一种基于压缩感知的时频联合信道估计的方法及装置制造方法
【专利摘要】本发明公开了一种基于压缩感知的时频联合信道估计的方法及装置。该方法包括步骤：S1.进行当前信号帧的信道冲激响应的初估计，获得信道冲激响应的粗估计信息；S2.根据信道冲激响应的粗估计信息，进行当前信号帧的OFDM数据块的循环重构，获得重构的OFDM数据块；S3.根据步骤S1获得的信道冲激响应的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得信道冲激响应的精确估计信息，所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。本发明的方法能够提高块传输系统抵抗最大多径时延长度、信道估计精度以及系统频谱利用率，在最大多径时延超过保护间隔的情况下依然具有很好的信道估计性能。
【专利说明】一种基于压缩感知的时频联合信道估计的方法及装置
【技术领域】
[0001]本发明属于通信【技术领域】，特别涉及一种基于压缩感知的时频联合信道估计的方法及装置。
【背景技术】
[0002]对于无线通信中的块传输系统而言，在大的时延扩展信道下，时域数据块之间存在不可忽略的 IBI (Inter Block Interference,块间干扰)。米用 OFDM (OrthogonalFrequency Division Multiplexing,正交频分复用)的块传输系统中，对抗IBI的一种有效方法是在时域OFDM数据块之间填充GI (Guard Interval，保护间隔)。在信道的最大多径时延不超过GI长度的情况下，时域OFDM数据块之间不会产生干扰。
[0003]根据GI填充内容的不同，存在着多种GI填充技术，基于PN (Pseudo-randomNoise,伪随机噪声)序列填充的方法是属于TDS(Time Domain Synchronous,时域同步)-OFDM系统的一个重要特征，PN序列能作为训练序列完成系统的同步和信道估计，使得TDS-OFDM系统具有很高的频谱利用效率，该技术已成功应用到中国地面数字电视传输DTMB 标准(Digital Television Multimedia Broadcast)中。
[0004]在传统的单PN的TDS-OFDM系统中，通信系统的信道估计需要通过迭代干扰消除来进行，复杂度较高，估计精度较低，误差主要来源于多径幅度的估计。
【发明内容】
[0005](一)要解决的技术问题
[0006]本发明所要解决的技术问题是传统TDS-OFDM系统的信道估计方法估计精度较低、干扰消除的复杂度较高，在长时延条件下性能显著下降。
[0007](二)技术方案
[0008]为解决上述问题，本发明提出一种基于压缩感知的时频联合信道估计的方法，该方法包括:
[0009]S1.进行当前信号帧的信道冲激响应的初估计，获得信道冲激响应的粗估计信息；
[0010]S2.根据信道冲激响应的粗估计信息，进行当前信号帧的OFDM数据块的循环重构，获得重构的OFDM数据块；
[0011 ] S3.根据步骤SI获得的信道冲激响应的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得信道冲激响应的精确估计信息，所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
[0012]其中，在步骤SI中，所述信号帧包括帧头和帧体，其中，帧头为训练序列，长度为M，帧体为时域OFDM数据块，长度为N，所述训练序列为频域伪随机序列的离散傅立叶逆变换或时域伪随机序列。
[0013]其中，在步骤SI中，根据接收到的当前信号帧的训练序列进行信道冲激响应的估计，得到当前信号帧的信道冲激响应的初估计结果。
[0014]其中，在步骤SI中，所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列，采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应，并保留幅值超过预设值的径作为初估计结果。
[0015]其中，所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得，其中，频域OFDM数据块的部分子载波上为已知的导频，其他子载波上为调制后的数据，所述导频的数量远小于数据块的长度。
[0016]其中，所述导频为横模序列，所述导频的平均功率大于、小于或等于数据块的平均功率，所述导频随机放置在数据块中。
[0017]其中，在步骤S2中，所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾，再加上OFDM数据块和信道卷积的拖尾。
[0018]其中，在步骤S3中，所述压缩感知的算法包括凸优化算法和贪婪算法；
[0019]所述凸优化算法包括内点法、I阶范数最小化算法；
[0020]所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法、稀疏自适应匹配追踪法。
[0021]其中，所述压缩感知算法的测量量(Measurements)为接收到的OFDM数据块中已知位置上的导频值；测度矩阵(Measurement Matrix)为傅里叶变换矩阵。
[0022]本发明还提出一种基于压缩感知的时频联合信道估计的装置，其特征在于，该装置包括:
[0023]当前信号帧的信道冲激响应初估计模块，用于获得信道冲激响应的粗估计信息；
[0024]OFDM数据块的循环重构模块，用于根据信道冲激响应的粗估计信息，进行OFDM数据块的循环重构；
[0025]基于压缩感知的信道冲激响应估计模块，用于根据获得的信道冲激响的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得精确的信道冲激响应估计结
果O
[0026](三)有益效果
[0027]相比于现有技术，本发明提供的信道估计方法和装置，能够提高信道估计精度、减小干扰消除的复杂度、提高TDS-OFDM系统抵抗最大多径时延长度、提高系统频谱利用率以及提高系统抗时变性能。
【专利附图】
【附图说明】
[0028]图1为一种基于压缩感知的时频联合信道估计的方法流程图；
[0029]图2为一种改进的单PN的TDS-OFDM系统的帧结构示意图；
[0030]图3为重构OFDM数据块示意图；
[0031]图4为实施例1中信道估计方法效果示意图；
[0032]图5为实施例1中信道估计方法均方误差分析图；
[0033]图6为一种基于压缩感知的时频联合信道估计的装置结构图。
【具体实施方式】[0034]下面结合附图和实施例，对本发明的【具体实施方式】作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0035]在信号处理界,压缩感知(Compressed Sensing)理论被认为是近十年来最大的理论突破。该理论首先由Candes、Romberg、Tao和Donoho等人在2004年提出，Candes证明了只要信号在某一个正交空间具有稀疏性，就能以远低于采样的频率采样信号，而且可以以高概率重构该信号。这一理论为图像压缩、信道估计等带来了崭新的研究方法。研究表明，无线信道一般可以用稀疏的多径信道来建模，天生具有很好的稀疏性，可以很好的应用压缩感知算法。
[0036]本发明采用的一种改进帧结构和算法，只需要在频域OFDM数据块中离散的插入少量的已知导频，采用压缩感知算法，结合粗估计获得的信道时延，能够获得非常准确的信道估计。同时，本方法大大提高了系统可抵抗的最大多径时延，即使多径时延接近甚至超过保护间隔，仍然也有较精确的信道估计结果。
[0037]如图1所示，本发明提出一种基于压缩感知的时频联合信道估计的方法，该方法包括:
[0038]S1.进行当前信号帧的信道冲激响应的初估计，获得信道冲激响应的粗估计信息；
[0039]S2.根据信道冲激响应的粗估计信息，进行当前信号帧的OFDM数据块的循环重构，获得重构的OFDM数据块；
[0040]S3.根据步骤SI获得的信道冲激响应的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得信道冲激响应的精确估计信息，所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
[0041]其中，在步骤SI中，所述信号帧包括帧头和帧体，其中，帧头为训练序列，长度为M，帧体为时域OFDM数据块，长度为N，所述训练序列为频域伪随机序列的离散傅立叶逆变换或时域伪随机序列。
[0042]其中，在步骤SI中，根据接收到的当前信号帧的训练序列进行信道冲激响应的估计，得到当前信号帧的信道冲激响应的初估计结果。
[0043]其中，在步骤SI中，所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列，采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应，并保留幅值超过预设值的径作为初估计结果。
[0044]其中，所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得，其中，频域OFDM数据块的部分子载波上为已知的导频，其他子载波上为调制后的数据，所述导频的数量远小于数据块的长度。
[0045]其中，所述导频为横模序列，所述导频的平均功率大于、小于或等于数据块的平均功率，所述导频随机放置在数据块中。
[0046]其中，在步骤S2中，所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾，再加上OFDM数据块和信道卷积的拖尾。
[0047]其中，在步骤S3中，所述压缩感知的算法包括凸优化算法和贪婪算法；
[0048]所述凸优化算法包括内点法、I阶范数最小化算法；
[0049]所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法、稀疏自适应匹配追踪法。
[0050]其中，所述压缩感知算法的测量量(Measurements)为接收到的OFDM数据块中已知位置上的导频值；测度矩阵(Measurement Matrix)为傅里叶变换矩阵。
[0051]实施例1
[0052]本实施例具体公开一种应用于改进的单PN的TDS-OFDM系统的基于压缩感知的时频联合信道估计的方法，该方法包括:
[0053]S1.进行当前信号帧的信道冲激响应的初估计，获得信道冲激响应的粗估计信息；
[0054]其中，所述信号帧包括帧头和帧体，如图2所示，其中，帧头为一段训练序列，长度为M，本实施例中M=255，所述训练序列用表示，帧体为时域OFDM数据块，长度为
N，本实施例中N=3780，所述训练序列为频域伪随机PN序列的离散傅立叶逆变换。
[0055]其中，所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得，其中，频域OFDM数据块的部分子载波上为已知的导频，其他子载波上为调制后的数据，所述导频的数量远小于数据块的长度，本实施例中已知的导频的数量L=36，所述导频随机插入OFDM数据块的频域子载波上，其中，第k个导频的值记为P (k)，位置记为T (k)，k e [O, L-1]。导频的功率为数据块平均功率的2倍。
[0056]其中，根据接收到的当前信号帧的训练序列进行信道冲激响应的估计，得到当前信号帧的信道冲激响应的初估计结果。
[0057]其中，所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列，采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应，并保留幅值超过预设值的径作为初估计结果。
[0058]本实施例中，信道冲激响应的估计方法为:根据接收到的当前信号帧的训练序列{c(n)Cl0和当前信号帧发送前的训练序列忙丨;S，采用傅里叶变换域相除法得到信道冲激响应，并保留幅值超过预设值的径作为初估计结果。
【权利要求】
1.一种基于压缩感知的时频联合信道估计的方法，其特征在于，该方法包括: 51.进行当前信号帧的信道冲激响应的初估计，获得信道冲激响应的粗估计信息； 52.根据信道冲激响应的粗估计信息，进行当前信号帧的OFDM数据块的循环重构，获得重构的OFDM数据块； 53.根据步骤SI获得的信道冲激响应的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得信道冲激响应的精确估计信息，所述精确的估计信息作为当前信号帧的信道冲激响应的估计结果。
2.根据权利要求1所述的方法，其特征在于，在步骤SI中，所述信号帧包括帧头和帧体，其中，巾贞头为训练序列，长度为M,巾贞体为时域OFDM数据块,长度为N,所述训练序列为频域伪随机序列的离散傅立叶逆变换或时域伪随机序列。
3.根据权利要求2所述的方法，其特征在于，在步骤SI中，根据接收到的当前信号帧的训练序列进行信道冲激响应的估计，得到当前信号帧的信道冲激响应的初估计结果。
4.根据权利要求3所述的方法，其特征在于，在步骤SI中，所述信道冲激响应的估计方法包括:根据接收到的当前信号帧的训练序列和当前信号帧发送前的训练序列，采用傅里叶变换域相除法或时域线性卷积法得到信道冲激响应，并保留幅值超过预设值的径作为初估计结果。
5.根据权利要求2所述的方法，其特征在于，所述时域OFDM数据块由长度为N的频域OFDM数据块做N点离散傅里叶逆变换获得，其中，频域OFDM数据块的部分子载波上为已知的导频，其他子载波上为调制后的数据，所述导频的数量远小于数据块的长度。
6.根据权利要求5所述的方法，其特征在于，所述导频为横模序列，所述导频的平均功率大于、小于或等于数据块的平均功率，所述导频随机放置在数据块中。
7.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述OFDM数据块的循环重构包括:在接收到的OFDM数据块中减去训练序列和信道卷积的拖尾，再加上OFDM数据块和信道卷积的拖尾。
8.根据权利要求1所述的方法，其特征在于，在步骤S3中，所述压缩感知的算法包括凸优化算法和贪婪算法； 所述凸优化算法包括内点法、I阶范数最小化算法； 所述贪婪算法包括压缩采样匹配追踪法、正交匹配追踪法、稀疏自适应匹配追踪法。
9.根据权利要求8所述的方法，所述压缩感知算法的测量量为接收到的OFDM数据块中已知位置上的导频值；测度矩阵为傅里叶变换矩阵。
10.一种基于压缩感知的时频联合信道估计的装置，其特征在于，该装置包括: 当前信号帧的信道冲激响应初估计模块，用于获得信道冲激响应的粗估计信息； OFDM数据块的循环重构模块，用于根据信道冲激响应的粗估计信息，进行OFDM数据块的循环重构； 基于压缩感知的信道冲激响应估计模块，用于根据获得的信道冲激响的粗估计信息，利用重构的OFDM数据块中的导频信息进行压缩感知，获得精确的信道冲激响应估计结果。
【文档编号】H04L25/02GK103731380SQ201410003290
【公开日】2014年4月16日 申请日期:2014年1月3日 优先权日:2014年1月3日
【发明者】杨昉, 丁文伯, 宋健, 潘长勇 申请人:清华大学