CN103763227B - 一种基于压缩感知的窄带干扰估计和消除方法及装置 - Google Patents

Abstract

本发明公开了一种基于压缩感知的窄带干扰估计和消除方法及装置，该方法包括：S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。本发明方法能够在各种复杂信道中，不消耗冗余资源，较精确地估计并消除窄带干扰，提升数据传输性能。

Description

一种基于压缩感知的窄带干扰估计和消除方法及装置

技术领域

本发明属于通信技术领域，特别涉及一种基于压缩感知的窄带干扰估计方法及装置。

背景技术

在宽带高速数据传输中,存在频率选择性衰落、时间选择性衰落和窄带噪声干扰（Narrowband Interference,NBI）等，影响数据传输质量。

目前，正交频分复用（Orthogonal Frequency Division Multiplex，OFDM）技术在电力线通信系统、数字电视广播系统中都得到了广泛的应用。由于OFDM具有很好的频率选择性，它已经应用到各种数字信号传输系统中，如国际电联的电力线通信系统标准、无线局域网、欧洲数字视频地面广播以及中国地面数字电视传输标准（Digital TelevisionMultimedia Broadcast，DTMB）等。其中，DTMB系统采用了时域同步正交频分复用技术TDS-OFDM(Time Domain Synchronous OFDM)，使用时域训练序列作为信号帧的保护间隔填充，时域训练序列还可用于同步和信道估计等。DTMB系统的多层复帧结构如图1所示。

在传输便捷、资源丰富的电力线信道中进行高效数字通信得到了广泛的研究和应用，然而电力线信道环境恶劣，尤其是有严重的窄带噪声干扰；地面数字电视广播系统中也存在窄带干扰等问题。同时，在TDS-OFDM系统中，窄带干扰会降低信道估计准确性，影响数据的正确解映射和解码，严重影响数据的正确传输，因此，需要设计对抗窄带干扰的方法。

现有的应对窄带干扰的方法性能不够理想，尤其在较高强度的窄带干扰、较严重的信道多径衰落或较强的信道噪声下，数据的传输性能会严重恶化。如传统的频域交织等手段，虽然可以一定程度上降低窄带干扰的影响，但是无法消除窄带干扰，在窄带干扰下效果不佳。现有的基于帧头结构优化设计对抗窄带干扰对同步性能的影响的方法，也不可以消除窄带干扰。目前常见的基于线性预测算法估计窄带干扰的方法，需要依赖于某种冗余资源，例如插入一定数量的虚拟子载波，或者必须进行过采样，或者在接收端需要使用多天线等；或者依赖于接收数据的二阶统计量进行窄带干扰估计。现有方法估计窄带干扰所要占用的冗余资源降低了资源利用效率，而依赖于接收数据的统计信息的方法则使窄带干扰估计性能受到接收数据统计信息准确性的影响，导致估计性能不佳。

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现有的窄带干扰信号估计方法在较高强度的窄带干扰、较严重的信道多径衰落或较强的信道噪声下，无法准确估计窄带干扰信号的频率和大小，以及现有窄带干扰估计方法必须占用冗余资源的问题。

（二）技术方案

为解决上述问题，本发明提供一种基于压缩感知的窄带干扰估计和消除方法，该方法包括：

S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

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，帧体为单载波数据块或OFDM数据块，所述训练序列包括一段已知的训练序列、一段已知的训练序列及其循环前缀或两段相同的已知的训练序列；所述已知的训练序列包括频域二值伪随机序列的离散傅里叶逆变换或时域二值伪随机序列。

其中，在步骤S1中，所述无帧体干扰部分或准无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列。

其中，在步骤S2中，所述窄带干扰信号的时域采样序列包括当前信号帧与下一信号帧进行逐点相减所得的时域差分序列。

其中，在步骤S2中，所述压缩感知算法模型为窄带干扰信号时频关系等式，即所述窄带干扰时域采样序列等于傅里叶逆变换矩阵乘以所述待估计的窄带干扰频域信号加上时域噪声信号。

其中，在步骤S2中，所述压缩感知算法为凸优化算法或者贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法及其衍生算法、稀疏自适应匹配追踪法以及子空间追踪法。

较佳的，在步骤S3和步骤S4之间，该方法还包括：

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再计算其与所述窄带干扰信号的时域采样序列的残差平方，得到残差平方式，对残差平方式进行最小二乘计算，得到频域窄带干扰信号的估计；

较佳的，在步骤S31和步骤S4之间，该方法还包括：

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，N为OFDM子载波数。

其中，在步骤S4中，所述窄带干扰消除包括：将接收到的信号帧的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换，得到消除窄带干扰信号后的帧体数据。

本发明还提供一种基于压缩感知的窄带干扰估计和消除装置，其特征在于，该装置包括：

帧头差分模块，用于对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述序列长度为L；

压缩感知估计模块，用于用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型，并根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计。

干扰消除模块，用于对帧体数据块进行窄带干扰消除，得到消除窄带干扰后的帧体数据。

（三）有益效果

相比现有技术，本发明提供的方法能够在多径衰落严重、噪声强度较大、窄带干扰较强的信道中，在不损失频谱效率和时域资源的条件下，通过TDS-OFDM系统中的帧头差分采样序列，采用压缩感知算法，较精确地估计并消除窄带干扰，提升数据传输性能。

附图说明

图1为DTMB系统的多层复帧结构的示意图；

图2为一种基于压缩感知的窄带干扰估计方法的流程图；

图3为实施例1中基于双训练序列（Dual-PN）填充的TDS-OFDM系统的帧结构的示意图；

图4为实施例1中接收到的基于双训练序列（Dual-PN）填充的TDS-OFDM系统的帧结构的示意图；

图5为实施例2中接收到的基于训练序列及其循环前缀（NP-CP）填充的TDS-OFDM系统的帧结构的示意图；

图6为实施例3中接收到的基于单训练序列填充的TDS-OFDM系统的帧结构的示意图；

图7为实施例4中基于压缩感知的窄带干扰估计和消除装置的结构图。

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。

压缩感知（Compressive Sensing）是一种新兴的数字信号处理技术，可以通过对信号稀疏性的分析，利用远少于待测信号维度的观测点，得到信号稀疏表示的压缩感知模型，通过基于凸优化或贪婪算法等压缩感知算法，能较准确地恢复稀疏信号。压缩感知算法在学术界得到了越来越多的关注，在信号处理、信道估计、图像压缩等领域有广泛的应用。由于窄带干扰在频域是稀疏的，可以通过窄带干扰的时频关系和TDS-OFDM的帧结构特点，建立压缩感知模型，采用压缩感知算法，利用时域远少于OFDM子载波数量的时域采样观测点，较精确地估计并消除窄带干扰，提升系统传输性能。

一种基于压缩感知的窄带干扰估计和消除方法，如图2所示，该方法包括：

S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

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，帧体为单载波数据块或OFDM数据块，所述训练序列包括一段已知的训练序列、一段已知的训练序列及其循环前缀或两段相同的已知的训练序列；所述已知的训练序列包括频域二值伪随机序列的离散傅里叶逆变换或时域二值伪随机序列。

其中，在步骤S1中，所述无帧体干扰部分或准无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列。

其中，在步骤S2中，所述窄带干扰信号的时域采样序列包括当前信号帧与下一信号帧进行逐点相减所得的时域差分序列。

其中，在步骤S2中，所述压缩感知算法模型为窄带干扰信号时频关系等式，即所述窄带干扰时域采样序列等于傅里叶逆变换矩阵乘以所述待估计的窄带干扰频域信号加上时域噪声信号。

其中，在步骤S2中，所述压缩感知算法为凸优化算法或者贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法及其衍生算法、稀疏自适应匹配追踪法以及子空间追踪法。

较佳的，在步骤S3和步骤S4之间，该方法还包括：

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再计算其与所述窄带干扰信号的时域采样序列的残差平方，得到残差平方式，对残差平方式进行最小二乘计算，得到频域窄带干扰信号的估计；

较佳的，在步骤S31和步骤S4之间，该方法还包括：

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，N为OFDM子载波数。

其中，在步骤S4中，所述窄带干扰消除包括：将接收到的信号帧的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换，得到消除窄带干扰信号后的帧体数据。

实施例1

本实施例具体公开一种可应用在DTMB或PLC中的基于双训练序列（Dual-PN）帧头结构的压缩感知窄带干扰估计和消除方法，该方法包括：

S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；

本实施例中，双训练序列（Dual-PN）填充的TDS-OFDM系统的帧结构，如图3所示，帧头为两段相同的已知训练序列，长度均为L=255，为时域二值伪随机序列或频域二值伪随机序列的傅里叶逆变换，即和接收端相应的接收信号帧中的训练序列记为和接收到的信号帧如图4所示，帧体为OFDM数据块，OFDM子载波数为N=3780。

其中，在步骤S1中，如图4所示，所述无帧体干扰部分是两段相同已知训练序列构成的帧头中的第二段已知训练序列，即当前第i帧的和相邻第i+1帧的ΔL=N+2L=4290为这两段用于逐点相减的无帧体干扰部分的距离；

逐点相减操作在一组相邻信号帧之间进行，差分结果为所述时域差分序列

其中Δy_i(n)=y_i(n)-y_i+1(n),256≤n≤510。

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

其中，在步骤S2中，所述窄带干扰信号的时域采样序列为当前信号帧与下一信号帧进行逐点相减所得的时域差分序列，即

本实施例中，压缩感知算法模型为：

其中，为窄带干扰时域采样序列的矩阵表示，即

其中，为时域噪声信号的矩阵表示，即本实施例中为加性高斯白噪声（AWGN）；

其中，F_H为傅里叶逆变换矩阵，其第n行、第k列的元素为：

其中，为待估计的窄带干扰频域信号的矩阵表示，即

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

在步骤S3中，根据等式采用压缩感知算法，所述压缩感知算法包括凸优化算法（最小化L1范数法）或者贪婪算法（OMP算法、CoSaMP算法或SAMP算法等）；可以得到频域窄带干扰信号的估计即

在步骤S3中，由于窄带干扰信号具有较强的稀疏性，用压缩感知算法所得的频域窄带干扰信号的估计的元素只有少数位置非零，其余位置均为零。把的非零元素位置的集合记作则有

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再与所述窄带干扰信号的时域采样序列进行残差平方，得到残差平方式，对残差平方式进行最小二乘计算，即解最小二乘问题：

从而得到频域窄带干扰信号的估计。

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，本实施例中N=3780；

本实施例中k=1,2,...,3780，故最后得到的频域窄带干扰估计为

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

将接收到的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换（即时域窄带干扰的估计信号），得到消除窄带干扰后的帧体数据即

其中，

实施例2

本实施例公开一种可应用在DTMB或PLC中的基于训练序列及其循环前缀（PN-CP）帧头结构的压缩感知窄带干扰估计和消除方法，该方法包括：

S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；

本实施例中，如图5所示，帧头为已知训练序列其循环前缀（PN-CP），已知训练序列的长度L=255，为时域二值伪随机序列或频域二值伪随机序列的傅里叶逆变换，即其循环前缀长度为L_CP=165，即帧体为OFDM数据块，OFDM子载波数为N=4096。

其中，在步骤S1中，如图5所示，所述无帧体干扰部分是帧头除去循环前缀后的长度为L=255的已知训练序列，即当前第i帧的和相邻第i+1帧的ΔL=N+L+L_CP=4516为这两段用于逐点相减的无帧体干扰部分的距离；

逐点相减操作在一组相邻信号帧之间进行，差分结果为所述时域差分序列

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

在步骤S2中，所述窄带干扰信号的时域采样序列为当前信号帧与下一信号帧进行逐点相减所得的时域差分序列，即

本实施例中，压缩感知算法模型为：

其中，为窄带干扰时域采样序列的矩阵表示，即

其中，为时域噪声信号的矩阵表示，即本实施例中为加性高斯白噪声（AWGN）；

其中，F_H为傅里叶逆变换矩阵，其第n行、第k列的元素为：

其中，为待估计的窄带干扰频域信号的矩阵表示，即

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

在步骤S3中，根据等式采用压缩感知算法，所述压缩感知算法包括凸优化算法（最小化L1范数法）或者贪婪算法（OMP算法、CoSaMP算法或SAMP算法等），可以得到频域窄带干扰信号的估计即

在步骤S3中，由于窄带干扰信号具有较强的稀疏性，用压缩感知算法所得的频域窄带干扰信号的估计的元素只有少数位置非零，其余位置均为零。把的非零元素位置的集合记作则有

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再与所述窄带干扰信号的时域采样序列进行残差平方，得到残差平方式，对残差平方式进行最小二乘计算，即解最小二乘问题：

从而得到频域窄带干扰信号的估计。

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，本实施例中N=4092；

本实施例中k=1,2,...,4096，故最后得到的频域窄带干扰估计为

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

将接收到的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换（即时域窄带干扰的估计信号），得到消除窄带干扰后的帧体数据即

其中，

实施例3

本实施例公开一种可应用在DTMB或PLC中的基于单训练序列帧头结构的压缩感知窄带干扰估计和消除方法，该方法包括：

S1.一组相邻信号帧的帧头中的L点无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述序列长度为L；

本实施例中，如图6所示，帧头一段已知训练序列，长度L=255，为时域二值伪随机序列或频域二值伪随机序列的傅里叶逆变换，即帧体为OFDM数据块，OFDM子载波数为N=4096。

其中，在步骤S1中，如图6所示，所述无帧体干扰部分是帧头除去长度为L_H=155的多径拖尾帧间干扰部分后的剩余已知训练序列，即当前第i帧的和相邻下一帧的ΔL=N+L=4351为这两段用于逐点相减的无帧体干扰部分的距离；

逐点相减操作在一组相邻信号帧之间进行，差分结果为所述时域差分序列

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

在步骤S2中，所述窄带干扰信号的时域采样序列为当前信号帧与下一信号帧进行逐点相减所得的时域差分序列，即

本实施例中，压缩感知算法模型为：

其中，为窄带干扰时域采样序列的矩阵表示，即

其中，为时域噪声信号的矩阵表示，即本实施例中为加性高斯白噪声（AWGN）；

其中，FH为傅里叶逆变换矩阵，其第n行、第k列的元素为：

其中，为待估计的窄带干扰频域信号的矩阵表示，即

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计。

在步骤S3中，根据等式采用压缩感知算法，所述压缩感知算法包括凸优化算法（最小化L1范数法）或者贪婪算法（OMP算法、CoSaMP算法或SAMP算法等）；可以得到频域窄带干扰信号的估计即

在步骤S3中，由于窄带干扰信号具有较强的稀疏性，用压缩感知算法所得的频域窄带干扰信号的估计的元素只有少数位置非零，其余位置均为零。把的非零元素位置的集合记作则有

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再与所述窄带干扰信号的时域采样序列进行残差平方，得到残差平方式，对残差平方式进行最小二乘计算，即解最小二乘问题：

从而得到频域窄带干扰信号的估计。

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，本实施例中N=4096；

本实施例中k=1,2,...,4096，故最后得到的频域窄带干扰估计为

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

将接收到的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换（即时域窄带干扰的估计信号），得到消除窄带干扰后的帧体数据即

其中，

实施例4

本实施例公开一种基于压缩感知的窄带干扰估计和消除装置，如图7所示，该装置包括：

帧头差分模块，用于对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述序列长度为L；

压缩感知估计模块，用于用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型，并根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

干扰消除模块，用于对帧体数据块进行窄带干扰消除，得到消除窄带干扰后的帧体数据。

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。

Claims (9)

1.一种基于压缩感知的窄带干扰估计和消除方法，其特征在于，该方法包括：

S1.对一组相邻信号帧的帧头中的L点无帧体干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列长度为L；所述无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列；所述准无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列；

S2.用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型；

S3.根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

S4.将接收到的信号帧的帧体数据块进行窄带干扰消除，得到消除窄带干扰信号后的帧体数据。

2.根据权利要求1所述的方法，其特征在于，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，帧体为单载波数据块或OFDM数据块，所述训练序列包括一段已知的训练序列、一段已知的训练序列及其循环前缀或两段相同的已知的训练序列；所述已知的训练序列包括频域二值伪随机序列的离散傅里叶逆变换或时域二值伪随机序列。

3.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述窄带干扰信号的时域采样序列包括当前信号帧与下一信号帧进行逐点相减所得的时域差分序列。

4.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述压缩感知算法模型为窄带干扰信号时频关系等式，即所述窄带干 扰信号的时域采样序列等于傅里叶逆变换矩阵乘以待估计的窄带干扰频域信号加上时域噪声信号。

5.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述压缩感知算法为凸优化算法或者贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法及其衍生算法、稀疏自适应匹配追踪法以及子空间追踪法。

6.根据权利要求1所述的方法，其特征在于，在步骤S3和步骤S4之间，该方法还包括：

S31.根据得到的窄带干扰信号估计，将傅里叶逆变换矩阵乘以窄带干扰信号的估计，再计算其与所述窄带干扰信号的时域采样序列的残差平方，得到残差平方式，对残差平方式进行最小二乘计算，得到频域窄带干扰信号的估计。

7.根据权利要求6所述的方法，其特征在于，在步骤S31和步骤S4之间，该方法还包括：

S32.将所述频域窄带干扰信号的估计除以频域衰减因子，其中第k个子载波上的频域衰减因子为：

其中ΔL为进行逐点相减操作的相邻帧头间的距离，N为OFDM子载波数。

8.根据权利要求1所述的方法，其特征在于，在步骤S4中，所述窄带干扰消除包括：将接收到的信号帧的时域帧体数据块减去频域窄带干扰信号估计的离散傅里叶逆变换，得到消除窄带干扰信号后的帧体数据。

9.一种基于压缩感知的窄带干扰估计装置，其特征在于，该装置包括：

帧头差分模块，用于对一组相邻信号帧的帧头中的L点无帧体 干扰部分或L点准无帧体干扰部分进行逐点相减，得到一段时域差分序列，所述时域差分序列的长度为L；所述无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列；所述准无帧体干扰部分包括整个帧头训练序列、包含部分信号帧间多径干扰区域的训练序列或两段相同已知训练序列构成的帧头中的第二段已知训练序列；

压缩感知估计模块，用于用时域差分序列构成窄带干扰信号的时域采样序列，根据所述时域采样序列，得到压缩感知算法模型，并根据压缩感知算法模型，采用压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计；

干扰消除模块，用于对帧体数据块进行窄带干扰消除，得到消除窄带干扰后的帧体数据。