CN104796363A - 多输入多输出系统中的窄带干扰估计方法及装置 - Google Patents

Abstract

本发明公开了一种多输入多输出系统中的窄带干扰估计方法及装置，该方法包括：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体；对M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；根据M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，得到结构化压缩感知模型；根据结构化压缩感知模型，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。本发明的实施例，利用多天线的空间相关性和结构化压缩感知算法，在不损失系统频谱效率前提下，提升抑制窄带干扰性能，提高系统的鲁棒性。

Description

多输入多输出系统中的窄带干扰估计方法及装置

技术领域

本发明属于通信技术领域，特别涉及多输入多输出天线系统中基于结构化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，信道存在常见的频率选择性衰落和时间选择性衰落，此外还存在窄带噪声干扰(Narrowband Interference，NBI)等其他干扰，影响信号传输的质量。

目前，正交频分复用(Orthogonal Frequency Division Multiplexing，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 Television Multimedia 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 DomainSynchronous 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。多输入多输出(Multiple-Input-Multiple-Output,MIMO)技术和OFDM技术的结合，可进一步提升系统容量、提高系统性能，得到了广泛的研究和应用。

电力线信道环境恶劣，尤其是有严重的窄带噪声干扰；无线通信系统中也存在窄带干扰等问题。窄带干扰会降低上述通信系统中信道估计准确性，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下，数据的传输性能会严重恶化。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。进一步地，在较弱的窄带干扰和较强的信道噪声环境下，现有的方法无法准确地把窄带干扰从信道噪声中区分出来，无法准确估计窄带干扰信号的频率和大小。进一步地，目前尚没有针对MIMO系统的窄带干扰具有的空域相关性，即多接收天线上的窄带干扰信号的频率位置相同的特点，进行结构化多维联合窄带干扰估计的研究或技术。

综上，现有的窄带干扰信号估计方法在多径干扰严重、窄带干扰强度较低或者信道噪声较强的环境下，无法准确估计窄带干扰信号的频率和数值。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种多输入多输出系统中的窄带干扰估计方法利用多天线的空间相关性和结构化压缩感知算法，在不损失系统频谱效率前提下，提升抑制窄带干扰性能，提高系统的鲁棒性。

本发明的另一个目的在于提出一种多输入多输出系统中的窄带干扰估计装置。

为了实现上述目的，本发明的第一方面的实施例公开了一种多输入多输出系统中的窄带干扰估计方法，包括以下步骤：S1：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体，其中，所述多输入多输出系统包括T个发射天线和M个接收天线；S2：对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；S3：根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。

另外，根据本发明上述实施例的多输入多输出系统中的窄带干扰估计方法还可以具有如下附加的技术特征：

在一些示例中，在所述步骤S1中，所述训练序列为前导符号中的前导训练序列，所述前导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。

在一些示例中，在所述步骤S1中，所述训练序列为所述信号帧帧体之间的帧间训练序列，所述帧间训练序列包括一段已知训练序列、一段已知训练序列及其循环前缀或两段相同的已知训练序列，所述已知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。

在一些示例中，在所述步骤S1中，所述信号帧帧体包括：单载波数据块和正交频分复用数据块。

在一些示例中，在所述步骤S2中，所述重复训练序列部分包括前导符号中的所述前导训练序列、所述帧间训练序列的无帧体干扰部分或准无帧体干扰部分。

在一些示例中，在所述步骤S3中，所述窄带干扰信号时域差分采样序列为当前训练序列与下一训练序列进行逐点相减所得的时域差分序列。

在一些示例中，在所述步骤S3中，所述结构化压缩感知模型为多维窄带干扰信号时频关系等式。

在一些示例中，在所述步骤S4中，所述结构化压缩感知算法为基于多维联合稀疏信号的凸优化算法或者基于多维结构化压缩感知的贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括结构化同步正交匹配追踪算法、结构化稀疏自适应匹配追踪法。

在一些示例中，还包括：S5：根据每一个接收天线，利用步骤S4估计所得的窄带干扰信号频率，计算对应于该接收天线的所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小二乘计算，得到该接收天线上窄带干扰信号的幅度、相位准确估计；S6：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：

${\mathrm{\γ}}_k=1-\exp \left(j\frac{2\mathrm{\π}}{N}(k-1)\mathrm{\ΔL}\right),$

其中，所述ΔL为进行逐点相减操作的相邻帧头间的距离；S7：将每个接收天线接收到的信号帧的时域帧体数据块减去对应该天线的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。

本发明第二方面的实施例公开了一种多输入多输出天线系统中的窄带干扰估计装置，包括：帧头差分模块，用于对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；压缩感知模型构建模块，用于根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；压缩感知估计模块，用于根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。

根据本发明实施例的多输入多输出天线系统中的窄带干扰估计方法及装置，能够在多径衰落严重、噪声较大的信道中，在不损失频谱效率和时域资源的条件下，基于MIMO系统的帧头差分采样序列，对窄带干扰信号进行多维联合采样，构建结构化压缩感知模型，较精确地估计并消除窄带干扰，提升数据传输性能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的多输入多输出系统中的窄带干扰估计方法的流程图；

图2是本发明实施例1中接收到的基于帧间训练序列填充的MIMO-OFDM系统的帧结构的示意图；

图3是本发明实施例2中接收到的基于前导训练序列填充的MIMO-OFDM系统的帧结构的示意图；

图4是根据本发明一个实施例的多输入多输出系统中的窄带干扰估计装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

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、MIMO无线通信系统中前导符号和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。

为了在低INR环境和恶劣多径信道下，较准确地估计窄带干扰信号，需要把时域采样点数扩大到“准无帧体干扰区域”，利用MIMO系统多接收天线的空间分集增益，基于结构化压缩感知理论，降低压缩感知算法对INR的要求，从而显著提升传统压缩感知算法对抗恶劣多径衰落的能力，提高在低INR下准确估计窄带干扰信号的性能。

如图1所示，根据本发明一个实施例的多输入多输出系统中的窄带干扰估计方法，包括如下步骤：

S1：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体，其中，所述多输入多输出系统包括T个发射天线和M个接收天线；

S2：对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；

S3：根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；

S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。

在本发明的一个实施例中，在步骤S1中，训练序列为前导符号中的前导训练序列，所述前导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。

在本发明的一个实施例中，在步骤S1中，训练序列为所述信号帧帧体之间的帧间训练序列，所述帧间训练序列包括一段已知训练序列、一段已知训练序列及其循环前缀或两段相同的已知训练序列，所述已知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。

此外，在步骤S1中，信号帧帧体包括单载波数据块和正交频分复用数据块。

在本发明的一个实施例中，在步骤S2中，重复训练序列部分包括前导符号中的所述前导训练序列、所述帧间训练序列的无帧体干扰部分或准无帧体干扰部分。

在本发明的一个实施例中，在步骤S3中，窄带干扰信号时域差分采样序列为当前训练序列与下一训练序列进行逐点相减所得的时域差分序列。

进一步地，在步骤S3中，结构化压缩感知模型为多维窄带干扰信号时频关系等式，即：多维窄带干扰信号联合采样矩阵等于部分傅里叶逆变换矩阵乘以待估计的窄带干扰信号联合矩阵加上时域噪声信号矩阵。

在本发明的一个实施例中，在步骤S4中，结构化压缩感知算法为基于多维联合稀疏信号的凸优化算法或者基于多维结构化压缩感知的贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括结构化同步正交匹配追踪算法、结构化稀疏自适应匹配追踪法。

在本发明的进一步实施例中，该方法还包括：

S5：根据每一个接收天线，利用步骤S4估计所得的窄带干扰信号频率，计算对应于该接收天线的所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小二乘计算，得到该接收天线上窄带干扰信号的幅度、相位准确估计。

S6：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：

${\mathrm{\γ}}_k=1-\exp \left(j\frac{2\mathrm{\π}}{N}(k-1)\mathrm{\ΔL}\right),$

其中，所述ΔL为进行逐点相减操作的相邻帧头间的距离。

S7：将每个接收天线接收到的信号帧的时域帧体数据块减去对应该天线的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】

本实施例公开一种可应用在MIMO通信系统中的基于帧间训练序列差分采样的结构化压缩感知窄带干扰估计方法，该方法包括：

S1：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体，其中，所述多输入多输出系统包括T个发射天线和M个接收天线，即对于含有T个发射天线、M个接收天线的多输入多输出天线系统，通过所述T个发射天线分别发送训练序列和信号帧帧体；

本实施例中，如图2所示，并结合图1，训练序列为信号帧帧体之间的帧间训练序列，长度L＝127，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＝1024。

S2：对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；

本实施例中，如图2所示，重复训练序列部分为帧间训练序列的无帧体干扰部分，即帧头除去长度为L_H＝20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p个接收天线接收到的第i帧的和相邻下一帧的ΔL＝N+L＝1151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M个接收天线分别接收到的M组相邻信号帧间训练序列之间进行，差分结果为M组所述时域差分采样序列

S3：根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型，即用所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；

本实施例中，在步骤S3中，所述结构化压缩感知模型为多维窄带干扰信号时频关系等式，即所述多维窄带干扰信号联合采样矩阵等于部分傅里叶逆变换矩阵乘以待估计的窄带干扰信号联合矩阵加上时域噪声信号矩阵，即：

$\mathrm{\ΔY}=F_H\mathrm{\Δ}\tilde{E}+\mathrm{\ΔW},$

其中，ΔY为多维窄带干扰信号联合采样矩阵，即

$\mathrm{\ΔY}=[\mathrm{\Δ}{y}_i^{\left(1\right)},\mathrm{\Δ}{y}_i^{\left(2\right)},...,\mathrm{\Δ}{y}_i^{\left(M\right)}],$

其中， $\mathrm{\Δ}{y}_i^{\left(p\right)}={[\mathrm{\Δ}{y}_i^{\left(p\right)}\left(21\right),...\mathrm{\Δ}{y}_i^{\left(p\right)}\left(127\right)]}^T;$

其中ΔW为时域噪声信号的矩阵表示，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：

${\left\{F_H\right\}}_{n,k}=\exp \left(j\frac{2\mathrm{\π}}{N}(n-1)(k-1)\right),n=21,...127,k=\mathrm{1,2},...,1024;$

其中，为待估计的窄带干扰信号联合矩阵，即

$\mathrm{\Δ}\tilde{E}=[\mathrm{\Δ}{\tilde{e}}_i^{\left(1\right)},\mathrm{\Δ}{\tilde{e}}_i^{\left(2\right)},...\mathrm{\Δ}{\tilde{e}}_i^{\left(M\right)}],$

其中， $\mathrm{\Δ}{\tilde{e}}_i^{\left(p\right)}={\left[e_i^{\left(p\right)}\right[0]-e_{i+1}^{\left(p\right)}[0],...e_i^{\left(p\right)}[N-1]-e_{i+1}^{\left(p\right)}[N-1\left]\right]}^T.$

S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，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，即针对所述结构化压缩感知模型，采用结构化压缩感知算法，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S4中，所述结构化压缩感知算法包括基于多维联合稀疏信号的凸优化算法(最小化L1范数法)或者基于多维结构化压缩感知的贪婪算法(结构化同步正交匹配追踪算法SOMP、结构化稀疏自适应匹配追踪法S-SAMP)。

利用所述压缩感知算法，可以得到频域窄带干扰信号联合矩阵的估计

S5：根据每一个接收天线，利用步骤S4估计所得的窄带干扰信号频率，计算对应于该接收天线的所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小二乘计算，得到该接收天线上窄带干扰信号的幅度、相位准确估计，即解最小二乘问题：

$\underset{\mathrm{\Δ}\tilde{E}}{\min }{\left|\right|\mathrm{\ΔY}-F_H\mathrm{\Δ}\tilde{E}\left|\right|}_{\mathrm{2,0}},$

从而得到频域窄带干扰信号的准确估计。

S6：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：

${\mathrm{\γ}}_k=1-\exp \left(j\frac{2\mathrm{\π}}{N}(k-1)\mathrm{\ΔL}\right),$

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k＝1,2,…,1024，故最后得到的频域窄带干扰估计为

${\tilde{e}}_f^{\left(p\right)}\left[k\right]=\frac{\mathrm{\Δ}{\tilde{e}}_i^{\left(p\right)}\left[k\right]}{{\mathrm{\γ}}_k},k=\mathrm{1,2},...,1024.$

S7：将每个接收天线接收到的信号帧的时域帧体数据块减去对应该天线的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。

将第p个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

$x_i^{\left(p\right)}\left(n\right)=y_i^{\left(p\right)}\left(n\right)-{\hat{e}}_f^{\left(p\right)}\left(n\right),n=\mathrm{128,129},...1152,$

其中， ${\hat{e}}_f^{\left(p\right)}\left(n\right)=\frac{1}{\sqrt{N}}\underset{k=1}{\overset{1024}{\mathrm{\Σ}}}\mathrm{\Δ}{\tilde{e}}_i^{\left(p\right)}\left[k\right]\exp \left(j\frac{2\mathrm{\π}}{N}(n-1)(k-1)\right).$

【实施例2】

本实施例公开一种可应用在MIMO通信系统中的基于前导符号中前导训练序列差分采样的结构化压缩感知窄带干扰估计方法，该方法包括：

S1：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体，其中，所述多输入多输出系统包括T个发射天线和M个接收天线，即对于含有T个发射天线、M个接收天线的多输入多输出天线系统，通过所述N个发射天线分别发送训练序列和信号帧帧体；

本实施例中，如图3所示，并结合图1，训练序列为前导符号中的所述前导训练序列，长度L＝127，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，即帧体为单载波数据块，长度为N＝1024。

S2：对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；

本实施例中，如图3所示，重复训练序列部分为前导符号中的前导训练序列，即当前第p个接收天线接收到的前导符号中的第i段前导训练序列和相邻下一段ΔL＝L＝127为这两段用于逐点相减的前导训练序列的距离；

逐点相减操作在M个接收天线分别接收到的M组相邻前导训练序列之间进行，差分结果为M组所述时域差分采样序列

S3：根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；

本实施例中，在步骤S3中，所述结构化压缩感知模型为多维窄带干扰信号时频关系等式，即所述多维窄带干扰信号联合采样矩阵等于部分傅里叶逆变换矩阵乘以待估计的窄带干扰信号联合矩阵加上时域噪声信号矩阵，即：

$\mathrm{\ΔY}=F_H\mathrm{\Δ}\tilde{E}+\mathrm{\ΔW},$

其中，ΔY为多维窄带干扰信号联合采样矩阵，即

$\mathrm{\ΔY}=[\mathrm{\Δ}{y}_i^{\left(1\right)},\mathrm{\Δ}{y}_i^{\left(2\right)},...,\mathrm{\Δ}{y}_i^{\left(M\right)}],$

其中， $\mathrm{\Δ}{y}_i^{\left(p\right)}={[\mathrm{\Δ}{y}_i^{\left(p\right)}\left(21\right),...\mathrm{\Δ}{y}_i^{\left(p\right)}\left(127\right)]}^T;$

其中，ΔW为时域噪声信号的矩阵表示，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：

${\left\{F_H\right\}}_{n,k}=\exp \left(j\frac{2\mathrm{\π}}{N}(n-1)(k-1)\right),n=21,...127,k=\mathrm{1,2},...,1024;$

其中，为待估计的窄带干扰信号联合矩阵，即

$\mathrm{\Δ}\tilde{E}=[\mathrm{\Δ}{\tilde{e}}_i^{\left(1\right)},\mathrm{\Δ}{\tilde{e}}_i^{\left(2\right)},...\mathrm{\Δ}{\tilde{e}}_i^{\left(M\right)}],$

其中， $\mathrm{\Δ}{\tilde{e}}_i^{\left(p\right)}={\left[e_i^{\left(p\right)}\right[0]-e_{i+1}^{\left(p\right)}[0],...e_i^{\left(p\right)}[N-1]-e_{i+1}^{\left(p\right)}[N-1\left]\right]}^T.$

S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，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S4中，所述结构化压缩感知算法包括基于多维联合稀疏信号的凸优化算法(最小化L1范数法)或者基于多维结构化压缩感知的贪婪算法(结构化同步正交匹配追踪算法SOMP、结构化稀疏自适应匹配追踪法S-SAMP)。

利用所述压缩感知算法，可以得到频域窄带干扰信号联合矩阵的估计

S5：根据每一个接收天线，利用步骤S4估计所得的窄带干扰信号频率，计算对应于该接收天线的所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小二乘计算，得到该接收天线上窄带干扰信号的幅度、相位准确估计，即解最小二乘问题：

$\underset{\mathrm{\Δ}\tilde{E}}{\min }{\left|\right|\mathrm{\ΔY}-F_H\mathrm{\Δ}\tilde{E}\left|\right|}_{\mathrm{2,0}},$

从而得到频域窄带干扰信号的准确估计。

S6：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：

${\mathrm{\γ}}_k=1-\exp \left(j\frac{2\mathrm{\π}}{N}(k-1)\mathrm{\ΔL}\right),$

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k＝1,2,…,1024，故最后得到的频域窄带干扰估计为：

${\tilde{e}}_f^{\left(p\right)}\left[k\right]=\frac{\mathrm{\Δ}{\tilde{e}}_i^{\left(p\right)}\left[k\right]}{{\mathrm{\γ}}_k},k=\mathrm{1,2},...,1024.$

S7：将每个接收天线接收到的信号帧的时域帧体数据块减去对应该天线的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。

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。

根据本发明实施例的多输入多输出天线系统中的窄带干扰估计方法，能够在多径衰落严重、噪声较大的信道中，在不损失频谱效率和时域资源的条件下，基于MIMO系统的帧头差分采样序列，对窄带干扰信号进行多维联合采样，构建结构化压缩感知模型，较精确地估计并消除窄带干扰，提升数据传输性能。

进一步地，本发明的实施例公开了一种多输入多输出天线系统中的窄带干扰估计装置。如图4所示，根据本发明一个实施例的多输入多输出天线系统中的窄带干扰估计装置400，包括：帧头差分模块410、压缩感知模型构建模块420和压缩感知估计模块430。

其中，帧头差分模块410，用于对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列。压缩感知模型构建模块420，用于根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型。压缩感知估计模块430，用于根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。

根据本发明实施例的多输入多输出天线系统中的窄带干扰估计装置，能够在多径衰落严重、噪声较大的信道中，在不损失频谱效率和时域资源的条件下，基于MIMO系统的帧头差分采样序列，对窄带干扰信号进行多维联合采样，构建结构化压缩感知模型，较精确地估计并消除窄带干扰，提升数据传输性能。

需要说明的是，本发明实施例的多输入多输出天线系统中的窄带干扰估计装置的具体实现方式与本发明实施例的多输入多输出天线系统中的窄带干扰估计方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (10)

1.一种多输入多输出系统中的窄带干扰估计方法，其特征在于，包括以下步骤：

S1：通过多输入多输出系统的T个发射天线分别发送训练序列和信号帧帧体，其中，所述多输入多输出系统包括T个发射天线和M个接收天线；

S2：对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；

S3：根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；

S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。

2.根据权利要求1所述的方法，其特征在于，在所述步骤S1中，所述训练序列为前导符号中的前导训练序列，所述前导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，在所述步骤S1中，所述训练序列为所述信号帧帧体之间的帧间训练序列，所述帧间训练序列包括一段已知训练序列、一段已知训练序列及其循环前缀或两段相同的已知训练序列，所述已知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。

4.根据权利要求1所述的方法，其特征在于，在所述步骤S1中，所述信号帧帧体包括：单载波数据块和正交频分复用数据块。

5.根据权利要求1所述的方法，其特征在于，在所述步骤S2中，所述重复训练序列部分包括前导符号中的所述前导训练序列、所述帧间训练序列的无帧体干扰部分或准无帧体干扰部分。

6.根据权利要求1所述的方法，其特征在于，在所述步骤S3中，所述窄带干扰信号时域差分采样序列为当前训练序列与下一训练序列进行逐点相减所得的时域差分序列。

7.根据权利要求1所述的方法，其特征在于，在所述步骤S3中，所述结构化压缩感知模型为多维窄带干扰信号时频关系等式。

8.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，所述结构化压缩感知算法为基于多维联合稀疏信号的凸优化算法或者基于多维结构化压缩感知的贪婪算法，其中，所述凸优化算法包括内点法、一阶范数最小化算法；所述贪婪算法包括结构化同步正交匹配追踪算法、结构化稀疏自适应匹配追踪法。

9.根据权利要求1所述的方法，其特征在于，还包括：

S5：根据每一个接收天线，利用步骤S4估计所得的窄带干扰信号频率，计算对应于该接收天线的所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小二乘计算，得到该接收天线上窄带干扰信号的幅度、相位准确估计；

S6：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：

${\mathrm{\γ}}_k=1-\exp (j-\frac{2\mathrm{\π}}{N}(k-1)\mathrm{\ΔL}),$

其中，所述ΔL为进行逐点相减操作的相邻帧头间的距离；

S7：将每个接收天线接收到的信号帧的时域帧体数据块减去对应该天线的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。

10.一种多输入多输出天线系统中的窄带干扰估计装置，其特征在于，包括：

帧头差分模块，用于对所述M个接收天线所接收到的M组所述训练序列，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，以得到M段长度为L的窄带干扰时域差分采样序列；

压缩感知模型构建模块，用于根据所述M段时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；

压缩感知估计模块，用于根据所述结构化压缩感知模型，采用结构化压缩感知算法，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。