
spectra of OFDM were replaced by soft non-orthogonal pulse shapes, i.e., time-
limited Gaussian pulses. In the frequency domain, this leads to a concentration of
interference power in the vicinity of the main diagonal of the channel matrix. This
in turn has a positive effect on the performance of the aforementioned equalization
methods, particularly for the low-complex variants such as the successive SQRD. The
soft impulse shaping also allowed for Maximum Likelihood detection with reasonable
effort, because the concentration of the interference power allows the use of a time-
variant Tailbiting-MaxLogMAP algorithm with a reduced number of states. This
procedure resulted in the best compromise between complexity and performance of
the transmission system [13].
Shortening the channel impulse response potentially allows for a shorter OFDM
symbol, which is beneficial in rapidly time-varying environments. Numerous well-
known non-blind and blind algorithms for computing equalizer coefficients were in-
vestigated regarding their applicability in the scenarios. It turned out that these
methods produce either ill-conditioned frequency responses or that the convergence
speed is not sufficient in case of the blind methods.
Multi-antenna concepts open up the spatial domain to procure Doppler spread
compensation. Sectorizing antennas exploit the relationship between the impinging
waves’ angle of incidence and their resulting Doppler shift. By restricting the range
of angles of incidences a sectorizing antenna simultaneously reduces the effective
Doppler spread compared to a omnidirectional antenna without any restriction of the
incidence angle. One practical implementation is beamforming via a Uniform Linear
Array (ULA), and the beams are formed such that the Doppler spread is equally

138 
4 System Level Aspects for Single Cell Scenarios
distributed among all beams [2]. Furthermore, a ULA can be used for a method
called spatial interpolation, in which the signals of the individual antenna elements
are filtered by a time-variant interpolator such that the filter output resembles the
output of a time-invariant channel [3].
The two scenarios of a noise barrier and vegetation are considered as typical high
speed lines. The radio channel has very different properties, therefore, these scenar-
ios are used as a reference. Details can be found in [6,8,9]. For the simulation of wave
propagation, a three dimensional ray-propagation model is employed. It provides
characteristic parameters for each multipath, from which the sequence of channel
impulse responses and channel characteristics are extracted. The wave propagation
model takes into account the propagation phenomena of reflection, diffraction and
scattering. The approach to modeling the distribution of vegetation is described in
2.2.2.
Figure 4.13 shows the BER performance for a SIMO-OFDM system with receive
diversity in a rapidly fading channel (one transmit and two or four receive antennas,
N
t
= 1, N
r
= 2, 4). For omnidirectional reception widely spaced antennas are used,
which yield completely uncorrelated channels per antenna. Without any means of
Doppler compensation this results in the worst performance. Sectorizing antennas
and spatial interpolation based on a ULA with interantenna spacing d/λ yield a
better performance. Sectorization is here achieved by forming two beams in and
against the direction of the movement. Spatial interpolation is achieved by com-
puting two virtually non-moving antennas, which fix the channel over the middle
of the respectively received OFDM signal. The received signals on the resulting
virtual antennas are correlated. Taking this correlation into account by means of a
whitening matched filter (WMF) improves the performance over the matched filter
(MF).
4.6.2 Highly Mobile MIMO-OFDM-Transmission in
Realistic Propagation Scenarios
Doppler spread compensating antenna structures at the receiver offer an efficient
approach to solve the problem of the channel’s time-variance already in time-domain.
The focus now is on the two antenna configuration discussed in Section 4.6.1, whose
function ultimately is to affect a less rapidly fading channel prior to the DFT.
Unlike the previous discussion, where a single transmit antenna was employed, in
the following the focus is shifted to the transmitter side.
The MIMO philosophy is based on two pillars: Spatial transmit diversity is pro-
vided by Space-Time codes, and spatial multiplexing allows to increase the data rate
by transmitting independent data streams. The development of these techniques is
shaped by the assumption of a time-invariant channel, and most methods even de-
mand that. In the following, the mutual benefit of MIMO-signaling and Doppler
spread compensation measures is described. If the Doppler spread is small, then the
loss of time diversity can be made up by spatial diversity, and if the Doppler spread
is large, then the Doppler compensating antennas can effect a less time-invariant
channel such that the MIMO-signal processing upholds its validity [1, 4].
Rapid channel fluctuations in conjunction with multiple transmit antennas pose the

4.6 System Design for Time-Variant Channels 
139
0
5
10 15 20 25 30 35 40
10
−4
10
−3
10
−2
10
−1
10
0
E
b
/N
0
in dB
B
E
R
a) N
t
= 1, N
r
= 2
omni,MF
sec,MF
sec,WMF
SI,MF
SI,WMF
0
5
10 15 20 25 30 35 40
10
−4
10
−3
10
−2
10
−1
10
0
E
b
/N
0
in dB
B
E
R
b) N
t
= 1, N
r
= 4
omni,MF
sec,MF
sec,WMF
SI,MF
SI,WMF
Figure 4.13: BER-performance for SIMO-OFDM with a single transmit antenna and
different receiver configurations: omnidirectional antennas with widely
spaced antennas, sectorizing antennas and spatial interpolation based
on a ULA, parameters: 256 subcarriers, 16QAM, exp. power delay
profile, antenna spacing d/λ = 0.25, Doppler spread f
D
T
s
= 0.2, raised
cosine filters (r = 0.18), zero forcing channel est.
possible disadvantage of decreased bandwidth efficiency, in that frequent training
becomes necessary. However, since the channel is forced to become less rapidly
fading by Doppler compensating measures the pilot spacing in time direction can
become larger. Similarly, noncoherent ST codes can profit from a channel that does
not change too much during a signaling interval.
During the course of the project it is investigated how the functions of Doppler
compensation and the separation of data streams using multiple receiving antennas
can be combined. One possibility is the use of multiple spatially separated antenna
arrays, each used for Doppler compensation, followed by the recovery of the trans-
mitted data streams.
Parameter estimation is a further important issue. In particular, the channel’s
autocorrelation function needs to be estimated, since the receiver requires it in order
to perform the spatial interpolation. The idealized assumption of the Bessel function
as autocorrelation holds only in isotropic scattering environments. Other scattering
conditions and mutual antenna coupling lead to different correlations. Realistic
channels already studied lead to an SNR loss. It is possible to find an estimate of
the ACF based on the cyclic OFDM signal structure without spending extra training
data [5].
Furthermore, the optimization of antenna structures for the purpose of minimizing
the mutual antenna coupling is considered. The algorithms used for data processing
in the baseband yield a better performance if the individual antennas for sectoriza-
tion or spatial interpolation are decoupled. This condition is violated in practical
systems, since the individual antenna elements are positioned very close to each
other, so that inevitably crosstalk of the antennas occurs. The effect of mutual cou-

140 
4 System Level Aspects for Single Cell Scenarios
pling and its minimization and compensation are investigated, so that the idealized
assumptions of the baseband processing can be maintained.
The consideration of realistic channel models as a benchmark of these approaches
represents a further focus of the project. Two scenarios are considered, a high-
speed train and vehicle-to-vehicle environments. In the former, the propagation
conditions are dominated by a major incident direction (by the base stations along
the railroad tracks), while in the latter, in principle, all incidence directions are
possible. Regarding the car-to-car scenario, a further challenge is to find Doppler
compensating antenna structures, which are not impaired by the car structure.
Figure 4.14 shows the BER performance for a (2 × 2)-MIMO OFDM systems with
the receiver configurations known from Fig. 4.13. In Fig. 4.14a transmit diversity
is provided by the Alamouti Space-Time code, whereas in Fig. 4.14b the V-BLAST
is employed, i.e., independent data streams are transmitted from both transmit
antennas. For a fair comparison identical data-rates are used, i.e., 16QAM for
the Alamouti scheme, and QPSK for V-BLAST. Comparing the two-fold transmit
diversity scheme in Fig. 4.14a with the single transmit diversity case in Fig. 4.13a
shows that except for spatial interpolation the gains promised by two-fold transmit
diversity are small. This can be attributed to the channel estimation which needs to
determine twice as many channel parameters. On the other hand, the gains for V-
BLAST in employing Doppler compensating antenna structure are more impressive.
0
5
10 15 20 25 30 35 40
10
−4
10
−3
10
−2
10
−1
10
0
E
b
/N
0
in dB
B
E
R
a) N
t
= 2, N
r
= 2, Alamouti
omni,ZF
omni,ML
sec,ZF
sec,ML
SI,ZF
SI,ML
0
5
10 15 20 25 30 35 40
10
−4
10
−3
10
−2
10
−1
10
0
E
b
/N
0
in dB
B
E
R
b) N
t
= 2, N
r
= 2, VBLAST
omni,ZF
omni,ML
sec,ZF
sec,ML
SI,ZF
SI,ML
Figure 4.14: BER-performance for (2 × 2)-OFDM and different receiver configura-
tions: omnidirectional antennas with widely spaced antennas, sector-
izing antennas and spatial interpolation based on a ULA, parameters:
256 subcarriers, 16QAM (a) and QPSK (b), exp. PDP, d/λ = 0.25,
f
D
T
s
= 0.2, RC-filters (r = 0.18), ZF channel est.
Bibliography
[1] K.-D. Kammeyer and P. Klenner, “Space-Time Coded OFDM Transmission
with Spatial Interpolation in the Presence of Severe Doppler Spread,” in 3rd

Bibliography 141
International Symposium on Communications, Control and Signal Processing
(ISCCSP 08), St. Julians, Malta, March 2008.
[2] P. Klenner and K.-D. Kammeyer,
“Doppler-Compensation for OFDM-
Transmission by Sectorized Antenna Reception,” in 6th International Workshop
on Multi-Carrier Spread Spectrum (MCSS 07), Herrsching, Germany, May 2007.
[3] P. Klenner and K.-D. Kammeyer, “Spatially Interpolated OFDM with Channel
Estimation for Fast Fading Channels,” in IEEE Vehicular Technology Confer-
ence 2007 (VTC2007-Spring), Dublin, Ireland, April 2007.
[4] P. Klenner and K.-D. Kammeyer, “Performance of Space-Time-Coded OFDM
with Sectorized Antenna Reception,” in International ITG/IEEE Workshop on
Smart Antennas (WSA 08), Darmstadt, Germany, Feb. 2008.
[5] P. Klenner and K.-D. Kammeyer, “Temporal Autocorrelation Estimation for
OFDM with Application to Spatial Interpolation,” in Asilomar Conf. on Sig-
nals, Systems and Computers, Monterey, CA, Oct. 2008.
[6] S. Knörzer, Funkkanalmodellierung für OFDM-Kommunikationssysteme bei
Hochgeschwindigkeitszügen, PhD thesis, University Karlsruhe, Germany, 2009.
[7] S. Knörzer, J. Maurer, T. Fügen, and W. Wiesbeck, “Wave Propagation Mod-
eling for Communication between Moving Vehicles,” in National Radio Science
Meeting, Boulder, USA, Jan 2005.
[8] S. Knörzer, J. Maurer, S. Vogeler, K.-D. Kammeyer, and W. Wiesbeck, “Chan-
nel Modeling and Characterization for High-Speed Train OFDM Systems,” in
COST 273 TD(05)086, Leuven, Belgium, June 2005.
[9] S. Knörzer, J. Maurer, S. Vogeler, K.-D. Kammeyer, and W. Wiesbeck, “Chan-
nel modeling for a high-speed train ofdm communication link supporting high
data rates,” in Proc. 5th Int. Conf. on ITS Telecomm. 2005, pages 333–336,
Brest, France, June 2005. Best Student Paper Award.
[10] J. Maurer, S. Knörzer, and W. Wiesbeck, “Ray Tracing in Rich Scattering
Environments for Mobile-to-Mobile Links,” in Proc. of the Int. Conf. on Elec-
tromagnetics in Advanced Applications, Italy, Sept. 2005.
[11] S. Vogeler, Verfahren zur Kompensation von Doppler-Einflüssen in Mehrträger-
Übertragungssystemen, PhD thesis, University of Bremen, Germany, 2006.
[12] S. Vogeler, L. Brötje, P. Klenner, V. Kühn, and K.-D. Kammeyer, “Intercarrier
Interference Suppression for OFDM Transmission at Very High Velocities,” in
9th International OFDM-Workshop (InOWo 2004), Dresden, Germany, Sept.
2004.
[13] S. Vogeler, P. Klenner, and K.-D. Kammeyer, “Multicarrier Transmission for
Scenarios with High Doppler Influence,” in 10th International OFDM-Workshop
(InOWo 2005), Hamburg, Germany, Aug. 2005.

142 
4 System Level Aspects for Single Cell Scenarios
4.7 Combination of Adaptive and Non-Adaptive
Multi-User OFDMA Schemes in the Presence
of User-Dependent Imperfect CSI
A. Kühne, A. Klein, Technische Universität Darmstadt, Germany
4.7.1 Introduction
The Orthogonal Frequency-Division Multiple Access (OFDMA) transmission scheme
is a promising candidate for future mobile networks. It offers an efficient adaptation
to the channel conditions by performing a time-frequency scheduling of the differ-
ent subcarriers to the different users. However, Channel State Information (CSI)
is required at the transmitter in order to perform such an adaptive scheduling in
an optimal way. Having perfect CSI for all users at the Base Station (BS), the
use of frequency adaptive OFDMA schemes achieves very good performances by
exploiting multiuser diversity . Having no CSI at all at the BS, the use of frequency
non-adaptive OFDMA schemes exploiting frequency diversity independently from
any CSI is the best strategy, however, not achieving the performance of adaptive
schemes with perfect CSI . For the case of imperfect CSI, only pure adaptive OFDM-
based systems have been studied in the literature but not a combination of adaptive
and non-adaptive transmission modes. A comparison of adaptive and non-adaptive
multiuser OFDMA schemes in the presence of imperfect channel knowledge has been
investigated assuming the same degree of CSI imperfectness for each user [1]- [5]. It
appears that at a certain level of CSI imperfectness, it is beneficial to switch from
adaptive to non-adaptive transmission, i.e., depending on the quality of the channel
knowledge, either all users apply the adaptive or non-adaptive transmission mode.
In a realistic scenario however, the level of CSI imperfectness differs from user to
user, i.e., for some users, the CSI is only slightly corrupted, whereas for other users,
the CSI is totally inaccurate. Hence, we propose a hybrid OFDMA scheme where
both adaptive and non-adaptive transmission schemes co-exist at the same time
and show how to optimally combine these transmission schemes in the presence of
user-dependent imperfect CSI [6].
4.7.2 Combining Transmission Schemes
In the considered hybrid OFDMA scheme, different users are served either adap-
tively or non-adaptively sharing the available bandwidth. Applying the non-adaptive
OFDMA transmission scheme, a fixed modulation and subcarrier allocation is per-
formed. This scheme does not rely on instantaneous CSI but exploits frequency
diversity. Applying the adaptive OFDMA transmission scheme, an adaptive sub-
carrier allocation together with an adaptive modulation based on the instantaneous
CSI is performed. The goal is to achieve a maximum system data rate under the
constraint of a minimum user data rate and target Bit Error Rate (BER). Hence,
the question arises, which user shall be served adaptively or non-adaptively tak-
ing into account user-dependent imperfect CSI and furthermore how to choose the

4.7 Combination of Adaptive and Non-Adaptive Multi-User OFDMA Schemes 
143
signal-to-noise-ratio (SNR) thresholds for the applied modulation schemes in order
to maximize the system data rate while guaranteeing a certain minimum user data
rate and target BER. Since the performance of an adaptive users strongly depends
on the total number of adaptive users in the system due to the selection process and
the multi-user diversity involved, the decision whether a user is served adaptively
or non-adaptively cannot be made userwise independently from the other users but
has to be done jointly considering all users, resulting in a combinatorial problem.
For the order of allocating the available subcarriers to the adaptive and non-
adaptive users, two possibilities are considered. Firstly, the subcarriers of non-
adaptive users are allocated in a first step and the remaining subcarriers are then
allocated to the adaptive users in a second step referred to as Non-Adaptive First
(NAF). Secondly, first the subcarriers of the adaptive users are allocated followed by
the allocation of the subcarriers of the non-adaptive users referred to as Adaptive
First (AF).
To solve the described optimization problem, it is split up into two subproblems
without losing optimality, namely the SNR threshold problem and the user serving
problem. The SNR threshold problem can be solved applying a Lagrange multiplier
approach leading to the optimized user data rate for each possible combination of
serving the different users. In order to do so, analytical expressions for user data
rate and BER have been derived taking into account user-dependent imperfect CSI.
Solving the combinatorial user serving problem, it appears that it is not necessary to
check all 2
U
possible user serving combinations with U denoting the number of users
in order to find the optimal combination maximizing the system performance subject
to the mentioned data rate and BER constraints. Utilizing the fact that the data
rate of an adaptive user does not depend on which users are adaptively served but
only on the total number of adaptive users, the order of complexity can be reduced
to O(U
3
) without loosing optimality. Taking into account the characteristics of the
user data rate as a function of the number U
A
of adaptive users, the complexity can
be further reduced to O(U
2
).
4.7.3 Numerical Results
In Fig. 4.15a, the system data rate of a single cell OFDMA system with N = 125
subcarriers and U = 25 users in the downlink is depicted as a function of the
average Mobile Station velocity ¯v in the cell for the different transmission schemes.
The target BER is set to 10
−3
while each user shall achieve at least the data rate
achievable applying the Pure Non-adaptive Transmission Scheme (PNTS). As one
can see, PNTS achieves a constant system data rate since it does not depend on
the reliability of the CSI. In case of ¯v = 0 km/h, the Pure Adaptive Transmission
Scheme (PATS) and the hybrid transmission schemes achieve the same system data
rate and outperform PNTS. However, when increasing ¯v in the cell and, thus, the
unreliability of the CSI, the performances of PATS dramatically decrease, especially
for the naive approach, where the SNR thresholds are calculated assuming perfect
CSI for all users, since now, due to the imperfect CSI, wrong users and modulation
schemes are selected for transmission. This results in a BER which no longer fulfills
the target BER requirements. For PATS which is aware of the imperfect CSI, the

144 
4 System Level Aspects for Single Cell Scenarios
0
5
10
15
20
25
30
35
40
45
50
55
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
average MS velocity in km/h
system data rate in bps/Hz
PATS (naive)
PATS (aware)
NAF
AF
PNTS
(a)
0
5
10 15 20 25 30 35 40 45 50 55
0
5
10
15
20
25
average MS velocity in km/h
average number U
A
of adaptive users 
AF
NAF
(b)
Figure 4.15: (a) System data rate and (b) Number U
A
of adaptive users vs. ¯v
decrease is less dramatical. However, at some point the system performance is worse
than using PNTS. Applying the hybrid schemes NAF and AF for an increasing ¯v
in the cell, the system performance is always equal or better than both PNTS and
PATS, where AF outperforms NAF due to the more exclusive resource selection.
For large velocities, the performances of the hybrid schemes converge to the one of
PNTS, since now all users in the hybrid scheme are served non-adaptively due to
the totally outdated CSI. This effect is also shown in Fig. 4.15b, where the number
U
A
of adaptively served users is depicted as a function of ¯v. It can be seen that for
low velocities, almost all users are served adaptively. When increasing ¯v, more and
more users are served non-adaptively.
Bibliography
[1] A. Kühne and A. Klein, “An analytical consideration of imperfect CQI feedback
on the performance of a Multi-user OFDM-system,” in Proc. 12th International
OFDM-Workshop (InOWo’07), Hamburg, Germany, August 2007.
[2] A. Kühne and A. Klein, “Adaptive subcarrier allocation with imperfect channel
knowledge versus diversity techniques in a multi-user OFDM-system,” in Proc.
Proc. International Symposium on Personal, Indoor and Mobile Radio Commu-
nications (PIMRC’07), Athens, Greece, September 2007.
[3] A. Kühne and A. Klein, “Throughput analysis of Multi-user OFDMA-Systems
using imperfect CQI feedback and diversity techniques,” IEEE Journal of Se-
lected Areas in Communications, vol. 26, no. 8, pp. 1440-1451, October 2008.
[4] A. Kühne and A. Klein, “Adaptive MIMO-OFDM using OSTBC with imper-
fect CQI feedback,” in Proc. International ITG Workshop on Smart Antennas
(WSA’08), Darmstadt, Germany, February 2008.
[5] A. Kühne, A. Klein, X. Wei, and T. Weber, “Transmit Antenna Selection with

Bibliography 145
imperfect CQI feedback in Multi-user OFDMA systems,” in Proc. Proc. 13-th
International OFDM-Workshop (InOWo’08), Hamburg, August 2008.
[6] A. Kühne and A. Klein, “Combining adaptive and non-adaptive Multi-user
OFDMA schemes in the presence of user-dependent imperfect channel knowl-
edge,” IEEE Transactions on Wireless Communications. (submitted)

146 
4 System Level Aspects for Single Cell Scenarios
4.8 Integration of COFDM Systems with
Multiple Antennas and Design of Adaptive
Medium Access Protocols
D. Martini, B. Wolz, B. Rembold, B. Walke, RWTH Aachen University,
Germany
4.8.1 Abstract
Besides medium access in time and frequency domain, the space and polarization
domain can be exploited using multiple antenna (MIMO) systems for space divi-
sion multiple access. SDMA combined with OFDM are the key technologies for
future wireless and mobile communication systems as specified in standards such
as IEEE 802.16d, IEEE 802.11n and 3GPP LTE. This work focuses on the devel-
opment and prototype implementation of Medium Access Control (MAC) protocols
of a demonstration system that uses multiple antennas. The goal is to serve all
user terminals (UT) best by taking their instantaneous channel condition into ac-
count. A number of candidate channel-adaptive MAC protocols were designed to
be implemented in a stochastic event driven simulator based on the openWNS tool.
The protocol stack under study operates in between a multi-media load generator
and an interference engine that calculates the current SINR at the receiver depen-
dent on the direction of arrival (DoA). The contribution of a IEEE 802.16 specific
transceiver chain is fed-in from link-level simulation results providing DoA specific
bit-error characteristics. The openWNS tool is mainly employed to compare the
performance of the MAC protocols, the usefulness of the interface between MAC
and PHY and the constraints of an SDMA enabled scheduler. Besides simulation
studies to understand the performance critical parameters, an analytical validation
of the used simulator and a complexity analysis of a number of SDMA based service
disciplines was performed. The demonstration system was completely implemented
using a modular FPGA system and two high-performance power PCs that to per-
form MAC in real time. The contribution of MIMO technologies to improve the
system capacity was evaluated by means of the SINR values that results from the
studied antenna configurations. While the FPGA hardware was taken from a former
project, the bidirectional transceiver chains including multiport antennas were new
designed and implemented, resulting in a realtime 4x4 bidirectional MIMO testbed.
4.8.2 MAC Frame for SDMA Operation and Spatial
Grouping
A multi-cellular scenario served by 120
◦
antennas each serving 15 UTs was chosen
operated with re-use one. Transmit power is 1 W and UTs control their power
between 200 mW and 1 W. The scheduler decides based on data volume in MAC-
and PHY layer, signaling overhead per UT and SINR of an UT, estimated based
on the beamforming algorithm information. Figure 4.16 shows an example two-
dimensinal MAC frame to serve two spatially separated data streams. Above the

4.8 Integration of COFDM Systems 
147
MAC frame the transmit situation is shown using abstract antenna diagrams. The
first part of the frame is transmitted omnidirectional to implement broadcast mode.
DL-MAP (blue) and UL-MAP (green) and arrows are shown pointing to the time
instants contained in the MAPs, where up to four radio bursts can be transmitted,
spatially separated. Similar applies to the UL-MAP.
UTs cannot be arbitrarily scheduled for concurrent SDMA transmissions since
their spatial separability by the beam-forming antenna array depends on their rel-
ative spatial positions. Spatially separated concurrent transmissions cannot be as-
sumed to be orthogonal. Therefore, a hierarchical scheduling algorithm is introduced
that first computes a spatial grouping of UTs that can be well separated by the base
station’s (BS) beamforming antenna. The result of this grouping is a set of groups
of UTs. Users of the same spatial group can be separated and thus be served at
the same time. Users in different groups must be separated in the time domain.
Structuring of the scheduling process into two hierarchical steps adds flexibility and
simplicity to the scheduling process. The grouping process is independent from the
TDMA scheduling and vice versa. Thus, spatial grouping and group scheduling pro-
cedures can be freely combined and interchanged according to the specific needs of
the system. Spatial grouping of UTs has been proposed earlier [2] and hierarchical
grouping and scheduling in an SDMA enhanced IEEE 802.16 systems is proposed
first in [4]. Since an optimal grouping is far too complex to be applied, a greedy al-
gorithm to sort spatial groups according to achievable throughput was used resulting
in grouping gain slightly below the optimal grouper’s gain. A tree-based heuristic
algorithm only estimating the most promising spatial groups appear well suited to
reduce run-time complexity to be applicable in real-time condition, with a grouping
gain comparable to that of the greedy algorithm.
Simulation Results
Figure 4.17 shows the aggregate DL cell throughput versus offered traffic. Satura-
tion is reached where the throughput deviates to grow linearly with offered traffic.
Clearly, with omnidirectional it is lower than with SFIR or SDMA transmission.
Under SDMA with up to 4 parallel transmissions, the throughput curve climbs from
a value of about 22 MBit/s, where the first UTs reach saturation, to a final maximum
of 30 MBit/s. SDMA transmission with up to 4 beams achieves about 440% gain
compared to omnidirectional transmission. Most of the results on MIMO based
MAC protocols, grouping etc. gained in this project are available from [3]. The
scheduler algorithms developed for multiple antenna systems were implemented on
a real-time hardware platform.
4.8.3 Hardware Implementation of COFDM Systems with
Multiple Antennas
A realtime testbed was developed and used to validate the scheduler algorithms in
“real world” scenario. The demonstrator architecture had to be adapted resulting in
redesign of the analog frontend as well as the digital transceiver. The testbed is based
on OFDM transmission with 256 subcarriers for each UT. A WLAN transceiver chip

148 
4 System Level Aspects for Single Cell Scenarios
Figure 4.16: A
MAC
frame
supporting
SDMA operation
Figure 4.17: DL throughput vs. to-
tal offered DL traffic for
omnidirectional, SFIR,
and SDMA transmis-
sion modes
is used for the analog frontend operating at a radio frequency of 5.6 GHz with an RF
bandwidth of 25 MHz. The modulation of the radio link is adaptive and is BPSK,
QPSK, 16- or 64-QAM, and can be defined independently for each user. In total the
system can serve four BS antennas and four UTs resulting in a 4x4 MIMO system.
Each antenna combination between 1x1 (SISO) and 4x4 (MIMO) with or without
diversity can be operated. Up- and downlink are separated in time division duplex
(TDD). Digital signal processing performs the linear equalization algorithms ZF and
MMSE in real time [1]. Furthermore, pre-equalization at the transmitter is possible
using channel information from uplink transmission.
0
−2
−4
−6
−8
−10
−12
−14
−16
−18
−5
0
5
10
15
20
25
diversity gain in SIMO configuration − LOS uplink scenario
attenuation of the transmit power in dB
SNR of user at the receiver in dB
1 X 1 − 16 QAM
1 X 2 − 16 QAM
1 X 3 − 16 QAM
1 X 4 − 16 QAM
Figure 4.18: Diversity gain under SIMO
with different number of
antennas
0
−2
−4
−6
−8
−10
−12
−14
−16
−18
0
5
10
15
20
25
diversity gain in SIMO configuration − LOS uplink scenario − 16 QAM
attenuation of the transmit power in dB
SNR of user at the receiver in dB
user 1 −− 4X2 MIMO
user 2 −− 4X2 MIMO
user 1 −− 4X4 MIMO
user 2 −− 4X4 MIMO
user 3 −− 4X4 MIMO
user 4 −− 4X4 MIMO
Figure 4.19: SNR per user with 4x2 and
4x4 MIMO
As an example Fig. 4.18 presents the measured diversity gain that is obtained
using more than one antenna. Regarding MIMO scenarios diversity also plays an
important role as shown in Fig. 4.19. All user can be served with smaller SNR.
Regarding two users the SNR and therefore the data rate is much higher. The
measurements were taken at the entrance hall of the IHF building. The BS was
equipped with a compact four-port-inverted-F antenna and the UT was fit with

4.8 Integration of COFDM Systems 
149
another compact four-port antenna using four orthogonal radiation modes [5].
Bibliography
[1] L. Bruehl, Parallele Prozessorarchitektur fuer die Raum-Zeit-Entzerrung in bre-
itbandigen Funksystemen mit adaptiven Gruppenantennen, PhD thesis, RWTH
Aachen, 2005, Shaker ISBN 3-8322-4523-5.
[2] M. Fuchs, G. Del Galdo, and M. Haardt, “A Novel Tree-based Scheduling Al-
gorithm for the Downlink of Multi-user MIMO Systems with ZF Beamforming,”
in Proc. IEEE Internat. Conf. on Acoustics, Speech, and Signal Proc.(ICASSP,
2005.
[3] C. Hoymann, IEEE 802.16 Metropolitan Area Network with SDMA Enhance-
ment, PhD thesis, RWTH Aachen University, Department of Communication
Networks, Faculty 6, July 2008, http://www.comnets.rwth-aachen.de.
[4] C. Hoymann, H. Meng, and J. Ellenbeck,
“Influence of SDMA-Specific
MAC Scheduling on the Performance of IEEE 802.16 Networks,” in Proceed-
ings of 12th European Wireless Conference 2006, Athens, Greece, April 2006,
http://www.comnets.rwth-aachen.de.
[5] C. Oikonomopoulos-Zachos and B. Rembold, “A 4-Port Antenna for MIMO
Channels,” in IEEE Conf. of Antennas and Propagartion (EUCAP), pages 1–4,
2007.

150 
4 System Level Aspects for Single Cell Scenarios
4.9 Large System Analysis of Nearly Optimum
Low Complex Beamforming in Multicarrier
Multiuser Multiantenna Systems
C. Guthy, W. Utschick, Technische Universität München, Germany
4.9.1 Introduction
In general, analytical expressions for the average sum rate in the Multiple-Input
Multiple-Output (MIMO) Broadcast Channel (BC), resulting from signal process-
ing algorithms requiring perfect channel state information at the transmitter, are
difficult to obtain. That is true for the optimum sum capacity [11] as well as near
optimum algorithms such as the Successive Encoding Successive Allocation Method
(SESAM) [9] and its variant with Minimum Mean Square Error (MMSE) trans-
mit filters [8, Ch. 4.2]. Thus, performance evaluation of these algorithms is only
possible via simulation results. In the large system limit however, i.e., when at
least two system parameters go to infinity at a fixed and finite ratio [6, 10], the
performance of many algorithms becomes deterministic, although random variables
are used. That is because the eigenvalues of random matrices often converge to an
asymptotic limit, which can be obtained from the asymptotic eigenvalue distribution
(a.e.d.) and which is independent of the current realization of the random matrix.
The most prominent example is the Marčenko-Pastur distribution [5] for Wishart
matrices. Furthermore the analytical expressions in the large system limit often
serve as a good approximation of the system performance also with finite system
parameters, which makes large system analysis an interesting tool for the analysis
of signal processing algorithms.
In this chapter we will present analytical approximations of the ergodic sum rates
achievable with SESAM with MMSE transmit filters [8] and zero-forcing transmit
filters [9] based on large system results with Gaussian i.i.d. channel matrices and an
infinite number of transmit and receive antennas. It will be shown that the results
also serve as good approximations for the average sum rate in systems with finite
parameters.
4.9.2 System Model
We consider a multi-user multi-carrier MIMO system with C carriers, one base sta-
tion with N antennas and K non-cooperative users with R antennas. The k-th
user’s channel matrix on carrier c, denoted as H
k,c
∈ C
R×N
, consists of uncorre-
lated Gaussian entries with zero mean and variance 1/R. Perfect knowledge of the
matrices H
k,c
at the transmitter is assumed. The additive noise at each receiver is
assumed to be white Gaussian with zero mean and unit covariance matrix.

4.9 Large System Analysis 
151
4.9.3 Description of Algorithms
As the optimum solution, both variants of SESAM rely on the principle of Dirty
Paper Coding (DPC). Furthermore they successively allocate data streams to users,
where in each step filters and user allocation of previously allocated data streams are
kept fixed and the next data stream is allocated to that user such that the increase
in the objective function becomes maximum. The allocation stops, if no increase in
the objective function is possible with a new allocation. Denoting the number of
totally allocated subchannels on carrier c with M
c
, the achievable sum rate computes
according to
R
sum
=
C

c=1
M
c

i=1
log
2
(1 + p
i,c
λ
i,c
).
In the following we will shortly describe how the subchannel powers p
i,c
and the
channel gains λ
i,c
compute for the two algorithms. For notational convenience, we
assume that the user allocation is given in the following, where π
c
(i) denotes the
user to which the data stream encoded at i-th place has been allocated to on carrier
c
. Certainly, when the algorithm is run, potential subchannel gains have to be
computed for every user and carrier to select the most suitable user and carrier for
each data stream.
SESAM with MMSE Filters
With MMSE filters, the problem of maximizing sum rate under a total power con-
straint can be solved almost optimally at drastically reduced computational com-
plexity. In this case a simplified power allocation is assumed such that p
i,c
=
P
Tx
CM
c
7
,
where P
Tx
denotes the available transmit power. The subchannel gains λ
i,c
then
compute according to
λ
i,c
= ρ
1
⎛
⎜
⎝
H
π
c
(i),c
⎛
⎝
I
+
i−1

j=1
P
Tx
CM
c
H
H
π
c
(j),c
t
j,c
t
H
j,c
H
π
c
(j),c
⎞
⎠
−1
H
H
π
c
(i),c
⎞
⎟
⎠
,
(4.11)
where ρ
1
(A) denotes the principal eigenvalue of the matrix A. t
j,c
denotes the
transmit filter in the dual uplink for the j-th data stream on carrier c and is equal
to the unit-norm eigenvector belonging to the principal eigenvalue of the matrix
H
π
c
(i),c
⎛
⎝
I
+
i−1

j=1
P
Tx
CM
c
H
H
π
c
(j),c
t
j,c
t
H
j,c
H
π
c
(j),c
⎞
⎠
−1
H
H
π
c
(i),c
(4.12)
7
For SESAM with MMSE filter the p
i,c
correspond to the powers in the dual uplink. As the
rates in the broadcast and the dual uplink are the same [8], we consider the uplink rates for
the SESAM MMSE algorithm in this chapter.

152 
4 System Level Aspects for Single Cell Scenarios
SESAM with Zero-Forcing Filters
With zero-forcing filters the subchannel gains λ
i,c
are given by
λ
i,c
= ρ
1
⎛
⎝
H
π
c
(i),c
⎛
⎝
I
−
i−1

j=1
t
j,c
t
H
j,c
⎞
⎠
H
H
π
c
(i)
⎞
⎠
,
(4.13)
where here the t
j,c
are the downlink transmit filters for the j-th data stream on
carrier c and equal to the unit-norm eigenvectors corresponding to the principal
eigenvalues of the matrices
⎛
⎝
I
−
j−1

=1
t
,c
t
H
,c
⎞
⎠
H
H
π
c
(j),c
H
π
c
(j),c
⎛
⎝
I
−
j−1

=1
t
,c
t
H
,c
⎞
⎠
.
Each matrix I −

j−1
=1
t
,c
t
H
,c
projects into the nullspace of the beamformers of the
previously allocated data streams on carrier c and therefore assures that the t
j,c
to
do not interfere with the previously allocated subchannels on carrier c. Interference
on later allocated subchannels is suppressed by DPC. With this kind of zero-forcing,
several Quality-of-Service (QoS) constrained optimization problems can be solved
at reduced computational complexity, where the optimum can be achieved quite
closely. Such optimization problems can be the weighted sum rate maximization
under minimum and maximum rate requirements with a transmit power constraint
or the transmit power minimization for the fulfillment of minimum rate require-
ments. As zero-forcing filters are applied together with DPC, the subchannels are
interference-free and the optimum powers p
i,c
can be determined by water-filling
alike solutions. For the details of the power and user allocation the reader is re-
ferred to [9] for the pure sum rate maximization, to [4] for the weighted sum rate
maximization under a power constraint and [1] for QoS constrained optimization
problems.
4.9.4 Approximation of the Ergodic Sum Rate with Large
System Analysis
In this section we will present approximations for the subchannel gains λ
i,c
with
results from large system analysis. For the large system analysis the number transmit
antennas and receive antennas go to infinity at a finite fixed ratio β, i.e., N →
∞,
R → ∞,
β =
N
R
,
finite. Then the empirical eigenvalue distributions of the
matrices in (4.13) and (4.11) converge almost surely to an asymptotic limit. For finite
systems, we propose to use the a.e.d. f
A
(x) of a matrix A to find an approximation
for the i-th strongest eigenvalue as follows. Let A be a L × L matrix with finite
L
, then the i-th eigenvalue of this matrix is approximated by these two implicit
equations.
ρ
i
(A) = L

m
i
m
i−1
xf
A
(x) d x,
where

m
i
0
f
A
(x) d x =
L − i + 1
L
.

4.9 Large System Analysis 
153
Hence the x domain is divided into L intervals, where in each interval [m
i−1
; m
i
] the
integral

m
i
m
i−1
f
A
(x
′
) d x
′
is equal to 1/L. The centroid of each interval then repre-
sents one eigenvalue. Using these approximations for the computation of eigenvalues
in (4.11) and (4.13), the user and power allocation is afterwards done as originally
proposed for finite systems. The a.e.d.s f
A
(x) can be computed from the Stielt-
jes transformation S
A
(z) as described for example in [10]. In the following we will
therefore present equations for the Stieltjes transforms.
SESAM with MMSE Filters
As a direct computation of the Stieltjes transforms of the matrices in (4.11) seams to
be difficult, we first introduce the following approximation of the subchannel gains.
λ
i,c
≈ ρ
n
i,c
+1

H
π
c
(i),c

I
+
P
Tx
CM
c
V
n
i,c
V
H
n
i,c

−1
H
H
π
c
(i),c

,
(4.14)
where n
i,c
denotes the number of subchannels assigned to the user π
c
(i) in previous
steps on carrier c. V
n
i,c
∈ C
N ×i−1−n
i,c
is a matrix with orthonormal columns, i.e.,
V
H
n
i,c
V
n
i,c
= I, independent of H
π
c
(i),c
. Hence the effect of the interfering subchannels
allocated to other users is taken into account by the matrix V
n
i,c
, which consists of
as many orthonormal columns as subchannels assigned to other users than user
π
c
(i) interfere with the i-th subchannel on carrier c. The effect of interference
of subchannels allocated to the same user is considered by taking the n
i,c
+ 1-th
largest eigenvalue in (4.14), denoted as ρ
n
i,c
+1
. Due to the independence between
the matrices H
π
c
(i),c
and V
n
i,c
, the Stieltjes transform S
˜
A
i,c
(z) of the matrix ˜
A
i,c
=
H
π
c
(i),c
I
+
P
Tx
CM
c
V
n
i,c
V
H
n
i,c
−1
H
H
π
c
(i),c
∈ C
R×R
can be derived from [10, Theorem
2.39] and is given by the implicit equation
β =
1 + zS
˜
A
i,c
(z)
1 −
1
1+S
˜
Ai,c
(z)
N −(i−1−n
i,c
)
N
−
1+
PTx
CMc
1+
PTx
CMc
+S
˜
Ai,c
(z)
i−1−n
i,c
N
.
For details the reader is referred to [3].
SESAM with ZF Filters
As the matrix H
π
c
(i),c
I
−

i−1
j=1
t
j,c
t
H
j,c
H
H
π
c
(i),c
has the same nonzero eigenvalues as
A
i,c
= V
H
i−1,c
H
H
π
c
(i),c
H
π
c
(i),c
V
i−1,c
, where V
i−1,c
contains the N − i − 1 orthonormal
basis vectors of the projector I −

i−1
j=1
t
j,c
t
H
j,c
, we derive an implicit equation for the
Stieltjes transform S
A
i,c
(z) of the latter matrix in the following. The computation
of S
A
i,c
(z) works recursively, as it requires the a.e.d. f
A
ℓi,c,c
(x), where ℓ
i,c
denotes
the last step before step i, in which a subchannel has been assigned to the user π
c
(i)
on carrier c. S
A
i,c
(z) is given implicitly by

n
1
0
f
A
ℓi,c,c
(x)
1 − ˜
β + (x − z) ˜
βS
A
i,c
(z)
d
x =
N − ℓ
i,c
− 1
N − ℓ
i,c
,

154 
4 System Level Aspects for Single Cell Scenarios
where

n
1
0
f
A
ℓi,c,c
(x) d x =
N − ℓ
i,c
− 1
N − ℓ
i,c
.
For details the reader is referred to [2].
4.9.5 Numerical Results
Figure 4.20 exhibits the sum rate averaged over 1000 channel realizations versus the
number of transmit antennas, where the sum rate maximization under a transmit
power constraint is considered. The ratio β has been fixed to β = 2. Each cross
for the SESAM approaches corresponds to the sum rate achieved with one channel
realization and the line goes through the average sum rates. Figure 4.20 (a) com-
0
10
20
30
40
50
60
0
20
40
60
80
100
120
Number of transmit antennas
Sum rate (bpcu)
Asymptotic Computation
Average Gain
(a) Sum rate averaged over 1000 channel re-
alizations compared to asymptotic sum
rate in a system with K = 2 users,
β = N/R = 2
0
10
20
30
40
50
60
0
5
10
15
20
25
30
35
40
Number of transmit antennas
Sum rate (bpcu)
Sum Capacity
SESAM
SESAM large system
BD DPC large system
BD large system
(b) Large system approximation of sum
rates for different algorithms with K =
5, P
Tx
= 10, β = 2
Figure 4.20: Numerical Results
pares the approximated sum rate with the average sum rate for SESAM with MMSE
filters in a system with 2 users, one carrier, and at a transmit power of P
Tx
= 100,
which corresponds to a transmit SNR of 20dB. In Fig. 4.20 (b) the same compar-
ison is made with SESAM and ZF filters at 10 dB and in a system with 5 users.
Additionally, Fig. 4.20 (b) exhibits the average sum capacities and the large system
approximations of Block Diagonalization [7] with and without DPC, which have also
been derived in [2]. From both figures we can conclude that the presented approxi-
mations match the average sum rate quite well, already with reasonable numbers of
transmit and receive antennas.
Bibliography
[1] C. Guthy, W. Utschick, and G. Dietl, “Spatial Resource Allocation for the
Multiuser Multicarrier MIMO Broadcast Channel - A QoS Optimization Per-
spective,” in Proc. of International Conference on Acoustics, Speech and Signal
Processing (ICASSP), 2010.

Bibliography 155
[2] C. Guthy, W. Utschick, and M.L. Honig, “Large System Analysis of Projection
Based Algorithms for the MIMO Broadcast Channels,” submitted to Interna-
tional Symposium on Information Theory (ISIT), 2010.
[3] C. Guthy, W. Utschick, and M.L. Honig, “Large System Analysis of the Suc-
cessive Encoding Successive Allocation Method for the MIMO BC,” In Proc.
of ITG/IEEE Workshop on Smart Antennas, 2010.
[4] C. Guthy, W. Utschick, R. Hunger, and M. Joham, “Efficient Weighted Sum
Rate Maximization With Linear Precoding,” accepted for publication in IEEE
Transactions on Signal Processing, December 2009.
[5] V. Marčenko and L. Pastur, “Distribution of Eigenvalues for Some Sets of
Random Matrices,” Math USSR Sbornik, 1:457–483, 1967.
[6] M.J.M. Peacock, I.B. Collings, and M.L. Honig, “Advances in Multiuser Detec-
tion,” volume 1 of Wiley Series in Telecommunications and Signal Processing,
chapter 4 Performance with Random Signatures. John Wiley & Sons, 2009.
[7] Q.H. Spencer, A.L. Swindlehurst, and M. Haardt, “Zero-forcing Methods for
Downlink Spatial Multiplexing in Multiuser MIMO Channels,” IEEE Transac-
tions on Signal Processing, 52(2):461–471, February 2004.
[8] P. Tejera,
Principles and Algorithms for Transmission in Multiple-Input
Multiple-Output Systems, PhD thesis, Technische Universität München, 2008.
[9] P. Tejera, W. Utschick, G. Bauch, and J. A. Nossek, “Subchannel Allocation
in Multiuser Multiple Input Multiple Output Systems,” IEEE Transactions on
Information Theory, 52(10):4721–4733, October 2006.
[10] A.M. Tulino and S. Verdu, “Random Matrix Theory and Wireless Communi-
cations,” Number 1 in Foundations and Trends in Communications and Infor-
mation Theory. Now Publishers, 2004.
[11] H. Viswanathan, S. Venkatesan, and H. Huang, “Downlink Capacity Evaluation
of Cellular Networks With Known-Interference Cancellation,” IEEE Journal on
Selected Areas in Communications, 21(6):802–811, June 2003.

156 
4 System Level Aspects for Single Cell Scenarios
4.10 Combined Radar and Communication
Systems Using OFDM
M. Braun, C. Sturm, F. Jondral, T. Zwick, Karlsruhe Institute of Tech-
nology (KIT), Germany
4.10.1 Introduction
In the current technological development, the radio frequency front-end architectures
used in radar and digital communication technology are becoming more and more
similar. In both applications more and more functions that have traditionally been
accomplished by hardware components are now being replaced by digital signal pro-
cessing algorithms. Moreover, today’s digital communication systems use frequencies
in the microwave regime for transmission, which are close to the frequency bands
traditionally used for radar applications. This technological advancement opens the
possibility for the implementation of joint radar and communication systems that
are able to support both applications with one single platform and even with a com-
mon transmit signal. A typical application area for such systems would be intelligent
transportation networks, which require the ability for inter-vehicle communications
as well as the need for reliable environment sensing.
First concepts of joint radar and communication systems have been primarily
based on spread spectrum techniques. Recently, OFDM signals have gained a lot of
attraction for this purpose. This is motivated by two facts: First, most currently
released communications standards, e.g., IEEE 802.11p, employ OFDM signals. Sec-
ond, in the radar community OFDM signals recently have attracted general interest
and their suitability for radar applications has been proven. Hence, OFDM signals
currently seem to be the ideal basis for joint radar and communication implementa-
tions.
A possible application scenario of an OFDM based joint radar and communication
system is illustrated in Fig. 4.21. The OFDM signal (colored in green) is transmitted
from the car on the left side and transports information to distant receivers. At the
same time this signal is reflected at objects, also cars, in the neighborhood (reflected
signal depicted in gray). The OFDM system observes the echoes of its own transmit
signal and calculates a radar image by applying suitable processing algorithms. Also,
communication with base stations could be included in this concept.
In the following, detailed considerations regarding an optimum parametrization of
the OFDM signals for simultaneous radar and communication operation as well as
optimum radar processing strategies will be discussed. Moreover, a fully operational
system demonstrator and verification measurement results will be presented.
4.10.2 Signal Design
A major challenge is the design of the OFDM signals. It must be guaranteed that
the communication link is reliable over mobile communication channels with severe
fading, and that the radar imaging algorithm is not negatively affected by the signal

4.10 Combined Radar and Communication Systems Using OFDM 
157
Table 4.3: Channel limitations for the OFDM parameters
Property
Urban
Autobahn
RMS excess delay
0.102 μs
0.122 μs
Maximum Doppler spread
7.24 kHz
5.23 kHz
Coherence bandwidth 2246.1 kHz 1269.53 kHz
RMS Coherence time
0.401 ms
0.46 ms
design. A large variety of parameters can be changed, ranging from sub-carrier
distance to channel coding. This section will explain the most important parameters.
A more detailed description can be found in [1, 2].
Physical Parameters
Physical parameters of an OFDM frame are sub-carrier distance, guard interval
duration, total bandwidth and the frame duration. Their choice depends on the
required radar accuracy and the quality of the mobile propagation channels.
In [1] and [2], we analyzed the effects of the mobile propagation channels. Basis for
the analysis were RayTracing channels, i.e., simulations of real traffic scenarios where
the channels between transmitter and receiver were obtained by optical methods [3].
A database of 10567 channels from a total of eight urban traffic and two highway
(“Autobahn”) scenarios was used to test and evaluate parameterizations. These
channels were analyzed for time and frequency variance to obtain limits for the
physical OFDM parameters. In particular, the sub-carrier spacing is limited by the
coherence time and the Doppler spread; the guard length duration depends on the
excess delay [1]. Table 4.3 shows the results of the analysis.
The requirements of the radar accuracy also impose constraints on the parametriza-
tion of the signal. In particular, the resolution in range and Doppler domain set
minimum limits on bandwidth B and frame duration T
F
, which can be estimated
Figure 4.21: Application scenario for a combined radar and communication system

158 
4 System Level Aspects for Single Cell Scenarios
by the following equations:
B ≥
c
0
2Δd
max
, T
F
≥
c
0
2Δv
max
f
c
(4.15)
For a range resolution of 1.5 m, the bandwidth must therefore be on the order of
100 MHz. This in turn has other side effects, such as a low power density.
A less obvious design criterion is the effect of the parametrization on the OFDM
radar processing algorithm. The maximum likelihood estimator presented in the
following section is prone to threshold effects. In [4], we present a method to test
the range in which a given set of parameters works without threshold effects.
Channel Coding
A suitable channel coding is an important choice in the frame design process. Ve-
hicular applications in particular have high demands regarding reliability of the
data transmission. At the same time, the signal’s low power density and the highly
frequency- and time-variant channels make error-free data transmission very diffi-
cult. On the other hand, the large bandwidth allows for high data rates, which
might not be necessary. It therefore makes sense to sacrifice raw data rate for lower
bit error rates by using robust codes with low coding rates.
Although several types of codes can satisfy these requirements, Reed-Muller codes
appear particularly suitable. Their big advantage is the possibility to use sub-sets of
codes which exhibit a low peak-to-average power ratio (PAPR) [5, 6]. This is gives
the whole system a new degree of freedom, since the low PAPR values exhibit fewer
requirements towards the amplifiers. Simulations have shown the codes to perform
well under adverse channel effects with a fixed PAPR of 3 dB [5].
4.10.3 The Radar Subsystem
The radar subsystem deals with the task of estimating range and relative speed
of other objects in the vicinity. When transmitting, it receives and analyses the
backscattered signal and processes it to gain information about the surrounding
objects. In order to identify a suitable estimation algorithm we must first analyze
the effects the backscattering has on OFDM frames.
In the following, one OFDM frame shall be described by an N × M-matrix F
Tx
∈
C
N ×M
, where every element (F
Tx
)
k,l
) = ±1 is a modulation symbol from the BPSK
modulation alphabet. Every row in F
Tx
corresponds to an OFDM sub-carrier; every
column corresponds to an OFDM symbol. s(t) denotes the transmitted time domain
signal and is created from F
Tx
by the usual OFDM modulation process of calculating
an IFFT of every column and prepending the result with a cyclic prefix.
During transmission, a receiver is active. The received signal r(t) consists of
the Doppler shifted and time-delayed reflected signals. In the case of H reflecting
targets, the relation between transmitted and received signals is
r(t) =
H−1

h=0
b
h
s(t − τ
h
)e
j2πf
D,h
t
+ w
σ
2
(t).
(4.16)

4.10 Combined Radar and Communication Systems Using OFDM 
159
The Doppler shift and roundtrip propagation time of the h-th target are denoted
f
D,h
and τ
h
, respectively. b
h
= |b
h
|e
j ˜
ϕ
h
is the corresponding complex attenuation
factor. The received signal is a linear superposition of reflected signals from every
target, plus complex white Gaussian noise w
σ
2
(t) with variance σ
2
.
For the development of the estimation algorithm it is useful to analyze the effects
of Doppler shift and time delay on F
Tx
. For simplicity, we will analyze the effect of
a single reflecting target with Doppler shift of f
D
and a roundtrip delay of τ. In this
case, the Doppler shift causes an oscillation of the matrix rows by e
j2πlT
O
f
D
. This
assumes a constant Doppler shift over all frequencies, which is a valid approximation
if the bandwidth is much smaller than the signal’s center frequency. The delay causes
a phase shift on every sub-carrier of e
−j2π(f
0
+kΔf )τ
0
. Without loss of generality, |b
0
|
can be assumed to be of unit value. Representing the received signal in the same
matrix notation as F
Tx
can thus be done as
(F
Rx
)
k,l
= (F
Tx
)
k,l
· e
j2πlT
O
f
D,0
e
−j2πkτ
0
Δf
e
jϕ
0
+ (W)
k,l
.
(4.17)
W is a matrix representation of the additive white Gaussian noise (AWGN); its
entries are i.i.d. random values from a circular, complex, zero-mean normal distri-
bution with variance σ
2
. All phase shifts which are constant for the entire frame
are summarized into the phase term ϕ. Before estimation, the known modulation
symbols inside F
Tx
can be eliminated from F
Rx
by simple element-wise division. The
resulting matrix is thus
(F)
k,l
=
(F
Rx
)
k,l
(F
Tx
)
k,l
= e
j(2π(lT
O
f
D,0
−kτ
0
Δf )+ϕ
0
)
+
(W)
k,l
(F
Tx
)
k,l
.
(4.18)
All estimation is now performed on F, which consists of two orthogonal oscillations
and AWGN. It must be noted that the statistics of the noise are not affected by
the division if the BPSK symbols are not correlated, since in this case, the division
is nothing but a random phase rotation by either π or zero of the rotationally
invariant noise. Therefore, the estimation of f
D
and τ is equivalent to estimating
the frequencies of the two orthogonal oscillations within the matrix F and is therefore
very similar to an identification of spectral components.
Finally, the target parameters must be estimated from F. We have chosen a
maximum likelihood estimate (MLE) approach, which was originally introduced
in [7] and [8]. The MLE is obtained by calculating [4]
C(m, n) :=












IFFT(n)
⎧
⎪
⎨
⎪
⎩
FFT(m) {F}
!
"#
$
FFT over every row of F
⎫
⎪
⎬
⎪
⎭
!
"#
$
IFFT over all columns of the FFT result












(4.19)
and finding the values ˆ
m
, ˆn which maximize C(m, n). The MLE for Doppler shift

160 
4 System Level Aspects for Single Cell Scenarios
and propagation time is then
ˆ
τ =
ˆ
n
N
IFFT
Δf
, ˆ
f
D
=
ˆ
m
M
FFT
T
O
,
(4.20)
where N
IFFT
and M
FFT
are the lengths of the IFFT and the FFT, respectively. It
must be noted that the complexity of such an approach is smaller than the classical
approach of correlating in frequency and time domain. Moreover, additional inves-
tigations have been conducted regarding the estimation of the direction of arrival
(DoA) with a multiple antenna receiver. It has been shown that standard DoA es-
timation techniques can be applied directly to the output of the range and velocity
estimators in Eq. (6). Detailed results have been published in [9].
4.10.4 Measurements
Demonstrator Setup
The demonstrator system consists of three main hardware components: a Rohde &
Schwarz (R&S) SMJ100A vector signal generator, a R&S FSQ26 signal analyzer,
and optionally a R&S SMR40 microwave signal generator. The SMJ100A is limited
to a maximum carrier frequency of 6 GHz but offers higher output power than the
SMR40. Therefore it has been decided to implement two different configurations,
one with the SMJ100A only in order to achieve high output power at 6 GHz and
another one with both SMJ100A and SMR40 in order to generate a signal at the
intended carrier frequency of 24 GHz but with reduced transmit power. All instru-
ments are connected through an Ethernet link and controlled from a computer via
the MatLab Instrument Control Toolbox. All signals are generated and processed
in MatLab. The OFDM system parameters that have been applied for the measure-
ments are summarized in Table 4.4. These parameters have been obtained through
a theoretical study described in [10] and verified with ray tracing simulations in [1].
Table 4.4: OFDM system parameters
Symbol
Quantity
Value
f
c
Carrier frequency
6 GHz / 24 GHz
N
c
Number of subcarriers
1024
Δf
Subcarrier spacing
90.909 kHz
T
Elementary OFDM symbol duration
11 μs
T
p
Cyclic prefix length
1.375 μs
B
Total signal bandwidth
93.1 MHz
The first configuration of the system setup is shown in Fig. 4.22. The transmit
signal is generated in MatLab, transferred to the signal generator, converted to
the carrier frequency and radiated. The signal analyzer is synchronized in phase
through a 10 MHz reference signal and in time through a trigger signal. The signal
analyzer samples the I and Q components of the received signal after conversion

4.10 Combined Radar and Communication Systems Using OFDM 
161
Figure 4.22: OFDM system setup for a maximum carrier frequency of 6 GHz
to the baseband and transfers them back to the computer. The signal generator
provides a maximum carrier frequency of 6 GHz and a maximum peak power of 20
dBm. Since with the chosen parameters the OFDM signal shows a relatively stable
PAPR of approx. 10 dB, a maximum mean transmit power of 10 dBm is available
for uncoded transmission. The employed horn antennas at the transmitter and at
the receiver have a gain of 18.5 dBi each.
In order to carry out measurements with a carrier frequency of 24 GHz an ad-
ditional mixer is required. In that case a slightly different second setup is used,
in which the output signal of the SMJ100A signal generator is fed to the external
modulation signal input of the SMR40 signal generator. With an intermediate fre-
quency of 200 MHz at the input of the SMR40 and a local oscillator frequency of
23.85 GHz, the center frequency of the upper sideband occurs at 24.05 GHz. The
radiation of a lower sideband cannot be suppressed in this configuration, however
the receiver is tuned only to the upper sideband, which spans from 24.0 GHz to 24.1
GHz. The external modulation input of the SMR40 does not allow for output power
control. When driving the SMR40 with an average input signal power of 0 dBm
a total average output power of only -12 dBm is available in the upper sideband.
With an additional medium power amplifier the output power can be increased to
10 dBm. Also in this setup horn antennas are employed, which have a gain of 22
dBi each.
Measurement Results
In order to verify the developed algorithms a dynamic scenario with at least one
moving object is required. Therefore in the scenario shown in Fig. 4.23a measure-
ments have been taken with the system demonstrator. The scenario consists of a
corner reflector with a radar cross section of σ
RCS
= 16.3 dBm
2
at 24 GHz and a
car moving towards the radar with a velocity of approximately 25 km/h. The mea-
surement was taken at the instant when the car was at the same distance of R =
20 m as the reflector. The result obtained from the Doppler estimation algorithm is
shown in Fig. 4.23b. In the FFT processing a Hamming window has been applied
for both Doppler and range processing. It can be observed that in the distance of

162 
4 System Level Aspects for Single Cell Scenarios
(a) Investigated scenario
(b) Measured radar image (normalized,
in dB)
Figure 4.23: Verification measurement in a dynamic scenario
20 m both a high peak from the reflector at zero velocity and an additional peak
at approximately 7 m/s corresponding to the speed of the car appear in the image.
The reflection from the car is around 15 dB weaker than the signal scattered from
the reflector. In the radar image additional reflections from ground clutter and ob-
jects in the background appear at zero velocity. The measurement result proves that
both objects can be clearly identified and separated with the proposed processing
algorithm.
In order to completely characterize the system performance also the SNR of the
radar image after the processing has to be analyzed. The estimator described in
Eq. (4.20) provides an SNR gain equivalent to the product of the number of subcar-
riers N and the number of evaluated OFDM symbols M. The expected radar image
SNR amounts to
SNR
image
=
P
T x
NMG
T x
G
Rx
λ
2
σ
RCS
P
N
(4π
3
)r
4
(4.21)
with P
T x
being the transmitted signal power, G
T x
and G
Rx
being the transmit
and receive antenna gain, λ being the wavelength, and σ
RCS
denoting the radar cross
section of the reflector.
In order to verify that this relation applies for practical OFDM radar measure-
ments with the proposed estimator, additional measurements have been carried out
with the system setup for the 24 GHz ISM band. In these measurements radar
images of the trihedral reflector have been taken for three different distances of r
= 4, 10, 20 m without using the amplifier. For each measurement result the ratio
between the peak caused by the reflector and the average background noise level has
been determined, assuming that this value represents SNR
image
from (4.21). The
measured values have been compared to the theoretically expected values, taking
into account the receiver noise power level specified by the manufacturer to -143
dBm/Hz corresponding to a total noise power of -64 dBm. The results are reported
in Table 4.5.
With increasing distance the measured SNR values approach the expected ones.

4.10 Combined Radar and Communication Systems Using OFDM 
163
Table 4.5: Radar image SNR for P
T x
= -12 dBm
Distance to the reflector in m
4
10
20
Measured SNR in dB
49.8 41.4 30.8
Expected SNR in dB
60.7 44.5 32.8
For the distance of 4 m the discrepancy is caused by the fact that the reflector is
not yet in the far field. For higher distances of the reflector there is only a minor
discrepancy between the measured and the expected SNR, which results form the
SNR degradation caused by the Hamming window. From the measurement results
it is evident that the proposed estimator provides the gain claimed in (4.21). A
detailed report on the measurements can be found in [11].
4.10.5 Summary
In this project a detailed concept for a combined radar and communication system
based on OFDM signals has been elaborated and evaluated. A suitable estimator
has been developed that allows for performing range and Doppler measurements
with OFDM signals without any negative impact of the simultaneously transmitted
user information. Both measurements and simulations show that OFDM radar is
an interesting and feasible new technology with some interesting qualities.
Acknowledgement
We would like to thank Rohde & Schwarz for providing the measurement equipment.
Bibliography
[1] M. Braun, C. Sturm, A. Niethammer, and F. K. Jondral, “Parametrization of
Joint OFDM-based Radar and Communication Systems for Vehicular Applica-
tions,” 20th IEEE Symposium on Personal Indoor and Mobile Radio Commu-
nications, 2009.
[2] M. Braun, C. Sturm, and F. K. Jondral, “On the Frame Design for Joint OFDM
Radar and Communications,” 15th International OFDM Workshop, Hamburg,
2010.
[3] C. Sturm, M. Braun, and W. Wiesbeck, “Deterministic propagation modeling
for joint radar and communication systems,” in Proceedings 2010 International
Symposium on Electromagnetic Theory, Aug 2010.
[4] M. Braun, C. Sturm, and F. K. Jondral, “Maximum Likelihood Speed and Dis-
tance Estimation for OFDM Radar,” Radar Conference, IEEE International,
2010.

164 
4 System Level Aspects for Single Cell Scenarios
[5] M. Braun, Y. Koch, C. Sturm, and F. K. Jondral, “Signal Design and Coding for
High-Bandwidth OFDM in Car-to-Car Communications,” Vehicular Technology
Conference, 2010. 72nd IEEE, September 2010.
[6] J. A. Davis and J. Jedwab, “Peak-to-mean power control in OFDM, Golay
complementary sequences and Reed-Muller codes,” IEEE Transactions on In-
formation Theory, 45(7), November 1999.
[7] C. Sturm, E. Pancera, T. Zwick, and W. Wiesbeck, “A Novel Approach to
OFDM Radar Processing,” Radar Conference, IEEE, May 2009.
[8] C. Sturm, M. Braun, T. Zwick, and W. Wiesbeck, “A Multiple Target Doppler
Estimation Algorithm for OFDM based Intelligent Radar Systems,” 7th Euro-
pean Radar Conference, 2010.
[9] C. Sturm, L. Reichardt, T. Zwick, and W. Wiesbeck, “Evaluation of beam-
forming algorithms for automotive OFDM signal based radar,” in Proceedings
of the European Radar Conference EuRAD 2009, pages 141–144, Rome, Sept
2009. 2009.09.30.
[10] C. Sturm, T. Zwick, and W. Wiesbeck, “An OFDM System Concept for Joint
Radar and Communications Operations,” Vehicular Technology Conference,
2009. 69th IEEE, April 2009.
[11] C. Sturm, M. Braun, T. Zwick, and W. Wiesbeck, “Performance Verification
of Symbol-Based OFDM Radar Processing,” Radar Conference, IEEE Inter-
national, 2010.

H. Rohling (ed.), OFDM: Concepts for Future Communication Systems, 165
Signals and Communication Technology, DOI: 10.1007/978-3-642-17496-4_5,
© Springer-Verlag Berlin Heidelberg 2011
5 System Level Aspects for
Multiple Cell Scenarios
5.1 Link Adaptation
R. Kays, O. Hoffmann, TU Dortmund University, Germany
5.1.1 Motivation
OFDM based systems provide many options and parameters to set up an efficient
radio transmission for given requirements and channel conditions. System design
is very demanding especially if many transmissions share a limited bandwidth and
have to be optimized without a central coordination instance. Self-organizing net-
works are an example for such demanding system design tasks. Especially if high
requirements on quality of service are given in an environment with many active
transmission nodes, only careful selection of link adaptation methods can yield the
required performance. In any case, the basic OFDM design has to be suited to
the transmission task. System design is based on the selection of general parame-
ters like transmission frequency, bandwidth per channel, maximum transmit power
(typically limited by regulation) as well as the definition of the fundamental OFDM
parameters like number of carriers and the duration of the guard interval. In order
to specify a practical system, further specifications are needed to allow for synchro-
nization. Transmission standards therefore include the definition of pilot carriers
and synchronization symbols. Link adaptation means the dynamic choice of indi-
vidual link parameters within a given OFDM-framework. Typically, this process
has to be based on the observation of the transmission conditions which influence
a single radio link as well as a complete network. As the question of optimum link
adaptation is closely related to the environment of the links, many different options
exist. In order to restrict our discussion to a limited complexity, we will focus on a
certain application scenario which includes many aspects of general interest. This
scenario is sketched in the following chapter.
5.1.2 Example of a Multiple Link Scenario
For the purpose of discussing different aspects of link adaptation, a scenario should
be selected which poses demanding requirements on transmission efficiency and qual-
ity of service. The transmission of live media streams in home environments may
serve as such an example. Home environments are as individual as people are, and
they will differ between regions and cultures. Assuming a typical household in many

166 
5 System Level Aspects for Multiple Cell Scenarios
industrial countries one might assume that a critical network situation is the simul-
taneous use of different video services by several members of the household. There
may be different local storage servers containing audio-video (AV) material bought
by the consumer (like DVD or CD collections), recorded (broadcast time shift),
downloaded or produced (like personal video and still images). Furthermore, differ-
ent access points to external networks are available - satellite reception equipment,
broadband coax cable or twisted pair cable carrying speech communication as well
as DSL Internet access. Different devices may also link to terrestrial mobile com-
munication (GSM, UMTS) or digital broadcast networks like DVB-T, DVB-H, or
DAB. Figure 5.1 shows a typical scenario. Network access devices and local storage
servers are located in different rooms, and manifold AV devices are used in several
places. Services are provided based on individual links between data sources and
media renderers. The system has to assure that every user has convenient access
to every service - the vision of anything, anywhere, anytime should become reality
for the personal environment of people. From the system design point of view, an
efficient network is required, allowing for data rates in the order of 5 - 15 Mbit/s
per media stream. Although the network should appear as one logical instance from
the users’ perspective, it consists of a number of independent links with individ-
ual transmission parameters. Each link is competing for the scarce transmission
resources.

tải về 7.55 Mb.

Chia sẻ với bạn bè của bạn: