CN105227505A - 一种高速移动环境下的多符号联合信道估计方法 - Google Patents

Abstract

一种高速移动环境下的多符号联合信道估计方法，基于OFDM无线通信系统，采用基于导频的信道估计方法，包括步骤1)利用复指数基扩展模型对时间频率双选信道进行建模；2)计算联合估计OFDM符号的个数J，满足连续J个OFDM符号对应信道具有联合稀疏特性；3)对于连续J个OFDM符号，设计稀疏导频模式，推导信道估计模型；4)利用离散随机最优化算法求得最优导频位置分布；5)利用块同步正交匹配追踪(BSOMP)算法重建稀疏系数；6)根据BSOMP算法重建的系数恢复信道抽头系数；7)对估计得到的信道抽头系数进行分段线性光滑处理。本发明能够有效对抗时间频率双重选择性衰落，提高信道估计的准确度和频谱利用率。

Description

一种高速移动环境下的多符号联合信道估计方法

技术领域：

本发明涉及在时间频率双重选择性衰落环境中，基站与移动终端进行上下行链路通信时，接收机进行信道估计的方法，具体是一种高速移动环境下的多符号联合信道估计方法，属于无线通信技术领域。

背景技术：

无线通信系统中，为了有效恢复出原始发送信号，接收机需要估计出信道状态信息，进而对接收到的信号进行均衡处理。因此，信道估计的准确性对无线通信系统的性能至关重要。

在正交频分复用(OFDM)无线通信系统中，传统的信道估计方法有最小二乘(LS)方法和最小均方误差(MMSE)方法。考虑到无线信道的稀疏性，越来越多的研究将压缩感知(CS)理论用于稀疏信道估计，CS理论突破了奈奎斯特采样定理的限制，用很少的测量值就能恢复原始信号。和CS相比，分布式压缩感知(DCS)用于恢复一组联合稀疏的信号，能更准确的找到稀疏信号的非零位置，所以能提高恢复精度。

近年来随着高速铁路的速度越来越快，移动终端对高速环境中通信质量的要求越来越高。高速移动环境中，无线信道不仅表现频率选择性衰落，还表现出时间选择性衰落，需要估计的信道系数大大增多，意味着需要更多的导频子载波，降低了频谱利用率。高速环境中，多普勒频偏导致严重的多普勒泄露，多普勒域不再具有稀疏特性。

发明内容：

本发明的目的在于针对上述现有技术存在的问题，提出一种高速移动环境下多符号联合信道估计的方法，对时间频率双选信道进行合理建模，减少需要估计参数的数量，从而减少所需的导频数量，提高频谱利用率，同时利用多OFDM符号的联合稀疏特性，提高接收机信道估计的精度。

本发明的主要原理是：

考虑到高速环境中，多普勒泄露使多普勒域不再具有稀疏特性，利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模，从而将信道系数的估计问题转换为对CE-BEM系数的估计问题。在多个OFDM符号间联合设计稀疏导频模式，并利用多个符号在延时域上的联合稀疏性，将原始的双选信道估计问题转化为结构化分布式压缩感知模型。针对提出的模型，利用块同步正交匹配追踪算法(BSOMP)求解系数。最后对估计得到的信道系数进行线性光滑处理，减少建模误差。

本发明的技术解决方案如下：

(1)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下：

$h_l^{\left(j\right)}=(b_0,...,b_{Q-1})\left(\begin{array}{c}{c}^{\left(j\right)}\[0,l\]\\ .\\ .\\ .\\ c^{\left(j\right)}\[Q-1,l\]\end{array}\right)+{\mathrm{\ξ}}_l^{\left(j\right)},0\≤l\≤L-1---\left(1\right)$

其中，j代表OFDM符号的序号，Q代表CE-BEM阶数，L代表路径数，表示第l径对应的抽头系数，b_q(0≤q≤Q-1)代表CE-BEM基函数，[q,l]代表CE-BEM系数，代表CE-BEM建模误差。基函数b_q表示为：

$b_q={\left(1,\mathrm{...},e^{j\frac{2\mathrm{\π}}{N}n\left(q-\frac{Q-1}{2}\right)},\mathrm{...},e^{j\frac{2\mathrm{\π}}{N}\left(N-1\right)\left(q-\frac{Q-1}{2}\right)}\right)}^T,0\≤q\≤Q-1---\left(2\right)$

其中，N表示一个OFDM符号子载波的个数。对于连续J个OFDM符号，每个符号对应的CE-BEM基函数相同，BEM系数不同。

(2)计算联合估计OFDM符号的个数J，满足连续J个OFDM符号对应信道具有联合稀疏特性。J由下式确定

J＜0.01c/(N+L_CP)v(3)其中c是光速，v是移动终端和基站的相对速度，L_CP代表CP长度。此时，路径延时变化量的最大值远远小于采样周期，因此可以假设连续J个OFDM符号对应信道稀疏性不变。

(3)对于连续J个OFDM符号，设计稀疏导频模式，推导信道估计模型。导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K＜G＜＜JL，K表示无线信道延时域的稀疏度；有效导频和保护导频幅度分别取1和0，有效导频序列记为P_eff，保护导频序列记为P_guard，保护导频位于有效导频两侧，防止数据子载波对有效导频的干扰。将导频分为Q个子序列：

$\begin{array}{c}{P}_0=P_{eff}-\frac{Q-1}{2}\\ .\\ .\\ .\\ P_{\frac{Q-1}{2}}=P_{eff}\\ .\\ .\\ .\\ P_{Q-1}=P_{eff}+\frac{Q-1}{2}\end{array}---\left(4\right)$

其中表示所有有效导频构成的子序列。

结合CE-BEM的特性和设计的导频模式，得到信道估计模型如下：

$\left\{\begin{array}{c}{\[Y\]}_{P_0}={\left(I_J\⊗V_L\right)}_{P_{\frac{Q-1}{2}}}\left(\begin{array}{c}{\mathrm{\Λ}}_0{c}_0^{\left(0\right)}\\ .\\ .\\ .\\ {\mathrm{\Λ}}_0{c}_0^{\left(J-1\right)}\end{array}\right)+W_0\\ .\\ .\\ .\\ {\[Y\]}_{P_{\frac{Q-1}{2}}}={\left(I_J\⊗V_L\right)}_{P_{\frac{Q-1}{2}}}\left(\begin{array}{c}{\mathrm{\Λ}}_{\frac{Q-1}{2}}{c}_{\frac{Q-1}{2}}^{\left(0\right)}\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{\frac{Q-1}{2}}{c}_{\frac{Q-1}{2}}^{\left(J-1\right)}\end{array}\right)+W_{\frac{Q-1}{2}}\\ .\\ .\\ .\\ {\[Y\]}_{P_{Q-1}}={\left(I_J\⊗V_L\right)}_{P_{\frac{Q-1}{2}}}\left(\begin{array}{c}{\mathrm{\Λ}}_{Q-1}{c}_{Q-1}^{\left(0\right)}\\ .\\ .\\ .\\ {\mathrm{\Λ}}_{Q-1}{c}_{Q-1}^{\left(J-1\right)}\end{array}\right)+W_{Q-1}\end{array}\right.---\left(5\right)$

其中，Y代表接收机OFDM解调之后的数据，I_J表示J×J的单位矩阵，表示张量积，V_L表示(离散傅里叶变换矩阵)的前L列构成的矩阵，W_q包括噪声和建模误差，Λ_q是一个对角矩阵，表示如下：

${\mathrm{\Λ}}_q=diag(1,e^{-i\frac{2\mathrm{\π}}{N}(q-\frac{Q-1}{2})},\mathrm{...},e^{-i\frac{2\mathrm{\π}}{N}(q-\frac{Q-1}{2})\left(L-1\right)})---\left(6\right)$

对式(5)所示模型中需要重建的系数进行重新排序

$s_q^l={\left({\[{\mathrm{\Λ}}_q{c}_q^{\left(0\right)}\]}_l,...,{\[{\mathrm{\Λ}}_q{c}_q^{(J-1)}\]}_l\right)}^T---\left(7\right)$

$s_q={({\left(s_q^0\right)}^T,...,{\left(s_q^{L-1}\right)}^T)}^T---\left(8\right)$

得到信道估计模型：

$\left\{\begin{array}{c}{\[Y\]}_{P_0}={\mathrm{\Φs}}_0+W_0\\ .\\ .\\ .\\ {\[Y\]}_{P_{\frac{Q-1}{2}}}={\mathrm{\Φs}}_{\frac{Q-1}{2}}+W_{\frac{Q-1}{2}}\\ .\\ .\\ .\\ {\[Y\]}_{P_{Q-1}}={\mathrm{\Φs}}_{Q-1}+W_{Q-1}\end{array}\right.---\left(9\right)$

其中测量矩阵Φ＝[Φ₀,…Φ_L-1]， ${\mathrm{\Φ}}_l={\[{(I_J\⊗V_L)}_{P_{\frac{Q-1}{2}}}\]}_{l:L:(J-1)L+l}.$

(4)对于式(9)所示模型，利用离散随机最优化(DSO)算法求得最优导频位置分布。最优导频位置确认原则是使矩阵Φ的互相关值μ最小，μ计算如下：

$\mathrm{\&mu;}\left(\mathrm{\&Phi;}\right)=\underset{1\&le;i\&NotEqual;j\&le;L}{max}\frac{|<{\mathrm{\&phi;}}_i,{\mathrm{\&phi;}}_j>|}{\left|\right|{\mathrm{\&phi;}}_i\left|\right|\left|\right|{\mathrm{\&phi;}}_j|{|}_2}---\left(10\right)$

其中φ_i，φ_j是矩阵Φ的任意两列。

(5)对于式(9)所示模型，利用块同步正交匹配追踪(BSOMP)算法恢复得到系数设Φ＝[Φ₀,…Φ_L-1]，S＝(s₀,…,s_Q-1)，稀疏度为K。BSOMP算法步骤如下：

a)设置初始值：迭代次数i＝0，稀疏向量S⁰＝0_JL×Q，残差r⁰＝Y-ΦS⁰＝Y,

支持向量 $\mathrm{\&Omega;}={\&lsqb;{\mathrm{\&Omega;}}_0^T,...,{\mathrm{\&Omega;}}_{L-1}^T\&rsqb;}^T={\&lsqb;0_{J\&times;1}^T,...,0_{J\&times;1}^T\&rsqb;}^T.$

b)对所有l∈{0,…,L-1}，计算 ${\mathrm{\&zeta;}}_l^i=\left|\right|r^i-{\mathrm{\&Phi;}}_l{\left({\mathrm{\&Phi;}}_l^H{\mathrm{\&Phi;}}_l\right)}^{-1}{\mathrm{\&Phi;}}_l^H{r}^i|{|}_2^2.$

c)在中找到最小值更新支持向量Ω_m＝1_J×1，更新残差 $r^i=Y-{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}{\left({\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^H{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}\right)}^{-1}{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^{H}Y.$

d)i＝i+1，如果i＜K，返回a)，否则进入下一步。

e)非稀疏位置稀疏位置重建稀疏系数s_q＝(S(1,q),…S(JL,q))。

(6)由BSOMP算法重建得到的稀疏系数恢复出信道抽头系数根据计算得到的系数基于式(7)、式(8)恢复得到BEM系数然后基于式(1)计算得到信道抽头系数

(7)为了减小CE-BEM模型的建模误差，对步骤(6)估计得到的信道系数进行分段线性光滑处理。对第j个符号，第l条径对应的信道系数取平均

$h_l^{\left(j\right)ave}=\frac{1}{N}{\mathrm{\&Sigma;}}_{n=j(N+L_{CP})+L_{CP}}^{(j+1)(N+L_{CP})-1}{h}_{n,l},0\&le;l\&le;L-1---\left(11\right)$

分别利用估计得到的前后两个相邻OFDM符号的信道系数，对第j个OFDM符号对应的信道系数进行光滑处理，

$\left\{\begin{array}{c}{h}_l^{\left(j\right)r1}=\frac{1}{N+L_{CP}}\left(h_l^{\left(j\right)ave}-h_l^{\left(j-1\right)ave}\right)\left(n+L_{CP}+1+\frac{N}{2}\right)+h_l^{\left(j-1\right)ave}\\ h_l^{\left(j\right)r2}=\frac{1}{N+L_{CP}}\left(h_l^{\left(j+1\right)ave}-h_l^{\left(j\right)ave}\right)\left(n+1-\frac{N}{2}\right)+h_l^{\left(j\right)ave}\end{array}\right.---\left(12\right)$

对上述结果取平均得到第j个符号，第l条径对应的信道抽头系数如下：

$h_l^{\left(j\right)}=\frac{1}{2}(h_l^{\left(j\right)r1}+h_l^{\left(j\right)r2})---\left(13\right)$

通过以上步骤，可以得到每个OFDM符号对应的每个时刻n，每条路径j的信道系数，实现OFDM系统在高速移动环境下的信道估计。

与现有的信道估计方法相比，本发明的一种高速移动环境下的联合多符号信道估计方法能够有效对抗时间频率双重选择性衰落，同时提高信道估计的准确度和频谱利用率。

附图说明：

图1多符号导频设计模式

具体实施方式：

下面结合附图和具体实施例对本发明做进一步的描述。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

LTE是一项基于OFDM传输系统的无线通信协议。采用7.68MHz带宽按照LTE协议进行下行链路无线通信时，取CE-BEM阶数Q＝3,信道路径数L＝64，信道稀疏度K＝6。本发明的一种高速移动环境下的多符号联合信道估计方法的具体步骤如下：

(1)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下：

$h_l^{\left(j\right)}=(b_0,b_1,b_2)\left(\begin{array}{c}{c}^{\left(j\right)}\&lsqb;0,l\&rsqb;\\ c^{\left(j\right)}\&lsqb;1,l\&rsqb;\\ c^{\left(j\right)}\&lsqb;2,l\&rsqb;\end{array}\right),0\&le;l\&le;63---\left(14\right)$

其中，j＝0,1,2，b_q表示为：

$b_q={\left(1,\mathrm{...},e^{j\frac{2\mathrm{\&pi;}}{512}n(q-1)},\mathrm{...},e^{j\frac{2\mathrm{\&pi;}}{512}\&times;511(q-1)}\right)}^T,0\&le;q\&le;2---\left(15\right)$

(2)计算联合估计OFDM符号的个数J，满足连续J个OFDM符号对应信道具有联合稀疏特性。移动终端和基站的相对速度v＝500km/h，基于公式(3)，计算连续估计OFDM符号个数J的取值范围，本实施例中取J＝3。

(3)对于连续3个OFDM符号，设计稀疏导频模式，推导信道估计模型。对连续3个OFDM符号设计稀疏导频模式如图1所示。本实施例中，连续3个OFDM符号导频序列包括60个有效导频和240个保护导频，有效导频和保护导频幅度分别取1和0，有效导频序列记为P_eff，保护导频序列记为P_guard。将导频分为3个子序列：

$\left\{\begin{array}{c}{P}_0=P_{eff}-1\\ P_1=P_{eff}\\ P_2=P_{eff}+1\end{array}\right.---\left(16\right)$

参照公式(9)得到信道估计模型：

$\left\{\begin{array}{c}{\&lsqb;Y\&rsqb;}_{P_0}={\mathrm{\&Phi;s}}_0+W_0\\ {\&lsqb;Y\&rsqb;}_{P_1}={\mathrm{\&Phi;s}}_1+W_1\\ {\&lsqb;Y\&rsqb;}_{P_2}={\mathrm{\&Phi;s}}_2+W_2\end{array}\right.---\left(17\right)$

其中Φ＝[Φ₀,…Φ₆₃]，V₆₄表示的前64列构成的矩阵，F₅₁₂是512×512的离散傅里叶变换矩阵。

(4)对于式(17)所示模型，利用离散随机最优化(DSO)算法求得最优有效导频P_eff，从而根据公式(16)确定P₀，P₁，P₂。

(5)对于式(17)所示模型，利用块同步正交匹配追踪(BSOMP)算法恢复得到系数设S＝(s₀,s₁,s₂)，稀疏度为6。BSOMP算法步骤如下：

a)设置初始值：迭代次数i＝0，稀疏向量S⁰＝0_192×3，残差r⁰＝Y-ΦS⁰＝Y,

支持向量 $\mathrm{\&Omega;}={\&lsqb;{\mathrm{\&Omega;}}_0^T,...,{\mathrm{\&Omega;}}_{63}^T\&rsqb;}^T={\&lsqb;0_{3\&times;1}^T,...,0_{3\&times;1}^T\&rsqb;}^T.$

b)对所有l∈{0,…,63}，计算 ${\mathrm{\&zeta;}}_l^i=\left|\right|r^i-{\mathrm{\&Phi;}}_l{\left({\mathrm{\&Phi;}}_l^H{\mathrm{\&Phi;}}_l\right)}^{-1}{\mathrm{\&Phi;}}_l^H{r}^i|{|}_2^2.$

c)在中找到最小值更新支持向量Ω_m＝1_3×1，更新残差 $r^i=Y-{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}{\left({\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^H{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}\right)}^{-1}{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^{H}Y.$

d)i＝i+1，如果i＜6，返回a)，否则进入下一步。

f)非稀疏位置稀疏位置重建稀疏系数s_q＝(S(1,q),…S(192,q))。

(6)由BSOMP算法重建得到的稀疏系数恢复出信道抽头系数根据计算得到的系数参照公式(7)、公式(8)，可由公式(18)计算BEM系数

$c_q^{\left(j\right)}={\mathrm{\&Lambda;}}_q^{-1}{\&lsqb;s_q\&rsqb;}_{j:3:192}---\left(18\right)$

其中，j＝0,1,2， ${\mathrm{\&Lambda;}}_q=diag(1,e^{-i\frac{2\mathrm{\&pi;}}{512}(q-1)},\mathrm{...},e^{-i\frac{2\mathrm{\&pi;}}{512}(q-1)\&times;63}),$ q＝0,1,2。从而可由公式(14)计算信道抽头系数

(7)对步骤(6)估计得到的信道抽头系数进行分段线性光滑处理。对第j个符号，第l条径对应的信道系数取平均

$h_l^{\left(j\right)ave}=\frac{1}{512}{\mathrm{\&Sigma;}}_{n=578j+64}^{578(j+1)-1}{h}_{n,l},0\&le;l\&le;63,0\&le;j\&le;2---\left(19\right)$

分别利用估计得到的前后两个相邻OFDM符号的信道抽头系数，对第j个OFDM符号对应的信道抽头系数进行光滑处理，

$\left\{\begin{array}{c}{h}_l^{\left(j\right)r1}=\frac{1}{578}\left(h_l^{\left(j\right)ave}-h_l^{\left(j-1\right)ave}\right)\left(n+321\right)+h_l^{\left(j-1\right)ave}\\ h_l^{\left(j\right)r2}=\frac{1}{578}\left(h_l^{\left(j+1\right)ave}-h_l^{\left(j\right)ave}\right)\left(n-255\right)+h_l^{\left(j\right)ave}\end{array}\right.---\left(20\right)$

对上述结果取平均得到第j个符号，第l条径对应的信道抽头系数如下：

$h_l^{\left(j\right)}=\frac{1}{2}(h_l^{\left(j\right)r1}+h_l^{\left(j\right)r2})---\left(21\right)$

通过以上步骤，可以得到每个OFDM符号对应的每个时刻，每条路径的信道系数，实现7.68MHz带宽下以LTE协议为标准的高速移动环境下的信道估计。

Claims (2)

1.一种高速移动环境下的多符号联合信道估计方法，用于正交频分复用系统，利用多符号的联合稀疏特性，基于压缩感知理论对信道进行估计，其特征在于，该方法包括如下步骤：

①利用复指数基扩展模型对时间频率双选信道进行建模，模型如下：

$h_l^{\left(j\right)}=\left(b_0,...,b_{Q-1}\right)\left(\begin{array}{c}{c}^{\left(j\right)}\&lsqb;0,l\&rsqb;\\ \begin{array}{c}.\\ .\\ .\end{array}\\ c^{\left(j\right)}\&lsqb;Q-1,l\&rsqb;\end{array}\right)+{\mathrm{\&xi;}}_l^{\left(j\right)},0\&le;l\&le;L-1---\left(1\right)$

其中，j代表OFDM符号的序号，Q代表CE-BEM阶数，L代表路径数，表示第l径对应的信道抽头系数，b_q(0≤q≤Q-1)代表CE-BEM基函数，c^(j)[q,l]代表CE-BEM系数，代表CE-BEM建模误差；

CE-BEM基函数表示为：

$b_q={\left(1,...,e^{j\frac{2\mathrm{\&pi;}}{N}n(q-\frac{Q-1}{2})},...,e^{j\frac{2\mathrm{\&pi;}}{N}(N-1)(q-\frac{Q-1}{2})}\right)}^T,0\&le;q\&le;Q-1---\left(2\right)$

其中，N表示一个OFDM符号子载波的个数；

②计算联合估计OFDM符号的个数J，满足连续J个OFDM符号对应信道具有联合稀疏特性，公式如下：

J＜0.01c/(N+L_CP)v(3)

其中c是光速，v是移动终端和基站的相对速度，L_CP代表循环前缀CP的长度；

③对于连续J个OFDM符号，设计稀疏导频模式，推导信道估计模型：

导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K＜G＜＜JL，K表示无线信道延时域的稀疏度；有效导频幅度和保护导频幅度分别取1和0，有效导频序列记为P_eff，保护导频序列记为P_guard，保护导频位于有效导频两侧；将导频分为Q个子序列：

$\begin{array}{c}{P}_0=P_{eff}-\frac{Q-1}{2}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ P_{\frac{Q-1}{2}}=P_{eff}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ P_{Q-1}=P_{eff}+\frac{Q-1}{2}\end{array}---\left(4\right)$

其中表示所有有效导频构成的子序列；

得到信道估计模型如下：

$\left\{\begin{array}{c}{\&lsqb;Y\&rsqb;}_{P_0}={\mathrm{\&Phi;s}}_0+W_0\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\&lsqb;Y\&rsqb;}_{P_{\frac{Q-1}{2}}}={\mathrm{\&Phi;s}}_{\frac{Q-1}{2}}+W_{\frac{Q-1}{2}}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\&lsqb;Y\&rsqb;}_{P_{Q-1}}={\mathrm{\&Phi;s}}_{Q-1}+W_{Q-1}\end{array}\right.---\left(5\right)$

其中，Y代表接收机OFDM解调之后的数据，W_q包括噪声和建模误差，是需要重建的系数向量，测量矩阵Φ＝[Φ₀,...Φ_L-1]，

④利用离散随机最优化算法求得最优导频位置分布，即最优导频位置确认原则是使测量矩阵Φ的互相关值μ最小，μ计算如下：

$\mathrm{\&mu;}\left(\mathrm{\&Phi;}\right)=\underset{1\&le;i\&NotEqual;j\&le;L}{max}\frac{|<{\mathrm{\&phi;}}_i,{\mathrm{\&phi;}}_j>|}{\left|\right|{\mathrm{\&phi;}}_i\left|{|}_2\right|\left|{\mathrm{\&phi;}}_j\right|{|}_2}---\left(6\right)$

其中φ_i，φ_j是矩阵Φ的任意两列；

⑤利用块同步正交匹配追踪算法重建得到稀疏系数

⑥由稀疏系数恢复出信道抽头系数

恢复CE-BEM系数公式如下：

$c_q^{\left(j\right)}={{\mathrm{\&Lambda;}}_q}^{-1}{\&lsqb;s_q\&rsqb;}_{j:J:JL}---\left(7\right)$

其中对角矩阵 ${\mathrm{\&Lambda;}}_q=diag\left(1,e^{-i\frac{2\mathrm{\&pi;}}{N}(q-\frac{Q-1}{2})},...,e^{-i\frac{2\mathrm{\&pi;}}{N}(q-\frac{Q-1}{2})(L-1)}\right);$

根据式(1)得到信道抽头系数

⑦对信道抽头系数进行分段线性光滑处理：对第j个符号，第l条径对应的信道抽头系数取平均，公式如下

$h_l^{\left(j\right)ave}=\frac{1}{N}{\&Sigma;}_{n=j(N+L_{CP})+L_{CP}}^{(j+1)(N+L_{CP})-1}{h}_{n,l},0\&le;l\&le;L-1---\left(8\right)$

分别利用前后两个相邻OFDM符号的信道抽头系数，对第j个OFDM符号对应的信道抽头系数进行光滑处理，

$\left\{\begin{array}{c}{h}_l^{\left(j\right)r1}=\frac{1}{N+L_{CP}}\left(h_l^{\left(j\right)ave}-h_l^{\left(j-1\right)ave}\right)\left(n+L_{CP}+1+\frac{N}{2}\right)+h_l^{\left(j-1\right)ave}\\ h_l^{\left(j\right)r2}=\frac{1}{N+L_{CP}}\left(h_l^{\left(j+1\right)ave}-h_l^{\left(j\right)ave}\right)\left(n+1-\frac{N}{2}\right)+h_l^{\left(j\right)ave}\end{array}\right.---\left(9\right)$

对上述结果取平均得到第j个符号，第l条径对应的信道抽头系数如下：

$h_l^{\left(j\right)}=\frac{1}{2}(h_l^{\left(j\right)r1}+h_l^{\left(j\right)r2})---\left(10\right)$

2.根据权利要求1所述的高速移动环境下的多符号联合信道估计方法，其特征在于，所述的步骤⑤利用块同步正交匹配追踪算法重建得到稀疏系数具体步骤如下：设Φ＝[Φ₀，...Φ_L-1]，S＝(s₀,...,s_Q-1)，稀疏度为K；

a)设置初始值：迭代次数i＝0，稀疏向量S⁰＝0_JL×Q，残差r⁰＝Y-ΦS⁰＝Y,支持向量 $\mathrm{\&Omega;}={\&lsqb;{\mathrm{\&Omega;}}_0^T,...,{\mathrm{\&Omega;}}_{L-1}^T\&rsqb;}^T={\&lsqb;0_{J\&times;1}^T,...,0_{J\&times;1}^T\&rsqb;}^T;$

b)对所有l∈{0,...,L-1}，计算 ${\mathrm{\&zeta;}}_l^i=\left|\right|r^i-{\mathrm{\&Phi;}}_l{\left({\mathrm{\&Phi;}}_l^H{\mathrm{\&Phi;}}_l\right)}^{-1}{\mathrm{\&Phi;}}_l^H{r}^i|{|}_2^2;$

c)在中找到最小值更新支持向量Ω_m＝1_J×1，更新残差 $r^i=Y-{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}{\left({\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^H{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}\right)}^{-1}{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^{H}Y.$

d)i＝i+1，如果i＜K，返回a)，否则进入下一步；

e)非稀疏位置 $S_{\mathrm{\&Omega;}}={\left({\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^H{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}\right)}^{-1}{\mathrm{\&Phi;}}_{\mathrm{\&Omega;}}^{H}Y,$ 稀疏位置 $S_{\widetilde{\mathrm{\&Omega;}}}=0;$

f)重建稀疏系数s_q＝(S(1,q),...S(JL,q))。