一种基于压缩感知的双层异构网络干扰信道迭代估计方法与流程

本发明属于移动通信技术领域，具体涉及5g系统中一种基于压缩感知的双层异构网络干扰信道迭代估计方法。

背景技术：

无线通信系统的容量已经增长超过了原先的100万倍，根据统计，有近60％的话音业务和90％的数据业务在室内进行。与此同时，城市化发展使无线信号传播环境愈加恶劣，高楼的迭起增加了室内通信的穿透损耗。解决室内覆盖，提升室内通信容量，为用户提供高速率和高质量的室内服务变得十分迫切。家庭基站作为一种新型的无线接入技术，具有发射功率低、传输速率高、方便部署、使用成本低等优点，能够针对居住小区的场景，有效增加网络容量，较好地解决室内覆盖问题。基于家庭基站的双层异构网络由两个相互独立的层组成，异构网络的结构比传统网络的结构复杂，干扰更严重。协作网络中利用导频信息，通过ls、mmse算法做信道估计，在非协作异构网络中，当期望链路的数据信息和干扰链路的导频信息发生重叠时，利用传统方法估计得到的信道信息并不理想。

压缩感知技术通过开发信号的稀疏特性，采用随机采样得到少量离散样本，通过非线性算法实现信号重构。在宽带无线信道中，多径信道仅由少量有效路径支配，信道具有稀疏性，利用压缩感知技术可以进行信道估计。将压缩感知技术用于异构网络的干扰信道估计中，可以获得比传统估计方法更好的性能。

技术实现要素：

本发明的目的是提供一种基于压缩感知的双层异构网络干扰信道迭代估计方法，以有效解决非协作异构网络中的干扰信道估计问题，从而去除网络中的小区间干扰。与传统的信道估计法相比，大信噪比时，该方法具有更好的估计性能，通过迭代同时得到干扰信道信息和期望数据符号。

为此目的，本发明采用的技术方案为一种基于压缩感知的双层异构网络干扰信道迭代估计方法，其特征在于，包括以下步骤：

步骤1：获取离散样本：基于压缩感知对接收信号做压缩采样，并去除循环前缀；

步骤2：初始化期望数据符号：对于同步且共享同频信道的基于家庭基站的双层异构网络，当家庭基站或宏基站任一方作为服务小区时，另一方作为干扰小区；首先假设网络中不存在干扰，通过mmse算法估计初始的期望符号数据；

步骤3：估计干扰信道信息：观测矩阵选取确定性结构的稀疏二值矩阵，干扰导频符号幅度相同、相位在[0,2π]上均匀分布，使用omp算法作为压缩感知信号重建算法，从离散样本中去除估计的期望信号部分，通过omp算法求解干扰信道响应估计值；

步骤4：更新期望数据符号：从离散样本中去除估计的干扰信号部分，通过mmse算法更新期望数据符号，若期望数据符号稳定收敛，估计得到干扰信道信息和期望信号，结束本流程，若不收敛则执行步骤3。

根据权利要求1所述的基于压缩感知的双层异构网络干扰信道迭代估计方法，其特征在于，所述步骤1中对接收信号做压缩采样时定义接收端的接收信号为：

式中hd是期望信道响应矩阵，为一(n+ng)×(n+ng)的托普利兹矩阵；f是fft矩阵，tcp是循环前缀矩阵，是干扰导频符号矩阵；n是加性干扰白噪声；xd和hi分别是待估计的期望数据和干扰信道响应；基于压缩感知对接收信号做压缩采样，采样的离散值为z＝φy，接着去除循环前缀，获得的离散样本为：

式中是去循环前缀矩阵，ad和ai分别为待估计的xd和hi的系数矩阵，

根据权利要求1所述的基于压缩感知的双层异构网络干扰信道迭代估计方法，其特征在于，所述步骤2中通过mmse算法估计初始的期望符号数据，假设期望链路信号和加性高斯白噪声不相关，hi内非零元素的位置、个数等信息都是未知的，不考虑hi的协方差矩阵，估计的期望符号为：

式中n是子载波数2048，为使用的子载波数1982，和是协方差矩阵，分别为为期望信号能量和噪声方差。

根据权利要求1所述的基于压缩感知的双层异构网络干扰信道迭代估计方法，其特征在于，所述步骤3中选取确定性结构的稀疏二值矩阵作为观测矩阵，矩阵的结构为：

从离散样本中去除估计的期望信号部分，hi[n]中有p条有意义的路径，p＜＜l，hi的重构与ai有关，令发送端的干扰导频符号幅度相同、相位在[0,2π]上均匀分布，使用omp重构算法，通过求解l1范数问题可以恢复出hi：

根据权利要求1所述的基于压缩感知的双层异构网络干扰信道迭代估计方法，其特征在于，所述步骤4具体包括：从离散样本中去除估计的干扰信号部分，无线信道中存在加性高斯白噪声，干扰不能完全消除，对剩余项进行mmse估计，得到新的期望数据符号：

式中通过对进行更新而对期望数据符号进行更新，假设矩阵中的元素独立同分布，是的协方差矩阵，s是估计干扰信道的支持集，定义为：

式中c1为一常数，且判断更新后的期望符号数据是否稳定收敛，如果稳定收敛，则结束流程，得到最终的干扰信道信息和期望信号，若不收敛则继续循环迭代，估计新的干扰信道和期望数据符号。

与现有技术相比，本发明的有益效果：

1，本发明将压缩感知框架与双层异构网络的信道估计技术相结合，能够在迭代少量次数后同时估计出干扰信道信息和期望数据信息，与传统信道估计方法相比，本发明在高信噪比时具有明显的性能优势。

2，本发明有效地解决了非协作双层异构网络中干扰信道的估计问题，利用宽带无线信道的稀疏性，通过压缩感知估计干扰信道与期望数据符号，有效去除网络中的小区间干扰，通过循环迭代同时得到干扰信道信息和所需的期望数据符号。

附图说明

图1是本发明所提供的系统整体框架图；

图2是本发明所提供的干扰信道估计流程图；

图3是本发明所提供的双层异构网络架构示意图；

图4为本发明所提供的不同迭代次数时干扰信道估计误差仿真结果；

图5为本发明所提供的干扰信道估计误差和传统ls方法的估计误差仿真结果。

具体实施方式

现结合附图对本发明作更进一步的说明。

如图3所示，家庭基站和宏基站构成了双层异构网络，网络中的结构复杂，干扰严重。当干扰信道信息已知时，可以进行干扰消除。本发明所提供的系统整体框架如图1所示，假设期望链路信号为干扰链路信号为两条链路的发送信号分别为f为fft矩阵，

接收端接收到的信号可以表示为：

n(t)是信道中的加性高斯白噪声，其方差为上式又可以表示为：

其中hd为一(n+ng)×(n+ng)的托普利兹矩阵，为一(n+ng)×n的托普利兹矩阵。假设hd(t)已知，对hi(t)做估计，估计流程图如图2所示。

采样的离散值为z＝φy，接着去除循环前缀，获得的离散样本为：

基于压缩感知对干扰信道进行估计，选取确定性结构的稀疏二值矩阵作为观测矩阵，矩阵的结构为：

φ是一个分块类对角矩阵，z＝φy，去除循环前缀后得到m个离散样本：

式中是去循环前缀矩阵，ad和ai分别为待估计的xd和hi的系数矩阵，

在xd和nφ都未知的情况下，通过mmse算法估计初始的期望符号数据，假设期望链路信号和加性高斯白噪声不相关，hi内非零元素的位置、个数均未知，不考虑hi的协方差矩阵，估计的期望符号为：

式中n是子载波数2048，为使用的子载波数1982，和是协方差矩阵，估计出后，将期望信号部分从v中去除：

从离散样本中去除估计的期望信号部分，hi[n]中有p条有意义的路径，p＜＜l，hi的重构与ai有关，令发送端的干扰导频符号幅度相同、相位在[0,2π]上均匀分布，使用omp重构算法，通过求解l1范数问题可以恢复出hi：

从离散样本中去除估计的干扰信号部分，无线信道中存在进行高斯白噪声，干扰不能完全消除，对剩余项进行mmse估计，得到新的期望数据符号：

式中通过对进行更新而对期望数据符号进行更新，假设矩阵中的元素独立同分布，是的协方差矩阵，s是估计干扰信道的支持集，定义为：

式中c1为一常数，且判断更新后的期望符号数据是否稳定收敛，如果稳定收敛，则结束流程，得到最终的干扰信道信息和期望信号，若不收敛则继续循环迭代，估计新的干扰信道和期望数据符号。迭代不同次数时干扰信道估计误差仿真结果如图4所示，迭代5次时估计误差曲线已经收敛。从图5可见，当迭代次数为5时，信噪比较高的情况下，该方法比传统ls方法的估计性能更好。

需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明所限定的范围。