CN110380994B - 快速贝叶斯匹配追踪海上稀疏信道估计方法 - Google Patents

Abstract

本发明提出了快速贝叶斯匹配追踪海上稀疏信道估计方法，包括:建立海上无线通信信道脉冲响应模型；引入信道同维度独立分布的参数向量，并且设定参数向量为非零元素的概率；建立参数向量已知情况下信号概率分布，同时引入贝叶斯框架模型，建立参数向量、信道向量与接收信号之间的函数模型；对稀疏信道进行估计，通过奇异值分解算法优化观测矩阵并对其进行实时更新；通过不断计算测度基增量并对其进行实时更新，通过计算获得最优集合；通过最小均方误差计算方法计算信道估计参数。本发明能够实现在低信噪比环境下的信号重建，避免传统信道估计算法受到相干干扰的影响，克服了信道所产生的不确定性,提高信道估计精度，降低迭代运算的复杂度。

Description

快速贝叶斯匹配追踪海上稀疏信道估计方法

技术领域

本发明涉及无线通信信道估计技术领域，尤其涉及一种快速贝叶斯匹配追踪海上稀疏信道估计方法。

背景技术

在海上无线通信系统中，其性能很大程度上会受到无线信道的影响，接收端与发射端之间传输会因为频率选择性衰落或者阴影衰落等因素变得相对复杂。为了减少无线信道对信号传输带来的影响，通常是在接收端进行信道估计。信道估计通过接收数据中将假定的某个信道模型的模型参数估计出来的过程。信道估计技术是实现无线信道系统的一项关键技术。

大量的实际信道测量证明，由于无线宽带信号的传输，信道抽头呈现出稀疏分布，其稀疏特性表现为在拥有多条传播路径的信道中，只有少许路径能量较大，其他路径所拥有的能量较低或者接近于零。

稀疏信道估计一般是通过压缩感知的技术对稀疏信号在有限的采样频率里进行最大限度的信道估计，现有的稀疏信道估计一般分为三类，包括贪婪迭代算法、凸优化算法、基于贝叶斯框架的信道估计算法。现有的应用贝叶斯框架的信道估计算法是贝叶斯压缩感知算法通过设定固定观测矩阵，通过不断迭代更新测度基函数获得最优搜索集合进行信道估计，但是现有的贝叶斯压缩感知算法信道估计精度低以及算法复杂度高。

发明内容

本发明的目的一种快速贝叶斯匹配追踪海上稀疏信道估计方法，以解决信道估计精度低以及算法复杂度高的问题。

为了解决上述技术问题，本发明的技术方案为：一种快速贝叶斯匹配追踪海上稀疏信道估计方法，包括以下步骤：

步骤1：建立海上无线通信信道脉冲响应模型：

其中L表示系统的多径数，h_i和τ_i分别表示在t时刻的第i条路径的信道复增益和时延；导频辅助信道估计模型表示为:y＝φh+z；其中φ表示信道估计的观测矩阵，z表示高斯白噪声向量；

步骤2：引入信道同维度独立分布的参数向量s＝[s₀,s₁,s₂...,s_L-1]^T，并且设定参数向量在位置i上非零元素的概率表示：P[s_i＝1]＝p_1,i；

步骤3：建立参数向量已知情况下信号概率分布h|s＝CN(0,R_ss)，其中R_ss表示的协方差矩阵；同时引入贝叶斯框架模型，建立参数向量、信道向量与接收信号之间的函数模型：

步骤4：对稀疏信道进行估计，通过奇异值分解算法优化观测矩阵并对其进行实时更新，包括：

生成一个实数范围内的维度为M×N的高斯随机矩阵φ；

对φ进行奇异值分解φ＝UΣV^T，其中矩阵

求出矩阵Σ₁的均值，并找出所有不小于均值的奇异值，并统计奇异值的数目j；

构造一个维度为M×N的元素全为1的矩阵H，令矩阵H的前j列乘以加权系数k，得到新的矩阵H₁，将得到的H₁与观测矩阵点乘，得到更新的观测矩阵φ₁；

对φ₁再次进行奇异值分解φ₁＝U₁Σ₂V₁ ^T，其中

Σ₃＝diag(δ₁′,δ₂′,δ₃′,...,δ_τ′)，令δ₁′＝δ₂′...＝1，则得到新的观测矩阵φ′。

步骤5：通过不断计算测度基增量并对其进行实时更新，获得最优集合；

步骤6：通过最小均方误差计算方法计算信道估计参数。

进一步地，在系统经过调制之后，系统插入导频序列进行离散傅里叶变换，并添加零保护间隔，最后通过信道传输到接收端后，在接收端再除去信号中的循环前缀进行离散傅里叶变换。

进一步地，步骤5包括：

定义G为参数向量的搜索集合，建立离散参数向量s关于接收信号的后验概率模型：

对后验概率模型的分子p(y|s)p(s)进行对数域转化，建立测度基函数μ(s,y)；

对于i＝1,2,...,L，有：

1)：初始化参数向量s为零向量，初始化搜索集

2)：引入相同参数向量

表示在其余元素位置相同的情况下在第i个位置与原参数向量拥有不同元素；

3):建立测度基增益函数：

4)：更新搜索集合：

计算参数向量s中第i个位置元素激活时，会产生L个不同的s向量，并代入增益函数更新,同时筛选出前K个最大的值构成搜索集合Gⁱ。多次迭代不断更新至设定的自适应终止参数R获得最优搜索集合G^R。

进一步地，通过上述步骤1至步骤5估计出参数向量s，根据参数向量对信道h进行估计；信道h的MMSE估计如下式：

其中

与现有技术相比，本发明的优点在于：

通过快速贝叶斯匹配追踪海上稀疏信道估计方法对稀疏信道进行估计，不仅能够实现在低信噪比环境下的信号重建，避免传统信道估计算法受到相干干扰的影响，还能够利用贝叶斯框架对信号的后验信息进行预测以克服信道所产生的不确定性。

与现有的贝叶斯压缩感知算法相比较，本发明所提出的快速贝叶斯匹配追踪海上稀疏信道估计方法能够采用优化后的观测矩阵进行估计，提高了观测矩阵的有限等距性质，同时将测度基函数的迭代更新优化转化为测度基增益函数的迭代更新，在提高信道估计精度的同时降低了迭代运算的复杂度。

附图说明

下面结合附图对发明作进一步地说明：

图1是本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法的步骤流程图；

图2是本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法、贝叶斯压缩感知算法以及正交匹配追踪算法信道估计性能仿真比较分析图。

具体实施方式

以下结合附图和具体实施例对本发明提出的快速贝叶斯匹配追踪海上稀疏信道估计方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于，本发明通过快速贝叶斯匹配追踪海上稀疏信道估计方法对稀疏信道进行估计，不仅能够实现在低信噪比环境下的信号重建，避免传统信道估计算法受到相干干扰的影响，还能够利用贝叶斯框架对信号的后验信息进行预测以克服信道所产生的不确定性。与现有的贝叶斯压缩感知算法相比较，本发明所提出的快速贝叶斯匹配追踪海上稀疏信道估计方法能够采用优化后的观测矩阵进行估计，提高了观测矩阵的有限等距性质，同时将测度基函数的迭代更新优化成为测度基增益函数的迭代更新，在提高信道估计精度的同时降低了迭代运算的复杂度。

图1是本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法的步骤流程图。

参考图1，快速贝叶斯匹配追踪海上稀疏信道估计方法包括：

S11：建立海上无线通信信道脉冲响应模型：

其中L表示系统的多径数，h_i和τ_i分别表示在t时刻的第i条路径的信道复增益和时延；导频辅助信道估计模型表示为:y＝φh+z；其中φ表示信道估计的观测矩阵，z表示高斯白噪声向量；

S12：引入信道同维度独立分布的参数向量s＝[s₀,s₁,s₂...,s_L-1]^T，并且设定参数向量在位置i上非零元素的概率表示：P[s_i＝1]＝p_1,i；

S13：建立参数向量已知情况下信号概率分布h|s＝CN(0,R_ss)，其中R_ss表示的协方差矩阵；同时引入贝叶斯框架模型，建立参数向量、信道向量与接收信号之间的函数模型：

S14：对稀疏信道进行估计，通过奇异值分解算法优化观测矩阵并对其进行实时更新，包括：

生成一个实数范围内的维度为M×N的高斯随机矩阵φ；

对φ进行奇异值分解φ＝UΣV^T，其中矩阵

求出矩阵Σ₁的均值，并找出所有不小于均值的奇异值，并统计奇异值的数目j；

构造一个维度为M×N的元素全为1的矩阵H，令矩阵H的前j列乘以加权系数k，得到新的矩阵H₁，将得到的H₁与观测矩阵点乘，得到更新的观测矩阵φ₁；

对φ₁再次进行奇异值分解φ₁＝U₁Σ₂V₁ ^T，其中

Σ₃＝diag(δ₁′,δ₂′,δ₃′,...,δ_τ′)，令δ₁′＝δ₂′...＝1，则得到新的观测矩阵φ′。

S15：通过不断计算测度基增量并对其进行实时更新，获得最优集合；

S16：通过最小均方误差计算方法计算信道估计参数。

在S11中，同时在系统经过调制之后，系统插入导频序列进行离散傅里叶变换，并且为了避免码间干扰添加零保护间隔，最后通过信道传输后，再出去信号中的循环前缀进行离散傅里叶变换。

在S12中，引入一个新的与h同维数的独立分布参数向量s＝[s₀,s₁,s₂...,s_L-1]^T来体现h的稀疏性，即s_i＝1时信道矩阵h在i的位置是非零元素。当s_i＝1的概率为p_1,i,那么P[s_i＝0]的概率则表示为1-p_1,i。

P[s_i＝1]＝p_1,i→h_i≠0

P[s_i＝0]＝1-p_1,i→h_i≠0

在S13中，获得信道概率分布与接收信号联合分布函数

其中

是由输入信号矩阵h、协方差矩阵R_ss和噪声方差参数σ²I_M组合而成：

S15包括：

步骤5.1：定义G为参数向量的搜索集合，同时参数向量的后验概率为

对其分子进行对数域变换：

定义为搜索集合G的测度基函数μ(s,y)；

步骤5.2：对于i＝1,2,...,L有：

1)：初始化搜索集

初始化参数向量s为零向量，则有

同时测度基初始值为：

2)：引入相同参数向量

表示在其余元素位置相同的情况下在第i个位置与原参数向量拥有不同元素。

3):对于任意i和参数向量s，通过

得到

将其通过转置运算获得

同时引入三个新的量为b_i、β_i、c_i，分别定义为：

c_i＝b_i ^Tφ_i′

化简

为

最后代入测度基函数得到：

根据上述公式获得

的测度基增益函数：

首先从s＝0开始，每激活s向量中的一个元素，每次即会产生L个不同的s向量，并且将这些s向量代入测度基增益函数，从而计算出L个不同的Δ(s)。然后选择其中前K个最大的测度基，并找出其所各自应的K个s向量构成集合G⁽¹⁾。随即进行下一次迭代，激活G⁽¹⁾中每个不同的s向量的另一个元素为1，并通过计算测度基选择前K个最大值，组成G⁽²⁾。以此类推，计算出最优搜索基集合；

通过上述步骤1至步骤5估计出参数向量s，根据参数向量对信道h进行估计；信道h的MMSE估计如下式：

其中

图2是本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法、贝叶斯压缩感知算法以及正交匹配追踪算法信道估计性能仿真比较分析图。参照图2，在仿真实验中，设定信道长度为64，信道中非零元素的位置选择使用高斯随机分布产生，设定稀疏度p₁为0.01，同时利用三种算法对相同随机稀疏信道进行参数估计并比较三者的性能。在图2中，本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法得到的平均均方误差最低，贝叶斯压缩感知算法得到的平均均方误差最高，因此利用本发明实施例提供的快速贝叶斯匹配追踪海上稀疏信道估计方法对稀疏信道进行估计，信道估计精度低并且算法复杂度低。

由于无线宽带信号的传输，信道抽头呈现出稀疏分布，本文所提出的基于观测矩阵优化的快速贝叶斯匹配追踪信道估计算法，充分利用了稀疏信道模型的信息，对观测矩阵进行奇异值分解优化，并且利用贝叶斯框架对多径信道进行估计，并且估计信道多径抽头的稀疏，然后通过迭代更新的方式利用参数向量的每个位置非零元素概率，引入测度基对搜索集合不断更新，最终获得最优集合并且完成信道估计。

Claims (4)

1.一种快速贝叶斯匹配追踪海上稀疏信道估计方法，其特征在于，包括以下步骤：

步骤1：建立海上无线通信信道脉冲响应模型：

其中L表示系统的多径数，h_i和τ_i分别表示在t时刻的第i条路径的信道复增益和时延；导频辅助信道估计模型表示为:y＝φh+z；其中φ表示信道估计的观测矩阵，z表示高斯白噪声向量；

步骤2：引入信道同维度独立分布的参数向量s＝[s₀,s₁,s₂...,s_L-1]^T，并且设定参数向量在位置i上非零元素的概率表示：P[s_i＝1]＝p_1,i；

步骤3：建立参数向量已知情况下信号概率分布h|s＝CN(0,R_ss)，其中R_ss表示的协方差矩阵；同时引入贝叶斯框架模型，建立参数向量、信道向量与接收信号之间的函数模型：

步骤4：对稀疏信道进行估计，通过奇异值分解算法优化观测矩阵并对其进行实时更新，包括：

生成一个实数范围内的维度为M×N的高斯随机矩阵φ；

对φ进行奇异值分解φ＝UΣV^T，其中矩阵

求出矩阵Σ₁的均值，并找出所有不小于均值的奇异值，并统计奇异值的数目j；

构造一个维度为M×N的元素全为1的矩阵H，令矩阵H的前j列乘以加权系数k，得到新的矩阵H₁，将得到的H₁与观测矩阵点乘，得到更新的观测矩阵φ₁；

对φ₁再次进行奇异值分解φ₁＝U₁Σ₂V₁ ^T，其中

Σ₃＝diag(δ₁′,δ₂′,δ₃′,...,δ_τ′)，令δ₁′＝δ₂′...＝1，则得到新的观测矩阵φ′；

步骤5：通过不断计算测度基增量并对其进行实时更新，获得最优集合；

步骤6：通过最小均方误差计算方法计算信道估计参数。

2.如权利要求1所述的快速贝叶斯匹配追踪海上稀疏信道估计方法，其特征在于，在系统经过调制之后，系统插入导频序列进行离散傅里叶变换，并添加零保护间隔，最后通过信道传输到接收端后，在接收端再除去信号中的循环前缀进行离散傅里叶变换。

3.如权利要求1所述的快速贝叶斯匹配追踪海上稀疏信道估计方法，其特征在于，步骤5包括：

定义G为参数向量的搜索集合，建立离散参数向量s关于接收信号的后验概率模型：

对后验概率模型的分子p(y|s)p(s)进行对数域转化，建立测度基函数μ(s,y)；

对于i＝1,2,...,L，有：

1)：初始化参数向量s为零向量，初始化搜索集

2)：引入相同参数向量

表示在其余元素位置相同的情况下在第i个位置与原参数向量拥有不同元素；

3):建立测度基增益函数：

4)：更新搜索集合：

计算参数向量s中第i个位置元素激活时，会产生L个不同的s向量，并代入增益函数更新,同时筛选出前K个最大的值构成搜索集合Gⁱ，多次迭代不断更新至设定的自适应终止参数R获得最优搜索集合G^R。

4.如权利要求1所述的快速贝叶斯匹配追踪海上稀疏信道估计方法，其特征在于，通过上述步骤1至步骤5估计出参数向量s，根据参数向量对信道h进行估计；信道h的MMSE估计如下式：

其中

Images