CN107911320B - 一种基于能量熵的无线信道稀疏特征提取方法 - Google Patents

一种基于能量熵的无线信道稀疏特征提取方法 Download PDF

Info

Publication number
CN107911320B
CN107911320B CN201711288274.5A CN201711288274A CN107911320B CN 107911320 B CN107911320 B CN 107911320B CN 201711288274 A CN201711288274 A CN 201711288274A CN 107911320 B CN107911320 B CN 107911320B
Authority
CN
China
Prior art keywords
optimal
atoms
decomposition
atom
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711288274.5A
Other languages
English (en)
Other versions
CN107911320A (zh
Inventor
袁莉芬
索帅
何怡刚
袁志杰
程珍
郭涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201711288274.5A priority Critical patent/CN107911320B/zh
Publication of CN107911320A publication Critical patent/CN107911320A/zh
Application granted granted Critical
Publication of CN107911320B publication Critical patent/CN107911320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H04L25/0246—Channel estimation channel estimation algorithms using matrix methods with factorisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods

Abstract

本发明涉及一种基于能量熵的无线信道稀疏特征提取方法，该方法包括下列顺序的步骤：(1)发射导频信号，采集接收信号，确定测量矩阵；(2)近似分解；(3)选择最优原子，构成最优原子集；(4)利用最优原子集提取稀疏特征。本发明通过选取最优原子，利用最优原子表达无线接收信号，有利于提取无线信道的稀疏特征。本发明利用能量信息熵来选取最优原子，解决无线信道稀疏的特征提取问题；通过考量分解系数的结构特征，选择最有序的分解系数所对应的原子构成最优原子集，利用最优原子集获取稀疏系数，以实现无线信道稀疏特征的准确估计。

Description

一种基于能量熵的无线信道稀疏特征提取方法
技术领域
本发明涉及无线信道技术领域，尤其是一种基于能量熵的无线信道稀疏特征提取方法。
背景技术
无线信道是现代通信系统的重要组成部分，无线信道特征对于分析信道性能，提升通信的可靠性、稳定性等方面，具体十分重要的意义。无线信道特征提取是无线信道传输特性估计与分析的核心步骤，由于无线信号在信道传输过程具有多维复杂性、时变性等特征，导致无线信道的特征提取存在技术瓶颈，制约着无线通信传输的可靠性、准确性和安全性，因此无线信道特征提取相关问题是当下通信科学领域的重大课题之一。
无线通信信道在时域、频域均具有明显的稀疏特性，充分利用无线通信信道的稀疏特性，可提升系统时域、频域资源的利用率，降低信道资源的浪费。因此，如何成功提取信道的稀疏特征，在当今频谱资源日趋紧张的情况下，显得尤为重要。稀疏特征提取常用的方法有压缩感知残差匹配法、主成分分析法等，这些方法对于结构良好的信号比较有效，但对于有序性差的信号而言，由于其没有考量信号分解系数的结构特征和分布特性，难以保证提取到信号的表示是最稀疏特征表示。
发明内容
本发明的目的在于提供一种对接收信号利用观测矩阵原子进行分解，判断分解系数分布是否有序，从而自适应选择最优原子分解接收信号的基于能量熵的无线信道稀疏特征提取方法。
为实现上述目的，本发明采用了以下技术方案：一种基于能量熵的无线信道稀疏特征提取方法，该方法包括下列顺序的步骤：
(1)发射导频信号，采集接收信号，确定测量矩阵：发射脉冲宽度为B，数据符号周期为Tp的导频信号，按采样频率fs＝1/Tp、采集时长为τ采集接收信号y，则总的采样点数N＝fsτ，生成一个行数为M，列数为N的伪随机测量矩阵A＝[a1 a2 ... aM]T，其中，aq称为原子，q＝1,2,…,M；T代表求转置；
(2)近似分解：利用伪随机测量矩阵A＝[a1 a2 ... aM]T的M个原子分别对接收信号y进行近似分解，获取M个原子的分解系数向量gq＝[mq(1) mq(2) ... mq(N)]T，其中，q＝1,2,...,M；
(3)利用能量熵判据，选择最优原子，构成最优原子集：计算分解系数向量gq的能量熵，从伪随机测量矩阵A＝[a1 a2 ... aM]T中选择K个最优原子，记为
Figure BDA0001498894600000021
f＝1,2,...,K，构成最优原子集
Figure BDA0001498894600000022
并将对应的原子索引kf加入候选原子索引集
Figure BDA0001498894600000023
[·]表示取整；
(4)利用最优原子集提取稀疏特征：利用最优原子集
Figure BDA0001498894600000024
提取接收信号y的稀疏特征：
Figure BDA0001498894600000025
<·>表示求模。
所述步骤(1)的M×N维伪随机测量矩阵A＝[a1 a2 ... aM]T的生成方法如下：
(1.1)初始化：超素数变量D为满足D≥N的某一超素数，迭代增量变量C1为小于超素数D的任一正实数，整数循环序列初始值变量Z1为小于超素数D的任一正整数，迭代次数r＝1；
(1.2)计算：
Figure BDA0001498894600000026
Cr+1＝Cr+Zr(modD)，Zr+1＝10×Zr+Cr+1(mod D)，其中，er为所获取的伪随机数，Zr为正整数，D为超素数，C为迭代增量变量，mod(·)代表求余；
(1.3)判断：r是否等于M乘以N，若是，则执行步骤(1.4)；否则,令r＝r+1，返回步骤(1.2)；
(1.4)构造伪随机矩阵：
Figure BDA0001498894600000031
分别对各列向量归一化后得到伪随机测量矩阵记为：
Figure BDA0001498894600000032
记矩阵形式为A＝[a1 a2 ... aM]T，其中，aq表示原子，q＝1,2,...,M，T代表求转置。
所述步骤(2)中获取M个原子的分解系数向量的方法如下：
(2.1)利用原子aq＝[aq1 aq2 ... aqN]，q＝1,2,...,M构造分解矩阵：
Figure BDA0001498894600000033
(2.2)利用分解矩阵Aq左乘接收信号向量y，得近似分解系数向量gq＝Aqy＝[mq(1)mq(2) ... mq(N)]T。
所述步骤(3)利用能量熵判据，选择最优原子的方法如下：
(3.1)初始化：最优原子索引集k＝[φ]，最优原子集Vk＝[φ]；
(3.2)计算能量熵：分解系数向量gq的能量熵的计算步骤如下：q＝1,2,...,M；
①计算分解系数向量gq的元素mq(l)所对应的能量：
Eq(l)＝|mq(l)|2
式中：l＝1,2,...,N，|·|表示求模；
②计算分解系数向量gq的总能量：
Figure BDA0001498894600000041
③计算分解系数向量gq元素mq(l)的能量概率密度：
Figure BDA0001498894600000042
式中：0≤Pq(l)≤1，
Figure BDA0001498894600000043
④计算分解系数向量gq的能量熵：
Figure BDA0001498894600000044
(3.3)选最优原子构成最优原子集：利用步骤(3.2)所得的M个分解系数向量gq的能量熵，即WEE＝[WEE(1) WEE(2) ... WEE(M)]，从中选取使得能量熵的值最小的K个原子作为最优原子，记为
Figure BDA0001498894600000045
f＝1,2,...,K，加入最优原子集
Figure BDA0001498894600000046
并将对应的原子索引kf加入候选原子索引集k＝[k1 k2 ... kK]。
由上述技术方案可知，本发明的优点在于：第一，本发明利用能量信息熵来选取最优原子，解决无线信道稀疏的特征提取问题；第二，通过考量分解系数的结构特征，选择最有序的分解系数所对应的原子构成最优原子集，利用最优原子集获取稀疏系数，以实现无线信道稀疏特征的准确估计。
附图说明
图1是本发明的方法流程图。
具体实施方式
压缩感知理论表明：当观测矩阵为随机矩阵时，可以从理论上得到信号的最优稀疏表示，并利用该稀疏表示恢复出原信号。然而由于随机观测矩阵在具体物理实现过程中遭遇困难。利用超素数产生伪随机序列构成观测矩阵，由于其序列周期长，具有较好的随机性，且易于硬件实现，可用于替代随机序列，构造观测矩阵。结合信号能量熵所能反应出的信号结构化特征，以此选择最优的信号分解原子，实现对信号的稀疏分解，可完成信道稀疏特征的提取。
稀疏特征要求具备反应无线信道传输特性的能力，无线信道本身具有稀疏特征，接收信号的分解系数暗含了无线信道的这一特征。根据信息论，信息熵是信号有序性的一种度量，熵越小，则系统越有序、结构越稳定。信号的分解实质为原子的线性组合，分解系数反映信号的结构，也反映信号的能量分布。如果分解系数的能量熵越小，意味着接收信号的能量分布更有序和稳定。针对选取最优原子的问题，利用能量与信息熵在信号有序性衡量上的优势，设计相关的最优原子选取方法，以实现原子的优化选择和信道稀疏特征的有效、准确提取。
如图1所示，一种基于能量熵的无线信道稀疏特征提取方法，该方法包括下列顺序的步骤：
(1)发射导频信号，采集接收信号，确定测量矩阵：发射脉冲宽度为B，数据符号周期为Tp的导频信号，按采样频率fs＝1/Tp、采集时长为τ采集接收信号y，则总的采样点数N＝fsτ，生成一个行数为M，列数为N的伪随机测量矩阵A＝[a1 a2 ... aM]T，其中，aq称为原子，q＝1,2,…,M；T代表求转置；
(2)近似分解：利用伪随机测量矩阵A＝[a1 a2 ... aM]T的M个原子分别对接收信号y进行近似分解，获取M个原子的分解系数向量gq＝[mq(1) mq(2) ... mq(N)]T，其中，q＝1,2,...,M；
(3)利用能量熵判据，选择最优原子，构成最优原子集：计算分解系数向量gq的能量熵，从伪随机测量矩阵A＝[a1 a2 ... aM]T中选择K个最优原子，记为
Figure BDA0001498894600000051
f＝1,2,...,K，构成最优原子集
Figure BDA0001498894600000052
并将对应的原子索引kf加入候选原子索引集
Figure BDA0001498894600000061
[·]表示取整；
(4)利用最优原子集提取稀疏特征：利用最优原子集
Figure BDA0001498894600000062
提取接收信号y的稀疏特征：
Figure BDA0001498894600000063
<·>表示求模。
如图1所示，所述步骤(1)的M×N维伪随机测量矩阵A＝[a1 a2 ... aM]T的生成方法如下：
(1.1)初始化：超素数变量D为满足D≥N的某一超素数，迭代增量变量C1为小于超素数D的任一正实数，整数循环序列初始值变量Z1为小于超素数D的任一正整数，迭代次数r＝1；
(1.2)计算：
Figure BDA0001498894600000064
Cr+1＝Cr+Zr(mod D)，Zr+1＝10×Zr+Cr+1(mod D)，其中，er为所获取的伪随机数，Zr为正整数，D为超素数，C为迭代增量变量，mod(·)代表求余；
(1.3)判断：r是否等于M乘以N，若是，则执行步骤(1.4)；否则,令r＝r+1，返回步骤(1.2)；
(1.4)构造伪随机矩阵：
Figure BDA0001498894600000065
分别对各列向量归一化后得到伪随机测量矩阵记为：
Figure BDA0001498894600000066
记矩阵形式为A＝[a1 a2 ... aM]T，其中，aq表示原子，q＝1,2,...,M，T代表求转置。
如图1所示，所述步骤(2)中获取M个原子的分解系数向量的方法如下：
(2.1)利用原子aq＝[aq1 aq2 ... aqN]，q＝1,2,...,M构造分解矩阵：
Figure BDA0001498894600000071
(2.2)利用分解矩阵Aq左乘接收信号向量y，得近似分解系数向量gq＝Aqy＝[mq(1)mq(2) ... mq(N)]T。
如图1所示，所述步骤(3)利用能量熵判据，选择最优原子的方法如下：
(3.1)初始化：最优原子索引集k＝[φ]，最优原子集Vk＝[φ]；
(3.2)计算能量熵：分解系数向量gq的能量熵的计算步骤如下：q＝1,2,...,M；
①计算分解系数向量gq的元素mq(l)所对应的能量：
Eq(l)＝|mq(l)|2
式中：l＝1,2,...,N，|·|表示求模；
②计算分解系数向量gq的总能量：
Figure BDA0001498894600000072
③计算分解系数向量gq元素mq(l)的能量概率密度：
Figure BDA0001498894600000073
式中：0≤Pq(l)≤1，
Figure BDA0001498894600000074
④计算分解系数向量gq的能量熵：
Figure BDA0001498894600000081
(3.3)选最优原子构成最优原子集：利用步骤(3.2)所得的M个分解系数向量gq的能量熵，即WEE＝[WEE(1) WEE(2) ... WEE(M)]，从中选取使得能量熵的值最小的K个原子作为最优原子，记为
Figure BDA0001498894600000082
f＝1,2,...,K，加入最优原子集
Figure BDA0001498894600000083
并将对应的原子索引kf加入候选原子索引集k＝[k1 k2 ... kK]。
综上所述，本发明利用能量信息熵来选取最优原子，解决无线信道稀疏的特征提取问题；通过考量分解系数的结构特征，选择最有序的分解系数所对应的原子构成最优原子集，利用最优原子集获取稀疏系数，以实现无线信道稀疏特征的准确估计。

Claims (1)

1.一种基于能量熵的无线信道稀疏特征提取方法，其特征在于：该方法包括下列顺序的步骤：
(1)发射导频信号，采集接收信号，确定测量矩阵：发射脉冲宽度为B，数据符号周期为Tp的导频信号，按采样频率fs＝1/Tp、采集时长为τ采集接收信号y，则总的采样点数N＝fsτ，生成一个行数为M，列数为N的伪随机测量矩阵A＝[a1 a2 ... aM]T，其中，aq称为原子，q＝1,2,…,M；T代表求转置；
(2)近似分解：利用伪随机测量矩阵A＝[a1 a2 ... aM]T的M个原子分别对接收信号y进行近似分解，获取M个原子的分解系数向量gq＝[mq(1) mq(2) ... mq(N)]T，其中，q＝1,2,...,M；
(3)利用能量熵判据，选择最优原子，构成最优原子集：计算分解系数向量gq的能量熵，从伪随机测量矩阵A＝[a1 a2 ... aM]T中选择K个最优原子，记为
Figure FDA0002424967310000011
构成最优原子集
Figure FDA0002424967310000012
并将对应的原子索引kf加入候选原子索引集k＝[k1 k2... kK]；
Figure FDA0002424967310000013
[·]表示取整；
(4)利用最优原子集提取稀疏特征：利用最优原子集
Figure FDA0002424967310000014
提取接收信号y的稀疏特征：
Figure FDA0002424967310000015
<·>表示求模；
所述步骤(1)的M×N维伪随机测量矩阵A＝[a1 a2 ... aM]T的生成方法如下：
(1.1)初始化：超素数变量D为满足D≥N的某一超素数，迭代增量变量C1为小于超素数D的任一正实数，整数循环序列初始值变量Z1为小于超素数D的任一正整数，迭代次数r＝1；
(1.2)计算：
Figure FDA0002424967310000021
Cr+1＝Cr+Zr(modD)，Zr+1＝10×Zr+Cr+1(modD)，其中，er为所获取的伪随机数，Zr为正整数，D为超素数，C为迭代增量变量，mod(·)代表求余；
(1.3)判断：r是否等于M乘以N，若是，则执行步骤(1.4)；否则,令r＝r+1，返回步骤(1.2)；
(1.4)构造伪随机矩阵：
Figure FDA0002424967310000022
分别对各列向量归一化后得到伪随机测量矩阵记为：
Figure FDA0002424967310000023
记矩阵形式为A＝[a1 a2 ... aM]T，其中，aq表示原子，q＝1,2,...,M，T代表求转置；
所述步骤(2)中获取M个原子的分解系数向量的方法如下：
(2.1)利用原子aq＝[aq1 aq2 … aqN]，q＝1,2,...,M构造分解矩阵：
Figure FDA0002424967310000024
(2.2)利用分解矩阵Aq左乘接收信号向量y，得近似分解系数向量gq＝Aqy＝[mq(1) mq(2) ... mq(N)]T；
所述步骤(3)利用能量熵判据，选择最优原子的方法如下：
(3.1)初始化：最优原子索引集k＝[φ]，最优原子集Vk＝[φ]；
(3.2)计算能量熵：分解系数向量gq的能量熵的计算步骤如下：q＝1,2,...,M；
①计算分解系数向量gq的元素mq(l)所对应的能量：
Eq(l)＝|mq(l)|2
式中：l＝1,2,…,N，|·|表示求模；
②计算分解系数向量gq的总能量：
Figure FDA0002424967310000031
③计算分解系数向量gq元素mq(l)的能量概率密度：
Figure FDA0002424967310000032
式中：0≤Pq(l)≤1，
Figure FDA0002424967310000033
④计算分解系数向量gq的能量熵：
Figure FDA0002424967310000034
(3.3)选最优原子构成最优原子集：利用步骤(3.2)所得的M个分解系数向量gq的能量熵，即WEE＝[WEE(1) WEE(2) ... WEE(M)]，从中选取使得能量熵的值最小的K个原子作为最优原子，记为
Figure FDA0002424967310000035
f＝1,2,...,K，加入最优原子集
Figure FDA0002424967310000036
并将对应的原子索引kf加入候选原子索引集k＝[k1 k2 ... kK]。
CN201711288274.5A 2017-12-07 2017-12-07 一种基于能量熵的无线信道稀疏特征提取方法 Active CN107911320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711288274.5A CN107911320B (zh) 2017-12-07 2017-12-07 一种基于能量熵的无线信道稀疏特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711288274.5A CN107911320B (zh) 2017-12-07 2017-12-07 一种基于能量熵的无线信道稀疏特征提取方法

Publications (2)

Publication Number Publication Date
CN107911320A CN107911320A (zh) 2018-04-13
CN107911320B true CN107911320B (zh) 2020-05-22

Family

ID=61854535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711288274.5A Active CN107911320B (zh) 2017-12-07 2017-12-07 一种基于能量熵的无线信道稀疏特征提取方法

Country Status (1)

Country Link
CN (1) CN107911320B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111786717B (zh) * 2020-06-10 2022-02-15 东方红卫星移动通信有限公司 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104780128A (zh) * 2015-04-14 2015-07-15 哈尔滨工程大学 一种水声ofdma上行通信稀疏信道估计与导频优化方法
CN104838371A (zh) * 2012-12-14 2015-08-12 华为技术有限公司 基于稀疏多维扩频的终端协作的系统和方法
CN104836760A (zh) * 2015-05-28 2015-08-12 北京国电通网络技术有限公司 一种信道估计方法及装置
CN107359904A (zh) * 2017-07-14 2017-11-17 重庆邮电大学 基于压缩感知、高速移动的ufmc系统无线信道估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104838371A (zh) * 2012-12-14 2015-08-12 华为技术有限公司 基于稀疏多维扩频的终端协作的系统和方法
CN104780128A (zh) * 2015-04-14 2015-07-15 哈尔滨工程大学 一种水声ofdma上行通信稀疏信道估计与导频优化方法
CN104836760A (zh) * 2015-05-28 2015-08-12 北京国电通网络技术有限公司 一种信道估计方法及装置
CN107359904A (zh) * 2017-07-14 2017-11-17 重庆邮电大学 基于压缩感知、高速移动的ufmc系统无线信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶新荣.基于压缩感知重构算法的MIMO-OFDM稀疏信道估计方法研究.《CNKI》.2014, *

Also Published As

Publication number Publication date
CN107911320A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN108322409B (zh) 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN102244624B (zh) 基于正交匹配追踪的稀疏信道估计方法
Hu et al. Compressed sensing of complex sinusoids: An approach based on dictionary refinement
Mishali et al. Reduce and boost: Recovering arbitrary sets of jointly sparse vectors
Junge et al. Operator space theory: A natural framework for Bell inequalities
CN104931931A (zh) 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法
Wu et al. Adaptive sparsity matching pursuit algorithm for sparse reconstruction
CN105572499B (zh) 一种基于矢量网络分析仪的眼图生成方法
CN110198281A (zh) 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法
CN106027445A (zh) 一种水声块结构稀疏特性的信道估计方法
CN107192878A (zh) 一种基于压缩感知的电力系统谐波检测方法及装置
Varadarajan et al. Stepwise optimal subspace pursuit for improving sparse recovery
CN110109050A (zh) 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法
Liu et al. The implementation of the improved OMP for AIC reconstruction based on parallel index selection
CN102307054B (zh) 一种直接序列扩频信号的捕获方法
CN104133658A (zh) 一种片内真随机数生成器
CN107911320B (zh) 一种基于能量熵的无线信道稀疏特征提取方法
CN109150235A (zh) 基于压缩感知的多周期直扩msk信号二维联合捕获方法
CN102710282A (zh) 基于码重分布的自同步扰码盲识别方法
CN109165432B (zh) 一种基于部分奇异值和的磁共振波谱重建方法
CN110941980A (zh) 一种密集环境中基于压缩感知的多径时延估计方法及装置
CN110059401B (zh) 一种ofdm系统水声信道冲激响应重构方法
West et al. Efficient evaluation of high-order moments and cumulants in tensor network states
EP2849348A1 (en) Signal reconstruction method and device
Cen et al. Tree-based backtracking orthogonal matching pursuit for sparse signal reconstruction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant