CN105162736B - 一种mimo-ofdm系统信道估计的导频优化方法 - Google Patents

Abstract

本发明公开了一种MIMO‑OFDM系统信道估计的导频优化方法，包括以下步骤：S1：设定MIMO系统不同发射天线共享导频位置和共享导频幅度，推导所述导频位置的优化方法；S2：给定遗传算法，根据所述遗传算法和所述导频位置的优化方法优化导频位置；S3：根据所述遗传算法和所述优化导频位置优化导频幅度；S4：根据所述优化导频幅度和所述优化导频位置，采用BOMP算法对MIMO‑OFDM系统的信道进行估计。本发明具有如下优点：能够在较低信噪比的环境中提升MIMO‑OFDM系统的信道估计性能，且不会有额外频谱资源和发射功率的要求。

Description

一种MIMO-OFDM系统信道估计的导频优化方法

技术领域

本发明涉及数字信号传输技术领域，特别涉及一种MIMO-OFDM系统信道估计的导频优化方法。

背景技术

在高速数据传输中，正交频分复用(Orthogonal Frequency DivisionMultiplex，OFDM)技术是最好的多载波传输方案之一。OFDM技术频谱效率高，多址方式灵活，实现复杂度低，同时可以很好地对抗多径信道干扰，在各种数字信号传输系统中得到了应用，如国际电联的电力线通信系统标准(International Telecommunications Union，ITU-T G.9960)、无线局域网(WLAN)、欧洲数字视频地面广播(Digital VideoBroadcasting-Terrestrial,DVB-T)、以及中国地面数字电视传输标准(DigitalTelevision Multimedia Broadcast，DTMB)等。

多入多出(Multiple-Input Multiple-Output，MIMO)系统是一个发射端与接收端均配置有多根天线的通信系统。它能充分利用空间资源，通过多个发射和接收天线实现多发、多收。MIMO能够提供多个相互独立的信道，在同一空间内同时传送多路数据，即空间复用增益，从而提高信道容量。而且可以利用多天线来同时传送并行数据流，从而抑制信道衰落，降低误码率。MIMO通信技术包括空分复用、空间分集、波束赋形、预编码等领域。

基于近年来新兴的数字信号处理理论——压缩感知(Compressive Sensing)，可以利用远少于待测信号维度的观测序列，通过基于凸优化或贪婪算法等压缩感知算法，精确恢复具有稀疏性的高维信号。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。最近，压缩感知理论蓬勃发展，出现了Bayesian压缩感知、谱压缩感知、块压缩感知等理论，给科学发展带来无限可能。

MIMO-OFDM系统的信道估计性能可以通过应用压缩感知技术而大大提高。最近，通过研究MIMO系统的空时相关性和信道的稀疏性，一些块压缩感知技术被引入到大规模MIMO系统中，获得了很好的联合信道估计性能。然而，虽然一些学者提出了块相关的概念来刻画观测矩阵的表现，观测矩阵对信道估计结果的影响仍没有受到大量关注。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种MIMO-OFDM系统信道估计的导频优化方法。

为了实现上述目的，本发明的实施例公开了一种MIMO-OFDM系统信道估计的导频优化方法，包括以下步骤：S1：设定MIMO系统不同发射天线共享导频位置和共享导频幅度，推导所述导频位置的优化方法；S2：给定遗传算法，根据所述遗传算法和所述导频位置的优化方法优化导频位置；S3：根据所述遗传算法和所述优化导频位置优化导频幅度；S4：根据所述优化导频幅度和所述优化导频位置，采用BOMP算法对MIMO-OFDM系统的信道进行估计。

根据本发明实施例的一种MIMO-OFDM系统信道估计的导频优化方法，能够在较低信噪比的环境中提升MIMO-OFDM系统的信道估计性能，且不会有额外频谱资源和发射功率的要求。

另外，根据本发明上述实施例的一种MIMO-OFDM系统信道估计的导频优化方法，还可以具有如下附加的技术特征：

进一步地，在所述步骤S1中，所述推导所述导频位置的优化方法是通过叠加导频实现的。

进一步地，在所述步骤S1中，在推导所述导频位置的优化方法中，导频位置集合的循环差分集中所有元素的重复次数均相同。

进一步地，在所述步骤S2和S3中，根据所述MIMO系统观测矩阵定义所述遗传算法的个体适应度，根据最小化块选择所述遗传算法的最小适应度的后代。

进一步地，在所述步骤S2中，所述的遗传算法进一步包括：S201：初始化种群数量、个体向量的长度和最大遗传代数；S202：随机生成种群矩阵，所述种群矩阵的每一行代表一个导频位置集合；S203：计算种群矩阵中每个所述导频位置集合的适应度；S204：按照给定的选择概率、交叉概率和变异概率进行随机选择、交叉组合和变异；S205：计算新产生的后代的适应度，按照适应度将新产生的后代放到所述种群矩阵中；S206：如果当前已经达到预设的最大遗传代数，则停止算法，获得适应度最小的个体，否则遗传代数加1并返回步骤S204。

进一步地，在所述步骤S3中，所述的遗传算法包括以下步骤：S301：初始化种群数量、个体向量的长度和最大遗传代数；S302：随机生成一个由±1组成的种群矩阵，所述种群矩阵的每一行代表一个行向量；S303：计算种群矩阵中每个所述行向量的适应度；S304：按照给定的选择概率、交叉概率和变异概率进行随机选择、交叉组合和变异；S305：计算新产生的后代的适应度，按照适应度将新产生的后代放到所述种群矩阵中；S306：如果当前已经达到预设的最大遗传代数，则停止算法，获得适应度最小的个体，否则遗传代数加1并返回步骤S304。

进一步地，在所述步骤S4中，所述的BOMP算法操作单位为一个子矩阵，每次更新一个所述子矩阵到支持向量集合中。

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导频优化方法流程图；

图2是根据本发明一个实施例的CP-OFDM帧结构示意图；

图3是根据本发明一个实施例的叠加导频与正交导频比较示意图。

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。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述根据本发明实施例的一种MIMO-OFDM系统信道估计的导频优化方法。

【实施例1】

本实施例具体公开一种可应用在CP-OFDM系统(不考虑虚拟子载波)中的基于先验信息辅助的压缩感知限幅噪声估计与恢复方法，请参考图1，该方法包括：

S1：假设MIMO系统不同发射天线共享导频位置，推导导频幅度的优化方案，具体为：

本发明中的数据帧结构如图2所示。

对于MIMO系统中的第i根天线，根据无线信道中的经典信道估计理论，有：

z_i＝Ψ_ih_iN+v_i

其中，Ψ_i是由OFDM块dⁱ循环排列成的N×N的Toeplitz矩阵，h_iN是由原始的长度为L的CIR向量h_i零填充得到的长度为N的离散时间CIR向量，v_i是AWGN。

每个循环矩阵(包括Toeplitz矩阵)都可以被同时左乘和右乘DFT矩阵对角化。所以DFT之后的频域OFDM块表示为：

其中，F_N×N是N×N的DFT矩阵，Λ_i表示对角阵diag(D_i)，V_i＝F_N×Nv_i表示频域中的AWGN。

如图3所示，本发明采用频域的叠加导频，即不同的天线对共享同一组频域导频位置，仅在导频幅度上有所变化。于是，第i根传输天线的导频Z_i|_Γ可以从Z_i中提取出来：

Z_i|_Γ＝(ΛF_(L))|_Γh_i+_i|_Γ

其中，Γ表示导频位置的集合，即

J是一个OFDM块中的导频个数。为了简化，在接下来的讨论中，可以将下标(·)|_Γ省略。考虑任意一根接收天线，它接收到的频域导频是N_t根发射天线发射信号的叠加，表示为：

它接收到的N_t根发射天线的发射信号会经过N_t个不同的信道将这些信道的CIR累积成一个聚合的信道向量那么接收到的叠加频域导频可以用一个线性模型来刻画：

Y＝Ph+V

其中，P表示J×LN_t的系统分块矩阵：

传统的压缩感知理论已经证明，只要聚合的信道向量h满足稀疏性且观测矩阵P满足有限等距性质(R.I.P.)，那么h就可以被精确估计。稀疏性要求h中的非零元素个数S远小于h的长度L，这个性质在很多信道中都被证明满足。

其中，J×N_t的矩阵表示分块矩阵Φ的第l个子矩阵。考虑到不同CIR具有相同的非零元素位置，所以b_l的各项或者全是零，或者全不是零，所以聚合信道向量b展现出块稀疏性。

因为当下的目标是优化导频位置，所以可以进一步假设所有发射天线的导频幅度都相同，在这样的假设下，不同发射天线对应的矩阵Λ_i是相同的，即很显然，对于任意M＝0,1,…,N_t-1和l＝0,1,…,L，矩阵P的列向量p_l+ML也是相同的。即，子矩阵的每一列都是相同的，所以我们可以将其改写为Φ_l＝[p_l,p_l,…,p_l]。因此有：

其中表示N_t×N_t的全1阵。于是我们得到了半正定矩阵R_lk ^HR_lk的表达式：

所以矩阵R_lk的谱范数可以表示为：

回到导频位置优化讨论中，我们的目标是最小化互相关。考虑到DFT矩阵的单位性质和上面公式中对谱范数的简化，我们可以将互相关化简为：

其中，A是相同的导频幅度，f_l是矩阵F_(L)的第l列。为了使讨论更清晰，可以将矩阵F_(L)写开如下：

因为DFT矩阵具有周期性，所以|f_l ^Hf_k|的值只依赖于r＝k-l。然后，块相关能够被进一步化简为：

所以，能够最小化块相关的最优导频位置集合Γ_opt可以表示成：

接下来，对上面的公式进行化简：

定义集合Γ的CDS为C_Γ＝{(P_k-P_l)mod N|1≤l≠k≤J}，定义r_d表示C_Γ中元素d的重复次数，其中0≤d≤N-1。有：

根据复指数序列的叠加性质：

我们可以将上面的公式按照r＝1,2…N-1叠加N-1次，得到：

显然：

而且，取得等号的条件是：

r₁＝r₂＝…＝r_N-1

S2：提出遗传算法，在实际系统中优化导频幅度，具体为：

在所有发射天线共享相同的导频位置、幅度的假设下，本发明推导出了最优的导频位置分配方案。但是，对于一般的OFDM子载波数N和导频数J，最优的条件并不能够满足。即，最优CDS只在特定的(N,J)对中存在。对于最优CDS不存在的情况，即任意的OFDM子载波数N和导频数J，本发明提出一个遗传算法来获得次优的导频位置分配方案。遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，非常适合解决组合优化问题。本发明提出的算法适用性很强，不受OFDM子载波数、导频数和CIR长度的影响。简单地说，在下面的算法中，个体的适应度函数被定义为f(φ)＝μ_B(Φ)。与传统的遗传算法不同，下面的算法选择具有较小适应度的后代，以最小化块相关。算法简要介绍如下：

输入：OFDM子载波数N，导频数J。

输出：次优的导频位置集合Γ_subopt。

初始化：种群数量P_s＝100；

个体向量的长度J_v＝J；

最大遗传代数G。

步骤1：随机生成一个P_s×J的种群矩阵C。C的每一行代表一个个体，即一个导频位置集合。计算C中每个个体的适应度。

步骤2：按照选择概率P_selection＝0.95、交叉概率P_cross＝0.5、变异概率P_mutation＝0.1进行随机选择、交叉组合和变异。

步骤3：计算新产生的后代的适应度。按照适应度将新产生的后代放到种群矩阵C中。

步骤4：如果当前已经达到预设的最大遗传代数G，停止算法，获得适应度最小的个体，即Γ_subopt；否则，跳转到步骤2。

S3：提出类似的遗传算法，在导频幅度已知的情况下优化导频位置提出类似的遗传算法，在导频幅度已知的情况下优化导频位置，具体为：

如图3所示，在传统的正交导频设计中，不同发射天线的导频位置必须是非交叠的。于是不得不添加空导频来防止不同发射天线导频的相互干扰。随着MIMO系统的天线个数不断增加，空导频的数量必须不断增多，这造成了频谱资源的大量浪费。近来，有学者提出了叠加导频的设计方案。在叠加导频设计中，不同发射天线的导频共享相同的位置，所以那些用作占位的空导频可以被移除掉。为了分辨不同发射天线的信道，导频幅度必须有足够大的差异。根据文献，不同的导频幅度可以通过随机产生独立同分布的Bernoulli分布序列获得。

为了最小化观测矩阵的块相关，本发明提出一个类似的遗传算法来优化N_t个发射天线的导频幅度集合。同样，个体的适应度函数被定义为f(φ)＝μ_B(Φ)，而且算法选择具有较小适应度的后代，以最小化块相关。算法简要介绍如下：

输入：OFDM子载波数N，导频数J，导频位置集合Γ。

输出：N_t个由±1组成的向量，代表N_t根发射天线的导频幅度。

初始化：种群数量P_s＝100；

个体向量的长度J_v＝N_tJ；

最大遗传代数G。

步骤1：随机生成一个由±1组成的、P_s×N_tJ的种群矩阵C。C的每一行代表一个个体，即N_t个导频幅度向量重排成的一个行向量。计算C中每个个体的适应度。

步骤2：按照选择概率P_selection＝0.95、交叉概率P_cross＝0.5、变异概率P_mutation＝0.1进行随机选择、交叉组合和变异。

步骤3：计算新产生的后代的适应度。按照适应度将新产生的后代放到种群矩阵C中。

步骤4：如果当前已经达到预设的最大遗传代数G，停止算法，获得适应度最小的个体，将其重排成N_t个向量；否则，跳转到步骤2。

S4：在导频幅度和导频位置已知的情况下，引入BOMP算法，做MIMO-OFDM系统的信道估计，BOMP算法具体为：

输入：接收端叠加频域导频序列Y；观测矩阵Φ，信道长度L，发射天线数N_t，阈值Jσ²。

输出：重排后的聚合CIR向量b。

初始化：迭代变量i＝0；

初始的CIR向量b＝0；

初始的残差向量r＝Y；

初始的b的支持向量集合

步骤2：找到最小的残差∈_m，令

步骤3：根据当前的支持向量集合s计算出部分CIR向量b_s＝(Φ_s ^HΦ_s)^-1Φ_s ^HY，其中Φ_s是通过支持向量集合s提取的Φ的子矩阵。

步骤4：根据当前的支持向量集合s更新聚合CIR向量b，即b(s)＝b_s。

步骤5：更新残差向量r＝Y-Φ_sb。

步骤6：如果停止迭代；否则，令i＝i+1，转到步骤1。

另外，本发明实施例的一种MIMO-OFDM系统信道估计的导频优化方法的其它构成以及作用对于本领域的技术人员而言都是已知的，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 (3)

1.一种MIMO-OFDM系统信道估计的导频优化方法，其特征在于，包括以下步骤：

S1：设定MIMO系统不同发射天线共享导频位置和共享导频幅度，推导所述导频位置的优化方法，其中，所述推导所述导频位置的优化方法是通过叠加导频实现的；

S2：给定第一遗传算法，根据所述第一遗传算法和所述导频位置的优化方法优化导频位置，在所述步骤S2中，所述第一遗传算法进一步包括：

S201：初始化种群数量、个体向量的长度和最大遗传代数；

S202：随机生成种群矩阵，所述种群矩阵的每一行代表一个导频位置集合；

S203：计算种群矩阵中每个所述导频位置集合的适应度；

S204：按照给定的选择概率、交叉概率和变异概率进行随机选择、交叉组合和变异；

S205：计算新产生的后代的适应度，按照适应度将新产生的后代放到所述种群矩阵中；

S206：如果当前已经达到预设的最大遗传代数，则停止算法，获得适应度最小的个体，否则遗传代数加1并返回步骤S204；

S3：根据第二遗传算法和所述优化导频位置优化导频幅度，其中，在所述步骤S3中，所述第二遗传算法包括以下步骤：

S301：初始化种群数量、个体向量的长度和最大遗传代数；

S302：随机生成一个由±1组成的种群矩阵，所述种群矩阵的每一行代表N_t个导频幅度向量重排成的一个行向量；

S303：计算种群矩阵中每个所述行向量的适应度；

S304：按照给定的选择概率、交叉概率和变异概率进行随机选择、交叉组合和变异；

S305：计算新产生的后代的适应度，按照适应度将新产生的后代放到所述种群矩阵中；

S306：如果当前已经达到预设的最大遗传代数，则停止算法，获得适应度最小的个体，否则遗传代数加1并返回步骤S304；

S4：根据所述优化导频幅度和所述优化导频位置，采用BOMP算法对MIMO-OFDM系统的信道进行估计；

其中，在所述第一遗传算法和所述第二遗传算法中，个体的适应度函数被定义为f(φ)＝μ_B(Φ)，其中，

其中，A为导频幅度，N_t为发射天线的数量，J是一个OFDM块中的导频个数，N为OFDM子载波数，P_i为第i个导频位置，f_l是矩阵F_(L)的第l列，

|f_l ^Hf_k|的值只依赖于r＝k-l。

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，在推导所述导频位置的优化方法中，导频位置集合的循环差分集中所有元素的重复次数均相同。

3.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，所述的BOMP算法操作单位为一个子矩阵，每次更新一个所述子矩阵到支持向量集合中。