CN109617850A - 基于自适应压缩感知的ofdm稀疏信道估计方法 - Google Patents

Abstract

本发明公开了基于自适应压缩感知的OFDM稀疏信道估计方法，包括以下步骤：步骤（1）：将OFDM信道估计问题建模为压缩感知信号重建问题；步骤（2）：利用自适应压缩感知信道估计算法求解压缩感知信号重建问题，估算出OFDM稀疏信道。本发明的优点是：在OFDM系统信道稀疏性未知的情况下，能快速估算出OFDM稀疏信道，基于本发明算法的OFDM稀疏信道估计方法与基于现有的稀疏度自适应算法的OFDM稀疏信道估计方法相比，具有更低的信道估计均方误差、更低的系统误比特率和更短的估计时间。

Description

基于自适应压缩感知的OFDM稀疏信道估计方法

技术领域

本发明涉及通信系统的信道估计领域，具体涉及基于自适应压缩感知的OFDM稀疏信道估计方法。

背景技术

在移动通信系统中，多径传播导致接收信号中产生符号间干扰(Inter SymbolInterference,ISI)，严重影响了系统的可靠性。OFDM技术由于其对抗频率选择性衰落和抗ISI能力强且复杂度低等特点，被广泛应用于4G移动通信、无线局域网等。在OFDM系统中，信道状态信息(Channel State Information,CSI)的获取至关重要，因此需要估计CSI。最小二乘估计、最小均方误差估计^[2]这些基于导频的信道估计方法虽然复杂度低，但是导频序列开销很大，需要很多的导频才能获得较好的估计性能。高速宽带移动通信中信道多呈现稀疏性，基于压缩感知(Compressed sensing,CS)的信道估计能够以较少的导频获得良好的估计性能。目前常用的压缩感知信道估计算法有正交匹配追踪(OMP,orthogonalmatching pursuit)、正则化正交匹配追踪(ROMP,regularized orthogonal matchingpursuit)等。此类算法重建精度高且容易实现，但前提是要事先知道信道的稀疏度，而在实际信道估计中往往无法准确获得信道稀疏度，因此上述算法在信道估计中无法实用。稀疏自适应匹配追踪算法(sparsity adaptive matching pursuit,SAMP)通过固定步长s逐渐增加支撑集的大小G来逼近真实稀疏度，克服了必须以稀疏度作为先验信息的缺陷，可以自适应的重建信号。但该算法由于步长s固定，步长的取值会影响重建精度和重建质量，因此如何在提高重建速度的同时保证较高的重建精度是个有待解决的问题。有文献提出的变步长分段自适应匹配追踪(Variable Step Size stagewise Adaptive Matching Pursuit,VSStAMP)算法通过判断候选原子集的个数来标识变步长的阶段，在不同阶段以不同的步长增加支撑集的长度，以此来逼近真实稀疏度，虽然可以有效减少算法的重建时间，同时保证较高的重建精度，但是在原子初选阶段始终按照支撑集的长度G来删选原子扩充候选集，容易引入大量不理想的原子而造成重构精度的下降。因而亟需发明一种在OFDM系统信道稀疏性未知的情况下，能快速估算出OFDM稀疏信道的方法。

发明内容

本发明的目的是提供一种在OFDM系统信道稀疏性未知的情况下，能快速估算出OFDM稀疏信道的基于自适应压缩感知的OFDM稀疏信道估计方法。

为实现上述技术目的，本发明采用了如下技术方案：所述的基于自适应压缩感知的OFDM稀疏信道估计方法，包括以下步骤：

步骤(1)：将OFDM信道估计问题建模为以下的压缩感知信号重建问题：

y_P＝X_PW_Ph+n_P＝Ah+n_P

其中：y_P＝Sy是P×1维接收导频向量，P为导频个数，S矩阵由N×N单位阵中与导频位置对应的P行组成，N为OFDM系统子载波总数，y＝[y(0),y(1),....,y(N-1)]^T是接收信号，(·)^T表示对矩阵进行转置，X_P＝SXS^T是P×P对角矩阵，X是在主对角线上具有元素X(k)(0≤k≤N-1)的对角矩阵，X(k)表示OFDM符号内的用户数据和导频信号，W_P＝SW是P×L维矩阵，W由N×N维DFT矩阵的前L列组成，其中0≤n≤N-1，0≤l≤L-1，L为信道长度，h＝[h₀,h₁,…,h_L-1]^T为K稀疏的信道时域冲激响应采样值，即h中非零元素的个数为K，n_P＝Sn是P×1维噪声向量,n＝[n(0),n(1),....,n(N-1)]^T为复加性高斯白噪声，A＝X_PW_P是P×L维测量矩阵；

步骤(2)：利用自适应压缩感知信道估计算法求解压缩感知信号重建问题，估计出OFDM稀疏信道；其中，自适应压缩感知信道估计算法具体包括以下步骤：

步骤(21)：设置测量矩阵A＝X_PW_P，接收到的导频信号y_P为测量值；

步骤(22)：初始化：起始步长s，标识阈值参数μ，原子预选参数a，迭代次数t＝1，初始残差r₀＝y_P，初始支撑集 表示空集，支撑集大小G＝s，初始阶段标识参数I＝0，阶段stage＝1；

步骤(23)：通过设置模糊阈值进行原子预选，获得第t次迭代的索引集S_t＝{j:|g(j)＞aσ_t|}，其中g＝abs[A^Tr_t-1]，g(j)是向量g中对应于索引j(1≤j≤L)的元素，abs表示取绝对值，r_t-1表示第t-1次迭代时的残差，a为原子预选参数，σ_t＝max(|A^Tr_t-1|)表示第t次迭代时(|A^Tr_t-1|)的最大值，max表示取最大值；

步骤(24)：形成第t次迭代的候选集C_t：C_t＝F_t-1∪S_t，其中∪表示取并集，F_t-1表示第t-1次迭代的支撑集；

步骤(25)：进行阶段标识参数值判断与更新：如果size(C_t)＞μ*P,则I＝1，其中size(C_t)表示候选集中的元素个数，I为阶段标识参数；

步骤(26)：获得支撑集F：如果size(C_t)≥G,则否则，F＝C_t；其中矩阵A_Ct由测量矩阵A中列索引为候选集C_t元素的列向量构成，表示从中选择前G个最大的元素所对应的索引，矩阵表示取矩阵的广义逆；

步骤(27)：更新残差：其中r_new表示当前阶段的残差，矩阵A_F由测量矩阵A中列索引为支撑集F元素的列向量构成，矩阵表示取矩阵A_F的广义逆；

步骤(28)：判断迭代停止条件：如果||r_new||₂＜ε，则转步骤(211)；否则，转步骤(29)，其中||r_new||₂表示取残差r_new的2范数，ε是设置的迭代停止阈值参数；

步骤(29)：如果||r_new||₂≥||r_t-1||₂且I＝0，则stage＝stage+1，F_t＝F_t-1，r_t＝r_t-1，表示向上取整，b是设置的参数，F_t表示第t次迭代的支撑集，r_t表示第t次迭代的残差；如果||r_new||₂≥||r_t-1||₂且I＝1，则G＝G+s，F_t＝F_t-1，r_t＝r_t-1；否则，F_t＝F，r_t＝r_new；

步骤(210)令迭代次数t＝t+1，并转向步骤(23)；

步骤(211)：输出信道冲激响应近似值输出的信道冲激响应近似值即为估记出的OFDM稀疏信道。

进一步地，前述的基于自适应压缩感知的OFDM稀疏信道估计方法，其中：步骤(23)中的原子预选参数a＝0.6。

进一步地，前述的基于自适应压缩感知的OFDM稀疏信道估计方法，其中：步骤(25)中的标识阈值参数μ＝1/8。

进一步地，前述的基于自适应压缩感知的OFDM稀疏信道估计方法，其中：步骤(28)中的ε取噪声的功率。

进一步地，前述的基于自适应压缩感知的OFDM稀疏信道估计方法，其中：步骤(29)中的参数b＝0.5。

通过上述技术方案的实施，本发明具有如下有益效果：在OFDM系统的信道估计中，在OFDM系统信道稀疏性未知的情况下，本发明提出了一种新的自适应压缩感知信道估计算法，即弱选择变步长分段自适应匹配追踪(Weak Selection Variable Step Sizestagewise Adaptive Matching Pursuit(简称WSVSStAMP))算法，该算法通过设置模糊阈值在原子初选阶段先删除大量不理想的原子，又在VSStAMP算法基础上设计了一种幂函数型的变步长方法，用以提高算法的重建精度和重建速度，不仅复杂度更低，而且重建时间短，基于该算法的OFDM稀疏信道估计方法与基于现有的稀疏度自适应算法的OFDM稀疏信道估计方法相比，具有更低的信道估计均方误差(mean square error，MSE)、更低的系统误比特率(bit error rate,BER)和更短的估计时间。

附图说明

图1为导频数为28时各算法在不同信噪比下的均方误差。

图2为导频数为24时各算法在不同信噪比下的均方误差。

图3为导频数为28时各算法在不同信噪比下的误比特率。

图4为不同信道估计算法单次平均运行时间。

具体实施方式

本发明提出了一种新的基于稀疏度自适应压缩感知的OFDM稀疏信道估计方法，主要包括系统模型与自适应压缩感知信道估计算法求解两部分。下面会介绍这两部分的具体实现过程，并且通过仿真实验来证明本发明提出的稀疏度自适应信道估计方法在信道估计方面的性能优势。

基于稀疏度自适应压缩感知的OFDM稀疏信道估计方法，包括以下步骤：

步骤(1)：将OFDM信道估计问题建模为以下的压缩感知信号重建问题：

y_P＝X_PW_Ph+n_P＝Ah+n_P

其中：y_P＝Sy是P×1维接收导频向量，P为导频个数，S矩阵由N×N单位阵中与导频位置对应的P行组成，N为OFDM系统子载波总数，y＝[y(0),y(1),....,y(N-1)]^T是接收信号，(·)^T表示对矩阵进行转置，X_P＝SXS^T是P×P对角矩阵，X是在主对角线上具有元素X(k)(0≤k≤N-1)的对角矩阵，X(k)表示OFDM符号内的用户数据和导频信号，W_P＝SW是P×L维矩阵，W由N×N维DFT矩阵的前L列组成，其中0≤n≤N-1，0≤l≤L-1，L为信道长度，h＝[h₀,h₁,…,h_L-1]^T为K稀疏的信道时域冲激响应采样值，即h中非零元素的个数为K，n_P＝Sn是P×1维噪声向量,n＝[n(0),n(1),....,n(N-1)]^T为复加性高斯白噪声，A＝X_PW_P是P×L维测量矩阵；

其中，建模的具体推导过程如下：

系统模型：大多数自然信号x∈R^N(R^N表示N维向量空间)在时域不是稀疏的，但是可以在某个稀疏基下得到稀疏表示，即x可以通过由N个标准正交基构成的一个N×N维稀疏基矩阵ψ变换到ψ域，此时x表示为：

x＝ψs (1)

此时，s是长度为N的加权系数列向量，若||s||₀≤K，||s||₀表示s中非零元素的个数，且满足K＜＜N，那么可以称信号x相对于ψ域是K稀疏的。Φ∈R^M×N是M×N维的测量矩阵(或称为观测矩阵，其满足M＜＜N)。测量信号向量y∈R^M是由原始信号向量x与测量矩阵Φ相乘得到的，可用于压缩感知信号的重建。用公式表达即：

y＝Φx (2)

又根据(1)可以表示为

y＝Φx＝Φψs＝As (3)

其中，A＝Φ_ψ，仍然为一个M×N维的矩阵，称为恢复矩阵；

式(3)中，在已知向量y和矩阵A的前提下重建向量s的问题可以通过求解最优化问题来解决，即转换为求解最小l₀范数优化问题：

其中，||s||₀表示s中非零元素的个数；为s的估计信号，即最后的重建信号；当恢复矩阵A满足RIP(Restricted IsometryProperty)性质时，根据有关文献可将这个问题转化为容易求解的最小l₁范数优化问题，即

||·||₁表示1范数，对于最小l₁范数优化问题可以利用线性规划方法来求解；贪婪追踪算法由于结构简单且运算量相对较少，在信号重建中得到了广泛应用，其主要思想是通过多次迭代寻找到局部最优解；典型的贪婪类算法有需要稀疏度先验信息的OMP算法、ROMP算法和稀疏度自适应的SAMP算法等；

我们考虑具有N个子载波的OFDM系统，其中P个子载波用作导频，信道长度为L，X(k)表示OFDM符号内的用户数据和导频信号，0≤k≤N-1。接收信号可表示为：

y＝XH+n＝XWh+n (6)

其中X是在主对角线上具有元素X(k)，0≤k≤N-1的对角矩阵；接收到的信号y＝[y(0),y(1),....,y(N-1)]^T，(·)^T表示对矩阵进行转置；信道频域响应采样值H＝[H(0),H(1),....,H(N-1)]^T，n＝[n(0),n(1),....,n(N-1)]^T为复加性高斯白噪声；W由N×N维DFT矩阵的前L列组成：

其中0≤n≤N-1，0≤l≤L-1；h＝[h₀,h₁,…,h_L-1]^T为K稀疏的信道时域冲激响应采样值，即h中非零元素的个数为K；

基于导频的信道估计方法要从N子载波中选择出P个子载波用于传输导频符号，可以利用P×N维选择矩阵S与向量y相乘获得对应的导频信号，S矩阵由N×N维单位阵中与导频位置对应的P行组成；接收到的导频信号

y_P＝X_PW_Ph+n_P＝Ah+n_P (8)

式(8)由式(6)两边左乘矩阵S得到，其中y_P＝Sy是P×1维向量，X_P＝SXS^T是P×P对角矩阵，W_P＝SW是P×L矩阵，n_P＝Sn是P×1维噪声向量,A＝X_PW_P是P×L维测量矩阵；对比式(3)和式(8)可以发现，稀疏信道h可以通过已知的测量矩阵A和接收的导频信号y_P利用CS重建算法来进行重构，然后估计出信道频域响应采样值H＝Wh，这就是基于CS的稀疏信号估计方法；

步骤(2)：利用自适应压缩感知信道估计算法求解压缩感知信号重建问题，估计出OFDM稀疏信道；其中，自适应压缩感知信道估计算法具体包括以下步骤：

步骤(21)：设置测量矩阵A＝X_PW_P，接收到的导频信号y_P为测量值；

步骤(22)：初始化：起始步长s，标识阈值参数μ，原子预选参数a，迭代次数t＝1，初始残差r₀＝y_P，初始支撑集 表示空集，支撑集大小G＝s，初始阶段标识参数I＝0，阶段stage＝1；

步骤(23)：通过设置模糊阈值进行原子预选，获得第t次迭代的索引集S_t＝{j:|g(j)＞aσ_t|}，其中g＝abs[A^Tr_t-1]，g(j)是向量g中对应于索引j(1≤j≤L)的元素，abs表示取绝对值，r_t-1表示第t-1次迭代时的残差，a为原子预选参数，本实施例中，原子预选参数a＝0.6，σ_t＝max(|A^Tr_t-1|)表示第t次迭代时(|A^Tr_t-1|)的最大值，max表示取最大值；

步骤(24)：形成第t次迭代的候选集C_t：C_t＝F_t-1∪S_t，其中∪表示取并集，F_t-1表示第t-1次迭代的支撑集；

步骤(25)：进行阶段标识参数值判断与更新：如果size(C_t)＞μ*P,则I＝1，其中size(C_t)表示候选集中的元素个数，I为阶段标识参数，本实施例中，标识阈值参数μ＝1/8；

步骤(26)：获得支撑集F：如果size(C_t)≥G,则否则，F＝C_t；其中矩阵A_Ct由测量矩阵A中列索引为候选集C_t元素的列向量构成，表示从中选择前G个最大的元素所对应的索引，矩阵表示取矩阵的广义逆；

步骤(27)：更新残差：其中r_new表示当前阶段的残差，矩阵A_F由测量矩阵A中列索引为支撑集F元素的列向量构成，矩阵表示取矩阵A_F的广义逆；

步骤(28)：判断迭代停止条件：如果||r_new||₂＜ε，则转步骤(211)；否则，转步骤(29)，其中||r_new||₂表示取残差r_new的2范数，ε是设置的迭代停止阈值参数，本实施例中，ε取噪声的功率；

步骤(29)：如果||r_new||₂≥||r_t-1||₂且I＝0，则stage＝stage+1，F_t＝F_t-1，r_t＝r_t-1，表示向上取整，b是设置的参数，本实施例中，参数b＝0.5，F_t表示第t次迭代的支撑集，r_t表示第t次迭代的残差；如果||r_new||₂≥||r_t-1||₂且I＝1，则G＝G+s，F_t＝F_t-1，r_t＝r_t-1；否则，F_t＝F，r_t＝r_new；

步骤(210)令迭代次数t＝t+1，并转向步骤(23)；

步骤(211)：输出信道冲激响应近似值输出的信道冲激响应近似值即为估计出的OFDM稀疏信道。

本发明的优点是：在OFDM系统的信道估计中，在OFDM系统信道稀疏性未知的情况下，本发明提出了一种新的自适应压缩感知信道估计算法，即弱选择变步长分段自适应匹配追踪(Weak Selection Variable Step Size stagewise Adaptive Matching Pursuit(简称WSVSStAMP))算法，该算法通过设置模糊阈值在原子初选阶段先删除大量不理想的原子，又在VSStAMP算法基础上设计了一种幂函数型的变步长方法，用以提高算法的重建精度和重建速度，不仅复杂度更低，而且重建时间短，基于该算法的OFDM稀疏信道估计方法与基于现有的稀疏度自适应算法的OFDM稀疏信道估计方法相比，具有更低的信道估计均方误差(mean square error，MSE)、更低的系统误比特率(bit error rate,BER)和更短的估计时间。

仿真结果：

仿真时系统取信道长度L＝50，采用16QAM调制，子载波数N＝512，比较本发明提出的WSVSStAMP算法、VSStAMP算法、OMP算法以及SAMP算法进行稀疏信道估计的性能。假设该系统的稀疏信道在一个符号周期内不变，且非零抽头K＝8，即稀疏度为8。多径信道的路径时延在0～τ_max上随机分布，仅第一个路径的时延为0，τ_max表示最大路径时延。路径复增益的功率随路径的增加而呈指数衰减，且均为复高斯分布。本节仿真中，各算法的迭代停止条件均设为||r_new||₂＜ε，其中r_new代表当前阶段的残差，ε取噪声功率，WSVSStAMP算法的μ取1/8。每次仿真进行2000次，取平均结果。系统性能的评估采用以下两个参数：归一化的信道估计MSE和使用信道估计的知识进行迫零均衡后的系统BER。归一化MSE定义为：

其中H(k)是信道频域响应向量H的第k个元素，是信道频域响应估计值的第k个元素。我们先取导频数为28，对各算法在不同信噪比下的MSE进行了仿真比较。由图1可知，本发明提出的WSVSStAMP算法在MSE性能上要优于其他算法，且随着信噪比的增加优势更加显著。由于OMP算法在信道稀疏度未知时无法确定具体的迭代次数，因此算法精度不高。而SAMP算法和VSStAMP算法虽然可以自适应的进行信道估计，但SAMP算法步长固定，容易造成过估计或欠估计；VSStAMP算法虽然采用了变步长的思想，降低了过估计或欠估计问题的发生，但在每次的原子预选阶段仍以支撑集的长度G来扩充候选集，容易引入大量不理想的原子，造成重构精度的下降。本发明提出的WSVSStAMP算法结合了原子预选和变步长的思想，克服了上述算法存在的问题，得到了更好的估计性能。

图2显示的是导频数为24时各算法在不同信噪比下的MSE仿真结果，结果表明，当导频数为24时，本发明提出的WSVSStAMP算法在性能上依然优于其他算法。在信噪比较小时，信道高斯白噪声很大，导致各算法的MSE性能接近。随着信噪比的增加，噪声的影响逐渐减小，WSVSStAMP算法的性能优势显著。相比与导频数为28时，各算法的MSE性能均有所下降，这是因为在一定导频数量范围内，导频数量越多算法重建性能越好。

图3所示为导频数为28时，各算法在不同信噪比下的误比特率曲线。由图3可知，本发明提出的WSVSStAMP算法较其他算法有更低的系统误比特率，且随着信噪比的增加优势更加显著。

图4所示的是不同信道估计算法的单次平均运行时间。由表1可知OMP算法的运行时间最短，但在稀疏度未知的情况下估计性能相对较差。本发明提出的WSVSStAMP算法相比于VSStAMP算法和SAMP算法运行时间更短，SAMP算法由于步长固定，在追求高精度估计性能的同时造成复杂度较高，运行时间长。VSStAMP算法采用变步长的方法逼近真实稀疏度，解决了过估计或欠估计的问题，较SAMP算法运行时间更少。本发明提出的WSVSStAMP算法在VSStAMP算法的基础上设计了一种幂函数型的变步长方法，使得其在大步长阶段可以更快的逼近真实稀疏度，因此该算法的运行时间低于SAMP算法和VSStAMP算法。

Claims (5)

1.基于自适应压缩感知的OFDM稀疏信道估计方法，其特征在于：包括以下步骤：

步骤(1)：将OFDM信道估计问题建模为以下的压缩感知信号重建问题：

y_P＝X_PW_Ph+n_P＝Ah+n_P

其中：y_P＝Sy是P×1维接收导频向量，P为导频个数，S矩阵由N×N单位阵中与导频位置对应的P行组成，N为OFDM系统子载波总数，y＝[y(0),y(1),....,y(N-1)]^T是接收信号，(·)^T表示对矩阵进行转置，X_P＝SXS^T是P×P对角矩阵，X是在主对角线上具有元素X(k)(0≤k≤N-1)的对角矩阵，X(k)表示OFDM符号内的用户数据和导频信号，W_P＝SW是P×L维矩阵，W由N×N维DFT矩阵的前L列组成，其中0≤n≤N-1，0≤l≤L-1，L为信道长度，h＝[h₀,h₁,…,h_L-1]^T为K稀疏的信道时域冲激响应采样值，即h中非零元素的个数为K，n_P＝Sn是P×1维噪声向量,n＝[n(0),n(1),....,n(N-1)]^T为复加性高斯白噪声，A＝X_PW_P是P×L维测量矩阵；

步骤(2)：利用自适应压缩感知信道估计算法求解压缩感知信号重建问题，估计出OFDM稀疏信道；其中，自适应压缩感知信道估计算法具体包括以下步骤：

步骤(21)：设置测量矩阵A＝X_PW_P，接收到的导频信号y_P为测量值；

步骤(22)：初始化：起始步长s，标识阈值参数μ，原子预选参数a，迭代次数t＝1，初始残差r₀＝y_P，初始支撑集 表示空集，支撑集大小G＝s，初始阶段标识参数I＝0，阶段stage＝1；

步骤(23)：通过设置模糊阈值进行原子预选，获得第t次迭代的索引集S_t＝{j:|g(j)＞aσ_t}，其中g＝abs[A^Tr_t-1]，g(j)是向量g中对应于索引j(1≤j≤L)的元素，abs表示取绝对值，r_t-1表示第t-1次迭代时的残差，a为原子预选参数，σ_t＝max(|A^Tr_t-1|)表示第t次迭代时(|A^Tr_t-1|)的最大值，max表示取最大值；

步骤(24)：形成第t次迭代的候选集C_t：C_t＝F_t-1∪S_t，其中∪表示取并集，F_t-1表示第t-1次迭代的支撑集；

步骤(25)：进行阶段标识参数值判断与更新：如果size(C_t)＞μ*P,则I＝1，其中size(C_t)表示候选集中的元素个数，I为阶段标识参数；

步骤(26)：获得支撑集F：如果size(C_t)≥G,则否则，F＝C_t；其中矩阵由测量矩阵A中列索引为候选集C_t元素的列向量构成，表示从中选择前G个最大的元素所对应的索引，矩阵表示取矩阵的广义逆；

步骤(27)：更新残差：其中r_new表示当前阶段的残差，矩阵A_F由测量矩阵A中列索引为支撑集F元素的列向量构成，矩阵表示取矩阵A_F的广义逆；

步骤(28)：判断迭代停止条件：如果||r_new||₂＜ε，则转步骤(211)；否则，转步骤(29)，其中||r_new||₂表示取残差r_new的2范数，ε是设置的迭代停止阈值参数；

步骤(29)：如果||r_new||₂≥||r_t-1||₂且I＝0，则stage＝stage+1，F_t＝F_t-1，r_t＝r_t-1，表示向上取整，b是设置的参数，F_t表示第t次迭代的支撑集，r_t表示第t次迭代的残差；如果||r_new||₂≥||r_t-1||₂且I＝1，则G＝G+s，F_t＝F_t-1，r_t＝r_t-1；否则，F_t＝F，r_t＝r_new；

步骤(210)令迭代次数t＝t+1，并转向步骤(23)；

步骤(211)：输出信道冲激响应近似值输出的信道冲激响应近似值即为估记出的OFDM稀疏信道。

2.根据权利要求1所述的基于自适应压缩感知的OFDM稀疏信道估计方法，其特征在于：步骤(23)中的原子预选参数a＝0.6。

3.根据权利要求1所述的基于自适应压缩感知的OFDM稀疏信道估计方法，其特征在于：步骤(25)中的标识阈值参数μ＝1/8。

4.根据权利要求1所述的基于自适应压缩感知的OFDM稀疏信道估计方法，其特征在于：步骤(28)中的ε取噪声的功率。

5.根据权利要求1所述的基于自适应压缩感知的OFDM稀疏信道估计方法，其特征在于：步骤(29)中的参数b＝0.5。