CN114978818B - 一种基于压缩感知的自适应信道估计方法及估计系统 - Google Patents
一种基于压缩感知的自适应信道估计方法及估计系统 Download PDFInfo
- Publication number
- CN114978818B CN114978818B CN202210063655.8A CN202210063655A CN114978818B CN 114978818 B CN114978818 B CN 114978818B CN 202210063655 A CN202210063655 A CN 202210063655A CN 114978818 B CN114978818 B CN 114978818B
- Authority
- CN
- China
- Prior art keywords
- value
- original signal
- index
- matrix
- residual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 92
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 230000008447 perception Effects 0.000 claims abstract description 42
- 238000010998 test method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000017105 transposition Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 125000002346 iodo group Chemical group I* 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03987—Equalisation for sparse channels
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于压缩感知的自适应信道估计方法及估计系统，其中估计方法包括：获取原始信号；预设第一阈值；通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预估获取的原始信号的稀疏度预估值；通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过候选集计算重构原始信号估计值；根据重构原始信号估计值获得支持集，通过支持集计算残差值；判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代，否则输出获取的原始信号的自适应信道估计值；其中估计系统适用于上述估计方法。本发明不仅能够有效地重建稀疏信号，还能降低运算量。
Description
技术领域
本发明涉及无线信道估计的领域，具体涉及到一种基于压缩感知的自适应信道估计方法及估计系 统。
背景技术
大规模多输入多输出(Multi-Input Multi-Output，MIMO)作为第五代移动通信系统(5thGeneration, 5G)关键技术之一，显著提高了空间分辨率和空间复用能力。同时，大规模天线带来的阵列增益能以 较小的功耗同时服务多个用户，有效提升系统的频谱效率和能效。正交频分复用(Orthogonal Frequency DivisionMultiplexing，OFDM)频谱利用率高、抗多径干扰。将MIMO与OFDM结合能有效 利用时间、频率和空间三个维度资源，大幅度提高系统频谱效率，成为宽带无线通信系统的关键技术。 要充分实现MIMO-OFDM技术的性能增益，信道状态信息(Channel State Information，CSI)是关键， 而获取可靠的CSI非常具有挑战性。
压缩感知(Compressive Sensing，CS)是一种新兴的采样技术，其针对具有稀疏性或在特定域上可 转化为稀疏性的信号，以远低于奈奎斯频率的采样率实现信息采样，避免稀疏信号在奈奎斯特采样时 会产生的大量冗余信息，主要包括稀疏变换、稀疏测量和重构方法。CS有效降低了信号获取、存储 及传输的代价，最终完成对原始信号的重构，开始在信道估计领域中被广泛研究。
现有的压缩感知重构方法包括组合优化、非凸优化、凸优化、贪婪方法等几类。常见的方法中， 正交匹配追踪方法、子空间追踪方法需要预知信道的稀疏度，这在实际应用中难以满足；稀疏度自适 应匹配追踪方法不需要预知信道稀疏度，但当稀疏度较大时，由于迭代次数多而导致运算量特别大， 而且存在过估计的问题；分段正交匹配追踪方法、正则化正交匹配追踪方法只有在信号具有较低的稀 疏度时，才能较好地重构信号。近年来，基于CS的信道估计已得到大量研究和发展，解决估计精度 和运算复杂度等方面仍是研究的重点。
针对压缩采样中未知稀疏度的信号，如何设计一种可以自适应地完成稀疏信号的重构的方法，是 克服MIMO-OFDM系统信道估计难题的关键。
发明内容
针对现有技术的不足，本申请文提供了一种基于压缩感知的自适应信道估计方法及估计系统，不 仅能够有效地重建稀疏信号，还能降低运算量。
为解决上述技术问题采取的技术方案是：
一方面，本发明提供一种基于压缩感知的自适应信道估计方法，其特征在于，包括以下步骤：
获取原始信号；
预设第一阈值；
通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预 估获取的原始信号的稀疏度预估值；
通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过 候选集计算重构原始信号估计值；
根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代， 否则输出获取的原始信号的自适应信道估计值。
进一步地，所述原始信号包括感知矩阵和观测向量；
所述感知矩阵为M*N维矩阵；
所述观测向量为M*1维向量；
其中，M>0，N>0，且M<<N。
进一步地，所述通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析 索引集，初始预估获取的原始信号的稀疏度预估值包括：
S21初始化稀疏度预估值K0、索引集Λt-1以及迭代次数t，
其中，K0＝1，
t＝1；
S22通过(1)式逐一计算观测向量y与各感知矩阵Acs列向量的相关系数，并通过(2)式将前 K0个最大的相关系数对应感知矩阵中的索引值写入索引集。
Λt-1＝max(c(Aj，y)0≤j≤N-1，前K0个最大相关系数对应的索引值) (2)
其中，c(Aj,y)为观测向量与感知矩阵列向量的相关系数函数，y为观测向量，Aj为感知矩阵列 向量(0≤j≤N-1)，E表示数学期望值，D表示方差，Λt-1为索引集；N为感知矩阵中列向量的个数；
S23根据矩阵的约束等距性质，分析索引集转置与观测向量乘积的大小：
其中，当索引集转置与观测向量乘积满足(3)式时，通过(5)式更新稀疏度预估值后，再执行 步骤S22；
当索引集转置与观测向量乘积满足(4)式时，通过(6)式更新稀疏度预估值后，再执行步骤S22；
当索引集转置与观测向量乘积既不满足(3)和(4)式时，通过(7)式更新稀疏度预估值；
K0＝K0+2 (5)
K0＝K0+1 (6)
K0＝K0 (7)
其中，
为根据索引集选取感知矩阵中对应列向量转置而成的索引集子矩阵，δ为参数，且δ ∈(0,1)，μ为系数，且μ∈[0.7，0.8]。
进一步地，所述通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得 候选集，并通过候选集计算重构原始信号估计值包括：
S31逐一根据索引集的各元素提取感知矩阵中对应的列向量，将各列向量写入索引矩阵，并通 过(9)式计算观测向量与索引矩阵的初始残差，具体如下：
其中，rt-1为初始残差，
为索引矩阵；
S32通过(10)式逐一计算初始残差与感知矩阵中各列向量的相关系数，并通过(11)式将前| Λt-1|个最大的的相关系数对应感知矩阵中的索引值写入索引集，获得候选集；
ht＝c(Aj,rt-1) (10)
Λ^＝Λt-1∪{ht的前|Λt-1|个最大值的索引值} (11)
其中，c(Aj,rt-1)为初始残差与感知矩阵列向量的相关系数函数，ht为初始残差与感知矩阵列向 量的相关系数集合，Λ^为候选集，|Λt-1|表示索引集Λt-1中的元素个数；
S33根据求解最小二乘法原理，通过(12)式获得重构信号估计值xΛ^，具体如下：
其中，x`Λ^为重构原始信号估计值，xΛ^为原始信号估计值，
为根据候选集选取感知矩阵中对 应列转置而成的候选集子矩阵，/>
为候选集子矩阵与原始信号估计值的相关系数函数。
进一步地，所述根据重构原始信号估计值获得支持集，通过支持集计算残差值包括：
通过(13)式提取重构原始信号估计值中前|Λt-1|个最大的元素对应的索引值，并写入支持集Λ～， 具体如下：
Λ～＝{x`Λ^中前|Λt-1|个最大元素对应的索引值} (13)
其中，Λ～为支持集；
逐一根据支持集中的索引值选取感知中对应的列向量，将各列向量写入支持集第一子矩阵，逐 一根据支持集中的索引值选取重构原始信号估计值中对应的元素，将各元素写入支持集第二子矩阵， 并通过(14)式计算支持集第一子矩阵、支持集第二子矩阵与观测向量的残差值，具体如下：
r～＝y-AΛ～xΛ～ (14)
其中，r～为残差值，AΛ～为支持集第一子矩阵，xΛ～为支持集第二子矩阵。
进一步地，所述判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进 行下一轮迭代，否则输出获取的原始信号的自适应信道估计值包括：
比较残差值与第一阈值的大小：
其中，当残差值大于第一阈值时，根据残差值与初始残差的大小更新估计参数后，再执行步骤 S32；
否则，输出获取的原始信号的自适应信道估计值为重构原始信号估计值。
进一步地，所述第一阈值可设为观测向量的向量长度的万分之一。
进一步地，所述根据残差值与初始残差的大小更新估计参数后，再执行步骤S32包括：
预设第二阈值；
比较残差值与初始残差的大小：其中，当残差值与初始残差满足(15)式时，通过(16)式更新 支持集，通过(17)式更新初始残差，通过(18)式更新迭代次数后，再执行步骤S32，具体如下：
||r～||2≤||rt-1||2 (15)
Λt-1＝Λ～ (16)
rt-1＝r～ (17)
t＝t+1 (18)
否则，通过(19)式更新支持集后，再执行步骤S32，具体如下：
Λt-1＝Λt-1∪{ht中大于第二阈值的列对应的索引值} (19) 进一步地，所述第二阈值满足(20)式，具体如下：
其中，θ为第二阈值，hi为ht的每个元素，G为ht的元素个数。
另一方面，本发明提供一种基于压缩感知的自适应信道估计系统，包括以下模板：
获取模块，用于获取原始信号；
预设模块，预设第一阈值；
稀疏变换模块，用于通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质 分析索引集，初始预估获取的原始信号的稀疏度预估值；
重构模块，用于通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得 候选集，并通过候选集计算重构原始信号估计值；
残差计算模块，用于根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断模块，用于判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进 行下一轮迭代，否则输出获取的原始信号的自适应信道估计值。
与现有技术相比本申请的有益效果：
本发明通过约束等距性质以及设置第一阈值，初始预估原始信号的稀疏度预估值，避免把原始信 号中两个不同稀疏度的信号映射到同一个集合中，根据残差值与第一阈值的大小，更新估计参数，既 能减少迭代过程的迭代次数，提高了估计方法的效率，还能提高原始信号的自适应信道估计值的准确 度。
附图说明
图1为本发明基于压缩感知的自适应信道估计方法的一种实施例的流程图；
图2为本发明实施例3中不同试验次数中的稀疏度预估值与稀疏度实际值的对比图；
图3为本发明实施例3中三种估计方法对同一原始信号在不同信噪比下的误比特率的对比图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
实施例1
本实施例提供一种基于压缩感知的自适应信道估计方法，参考图1，包括以下步骤：
获取原始信号；
预设第一阈值；
通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预 估获取的原始信号的稀疏度预估值；
通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过 候选集计算重构原始信号估计值；
根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代， 否则输出获取的原始信号的自适应信道估计值。
本发明通过约束等距性质，初始预估原始信号的稀疏度预估值，既能避免把原始信号中两个不同 稀疏度的信号映射到同一个集合中，还能减少迭代过程的迭代次数，提高了估计方法的效率；本发明 通过设置第一阈值，根据残差值与第一阈值的大小，更新估计参数，能够合理地调整试探过程中的试 探步长，从而在提高效率的基础上，提高原始信号的自适应信道估计值的准确度。
实施例2
在实施例1的基础上，本实施例详细介绍了原始信号、第一阈值、稀疏度预估值的获得方法、重 构原始信号估计值的获得方法、残差值的获得方法以及获取的原始信号的自适应信道估计值的获得方 法。
2.1原始信号
原始信号包括感知矩阵和观测向量：感知矩阵为M*N维矩阵；观测向量为M*1维向量。
其中，M>0，N>0，且M远小于N。
2.2第一阈值
第一阈值可设为观测向量的向量长度的万分之一，当小于这个值时，停止计算。
2.3稀疏度预估值的获得方法
通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预 估获取的原始信号的稀疏度预估值包括以下步骤：
S21初始化稀疏度预估值K0、索引集Λt-1以及迭代次数t，
其中，K0＝1，
t＝1；/>
S22通过(1)式逐一计算观测向量y与各感知矩阵Acs列向量的相关系数，以此判断两者的相关 程度，并通过(2)式将前K0个最大的相关系数对应感知矩阵中的索引值写入索引集。
Λt-1＝max(c(Aj，y)0≤j≤N-1，前K0个最大相关系数对应的索引值) (2)
其中，c(Aj,y)为观测向量与感知矩阵列向量的相关系数函数，y为观测向量，Aj为感知矩阵列 向量(0≤j≤N-1)，E表示数学期望值，D表示方差，Λt-1为索引集；N为感知矩阵中列向量的个数；
S23根据矩阵的约束等距性质，分析索引集转置与观测向量乘积的大小：
其中，当索引集转置与观测向量乘积满足(3)式时，通过(5)式更新稀疏度预估值后，再执行 步骤S22，采用大步长试探，进行粗略搜索；
当索引集转置与观测向量乘积满足(4)式时，通过(6)式更新稀疏度预估值后，再执行步骤S22， 进入小步长试探阶段，进行精细搜索；
当索引集转置与观测向量乘积既不满足(3)和(4)式时，通过(7)式更新稀疏度预估值；
则在保证稀疏度预估值的准确性的前提下，避免了传统方法对固定步长的局限性，提高了估计方 法的效率。
K0＝K0+2 (5)
K0＝K0+1 (6)
K0＝K0 (7)
其中，
为根据索引集选取感知矩阵中对应列向量转置而成的索引集子矩阵，δ为参数，且δ ∈(0,1)，μ为系数，且μ∈[0.7，0.8]。
2.4重构原始信号估计值的获得方法
通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过 候选集计算重构原始信号估计值包括以下步骤：
S31逐一根据索引集的各元素提取感知矩阵中对应的列向量，将各列向量写入索引矩阵，并通 过(9)式计算观测向量与索引矩阵的初始残差，具体如下：
其中，rt-1为初始残差，
为索引矩阵；
S32通过匹配追踪方法来改进估计结果，即通过(10)式逐一计算初始残差与感知矩阵中各列向 量的相关系数，并通过(11)式将前|Λt-1|个最大的的相关系数对应感知矩阵中的索引值写入索引集， 获得候选集；
ht＝c(Aj,rt-1) (10)
Λ^＝Λt-1∪{ht的前|Λt-1|个最大值的索引值} (11)
其中，c(Aj,rt-1)为初始残差与感知矩阵列向量的相关系数函数，ht为初始残差与感知矩阵列向 量的相关系数集合，Λ^为候选集；|Λt-1|表示索引集Λt-1中的元素个数；
S33根据求解最小二乘法原理，通过(12)式获得重构信号估计值xΛ^，具体如下：
其中，x`Λ^为重构原始信号估计值，xΛ^为原始信号估计值，
为根据候选集选取感知矩阵中对 应列转置而成的候选集子矩阵，/>
为候选集子矩阵与原始信号估计值的相关系数函数。
2.5残差值的获得方法
根据重构原始信号估计值获得支持集，通过支持集计算残差值包括以下步骤：
用回溯的思路，在多列原子索引的候选集中去除相关系数最小的|Λt-1|个原子的索引，得到支持 集Λ～，可知|Λ～|＝|Λt-1|。以排除每次迭代中可能存在的错误列，从而获得更为精确的重构效果。即 通过(13)式提取重构原始信号估计值中前|Λt-1|个最大的元素对应的索引值，并写入支持集Λ～，具 体如下：
Λ～＝{x`Λ^中前|Λt-1|个最大元素对应的索引值} (13)
其中，Λ～为支持集；
逐一根据支持集中的索引值选取感知中对应的列向量，将各列向量写入支持集第一子矩阵，逐 一根据支持集中的索引值选取重构原始信号估计值中对应的元素，将各元素写入支持集第二子矩阵， 并通过(14)式计算支持集第一子矩阵、支持集第二子矩阵与观测向量的残差值，具体如下：
r～＝y-AΛ～xΛ～ (14)
其中，r～为残差值，AΛ～为支持集第一子矩阵，xΛ～为支持集第二子矩阵。
2.6原始信号的自适应信道估计值的获得方法
判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代， 否则输出获取的原始信号的自适应信道估计值，具体包括以下步骤：
比较残差值与第一阈值的大小：
其中，当残差值大于第一阈值时，根据残差值与初始残差的大小更新估计参数后，再执行步骤 S32；
否则，输出获取的原始信号的自适应信道估计值为重构原始信号估计值。
本实施例应用时，根据残差值与初始残差的大小更新估计参数后，再执行步骤S32包括：
预设第二阈值；
比较残差值与初始残差的大小：其中，当残差值与初始残差满足(15)式时，通过(16)式更新 支持集，通过(17)式更新初始残差，通过(18)式更新迭代次数后，再执行步骤S32，具体如下：
||r～||2≤||rt-1||2 (15)
Λt-1＝Λ～ (16)
rt-1＝r～ (17)
t＝t+1 (18)
否则，通过(19)式更新支持集后，再执行步骤S32，具体如下：
Λt-1＝Λt-1∪{ht中大于第二阈值的列对应的索引值} (19)
应用中，第二阈值满足(20)式，具体如下：
其中，θ为第二阈值，hi为ht的每个元素，G为ht的元素个数。
与传统方法相比，本发明通过矩阵的约束等距性质分析索引集，实现了初始预估获取的原始信号 的稀疏度预估值，避免了把两个不同稀疏度的信号映射到同一个集合中。通过初步估计可以将稀疏度 预估值逼近到原始信号的真实稀疏度附近，即重构原始信号估计值，用重构原始信号估计值去进行信 号重构的迭代运算，减少了后续迭代次数，加快了整个方法的估计效率。
本发明通过预设第一阈值，根据残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计 参数后，进行下一轮迭代，否则输出获取的原始信号的自适应信道估计值，以不同步长来更新估计参 数，依此加快稀疏度的估计速度。在大步长试探过程，稀疏度数值始终增长且以较快的增长速率进行 粗略搜索；在小步长试探过程，以稀疏度加一的速率扩大初始支持集进行精细搜索，可以保证获得准 确的稀疏度预估值。
本发明用于通过匹配测试方法获得获取的原始信号对应的索引集，有效降低了列与列之间的差异 性，进而更为精确地反映出感知矩阵和观测向量之间的关联程度。从而较快地选出与原始信号相关性 强的列向量，从而提高自适应信道估计值的精度。
实施例3
为了验证实施例1或2记载的发估计方法的有效性和可行性，本实施例采用MIMO-OFDM系统 和Matlab软件运行本方法进行仿真实验，并采用信道估计领域常用的误比特率(BER)作为评价指标 来评估仿真实验的质量，误比特率越小，说明仿真实验结果的精确度越高。
本实施例采用的MIMO-OFDM系统中，天线方案是4*4，即收和发端天线数目分别为4根；仿 真时MIMO-OFDM系统采用的调制方法是16QAM；假设MIMO-OFDM系统所处的是慢衰落，也就 是信号在多个符号周期间，经历的衰落是相同的，导频插入方式为随机插入。
本实施例首先预设M＝256，N＝512，ACS为M×N维的高斯随机矩阵；接着预设原始信号的稀 疏度K＝50，即原始信号中有50个随机变量，其它元素值为零；然后设定δ＝0.3，并执行实施例1或 实施例2的步骤。
参考图2，本实施例对原始信号的稀疏度预估值值进行多次预估，得到的估计平均值约为42.667， 已经很靠近稀疏度实际值，达到了准确预估稀疏度值的目的。
本实施例分别采用本申请记载的估计方法、稀疏度自适应匹配追踪算法(SAMP)和正交匹配追 踪算法(OMP)估计同一原始信号在不同信噪比下的误比特率性能。参考图3可知，随着信噪比增 大、干扰减少，三种算法的误比特率均呈下降趋势，本申请记载的估计方法的误比特率最小，SAMP 算法次之，说明本申请可以改善系统的性能。
实施例4
本发明提供一种基于压缩感知的自适应信道估计系统，包括以下模板：
获取模块，用于获取原始信号；
预设模块，预设第一阈值；
稀疏变换模块，用于通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质 分析索引集，初始预估获取的原始信号的稀疏度预估值；
重构模块，用于通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得 候选集，并通过候选集计算重构原始信号估计值；
残差计算模块，用于根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断模块，用于判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进 行下一轮迭代，否则输出获取的原始信号的自适应信道估计值。
上述各功能模块的具体功能实现参照实施例2或3方法中的相关内容。
以上已将本发明做一详述说明。显然，本说明书按照实施方式加以描述，但并非每个实施方式仅 包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚地说明本发明，而并非是对本发明的 实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式 的变化或变动。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发 明权利要求的保护范围之内。
Claims (7)
1.一种基于压缩感知的自适应信道估计方法，其特征在于，包括以下步骤：
获取原始信号；
预设第一阈值；
通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预估获取的原始信号的稀疏度预估值；
通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过候选集计算重构原始信号估计值；
根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代，否则输出获取的原始信号的自适应信道估计值；
所述通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预估获取的原始信号的稀疏度预估值包括：
S21初始化稀疏度预估值K0、索引集Λt-1以及迭代次数t，
其中，K0＝1，
S22通过(1)式逐一计算观测向量y与各感知矩阵Acs列向量的相关系数，并通过(2)式将前K0个最大的相关系数对应感知矩阵中的索引值写入索引集；
Λt-1＝max(c(Aj，y)0≤j≤N-1，前K0个最大相关系数对应的索引值)(2)
其中，c(Aj,y)为观测向量与感知矩阵列向量的相关系数函数，y为观测向量，Aj为感知矩阵列向量(0≤j≤N-1)，E表示数学期望值，D表示方差，Λt-1为索引集；N为感知矩阵中列向量的个数；
S23根据矩阵的约束等距性质，分析索引集转置与观测向量乘积的大小：
其中，当索引集转置与观测向量乘积满足(3)式时，通过(5)式更新稀疏度预估值后，再执行步骤S22；
当索引集转置与观测向量乘积满足(4)式时，通过(6)式更新稀疏度预估值后，再执行步骤S22；
当索引集转置与观测向量乘积既不满足(3)和(4)式时，通过(7)式更新稀疏度预估值；
K0＝K0+2 (5)
K0＝K0+1 (6)
K0＝K0 (7)
其中，
为根据索引集选取感知矩阵中对应列向量转置而成的索引集子矩阵，δ为参数，且δ∈(0,1)，μ为系数，且μ∈[0.7，0.8]；
所述通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过候选集计算重构原始信号估计值包括：
S31逐一根据索引集的各元素提取感知矩阵中对应的列向量，将各列向量写入索引矩阵，并通过(9)式计算观测向量与索引矩阵的初始残差，具体如下：
其中，rt-1为初始残差，
为索引矩阵；
S32通过(10)式逐一计算初始残差与感知矩阵中各列向量的相关系数，并通过(11)式将前|Λt-1|个最大的的相关系数对应感知矩阵中的索引值写入索引集，获得候选集；
ht＝c(Aj,rt-1) (10)
Λ^＝Λt-1∪{ht的前|Λt-1|个最大值的索引值} (11)
其中，c(Aj,rt-1)为初始残差与感知矩阵列向量的相关系数函数，ht为初始残差与感知矩阵列向量的相关系数集合，Λ^为候选集，|Λt-1|表示索引集Λt-1中的元素个数；
S33根据求解最小二乘法原理，通过(12)式获得重构信号估计值xΛ^，具体如下：
其中，x`Λ^为重构原始信号估计值，xΛ^为原始信号估计值，
为根据候选集选取感知矩阵中对应列转置而成的候选集子矩阵，/>
为候选集子矩阵与原始信号估计值的相关系数函数；
所述根据重构原始信号估计值获得支持集，通过支持集计算残差值包括：
通过(13)式提取重构原始信号估计值中前|Λt-1|个最大的元素对应的索引值，并写入支持集Λ～，具体如下：
其中，Λ～为支持集；
逐一根据支持集中的索引值选取感知中对应的列向量，将各列向量写入支持集第一子矩阵，逐一根据支持集中的索引值选取重构原始信号估计值中对应的元素，将各元素写入支持集第二子矩阵，并通过(14)式计算支持集第一子矩阵、支持集第二子矩阵与观测向量的残差值，具体如下：
其中，r～为残差值，AΛ～为支持集第一子矩阵，xΛ～为支持集第二子矩阵。
2.根据权利要求1所述的一种基于压缩感知的自适应信道估计方法，其特征在于，所述原始信号包括感知矩阵和观测向量；
所述感知矩阵为M*N维矩阵；
所述观测向量为M*1维向量；
其中，M>0，N>0，且M<<N。
3.根据权利要求1所述的一种基于压缩感知的自适应信道估计方法，其特征在于，所述判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代，否则输出获取的原始信号的自适应信道估计值包括：
比较残差值与第一阈值的大小：
其中，当残差值大于第一阈值时，根据残差值与初始残差的大小更新估计参数后，再执行步骤S32；
否则，输出获取的原始信号的自适应信道估计值为重构原始信号估计值。
4.根据权利要求3所述的一种基于压缩感知的自适应信道估计方法，其特征在于，所述第一阈值可设为观测向量的向量长度的万分之一。
5.根据权利要求3所述的一种基于压缩感知的自适应信道估计方法，其特征在于，所述根据残差值与初始残差的大小更新估计参数后，再执行步骤S32包括：
预设第二阈值；
比较残差值与初始残差的大小：其中，当残差值与初始残差满足(15)式时，通过(16)式更新支持集，通过(17)式更新初始残差，通过(18)式更新迭代次数后，再执行步骤S32，具体如下：
||r～||2≤||rt-1||2 (15)
Λt-1＝Λ～ (16)
rt-1＝r～ (17)
t＝t+1 (18)
否则，通过(19)式更新支持集后，再执行步骤S32，具体如下：
Λt-1＝Λt-1∪{ht中大于第二阈值的列对应的索引值} (19)。
6.根据权利要求5所述的一种基于压缩感知的自适应信道估计方法，其特征在于，所述第二阈值满足(20)式，具体如下：
其中，θ为第二阈值，hi为ht的每个元素，G为ht的元素个数。
7.一种基于压缩感知的自适应信道估计系统，其特征在于，用于执行权利要求1-6任一项所述的基于压缩感知的自适应信道估计方法；
所述基于压缩感知的自适应信道估计系统包括以下模板：
获取模块，用于获取原始信号；
预设模块，预设第一阈值；
稀疏变换模块，用于通过匹配测试方法获得获取的原始信号对应的索引集，并通过约束等距性质分析索引集，初始预估获取的原始信号的稀疏度预估值；
重构模块，用于通过索引集计算初始残差，根据初始残差与感知矩阵中各列向量的相关系数获得候选集，并通过候选集计算重构原始信号估计值；
残差计算模块，用于根据重构原始信号估计值获得支持集，通过支持集计算残差值；
判断模块，用于判断残差值与第一阈值的大小，当残差值大于第一阈值时，更新估计参数后，进行下一轮迭代，否则输出获取的原始信号的自适应信道估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063655.8A CN114978818B (zh) | 2022-01-20 | 2022-01-20 | 一种基于压缩感知的自适应信道估计方法及估计系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063655.8A CN114978818B (zh) | 2022-01-20 | 2022-01-20 | 一种基于压缩感知的自适应信道估计方法及估计系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114978818A CN114978818A (zh) | 2022-08-30 |
| CN114978818B true CN114978818B (zh) | 2023-05-26 |
Family
ID=82974983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210063655.8A Active CN114978818B (zh) | 2022-01-20 | 2022-01-20 | 一种基于压缩感知的自适应信道估计方法及估计系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114978818B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116055264B (zh) * | 2023-04-03 | 2023-06-20 | 西南交通大学 | 稀疏信道的信号估计方法、装置、设备及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108418769A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 一种分布式压缩感知稀疏度自适应重建方法 |
| CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
| US11190377B1 (en) * | 2020-05-26 | 2021-11-30 | Wuhan University | Time-frequency block-sparse channel estimation method based on compressed sensing |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8681902B2 (en) * | 2011-09-16 | 2014-03-25 | Alcatel Lucent | Method and apparatus for low complexity robust reconstruction of noisy signals |
| US10488505B2 (en) * | 2014-05-30 | 2019-11-26 | The Boeing Company | Positioning in indoor locations and other GPS-denied environments |
-
2022
- 2022-01-20 CN CN202210063655.8A patent/CN114978818B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108418769A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 一种分布式压缩感知稀疏度自适应重建方法 |
| US11190377B1 (en) * | 2020-05-26 | 2021-11-30 | Wuhan University | Time-frequency block-sparse channel estimation method based on compressed sensing |
| CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114978818A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109104229B (zh) | 基于压缩感知的大规模mimo信道反馈重构算法 | |
| CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
| CN108881076B (zh) | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 | |
| CN110289898B (zh) | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 | |
| CN109951214B (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
| CN108259397B (zh) | 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计方法 | |
| 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 | |
| CN111817757A (zh) | 一种用于mimo无线通信系统的信道预测方法及系统 | |
| CN113271269A (zh) | 基于压缩感知的稀疏度自适应信道估计方法 | |
| CN114978818B (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
| CN109688074A (zh) | 一种基于压缩感知的ofdm系统的信道估计方法 | |
| CN113595941A (zh) | 深度学习的压缩感知大规模mimo信道估计方法及系统 | |
| Liu et al. | Toward intelligent wireless communications: Deep learning-based physical layer technologies | |
| CN106685555B (zh) | 基于低秩矩阵恢复的mimo水声系统信道状态信息反馈方法 | |
| 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 | |
| CN106534028B (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
| CN113055061B (zh) | 一种大规模mimo系统的低复杂度预编码方法 | |
| CN113037406B (zh) | 一种时频特性提取及压缩感知融合的高效协作频谱感知方法 | |
| CN109842581B (zh) | 基于三级阈值变步长自适应压缩感知技术的信道估计方法 | |
| CN107801149B (zh) | 实值平行因子分解的多径参数估算方法 | |
| CN111970216A (zh) | 一种基于vamp算法的mimo-ofdm系统稀疏信道估计的设计方法 | |
| Ren et al. | Estimation of underwater acoustic mimo-ofdm channel based on compressed sensing | |
| KR100888649B1 (ko) | Ｍｉｍｏ 시스템에서 송신 신호 검출을 위한 복호 장치 및방법 | |
| CN111193534B (zh) | 一种大规模mimo系统中的低复杂度信号检测方法 | |
| CN113395222B (zh) | 基于非均匀导频的信道预测吞吐量优化方法 |
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 |