5G中OFDM车载通信干扰消除

第五代移动通信（5G）中的自动驾驶：缓解基于正交频分复用的车载通信干扰

摘要

第五代移动通信（5G）的到来及其所支持的性能和覆盖范围的巨大提升，将为汽车行业带来显著益处。通过设备的无缝互联，道路安全和交通效率服务将得到显著升级，而延迟的降低很可能使自动驾驶成为普及化技术，惠及大众。这项技术将产生巨大的社会和经济影响，因为它将使严重的交通事故、漫长的通勤时间以及高能耗成为历史。当前的车载通信系统通常配备正交频分复用（OFDM）收发器，但在即将到来的5G标准下，其运行模式往往处于次优状态。该问题源于接收机端存在的载波间干扰（ICI），通常通过集成的顺序干扰消除（OSIC）架构进行部分抑制。然而，为了降低复杂度，系统设计者试图仅考虑少量子载波来减轻ICI，但这会导致误码率平台现象以及不可接受的误码率（BER）。本文提出了一种基于OSIC的解决方案，用于消除在双选择性信道等特定条件下运行的OFDM系统中的干扰。实验结果表明，尽管以资源高效的方式运行，所提出的均衡器仍优于所有现有的非带状ICI消除方法，实现了更低的误码率。

索引术语 —正交频分复用，载波间干扰，顺序干扰消除，自动驾驶汽车，车联网（V2X），第五代移动通信（5G）。

一、引言

第五代移动通信（5G）网络时代的到来引入了诸多新颖且引人入胜的垂直领域，这些领域可能比以往任何蜂窝网络架构的变革更深刻地影响我们的日常生活。预计互联设备数量将大幅增加，用户对无缝连接和超高速数据传输的需求日益增长，这将推动电信网络的整体重新设计。

当新的应用出现并影响从娱乐到私人交通等各个领域时，支持超过100亿个互联蜂窝设备、端到端延迟低于1毫秒、可用性达99.99%、吞吐量高达千倍提升的商用网络所带来的某些优势将变得显而易见。

汽车领域一直分为两个既独立又相互关联的方向：自动驾驶汽车（ADV）和车联网（V2X）通信。第五代移动通信（5G）的到来有望解决自动驾驶的主要挑战性问题，即（i）车辆的精确定位位置检索；（ii）识别实际周围环境条件以实现碰撞避免；（iii）交通标志和路况识别（即车道、标志、信号灯和路面状况）[5]。通过先进的车联网（V2X）解决方案，自动驾驶汽车将能够与其他配备碰撞避免安全系统的车辆进行交互（车对车），识别交通信号配时或优先权（车对基础设施），实时从云端获取交通信息或路径引导（车对网络），并向行人提供安全预警（车对行人）。由于驾驶事故减少以及通勤时间更加可预测和高效，这项颠覆性技术将产生重大的经济和社会影响[6]。

如图1所示，车联网（V2X）是一项实现自动驾驶的关键技术，它使车辆能够以更短的间距安全行驶，从而实现交通流优化。此外，车联网（V2X）通过先验地收集数据并进行分析，提高了态势感知能力，为驾驶者提供更具可预测性的驾驶体验。这些数据可能包括状态信息（例如车速、状态、加速度）或事件信息（例如交通拥堵、结冰路面、事故通知），并通过车对车（V2V）接口向邻近车辆传播，或提交至中央数据库进行进一步处理后再分发到整个网络。根据[7]，下一步的演进方向是利用车辆的车载传感器，创建来自附近源的数据流组，并实时向所有行驶中的车辆提供增强的信息。这将使驾驶员能够恰当地应对盲区交叉口，在弯道、变道和超车情况下避免碰撞，发现可用停车位，并在交通信号优先、最高速度限制、自适应巡航控制和编队行驶得到集中实施的环境中安全驾驶。

5G必须解决的最大问题之一是与现有基础设施和可用用户设备的向后兼容性。尤其是在其部署的最初几年，直到价值链的所有环节实现同步，5G解决方案都需要确保支持上一代设备，并为其提供实现特定功能和速度标准的手段。这是根本原因。

基于3GPP长期演进（LTE）或IEEE 802.11p的当前一代网络解决方案也需要演进，以便能够无缝且轻松地集成到即将到来的生态系统中，确保一定程度的最终用户体验质量（QoE）。

LTE的最初设计是基于移动宽带流量的使用场景而制定的。这正是该架构在应用于V2X通信时存在某些局限性的明显原因。在蜂窝传输中，一个中心化网络实体会根据请求授予传输权限。这种集中式方法虽然可以最小化干扰并实现最优的碰撞避免，但也会导致瓶颈，因为每个数据包都必须通过上行和下行传输经过基础设施。当同一小区内有更多用户时，延迟会上升，最后但同样重要的是，无覆盖区域功能（例如隧道、农村地区、地下通道）根本无法实现。另一方面，IEEE 802.11p提供了源和目的端点之间的直接通信信道，并且能够在无网络基础设施覆盖的情况下以分布式方式运行，但在网络负载增加的情况下，其性能会迅速下降。这种现象的根本原因在于其基于竞争的介质访问策略，该策略遵循先听后说原则。在特定区域内进行传输的设备数量越多，由于信道被占用，设备推迟其传输的可能性就越高。可能发生的重传进一步增加了延迟，因此无法估计最大延迟。

鉴于每种V2X通信解决方案都有其特定的优缺点，大多数研究人员决定在较低层级提供解决方案，并研究一种广泛使用的数据通信技术——正交频分复用（OFDM）。

OFDM系统将整个通信信道划分为窄正交子信道，从而消除由底层多径环境引起的符号间干扰（ISI）。

然而，由于毫米波通信系统工作在显著提高的频段，接收机将经历严重的载波间干扰（ICI），因为单个OFDM块内的时间变化会破坏子信道的正交性并产生功率泄漏。这一限制不仅对第五代移动通信（5G）在超密集环境中宣称的功能构成威胁，也促使系统架构师致力于研究替代的均衡机制，以有效缓解载波间干扰（ICI）。

正交频分复用无法被立即取代，因为它已被主流电信平台所采用，这些平台定义了无线客户端与基站之间或两个无线客户端之间的空口接口，以及主导性的蜂窝通信标准LTE/LTE‐A。然而，任何潜在解决方案的低复杂度和计算简便性始终备受青睐。

在经历严重载波间干扰[8]的系统中，线性均衡方案的性能似乎无法接受。为了有效应对这种影响，需要更复杂的解决方案所需的方法在具有大量子载波的系统中通常变得不可行。

为应对这一限制，一些研究人员采用带状均衡方案[9],[10]，这些方案由于其简单性而显得颇具吸引力，但在高移动性场景下性能显著下降。受上述所有问题的启发，我们专注于非带状方案，并提出一种有序连续干扰消除架构，该架构在每一阶段选择一个种子均衡器，并使用共轭梯度法估计相应的系数。非种子均衡器通过Galerkin投影进行估计，所得系数随后用于选择下一阶段将用于检测相应子载波上传输符号的种子均衡器。所提技术的复杂度在很大程度上取决于终止参数，且可能比传统OSIC方法低一个数量级，同时不会明显影响性能。

本文的其余部分组织如下：第二节介绍了OFDM架构以及实际问题的表述，第三节分析了均衡方案。第四节展示了仿真结果，最后但同样重要的是，第五节总结了本工作的结论。

II. OFDM架构 & 系统模型

考虑一个在双选择性信道上运行的具有 N个子载波的OFDM系统。设s=[ s1 … sN]T ∈ C N×1为星座映射器输出的一组 N个符号，这些符号被送入OFDM调制器的输入端。第 sk个符号通过第k个子载波进行传输。

逆离散傅里叶变换（IDFT）单元的输出表示为u, FH s ∈ CN×1，该输出被送至循环前缀（CP）添加器，在此处通过添加长度为 Ncp的循环前缀形成长度为 M= N+ Ncp的OFDM符号ˆu ∈ CM×1。从数学上讲，循环前缀添加可表示为ˆu,Ccps，其中：

$$
C_{cp} = \begin{bmatrix}
0_{N_{cp} \times (N - N_{cp})} & I_{N_{cp}} \
I_N &
\end{bmatrix}
\quad (1)
$$

双选择性信道被建模为广义平稳非相关散射（WSSUS）信道[11]，该WSSUS信道的信道冲激响应（CIR）表示为 $ h(n, \tau) = \sum_{l=0}^{L-1} a(n, l)\delta(\tau - l) $，其中 $ a(n, l) $ 是复数零均值高斯随机变量。假设一个具有最大时延扩展 $ L \leq N_{cp} $ 的因果信道，则OFDM解调器输入端的接收信号由下式给出：

$$
\hat{x} = \tilde{H}_t \hat{u} + \hat{w}
\quad (2)
$$

其中 $ \tilde{H} t \in \mathbb{C}^{M \times M} $，其中 $ [\tilde{H}_t] {i,j} = a(i, \text{mod}(i - j, L)) $，且 $ i, j \in {1,…, M} $，而 $ \hat{w} \in \mathbb{C}^{M \times 1} $ 表示加性白高斯噪声（AWGN），其服从 $ \hat{w} \sim \mathcal{N}(0, \sigma^2 I_M) $ 分布。在忽略潜在的采样和载波频率偏移后，OFDM解调器的输出可表示为：

$$
y = Fz = FR_{cp} \tilde{H} t C {cp} F^H s + w = Hs + w
\quad (3)
$$

其中，算子 $ R_{cp} $ 会丢弃CP的 $ N_{cp} $ 个样本。此时还应注意， $ w $ 的元素也是具有零均值和方差 $ \sigma^2 $ 的复高斯随机变量。

在时不变情况下，矩阵 $ H_t $ 具有托普利茨结构，即 $ a_i(1) = a_i(2) = \cdots = a_i(N) $，$ i = 1,…, L $，因此矩阵 $ H $ 变为对角矩阵，因为矩阵 $ R_{cp}H_tC_{cp} $ 是循环矩阵，从而频域均衡需要 $ O(N) $ 次复浮点运算。在时变情况下，矩阵 $ H $ 不再是对角矩阵，需要更复杂的均衡方案。

III. 提出的均衡方案

在时变和频选情况下，最常用的方案之一是基于OSIC架构的均衡方案。与线性方法相比，这些方案虽然需要更高的复杂度，但能提供显著的性能优势。在本节中，我们描述了所提出的采用一种著名的求解具有多个右端项的线性系统的线性代数方法——伽辽金投影（GPs）的有序连续干扰消除方案。我们首先将子载波 k的均衡器估计问题表述为求解多个线性系统的问题，然后利用GPs来挖掘不同系统之间的相干性。具体而言，其中一个系统被选为“种子”，并通过共轭梯度（CG）迭代进行求解，而其他系统则通过执行伽辽金投影来更新其解。种子的选择由每一阶段应用的排序机制决定。在每一阶段 k，所提架构的基本步骤包括：i）使用CG计算种子均衡器系数；ii）使用GP计算非种子均衡器系数；iii）排序并识别下一阶段将被选为种子的系统。本节后续部分将详细介绍这些步骤中的每一个。

A. ‘种子’均衡器的评估

在考虑 N个数据符号通过 N个子载波传输后，干扰消除在 N阶段中进行，其中在每一阶段减去与之前阶段已做出判决相关的载波间干扰部分。具体而言，假设符号按顺序检测，即 $ s_{z_1}, s_{z_2}, …, s_{z_N} $，则在每一阶段估计使最小均方误差（MMSE）准则最小的均衡器，该准则表示为：

$$
g_{z_k} = \arg \min_{g_{z_k}} \frac{1}{2} E\left{ |g_{z_k}^H y_{z_k} - s_{z_k}|^2 \right}, \quad k = 1,…, N
\quad (4)
$$

其中 $ g_{z_k} $ 表示用于消除在 k子载波上引入的干扰的滤波器， $ y_{z_k} $ 表示接收机处在消除 k − 1个先前检测到的符号后得到的时域符号的更新后的向量，且 $ y_{z_1} \triangleq y $。

等价地，上述代价函数的最小化值可以通过求解以下线性系统得到，该系统被称为“种子”系统：

$$
(H_{z_k}^H H_{z_k} + \sigma^2 I_{N-k+1}) g_{z_k} = h_{z_k}
\quad (5)
$$

其中 $ h_{z_k} $ 是信道矩阵 $ H_{z_k}^H $ 的 $ z_k $-th列， $ H_{z_k} $ 表示移除了前 $ k-1 $ 列 $ {h_{z_1},…,h_{z_{k-1}}} $ 后的信道矩阵，且 $ H_{z_1} \triangleq H $。种子系统的解可以通过共轭梯度（CG）方法高效地估计，该方法通过在 $ A_{z_k} $-正交方向上执行步骤来顺序更新解 $ g_m^i $，其中 $ A_{z_k} \triangleq (H_{z_k}^H H_{z_k} + \sigma^2 I_{N-k+1}) $。在第 $ i $-次 CG 迭代中，Krylov子空间 $ \mathcal{K} {m,i} = \text{span}{d_0^m, d_1^m, …, d {i-1}^m} $ 的基确定了近似解所在的搜索空间，而 $ d_\ell^m $ 是第 $\ell$-次迭代时第 $ m $-个系统的搜索方向。最多经过 $ N $ 次迭代后，得到的解 $ g_m \triangleq g_m^N $ 是以下二次代价函数 $ J $ 的最小化器，即

$$
J(g_m) = \frac{1}{2} g_m^H A_{z_k} g_m - h_m^H g_m.
\quad (6)
$$

第 $ i $ 步的搜索方向 $ d_i^m $ 通过将格拉姆-施密特过程应用于残差向量 $ r_i^m = -\nabla J(g_m^i) = h_m - A_{z_k} g_m^i $ 和前一个方向 $ d_0^m, d_1^m, …, d_{i-1}^m $ 得到。通过利用梯度 $ \nabla J(g_m^i) $ 与之前方向向量的正交性，我们得到以下更新规则：

$$
d_i^m = r_i^m + \beta_i d_{i-1}^m
\quad (7)
$$

其中 $ \beta_i = \frac{(r_i^m)^H r_i^m}{(r_{i-1}^m)^H r_{i-1}^m} $。对于给定的一组 $ A $-共轭方向，近似解 $ g_m^i $ 可表示如下：

$$
g_m^i = \alpha_0 d_0^m + … + \alpha_i d_i^m = x_{m}^{i-1} + \alpha_i d_i^m
\quad (8)
$$

其中，标量值 $ \alpha_i $ 是关于 $ \alpha_i $ 的二次函数的最小化参数，即 $ \alpha_i = \frac{(r_i^m)^H r_i^m}{(d_i^m)^H A_{z_k} d_i^m} $。第 $ i $ 次迭代时的残差向量可根据 $ r_i^m = r_{i-1}^m - \alpha_i A_{z_k} d_i^m $ 进行更新。

在迭代算法终止后，使用(5)的估计解来检测当前符号，即：

$$
\hat{s} {z_k} = \Pi(g {z_k}^H y_{z_k}).
\quad (9)
$$

然后利用判决值 $ \hat{s} {z_k} $ 来估计相应的载波间干扰，即 $ h {z_k} \hat{s} {z_k} $，再从下一个接收符号 $ y {z_{k+1}} $ 中减去该干扰，即

$$
y_{z_{k+1}} = y_{z_k} - h_{z_k} \hat{s}_{z_k}
\quad (10)
$$

然后重复上述过程以检测 $ s_{z_{k+1}} $。

B. 非种子均衡器的排序与评估

顺序干扰消除（OSIC）方案的性能在很大程度上受到发送至以下子载波[12],[13]的符号检测顺序的影响。获得最佳检测顺序的最常用准则是最大化接收机处的信号与干扰加噪声功率比（SINR），这对应于OFDM解调器输出端可实现误码率（BER）的最小化。从数学角度来看，在每一阶段 k，该最大化可表示为：

$$
z_k = \arg \max_l \frac{|g_l^H h_l|^2}{\sum_{m \neq k} |g_l^H h_m|^2 + \sigma^2 |g_l|^2}, \quad \forall l \in [z_{k+1}, z_{k+2}, …, z_N].
\quad (11)
$$

因此，在阶段 $ z_k $ 计算信干噪比时，需要估计 $ g_{z_{k+1}}, …, g_{z_N} $ 均衡向量，这些均衡向量通过求解以下线性方程组来获得：

$$
A_{z_k} g_l = h_l, \quad \text{with } l \in [z_{k+1}, z_N]
\quad (12)
$$

其中自相关矩阵在每个阶段的所有系统中都是相同的。

其余 $ N−1 $ 非种子系统的近似解，即

$$
A_{z_k} g_l = h_l, \quad \text{with } l \in [2,…, N]
\quad (13)
$$

通过求解以下优化问题 $ \min_\alpha J(g_l^{i-1} + \alpha d_i^m) $（对所有 $ l $）得到。因此，其余的均衡向量可按如下方式更新：

$$
g_l^i = g_l^{i-1} + \alpha_l d_i^m
\quad (14)
$$

其中 $ \alpha_l = \frac{(d_i^m)^H r_{l}^{i-1}}{(d_i^m)^H A_{z_k} d_i^m} $ 且 $ r_l^{i-1} $ 通过以下方式估计：

$$
r_l^i = r_l^{i-1} - \alpha_l A_{z_k} d_i^m.
\quad (15)
$$

最后需要指出的是，矩阵向量乘积 $ A_{z_k} d_i^m $ 已在种子线性系统的第 i次共轭梯度迭代执行过程中计算完成。上述步骤总结于下表中。具体而言，第2行的“for”循环表示各个阶段，而终止条件在第4行进行评估。种子均衡器在第5‐16行进行估计，而非种子ICI消除滤波器在第17‐21行进行近似计算。该算法中的计算密集型任务是第12和第18行中的矩阵向量乘积。

Algorithm 1: Proposed ICI cancellation approach

Data: Azk, Hzk, G0
Result: G
1 Initialization: R0 = Hzk − Azk G0
2 for m = 1, 2, ..., N − k+1 do
3   i ← 0  
4   while ‖r^{i−1}_m‖ < ε do
5     ρ^i ← ‖r^{i−1}_m‖
6     if i = 0 then
7       d^i_m ← r^{i−1}_m
8     else
9       β^i ← ρ^i / ρ^{i−1}
10      d^i_m ← r^{i−1}_m + β^i d^{i−1}_m
11    V^i ← Azk d^i_m
12    C^i ← (d^i_m)^H V^i
13    α^i ← ρ^i / C^i
14    g^i_m ← g^{i−1}_m + α^i d^i_m
15    r^i_m ← r^{i−1}_m − α^i V^i
16    for ` = m+1, ..., N do
17      ζ^i ← (d^i_m)^H r^{i−1}_` / C^i
18      g^i_` ← g^{i−1}_` + ζ^i d^i_m
19      r^i_` ← r^{i−1}_` − ζ^i V^i
20    i ← i+1

性能/复杂度权衡 ：算法1的终止由残差向量的绝对范数决定。阈值 ε直接影响收敛所需的迭代次数，并决定了所提出的方法的性能和复杂度。可以很容易地证明，参数 ε与算法的重构误差之间存在强相关性，该重构误差定义为 $ \zeta \triangleq |g_m^? - g_m^I| $。

表I：仿真实验中使用的基本参数

参数	值
调制模式	4QAM, 16QAM
子载波	N = 32
FFT长度	32
信道长度	L = 3
循环前缀长度	Ncp = 3

如果我们用 $ I $ 表示 $ m $ 系统执行的迭代，则误差残差可以表示为：

$$
r_I^m = b_m - R_m g_m^I = A_{z_k} g_m^? - A_{z_k} g_m^I = A_{z_k}(g_m^? - g_m^I)
\quad (16)
$$

其中 $ g_m^? $ 表示在(5)中计算的干扰消除滤波器。然后，误差范数的边界如下：

$$
|r_I^m| < |A_{z_k}| |g_m^? - g_m^I| = |A_{z_k}| \zeta
\quad (17)
$$

接下来，注意到 $ |A_{z_k}| = |H_{z_k}^H H_{z_k} + \sigma^2 I| \leq |H_{z_k}|^2 + \sigma^2 $。由于 $ H_{z_k} $ 的列数少于 $ H_{z_1} $，因此有 $ |H_{z_k}| < |H| $，从而可得 $ |A_{z_k}| < |H|^2 + \sigma^2 $。因此，残差误差的上界为：

$$
|r_I^m| < (|H|^2 + \sigma^2)\zeta \triangleq \varepsilon
\quad (18)
$$

即 ε对应归一化误差，式(18)表示终止条件。阈值较小时，重构误差较小，但会显著增加达到期望精度所需的迭代次数($ I \to N $)；而较大的阈值则会同时降低精度和所需迭代次数($ I \ll N $)。

IV. 仿真结果

本节通过大量仿真对所提出的均衡器性能进行了评估。所有参数均按照IEEE 802.11p标准选定。此外，假设接收机具有完整的信道状态信息，并且所有参与实体均实现完美的载波和相位同步。

A. 设置

整体设置围绕在双选择性信道上运行的正交频分复用系统仿真。表I列出了该组仿真实验中使用的基本参数。

关于信道建模，采用了广义平稳非相关散射（WSSUS）衰落模型，并采用3抽头的指数延迟功率谱，如以下所示：

$$
\sigma_h^2(l) = \frac{e^{-l/L}}{\sum_{m=0}^{L-1} e^{-m/L}}, \quad \text{for } l = 0, 1, …, L-1
\quad (19)
$$

其中 $ L = 3 $。贾克斯模型[14]被用于独立生成每个信道抽头所用的复高斯随机过程的多普勒频谱，而每个信道抽头的自相关函数等于第一类零阶贝塞尔函数，即 $ r_t(\Delta t) = J_0(2\pi f_d \Delta t) $，其中 $ \Delta t \in [-N, N] \subset \mathbb{Z} $， $ f_d $ 为归一化多普勒扩展，定义为 $ f_d \triangleq \frac{1}{F} \frac{v}{c} f_c $。在上述公式中， $ v $ 是车辆的相对速度， $ f_c $ 对应载波频率， $ F $ 表示子载波间隔，而 $ c $ 是光速。在我们的仿真实验中，我们采用了对信号速率[10]进行归一化处理，例如 $ F = N $。

为了恰当地评估所提出的均衡器的性能，必须将其与过去几年中开展的许多类似方法进行比较。具体而言，我们重点关注了以下两种方法：i) [15]中提出的均衡器（称为块状顺序干扰消除（Block OSIC），非带状）；ii) 采用[16]中提出的均衡器（称为块状最小均方误差（Block MMSE），带状加窗）作为低复杂度技术。

所有带状均衡方案中的软判决均使用以下公式计算：

$$
\tilde{x}_w = \left( H_K^H H_K + \frac{\sigma^2}{\gamma} C(w)C(w)^H \right)^{-1} y_w
\quad (20)
$$

其中， $ H_K $ 表示频域信道矩阵的 K-banded近似，参数 $ \gamma \in (0, 1] $ 作为正则化参数，而 $ w $ 对应于接收符号 $ y $ 所应用的窗口，且 $ y_w \triangleq C(w)y $。此外，前述窗口设计采用了最大信干噪比准则[10]。

此外，[17]引入的串行均衡器（称为Serial DFE）被用作块均衡的替代方案。每一步处理的子载波总数等于 K。[17]中该技术的另一个决定性因素是应用于均衡器输出的 PIC操作。实际的PIC迭代次数决定了该技术在复杂度和性能之间的整体权衡。

B. 误码率性能

图2展示了在不同归一化多普勒频率 $ f_d $ 下4QAM调制的误码率随信噪比的变化情况。显然，在中等多普勒扩展（$ f_d = 0.05 $）情况下，各种技术在绝对性能上并无明显占优者。在较高多普勒扩展情况下，带状和串行近似技术均遭受严重的载波间干扰，且 K值的任何变化都会直接导致性能显著下降。对于 $ f_d = 0.3 $，块判决反馈均衡技术[18]的误码率性能与顺序干扰消除技术相当，但在较高多普勒扩展下，必须增加 K值才能使系统保持该性能水平。

相反，顺序干扰消除技术表现出强大的能力，能够有效抑制载波间干扰，无论每种情况下的多普勒扩展如何。结果表明，所提技术的误码率仅依赖于参数 ε，其性能 closely approximates 非带状块状顺序干扰消除均衡器[15]的误码率。

V. 结论

汽车行业目前正处于快速的技术转型阶段。现代车辆正在配备了新型通信系统，不仅能够连接到网络基础设施，还能连接任何具有兼容接口的邻近设备。随着第五代移动通信（5G）这一下一代移动通信技术的到来，这一趋势在未来不久可能进一步加剧。然而，必须确保与当前已部署设备的向后兼容性，因此现有技术也需要不断演进。本文提出了一种基于OSIC的解决方案，用于消除OFDM系统中的干扰。均衡器滤波器通过一种基于共轭梯度的机制被高效估计。该机制利用伽辽金投影来初始化滤波器，从而大幅加快算法的收敛速度。实验结果表明，所提出的均衡器在资源高效的方式下运行，仍能实现更低的误码率，优于所有常用的非带状ICI消除方法。我们的解决方案旨在使现有的V2X通信平台更加敏捷和可靠，从而使其能够顺利集成到即将到来的新型框架中。