CN106656874A - 一种基于压缩感知的移动ofdm系统信道估计方法 - Google Patents

Abstract

本发明公开了一种基于压缩感知的移动OFDM系统信道估计方法，该方法由以下4部分组成：构造字典矩阵；高信噪比时，字典矩阵被选取的概率统计过程；低信噪比时，字典矩阵被重新选取求信道系数的过程；基于贝叶斯信息准则函数的停止准则。该方法通过统计在高信噪比时信道估计获得的参数，用于低信噪比时的高速信道估计，能有效降低低信噪比时系统的误码率以及均方误差，能提高在高速移动状态下低信噪比时接收信号的质量，并且能够加快低信噪比时信道估计的速度，实时满足用户对高质量信号的需求。该方法适用于任何OFDM无线通信系统框架，且不需要对现有的通信系统做任何改造，仅需对终端设备进行软件或硬件升级即可实现该功能，因而具有广泛的应用推广价值。

Description

一种基于压缩感知的移动OFDM系统信道估计方法

技术领域

本发明涉及移动通信技术领域，尤其涉及一种基于压缩感知的移动OFDM系统信道估计方法。

背景技术

随着移动通信的高速发展，用户对数据的需求量剧增，对数据的可靠性要求也越来越高，由于无线通信信道较为复杂，无线电波在传输过程中容易受到建筑等障碍物的影响，同时移动台和基站之间往往存在相对运动，导致无线通信信道的相关参数总是出于不断变化当中。随着高速铁路的发展，人们通常选择高铁出行，移动端往往处于高速移动的状态，无线信道的环境更为恶劣，想要在接收端接收到高质量的数据，我们需要对信道的状态进行较为准确的估计。

信道估计按照所需要的先验信息可以划分为三类，分别是：基于参考信号的信道估计、盲信道估计、半盲信道估计。基于参考信号的信道估计需要在发送信号中插入已知的参考信号，如导频信道或训练序列，接收端利用这些导频信息来进行估计，通常采用LS、MMSE等算法进行计算。盲信道估计是指在接收端事先不知道相关的发送数据的情况下，根据信道传输的统计信息来进行估计。半盲信道估计则是两者的一个结合。由于盲信道估计和半盲信道自身运算量大并且收敛速度慢的特点，在实际应用中有较大的瓶颈。基于参考信号的信道估计虽然降低了信息传输的速率，但是能够较准确的估计出信道的状态。

在实际的无线通信信道中，信道响应仅在几处对信号有着较大的影响，其余位置对信道影响几乎可以忽略不计，我们将其置为零，可以将信道响应看成稀疏的。最近新兴的压缩感知技术，则是利用信号的稀疏性，通过选取条件良好的不相干测量矩阵将原始信号投影到一个低维空间上，直接得到压缩后的数据。常见的压缩感知信号恢复算法有MP、OMP等，在信道估计中成为研究的热点。

在高信噪比时，信道估计展现出了较为理想的效果，但是在低信噪比时，误码率依旧很高。基于上述考虑，为达到更为理想的通信质量，我们提出了一种基于压缩感知的高速信道估计方法来降低低信噪比时的BER和MSE。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于压缩感知的移动OFDM系统信道估计方法，降低低信噪比时系统的BER以及MSE，同时提升低信噪比时信道估计的速度，从而提升整个系统在通信系统中的表现，在复杂的无线通信环境中提升接受信号的质量，满足用户的需求。

为实现上述目的，本发明提供了一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，包括以下步骤：

步骤1、初始化OFDM系统相关参数，包括子载波数、导频数、调制方式，并在发送序列中插入导频信号；

步骤2、根据压缩感知原理建立基本数学模型，由延时多普勒函数得到时域里的信号输入输出的关系，根据无线信道的特性，信道系数是稀疏的，对数学模型进行相应的变换，得到频域里输入输出的关系，构造出字典矩阵；

步骤3、让系统在高信噪比的情况下运行，在接收端提取出导频信号，对信道系数进行估计，高信噪比情况下的信道估计方法采用OMP算法；

步骤4、统计在步骤3中，字典矩阵每一列被选取的概率，并选择被选取概率较高的列向量，作为低信噪比时进行信道估计的字典矩阵；

步骤5、在低信噪比时运行系统，重复步骤3中的信道估计方法，但是在计算残差与字典相关度时，只与步骤4中选取出来的列向量进行相关度计算；

步骤6、步骤5中得到估计出来的信道系数，我们通过LSQR均衡算法，恢复出发送信号并与原来的进行对比得到BER和MSE。

上述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤3中OMP算法过程为：

1、首先初始化残差r⁰＝y，y是接收信号，初始化索引集合

2、迭代开始，令迭代次数i＝1；

3、接着残差与字典矩阵A中的每一列进行内积运算，并记录绝对值最大的列向量的索引值S_max，计算公式为其中S为不在索引集合里的列向量索引，A(s)表示相应的列向量，r^i‐1表示第i‐1次迭代残差；

4、更新索引值集合即第3步中求出的最大列向量S_max与i-1次迭代索引集合的并集，生成新的索引集合

5、获得新的估计值其中A_S为被选索引值选取的列向量，上标H表示共轭转置，上标-1表示求逆矩阵，此式为最小均方估计表达式；

6、更新残差rⁱ＝y-Abⁱ，bⁱ为第i次迭代的估计值，y为接收信号，A为字典矩阵；

7、令cⁱ＝(rⁱ)′*rⁱ，

其中N_p是导频数目，其中N_p是导频数目，cⁱ是残差平方和函数，f_BIC ⁱ是贝叶斯信息准则函数，当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止；

8、当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止，令i＝i^*，若不满足条件，则i＝i+1，并重新回到步骤3；

9、输出即OMP算法的估计值。

上述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤2中得到时域里的信号输入输出的关系具体为：构造字典矩阵，根据延时多普勒函数构造信道模型，时域里的输入输出关系如下：

其中h(t，τ)表示信道冲激响应，M为路径数目，h_m是第m条路径的信道增益，f_m是第m条路径的多普勒频移，τ_m为第m条路径的时延，δ(t)为单位冲激响应。

上述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤2中得到频域里的信号输入输出的关系具体为：对多普勒频移和延时进行采样并进行归一化处理，再经过傅里叶变换，可以得到频域里输入输出的关系，如下所示：

其中Y_F、S分别表示频域里的接收信号和发送信号，S_D表示发送信号中有效数据的位置，S_P表示发送信号中到贫富好的位置，L和D分别表示延时采样和多普勒采样的个数，μ(l，d)为第l个延时采样、第d个多普勒频移采样的信道增益，C_f，d是频域里多普勒频移延时循环矩阵，Λ_f，d是频域里延时对角矩阵。

上述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，考虑到噪声W的影响，频域里输入输出的关系式可以简化为：

Y_F＝A_Db+A_Pb+W

其中

根据无线信道特点我们可以知道信道系数是稀疏的，即b是一个稀疏向量，对应到压缩感知理论我们可以得知A是字典矩阵，Y_F是观测向量。

上述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，采用OMP算法时，每次迭代均需要寻找残差与字典中相关度最大的列向量，待迭代完成之后统计每一列向量被选取的概率。

本发明的有益效果是：

本发明降低低信噪比时系统的BER以及MSE，同时提升低信噪比时信道估计的速度，从而提升整个系统在通信系统中的表现，在复杂的无线通信环境中提升接受信号的质量，满足用户的需求。该方法适用于任何OFDM无线通信系统框架，且不需要对现有的通信系统做任何改造，仅需对终端设备进行软件或硬件升级即可实现该功能，因而具有广泛的应用推广价值。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的流程图。

具体实施方式

本发明提出了一种基于压缩感知的高速信道估计方法来降低低信噪比时系统的BER以及MSE。该方法由以下三个部分组成：1、构造字典矩阵；2、高信噪比时，字典矩阵被选取的概率统计过程；3、低信噪比时，字典矩阵被重新选取求信道系数的过程。这三个部分具体说明如下：

1、构造字典矩阵：

根据压缩感知原理建立基本数学模型，由延时多普勒函数我们可以得到信号输入输出的关系。根据无线信道的特性，信道系数是稀疏的，可以数学模型进行相应的变换，得到信道系数与输出信号的关系，构造出字典矩阵。

2、高信噪比时，字典矩阵被选取的概率统计过程：

采用OMP算法时，每次迭代均需要寻找残差与字典中相关度最大的列向量，待迭代完成之后统计每一列向量被选取的概率。

3、低信噪比时，字典矩阵被重新选取求信道系数的过程：

选取在高信噪比时被选取概率较高的列数，在采用OMP算法时，每次迭代过程残差只与被选取出来的列数进行相关度计算。由于信道的统计特性在高信噪比时就已经估计出来，并包含在字典中被选取的列向量中，在低信噪比时直接在这些列向量中选取，一方面可以减少错选的概率，另一方面可以提高信道估计的速度。如图1所示，具体实施方法为：

一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，包括以下步骤：

步骤1、初始化OFDM系统相关参数，包括子载波数、导频数、调制方式，并在发送序列中插入导频信号；

步骤2、构造字典矩阵，根据延时多普勒函数构造信道模型，时域里的输入输出关系如下：

对多普勒频移和延时进行采样并进行归一化处理，再经过傅里叶变换，可以得到频域里输入输出的关系，如下所示：

其中P表示导频位置，Λ是对角矩阵，C是循环矩阵，考虑噪声的影响，上式可以简化为：

Y_F＝A_Db+A_Pb+W

根据无线信道特点我们可以知道信道系数是稀疏的，即b是一个稀疏向量，再根据压缩感知理论我们可以得知A是字典矩阵，y是观测向量；

步骤3、让系统在高信噪比的情况下运行，在接收端提取出导频信号，对信道系数进行估计，高信噪比情况下的信道估计方法采用OMP算法。

步骤4、统计在步骤3中，字典矩阵每一列被选取的概率，并选择被选取概率较高的列向量，作为低信噪比时进行信道估计的字典矩阵；

步骤5、在低信噪比时运行系统，重复步骤3中的信道估计方法，但是在计算残差与字典相关度时，只与步骤4中选取出来的列向量进行相关度计算；

步骤6、步骤5中得到估计出来的信道系数，我们通过LSQR均衡算法，恢复出发送信号并与原来的进行对比得到BER和MSE。

本实施例中，所述步骤3中OMP算法过程为：

1、首先初始化残差r⁰＝y，y是接收信号，初始化索引集合

2、迭代开始，令迭代次数i＝1；

3、接着残差与字典矩阵A中的每一列进行内积运算，并记录绝对值最大的列向量的索引值S_max，计算公式为其中S为不在索引集合里的列向量索引，A(s)表示相应的列向量，r^i‐1表示第i‐1次迭代残差；

4、更新索引值集合即第3步中求出的最大列向量S_max与i-1次迭代索引集合的并集，生成新的索引集合

5、获得新的估计值其中A_S为被选索引值选取的列向量，上标H表示共轭转置，上标-1表示求逆矩阵，此式为最小均方估计表达式；

6、更新残差rⁱ＝y-Abⁱ，bⁱ为第i次迭代的估计值，y为接收信号，A为字典矩阵；

7、令cⁱ＝(rⁱ)′*rⁱ，

其中N_p是导频数目，其中N_p是导频数目，cⁱ是残差平方和函数，f_BIC ⁱ是贝叶斯信息准则函数，当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止；

8、当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止，令i＝i^*，若不满足条件，则i＝i+1，并重新回到步骤3；

9、输出即OMP算法的估计值。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，

包括以下步骤：

步骤1、初始化OFDM系统相关参数，包括子载波数、导频数、调制方式，并在发送序列中插入导频信号；

步骤2、根据压缩感知原理建立基本数学模型，由延时多普勒函数得到时域里的信号输入输出的关系，根据无线信道的特性，信道系数是稀疏的，对数学模型进行相应的变换，得到频域里输入输出的关系，构造出字典矩阵；

步骤3、让系统在高信噪比的情况下运行，在接收端提取出导频信号，对信道系数进行估计，高信噪比情况下的信道估计方法采用OMP算法；

步骤4、统计在步骤3中，字典矩阵每一列被选取的概率，并选择被选取概率较高的列向量，作为低信噪比时进行信道估计的字典矩阵；

步骤5、在低信噪比时运行系统，重复步骤3中的信道估计方法，但是在计算残差与字典相关度时，只与步骤4中选取出来的列向量进行相关度计算；

步骤6、步骤5中得到估计出来的信道系数，我们通过LSQR均衡算法，恢复出发送信号并与原来的进行对比得到BER和MSE。

2.如权利要求1所述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤3中OMP算法过程为：

1)首先初始化残差r⁰＝y，y是接收信号，初始化索引集合

2)迭代开始，令迭代次数i＝1；

3)接着残差与字典矩阵A中的每一列进行内积运算，并记录绝对值最大的列向量的索引值S_max，计算公式为其中S为不在索引集合里的列向量索引，A(s)表示相应的列向量，r^i‐1表示第i‐1次迭代残差；

4)更新索引值集合即第3步中求出的最大列向量S_max与i-1次迭代索引集合的并集，生成新的索引集合

5)获得新的估计值其中A_S为被选索引值选取的列向量，上标H表示共轭转置，上标-1表示求逆矩阵，此式为最小均方估计表达式；

6)更新残差rⁱ＝y-Abⁱ，bⁱ为第i次迭代的估计值，y为接收信号，A为字典矩阵；

7)令cⁱ＝(rⁱ)′*rⁱ，

8)其中N_p是导频数目，其中N_p是导频数目，cⁱ是残差平方和函数，f_BIC ⁱ是贝叶斯信息准则函数，当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止；

9)当满足f_BIC ⁱ＞f_BIC ^i-1时(i＞1)，迭代停止，令i＝i^*，若不满足条件，则i＝i+1，并重新回到步骤3；

10)输出b^i*，即OMP算法的估计值。

3.如权利要求1所述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤2中得到时域里的信号输入输出的关系具体为：构造字典矩阵，根据延时多普勒函数构造信道模型，时域里的输入输出关系如下：

$h(t,\mathrm{\τ})=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_m{e}^{j2{\mathrm{\πf}}_{m}t}\mathrm{\δ}(t-{\mathrm{\τ}}_m)$

其中h(t，τ)表示信道冲激响应，M为路径数目，h_m是第m条路径的信道增益，f_m是第m条路径的多普勒频移，τ_m为第m条路径的时延，δ(t)为单位冲激响应。

4.如权利要求1所述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，所述步骤2中得到频域里的信号输入输出的关系具体为：对多普勒频移和延时进行采样并进行归一化处理，再经过傅里叶变换，可以得到频域里输入输出的关系，如下所示：

$Y_F=\underset{l=0}{\overset{L-1}{\Σ}}\underset{d=0}{\overset{D-1}{\Σ}}\mathrm{\μ}(l,d)C_{f,d}{\mathrm{\Λ}}_{\mathrm{\τ},l}{S}_D+\underset{l=0}{\overset{L-1}{\Σ}}\underset{d=0}{\overset{D-1}{\Σ}}\mathrm{\μ}(l,d)C_{f,d}{\mathrm{\Λ}}_{\mathrm{\τ},l}{S}_P$

其中Y_F、S分别表示频域里的接收信号和发送信号，S_D表示发送信号中有效数据的位置，S_P表示发送信号中到贫富好的位置，L和D分别表示延时采样和多普勒采样的个数，μ(l，d)为第l个延时采样、第d个多普勒频移采样的信道增益，C_f，d是频域里多普勒频移延时循环矩阵，Λ_f，d是频域里延时对角矩阵。

5.如权利要求4所述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，考虑到噪声W的影响，频域里输入输出的关系式可以简化为：

Y_F＝A_Db+A_Pb+W

其中

$A_D=\underset{l=0}{\overset{L-1}{\Σ}}\underset{d=0}{\overset{D-1}{\Σ}}{C}_{f,d}{\mathrm{\Λ}}_{\mathrm{\τ},l}{S}_D,A_P=\underset{l=0}{\overset{L-1}{\Σ}}\underset{d=0}{\overset{D-1}{\Σ}}{C}_{f,d}{\mathrm{\Λ}}_{\mathrm{\τ},l}{S}_P,b=\mathrm{\μ}(l,d)$

根据无线信道特点我们可以知道信道系数是稀疏的，即b是一个稀疏向量，对应到压缩感知理论我们可以得知A是字典矩阵，Y_F是观测向量。

6.如权利要求1所述的一种基于压缩感知的移动OFDM系统信道估计方法，其特征在于，采用OMP算法时，每次迭代均需要寻找残差与字典中相关度最大的列向量，待迭代完成之后统计每一列向量被选取的概率。