发明内容
(一)要解决的技术问题
本发明所要解决的技术问题是传统TDS-OFDM系统的信道估计方法估计精度较低、干扰消除的复杂度较高,在长时延条件下性能显著下降。
(二)技术方案
为解决上述问题,本发明提出一种基于压缩感知的时频联合信道估计的方法,该方法包括:
S1.进行当前信号帧的信道冲激响应的初估计,获得信道冲激响应的粗估计信息;
S2.根据信道冲激响应的粗估计信息,进行当前信号帧的OFDM数据块的循环重构,获得重构的OFDM数据块;
S3.根据步骤S1获得的信道冲激响应的粗估计信息,利用重构的OFDM数据块中的导频信息进行压缩感知,获得信道冲激响应的精确估计信息,所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
其中,在步骤S1中,所述信号帧包括帧头和帧体,其中,帧头为训练序列,长度为M,帧体为时域OFDM数据块,长度为N,所述训练序列为频域伪随机序列的离散傅立叶逆变换或时域伪随机序列。
其中,在步骤S1中,根据接收到的当前信号帧的训练序列进行信道冲激响应的估计,得到当前信号帧的信道冲激响应的初估计结果。
其中,在步骤S1中,所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列,采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
其中,所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得,其中,频域OFDM数据块的部分子载波上为已知的导频,其他子载波上为调制后的数据,所述导频的数量远小于数据块的长度。
其中,所述导频为横模序列,所述导频的平均功率大于、小于或等于数据块的平均功率,所述导频随机放置在数据块中。
其中,在步骤S2中,所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾,再加上OFDM数据块和信道卷积的拖尾。
其中,在步骤S3中,所述压缩感知的算法包括凸优化算法和贪婪算法;
所述凸优化算法包括内点法、1阶范数最小化算法;
所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法、稀疏自适应匹配追踪法。
其中,所述压缩感知算法的测量量(Measurements)为接收到的OFDM数据块中已知位置上的导频值;测度矩阵(MeasurementMatrix)为傅里叶变换矩阵。
本发明还提出一种基于压缩感知的时频联合信道估计的装置,其特征在于,该装置包括:
当前信号帧的信道冲激响应初估计模块,用于获得信道冲激响应的粗估计信息;
OFDM数据块的循环重构模块,用于根据信道冲激响应的粗估计信息,进行OFDM数据块的循环重构;
基于压缩感知的信道冲激响应估计模块,用于根据获得的信道冲激响的粗估计信息,利用重构的OFDM数据块中的导频信息进行压缩感知,获得精确的信道冲激响应估计结果。
(三)有益效果
相比于现有技术,本发明提供的信道估计方法和装置,能够提高信道估计精度、减小干扰消除的复杂度、提高TDS-OFDM系统抵抗最大多径时延长度、提高系统频谱利用率以及提高系统抗时变性能。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在信号处理界,压缩感知(Compressed Sensing)理论被认为是近十年来最大的理论突破。该理论首先由Candes、Romberg、Tao和Donoho等人在2004年提出,Candes证明了只要信号在某一个正交空间具有稀疏性,就能以远低于采样的频率采样信号,而且可以以高概率重构该信号。这一理论为图像压缩、信道估计等带来了崭新的研究方法。研究表明,无线信道一般可以用稀疏的多径信道来建模,天生具有很好的稀疏性,可以很好的应用压缩感知算法。
本发明采用的一种改进帧结构和算法,只需要在频域OFDM数据块中离散的插入少量的已知导频,采用压缩感知算法,结合粗估计获得的信道时延,能够获得非常准确的信道估计。同时,本方法大大提高了系统可抵抗的最大多径时延,即使多径时延接近甚至超过保护间隔,仍然也有较精确的信道估计结果。
如图1所示,本发明提出一种基于压缩感知的时频联合信道估计的方法,该方法包括:
S1.进行当前信号帧的信道冲激响应的初估计,获得信道冲激响应的粗估计信息;
S2.根据信道冲激响应的粗估计信息,进行当前信号帧的OFDM数据块的循环重构,获得重构的OFDM数据块;
S3.根据步骤S1获得的信道冲激响应的粗估计信息,利用重构的OFDM数据块中的导频信息进行压缩感知,获得信道冲激响应的精确估计信息,所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
其中,在步骤S1中,所述信号帧包括帧头和帧体,其中,帧头为训练序列,长度为M,帧体为时域OFDM数据块,长度为N,所述训练序列为频域伪随机序列的离散傅立叶逆变换或时域伪随机序列。
其中,在步骤S1中,根据接收到的当前信号帧的训练序列进行信道冲激响应的估计,得到当前信号帧的信道冲激响应的初估计结果。
其中,在步骤S1中,所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列,采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
其中,所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得,其中,频域OFDM数据块的部分子载波上为已知的导频,其他子载波上为调制后的数据,所述导频的数量远小于数据块的长度。
其中,所述导频为横模序列,所述导频的平均功率大于、小于或等于数据块的平均功率,所述导频随机放置在数据块中。
其中,在步骤S2中,所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾,再加上OFDM数据块和信道卷积的拖尾。
其中,在步骤S3中,所述压缩感知的算法包括凸优化算法和贪婪算法;
所述凸优化算法包括内点法、1阶范数最小化算法;
所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法、稀疏自适应匹配追踪法。
其中,所述压缩感知算法的测量量(Measurements)为接收到的OFDM数据块中已知位置上的导频值;测度矩阵(MeasurementMatrix)为傅里叶变换矩阵。
实施例1
本实施例具体公开一种应用于改进的单PN的TDS-OFDM系统的基于压缩感知的时频联合信道估计的方法,该方法包括:
S1.进行当前信号帧的信道冲激响应的初估计,获得信道冲激响应的粗估计信息;
其中,所述信号帧包括帧头和帧体,如图2所示,其中,帧头为一段训练序列,长度为M,本实施例中M=255,所述训练序列用
表示,帧体为时域OFDM数据块,长度为N,本实施例中N=3780,所述训练序列为频域伪随机PN序列的离散傅立叶逆变换。
其中,所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得,其中,频域OFDM数据块的部分子载波上为已知的导频,其他子载波上为调制后的数据,所述导频的数量远小于数据块的长度,本实施例中已知的导频的数量L=36,所述导频随机插入OFDM数据块的频域子载波上,其中,第k个导频的值记为P(k),位置记为T(k),k∈[0,L-1]。导频的功率为数据块平均功率的2倍。
其中,根据接收到的当前信号帧的训练序列进行信道冲激响应的估计,得到当前信号帧的信道冲激响应的初估计结果。
其中,所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列,采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
本实施例中,信道冲激响应的估计方法为:根据接收到的当前信号帧的训练序列
和当前信号帧发送前的训练序列
采用傅里叶变换域相除法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
S2.根据信道冲激响应的粗估计信息,进行当前信号帧的OFDM数据块的循环重构,获得重构的OFDM数据块;
其中,所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾,再加上OFDM数据块和信道卷积的拖尾。
如图3所示,当前信号帧(第i帧)的OFDM数据块的重构的具体过程如下:
首先计算第i帧的训练序列和信道卷积的拖尾
所述
的计算式为:
其中,
为训练序列,
与为第i帧的上一帧即第i-1帧的信道冲激响应的估计结果
的线性卷积,则训练序列的拖尾可以表示为
然后计算第i帧的OFDM数据块和信道卷积的拖尾
所述
的计算式为:
当i=1时,
为步骤S1中获得的信道冲激响应的初估计结果,或者通过其他辅助手段,如增加一段训练序列获得的信道冲激响应的估计结果。
S3.根据重构的OFDM数据块,对信道冲激响应的粗估计信息进行压缩感知,获得信道冲激响应的精确估计信息,所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
本实施例中,对重构后的OFDM数据块进行傅里叶变换,取出第k个导频位置T(k)上的数据,k∈[0,L-1],记为
则信道可以表示为:
其中F
L×M为傅里叶变换矩阵,由于
是
补零后的稀疏的向量,因此可以利用压缩感知的方法,求出
的估计值,本实施例中采用贪婪算法求出最终的信道估计结果。贪婪算法的迭代估计的过程为,将信道冲激响应初估计的先验信息作为压缩感知算法中非零元位置集合的迭代计算初值输入压缩感知算法,同时将所述导频值序列输入算法,迭代过程中每一步通过最优化贪心原理更新信道冲激响应的有效集合(即待估计信道冲激响应的非零元位置集合),并利用所述先验信息对迭代计算过程中的有效集合进行修正,在每步迭代中计算估计残差,当估计残差达到迭代终止条件时终止迭代。
本实施例也可以采用其他的压缩感知的算法,所述算法包括:
凸优化算法:内点法(Interior Point)、1阶范数最小化算法(L1-Norm Minimization);
贪婪算法:压缩采样匹配追踪法(CoSaMP,CompressiveSampling Matching Pursuit)、正交匹配追踪法(OMP,OrthogonalMatching Pursuit)及其衍生算法、稀疏自适应匹配追踪法(SAMP,Sparsity Adaptive Matching Pursuit)、子空间追踪法(SubspacePursuit)。
图4示出了当信道多径时延接近保护间隔(GI)长度时本方法的信道估计效果示意图,图5示出了相应的信道估计均方误差分析,可以看到,想比于传统的方法,本方法能够进行精确的信道估计,特别是针对多径时延较长的信道仍具有很好的估计性能。
实施例2
本实施例公开一种基于压缩感知的时频联合信道估计的方法,该方法包括:
S1.进行当前信号帧的信道冲激响应的初估计,获得信道冲激响应的粗估计信息;
其中,所述信号帧包括帧头和帧体,如图2所示,其中,帧头为一段训练序列,长度为M,本实施例中M=595,所述训练序列用
表示,帧体为时域OFDM数据块,长度为N,本实施例中N=3780,所述训练序列为时域伪随机PN序列。
本实施例中已知的导频的数量L=50,所述导频随机插入OFDM数据块的频域子载波上,其中,第k个导频的值记为P(k),位置记为T(k),k∈[0,L-1]。导频的功率与数据块平均功率相同。
其中,根据接收到的当前信号帧的训练序列进行信道冲激响应的估计,得到当前信号帧的信道冲激响应的初估计结果。
其中,所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列,采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
本实施例中,信道冲激响应的估计方法为:根据接收到的当前信号帧的训练序列
和当前信号帧发送前的训练序列
采用时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
S2.根据信道冲激响应的粗估计信息,进行当前信号帧的OFDM数据块的循环重构,获得重构的OFDM数据块;
其中,所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾,再加上OFDM数据块和信道卷积的拖尾。
如图3所示,当前信号帧(第i帧)的OFDM数据块的重构的具体过程如下:
首先计算第i帧的训练序列和信道卷积的拖尾
所述
的计算式为:
其中,
为训练序列,
与为第i帧的上一帧即第i-1帧的信道冲激响应的估计结果
的线性卷积,则训练序列的拖尾可以表示为
然后计算第i帧的OFDM数据块和信道卷积的拖尾
所述
的计算式为:
则循环重构后的OFDM数据块可以表示为:
其中,为接受到的信号帧。
当i=1时,
为步骤S1中获得的信道冲激响应的初估计结果,或者通过其他辅助手段,如增加一段训练序列获得的信道冲激响应的估计结果。
S3.根据重构的OFDM数据块,对信道冲激响应的粗估计信息进行压缩感知,获得信道冲激响应的精确估计信息,所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
本实施例中,对重构后的OFDM数据块进行傅里叶变换,取出第k个导频位置T(k)上的数据,k∈[0,L-1],记为
则信道可以表示为:
其中F
L×M为傅里叶变换矩阵,由于
是
补零后的稀疏的向量,因此可以利用压缩感知的方法,求出
的估计值,本实施例中采用贪婪算法求出最终的信道估计结果。贪婪算法的迭代估计的过程为,将信道冲激响应初估计的先验信息作为压缩感知算法中非零元位置集合的迭代计算初值输入压缩感知算法,同时将所述导频值序列输入算法,迭代过程中每一步通过最优化贪心原理更新信道冲激响应的有效集合(即待估计信道冲激响应的非零元位置集合),并利用所述先验信息对迭代计算过程中的有效集合进行修正,在每步迭代中计算估计残差,当估计残差达到迭代终止条件时终止迭代。
实施例3
本实施例公开一种基于压缩感知的时频联合信道估计的方法,该方法包括:
S1.进行当前信号帧的信道冲激响应的初估计,获得信道冲激响应的粗估计信息;
其中,所述信号帧包括帧头和帧体,如图2所示,其中,帧头为一段训练序列,长度为M,本实施例中M=595,所述训练序列用
表示,帧体为时域OFDM数据块,长度为N,本实施例中N=3780,所述训练序列为频域伪随机PN序列的离散傅立叶逆变换。
其中,所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得,其中,频域OFDM数据块的部分子载波上为已知的导频,其他子载波上为调制后的数据,所述导频的数量远小于数据块的长度,本实施例中已知的导频的数量L=90,所述导频随机插入OFDM数据块的频域子载波上,其中,第k个导频的值记为P(k),位置记为T(k),k∈[0,L-1]。导频的功率为数据块平均功率的一半。
其中,根据接收到的当前信号帧的训练序列进行信道冲激响应的估计,得到当前信号帧的信道冲激响应的初估计结果。
其中,所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列,采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
本实施例中,信道冲激响应的估计方法为:根据接收到的当前信号帧的训练序列
和当前信号帧发送前的训练序列
采用傅里叶变换域相除法得到信道冲激响应,并保留幅值超过预设值的径作为初估计结果。
S2.根据信道冲激响应的粗估计信息,进行当前信号帧的OFDM数据块的循环重构,获得重构的OFDM数据块;
其中,所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾,再加上OFDM数据块和信道卷积的拖尾。
如图3所示,当前信号帧(第i帧)的OFDM数据块的重构的具体过程如下:
首先计算第i帧的训练序列和信道卷积的拖尾
所述
的计算式为:
其中,
为训练序列,
与为第i帧的上一帧即第i-1帧的信道冲激响应的估计结果
的线性卷积,则训练序列的拖尾可以表示为
然后计算第i帧的OFDM数据块和信道卷积的拖尾
所述
的计算式为:
当i=1时,
为步骤S1中获得的信道冲激响应的初估计结果,或者通过其他辅助手段,如增加一段训练序列获得的信道冲激响应的估计结果。
S3.根据重构的OFDM数据块,对信道冲激响应的粗估计信息进行压缩感知,获得信道冲激响应的精确估计信息,所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
本实施例中,对重构后的OFDM数据块进行傅里叶变换,取出第k个导频位置T(k)上的数据,k∈[0,L-1],记为
则信道可以表示为:
其中F
L×M为傅里叶变换矩阵,由于
是
补零后的稀疏的向量,因此可以利用压缩感知的方法,求出
的估计值,本实施例中采用贪婪算法求出最终的信道估计结果。贪婪算法的迭代估计的过程为,将信道冲激响应初估计的先验信息作为压缩感知算法中非零元位置集合的迭代计算初值输入压缩感知算法,同时将所述导频值序列输入算法,迭代过程中每一步通过最优化贪心原理更新信道冲激响应的有效集合(即待估计信道冲激响应的非零元位置集合),并利用所述先验信息对迭代计算过程中的有效集合进行修正,在每步迭代中计算估计残差,当估计残差达到迭代终止条件时终止迭代。
实施例4
本发明公开一种基于压缩感知的时频联合信道估计的装置,如图6所示,该装置包括:
当前信号帧的信道冲激响应初估计模块,用于获得信道冲激响应的粗估计信息;
OFDM数据块的循环重构模块,用于根据信道冲激响应的粗估计信息,进行OFDM数据块的循环重构;
基于压缩感知的信道冲激响应估计模块,用于根据获得的信道冲激响的粗估计信息,利用重构的OFDM数据块中的导频信息进行压缩感知,获得精确的信道冲激响应估计结果。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。