CN110138693A - 结构化压缩感知信道估计方法及装置、存储介质和终端 - Google Patents

结构化压缩感知信道估计方法及装置、存储介质和终端 Download PDF

Info

Publication number
CN110138693A
CN110138693A CN201910529999.1A CN201910529999A CN110138693A CN 110138693 A CN110138693 A CN 110138693A CN 201910529999 A CN201910529999 A CN 201910529999A CN 110138693 A CN110138693 A CN 110138693A
Authority
CN
China
Prior art keywords
matrix
norm
residual error
cir
iteration
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.)
Granted
Application number
CN201910529999.1A
Other languages
English (en)
Other versions
CN110138693B (zh
Inventor
章歆羡
唐加山
卢美玲
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.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910529999.1A priority Critical patent/CN110138693B/zh
Publication of CN110138693A publication Critical patent/CN110138693A/zh
Application granted granted Critical
Publication of CN110138693B publication Critical patent/CN110138693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Complex Calculations (AREA)

Abstract

一种结构化压缩感知信道估计方法及装置、存储介质和终端，所述方法包括：获取输入的观测矩阵和传感矩阵；在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。上述的方案，可以自适应地获取信道稀疏度进行压缩感知信道估计。

Description

结构化压缩感知信道估计方法及装置、存储介质和终端
技术领域
本发明属于通信技术领域，特别是涉及一种结构化压缩感知信道估计方法及装置、存储介质和终端。
背景技术
在Large-scale MIMO中，BS和用户需要通过信道状态信息(CSI)来进行信号检测、预编码和资源分配等，但是随着发送天线数的增加，在下行链路估计信道变得非常地困难。为了避开这一问题，现在的研究大多数都采用时分双工(TDD)模式，BS在上行链路可以相对容易地获取信道状态信息CSI，然后通过信道的互易性直接将CSI反馈给用户，这一过程不需要下行链路信道估计。但是在TDD模式中，通过信道的互易性获取的下行链路CSI并不是十分精确，甚至有很严重的失真，同时，频分双工(FDD)才是无线蜂窝系统的主流。大量的研究表明，无线宽带信道在时延域具有稀疏性，这是因为在无线信号传播环境中重要散射体的数量有限，所以占据主要功率的多径数目有限，而且最早的多径到达时间和最晚的多径到达时间的差值很大，这导致信道的时延扩展很大，同时信道还表现出空时相关性。
压缩感知是近十多年来工程技术领域的关键技术之一，将压缩感知和信道的上述特性相结合可以对信道进行精准地估计，同时采用此技术的系统属于FDD系统。
然而，压缩感知技术需要提前知道信道的稀疏度，但这在实际应用中是不切实际的，所以如何让该技术自适应地获得信道稀疏度变成了一项难题。
发明内容
本发明解决的技术问题是如何自适应地获取信道稀疏度进行压缩感知信道估计。
为了达到上述目的，本发明提供了一种结构化压缩感知信道估计方法，所述方法包括：
获取输入的观测矩阵和传感矩阵；
在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
可选地，所述在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，包括：
初始化CIR等效矩阵和残差，设置CIR等效矩阵初始值为零，且残差为所述观测矩阵，并创建外部迭代次数变量t；
令外部迭代次数t＝1；
计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵；
计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；
求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值；
初始化，创建内部迭代次数变量k；
令k＝1；
将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U；
将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中；
基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合；
基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵；
将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中；
基于所述最终索引集合求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)；
判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数；
当确定执行当前次内部迭代得到的残差的F范数小于执行当上一次内部迭代得到的残差的F范数时，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值小于所述第二阈值时，将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值大于或等于所述第二阈值时，判断k＞s；当确定k＞s时，可以结束操作；当确定k≤s时，令k＝k+1，并从所述将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U开始重新执行；
当确定执行当前次内部迭代得到的残差的F范数大于或等于执行当上一次内部迭代得到的残差的F范数时，设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从所述计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵重新开始执行。
可选地，所述第一阈值为
本发明实施例还提供了一种结构化压缩感知信道估计装置，所述装置包括：
获取单元，适于获取输入的观测矩阵和传感矩阵；
估计单元，适于在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
可选地，所述估计单元，适于初始化CIR等效矩阵和残差，设置CIR等效矩阵初始值为零，且残差为所述观测矩阵，并创建外部迭代次数变量t；令外部迭代次数t＝1；计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵；计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值；初始化，创建内部迭代次数变量k；令k＝1；将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U；将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中；基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合；基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵；将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中；基于所述最终索引集合，求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)；判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数；当确定执行当前次内部迭代得到的残差的F范数小于执行当上一次内部迭代得到的残差的F范数时，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值小于所述第二阈值时，将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值大于或等于所述第二阈值时，判断k＞s；当确定k＞s时，可以结束操作；当确定k≤s时，令k＝k+1，并从所述将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U开始重新执行；当确定执行当前次内部迭代得到的残差的F范数大于或等于执行当上一次内部迭代得到的残差的F范数时，设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从所述计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵重新开始执行。
可选地，所述第一阈值为
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一项所述的结构化压缩感知信道估计方法的步骤。
本发明实施例还提供了一种终端，其特征在于，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一项所述的结构化压缩感知信道估计方法的步骤。
与现有技术相比，本发明的有益效果为：
上述的方案，通过获取输入的观测矩阵和传感矩阵，并在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，可以实现自适应地获取信道稀疏度进行压缩感知信道的估计。
附图说明
为了更清楚地说明本申请实施例中的技通过获取输入的观测矩阵和传感矩阵，并在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，可以实现自适应地获取信道稀疏度进行压缩感知信道的估计术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1本发明实施例的一种结构化压缩感知信道估计方法的流程示意图；
图2本发明实施例的另一种结构化压缩感知信道估计方法的流程示意图；
图3本发明实施例的一种结构化压缩感知信道估计装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本发明实施例中有关方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
如背景技术所述，现有技术中的压缩感知技术需要提前知道信道的稀疏度，但这在实际应用中是不切实际的，所以如何让该技术自适应地获得信道稀疏度变成了一项难题。
本发明的技术方案通过获取输入的观测矩阵和传感矩阵，并在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，可以实现自适应地获取信道稀疏度进行压缩感知信道的估计。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种结构化压缩感知信道估计方法的流程示意图。参见图1，一种结构化压缩感知信道估计方法，具体可以包括如下的步骤：
步骤S101：获取输入的观测矩阵和传感矩阵。
步骤S102：在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
上述的方案，通过获取输入的观测矩阵和传感矩阵，并在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，可以实现自适应地获取信道稀疏度进行压缩感知信道的估计。
下面将对本发明实施例中的结构化压缩感知信道估计方法进行进一步详细的介绍。
为了便于理解，下面首先对本发明实施例中的结构化压缩感知信道估计问题进行建模。
具体而言，在接收端，经过去除循环前缀和DFT解调后，通过M根天线传输的第k个OFDM符号的接收导频信号可以表示为：
其中，表示将导频序列pm作为主对角线元素的对角阵，F是N×N的离散傅里叶变换(DFT)矩阵，是取F的前L列组成的子矩阵，同时是根据导频索引集合Ω从FL中取出的行组成的子矩阵，即：
其中，是高斯加性白噪声。
同时，公式(1)也可以写成：
且：
同时有：
在大规模(Large-scale)MIMO中，天线数M往往很大而导频数Np很有限，所以Np＜＜ML，要想通过传统的LS信道估计算法将(3)式中的计算出来是不可能的。我们注意到是稀疏信号，所以也是稀疏信号，我们可以通过SCS理论对进行求解。根据MIMO信道的空间联合稀疏性，不同的发射-接收天线对之间的CIR具有相同的支持集，于是我们可以对进行行变换，组成一个新矩阵，即：
其中，表示从中以L为周期取元素组成的矩阵，所以也可以看成是L×1的分块矩阵，每个块矩阵是M×1维的，同时这M个元素是全0的或全部非0的，所以是一个块稀疏信号。同理，我们也可以对Φ按列重新排列成Ψ，即
其中，同时Ψ也可以看成是由L个子矩阵组成的分块矩阵，因此，公式(3)可以变为：
结合无线信道的时间联合稀疏性，考虑连续R个OFDM符号传输(R由路径延迟的相干时间决定)，那么最终接收的R个符号的导频为
Y＝ΨX+W (9)
其中，叫做观测矩阵，等效CIR矩阵为表示高斯白噪声矩阵。
同时，等效CIR矩阵X也可以看成是一个L×1维的块矩阵，每一块是对X按顺序取前M行的M×R维的子矩阵，即：
其中，
下面就是本发明实施例中的一种结构化压缩感知信道估计方法，求解等效CIR矩阵X的过程的流程。具体而言，可以包括：
步骤S201：获取的输入的观测矩阵和传感矩阵，创建外部迭代次数变量t，并设置等效CIR矩阵和残差的初始值。
在具体实施中，观测矩阵用Y进行表示，采用Ψ表示输入的传感矩阵，等效CIR矩阵的初始值残差的初始值R＝Y。
步骤S202：令外部迭代次数t＝1；
步骤S203：计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵。
在具体实施中，在执行当前次迭代，即t次迭代时，对应的等效CIR矩阵X和残差R为(t-1)次迭代得到的CIR矩阵Xt-1和残差Rt-1。其中，当t＝1，即执行第一次迭代时，所述对应的等效CIR矩阵X和残差R为初始化得到的等效CIR矩阵X和残差R。
在具体实施中，L×1的第一块矩阵为所述传感矩阵的共轭转置矩阵与残差的内积，即：
V＝ΨHR(11)
其中，V表示所述L×1的块矩阵，Ψ表示所述传感矩阵，ΨH表示所述传感矩阵的共轭转置矩阵。
步骤S204：计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中。
在具体实施中，对所述L×1的块矩阵V的L个块矩阵作F范数，将F范数大于所述第一阈值的块矩阵的索引记录到集合Ωt中，即：
其中，表示所述第一阈值，M表示导频的个数。
步骤S205：求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值。
在具体实施中，求出t次迭代对应稀疏度估计值为：
其中，st表示t次迭代对应稀疏度估计值，表示(t-1)次迭代得到的CIR等效矩阵的支撑集。
在当前次对应的稀疏度估计值下，对所述CIR等效矩阵和残差所述残差执行多次内部迭代运算，当执行当前次内部迭代运算得到的残差大于或等于执行上一次内部迭代运算得到的残差时，将执行上一次内部迭代运算得到的CIR等效矩阵和残差作为下一次迭代对应的CIR等效矩阵和残差，并从所述基于当前次迭代对应的CIR等效矩阵和残差，计算得到当前次对应的稀疏度估计值开始执行，直至执行当前次内部迭代运算得到的残差小于执行上一次内部迭代运算得到的残差，且执行当前次内部迭代运算得到的CIR等效矩阵中块矩阵的最小F范数小于预设的第二阈值，具体可以包括：
步骤S206：初始化，创建内部迭代次数变量k。
步骤S207：令k＝1；
步骤S208：将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U，将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中，即：
步骤S209：基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合，即：
Γ＝Λ∪supp(X(k-1)) (15)
其中，Γ表示所述候选集合，supp(X(k-1)表示第(k-1)次内部迭代得到的CIR等效矩阵的支撑集。
步骤S210：基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵。
具体而言，首先根据候选集合Γ从传感矩阵Ψ中取出列向量组成一个新的矩阵ΨΓ。
接着，运用最小二乘法(LS)求出L×1的第三块矩阵即：
步骤S211：将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中，即：
步骤S212：基于所述最终索引集合求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)，即：
R(k)＝Y-ΨX(k) (19)
步骤S213：判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数，即：
||R(k)||F＜||R(k-1)||F (20)
当判断结果为否时，可以执行步骤S214；反之，则可以执行步骤S215。
步骤S214：设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从步骤S203重新开始执行。
步骤S215：判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当判断结果为是时，可以执行步骤S216；判断结果为否时，可以执行步骤S217。
在具体实施中，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值，即：
其中，表示当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值，η表示第二阈值。
步骤S216：将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出。
步骤S217：判断k＞s；当判断结果为是时，可以结束操作；当判断结果为否时，可以执行步骤S218。
步骤S218：令k＝k+1，并从步骤S208重新开始执行。
算法结束后，根据公式(1)-(10)将CIR等效矩阵估计值转化对应的信道估计结果即可。
上述对本发明实施例中的结构化压缩感知信道估计方法进行了详细的描述。下面将对上述的方法对应的装置进行介绍。
图3示出了本发明实施例中的一种结构化压缩感知信道估计装置的结构示意图。参见图3，所述一种结构化压缩感知信道估计装置30可以包括：
获取单元301，适于获取输入的观测矩阵和传感矩阵；
估计单元302，适于在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
在本发明一实施例中，所述估计单元302，适于初始化CIR等效矩阵和残差，设置CIR等效矩阵初始值为零，且残差为所述观测矩阵，并创建外部迭代次数变量t；令外部迭代次数t＝1；计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵；计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值；初始化，创建内部迭代次数变量k；令k＝1；将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U；将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中；基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合；基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵；将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中；基于所述最终索引集合，求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)；判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数；当确定执行当前次内部迭代得到的残差的F范数小于执行当上一次内部迭代得到的残差的F范数时，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值小于所述第二阈值时，将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值大于或等于所述第二阈值时，判断k＞s；当确定k＞s时，可以结束操作；当确定k≤s时，令k＝k+1，并从所述将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U开始重新执行；当确定执行当前次内部迭代得到的残差的F范数大于或等于执行当上一次内部迭代得到的残差的F范数时，设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从所述计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵重新开始执行。在本发明另一实施例中，所述第一阈值为所述第二阈值可以根据实际的需要进行设置。
在本发明另一实施例中，所述估计单元302，适于计算所述L×1的块矩阵中L个块矩阵的F范数，将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次对应的稀疏度估计值。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一项所述的结构化压缩感知信道估计方法的步骤。
本发明实施例还提供了一种终端，其特征在于，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一项所述的结构化压缩感知信道估计方法的步骤。
采用本发明中的上述的方案，通过获取输入的观测矩阵和传感矩阵，并在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，可以在信道稀疏度未知的情况下，实现压缩感知信道的估计。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。

Claims (8)

1.一种结构化压缩感知信道估计方法，其特征在于，包括：
获取输入的观测矩阵和传感矩阵；
在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
2.根据权利要求1所述的结构化压缩感知信道估计方法，其特征在于，所述在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计，包括：
初始化CIR等效矩阵和残差，设置CIR等效矩阵初始值为零，且残差为所述观测矩阵，并创建外部迭代次数变量t；
令外部迭代次数t＝1；
计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵；
计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；
求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值；
初始化，创建内部迭代次数变量k；
令k＝1；
将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U；
将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中；
基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合；
基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵；
将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中；
基于所述最终索引集合求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)；
判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数；
当确定执行当前次内部迭代得到的残差的F范数小于执行当上一次内部迭代得到的残差的F范数时，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值小于所述第二阈值时，将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出；
当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值大于或等于所述第二阈值时，判断k＞s；当确定k＞s时，可以结束操作；当确定k≤s时，令k＝k+1，并从所述将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U开始重新执行；
当确定执行当前次内部迭代得到的残差的F范数大于或等于执行当上一次内部迭代得到的残差的F范数时，设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从所述计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵重新开始执行。
3.根据权利要求2所述的结构化压缩感知信道估计方法，其特征在于，所述第一阈值为
4.一种结构化压缩感知信道估计装置，其特征在于，包括：
获取单元，适于获取输入的观测矩阵和传感矩阵；
估计单元，适于在残差单调递减的条件下，基于所述观测矩阵和所述传感矩阵对压缩感知信道进行估计。
5.根据权利要求4所述的结构化压缩感知信道估计装置，其特征在于，所述估计单元，适于初始化CIR等效矩阵和残差，设置CIR等效矩阵初始值为零，且残差为所述观测矩阵，并创建外部迭代次数变量t；令外部迭代次数t＝1；计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵；计算所述L×1的第一块矩阵中L个块矩阵的F范数，并将F范数大于预设的第一阈值的块矩阵索引添加至第一索引集合中；求解所述第一索引集合与所述CIR等效矩阵的支撑集的并集的L0范数，得到当前次外部迭代对应的稀疏度估计值；初始化，创建内部迭代次数变量k；令k＝1；将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U；将L×1的第二块矩阵U中F范数最大的前st个块元素的索引存在第二索引集合Λ中；基于所述第二索引集合和第(k-1)次内部迭代得到的CIR等效矩阵，生成对应的候选集合；基于所述候选集合和所述传感矩阵，生成L×1的第三块矩阵；将L×1的第三块矩阵中F范数最大的前st个块元素的索引存在最终索引集合中；基于所述最终索引集合求出当前稀疏度st下的CIR等效矩阵估计值X(k)和残差R(k)；判断执行当前次内部迭代得到的残差的F范数是否小于执行当上一次内部迭代得到的残差的F范数；当确定执行当前次内部迭代得到的残差的F范数小于执行当上一次内部迭代得到的残差的F范数时，判断当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值是否小于预设的第二阈值；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值小于所述第二阈值时，将执行当前次内部迭代得到的CIR等效矩阵估计值X(k)作为信道估计的最终结果进行输出；当确定当前稀疏度st下的CIR等效矩阵估计值的F范数的最小值大于或等于所述第二阈值时，判断k＞s；当确定k＞s时，可以结束操作；当确定k≤s时，令k＝k+1，并从所述将所述传感矩阵的共轭转置矩阵ΨH与第(k-1)次内部迭代得到的残差R(k-1)作内积得到L×1的第二块矩阵U开始重新执行；当确定执行当前次内部迭代得到的残差的F范数大于或等于执行当上一次内部迭代得到的残差的F范数时，设置CIR等效矩阵和残差分别为执行上一次内部迭代得到的CIR等效矩阵和残差，且t＝t+1，并从所述计算所述传感矩阵的共轭转置矩阵与上一次外部迭代得到的残差的内积，得到L×1的第一块矩阵重新开始执行。
6.据权利要求5所述的结构化压缩感知信道估计装置，其特征在于，所述第一阈值为
7.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至3任一项所述的结构化压缩感知信道估计方法的步骤。
8.一种终端，其特征在于，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利要求1至3任一项所述的结构化压缩感知信道估计方法的步骤。
CN201910529999.1A 2019-06-19 2019-06-19 结构化压缩感知信道估计方法及装置、存储介质和终端 Active CN110138693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910529999.1A CN110138693B (zh) 2019-06-19 2019-06-19 结构化压缩感知信道估计方法及装置、存储介质和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910529999.1A CN110138693B (zh) 2019-06-19 2019-06-19 结构化压缩感知信道估计方法及装置、存储介质和终端

Publications (2)

Publication Number Publication Date
CN110138693A true CN110138693A (zh) 2019-08-16
CN110138693B CN110138693B (zh) 2021-12-07

Family

ID=67578079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910529999.1A Active CN110138693B (zh) 2019-06-19 2019-06-19 结构化压缩感知信道估计方法及装置、存储介质和终端

Country Status (1)

Country Link
CN (1) CN110138693B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902397A (zh) * 2023-01-06 2023-04-04 四川大学 一种基于简化压缩感知模型的快速超谐波估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074358A1 (en) * 2008-09-25 2010-03-25 Nec Laboratories America, Inc. Sparse Channel Estimation for MIMO OFDM Systems
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN109617850A (zh) * 2019-01-07 2019-04-12 南京邮电大学 基于自适应压缩感知的ofdm稀疏信道估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074358A1 (en) * 2008-09-25 2010-03-25 Nec Laboratories America, Inc. Sparse Channel Estimation for MIMO OFDM Systems
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN109617850A (zh) * 2019-01-07 2019-04-12 南京邮电大学 基于自适应压缩感知的ofdm稀疏信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU-PEI LIN 等: "Compressive Sensing based Location Estimation using Channel Impulse Response Measurements", 《IEEE》 *
戈立军等: "大规模MIMO系统稀疏度自适应信道估计算法", 《通信学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902397A (zh) * 2023-01-06 2023-04-04 四川大学 一种基于简化压缩感知模型的快速超谐波估计方法

Also Published As

Publication number Publication date
CN110138693B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
US8619918B2 (en) Sparse channel estimation for MIMO OFDM systems
CN113242191B (zh) 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法
CN110677361B (zh) 正交时频空系统的信号均衡方法、均衡器及存储介质
CN106453162B (zh) 针对多输入多输出正交频分复用系统的信道估计方法
CN110380997B (zh) 基于自适应压缩感知的毫米波信道估计方法
WO2015165354A1 (zh) 一种功率时延谱pdp估计方法及装置
CN104869086B (zh) 基于二维压缩感知的mimo‑ofdm通信系统下行信道估计方法、装置
CN102244624A (zh) 基于正交匹配追踪的稀疏信道估计方法
WO2011054279A1 (zh) 基于多相分解的多天线信道估计方法
CN104836760B (zh) 一种信道估计方法及装置
CN106972875B (zh) 一种mimo系统下多维联合估计动态稀疏信道的方法
CN110138693B (zh) 结构化压缩感知信道估计方法及装置、存储介质和终端
JP5723371B2 (ja) Ｏｆｄｍ通信システムにおいて通信路を推定するためのプロセス、およびそのための受信機
CN108566347B (zh) 一种多用户ofdm系统双选择稀疏信道的导频设计方法
CN106534028B (zh) 基于压缩感知的ofdm信道跟踪方法
Soto-Quiros et al. Improvement in accuracy for dimensionality reduction and reconstruction of noisy signals. Part II: the case of signal samples
CN113055318B (zh) 一种信道估计方法
Yan et al. Inter-carrier interference-aware sparse time-varying underwater acoustic channel estimation based on fast reconstruction algorithm
JP4213747B2 (ja) 複雑度を低減したスライディングウィンドウベースの等化器
CN116248210A (zh) 大规模多发多收系统信道预测方法、系统及介质
CN105743823A (zh) 一种信道估计方法及装置
WO2017101097A1 (zh) 一种信道统计信息获取方法和接收机
CN113472703A (zh) 一种ofdm信道估计方法
CN103391266B (zh) 一种频域信道响应的获取方法和设备
Li et al. A modified structured SAMP channel estimation method for FDD MIMO-OTFS systems

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