CN105847192B - 一种动态稀疏信道的联合估计方法 - Google Patents

Abstract

一种动态稀疏信道的联合估计方法，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)构造动态稀疏信道模型；2)利用复指数基扩展模型对时间频率双选信道进行建模；3)对于在J个不同时刻发送的J个不同的OFDM符号，利用离散随机优化算法求得最优导频位置分布，设计稀疏导频模式，推导信道估计模型；4)利用联合微分正交匹配追踪(DSOMP)算法估计当前第j个时刻的稀疏度K^(j)；5)根据SOMP算法以及稀疏度K^(j)估计在第j个时刻时动态信道的信道特征。本发明能够有效对抗时间频率双重选择性衰落，估计得到动态信道的信道特征，提高信道估计的准确度和频谱利用率。

Description

一种动态稀疏信道的联合估计方法

技术领域：

本发明涉及在时频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，具体是一种动态稀疏信道的联合估计方法，属于无线通信技术领域。

背景技术：

在无线通信系统中，正交频分复用(OFDM)系统可以有效的消除频率选择性衰落，克服多径衰落的影响。但是对于时频双选信道，提供一种准确的信道信息估计方案至关重要。

基于信道的稀疏性，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，例如正交匹配追踪(OMP)和联合正交匹配追踪(SOMP)，可以用较少的取样更准确地恢复原始的发射信号。

但是对于动态的稀疏信道来说，信道的时延特性会随着时间发生动态变化，增益非零的信道抽头在某一时刻可能产生或消失，导致信道的稀疏度随之发生变化。之前提出的基于CS、DCS的信道估计方案忽视了这一动态变化，将信道稀疏度作为一个固定值，将会严重影响信道估计的准确度。

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，提出一种动态稀疏信道联合估计的方法，对时间频率双选信道进行合理建模，根据信道的时间相关性，估计出不同时刻的信道稀疏度，利用分布式压缩感知理论，采用SOMP方案，提高接收机信道估计的精度。

本发明的主要原理是：

宽带无线通信系统中，增益非零的信道抽头随着时间会发生动态变化。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h_l ^(j)的估计问题转换为对CE-BEM系数的估计问题。在不同的时刻发送不同的符号，每个OFDM符号内部具有联合稀疏性，利用信道的时间相关性，采用微分联合正交匹配追踪算法(D-SOMP)，联合估计非零信道抽头的这一动态变化，得到当前时刻的稀疏度，然后利用SOMP算法求解CE-BEM系数，估计动态稀疏信道的信道特征。

本发明的技术解决方案如下：

一种动态稀疏信道的联合估计方法，适用于正交频分复用系统中信道动态变化，信道时延及信道稀疏特性随之发生变化的情况。利用符号内部的联合稀疏特性，基于压缩感知理论对信道进行估计，该方法包括如下步骤：

(1)构造动态稀疏信道的模型。对于宽带无线通信信道而言，信道增益变化非常缓慢，可以忽略不计，而信道时延则会发生显著地变化，在不同的时刻，非零信道抽头可能产生或者消失，如图1所示。在模型中，用二进制的代表在第j个OFDM符号发送时刻信道的第l条路径上信道抽头是否为零，则信道的L条路径上表示为代表第j个OFDM符号所对应的动态稀疏信道的非零信道抽头下标集合，此时信道的稀疏度表示为K^(j)＝|ζ^(j)|，它将会发生动态变化。将看作一个离散的马尔可夫过程，信道抽头根据两个转化概率进行变化，其中初始化服从伯努利分布，即：

(2)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：

其中，j代表第j个OFDM符号，Q代表CE-BEM阶数，L代表路径数，表示第l条路径对应的抽头系数，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，为了计算的简便，建模误差将被忽略。基函数b_q表示为：

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。

考虑到信道的延时域具有稀疏性，只有一小部分的信道抽头增益为零，即根据其中CE-BEM系数向量也是稀疏的，即第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K^(j)，并且具有联合稀疏性，不仅稀疏度相同，而且非零元素下标集也相同。

(3)对于连续J个OFDM符号，利用离散随机最优化(DSO)算法确定导频位置，设计稀疏导频模式。导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K^(j)＜G＜＜L，K^(j)表示第j个OFDM符号发送时刻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_e＝{p₀,···,p_G-1},(0≤p₀＜···＜p_G-1≤N-1)，保护导频序列记为P_g＝{P_e-Q+1}∪···∪{P_e-1}∪{P_e+1}∪···∪{P_e+Q-1}，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：

其中表示所有有效导频构成的子序列。

在接收端，第j个OFDM符号对应的接收信号可以表示为：

R^(j)＝H^(j)T^(j)+W^(j)＝F_Nh^(j)I_NT^(j)+W^(j) (4)

其中，T^(j)代表发送信号，W^(j)包括建模和噪声误差，F_N代表N点离散傅里叶变换(DFT)矩阵，I_N代表N点离散傅里叶反变换(IDFT)矩阵。

信道的频域表示为：

式中，D{b_q}代表b_q作为对角元素的对角矩阵，V_L代表(离散傅里叶变换矩阵)的前L列构成的矩阵。

信道的时域表示为：那么信道的频域以CE-BEM的形式表示为：

因此，接收信号表示如下：

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：

式中，测量矩阵代表对角矩阵，第j个OFDM符号的有效导频子载波为对角元素，由于CE-BEM系数向量具有联合稀疏性，所以向量具有联合稀疏性，其中Λ_q是一个对角矩阵，表示如下：

考虑到的联合稀疏性，式(9)中的等式共用相同的测量矩阵Φ^(j)，式(9)可以表述成更加简洁的形式：

(4)对于式(10)所示模型，采用联合微分正交匹配追踪(DSOMP)算法得到当前时刻的稀疏度K^(j)。根据动态稀疏信道的时间相关性，利用对前一时刻的估计结果获得当前时刻的信道信息，然后充分挖掘接收信号的联合稀疏性，估计非零信道抽头发生的动态变化，降低计算复杂度，提高估计的准确度。设输入为接收信号测量矩阵Φ＝[Φ₀,...Φ_L-1]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K^(J))。DSOMP算法步骤如下

a)设置初始值：迭代次数j＝1，信道稀疏度K⁽¹⁾＝3，路径时延下标集ζ⁽¹⁾＝{1,2,3}，稀疏向量

b)迭代次数增加j＝2；

c)计算接收信号残差

d)计算增加的支持向量

e)更新路径时延下标集

f)更新稀疏向量

g)估计当前时刻消失的非零信道抽头下标：

将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

h)更新路径时延下标集

i)计算当前时刻的信道稀疏度：

j)更新迭代次数：j＝j+1；

k)重复步骤c)到j)直到j＝J。

(5)计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)后，将其应用于SOMP算法可以更加准确地估计出稀疏向量S^(j)，恢复CE-BEM系数公式如下：

其中对角矩阵

根据式(1)得到信道抽头系数进而得到信道系数h^(j)，实现OFDM系统的动态稀疏信道估计。

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，本发明对动态稀疏信道的联合估计能够有效解决信道的动态变化问题，同时提高信道估计的准确度和频谱利用率。

附图说明：

图1信道时延的动态变化图

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＝20，子载波数目N＝128，初始时刻信道稀疏度K⁽¹⁾＝3，发送的OFDM符号个数J＝5。本发明的动态稀疏信道的联合估计的具体步骤如下：

(1)构造动态稀疏信道的模型。用二进制的代表在第j个符号发送时刻信道的第l条路径上信道抽头是否为零，则信道的20条路径表示为 代表第j个符号所对应的动态稀疏信道的非零信道抽头下标集合，此时信道的稀疏度可以表示为K^(j)＝|ζ^(j)|，它将会发生动态变化。将看作一个离散的马尔可夫过程，信道抽头根据两个转化概率进行变化，其中初始化服从伯努利分布，即：

(2)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：

其中，j代表OFDM符号的序号，表示第l条路径对应的抽头系数，b_q(0≤q≤2)代表CE-BEM基函数，c^(j)[q,l]代表CE-BEM系数，基函数b_q表示为：

对于连续5个OFDM符号，每个符号对应的CE-BEM基函数相同，BEM系数不同。

考虑到信道的延时域具有稀疏性，只有一小部分的信道抽头增益为零，即 根据其中 CE-BEM系数向量也是稀疏的，即第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K^(j)，并且具有联合稀疏性，不仅稀疏度相同，而且非零元素下标集也相同。

(3)对于连续5个OFDM符号，利用离散随机最优化(DSO)算法确定导频位置，导频序列包括16个有效导频和64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_e＝{p₀,p₁,p₂},(0≤p₀＜p₁＜p₂≤127)，保护导频序列记为P_g＝{P_e-2}∪{P_e-1}∪{P_e+1}∪{P_e+2}，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3个子序列：

{P₀,P₁,P₂}＝{P_e-1,P_e,P_e+1} (14)

其中P₁表示所有有效导频构成的子序列。

在接收端，第j个OFDM符号对应的接收信号可以表示为：

R^(j)＝H^(j)T^(j)＝F₁₂₈h^(j)I₁₂₈T^(j) (15)

其中，F₁₂₈代表128点离散傅里叶变换(DFT)矩阵，I₁₂₈代表128点离散傅里叶反变换(IDFT)矩阵。

信道的频域表示为：

式中，D{b_q}代表b_q作为对角元素的对角矩阵，V₂₀代表(离散傅里叶变换矩阵)的前20列构成的矩阵。

信道的时域表示为：那么信道的频域以CE-BEM的形式表示为：

因此，接收信号表示如下：

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：

式中，测量矩阵代表对角矩阵，第j个OFDM符号的有效导频子载波为对角元素，由于CE-BEM系数向量具有联合稀疏性，所以向量具有联合稀疏性，其中Λ_q是一个对角矩阵，表示如下：

考虑到的联合稀疏性，式(19)中的等式共用相同的测量矩阵Φ^(j)，式(19)可以表述成更加简洁的形式：

(4)对于式(21)所示模型，采用联合微分正交匹配追踪(DSOMP)算法,设输入为接收信号测量矩阵Φ＝[Φ₀,...Φ₁₉]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K⁽⁵⁾)。DSOMP算法步骤如下

a)设置初始值：迭代次数j＝1，信道稀疏度K⁽¹⁾＝3，路径时延下标集

ζ⁽¹⁾＝{1,2,3}，稀疏向量

b)迭代次数增加j＝2；

c)计算接收信号残差

d)计算增加的支持向量

e)更新路径时延下标集

f)更新稀疏向量

g)估计当前时刻消失的非零信道抽头下标：

将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

h)更新路径时延下标集

i)计算当前时刻的信道稀疏度：

j)更新迭代次数：j＝j+1；

k)重复步骤c)到j)直到j＝5。

(5)计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)后，将其应用于SOMP算法可以更加准确地估计出稀疏向量S^(j)，恢复CE-BEM系数公式如下：

其中j＝1,···,5对角矩阵

根据式(13)得到信道抽头系数实现OFDM系统的动态稀疏信道估计。

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协议为标准的动态稀疏信道的联合估计。

Claims (2)

1.一种动态稀疏信道的联合估计方法，其特征在于，该方法包括如下步骤：

①构造动态稀疏信道的模型：

代表在第j个OFDM符号发送时刻信道的第l条路径上信道抽头是否为零，则信道的L条路径表示为

代表第l条路径第j个OFDM符号所对应的动态稀疏信道的非零信道抽头下标集合，则信道的稀疏度表示为K^(j)＝|ζ^(j)|；

表示信道抽头根据两个转化概率进行变化，其中初始化服从伯努利分布，即：

②利用复指数基扩展模型CE-BEM对时频双选信道进行建模：

其中，j代表第j个OFDM符号，Q代表CE-BEM阶数，L代表信道路径数，表示第l条路径对应的抽头系数，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，忽略不计；

CE-BEM基函数b_q表示为：

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

根据 c^(j)[0,m]代表第j个OFDM符号的第1列第m条路径对应的CE-BEM系数，第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K^(j)，并且具有联合稀疏性，即稀疏度相同，非零元素下标集相同；

③对于连续发送的J个OFDM符号，利用离散随机最优化算法确定导频位置，设计稀疏导频模式，导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K^(j)＜G＜＜L，K^(j)表示第j个符号发送时刻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_e＝{p₀,···,p_G-1},(0≤p₀＜···＜p_G-1≤N-1)，保护导频序列记为P_g＝{P_e-Q+1}∪···∪{P_e-1}∪{P_e+1}∪···∪{P_e+Q-1}，保护导频位于有效导频两侧；

将导频分为Q个子序列：

其中表示所有有效导频构成的子序列；

在接收端，第j个OFDM符号对应的接收信号表示为：

其中，T^(j)代表发送信号，W^(j)包括建模和噪声误差，F_N代表N点离散傅里叶变换矩阵，I_N代表N点离散傅里叶反变换矩阵， D{b_q}代表b_q作为对角元素的对角矩阵，V_L代表离散傅里叶变换矩阵的前L列构成的矩阵；

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：

式中，测量矩阵 代表对角矩阵，第j个OFDM符号的有效导频子载波为对角元素，Λ_q是一个对角矩阵，表示如下：

④采用联合微分正交匹配追踪算法得到当前时刻的稀疏度K^(j)；

⑤计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)后，将其应用于SOMP算法估计出稀疏向量S^(j)，恢复CE-BEM系数公式如下：

其中对角矩阵

根据式(1)得到信道抽头系数实现OFDM系统的动态稀疏信道估计。

2.根据权利要求1所述的动态稀疏信道的联合估计方法，其特征在于，所述的步骤④利用联合微分正交匹配追踪算法得到第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)，具体步骤为：

设输入为接收信号测量矩阵Φ＝[Φ₀,...Φ_L-1]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K^(J))；

DSOMP算法步骤如下：

a)设置初始值：迭代次数j＝1，初始信道稀疏度K⁽¹⁾＝3，初始路径时延下标集ζ⁽¹⁾＝{1,2,3}，稀疏向量

b)迭代次数增加j＝2；

c)计算接收信号残差

d)计算增加的支持向量

e)更新路径时延下标集

f)更新稀疏向量

g)估计当前时刻消失的非零信道抽头下标：将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

h)更新路径时延下标集

i)计算当前时刻的信道稀疏度：

j)更新迭代次数：j＝j+1；

k)重复步骤c)到j)直到j＝J。