基于压缩感知信道估计的时域训练序列的填充方法及系统的制作方法
【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信道估计的时域训练序列 的填充方法及装置。
【背景技术】
[0002] 随着近年来通信技术的不断崛起，块传输系统由于其低复杂度、高频谱效率以及 抗多径信道的能力，得到了很大的发展。为了防止两个连续传输块的块间干扰，通常需要 在两个块之间加入GI(GuardInterval,保护间隔）。GI按其种类可以分为：CP(Cyclic prefix,循环前缀）、ZP(zeropadding,零填充）以及TDS(timedomainsynchronous,时域 同步）。前两者不能进行信道估计，通常需要额外增加导频造成很大的频谱效率损失。另一 方面，TDS系统通过将GI和TS(trainingsequence，训练序列）进行结合，同时实现了防块 间干扰、接收机同步以及信道估计，体现了IDS-TS系统的模块化设计、高频谱效率、快速同 步性能。正因为它的优越性能，TDS-OFDM(OrthogonalFrequencyDivisionMultiplexing， 正交频分复用）技术已经成为我国自主知识产权研发的国际第四代地面数字电视广播标 准的核心技术之一。
[0003] 然而，运用TDS-TS进行信道估计有很大的挑战。由于信道的多径效应，TS会受到 前一帧数据块的干扰，通常的办法是运用迭代的方法将干扰消除，但其复杂度非常高，精度 也不好；其它的办法还有采用连续两个相同的TS，但只利用第二个TS进行信道估计，这样 可以有效消除块间干扰，但会大大降低频谱效率。因此，提出一个低复杂度、高频谱效率、高 精度的信道估计方法势在必行，其关键技术则是设计一个性能优异时域训练序列构造方法 及对应高精度信道估计方法。
【发明内容】
[0004] 本发明旨在至少解决上述技术问题之一。
[0005] 为此，本发明的一个目的在于提出一种基于压缩感知信道估计的时域训练序列的 填充方法，该方法能够有效填充块传输系统中的训练序列，实现低复杂度、高频谱效率、高 精度的信道估计。
[0006] 为了实现上述目的，本发明的第一方面的实施例公开了一种基于压缩感知信道估 计的时域训练序列的填充方法，包括以下步骤：SI.根据所需的最大信道长度L随机生成nd 个L长的等幅序列组成等幅序列集合，其中I^Pnd均为自然数；S2.采用遗传算法对所述等 幅序列集合进行计算，得到适应度最优的等幅序列；S3.将所述最优的等幅序列进行L点离 散傅里叶逆变换，循环扩充到所需的训练序列的长度M，作为获得的时域训练序列；S4.将 所述时序训练序列填充到块传输系统当中，在发射端将所述时序训练序列连同数据域一起 发射；在接收端，利用训练序列的无块间干扰区域对信道进行压缩重建，所述无块间干扰区 域为训练序列中不受前帧数据域块间干扰的部分。
[0007] 根据本发明实施例的基于压缩感知信道估计的时域训练序列的填充方法，实现信 道时域冲激响应的重建。具有低复杂度、高频谱效率、高精度的特点。
[0008] 另外，根据本发明上述实施例的一种基于压缩感知信道估计的时域训练序列的填 充方法还可以具有如下附加的技术特征：
[0009] 进一步地，在步骤Sl中，所述等幅序列的元素从集合{1，-1}中取值。
[0010] 进一步地，在步骤S2中，设定最大进化代数ng、交互概率p。、变异概率Pni和离散概 率分布P，所述遗传算法包括以下步骤：
[0011] S2A.将％个L长所述等幅序列作为算法的第一代的个体集合；
[0012] S2B.如果所述等幅序列的当代进化代数等于最大进化代数ng或当代个体全部相 同，则进入步骤S2N，否则进入步骤S2C;
[0013] S2C.计算当前一代的个体适应度；
[0014] S2D.根据适应度大小为个体分配选择概率；
[0015] S2E?交互次数初始化为0 ;
[0016] S2F.如果交互次数大于nd/2,则进入步骤S2L，否则进入S2G;
[0017] S2G.根据每一个个体的选择概率选择两个个体；
[0018] S2H.根据所述交互概率p。对两个所述个体中的所有元素依次判断是否进行交互， 在对所述个体的所述元素都判断后，交互次数计数加1 ;
[0019] S2I.对每个个体，根据所述变异概率pj夬定是否变异；
[0020] S2J.交互后的新个体作为子代；
[0021] S2K?返回步骤S2F;
[0022] S2L.所述等幅序列进化代数加1 ;
[0023] S2M?返回步骤S2B;
[0024] S2N.获得适应度最小的当代个体；
[0025] S20.根据所述适应度最小的当代个体生成所述适应度最优的等幅序列；
[0026] 在步骤S3中，将所述适应度最优的等幅序列进行循环扩充，获得所述时域训练序 列。
[0027] 进一步地，所述的适应度为由L长等幅序列循环扩充到M长后所得到的Toeplitz 矩阵的矩阵相关值。
[0028] 进一步地，长度为L的等幅序列进行L点IDFT后的序列为I\=[Pi，P2, ...，PJ， 循环扩充为长度M的序列为Pm=[Pi，P2, . . .，Pt，P1,P2, . . .，PmJ，所得到的To印Iitz矩阵 W为：
[0029]
[0030] 进一步地，在步骤S2中，适应度最优的等幅序列是由所述等幅序列L根据优化观 测矩阵相关值的最小值获得，所述的矩阵相关值为矩阵任意两列之间相关的最大值；所述 适应度最优为适应度数值最小。
[0031] 进一步地，在步骤S4中，所述无块间干扰区域长度为M-L+l。
[0032] 进一步地，在步骤S4中，所述的压缩感知重建的模型为
[0033] r=Wh+n
[0034] 其中，观测向量r，长度为M-L+1，为接收到的训练序列的无块间干扰区域；W为所 述Toeplitz矩阵；h是信道的时域冲激响应，长度为L，其非零元个数S远小于L;n长度为 M-L+1，是独立同分布的高斯噪声。
[0035] 进一步地，所述重建方法包括压缩采样匹配追踪或正交匹配追踪。
[0036] 此外，本发明的另一方面的实施例还提出了一种基于压缩感知信道估计的时域训 练序列的填充系统，包括：
[0037] 等幅序列生成模块：用于随机生成ndfL长等幅序列组成等幅序列集合，其中L和 nd均为自然数；
[0038] 等幅序列优化模块：用于根据等幅序列生成模块，采用压缩感知的互不相关准则， 获得适应度最优的等幅序列；
[0039] 训练序列生成模块：用于根据等幅序列优化模块优化的等幅序列，先后进行L点 IDFT和循环扩充，获得M长训练序列；
[0040] 基于压缩感知的信道冲激响应估计模块，用于利用训练序列的无块间干扰区域， 采用压缩感知重建的贪婪算法对信道进行压缩重建。
[0041] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0042] 本发明的上述和/或附加的方面和优点从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：
[0043] 图1为一种基于压缩感知信道估计的时域训练序列的填充方法流程图；
[0044] 图2为OFDM帧结构及其在多径信道下的块间干扰示意图；
[0045] 图3为一种基于压缩感知信道估计的时域训练序列的填充系统结构图。
【具体实施方式】
[0046] 下面详