CN103701730A - 信道时域相关性低复杂度压缩感知的信道估计方法及装置 - Google Patents

Abstract

本发明公开了一种基于低复杂度压缩感知的信道估计方法，同时这种方法利用了信道时域的相关性。基于OFDM传输的信号帧结构一般由信号帧头和帧体数据两部分组成，其中帧头为已知的训练序列；帧体数据为待传输的信息数据。信道估计方法包括：将接收的信号分为训练序列和帧体数据；根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；根据所述信道长度的粗估计确定信道增益的粗估计；根据所述信道延时的粗估计，信道长度的粗估计及所述信道增益粗估计，确定信道延时的精确估计；根据所述信道延时的精确估计确定信道增益的精确估计。从而能够降低信道估计复杂程度，使得信道估计易于实现。

Description

信道时域相关性低复杂度压缩感知的信道估计方法及装置

技术领域

本发明涉及通信领域，尤其涉及基于信道时域相关性的低复杂度压缩感知的信道估计方法及装置。

背景技术

TDS-OFDM（时域同步正交频分复用）传输技术（其训练序列是一个伪随机序列，简称PN序列）中，PN（Pseudo-noise Sequence，伪噪声序列）的长度大于信道最大延时长度，带来的好处是高频谱效率，但是这种传输技术采用迭代干扰消除的方式来获得信道估计，缺点是不能有效支持高阶调制（如256QAM）和快时变信道。

对此一种有效的解决方案是双训练序列的OFDM（简称DPN-OFDM），该技术的训练序列采用了两个相同的PN序列，且要求每个PN序列的长度大于信道最大延时的长度。DPN-OFDM相比传统的使用单PN的TDS-OFDM系统可以有效的支持高阶调制和快时变信道，但导致频谱效率的明显降低。在实际的基于单PN的TDS-OFDM系统中，PN序列的长度设计一般是大于信道最大时延长度，因而我们可以利用接收端PN序列中未被数据帧体的多径拖尾所干扰的部分，即无干扰区，通过压缩感知恢复出高维信道冲击响应。

但是目前的基于压缩感知的信道估计方法复杂程度较高。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：传统的TDS-OFDM传输系统（训练序列为单PN序列）采用了迭代干扰消除的信道估计方法，不能有效的支持高阶调制（如256QAM）和时变信道；DPN-OFDM系统虽然可以支持高阶调制和时变信道，但其频谱效率明显降低；现有的基于压缩感知的信道估计可以解决基于单PN的TDS-OFDM传输系统不能有效的支持高阶调制（如256QAM）和时变信道的问题，但其计算复杂度很高，且不能有效对抗长时延的回波信道。

（二）技术方案

本发明实施例采用如下技术方案：

一种信道时域相关性低复杂度压缩感知的信道估计方法及装置，所述基于压缩感知的低复杂度信道估计，包括：

将接收的信号分为训练序列和帧体数据；

根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

根据所述信道长度的粗估计确定信道增益的粗估计；

根据所述信道延时的粗估计，信道长度的粗估计，及所述信道增益粗估计，确定信道延时的精确估计；

根据所述信道延时的精确估计确定信道增益的精确估计。

可选的，所述根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计包括：

从所述帧体数据中提取训练序列的拖尾部分；

将所述训练序列的拖尾部分与所述训练序列重叠相加,这里拖尾长度为训练序列的长度M；

将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；

将循环相关结果与门限比较，如果循环相关结果大于门限，则判定为存在信道的一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

可选的，所述门限根据实时信号噪声功率比决定。

可选的，所述根据所述信道长度的粗估计确定信道增益的粗估计包括：

将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为

将所述训练序列的拖尾部分与所述训练序列中前

个元素重叠相加；

将相邻R2帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

可选的，所述根据所述信道延时的粗估计和信道长度的粗估计及所述信道增益粗估计，确定信道延时的精确估计包括：

根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；

从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

可选的，应用所述信道增益的粗估计从低维度的无干扰区恢复高维度的信道冲击响应。

可选的，应从低维度的无干扰区恢复高维度的信道冲击响应应用了压缩感知的相关算法。

一种基于信道时域相关性的低复杂度压缩感知的信道估计装置，所述基于压缩感知的低复杂度信道估计包括：

提取单元，用于将接收的信号分为训练序列和帧体数据；

第一确定单元，用于根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

第二确定单元，用于根据所述信道长度的粗估计确定信道增益的粗估计；

第三确定单元，用于根据所述信道长度的粗估计，信道延时的粗估计及所述信道增益粗估计，确定信道延时的精确估计；

第四确定单元，用于根据所述信道延时的精确估计确定信道增益的精确估计。

可选的，所述第一确定单元具体用于，从所述帧体数据中提取训练序列的拖尾部分里拖尾长度为训练序列的长度M；将所述训练序列的拖尾部分与所述训练序列重叠相加；将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；将循环结果与门限比较，如果循环结果大于门限，则判定为存在的信道一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

可选的，所述第二确定单元具体用于，将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为

将所述训练序列的拖尾部分与所述训练序列中前

个元素重叠相加；将相邻帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

可选的，所述第三确定单元具体用于，根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；利用压缩感知相关算法从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

基于上述方案，本发明实施例的信道估计方法及装置，将接收的信号分为训练序列和帧体数据，根据训练序列和帧体数据，确定信道延时的粗估计和信道长度的粗估计，根据信道长度的粗估计确定信道增益的粗估计，根据信道延时的粗估计，信道长度的粗估计及信道增益粗估计，确定信道延时的精确估计，根据信道延时的精确估计确定信道增益的精确估计。在上述确定信道延时的精确估计中，由于利用了信道增益粗估计，降低了基于压缩感知相关算法信道估计的复杂度，使得信道估计易于实现。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种基于信道时域相关性的低复杂度压缩感知的信道估计方法的流程图；

图2为本发明实施例2提供的一种发送端的结构示意图；

图3为本发明实施例2提供的接收端的结构示意图；

图4为本发明实施例2提供的一种接收信号示意图；

图5为本发明实施例2提供的一种基于信道时域相关性的低复杂度压缩感知的信道估计方法的流程图；

图6为本发明实施例2提供的一种训练序列重叠相加的示意图；

图7为本发明实施例2提供的另一种训练序列重叠相加的示意图；

图8为本发明实施例3提供的一种信道估计装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例充分利用了信道在时间上的相关性，即在毗邻的几个信号帧时间间隔内，尽管信道的增益会有所变化，但信道的延时几乎不变的性质。相比基于单PN的TDS-OFDM系统中使用迭代干扰消除的方法可以支持更高的调制结束和快时变信道，同时相比现有的基于压缩感知的信道估计方法具有更低复杂度，且不能应对具有0dB回波的长延时信道。

实施例1

如图1所示，本实施例提供一种基于信道时域相关性的低复杂度压缩感知的信道估计方法，所述基于压缩感知的低复杂度信道估计，包括：

11、将接收的信号分为训练序列和帧体数据；

12、根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

13、根据所述信道长度的粗估计确定信道增益的粗估计；

14、根据所述信道延时的粗估计，信道长度的粗估计，及所述信道增益粗估计，确定信道延时的精确估计；

15、根据所述信道延时的精确估计确定信道增益的精确估计。

可选的，所述根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计包括：

从所述帧体数据中提取训练序列的拖尾部分；

将所述训练序列的拖尾部分与所述训练序列重叠相加，这里拖尾长度为训练序列的长度M；

将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；

将循环结果与门限比较，如果循环结果大于门限，则判定为存在信道的一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

可选的，所述门限根据实时信号噪声功率比决定。

可选的，所述根据所述信道长度的粗估计确定信道增益的粗估计包括：

将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为

将所述训练序列的拖尾部分与所述训练序列中前个元素重叠相加；

将相邻R₂帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

可选的，所述根据所述信道延时的粗估计及所述信道增益粗估计，确定信道延时的精确估计包括：

根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；

从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

可选的，应用所述信道增益的粗估计从低维度的无干扰区恢复高维度的信道冲击响应。

本实施例的方法可以通过信道估计装置实现。

本实施例的方法，将接收的信号分为训练序列和帧体数据，根据训练序列和帧体数据，确定信道延时的粗估计和信道长度的粗估计，根据信道长度的粗估计确定信道增益的粗估计，根据信道延时的粗估计，信道长度的粗估计及信道增益粗估计，确定信道延时的精确估计，根据信道延时的精确估计确定信道增益的精确估计。从而能够降低道估计复杂程度，使得信道估计易于实现。

实施例2

图2为本实施例提供的一种TDS-OFDM发送端的结构示意图，如图2所示，该发送端包括：

训练序列生成模块101，用于生成训练序列，作为帧头；

帧体数据生成模块102，用于将传输信息根据规定的调制方式进行调制，并根据所选帧体数据长度进行分组，形成待传输的帧体数据块；

信号帧生成模块103，用于将所得到的训练序列与帧体数据进行复接，形成信号帧；

后处理模块104，用于将得到的信号帧通过成形滤波和正交上变频等后处理之后进行发送。

图3为本实施例提供的相应接收端的结构示意图，如图3所示，该接收端包括：

训练序列和帧体数据分离模块201，用于从接收的信号中分离出训练序列和帧体数据。

图4为本实施例的一种接收信号示意图。

信道延时和长度粗估计模块202，从帧体数据中取出由于多径信道混入帧体数据的训练序列的拖尾，拖尾长度为训练序列的长度M；将上述拖尾部分与从接收信号中分离出的训练序列重叠相加；将相邻R₁帧的训练序列重叠相加部分对应元素求和平均并与本地训练序列循环相关，循环相关结果与预先门限比较，大于门限的值认为存在延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

信道增益粗估计模块203，从帧体数据中取出由于多径信道混入帧体数据的训练序列的拖尾，拖尾长度为信道延时和长度粗估计模块中信道长度的粗估计并将该拖尾部分与从接收信号中分离出的训练序列中前

个元素重叠相加；将相邻R₂帧的训练序列的重叠相加部分对应元素求和平均，与本地训练序列进行循环相关，得到信道增益粗估计

信道延时精估计模块204，从模块203和204提取的信道的延时粗估计D₀，信道增益粗估计

信道稀疏度粗估计S，并根据信道长度的粗估计

得到训练序列中未被帧体数据干扰的无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ。利用压缩感知相关算法从低维度的无干扰区恢复高维度的信道冲击响应。对于该恢复的信道冲击响应中非零元素认为是信道冲击响应抽头延时的精确估计D。

信道增益精估计模块205，根据精确估计D，可以通过最大似然估计或其他方法计算得到信道精确增益。

具体实现时，发送端和接收的执行步骤具体如下：

发送端，TDS-OFDM信号在时域以信号帧形式传输，每一个TDS-OFDM帧包括一个长度M的PN序列c＝[c₀c₁…c_M-1]^T和长度为N的第i帧OFDM数据块x_i＝[x_i,0x_i,1…x_i,N-1]^T，则第i个TDS-OFDM帧在时域上可表示为

其中F_N是N×N的离散傅里叶变换矩阵，X_i＝[X_i,0X_i,1…X_i,N-1]^T是第i帧OFDM符号频域数据。

接收端，第i个接收的TDS-OFDM帧可写为r_i＝s_i*h_i+n_i，其中n_i是零均值加性高斯白噪声（AWGN）。h_i＝[h_i,0h_i,1…h_i,L-1]^T为长度为L时变信道冲击响应，其在第i帧内可认为是准静态的，又由于无线信道的稀疏性，则可表示为其中P是可分辨的多径个数，α_i,p和τ_i,p分别是第p个径的增益和延时。

如图5所示，本实施例提供的一种基于信道时域相关性的低复杂度压缩感知的信道估计方法，包括：

41、将接收的信号分为训练序列和帧体数据；

42、联合相邻多帧的训练序列重叠相加获得信道延时的粗估计和信道长度的粗估计；

43、获得信道增益粗估计；

44、获得信道延时的精确估计；

45、获得信道增益的精确估计。

可选的，步骤41中分离的接收信号中的训练序列可表示为r_i,main＝Ψ_ih_i+n_i,main，其中

可选的，步骤42包括：

421、如图6所示，将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，这里拖尾长度为训练序列的长度M，并将该拖尾部分与从接收信号中分离出的训练序列重叠相加，方便起见称为训练序列的重叠相加，可数学表达为r_i,tail＝Θ_ih_i+n_i,tail,其中

422、将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均r_k＝r_k,main+r_k,tail，之后与本地训练序列循环相关

这里

为下取整；

423、将422中循环相关结果与门限比较

这里

是的元素；大于该门限认为存在的信道一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S＝S₀+a，这里S₀＝||D₀||₀，信道长度的粗估计这里a,b分别是一个裕度补偿正数。

其中，步骤422中相邻R₁帧利用了无线信道的时间相关性，即在相邻R₁帧时间间隔内尽管信道的增益不断变化，但信道的抽头延时几乎不变这一特性。

其中，步骤423中门限可根据实时信号噪声功率比决定，也可由其它方法获得。

可选的，步骤43包括：

431、如图7所示，将接收信号中由于多径信道混入帧体数据的训练序列的拖尾取出，这里拖尾长度为423中信道长度的粗估计

类似于421，将该拖尾部分与从接收信号中分离出的训练序列中前

个元素重叠相加；

432，将相邻R₂帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到信道增益粗估计

其中，步骤432中相邻R₂帧利用了无线信道的时间相关性，即在相邻R₂帧时间间隔内信道的增益和抽头延时都几乎不变。

其中，步骤44包括：

441、从42和43提取的信道的延时粗估计D₀，信道增益粗估计

信道稀疏度粗估计S。

442、根据423中信道长度的粗估计

得到训练序列中无干扰区y，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ，这里 $\mathrm{\Φ}={\left[\begin{array}{cccc}{c}_{L-1}& c_{L-2}& \·\·\·& c_0\\ c_L& c_{L-1}& \·\·\·& c_1\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_{M-1}& c_{M-2}& \·\·\·& c_{M-L}\end{array}\right]}_{G\×L}.$ 则可得关系式y＝Φh+n,这里n是AWGN。

443、根据441和442，利用压缩感知相关算法从低维度的无干扰区恢复高维度的信道冲击响应。

本实施例的一个先验信息辅助的低复杂度的迭代硬判决的算法示例如下：

输入：1）信道延时粗估计D₀，信道增益粗估计

稀疏度估计S；2）有噪观测y，观测矩阵Φ；输出：稀疏信道估计

1： $x^0{|}_{D_0}\←{\stackrel{\‾}{h}}^{\′}{|}_{D_0}$

2： $u_{\mathrm{current}}={\left|\right|\stackrel{\‾}{y}-\mathrm{\Φ}{x}^0\left|\right|}_2$

3：u_previous＝0

4：while|u_previous-u_current|＞ε，do

5：k←k+1

6：z＝x^k-1+Φ^H(y-Φx^k-1)

7：Γ＝supt{abs{z}〉_S}

8：x^k←x^k-1

9： $x^k{|}_{\mathrm{\Γ}}\←\stackrel{\‾}{h}{|}_{\mathrm{\Γ}}$

10：x^k←x^k〉S

11：u_previous＝u_current

12： $u_{\mathrm{current}}={\left|\right|\stackrel{\‾}{y}-\mathrm{\Φ}{x}^k\left|\right|}_2$

13：end while

14： $\hat{h}\←x^k$

其中，||·||₂为l₂范数；abs{x}是一个矢量，该矢量每个元素是对应矢量x元素的决对值；x〉_r是对矢量x中最大的r个元素外的其他元素置0；supt{x}求矢量x非零元素的位置；x|_Γ是取矢量x中位置为Γ的子矢量；Φ|_Γ是取矩阵Φ中列为Γ的子矩阵。

444、对于443中恢复的信道冲击响应 中非零元素，认为是信道冲击响应抽头延时的精确估计D。

其中，步骤443中的基于压缩感知理论的算法利用了43所获得的信道增益的粗估计。

需要说明的是，通常的压缩感知算法中，每次迭代一般利用最小二乘方法确定本次迭代所确定非零元素的值，而本实施例直接利用43所获得的信道增益的粗估计来代替，避免了最小二乘方法所需矩阵求逆的高复杂度。

本实施例的方法，将接收的信号分为训练序列和帧体数据，根据训练序列和帧体数据，确定信道延时的粗估计和信道长度的粗估计，根据信道长度的粗估计确定信道增益的粗估计，根据信道延时的粗估计及信道增益粗估计，确定信道延时的精确估计，根据信道延时的精确估计确定信道增益的精确估计。从而能够降低道估计复杂程度，使得信道估计易于实现。

实施例3

如图8所示，一种基于信道时域相关性的低复杂度压缩感知的信道估计装置，所述基于压缩感知的低复杂度信道估计包括：

提取单元81，用于将接收的信号分为训练序列和帧体数据；

第一确定单元82，用于根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

第二确定单元83，用于根据所述信道长度的粗估计确定信道增益的粗估计；

第三确定单元84，用于根据所述信道延时和信道长度的粗估计及所述信道增益粗估计，确定信道延时的精确估计；

第四确定单元85，用于根据所述信道延时的精确估计确定信道增益的精确估计。

可选的，第一确定单元82具体用于，从所述帧体数据中提取训练序列的拖尾部分；将所述训练序列的拖尾部分与所述训练序列重叠相加，这里拖尾长度为训练序列的长度M；将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；将循环结果与门限比较，如果循环结果大于门限，则判定为存在信道的一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

可选的，第二确定单元83具体用于，将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为

将所述训练序列的拖尾部分与所述训练序列中前个元素重叠相加；将相邻帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

可选的，第三确定单元84具体用于，根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；利用压缩感知相关算法从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

本实施例的装置可以实现上述方法实施例，该信道估计装置组成单元的具体功能仅为简要描述，详细实现过程请参阅上述方法实施例。

本实施例的装置，将接收的信号分为训练序列和帧体数据，根据训练序列和帧体数据，确定信道延时的粗估计和信道长度的粗估计，根据信道长度的粗估计确定信道增益的粗估计，根据信道延时的粗估计及信道增益粗估计，确定信道延时的精确估计，根据信道延时的精确估计确定信道增益的精确估计。从而能够降低道估计复杂程度，使得信道估计易于实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

本领域普通技术人员将会理解，本发明的各个方面、或各个方面的可能实现方式可以被具体实施为系统、方法或者计算机程序产品。因此，本发明的各方面、或各个方面的可能实现方式可以采用完全硬件实施例、完全软件实施例(包括固件、驻留软件等等)，或者组合软件和硬件方面的实施例的形式，在这里都统称为“电路”、“模块”或者“系统”。此外，本发明的各方面、或各个方面的可能实现方式可以采用计算机程序产品的形式，计算机程序产品是指存储在计算机可读介质中的计算机可读程序代码。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于信道时域相关性的低复杂度压缩感知的信道估计方法，其特征在于，所述信道估计，包括：

将接收的信号分为训练序列和帧体数据；

根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

根据所述信道长度的粗估计确定信道增益的粗估计；

根据所述信道延时的粗估计，信道长度的粗估计及信道增益的粗估计确定信道延时的精确估计；

根据所述信道延时的精确估计确定信道增益的精确估计。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计包括：

从所述帧体数据中提取训练序列的拖尾部分；

将所述训练序列的拖尾部分与所述训练序列重叠相加，其中拖尾长度为训练序列的长度M；

将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；

将循环结果与门限比较，如果循环结果大于门限，则判定为存在信道的一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

3.根据权利要求2所述的方法，其特征在于，所述门限根据实时信号噪声功率比确定。

4.根据权利要求1所述的方法，其特征在于，所述根据所述信道长度的粗估计确定信道增益的粗估计包括：

将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为将所述训练序列的拖尾部分与所述训练序列中前

个元素重叠相加；

将相邻R₂帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

5.根据权利要求1所述的方法，其特征在于，所述根据所述信道延时的粗估计及所述信道增益粗估计，确定信道延时的精确估计包括：

根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；

从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

从低维度的无干扰区恢复高维度的信道冲击响应，应用了低复杂度压缩感知的算法。

6.根据权利要求5所述的方法，其特征在于，应用所述信道增益的粗估计从低维度的无干扰区恢复高维度的信道冲击响应。

7.一种基于信道时域相关性的低复杂度压缩感知的信道估计装置，其特征在于，所述基于压缩感知的低复杂度信道估计包括：

提取单元，用于将接收的信号分为训练序列和帧体数据；

第一确定单元，用于根据所述训练序列和所述帧体数据，确定信道延时的粗估计和信道长度的粗估计；

第二确定单元，用于根据所述信道长度的粗估计确定信道增益的粗估计；

第三确定单元，用于根据所述信道延时和信道长度的粗估计及所述信道增益粗估计，确定信道延时的精确估计；

第四确定单元，用于根据所述信道延时的精确估计确定信道增益的精确估计。

8.根据权利要求7所述的装置，其特征在于，所述第一确定单元具体用于，从所述帧体数据中提取训练序列的拖尾部分；将所述训练序列的拖尾部分与所述训练序列重叠相加里拖尾长度为训练序列的长度M；将相邻R₁帧的训练序列的重叠相加部分对应元素求和平均后，与本地训练序列循环相关；将循环结果与门限比较，如果循环结果大于门限，则判定为存在的信道一个延时抽头，并据此获得信道延时的粗估计集合D₀，信道稀疏度的粗估计S，信道长度的粗估计

9.根据权利要求7所述的装置，其特征在于，所述第二确定单元具体用于，将接收信号中由于多径信道混入帧体数据的训练序列的拖尾部分取出，所述训练序列的拖尾部分的长度为

将所述训练序列的拖尾部分与所述训练序列中前

个元素重叠相加；将相邻帧的训练序列的重叠相加部分对应元素求和平均，并与本地训练序列循环相关，得到所述信道增益的粗估计。

10.根据权利要求7所述的装置，其特征在于，所述第三确定单元具体用于，根据信道长度的粗估计得到所述训练序列中无干扰区，及从低维度的无干扰区映射到高维度信道冲击响应的观测矩阵Φ；利用压缩感知相关算法从低维度的无干扰区恢复高维度的信道冲击响应，根据信道冲击响应中非零元素，确定信道延时的精确估计。

Images