CN106059732A - 一种基于压缩感知的ofdm稀疏信道估计中的导频优化方法 - Google Patents

Abstract

本发明涉及一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，属于移动通信技术领域。该方法包括以下步骤：S1：把测量矩阵互相关值最小(MIP)准则作为二进制粒子群算法的目标优化函数，然后确定二进制粒子群算法的基本参数；S2：利用混沌初始化对粒子的速度和位置进行初始化；S3：求出对应的粒子的适应度函数，并且根据适应度计算出粒子群的个体最优值和全局最优值；检查结束条件是否满足，满足则结束，否则继续对粒子的速度和位置进行更新；S4：对更新之后的粒子中，对不符合要求的粒子进行变异，然后返回步骤S3进行迭代。本发明提供的方法能够有效的节省导频的开销，提高了频谱利用率，具有更好的信道估计性能。

Description

一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法

技术领域

本发明属于移动通信技术领域，涉及一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法。

背景技术

正交频分复用(OFDM)技术具有良好的抗频率选择性衰落性能和较高的频带利用率的优点，被广泛的应用到无线通信中。OFDM技术是当今无线通信中的重要技术，在其进行实现时，信道估计是进行相关检测，解调，均衡的基础。信道估计的质量对整个通信系统的性能起着重要的作用。

目前最常用的信道估计方法是基于导频的信道估计方法。常用的基于导频的信道估计方法有最小二乘法(LS)和线性最小均方误差法(LMMSE)等等。但是这些传统的信道估计方法适应于稠密信道的信道估计。研究表明无线信道往往呈现稀疏性。对于稀疏信道，这些传统的信道估计的性能与准确度不够高。

压缩感知(Compressive Sensing:CS)理论展示了一种全新的信号采集处理方法，对可压缩的稀疏信号以远低于奈奎斯特速率的方式进行采样，仍能够精确的恢复出原始信号。近年来的研究发现，基于压缩感知的信道估计可以利用无线信道的固有的稀疏性，提高信道估计的性能。

全球无线通信市场的猛增对日益紧缺的频谱资源的需求逐渐增大。合理设计导频放置方式不仅可以提高信道估计性能，而且能够有效节省所需导频符号，从而具有更高的频带利用率。传统的信道估计的导频结构有块状、梳状和格状。研究发现，传统的LS算法采用均匀的梳状导频结构时可以获得最佳的信道估计性能。基于压缩感知的信道估计常采用随机导频，但是随机导频并不是最优的导频。因此，目前需要设计一种合适的导频优化方案，得到最佳的导频放置方式，从而使得基于压缩感知的信道估计性能得以改善。

发明内容

有鉴于此，本发明的目的在于提供一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，该方法以压缩感知理论中的测量矩阵的互相关最小化作为优化目标，对子载波进行二进制编码，用来传送导频的子载波用数值“1”表示，用来传送数据的子载波用数值“0”表示；同时，引入了混沌初始化过程和粒子变异机制，通过混沌初始化来保证初始粒子均匀的分散在解空间里，通过粒子变异机制用来保证种群的快速收敛。

为达到上述目的，本发明提供如下技术方案：

一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，该方法包括以下步骤：

S1：把测量矩阵互相关值最小(MIP)准则作为二进制粒子群算法的目标优化函数，然后确定二进制粒子群算法的基本参数；

S2：利用混沌初始化对粒子的速度和位置进行初始化；

S3：求出对应的粒子的适应度函数，并且根据适应度计算出粒子群的个体最优值和全局最优值；检查结束条件是否满足，满足则结束，否则继续对粒子的速度和位置进行更新；

S4：对更新之后的粒子中，对不符合要求的粒子进行变异，然后返回步骤S3进行迭代。

进一步，在步骤S1中：

在基于压缩感知的OFDM稀疏信道估计中，假设当前所有子载波的构成的集合为c＝{c₁,c₂,c₃,...,c_N}，其中N表示子载波的总数，从c中的N个子载波中选择出P个子载波用于发送导频符号，则导频子载波构成的信号

P×P维矩阵X_P×P表示导频处发送的信号，P×L维矩阵：是对应的P个导频处的快速傅里叶变换矩阵；根据测量矩阵互相关值最小(MIP)准则，测量矩阵T的互相关值越小，稀疏信号的重构精度越高；则μ{T}的最小值是该二进制粒子群算法的优化目标，其中，τ_m和τ_n分别表示测量矩阵T的第m列和第n列元素，L表示信道的长度，则可以得：

$\mathrm{\&mu;}\left\{T\right\}=\mathrm{\&mu;}\left\{X_{P\&times;P}{F}_{P\&times;L}\right\}=\underset{0\&le;m<n\&le;L-1}{max}\frac{\left|\underset{i=N_1}{\overset{N_P}{\mathrm{\&Sigma;}}}\right|\left|X_i\right|{|}^2{e}^{-j2\mathrm{\&pi;}(n-m)c_i/N}|}{\underset{i=N_1}{\overset{N_P}{\mathrm{\&Sigma;}}}\left|\right|X_i|{|}^2}$

上式中的P表示导频总数，c_i表示从N个子载波中选择出的第i个子载波用于发送导频符号，||X_i||²表示第i个导频对应的信号的功率；

其中影响矩阵X_P×PF_P×L取值的共有两个因素，一个是导频符号在子载波中的位置，另一个是导频符号的信号功率；假定所有的导频符号的信号功率都相同，都等于1，则

$\mathrm{\&mu;}\left\{T\right\}=\underset{0\&le;m<n\&le;L-1}{max}\left|\underset{i=N_1}{\overset{N_p}{\&Sigma;}}{e}^{-j2\mathrm{\&pi;}(n-m)c_i/N}\right|$

此时μ{T}的大小只与导频的位置有关，那么问题就是如何从N个子载波中选择出P个子载波作为导频进行传输，使得μ{T}最小，设a＝n-m，μ{T}用目标函数f(p)表示，则

$f\left(p\right)=\underset{0\&le;a\&le;L-1}{max}\left|\underset{i=N_1}{\overset{N_P}{\&Sigma;}}{e}^{-j2{\mathrm{\&pi;ac}}_i/N}\right|$

求最优导频序列问题可以表示为求的值，然后得出对应的导频。

进一步，在步骤S2中：选用混沌初始化方法，利用Logistic映射的方法，公式如下

z_k+1＝μz_k(1-z_k)

其中z_k是Logistic映射的混沌变量，μ是混沌因子，其中μ取值为4。

进一步，在步骤S3中：由于每个粒子都由二进制编码表示，速度则决定在[0,1]区间上的转变概率参数，该参数的取值就是位变量取数值“1”的概率，为了将速度的值映射到[0,1]区间内，利用sigmod函数，表示如下：

$Sig\left(v\right)=\frac{1}{1+\exp (-v)}$

BPSO中粒子的速度和位置更新可以表示：

$v_{im}^{t+1}={\mathrm{wv}}_{im}^t+c_1{r}_1(x_{imbest}^t-x_{im}^t)+c_2{r}_2(x_{mbest}^t-x_m^t)$

$x_{im}^{t+1}=\left\{\begin{array}{c}0,rand\&GreaterEqual;sig\left(v_{im}^{t+1}\right)\\ 1,others\end{array}\right.$

在式中，和分别表示粒子i在第t+1代的第m维空间的速度和位置，rand是一个0与1之间的随机数，c₁，c₂是学习因子，r₁，r₂是0和1之间的随机数；w是惯性权重，表示第i个粒子进化到第t代的最好位置，表示整个种群进化到第t代的最好位置。

进一步，在步骤S4中：为了保证粒子的快速收敛，引入了一种粒子的变异机制；具体包括：如果每一代的粒子群迭代后经过粒子位置更新之后，这一代粒子群中若发现某个粒子的取值为数值“1”的维数之和Q大于规定的导频个数P时，则对该粒子进行变异，变异的机制是：从该粒子的Q维取值为数值“1”的元素中随机选取Q-P维元素，将其都突变为0，则突变后的该粒子取值为数值“1”的维数之和变为P。

本发明的有益效果在于：本发明提供的方法能够有效的节省导频的开销，提高了频谱利用率，具有更好的信道估计性能。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的基于二进制粒子群算法的稀疏信道估计流程图；

图2为OFDM系统图；

图3为本发明用于信道估计的正交匹配追踪算法流程图；

图4为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图4为本发明所述方法的流程示意图，如图所示，本发明提供的基于压缩感知的OFDM稀疏信道估计中的导频优化方法包括以下步骤：

S1：把测量矩阵互相关值最小(MIP)准则作为二进制粒子群算法的目标优化函数，然后确定二进制粒子群算法的基本参数；

S2：利用混沌初始化对粒子的速度和位置进行初始化；

S3：求出对应的粒子的适应度函数，并且根据适应度计算出粒子群的个体最优值和全局最优值；检查结束条件是否满足，满足则结束，否则继续对粒子的速度和位置进行更新；

S4：对更新之后的粒子中，对不符合要求的粒子进行变异，然后返回步骤S3进行迭代。

本发明的信道状况参数为：子载波个数为N，导频的载波个数为N_p，循环前缀码长度为N_g，带宽为B，信号调制方式QPSK，稀疏度为K，信道总抽头数目L。

图1为本发明的基于二进制粒子群算法的稀疏信道估计流程图，参见图1，主要步骤如下所示：

步骤1、确定算法的基本参数，设定种群的规模为size，最大的迭代次数iterator。粒子的维数为子载波总数N，惯性权重w，以及学习因子c₁，c₂。

步骤2、在一个N维子载波中，随机选取任意的P维子载波作为导频，对选取的P维导频的位置，线性映射到[0,1]区间内，然后利用Logistic映射的方法，公式z_k+1＝μz_k(1-z_k)进行size-1次的混沌映射，最后分别将产生的混沌映射序列恢复到区间[1,N]之间，对于非整数的采用四舍五入的方法。将通过混沌映射产生的size个导频的位置作为初始化的size个粒子的导频，并将每一个粒子的导频位置取值为数值“1”，其他的N-P维子载波取值取值为数值“0”。其中初始化的第i个粒子的位置可以表示为i＝0,1,2...,size-1。

步骤3、随机初始化某一个粒子的速度在区间[0,1]内，进行size-1次的种群混沌映射，并且四舍五入的方法，产生size个粒子的速度初始化，其中初始化的第i个粒子的速度表示为i＝0,1,2...,size-1。

步骤4、以测量矩阵的互相关作为目标函数求的粒子的适应度，并且根据适应度计算出粒子群的个体最优值和全局最优值。若到达设定的迭代次数，停止迭代。

步骤5、对粒子的速度和位置进行更新，引入了函数即sigmod函数，表示如下：

$Sig\left(v\right)=\frac{1}{1+\exp (-v)}$

BPSO中粒子的速度和位置更新可以表示：

$v_{im}^{t+1}={\mathrm{wv}}_{im}^t+c_1{r}_1(x_{imbest}^t-x_{im}^t)+c_2{r}_2(x_{mbest}^t-x_m^t)$

$x_{im}^{t+1}=\left\{\begin{array}{c}0,rand\&GreaterEqual;sig\left(v_{im}^{t+1}\right)\\ 1,others\end{array}\right.$

在式中，和分别表示粒子i在第t+1代的第m维空间的速度和位置，rand是一个0与1之间的随机数，c₁，c₂是学习因子，r₁，r₂是0和1之间的随机数。w是惯性权重。表示第i个粒子进化到第t代的最好位置，表示整个种群进化到第t代的最好位置。

步骤6、更新位置和速度之后，若粒子(其中i＝1,2…，size)中取值为数值“1”的维数之和Q大于规定的导频个数P时，则对进行变异，从粒子的Q维取值为数值“1”的元素中随机选取Q-P维元素，将其都突变为数值“0”。则突变后的该粒子取值为数值“1”的维数之和变为P。否则返回步骤4继续进行迭代。

经过以上步骤之后，获得的测量矩阵互相关的最小值对应的导频就是所要求的最优导频。

参见图2，为OFDM系统图。数据流在发送端经过调制，串并转换，插入导频，IFFT以及插入CP和并串转换之后进入信道，然后信号经过串并转换，去掉CP，FFT，继续进行信道估计之后，经过并串转换，解调之后恢复出数据流。图3为本发明用于信道估计的正交匹配追踪算法流程图。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，其特征在于：该方法包括以下步骤：

S1：把测量矩阵互相关值最小(MIP)准则作为二进制粒子群算法的目标优化函数，然后确定二进制粒子群算法的基本参数；

S2：利用混沌初始化对粒子的速度和位置进行初始化；

S3：求出对应的粒子的适应度函数，并且根据适应度计算出粒子群的个体最优值和全局最优值；检查结束条件是否满足，满足则结束，否则继续对粒子的速度和位置进行更新；

S4：对更新之后的粒子中，对不符合要求的粒子进行变异，然后返回步骤S3进行迭代。

2.根据权利要求1所述的一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，其特征在于：在步骤S1中：

在基于压缩感知的OFDM稀疏信道估计中，假设当前所有子载波的构成的集合为c＝{c₁,c₂,c₃,...,c_N}，其中N表示子载波的总数，从c中的N个子载波中选择出P个子载波用于发送导频符号，则导频子载波构成的信号

P×P维矩阵X_P×P表示导频处发送的信号，P×L维矩阵：是对应的P个导频处的快速傅里叶变换矩阵；根据测量矩阵互相关值最小(MIP)准则，测量矩阵T的互相关值越小，稀疏信号的重构精度越高；则μ{T}的最小值是该二进制粒子群算法的优化目标，其中，τ_m和τ_n分别表示测量矩阵T的第m列和第n列元素，L表示信道的长度，则可以得：

$\mathrm{\&mu;}\left\{T\right\}=\mathrm{\&mu;}\left\{X_{P\&times;P}{F}_{P\&times;L}\right\}=\underset{0\&le;m<n\&le;L-1}{max}\frac{\left|\underset{i=N_1}{\overset{N_P}{\mathrm{\&Sigma;}}}\right|\left|X_i\right|{|}^2{e}^{-j2\mathrm{\&pi;}(n-m)c_i/N}|}{\underset{i=N_1}{\overset{N_P}{\mathrm{\&Sigma;}}}\left|\right|X_i|{|}^2}$

上式中的P表示导频总数，c_i表示从N个子载波中选择出的第i个子载波用于发送导频符号，||X_i||²表示第i个导频对应的信号的功率；

其中影响矩阵X_P×PF_P×L取值的共有两个因素，一个是导频符号在子载波中的位置，另一个是导频符号的信号功率；假定所有的导频符号的信号功率都相同，都等于1，则

$\mathrm{\&mu;}\left\{T\right\}=\underset{0\&le;m<n\&le;L-1}{max}\left|\underset{i=N_1}{\overset{N_P}{\mathrm{\&Sigma;}}}{e}^{-j2\mathrm{\&pi;}(n-m)c_i/N}\right|$

此时μ{T}的大小只与导频的位置有关，那么问题就是如何从N个子载波中选择出P个子载波作为导频进行传输，使得μ{T}最小，设a＝n-m，μ{T}用目标函数f(p)表示，则

$f\left(p\right)=\underset{0\&le;a\&le;L-1}{max}\left|\underset{i=N_1}{\overset{N_P}{\&Sigma;}}{e}^{-j2{\mathrm{\&pi;ac}}_i/N}\right|$

求最优导频序列问题可以表示为求的值，然后得出对应的导频。

3.根据权利要求1所述的一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，其特征在于：在步骤S2中：选用混沌初始化方法，利用Logistic映射的方法，公式如下

z_k+1＝μz_k(1-z_k)

其中z_k是Logistic映射的混沌变量，μ是混沌因子，其中μ取值为4。

4.根据权利要求1所述的一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，其特征在于：在步骤S3中：由于每个粒子都由二进制编码表示，速度则决定在[0,1]区间上的转变概率参数，该参数的取值就是位变量取数值“1”的概率，为了将速度的值映射到[0,1]区间内，利用sigmod函数，表示如下：

$Sig\left(v\right)=\frac{1}{1+\exp (-v)}$

BPSO中粒子的速度和位置更新可以表示：

$v_{im}^{t+1}={\mathrm{wv}}_{im}^t+c_1{r}_1(x_{imbest}^t-x_{im}^t)+c_2{r}_2(x_{mbest}^t-x_m^t)$

$x_{im}^{t+1}=\left\{\begin{array}{c}0,rand\&GreaterEqual;sig\left(v_{im}^{t+1}\right)\\ 1,others\end{array}\right.$

在式中，和分别表示粒子i在第t+1代的第m维空间的速度和位置，rand是一个0与1之间的随机数，c₁，c₂是学习因子，r₁，r₂是0和1之间的随机数；w是惯性权重，表示第i个粒子进化到第t代的最好位置，表示整个种群进化到第t代的最好位置。

5.根据权利要求1所述的一种基于压缩感知的OFDM稀疏信道估计中的导频优化方法，其特征在于：在步骤S4中：为了保证粒子的快速收敛，引入了一种粒子的变异机制；具体包括：如果每一代的粒子群迭代后经过粒子位置更新之后，这一代粒子群中若发现某个粒子的取值为数值“1”的维数之和Q大于规定的导频个数P时，则对该粒子进行变异，变异的机制是：从该粒子的Q维取值为数值“1”的元素中随机选取Q-P维元素，将其都突变为0，则突变后的该粒子取值为数值“1”的维数之和变为P。