CN116016051B - 基于基扩展模型的fbmc-oqam系统信道拟合与估计方法 - Google Patents

Abstract

基于基扩展模型的FBMC‑OQAM系统信道拟合与估计方法，为解决FBMC‑OQAM系统双选信道估计结果准确度低、浪费通信资源、通信质量难以保障的问题。基于离散随机优化算法确定FO系统的导频结构，调制由FO导频符号、FO全零符号和FO数据符号组成的帧结构，生成基带发送信号；用基带发送信号和时频双选信道的脉冲响应得基带接收数据；用基扩展模型拟合时频双选信道信息，基带接收数据得到FO离散系统模型，根据FO离散系统模型的BEM表示获取时频双选信道的信道系数矩阵；构造无子载波间干扰结构，建立分布式压缩感知框架，将信道系数向量引入感知框架，得到新感知框架；利用稀疏自适应正交子空间追踪算法重构信道系数，得到估计的时频双选信道信息。

Description

基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法

技术领域

本发明涉及一种信道拟合与估计方法，具体涉及一种基于基扩展模型BEM的FBMC-OQAM系统的信道拟合与估计方法，属于无线通信领域。

背景技术

未来无线系统必须支持多种通信需求，包括增强型移动宽带通信(enhancedMobile Broadband，eMBB)和超可靠低延迟通信(Ultra-Reliable Low Latencycommunications，URLLC)等。然而，受到高移速和丰富散射体的影响，无线信道产生了时间选择性衰落和频率选择性衰落，称为“双选信道”。双选信道响应通常在单个符号持续时间内变化显著，存在大量信道系数，因此信道估计极其困难。基于偏移正交振幅调制的滤波器组多载波(OQAM/FBMC)技术可以灵活选取时频特性良好的原型滤波器以降低频谱旁瓣，同时，可以通过设计原型滤波器调整信号波形以满足各种传输需求。另外，OQAM/FBMC系统无需使用CP，短包数据通信时，带宽效率最小化程度低，能够适用于5G应用程序，综合以上优点，OQAM/FBMC系统在未来无线通信中显示出巨大潜力。但高速移动所引起的高多普勒扩展破坏了OQAM/FBMC系统子载波的正交性，产生了子载波间干扰(Inter sub-CarrierInterference，ICI)，导致OQAM/FBMC系统在双选信道下的信道估计性能下降，通信可靠性难以保障。因此，在双选信道下OQAM/FBMC系统信道估计面临着巨大的挑战。

与正交条件在复数域成立的OFDM系统不同，OQAM/FBMC系统的正交性仅在实数域成立，因此存在从数据到导频的纯虚数干扰，即固有干扰。实正交条件引起的固有干扰导致导频符号设计复杂，从而引发了OQAM/FBMC系统信道估计难度增大，估计性能降低等问题。目前提出的基于前导码的信道估计方案，其中干扰近似法(Interference ApproximationMethod，IAM)作为经典方法被广泛使用，然而，数据符号对导频符号产生的固有干扰存在未知性，导致IAM性能下降，从而导致信道估计性能降低。也有学者提出了无保护符号的信道估计方法，并且给出了一种利用固有干扰的优化导频结构—成对导频法，该方法简化了估计复杂度，但成对导频仅能处理两个时隙信道信息近似相等的情况。在快时变信道下，两个时隙的信道信息不同，成对导频不能准确反应的信道信息，导致信道估计的准确度降低。许多学者对导频符号固有干扰进行研究，提出了辅助符号的信道估计方案，但引入辅助符号就需要牺牲时频块传输辅助符号，降低了频谱利用率。

发明内容

本发明为了解决传统的FBMC-OQAM系统双选信道估计结果准确度低、浪费通信资源、通信质量难以保障的问题，进而提出了一种基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法。

它包括以下步骤：

S1、基于离散随机优化算法确定FBMC-OQAM系统的导频结构，在导频位置的下一时间位置部署全零符号，其余位置部署数据符号，获取由FBMC-OQAM导频符号、FBMC-OQAM全零符号和FBMC-OQAM数据符号组成的帧结构，对帧结构进行调制，生成基带发送信号；

S2、根据基带发送信号和时频双选信道的脉冲响应，得到基带接收数据；

S3、利用基扩展模型拟合时频双选信道信息，再根据基带接收数据得到FBMC-OQAM离散系统模型，根据FBMC-OQAM离散系统模型的BEM表示获取时频双选信道的信道系数矩阵；

S4、构造无子载波间干扰结构，建立分布式压缩感知框架，根据无子载波间干扰结构将稀疏的信道系数矩阵中稀疏的信道系数向量引入分布式压缩感知框架，得到新的分布式压缩感知框架；

S5、根据新的分布式压缩感知框架，利用稀疏自适应正交子空间追踪算法重构信道系数，得到估计的时频双选信道信息。

进一步地，S1中帧结构中“0”表示待传输的数据符号，“1”表示导频符号，“-1”表示全零符号。

进一步地，S1中基带发送信号为：

其中，Δt＝1/f_s表示采样间隔，f_s表示采样频率，K表示符号数目，L表示子载波数目，x_l,k表示实数数据符号，l表示频率位置，k表示时间位置，n表示离散时间，n…1,2,…,N，N＝(4T₀+T(K-1))f_s，g_l,k((n-1)Δt-2T₀)表示基脉冲，T＝T₀表示时间间隔。

进一步地，S2中时频双选信道的脉冲响应为：

其中，m＝1,…M，M表示信道抽头总数，P表示传播路径总数，p＝1,…P，η_p表示第p条路径的路径衰减和初始相位，j表示虚数单位，τ_p表示第p条路径的固定延迟，v_p表示第p条路径的多普勒频移。

进一步地，S2中基带接收数据为：

y＝G^HHGx+W (3)

其中，G表示传输矩阵，由g_l,k构成，H表示由h(n-m,m)构成的卷积矩阵，x由x_l,k构成，W表示高斯白噪声，W～CN(0,P_nG^HG)。

进一步地，S3中FBMC-OQAM离散系统模型为：

其中，B_q表示第q阶BEM函数向量的循环矩阵，C_q表示信道系数矩阵，Q表示信道系数数目。

进一步地，S4中新的分布式压缩感知框架为：

其中，表示接收的FBMC子载波子集，θ_q表示第q阶导频索引，/>表示有效导频对角矩阵，/>表示子阵，I_Q表示Q×Q的单位矩阵，W_q包含了噪声和建模误差，Λ_q表示由元素(1,e^{-j2π(q-(Q+1)/2)/M},…,e^{-j2π(q-(Q+1)/2)m/M},…,e^{-j2π(q-(Q+1)/2)(M-1)/M})组成的M阶对角阵，c_q表示稀疏的信道系数向量。

进一步地，S5中根据新的分布式压缩感知框架，利用稀疏自适应正交子空间追踪算法重构信道系数，得到估计的时频双选信道信息，具体过程为：

S51、根据新的分布式压缩感知框架获取导频的第q阶观测向量和BEM系数的测量矩阵，计算原子最大相关性下限值；

S52、根据原子最大相关下限值与稀疏度的反比关系确定稀疏度；

S53、根据稀疏度确定子空间维度，并选取所需的子空间；

S54、将子空间正交投影，计算重构误差，并迭代执行S51-S54，直至满足迭代上限或误差阈值，得到重构向量；

S55、根据重构向量计算BEM信道系数向量，根据BEM信道系数向量获取信道系数矩阵，得到信道信息。

进一步地，S51中根据新的分布式压缩感知框架获取导频的第q阶观测向量和BEM系数的测量矩阵，计算原子最大相关性下限值，具体过程为：

其中，||·||表示对元素求模，Y_q表示第q阶观测向量，Φ表示BEM系数的测量矩阵。

进一步地，S55中根据重构向量计算BEM信道系数向量，根据BEM信道系数向量获取信道系数矩阵，得到信道信息，具体过程为：

重构向量：

BEM信道系数向量：

信道系数矩阵：

信道信息：

其中，A表示迭代过程所选的列矩阵，表示对矩阵A求伪逆，/>表示对矩阵求逆，F_L是L阶离散傅里叶变换矩阵。

有益效果：

本发明基于离散随机优化算法确定FBMC-OQAM系统的导频结构，并获取由FBMC-OQAM导频符号、FBMC-OQAM全零符号和FBMC-OQAM数据符号组成的帧结构，对帧结构进行处理，生成基带发送信号，根据基带发送信号和时频双选信道的脉冲响应，得到基带接收数据。再利用基扩展模型拟合时频双选信道信息，减少需要估计的信道系数，并构造无子载波间干扰结构；将稀疏的信道系数向量引入分布式压缩感知理论框架，利用稀疏自适应正交子空间追踪算法精确重构信道系数，进而估计信道信息。综上，本发明利用基扩展模型BEM高度拟合时频双选信道信息，并结合稀疏导频索引模式构造无ICI结构，克服了数据子载波对导频子载波的干扰，以无子载波干扰(Inter sub-Carrier Interference，ICI)为特征提升了系统抗固有干扰能力，使接收端获得更准确的导频信息，可以降低双选信道系数数目，提高信道估计准确度和精度，使系统获得较低的误码率(Bit Error Rate，BER)性能。能够应用于多种以双选信道为特征的未来无线系统。

本发明在FBMC-OQAM系统中构建BEM拟合时频双选信道，利用BEM易于构造无ICI结构且拟合度高的特点，提高双选信道估计准确度。通过将稀疏BEM系数向量引入DCS框架内，在变换域中考察BEM系数向量，结合BEM系数向量的稀疏性并利用DCS能够直接获取分布式信号的特点，解决应用压缩感知(CS)技术时分布式信号获取效率低的问题，提升信道系数估计效率。

本发明的SAOSP算法利用观测向量与测量矩阵的相关性，确定观测值与测量值的最大相关值，根据最大相关值的波动下限，利用该下限值越大，稀疏度越小的反比关系确定稀疏度，摆脱了稀疏度的依赖性，保证稀疏度自适应，利用稀疏度确定合适的子空间维度。将子空间正交投影，保证残差最小化，从而降低重构误差，进一步实现高精度的系数恢复和信道估计，减少了通信资源的浪费，保证了通信质量。

附图说明

图1是FBMC-OQAM基带映射传输图；

图2是原型滤波器时域波形图；

图3是时频坐标中的导频结构图；

图4是不同稀疏度下算法重构成功率曲线图；

图5是不同测量值下算法重构成功率曲线图；

图6是NMSE标准下估计精度曲线图；

图7是MMSE均衡方案下误码率曲线图；

图8是FBMC-OQAM系统数据块对导频位置的干扰贡献分布图；

具体实施方式

具体实施方式一：结合图1-图8说明本实施方式，本实施方式所述一种基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，它包括以下步骤：

S1、基于离散随机优化算法设计FBMC-OQAM系统的导频结构，在导频位置的下一时间位置部署全零符号，即沿时间维度，导频的下一时刻为全零符号。其余位置部署数据符号，从而获取由FBMC-OQAM导频符号、FBMC-OQAM全零符号和FBMC-OQAM数据符号组成的帧结构，对该帧结构进行调制，生成基带发送信号。

首先，对导频索引位置进行优化。利用离散随机优化算法(Discrete StochasticOptimization，DSO)对无法分析评估的索引参数进行可性能目标函数优化，获得FBMC-OQAM系统较优的导频模式，将导频符号与传输数据符号和全零符号合并，得到帧结构。所述帧结构中“0”表示要传输的数据符号，“1”表示导频符号，“-1”表示全零符号。对此帧结构进行调制，生成基带发送信号，具体过程为：

FBMC-OQAM系统中传输的实数数据符号为其中，l表示频率位置，k表示时间位置，/>表示集合。假设传输信号s(t)由L个子载波和K个符号组成，则

其中，p(t)表示原型滤波器函数，它的时频移位形式g_l,k(t)表示基脉冲；T表示时间间隔；F表示频率间隔；j表示虚数单位。在FBMC-OQAM系统中，原型滤波器应满足实数域的正交条件(实正交条件)，所以本发明采用基于辛格函数的原型滤波器p(t)，表示为：

其中，O表示重叠因子，sign(k)表示符号函数，取sign(0)＝1。p(t)在时间间隔T＝T₀和频率间隔F＝2/T₀时保证了实正交性，此时压缩时频间隔为TF＝0.5，能够保证最大数据速率，同时也导致了导频符号的纯虚数干扰，其时域波形图如图2所示。本发明取重叠因子O＝4，则系数在数值上确定为：

在t∈[-2T₀,2T₀+(K-1)T)时，对连续时间信号s(t)进行离散化处理。假设采样频率f_s＝1/Δt，Δt表示采样时间间隔，对式(1)进行采样，采样后时间不再连续(即时间仅取整数倍的时间间隔)，得到离散基带发送信号s(n)表示为：

其中，n表示离散时间，n＝1,2,…,N，N×(4T₀+T(K-1))f_s。

S2、根据基带发送信号和时频双选信道的脉冲响应，得到基带接收数据。

对于时频双选信道，假设信道包含P条传播路径，固定延迟为τ_p，对于每条路径p＝1,…,P的多普勒频移为v_p，则信道冲击响应的离散化形式表示为：

其中，η_p表示第p条路径的路径衰减和初始相位，m＝1,…,M,M表示总信道抽头总数。传输的离散基带发送信号s(n)经过信道后，得到离散时间的接收信号r(n)，表示为：

其中，w(n)～CN(0,P_n)表示离散化噪声，P_n表示时域的噪声功率。通过将r(n)映射到离散的基脉冲，得到接收数据符号y_l,k，表示为：

一般地，用向量表示采样基脉冲，则传输矩阵/>由g_l,k构成。类似地，发送的数据符号向量/>由发送符号x_l,k构成。则基带接收数据符号向量/>由接收数据符号y_l,k构成，表示为：

其中，表示由h(n-m,m)构成的卷积矩阵，W～CN(0,P_nG^HG)表示高斯白噪声。

S3、利用基扩展模型拟合时频双选信道信息，减少需要估计的信道系数，再根据基带接收数据得到FBMC-OQAM离散系统模型，根据FBMC-OQAM离散系统模型的BEM表示获取时频双选信道的信道系数矩阵。

构建基扩展模型BEM，BEM能够实现无ICI，有助于消除虚干扰。此步骤假设FBMC-OQAM系统只传输一个符号，且信道抽头总数为M，则并且等效信道时域双选信道H_T的伪循环形式为

[H_T]_i,j＝h(i,mod(i-j,L)),i,j∈[0,L] (9)

伪循环导致频域双选信道H_F为全矩阵而非对角矩阵，H_F可表示为

通过估计G^HHG，从而替代传统方案对信道脉冲响应H的估计，在实际中已经应用，因为通过插值估计，信道系数对应于G^HHG的对角线元素。

定义表示第m条信道抽头的时变特性，可用BEM表示为

其中，B表示基函数矩阵，表示第q阶BEM基函数向量。表示BEM建模误差，c_q,m表示相应的BEM系数，显然，在L个子载波和M个信道抽头的系统中，双选信道的系数数目为LM；通过BEM建模，信道系数数目可减少为QM个，其中Q＜＜L。定义/>表示第l个子载波对应的时变信道，表示第q阶BEM系数向量，并且/>则可将式(11)用紧凑的矩阵形式表示：

其中，并且，/>为了分析方便，忽略建模误差并取基函数为复指函数。/>表示为：

根据DCS理论，信道在变换域是稀疏的，假设第q阶BEM函数向量的循环矩阵为系数矩阵为/>则两个矩阵分别表示为：

其中，F_L是L阶离散傅里叶变换矩阵。若无需估计子载波间干扰(即系统具有无子载波干扰结构)，则根据式(9)-(15)，FBMC-OQAM离散系统模型可以用BEM表示为：

因此，所需导频子载波的数目在QM个数量级上，根据式(16)对C_q进行估计，可间接估计信道的状态信息。

S4、构造无子载波间干扰结构，建立分布式压缩感知DCS框架，根据无子载波间干扰结构将构成稀疏的信道系数矩阵C_q的稀疏的信道系数向量引入分布式压缩感知理论框架，得到新的分布式压缩感知框架。

稀疏的信道系数向量是由BEM建模确定的。由稀疏的信道系数向量构成的信道系数矩阵是估计信道信息的关键，因此需要从系数向量入手。为了将稀疏BEM系数向量引入DCS框架，本发明采用离散随机优化(DSO)算法优化导频结构。设导频子载波总数和相应的导频索引分别由P和θ表示，时频坐标中的导频结构如图3所示。有效导频子载波向量P_eff≠0索引θ_eff＝{θ₁,θ₂,…,θ_G}的基数为S＜G＜＜M，S表示稀疏度。保护导频子载波向量P_guard＝0索引的基数为/>则/>并且θ_eff∪θ_guard＝θ。当i≠j时，/>将所有的导频索引θ分配到Q个子集中，得到

进而，构建无ICI结构模型为

其中，表示接收的FBMC子载波子集，/>表示有效导频对角矩阵，表示子阵，W_q包含了噪声和建模误差。式(18)用克罗内克积改写为

其中，I_Q表示Q×Q的单位矩阵，Λ_q表示由元素(1,e^{-j2π(q-(Q+1)/2)/M},…,e^{-j2π(q-(Q+1)/2)m/M},…,e^{-j2π(q-(Q+1)/2)(M-1)/M})组成的M阶对角阵。即新的分布式压缩感知框架为式(19)。

S5、根据新的分布式压缩感知框架，利用稀疏自适应正交子空间追踪(SparseAdaptive Orthogonal Subspace Pursuit，SAOSP)算法重构信道系数，进而估计时频双选信道信息。

首先根据新的分布式压缩感知框架获取导频的第q阶观测向量Y_q和BEM系数的测量矩阵其次，计算最大相关性下限值/>利用原子最大相关下限值与稀疏度的反比关系确定稀疏度，保证稀疏度自适应，利用稀疏度确定合适的子空间维度，并选取所需原子集合，将原子集合作为子空间。将子空间正交投影，并迭代执行S5的上述过程，保证残差最小化，降低重构误差，直至满足迭代上限或自定义的误差阈值，得到重构向量：/>最后计算BEM信道系数向量：/>利用估计所得的BEM信道系数向量/>计算信道系数矩阵C_q，见式(15)，进而得到信道信息：其中，||·||表示对元素求模，A表示迭代过程所选的列矩阵，/>表示对矩阵A求伪逆，/>表示对矩阵/>求逆。

S6、结果分析。

a、算法重构成功率分析

观察图4，不同稀疏度下算法重构成功率。为了验证本发明所提算法适用于任意信道抽头数目，扩大信号长度为10³，固定测量值为300，并且假设重构误差小于10^-5，即重构成功。可以看出本发明所提算法具有较高的重构成功率。同样地，在相同测试环境下，固定稀疏度为S＝90，考察测量值从290到370时，信号恢复的成功率，所得结果如图5所示。可以看出，在不同测量值下，本发明所提算法同样具有较高的重构成功率。

b、NMSE结果分析

本发明使用的仿真参数配置为：子载波数目L＝512，传输符号数目K＝1，频率间隔(即子载波间隔)F＝15KHz，并且假设所有子载波均可用于传输。有效导频数目G＝32，BEM阶数Q＝5，信道抽头数目M＝50，信道环境为杰克斯快衰落(最大多普勒频移为1.16KHz，载波频率为2.5GHz。)，移动速度为V＝200km/h。调制方式为16-OQAM。

归一化均方误差(NMSE)的表达式为，

其中，||·||₂表示欧几里得范数。H_eq表示真实信道信息，表示估计的信道信息，E{·}表示求期望值。NMSE越小说明信道估计准确度越高。NMSE标准下本发明所提算法重建精度如图6所示。可见本发明的信道估计方法能够取得较高的信道估计准确度。。

c、误码率(BER)结果分析

本发明采用MMSE均衡进行符号检测，观察在不同信噪比(SNR)下的误码率曲线。从图7中可以看到本发明所提信道估计方案配合所提SAOSP算法能够使系统具有较高的信道估计准确度，更低的误码率。

d、干扰功率结果分析

本发明取重叠因子O＝4，在杰克斯快衰落信道下FBMC/OQAM系统数据块对导频位置的干扰贡献分布如图8所示，构建无ICI结构意味着频域位置的四块干扰完全消除。可提升信干比(SIR)约3-4dB。

本发明针对FBMC-OQAM系统双选信道拟合与估计方法，依据基扩展模型(BasisExpansion Model，BEM)拟合信道的优点对它进行应用，并结合分布式压缩感知理论提出一种稀疏自适应正交子空间追踪(Sparse Adaptive Orthogonal Subspace Pursuit，SAOSP)算法，精确重构信道系数，进而估计信道信息。

Claims (8)

1.基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：它包括以下步骤：

S1、基于离散随机优化算法确定FBMC-OQAM系统的导频结构，在导频位置的下一时间位置部署全零符号，其余位置部署数据符号，获取由FBMC-OQAM导频符号、FBMC-OQAM全零符号和FBMC-OQAM数据符号组成的帧结构，对帧结构进行调制，生成基带发送信号；

S2、根据基带发送信号和时频双选信道的脉冲响应，得到基带接收数据；

S3、利用基扩展模型拟合时频双选信道信息，再根据基带接收数据得到FBMC-OQAM离散系统模型，根据FBMC-OQAM离散系统模型的基扩展模型BEM表示获取时频双选信道的信道系数矩阵；

S4、构造无子载波间干扰结构，建立分布式压缩感知框架，根据无子载波间干扰结构将稀疏的信道系数矩阵中稀疏的信道系数向量引入分布式压缩感知框架，得到新的分布式压缩感知框架，具体过程为：

设导频子载波总数和相应的导频索引分别由P和θ表示，有效导频子载波向量P_eff≠0索引θ_ef＝{θ₁,θ₂,…,θ_G}的基数为保护导频子载波向量P_guard＝0索引的基数为则/>并且θ_eff∪θ_guard＝θ，当i j≠时，G表示有效导频索引数目，将所有的导频索引θ分配到Q个子集中，得到

进而，构建无子载波间干扰结构模型为

其中，表示接收的FBMC子载波子集，/>表示有效导频对角矩阵，表示子阵，L表示为子载波数目，W_q包含了噪声和建模误差；

上式用克罗内克积改写为

其中，θ_q表示第q阶导频索引，表示子阵，I_Q表示Q×Q的单位矩阵，其中Λ_q表示由元素组成的M阶对角阵，c_q表示稀疏的信道系数向量，/>表示傅里叶变换算子；/>表示计算处理后的傅里叶变换算子；

S5、根据新的分布式压缩感知框架，利用稀疏自适应正交子空间追踪算法重构信道系数，得到估计的时频双选信道信息，具体过程为：

S51、根据新的分布式压缩感知框架获取导频的第q阶观测向量和BEM系数的测量矩阵，计算原子最大相关性下限值；

S52、根据原子最大相关下限值与稀疏度的反比关系确定稀疏度；

S53、根据稀疏度确定子空间维度，并选取所需的子空间；

S54、将子空间正交投影，计算重构误差，并迭代执行S51-S54，直至满足迭代上限或误差阈值，得到重构向量；

S55、根据重构向量计算BEM信道系数向量，根据BEM信道系数向量获取信道系数矩阵，得到信道信息。

2.根据权利要求1中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S1中帧结构中“0”表示待传输的数据符号，“1”表示导频符号，“-1”表示全零符号。

3.根据权利要求2中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S1中基带发送信号为：

其中，Δt＝1/f_s表示采样间隔，f_s表示采样频率，K表示符号数目，L表示子载波数目，x_l,k表示实数数据符号，l表示频率位置，k表示时间位置，n表示离散时间，n＝1,2,…,N，N＝(4T₀+T(K-1))f_s，g_l,k((n-1)Δt-2T₀)表示基脉冲，T＝T₀表示时间间隔。

4.根据权利要求3中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S2中时频双选信道的脉冲响应为：

其中，m＝1,…M，M表示信道抽头总数，P表示传播路径总数，p＝1,…P，η_p表示第p条路径的路径衰减和初始相位，j表示虚数单位，τ_p表示第p条路径的固定延迟，ν_p表示第p条路径的多普勒频移。

5.根据权利要求4中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S2中基带接收数据为：

y＝G^HHGx+W (3)

其中，G表示传输矩阵，由g_l,k构成，H表示由h(n-m,m)构成的卷积矩阵，x由x_l,k构成，W表示高斯白噪声，W～CN(0,P_nG^HG),G^H表示传输矩阵G的共轭转置。

6.根据权利要求5中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S3中FBMC-OQAM离散系统模型为：

其中，B_q表示第q阶BEM函数向量的循环矩阵，C_q表示信道系数矩阵，Q表示信道系数数目。

7.根据权利要求6中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S51中根据新的分布式压缩感知框架获取导频的第q阶观测向量和BEM系数的测量矩阵，计算原子最大相关性下限值，具体过程为：

其中，||·||表示对元素求模，Y_q表示第q阶观测向量，Φ表示BEM系数的测量矩阵,M表示信道抽头总数。

8.根据权利要求7中所述的基于基扩展模型的FBMC-OQAM系统信道拟合与估计方法，其特征在于：S55中根据重构向量计算BEM信道系数向量，根据BEM信道系数向量获取信道系数矩阵，得到信道信息，具体过程为：

重构向量：

BEM信道系数向量：

信道系数矩阵：

信道信息：

其中，A表示迭代过程所选的列矩阵，表示对矩阵A求伪逆，/>表示对矩阵/>求逆，F_L是L阶离散傅里叶变换矩阵，/>表示稀疏的信道系数向量转置。