CN102833193A - 一种双向中继网络中基于压缩感知的稀疏信道估计方法 - Google Patents

Abstract

本发明公开了一种双向中继网络中基于压缩感知的稀疏信道估计方法，其根据当前用户终端在第二个时隙内接收到的实际信号及双向中继网络中的每个用户终端发送的高斯随机训练序列，对当前用户终端与中继节点之间的等效信道向量进行信道迭代循环估计以得到信道估计值，在信道迭代循环估计过程中通过利用加权最小二乘估计方法，不断减小前一次迭代后残差值较大位置对应的异常样本的影响，增加对残差值较小位置对应的有利样本的重视，这样有效地提高了稀疏双向中继信道估计的精确度和稳健性，且由于本发明方法充分利用了双向中继信道的潜在稀疏特性，因此能够大大减少估计所需的高斯随机训练序列，提高了估计效率，并显著提高了能量和带宽的利用率。

Description

一种双向中继网络中基于压缩感知的稀疏信道估计方法

技术领域

本发明涉及一种无线通信系统中的信道估计方法，尤其是涉及一种双向中继网络中基于压缩感知的稀疏信道估计方法。

背景技术

中继技术作为能够满足未来无线宽带通信系统高容量需求的一个关键技术，已经成为近年来通信领域研究的热点。对于中继技术的研究，前期主要集中在单向中继（One-Way Relay）系统，然而单向中继系统固有的缺陷是随着中继节点的增加，频谱效率会逐渐降低。针对单向中继系统的固有缺陷问题，以香农为代表的研究者提出了双向中继（Two-Way Relay）系统的概念。大量研究表明，双向中继系统相对于单向中继系统的最大优势在于能够明显提高频谱利用率。目前，放大转发（Amplify-and-Forward，AF）和解码转发（Decode-and-Forward，DF）两种协议已经被成功应用于双向中继网络（Two-Way Relay Network，TWRN）。与基于DF协议的TWRN（DF-TWRN）相比，基于AF协议的TWRN（AF-TWRN）只需要在中继节点对信号进行很少的处理并且无需解码操作，因此对AF-TWRN的研究越来越受到人们的重视。

信道估计是提升AF-TWRN性能的一种重要方式，通过信道估计可以获取基于AF协议的双向中继信道的信道状态信息，从而可准确地在接收端恢复出传输数据。现有的双向中继信道估计方法主要有基于传统的最小二乘（Least Squares，LS）法的双向中继信道估计方法和最近提出的基于压缩感知（Compressed Sensing，CS）理论中的正交匹配追踪（Orthogonal Matching Pursuit，OMP）法的双向中继信道估计方法等。基于传统的最小二乘法的双向中继信道估计方法由于没有考虑双向中继信道的潜在稀疏特性，因此会导致能量和带宽被过度使用，信道估计效率不高，违背了近年来盛行的“绿色通信”理念中节能减排的思想；基于压缩感知理论中的正交匹配追踪法的双向中继信道估计方法是建立在压缩感知理论基础上的一种全新的信道估计方法，该方法充分考虑了实际双向中继信道的潜在稀疏特性，在获得与基于传统的最小二乘法的双向中继信道估计方法相同的估计效果时，可以显著的降低信道估计所需的训练序列，提高能量和带宽利用率，但是由于正交匹配追踪法本身是一种贪婪迭代方法，每一次迭代过程都直接采用最小二乘去估计新的逼近值，忽略了前一次迭代后残差值较大的位置对应的异常样本的影响，因此会导致最终的估计结果精度不高，并且会降低信道估计的效率。

发明内容

本发明所要解决的技术问题是提供一种双向中继网络中基于压缩感知的稀疏信道估计方法，其能够有效提高能量和带宽的利用率，并且能够有效提高信道估计精度和估计效率。

本发明解决上述技术问题所采用的技术方案为：一种双向中继网络中基于压缩感知的稀疏信道估计方法，其特征在于包括以下步骤：

①假设采用最典型的基于放大转发协议的双向中继网络进行稀疏信道估计，该双向中继网络中拥有两个用户终端和一个中继节点，且中继节点和每个用户终端均只有一根天线；

②在该双向中继网络中，第一个用户终端在第一个时隙内发送高斯随机训练序列X₁到中继节点，同时第二个用户终端在第一个时隙内发送高斯随机训练序列X₂到中继节点；

③在该双向中继网络中，中继节点对其在第一个时隙内接收到的高斯随机训练序列X₁和高斯随机训练序列X₂进行叠加，得到叠加的高斯随机训练序列X，X=[X₁,X₂]，然后中继节点在第二个时隙内对叠加的高斯随机训练序列X进行幅度放大，并同时发送幅度放大后的叠加的高斯随机训练序列到第一个用户终端和第二个用户终端，第一个用户终端在第二个时隙内接收到实际信号Y，第二个用户终端在第二个时隙内接收到实际信号Y'，其中，[X₁,X₂]表示将X₁和X₂合并为一个矩阵；

④根据第一个用户终端在第二个时隙内接收到的实际信号Y、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第一个用户终端与中继节点之间的等效信道向量h估计后的估计值具体过程为：④-1、设定初始残差值r₀为Y，即r₀=Y，初始索引值集Λ₀为空集

即并令i表示迭代次数，其初始值为1；④-2、判断迭代次数i是否满足条件：i≥4×S，如果满足，则令

然后执行步骤⑤，否则，继续执行步骤④-3，其中，S表示第一个用户终端与中继节点之间的等效信道向量h的信道抽头数，

中的“=”为赋值符号，

表示第一个用户终端与中继节点之间的等效信道向量h经过第i次信道迭代循环估计后的估计值；④-3、对第一个用户终端与中继节点之间的等效信道向量h进行信道迭代循环估计，其具体过程为：a、获取一个第i次信道迭代循环估计后的索引值λ_i，该索引值λ_i能够使叠加的高斯随机训练序列X中的第λ_i列的所有元素与第i-1次信道迭代循环估计后的残差值r_i-1的内积结果最大，其中，1≤λ_i≤C，C表示叠加的高斯随机训练序列X的总列数；b、计算第i次信道迭代循环估计后的索引值集Λ_i和第i次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i列的所有元素后构成的集合Z_i，Λ_i=Λ_i-1∪{λ_i}， $Z_i=\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right],$ 其中，符号“∪”为并集运算符号，Λ_i-1表示第i-1次信道迭代循环估计后的索引值集，符号“{}”为集合表示符号，Z_i-1表示第i-1次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i-1列的所有元素后构成的集合，Z₀表示第1次信道迭代循环估计前的初始集合，其值为空集

表示叠加的高斯随机训练序列X中的第λ_i列的所有元素， $\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right]$ 表示将Z_i-1和

合并为一个矩阵；c、利用加权最小二乘估计方法，计算第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i内的估计值，记为

并令第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i外的估计值为0，其中，

为Z_i的共轭转置矩阵，

为

的逆矩阵，W_i表示第i次迭代过程中的加权矩阵，当i＝1时W₁为单位矩阵，当i>1时W_i为对角矩阵，且其第k行第k列的元素为

表示第i-1次信道迭代循环估计后的残差值r_i-1中的第k个元素，符号“||”为求模运算符号，ε为设定的极小的正常数；d、计算第i次信道迭代循环估计后的残差值r_i，

e、令i＝i+1，并返回步骤④-2继续执行，其中，i＝i+1中的“=”表示赋值符号；

⑤在获得第一个用户终端与中继节点之间的等效信道向量h的估计值

后，按照步骤④的操作，根据第二个用户终端在第二个时隙内接收到的实际信号Y'、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第二个用户终端与中继节点之间的等效信道向量的估计值。

所述的步骤c中ε=10^-9。

与现有技术相比，本发明的优点在于：其根据当前用户终端在第二个时隙内接收到的实际信号及双向中继网络中的每个用户终端发送的高斯随机训练序列，对当前用户终端与中继节点之间的等效信道向量进行信道迭代循环估计以得到信道估计值，在信道迭代循环估计过程中通过利用加权最小二乘估计方法，不断减小前一次迭代后残差值较大位置对应的异常样本的影响，增加对残差值较小位置对应的有利样本的重视，这样有效地提高了稀疏双向中继信道估计的精确度和稳健性，而且与基于传统的最小二乘（LS）法的双向中继信道估计方法相比，由于本发明方法充分利用了双向中继信道的潜在稀疏特性，因此在获得相同估计效果的情况下，能够大大减少估计所需的高斯随机训练序列，提高了估计效率，并显著提高了能量和带宽的利用率。

附图说明

图1为本发明方法所用的基于放大转发协议的双向中继网络示意图；

图2为不同信噪比情况下，本发明方法与基于传统的最小二乘（LS）法的双向中继信道估计方法及基于压缩感知理论中的正交匹配追踪（OMP）法的双向中继信道估计方法的估计性能比较示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种双向中继网络中基于压缩感知的稀疏信道估计方法，其具体包括以下步骤：

①假设采用如图1所示的最典型的基于放大转发协议的双向中继网络进行稀疏信道估计，该双向中继网络中拥有两个用户终端和一个中继节点且中继节点和每个用户终端均只有一根天线。在实际应用过程中，也可以采用其他形式的双向中继网络进行稀疏信道估计，在此为了描述方便才选择最典型的最简单的一种双向中继网络的。

②在该双向中继网络中，第一个用户终端在第一个时隙内发送高斯随机训练序列X₁到中继节点，同时第二个用户终端在第一个时隙内发送高斯随机训练序列X₂到中继节点。

③假设第一个用户终端和第二用户终端在第一个时隙内是理想的传输信号的，即传输后信号不会发生变化，这样中继节点在第一个时隙内接收到的信号仍为高斯随机训练序列X₁和高斯随机训练序列X₂。在该双向中继网络中，中继节点对其在第一个时隙内接收到的高斯随机训练序列X₁和高斯随机训练序列X₂进行叠加，得到叠加的高斯随机训练序列X，X=[X₁,X₂]，然后中继节点在第二个时隙内对叠加的高斯随机训练序列X进行幅度放大，并同时发送幅度放大后的叠加的高斯随机训练序列到第一个用户终端和第二个用户终端，第一个用户终端在第二个时隙内接收到实际信号Y，第二个用户终端在第二个时隙内接收到实际信号Y'，其中，[X₁,X₂]表示将X₁和X₂合并为一个矩阵。

④根据第一个用户终端在第二个时隙内接收到的实际信号Y、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第一个用户终端与中继节点之间的等效信道向量h估计后的估计值具体过程为：④-1、设定初始残差值r₀（即第1次迭代前的残差值）为Y，即r₀=Y，初始索引值集Λ₀（即第1次迭代前的索引值集）为空集

即

并令i表示迭代次数，其初始值为1；④-2、判断迭代次数i是否满足条件：i≥4×S，如果满足，则令

然后执行步骤⑤，否则，继续执行步骤④-3，其中，S表示第一个用户终端与中继节点之间的等效信道向量h的信道抽头数，

中的“=”为赋值符号，

表示第一个用户终端与中继节点之间的等效信道向量h经过第i次信道迭代循环估计后的估计值；④-3、对第一个用户终端与中继节点之间的等效信道向量h进行信道迭代循环估计，其具体过程为：a、获取一个第i次信道迭代循环估计后的索引值λ_i，该索引值λ_i能够使叠加的高斯随机训练序列X中的第λ_i列的所有元素与第i-1次信道迭代循环估计后的残差值r_i-1的内积结果最大，其中，1≤λ_i≤C，C表示叠加的高斯随机训练序列X的总列数；b、计算第i次信道迭代循环估计后的索引值集Λ_i和第i次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i列的所有元素后构成的集合Z_i，Λ_i=Λ_i-1∪{λ_i}， $Z_i=\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right],$ 其中，符号“∪”为并集运算符号，Λ_i-1表示第i-1次信道迭代循环估计后的索引值集，符号“{}”为集合表示符号，Z_i-1表示第i-1次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i-1列的所有元素后构成的集合，Z₀表示第1次信道迭代循环估计前的初始集合，其值为空集

表示叠加的高斯随机训练序列X中的第λ_i列的所有元素， $\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right]$ 表示将Z_i-1和

合并为一个矩阵；c、利用加权最小二乘估计方法，计算第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i内的估计值，记为

并令第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i外的估计值为0，其中，

为Z_i的共轭转置矩阵，

为

的逆矩阵，W_i表示第i次迭代过程中的加权矩阵，当i＝1时W₁为单位矩阵，当i>1时W_i为对角矩阵，且其第k行第k列的元素为

表示第i-1次信道迭代循环估计后的残差值r_i-1中的第k个元素，符号“||”为求模运算符号，ε为设定的极小的正常数，如可取ε=10^-9；d、计算第i次信道迭代循环估计后的残差值r_i，e、令i＝i+1，并返回步骤④-2继续执行，其中，i＝i+1中的“=”表示赋值符号。

⑤在获得第一个用户终端与中继节点之间的等效信道向量h的估计值

后，按照步骤④的操作，根据第二个用户终端在第二个时隙内接收到的实际信号Y'、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第二个用户终端与中继节点之间的等效信道向量h'的估计值

即其具体过程为：⑤-1、设定初始残差值r₀'（即第1次迭代前的残差值）为Y'，即r₀'=Y'，初始索引值集Λ₀'（即第1次迭代前的索引值集）为空集

即并令i表示迭代次数，其初始值为1；⑤-2、判断迭代次数i是否满足条件：i≥4×S'，如果满足，则令

否则，继续执行步骤⑤-3，其中，S'表示第二个用户终端与中继节点之间的等效信道向量h'的信道抽头数，

中的“=”为赋值符号，

表示第二个用户终端与中继节点之间的等效信道向量h'经过第i次信道迭代循环估计后的估计值；⑤-3、对第二个用户终端与中继节点之间的等效信道向量h'进行信道迭代循环估计，其具体过程为：a、获取一个第i次信道迭代循环估计后的索引值λ_i'，该索引值λ_i'能够使叠加的高斯随机训练序列X中的第λ_i'列的所有元素与第i-1次信道迭代循环估计后的残差值r_i-1'的内积结果最大，其中，1≤λ_i'≤C，C表示叠加的高斯随机训练序列X的总列数；b、计算第i次信道迭代循环估计后的索引值集Λ_i'和第i次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i'列的所有元素后构成的集合Z_i'，Λ_i'=Λ_i-1'∪{λ_i'}， ${Z_i}^{\′}=\left[\begin{array}{cc}{Z_{i-1}}^{\′}& t_{{{\mathrm{\λ}}_i}^{\′}}\end{array}\right],$ 其中，符号“∪”为并集运算符号，Λ_i-1'表示第i-1次信道迭代循环估计后的索引值集，符号“{}”为集合表示符号，Z_i-1'表示第i-1次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i-1'列的所有元素后构成的集合，Z₀'表示第1次信道迭代循环估计前的初始集合，其值为空集

表示叠加的高斯随机训练序列X中的第λ_i'列的所有元素， $\left[\begin{array}{cc}{Z_{i-1}}^{\′}& t_{{{\mathrm{\λ}}_i}^{\′}}\end{array}\right]$ 表示将Z_i-1'和

合并为一个矩阵；c、利用加权最小二乘估计方法，计算第i次信道迭代循环估计后第二个用户终端与中继节点之间的等效信道向量h'在第i次信道迭代循环估计后的索引值集Λ_i'内的估计值，记为

并令第i次信道迭代循环估计后第二个用户终端与中继节点之间的等效信道向量h'在第i次信道迭代循环估计后的索引值集Λ_i'外的估计值为0，其中，Z_i′H为Z_i'的共轭转置矩阵，(Z_i'^HW_iZ_i')^-1为Z_i'^HW_iZ_i'的逆矩阵，W_i表示第i次迭代过程中的加权矩阵，当i＝1时W₁为单位矩阵，当i>1时W_i为对角矩阵，且其第k行第k列的元素为

表示第i-1次信道迭代循环估计后的残差值r_i-1'中的第k个元素，符号“||”为求模运算符号，ε为设定的极小的正常数，如可取ε=10^-9；d、计算第i次信道迭代循环估计后的残差值r_i'，e、令i＝i+1，并返回步骤⑤-2继续执行，其中，i＝i+1中的“=”表示赋值符号。

通过以下仿真以进一步说明本发明的稀疏信道估计方法的可行性和有效性。

设定常数ε＝10^-9，信噪比的变化范围为0～30（分贝），第一个用户终端与中继节点之间的等效信道向量h的长度为31，第一个用户终端与中继节点之间的等效信道向量h的信道抽头数S为6；设定第一个用户终端和第二个用户终端发送的高斯随机训练序列长度相同（分别取为18、36和54进行测试）。图2给出了在不同高斯随机训练序列长度下随着信噪比的变化，基于传统的最小二乘（LS）法的双向中继信道估计方法、基于压缩感知理论中的正交匹配追踪（OMP）法的双向中继信道估计方法、本发明方法通过10000次蒙特卡洛仿真获得的归一化均方误差的比较。从图2中可以看出，在高斯随机训练序列相同长度下，本发明方法相对基于压缩感知理论中的正交匹配追踪（OMP）法的双向中继信道估计方法明显减少了估计误差，与基于传统的最小二乘（LS）法的双向中继信道估计方法相比，本发明方法在获得相同估计误差的情况下，大大减少了所需的高斯随机训练序列，显著提高了估计效率。

Claims (2)

1.一种双向中继网络中基于压缩感知的稀疏信道估计方法，其特征在于包括以下步骤：

①假设采用最典型的基于放大转发协议的双向中继网络进行稀疏信道估计，该双向中继网络中拥有两个用户终端和一个中继节点，且中继节点和每个用户终端均只有一根天线；

②在该双向中继网络中，第一个用户终端在第一个时隙内发送高斯随机训练序列X₁到中继节点，同时第二个用户终端在第一个时隙内发送高斯随机训练序列X₂到中继节点；

③在该双向中继网络中，中继节点对其在第一个时隙内接收到的高斯随机训练序列X₁和高斯随机训练序列X₂进行叠加，得到叠加的高斯随机训练序列X，X=[X₁,X₂]，然后中继节点在第二个时隙内对叠加的高斯随机训练序列X进行幅度放大，并同时发送幅度放大后的叠加的高斯随机训练序列到第一个用户终端和第二个用户终端，第一个用户终端在第二个时隙内接收到实际信号Y，第二个用户终端在第二个时隙内接收到实际信号Y'，其中，[X₁,X₂]表示将X₁和X₂合并为一个矩阵；

④根据第一个用户终端在第二个时隙内接收到的实际信号Y、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第一个用户终端与中继节点之间的等效信道向量h估计后的估计值具体过程为：④-1、设定初始残差值r₀为Y，即r₀=Y，初始索引值集Λ₀为空集即

并令i表示迭代次数，其初始值为1；④-2、判断迭代次数i是否满足条件：i≥4×S，如果满足，则令

然后执行步骤⑤，否则，继续执行步骤④-3，其中，S表示第一个用户终端与中继节点之间的等效信道向量h的信道抽头数，

中的“=”为赋值符号，

表示第一个用户终端与中继节点之间的等效信道向量h经过第i次信道迭代循环估计后的估计值；④-3、对第一个用户终端与中继节点之间的等效信道向量h进行信道迭代循环估计，其具体过程为：a、获取一个第i次信道迭代循环估计后的索引值λ_i，该索引值λ_i能够使叠加的高斯随机训练序列X中的第λ_i列的所有元素与第i-1次信道迭代循环估计后的残差值r_i-1的内积结果最大，其中，1≤λ_i≤C，C表示叠加的高斯随机训练序列X的总列数；b、计算第i次信道迭代循环估计后的索引值集Λ_i和第i次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i列的所有元素后构成的集合Z_i，Λ_i=Λ_i-1∪{λ_i}， $Z_i=\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right],$ 其中，符号“∪”为并集运算符号，Λ_i-1表示第i-1次信道迭代循环估计后的索引值集，符号“{}”为集合表示符号，Z_i-1表示第i-1次信道迭代循环估计后加入叠加的高斯随机训练序列X中的第λ_i-1列的所有元素后构成的集合，Z₀表示第1次信道迭代循环估计前的初始集合，其值为空集

表示叠加的高斯随机训练序列X中的第λ_i列的所有元素， $\left[\begin{array}{cc}{Z}_{i-1}& t_{{\mathrm{\λ}}_i}\end{array}\right]$ 表示将Z_i-1和

合并为一个矩阵；c、利用加权最小二乘估计方法，计算第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i内的估计值，记为

并令第i次信道迭代循环估计后第一个用户终端与中继节点之间的等效信道向量h在第i次信道迭代循环估计后的索引值集Λ_i外的估计值为0，其中，

为Z_i的共轭转置矩阵，为

的逆矩阵，W_i表示第i次迭代过程中的加权矩阵，当i＝1时W₁为单位矩阵，当i>1时W_i为对角矩阵，且其第k行第k列的元素为

表示第i-1次信道迭代循环估计后的残差值r_i-1中的第k个元素，符号“||”为求模运算符号，ε为设定的极小的正常数；d、计算第i次信道迭代循环估计后的残差值r_i，

e、令i＝i+1，并返回步骤④-2继续执行，其中，i＝i+1中的“=”表示赋值符号；

⑤在获得第一个用户终端与中继节点之间的等效信道向量h的估计值

后，按照步骤④的操作，根据第二个用户终端在第二个时隙内接收到的实际信号Y'、高斯随机训练序列X₁和高斯随机训练序列X₂，获取第二个用户终端与中继节点之间的等效信道向量的估计值。

2.根据权利要求1所述的一种双向中继网络中基于压缩感知的稀疏信道估计方法，其特征在于所述的步骤c中ε=10^-9。

Images