CN113242191B - 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 - Google Patents
一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 Download PDFInfo
- Publication number
- CN113242191B CN113242191B CN202110495181.XA CN202110495181A CN113242191B CN 113242191 B CN113242191 B CN 113242191B CN 202110495181 A CN202110495181 A CN 202110495181A CN 113242191 B CN113242191 B CN 113242191B
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- channel estimation
- parameter matrix
- underwater acoustic
- 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
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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
- H04L27/2605—Symbol extensions, e.g. Zero Tail, Unique Word [UW]
- H04L27/2607—Cyclic extensions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种改进的时序多重稀疏贝叶斯学习水声信道估计方法,包括:根据已知导频矩阵和信道时域脉冲响应,构建接收导频矩阵和感知矩阵;对接收导频矩阵进行奇异值分解,生成接收导频重构矩阵,并结合已知导频矩阵,确定初始超参数矩阵,并对感知矩阵进行初始化,记作初始化感知矩阵;根据初始超参数矩阵、接收导频重构矩阵以及初始化感知矩阵,计算信道抽头系数、第一中间参数矩阵和迭代均值;更新初始超参数矩阵及对应的噪声方差,并计算当前迭代误差,当判定当前迭代误差小于或等于停止阈值时,根据信道抽头系数,确定联合信道估计。通过本申请中的技术方案,提高水声信道估计精度,降低硬件资源占用率,减少信道估计过程中的迭代次数。
Description
技术领域
本申请涉及水声信道估计的技术领域,具体而言,涉及一种改进的时序多重稀疏贝叶斯学习水声信道估计方法。
背景技术
北极地区在航道、资源、军事及科研等方面存在巨大的开发空间。全球气候变暖为极地开发提供了契机。水声通信是人们进行北极冰下作业信息传输的重要手段。由于北极海水表面的冰盖避免了海风和浪涌的影响,为冰下水声信号传播提供了较为稳定的环境,相邻符号的信道具有较强的相关性。如何利用冰下水声信道的特点,准确地估计信道是提升通信系统的性能的关键。
众多研究和信道实测数据表明了浅海水声信道具有稀疏特性。国内外众多学者对稀疏水声信道估计进行了大量的研究,目前常用的水声信道估计方法包括:
1、采用的匹配追踪(Matching pursuit,MP)算法获得信道脉冲响应,相比较于传统的最小二乘法(Least Square,LS)信道估计方法,该方法信道估计精度更高。
2、基于正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的信道估计方法,有效克服MP算法的原子重选择问题,收敛速度更快,同时提高了信道估计的准确度。
但是,上述算法需要事先知道水声信道稀疏度,然而,在实际的水下通信过程中难以获得水声信道的稀疏度。
近些年,矢量稀疏贝叶斯学习(Temporal Multiple Sparse Bayesian Learning,TMSBL)算法被越来越多的用于稀疏信号重建。TMSBL信道估计利用期望最大(Expectation-Maximization,EM)算法,对估计参数进行更新,而EM算法的迭代速度依赖于参数初始值的选择,但是TMSBL信道估计方法将超参数矩阵初始化为全一矩阵,没有利用水声信道的先验知识,意味着需要估计所有的信道位置以及信道抽头系数,导致水声信号重建估计过程中迭代次数多、计算复杂度高,占用了大量的硬件资源。
发明内容
本申请的目的在于:充分利用水声信息,提高水声信道估计精度和效率,降低硬件资源占用率,减少信道估计过程中的迭代次数。
本申请的技术方案是:提供了一种改进的时序多重稀疏贝叶斯学习水声信道估计方法,该方法包括:步骤1,根据已知导频矩阵和信道时域脉冲响应,基于正交多载波模型,构建接收导频矩阵和感知矩阵;步骤2,对接收导频矩阵进行奇异值分解,生成接收导频重构矩阵,并结合已知导频矩阵,计算水声信道的时域脉冲响应,结合设定的能量阈值,确定初始超参数矩阵,并对感知矩阵进行初始化,记作初始化感知矩阵;步骤3,根据初始超参数矩阵、接收导频重构矩阵以及初始化感知矩阵,采用迭代运算,计算信道抽头系数和第一中间参数矩阵,并根据信道抽头系数,计算迭代均值;步骤4,根据信道抽头系数和第一中间参数矩阵,更新初始超参数矩阵及对应的噪声方差,并根据迭代均值,计算当前迭代误差,判断当前迭代误差是否小于或等于停止阈值,若是,根据信道抽头系数,确定联合信道估计。
上述任一项技术方案中,进一步地,步骤2中,确定初始化感知矩阵的方法,具体包括:
步骤21,利用信道估计算法,根据已知导频矩阵和接收导频重构矩阵,获得水声信道的时域脉冲响应;
步骤22,根据水声信道的时域脉冲响应,计算信道能量,并根据设定的能量阈值,确定第二中间参数矩阵,根据第二中间参数矩阵确定初始超参数矩阵,并对感知矩阵进行初始化,记作初始化感知矩阵,其中,初始超参数矩阵Γ的计算公式为:
Γ=diag(ΩLS(i))
式中,Γ为初始超参数矩阵,diag()为对角矩阵函数,ΩLS(i)为第二中间参数矩阵,Q(i)为信道能量,为M维向量,i为信道能量Q(i)的列数,对应的计算公式为:
上述任一项技术方案中,进一步地,步骤22中,对感知矩阵进行初始化,具体包括:
根据第二中间参数矩阵中元素取值为0的元素位置,构建索引集合;
根据索引集合,剔除感知矩阵中对应的列元素,生成初始化感知矩阵。
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,为克罗内克积运算,β为信道抽头系数,为第k次迭代运算的迭代均值,vec(·)表示将矩阵按列堆叠成一个向量,为初始化感知矩阵,Γ为初始超参数矩阵,M为初始超参数矩阵的维度数,λ为噪声方差,I为单位矩阵,Ξx为第一中间参数矩阵,Y′为接收导频重构矩阵。
上述任一项技术方案中,进一步地,更新初始超参数矩阵Γ及对应的噪声方差λ的计算公式为:
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,L为正交频分复用符号个数,βj·为信道脉冲响应矩阵H中的第 j·行元素,B为初始块间相关矩阵,M为初始超参数矩阵的维度数,λ为噪声方差,P为导频个数,Tr(·)为矩阵的迹,γj为初始超参数矩阵Γ中维度为 j的非负超参数。
上述任一项技术方案中,进一步地,步骤4中还包括:
当判定当前迭代误差大于停止阈值时,根据更新后的初始超参数矩阵及对应的噪声方差,重新执行步骤3,进行下一次迭代运算。
上述任一项技术方案中,进一步地,步骤4中还包括:
当判定当前迭代误差大于停止阈值时,判断当前迭代次数是否小于最大迭代次数,若是,根据更新后的初始超参数矩阵及对应的噪声方差,重新执行步骤3,进行下一次迭代运算,若否,根据信道抽头系数,确定联合信道估计。
本申请的有益效果是:
本申请中的技术方案,通过在不同的正交多载波符号添加相同的导频信息来构造统一的感知矩阵,利用奇异值分解方法对接收矩阵进行去噪,结合最小二乘信道估计方法获得多测量矢量稀疏贝叶斯学习的初始化超参数矩阵、感知矩阵先验知识以减少EM算法的迭代次数,最后利用冰下水声信道的稀疏特性和强相关性,采用多测量矢量稀疏贝叶斯信道估计对冰下不同符号水声信道进行联合重建。
通过仿真验证结果表明,相比较于多测量矢量稀疏贝叶斯信道估计方法,本申请所给方法在计算复杂度下降约为65%的同时,信道估计精度上有4dB的信噪比增益并且误码率性能提升。相比较于传统的单矢量信道估计方法,本申请所提方法在信道估计精度和误码率等方面都有显著的性能提升。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请的一个实施例的改进的时序多重稀疏贝叶斯学习水声信道估计方法的示意流程图;
图2是根据本申请的一个实施例的信道估计误差的仿真图;
图3是根据本申请的一个实施例的不同信道估计方法的误码率的仿真图;
图4是根据本申请的一个实施例的不同信道估计方法运行时间的仿真图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本实施例提供了一种改进的时序多重稀疏贝叶斯学习水声信道估计方法,该方法包括:
步骤1,根据已知导频矩阵和信道时域脉冲响应,基于正交多载波模型,构建接收导频矩阵Y和感知矩阵Φ,其中,正交多载波模型的循环前缀大于信道的最大多径时延;
通过观测冰下水声信道脉冲响应特性,我们发现其脉冲响应在观测过程中其稀疏结构相对保持不变,因此可以通过多个不同的正交多载波 (Orthogonal FrequencyDivision Multiplexing,OFDM)符号对系统进行建模。设定载波个数为N、导频个数为P的循环前缀正交多载波(Cyclic Prefix Orthogonal Frequency Division Multiplexing,CP-OFDM)系统,接收端接收信号为y,假设CP-OFDM的循环前缀大于信道的最大多径时延,则系统模型的数学表达式为:
Y=XFpH+V=ΦH+V
Φ=XFp
式中,Y为L个正交频分复用符号构成的接收导频矩阵,为接收导频值,是已知导频矩阵,为对角化矩阵,其对角元素值是已知导频,为导频位置处所对应的DFT矩阵,H为信道脉冲响应矩阵,为信道时域脉冲响应,V为服从的高斯白噪声矩阵,Φ为感知矩阵。
通过上述过程,在发射端在不同的OFDM(正交频分复用)符号中调制相同的导频信息,一方面保证了在接收端可以构造统一的感知矩阵Φ,从而可以利用多重稀疏贝叶斯信道估计方法进行水声信道重构;另一方面保证了接收端的接收导频矩阵Y不同列之间具有高度的相关性。
本实施例中设定最大迭代次数为rmax,停止阈值为e。
步骤2,对接收导频矩阵Y进行奇异值分解,生成接收导频重构矩阵 Y′,并结合已知导频矩阵X,计算水声信道的时域脉冲响应hLS,根据设定的能量阈值T,确定初始超参数矩阵Γ,并对感知矩阵进行初始化,记作初始化感知矩阵
本实施例,利用SVD(奇异值分解)方法对接收导频矩阵Y进行奇异值分解,进行去噪与重构,得到接收导频重构矩阵Y′,降低了噪声对信道估计精度影响。随后根据LS(最小二乘)信道估计,利用接收导频重构矩阵Y′和已知导频矩阵X中的已知导频,获得稀疏贝叶斯(水声信道)的先验知识,从而剔除无效的字典原子与较小的超参数。最后将获得的先验知识,结合TMSBL(矢量稀疏贝叶斯)方法对不同OFDM(正交频分复用)符号进行联合信道估计。
对接收导频矩阵Y进行奇异值分解,对应的计算公式为:
Y=UWVT
W=diag(δ1,δ2,…δL)
计算半正定对角矩阵W中的元素的均值,保留所有大于均值的奇异值,组成重构矩阵W′:
式中,W″为对角矩阵,其对角元素为大于均值的奇异值。
根据重构矩阵W′,重构接收导频矩阵Y,生成接收导频重构矩阵Y′:
Y′=UW′VT
通过上述过程,可以充分利用接收矩阵的相关性。由于其信号的能量集中在较少的奇异值上,可以通过奇异值分解对接收导频矩阵进行去噪处理。降低噪声影响不仅可以降低系统的误码率,同时可以提高后续获得信道先验知识的准确性,从而可以降低后续多测量矢量稀疏贝叶斯信道估计的循环迭代次数。
本实施例,利用去噪后的接收导频重构矩阵Y′,进行LS(最小二乘) 信道估计,利用接收导频重构矩阵Y′和已知导频矩阵X中的已知导频,获取稀疏贝叶斯学习的先验知识,确定初始超参数矩阵,并对感知矩阵进行初始化,可以有效减少算法的迭代次数,从而降低系统的计算复杂度,并且能够降低噪声的影响。
本实施例还示出一种初始超参数矩阵的计算方法,该方法具体包括:
步骤21,利用LS(最小二乘)信道估计算法,根据已知导频矩阵和接收导频重构矩阵,获得水声信道的时域脉冲响应hLS:
hLS=IFFT(HLS)
HLS=(XTX)-1XTY′
式中,hLS为水声信道的时域脉冲响应,IFFT(·)为逆快速傅里叶变换,HLS为中间脉冲矩阵,X为已知导频矩阵,Y′为接收导频重构矩阵,其中,水声信道的时域脉冲响应hLS为M维向量。
步骤22,根据水声信道的时域脉冲响应hLS,计算信道能量Q(i),并根据设定的能量阈值T,确定第二中间参数矩阵,根据第二中间参数矩阵确定初始超参数矩阵Γ,并对感知矩阵进行初始化,记作初始化感知矩阵其中,初始超参数矩阵Γ的计算公式为:
Γ=diag(ΩLS(i))
式中,Γ为初始超参数矩阵,diag()为对角矩阵函数,ΩLS(i)为第二中间参数矩阵,信道能量Q(i)为M维向量,i为信道能量Q(i)的列数,对应的计算公式为:
本实施例中,根据第二中间参数矩阵对感知矩阵进行初始化,具体过程包括:
根据第二中间参数矩阵中元素取值为0的元素位置,构建索引集合;
具体的,索引集合α是一个向量,其元素取值为第二中间参数矩阵中元素为0的元素位置,设定第二中间参数矩阵中第1、4、6、7、19列的取值为0,即ΩLS{1,4,6,7,19}=0,此时,索引集合α={1,4,6,7,19}。因此,根据索引集合α,剔除感知矩阵Φ中对应的列元素并填充元素0,将剔除列元素后的感知矩阵记作初始化感知矩阵通过上述过程,删除感知矩阵Φ中无关的列元素,以减少水声信号重建估计过程中的计算量和迭代次数。
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,为克罗内克积运算,β为信道抽头系数,为矩阵形式,为第k次迭代运算的迭代均值,vec(·)表示将矩阵按列堆叠成一个向量,为初始化感知矩阵,Γ为初始超参数矩阵,M为初始超参数矩阵的维度数,λ为噪声方差,λ=10-3,I为单位矩阵,Ξx为第一中间参数矩阵,Y′为接收导频重构矩阵。
步骤4,根据信道抽头系数β和第一中间参数矩阵Ξx,更新初始超参数矩阵Γ及对应的噪声方差λ,并根据迭代均值计算当前迭代误差,判断当前迭代误差是否小于或等于停止阈值,若是,根据信道抽头系数β,确定联合信道估计若否,根据更新后的初始超参数矩阵Γ及对应的噪声方差λ,重新执行步骤3,进行下一次迭代运算。
具体的,当通过第k次迭代运算计算出信道抽头系数β和第一中间参数矩阵Ξx后,根据信道抽头系数β和第一中间参数矩阵Ξx,更新初始超参数矩阵Γ及对应的噪声方差λ,对应的计算公式为:
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,L为正交频分复用符号个数,βj.为信道脉冲响应矩阵H中的第 j·行元素,即信道抽头系数β中的第j列为信道脉冲响应矩阵H中的第j·
行,B为初始块间相关矩阵,B=IL,即L维单位矩阵,M为初始超参数矩阵的维度数,λ为噪声方差,P为导频个数,Tr(·)为矩阵的迹,γj为初始超参数矩阵Γ中维度为j的非负超参数,用于控制信道脉冲响应矩阵H中每行的稀疏性。
式中,ads(·)表示向量各个元素绝对值,max(·)为取最大值函数。
通过计算第k次迭代运算的当前迭代误差d,与停止阈值e进行比较,当判定当前迭代误差d小于停止阈值e时,则表明第k次迭代运算计算出的信道抽头系数β满足精度要求,能够确定出较为准确的联合信道估计否则,重新进行迭代运算,计算第k+1次的信道抽头系数β。
进一步的,本实施例中设定的判定迭代终止的参数包括最大迭代次数为rmax和停止阈值为e,因此,步骤4中还包括:
当判定当前迭代误差大于停止阈值时,判断当前迭代次数是否小于最大迭代次数,若是,根据更新后的初始超参数矩阵Γ及对应的噪声方差λ,重新执行步骤3,进行下一次迭代运算,若否,根据信道抽头系数β,确定联合信道估计即
对本实施例中的水声信道估计方法进行验证,通过仿真和海上试验结果表明,相比较于多测量矢量稀疏贝叶斯信道估计方法,本实施例所给方法在计算复杂度下降约为65%的同时,信道估计精度上有4dB的信噪比增益并且误码率性能提升。相比较于传统的单矢量信道估计方法,本实施例所提方法在信道估计精度和误码率等方面都有显著的性能提升。
为了验证本实施例所给算法的性能,选择LS信道估计方法、OMP信道估计方法、快速SBL信道估计方法以及TMSBL方法作为对比算法。其中仿真过程中,本实施例所给方法的能量系数设置为α=0.03。
从图2中可以看出,LS信道估计方法的均方误差MSE最大,这是由于 LS信道估计方法所获得的信道估计并非是稀疏的,没有利用信道的稀疏特性。而OMP信道估计方法的均方误差MSE小于LS信道估计,这是由于 OMP信道估计方法利用了信道的稀疏特性。OMP方法实际上是一种L1最小化算法,而SBL信道估计方法等价于一种迭代加权L1最小化算法,更容易获得真正的最稀疏解,并且不需要稀疏度先验知识,因此SBL信道估计方法的均方误差MSE则小于OMP信道估计方法。而TMSBL信道估计方法不仅利用冰下水声信道的稀疏特性,同时利用了不同符号间信道结构较为稳定的特点,从而获得较小的均方误差MSE。而本实施例所给信道估计方法,由于利用了SVD方法对接收矩阵进行了去噪,同时结合去噪后的 LS算法获得稀疏贝叶斯学习的先验知识,因此本实施例所给算法的均方误差MSE最小。
图3给出了仿真过程中的原始误码率对比图。从图3中可以看出上述算法均能对信道进行正确估计,并且误码率随着信噪比的提高而降低。结合图 2信道估计均方误差,可以看出,误码率的变化趋势和信道估计误差是一致的。LS信道估计方法的均方误差MSE最高,因此其误码率最高。而本实施例所给信道估计方法的均方误差MSE最低,因此误码率也是最低的。
图4给出不同对比算法的计算时间对比。从图4中可以看出,TMSBL 方法的运算时间最高,而本实施例所给改进方法的运算时间相比较于 TMSBL方法显著下降,在信噪比为15dB的条件下,运行时间减少约为20s,并且信道估计精度提升。
通过上述仿真结果对比表明,相比较于TMSBL信道估计方法,本实施例所给方法在不同的信噪比条件下,信道估计精度均有不同程度提高并且计算量显著降低。其中在信噪比为5dB时,信道估计精度提升可达约 5.73×10-2,运算时间下降约20s。而相比较于LS,OMP和快速SBL信道估计方法,本实施例的算法不论在信道估计精度或者是误码率性能方面都有不同程度的性能提升。这是因为本实施例所给方法利用水声信道的稀疏特性和不同符号间信道结构较为稳定特点,采用了SVD方法对接收矩阵进行了去噪,提高了信道估计精度从而降低了通信误码率,同时也减低了计算复杂度;而利用去噪后的LS算法获得稀疏贝叶斯学习的先验知识,可以进一步减少EM迭代次数,降低计算复杂度。因此本实施例所给算法的性能优异。
以上结合附图详细说明了本申请的技术方案,本申请提出了一种改进的时序多重稀疏贝叶斯学习水声信道估计方法,包括:步骤1,根据已知导频矩阵和信道时域脉冲响应,基于正交多载波模型,构建接收导频矩阵和感知矩阵;步骤2,对接收导频矩阵进行奇异值分解,生成接收导频重构矩阵,并结合已知导频矩阵,计算水声信道的时域脉冲响应,结合设定的能量阈值,确定初始超参数矩阵,并对感知矩阵进行初始化,记作初始化感知矩阵;步骤3,根据初始超参数矩阵、接收导频重构矩阵以及初始化感知矩阵,采用迭代运算,计算信道抽头系数和第一中间参数矩阵,并根据信道抽头系数,计算迭代均值;步骤4,根据信道抽头系数和第一中间参数矩阵,更新初始超参数矩阵及对应的噪声方差,并根据迭代均值,计算当前迭代误差,判断当前迭代误差是否小于或等于停止阈值,若是,根据信道抽头系数,确定联合信道估计。通过本申请中的技术方案,提高水声信道估计精度和效率,降低硬件资源占用率,减少信道估计过程中的迭代次数。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (4)
1.一种改进的时序多重稀疏贝叶斯学习水声信道估计方法,其特征在于,所述方法包括:
步骤1,根据已知导频矩阵和信道时域脉冲响应,基于正交多载波模型,构建接收导频矩阵和感知矩阵;
步骤2,对所述接收导频矩阵进行奇异值分解,生成接收导频重构矩阵,并结合所述已知导频矩阵,计算水声信道的时域脉冲响应,结合设定的能量阈值,确定初始超参数矩阵,并对所述感知矩阵进行初始化,记作初始化感知矩阵;所述步骤2中,确定所述初始化感知矩阵的方法,具体包括:
步骤21,利用信道估计算法,根据所述已知导频矩阵和所述接收导频重构矩阵,获得所述水声信道的时域脉冲响应;
步骤22,根据所述水声信道的时域脉冲响应,计算信道能量,并根据设定的能量阈值,确定第二中间参数矩阵,根据所述第二中间参数矩阵确定所述初始超参数矩阵,并对所述感知矩阵进行初始化,记作所述初始化感知矩阵,其中,所述初始超参数矩阵Γ的计算公式为:
Γ=diag(ΩLS(i))
式中,Γ为所述初始超参数矩阵,diag()为对角矩阵函数,ΩLs(i)为所述第二中间参数矩阵,Q(i)为所述信道能量,为M维向量,i为所述信道能量Q(i)的列数,对应的计算公式为:
步骤3,根据所述初始超参数矩阵、所述接收导频重构矩阵以及所述初始化感知矩阵,采用迭代运算,计算信道抽头系数β和第一中间参数矩阵Ξx,并根据所述信道抽头系数β,计算迭代均值其中,所述信道抽头系数β、所述第一中间参数矩阵Ξx、所述迭代均值对应的计算公式为:
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,β为所述信道抽头系数,为第k次迭代运算的所述迭代均值,vec(·)表示将矩阵按列堆叠成一个向量,为所述初始化感知矩阵,Γ为所述初始超参数矩阵,M为所述初始超参数矩阵的维度数,λ为噪声方差,I为单位矩阵,Ξx为所述第一中间参数矩阵,Y′为所述接收导频重构矩阵,γj为所述初始超参数矩阵Γ中维度为j的非负超参数;
步骤4,根据所述信道抽头系数和所述第一中间参数矩阵,更新所述初始超参数矩阵及对应的噪声方差,并根据所述迭代均值,计算当前迭代误差,判断所述当前迭代误差是否小于或等于停止阈值,若是,根据所述信道抽头系数,确定联合信道估计,其中,更新所述初始超参数矩阵Γ及对应的所述噪声方差λ的计算公式为:
Γ=diag(γ1,γ2,…,γj,…,γM)
式中,L为正交频分复用符号个数,βj.为信道脉冲响应矩阵H中的第j·行元素,B为初始块间相关矩阵,M为所述初始超参数矩阵的维度数,λ为所述噪声方差,P为导频个数,Tr(·)为矩阵的迹,γj为所述初始超参数矩阵Γ中维度为j的非负超参数。
2.如权利要求1所述的改进的时序多重稀疏贝叶斯学习水声信道估计方法,其特征在于,所述步骤22中,对所述感知矩阵进行初始化,具体包括:
根据所述第二中间参数矩阵中元素取值为0的元素位置,构建索引集合;
根据所述索引集合,剔除所述感知矩阵中对应的列元素,生成所述初始化感知矩阵。
3.如权利要求1至2中任一项所述的改进的时序多重稀疏贝叶斯学习水声信道估计方法,其特征在于,所述步骤4中还包括:
当判定所述当前迭代误差大于所述停止阈值时,根据更新后的初始超参数矩阵及对应的噪声方差,重新执行步骤3,进行下一次迭代运算。
4.如权利要求3所述的改进的时序多重稀疏贝叶斯学习水声信道估计方法,其特征在于,所述步骤4中还包括:
当判定当前迭代误差大于停止阈值时,判断当前迭代次数是否小于最大迭代次数,若是,根据所述更新后的初始超参数矩阵及对应的噪声方差,重新执行步骤3,进行下一次迭代运算,若否,根据所述信道抽头系数,确定所述联合信道估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495181.XA CN113242191B (zh) | 2021-05-07 | 2021-05-07 | 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495181.XA CN113242191B (zh) | 2021-05-07 | 2021-05-07 | 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113242191A CN113242191A (zh) | 2021-08-10 |
CN113242191B true CN113242191B (zh) | 2022-09-02 |
Family
ID=77132406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495181.XA Active CN113242191B (zh) | 2021-05-07 | 2021-05-07 | 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113242191B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872895B (zh) * | 2021-10-21 | 2023-12-12 | 武汉中科海讯电子科技有限公司 | 一种基于多任务贝叶斯压缩感知的水下信道估计方法 |
CN114531325B (zh) * | 2021-11-18 | 2023-12-12 | 西安邮电大学 | 一种无线光通信信道估计方法 |
CN114500191B (zh) * | 2022-02-25 | 2023-08-15 | 燕山大学 | 一种mimo-ofdm水声信道估计方法 |
CN115118556B (zh) * | 2022-06-21 | 2023-10-17 | 厦门大学 | Ofdm水声通信系统的稀疏信道估计方法、装置及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109088835A (zh) * | 2018-10-15 | 2018-12-25 | 哈尔滨工程大学 | 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法 |
CN111131097B (zh) * | 2019-12-27 | 2021-03-02 | 浙江大学 | Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法 |
CN112104580B (zh) * | 2020-09-11 | 2023-07-21 | 中海石油(中国)有限公司湛江分公司 | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 |
CN112866151B (zh) * | 2021-01-18 | 2022-09-13 | 中国人民解放军战略支援部队信息工程大学 | 基于信道盲估计的水声MPSK信号盲Turbo均衡方法 |
-
2021
- 2021-05-07 CN CN202110495181.XA patent/CN113242191B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113242191A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108322409B (zh) | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 | |
US8619918B2 (en) | Sparse channel estimation for MIMO OFDM systems | |
CN110677361B (zh) | 正交时频空系统的信号均衡方法、均衡器及存储介质 | |
CN103095639A (zh) | Ofdm水声通信并行迭代ici消除方法 | |
CN113271269A (zh) | 基于压缩感知的稀疏度自适应信道估计方法 | |
CN109088835A (zh) | 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法 | |
CN107395536B (zh) | 对多途环境下的水声信道冲激响应函数进行估计的方法 | |
CN109412997B (zh) | 一种改进的正交多载波水声移动通信信道估计与补偿方法 | |
CN113055317A (zh) | 一种水声ofdm系统正交匹配追踪信道估计方法 | |
CN105490974A (zh) | 一种mimo-ofdm水声通信系统的多普勒估计方法 | |
CN115426223B (zh) | 一种低轨卫星信道估计和符号检测方法及系统 | |
CN116346549A (zh) | 采用卷积神经网络信道簇检测的水声信道稀疏估计方法 | |
Arunkumar et al. | Iterative sparse channel estimation and data detection for underwater acoustic communications using partial interval demodulation | |
CN108566347B (zh) | 一种多用户ofdm系统双选择稀疏信道的导频设计方法 | |
CN114745233A (zh) | 一种基于导频设计的联合信道估计方法 | |
CN101848183B (zh) | 多入多出正交频分复用系统中信道估计方法及装置 | |
CN111291511B (zh) | 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法 | |
CN110059401B (zh) | 一种ofdm系统水声信道冲激响应重构方法 | |
Yan et al. | Inter-carrier interference-aware sparse time-varying underwater acoustic channel estimation based on fast reconstruction algorithm | |
CN109379116B (zh) | 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法 | |
CN115118556B (zh) | Ofdm水声通信系统的稀疏信道估计方法、装置及介质 | |
CN113055318B (zh) | 一种信道估计方法 | |
CN106534028B (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
CN116016051A (zh) | 基于基扩展模型的fbmc-oqam系统信道拟合与估计方法 |
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 |