CN110022276A

CN110022276A - 一种适用于ofdm通信系统的信道估计方法

Info

Publication number: CN110022276A
Application number: CN201910301779.3A
Authority: CN
Inventors: 袁亚洲; 王鹏飞; 刘志新; 李丽; 关新平
Original assignee: Yanshan University
Current assignee: Yanshan University
Priority date: 2019-04-16
Filing date: 2019-04-16
Publication date: 2019-07-16

Abstract

本发明公开了一种适用于OFDM通信系统的信道估计方法，涉及正交频分复用通讯技术的信道估计领域。本发明利用最小二乘法，求取得到导频位置所对应的信道频率响应；利用小波去噪算法对其进行去噪处理；将导频的频率位置和其对应的信道频率响应值作为高斯过程回归算法的训练集，以用于训练GPR模型，将其他非导频处的子信道频率位置作为新的输入数据，通过训练后的GPR模型得到的输出值即为所对应的信道频率响应估计值，至此我们可以得到全部子信道的频率响应值。本发明所提出的方法对比传统的梳状导频下的线性插值法、二阶插值法、三次样条插值法，在误码率的表现上具有明显的优势。本发明可有效提升信道估计精度并且适用范围广。

Description

一种适用于OFDM通信系统的信道估计方法

技术领域

本发明涉及正交频分复用(OFDM)通讯技术的信道估计领域，尤其涉及一种结合小波去噪和机器学习算法并适用于OFDM通信系统的信道估计方法。

背景技术

OFDM技术作为一种高效利用通讯频段的多载波传输方案，能够很好得对抗频率选择性衰落和窄带宽干扰，因此在通讯领域受到了极大重视。OFDM系统由信号同步、信道估计、信道均衡和峰值平均功率比降低等关键技术组成。信道估计作为OFDM的关键技术之一，是为了减小多径信道衰落的影响。信道估计的准确性将严重影响接收信号的质量。时域信道变化仍然是无线通信的主要挑战。如今随着通讯系统硬件设备计算性能的提升，如何有效改进现有的信道估计方法，提升数据的传输效率是需要着重考虑的问题。

目前，针对OFDM系统的信道估计算法，当选择梳状导频模式时，常见的算法有：基于最小二乘(LS)的线性插值法、二阶插值法、三次样条插值法等；而当选择块状导频模式时，常见的算法有：LS算法、线性最小均方误差(LMMSE)算法、基于LMMSE的特征值分解(SVD)算法等。

但是在更高精度要求的通讯场景下，上述方法的误码率还需尽一步降低才能满足需求。

发明内容

本发明的目的在于提供一种适用于OFDM通信系统的信道估计方法。旨在结合小波去噪与高斯过程回归算法，对发送端信号进行还原，降低误码率。

本发明所采取的技术方案为：一种适用于OFDM通信系统的信道估计方法，其特征在于包括如下步骤：

步骤1、基于导频的LS算法与去噪处理

在共有n个子信道的OFDM通信系统中，选取其中k个子信道作为导频信息的传输，确定其导频间隔f；利用LS算法，求取导频位置m×Δf+1,m＝0,1,...,k-1对应的信道频率响应利用小波去噪算法对信道频率响应进行去噪处理，得到去噪后的导频处频率响应

步骤2、GPR模型的建立

将导频位置m×Δf+1,m＝0,1,...,k-1及其对应的导频处频率响应作为GPR算法的训练样本，自动求得GPR算法的最优超参数θ，建立GPR模型；

步骤3、信道频率响应估计值的获取以及发送端信号还原

将此OFDM通信系统中，其他非导频处的子信道频率位置依次作为新的输入数据，输入GPR模型中获得输出均值，将其作为信道频率响应估计值，以此得到全部非导频处子信道的频率响应值，然后对发送端信号进行还原。

进一步的技术方案在于，所述去噪处理的过程中，采用小波去噪算法进行去噪，其中小波变换具有很强的去数据相关性；在小波域，期望信号的能量集中在一些大的小波系数中，噪声的能量却分布在整个小波域内，期望信号的小波系数幅值要大于噪声的系数幅值；设置小波域系数阈值，大于阈值的系数认为是期望信号的分量并保留，小于阈值的系数认为是噪声的分量并置为0，从而可以达到去噪的目的；

具体去噪处理过程如下：

步骤1，选择一种合适的阈值选取规则；

步骤2，选择则一种合适的阈值的处理方式；

步骤3，选择一种合适的小波类型；

步骤4，对步骤1中信道频率响应进行去噪处理，得到去噪后的结果。

进一步的技术方案在于，所述方法适用于时变信道的梳状导频模式下的信道估计。

采用上述技术方案所产生的有益效果在于：

本发明利用小波去噪可以有效对噪声进行滤波处理；采用高斯过程回归算法模型的训练过程可以制动找到最优超参数；然后使得本发明适合于信号传输精度要求较高的场景。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为梳状导频示意图；

图2小波分解过程示意图；

图3为GPR算法结构框图；

图4为GPR信道估计算法与传统算法的误码率表现曲线图；

图5为加上小波去噪后的GPR信道估计算法与传统算法的误码率表现曲线图；

图6为加入去噪阈值SNR_λ后的误码率表现曲线图；

图7为本发明所提的完整算法的误码率表现曲线。

具体实施方式

本发明提出一种适用于OFDM通信系统的信道估计方法，其包括如下步骤：

步骤1、基于导频的LS算法与去噪处理。

步骤2、GPR模型的建立。

步骤3、信道频率响应估计值的获取以及发送端信号还原。

本发明优选实施例中，步骤1中，选用了适用于时变信道的梳状导频模式，发送端的频域信号为X(n)，其中位于导频处子信道的已知发送信号为Y_P(k)，接收端的频域数据为Y(n)，接收信号中对应导频信号的频域信号为Y_P(k)。并且假设信道中的噪声为V。

那么接收端导频信号的表示为：

Y_P(m)＝X_p(m)H_P(m)+V_p(m),m＝0,1,...,k-1

然后根据LS算法的原则求出损失函数并在LS原则约束下，可求出导频处的信道估计结果。进一步的我们可以得到导频处基于LS原则所求得的信道频率响应估计值。而LS估计结果中包含了信道噪声V，且实际场景中的很多种噪声V符合加权混合高斯分布，小波去噪针对此噪声有较好的去噪效果，因此我们在第二步将进行针对估计值进行去噪处理。

本发明优选实施例中，所述去噪处理的过程中，采用小波去噪算法进行去噪，其中小波变换具有很强的去数据相关性；在小波域，期望信号的能量集中在一些大的小波系数中，噪声的能量却分布在整个小波域内，期望信号的小波系数幅值要大于噪声的系数幅值；设置小波域系数阈值，大于阈值的系数认为是期望信号的分量并保留，小于阈值的系数认为是噪声的分量并置为0，从而可以达到去噪的目的；

具体去噪处理过程如下：

步骤1，选择一种合适的阈值选取规则；

步骤2，选择则一种合适的阈值的处理方式；

步骤3，选择一种合适的小波类型；

本发明优选实施例中，GPR为一非参数模型，它不对输入数据进行建模，只关心输入与输出之间的关系。这种关系可以看作是一个隐函数，GPR给出了它的先验高斯过程。GPR作为一种有监督的机器学习方法，通过训练数据学习并拟合这种输入与输出之间的非线性关系并且可对新的输入产生预测输出。该过程采用概率法实现：GPR将高斯过程的先验信息分配给拟合函数，然后利用贝叶斯理论和训练数据得到拟合函数的后验分布得出函数的最佳估计，对于GPR非参数模型的调节则可通过超参数来实现。

本发明具体实施例中，根据OFDM系统的通信特点，不同的导频模式选择有不同的优劣性，其中梳状导频信号在时域是连续的，对时间选择性敏感，所以梳状导频适合快速衰落的信道。本发明中选取的导频模式为梳状导频，导频结构图如图1所示。针对LS算法估计得到的导频处的信道频率响应值包含噪声，本发明采取了小波去噪方法，随后利用GPR算法的强非线性数据拟合的特点去估计非导频位置所对应的信道频率响应，从而达到满意的信道估计效果。

本发明的实例中，信道路经个数为5，多径时延为[0 2e-6 4e-6 8e-612e-6]。

表1列出了本发明中的实例设计中的系统参数。

表1 OFDM系统参数

信道带宽	1MHZ
		载波频率	1.9GHZ
子载波数	128
		每帧OFDM符号数	100
调制方式	16QAM/QPSK
		导频间隔	4
循环前缀长度	16

采用以下步骤进行处理：

步骤1：发送端的频域信号为X(n)，其中位于导频处子信道的已知发送信号为X_p(k)，接收端的频域数据为Y(n)，接收信号中对应导频信号的频域信号为Y_p(k)。并且信道中的噪声记为V。其中n为子载波数目，k为被选做导频的子载波数目。

接收端导频信号的表示为：

Y_P(m)＝X_p(m)H_P(m)+V_p(m),m＝0,1,...,k-1

然后根据LS算法的原则，损失函数为：

其中表示信道频率响应的估计值，在LS原则约束下，导频处的信道估计结果可以表示为：在此可以得到导频处基于LS原则所求得的信道频率响应估计值：

显而易见以上结果中包含了信道噪声V，且实际场景中的很多种噪声V符合加权混合高斯分布，小波去噪算法针对此噪声有较好的去噪效果，因此我们在第二步将进行针对估计值的去噪处理。

步骤2：针对步骤1得到的估计值进行小波去噪处理；

小波去噪的模型可以表示为X_n＝f_n+e_n。其中X_n是包含噪声的所得信号，f_n为期望信号，e_n为信号所含噪声。

在小波域，期望信号的能量集中在一些大的小波系数中(低频部分)，噪声的能量却分布在整个小波域内(整个频带)，期望信号的小波系数幅值要大于噪声的系数幅值。小波去噪过程如下：首先对信号进行小波分解(假设进行两层分解，分解过程如图3所示，图中h代表包含噪声的初始信号，cA_i表示i级分解的近似部分，cD_i为分解的细节部分，而噪声通常包含在cD_i中)；然后用阈值的形式对小波系数进行处理；最后对信号进行重建,从而达到消除噪声的目的。

具体解释小波去噪的三个关键步骤：

步骤2-1，阈值的选取规则有四种：无偏似然估计、固定阈值估计、启发式阈值估计、极值阈值估计。因为LS的估计结果包含的噪声分布在整个频带上，阈值选取时采用相对保守的无偏似然估计方法。

步骤2-2，阈值处理方式有软阈值和硬阈值两种，软阈值处理可以得到更平滑的效果，不会产生额外的震荡，因此本发明采用软阈值的处理方式。

步骤2-3，采用和信号形状相近的小波去噪，会取得较好的去噪效果。由于信道的频率选择性导致整个信道的频率响应连续性比较差，因此进行小波去噪处理时我们采用具有突变性的Haar小波。

确定以上三步之后便得到了所需的小波去噪算法，然后对步骤1所求得的导频处的信道频率响应估计值进行去噪处理，得到去噪后的估计值

步骤3：GPR算法的使用；

多数场景下通信系统模型输入与输出之间存在非线性关系，传统的线性回归方法无法求解。GPR算法的模型参见说明书附图3，GPR这一非参数模型在上文已经介绍，具体的训练过程和预测过程如下：

在OFDM系统中，信道两端的发送信号与接收信号之间的关系则为一种非线性关系。区别于传统信道估计算法所采用的插值算法，我们选择GPR方法来拟合处理这种非线性关系以达到更好的信道估计效果。

首先确定OFDM系统的子信道数量以及导频间隔，随即可以得到导频的频率位置信息。本发明的实例中，子载波数128记为n，导频间隔为4，导频子载波数为m，导频频率间隔记为Δf。随即得到导频频率位置信息m×Δf+1,m＝0,1,...,k-1，将位置信息与步骤2所得到的估计值组合为GPR算法的训练集输入到GPR模型中，训练完后得到最优超参数θ，最终获得训练后的GPR模型。

步骤4：求取非导频位置处的信道频率响应；

将其他非导频处信道的频率位置的集合作为新的输入集，通过步骤3中已训练好的GPR模型中，输出的数据即为所需估计的非导频处信道的频率响应估计值。至此可以得到所需的信道频率响应估计值用于恢复发送端信息X(n)。

在本发明的验证实例中，我们对比了OFDM系统采用梳状导频模式时，传统算法采用的基于LS算法的线性插值法、二阶插值算法、三次样条插值算法。验证了本发明所提出的信道估计方法的优势。

图4为三种传统插值方法和本发明所提的GPR方法的误码率对比结果；可以看出在高信噪比的情况下，性能表现明显。这是忽略步骤2中的去噪处理，目的是展示GPR算法的非线性拟合能力相对传统插值算法具有更好的性能。

图5为本发明所提出的完整算法和无去噪处理的GPR算法的误码率结果对比对。可以看出，加上小波去噪处理后，在低信噪的误码率性能表现上有更好的结果，但是在超过一定的信噪比后，由于小波去噪处理丢失了部分有用信息，从而导致了性能下降，但是对比传统算法仍具有明显的性能优势。

在实际应用中，如果出现了类似的情况，可以采用加信噪比阈值的方法去避免这一现象。当信噪比SNR大于该阈值时，则不再进行去噪处理。加入信噪比阈值后的各算法误码率曲线图如图6所示，可以看出加入信噪比阈值使得本发明所提出的方法在高低信噪比下都有良好的表现。最后图7展示了完整的算法误码率表现曲线图。

以上所述的实例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims

1.一种适用于OFDM通信系统的信道估计方法，其特征在于包括如下步骤：

步骤1、基于导频的LS算法与去噪处理

步骤2、GPR模型的建立

步骤3、信道频率响应估计值的获取以及发送端信号还原

2.根据权利要求1所述的一种适用于OFDM通信系统的信道估计方法，其特征在于：所述去噪处理的过程中，采用小波去噪算法进行去噪，其中小波变换具有很强的去数据相关性；在小波域，期望信号的能量集中在一些大的小波系数中，噪声的能量却分布在整个小波域内，期望信号的小波系数幅值要大于噪声的系数幅值；设置小波域系数阈值，大于阈值的系数认为是期望信号的分量并保留，小于阈值的系数认为是噪声的分量并置为0，从而可以达到去噪的目的；

具体去噪处理过程如下：

步骤1，选择一种合适的阈值选取规则；

步骤2，选择则一种合适的阈值的处理方式；

步骤3，选择一种合适的小波类型；

3.根据权利要求1所述的一种适用于OFDM通信系统的信道估计方法，其特征在于：所述方法适用于时变信道的梳状导频模式下的信道估计。