6。其中[PuPi,% · · ·，Pi,3。。]，0 < i〈16为CAZAC序列。 对应子矩阵的第一行为长度1序列？1的前1^个序列逆序生成的行向量? 1=[?^，？^-1，...， P1;1]，后面(M-L)行依次为上一行的移位，生成(M-L+1)XL的Toeplitz矩阵（托普利茨矩 阵），即为的第i个天线与信道对应的子矩阵可以用公式(2)进行表述。
[0151] 其中，公式(2)中的训练序列可以降低矩阵块内部列向量之间的相关值。
[0152] S302,根据训练序列集合与信道长度L = 300生成每个发射天线的子矩阵，通过对 所有子矩阵进行列重排以生成观测矩阵，根据压缩感知要求的观测矩阵的列互不相关性， 对观测矩阵的矩阵块相关值进行优化。
[0153] 在本发明的一个实施例中，计算观测矩阵中的任意两个矩阵块之间的相关值，并 根据计算结果确定出最大相关值，并将最大相关值作为观测矩阵的块相关值，其中，通过以 下公式(5)计算矩阵块之间的相关值：
[0154] β: ； 1 ' ；} , (5): /ηφι)ριφ：)
[0155] 其中，Φ#ΡΦ2是观测矩阵的两个矩阵块，为矩阵块仏的共辄转置，Ρ(Φ〇代表 矩阵块Φ?的最大奇异值，Ρ( φ 2)代表矩阵块φ 2的最大奇异值。
[0156] 在本发明的另一个实施例中，对观测矩阵的矩阵块相关值的优化，包括优化矩阵 块内部列向量之间的相关值和优化不同矩阵块列向量之间的相关值。
[0157] 进一步而言，在本发明的另一个实施例中，步骤S302具体包括，通过使用相关特性 好的序列优化矩阵块内部列向量之间的相关值，其中，相关特性好的序列包括时域二值m序 列、频域随机二值序列、恒包络零自相关序列和频移m序列。和通过预设优化算法优化不同 矩阵块列向量之间的相关值，其中，预设优化算法包括遗传算法、退火算法和粒子群算法。
[0158] 具体地，上述观测矩阵可为所有天线观测子矩阵按列重排后所得，观测矩阵的第j 个矩阵块的第i列为第i个子矩阵的第j列，即观测矩阵的第j个矩阵块为Φ」= [Ψι( j)，Ψ2 (」_)]，其中〇幻^心)为％的第」列0<1〈财，最终观测矩阵为1^=300个矩阵块的横向拼 接，即：
[0159] φ = [φ1,φ2,...,Φ30ο]
[0160] 其中，为了降低不同矩阵块列向量之间的相关值，可采用粒子群算法对上述训练 序列进行优化。
[0161] 在本发明的实施例中，可利用上述粒子群算法对训练序列进行优化。
[0162] 具体地，优化对象由300X 16长等幅序列分别作IDFT(Inverse Discrete Fourier Transform，离散傅里叶逆变换)并循环扩充后所对应的观测矩阵的矩阵块相关值。矩阵块 之间的相关值可通过上述公式(5)计算获得。
[0163] 例如，若有矩阵Φ 1和Φ 2，则其相关值为芦=,;、，其中，Φ 1和Φ 2是观测 ·〇(Φ:) 矩阵的两个矩阵块，为矩阵块Φι的共辄转置，Ρ(Φι)代表矩阵块Φι的最大奇异值，Ρ (Φ 2)代表矩阵块Φ 2的最大奇异值。
[0164] 在上述粒子群算法结束后，可获得一个适于信道估计的训练序列集合。
[0165] S303,将优化后的训练序列集合中的训练序列分别填充到每个发射天线的数据帧 的保护间隔中，并连同待发送数据一起发射。
[0166] S304,根据信道长度L = 300确定无块间干扰区域，并采用预设结构化压缩感知重 建算法对信道进行重建。
[0167] 在本发明的一个实施例中，无块间干扰区域为长度为Μ的训练序列后(Μ-L+l)个不 受前帧数据域块间干扰的部分，其中，预设结构化压缩感知重建算法的模型为r=?h+w，其 中，观测向量r为长度为Μ-L+l的接收训练序列的无块间干扰区域；Φ为观测矩阵;信道冲激 响应向量1ι=[1η，1ι 2，. . .，hL]是Nt个信道的时域冲激响应的重排，重排方式与观测矩阵类 似，长度为NtL，每一个子信道块lu同时为零或同时非零，零信道块的个数S远小于信道长度 L;w长度为Μ-L+l的独立同分布的高斯向量。其中，预设结构化压缩感知重建算法包括压缩 采样匹配追踪和块正交匹配追踪。
[0168] 举例而言，如图3所示，上述训练序列的无块间干扰区域可为420长训练序列中不 受前帧数据域块间干扰的部分，其长度为420-300+1 = 121，其中，300可为信道长度。
[0169] 利用上述121个点进行压缩感知的信道重建，其模型为：
[01 70] Γ121 = Ψ 121X480〇h4800+W121
[0171] 其中观测向量rm为接收到的训练序列的无块间干扰区域；
[0172] Φ?21Χ4800 为观测矩阵，
[0173] 信道冲激响应向量h48QQ=[hl，h2, . . .，h3QQ]是16个信道的时域冲激响应的重排，每 一个子信道块hi同时为零或同时非零，零信道块的个数S远小于信道长度300;
[0174] wm是独立同分布的高斯向量；
[0175] 使用Β0ΜΡ(块正交匹配追踪）算法对信道进行压缩重建，获得信道时域冲激响应 h5120〇
[0176] 根据本发明实施例的多天线时域训练序列填充方法，在根据发射天线个数Nt和训 练序列长度Μ确定待生成训练序列集合后，根据训练序列集合与信道长度L生成每个发射天 线的子矩阵，并通过对所有子矩阵进行列重排以生成观测矩阵，以及根据压缩感知要求的 观测矩阵的列互不相关性，对观测矩阵的矩阵块相关值进行优化，而后将优化后的训练序 列集合中的训练序列分别填充到每个发射天线的数据帧的保护间隔中，并连同待发送数据 一起发射，最后根据信道长度L确定无块间干扰区域，并采用预设结构化压缩感知重建算法 对信道进行重建。因此，该方法能够充分利用无线信道时域稀疏以及多天线信道空间相关 的特点，利用结构化压缩感知理论，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。
[0177] 为了实现上述实施例，本发明还提出一种多天线时域训练序列填充装置。
[0178] 图6是根据本发明一个实施例的多天线时域训练序列填充装置的方框示意图。
[0179] 如图6所示，该多天线时域训练序列填充装置包括生成模块100、优化模块200、组 帧模块300和信道重建模块400。
[0180] 其中，生成模块100用于根据发射天线个数Nt和训练序列长度Μ确定待生成训练序 列集合，其中，所述训练序列集合中每一个训练序列长度为Μ，所述训练序列集合元素个数 为Nt。
[0181] 其中，Nt可为大于1的正整数。
[0182] 在本发明的实施例中，训练序列集合中的编号为i的发射天线的训练序列可为下 述公式(1):
[0183] Pi=[Pi)i,Pi>2, . . . ,Ρι,μ] (1)
[0184] 编号为i的发射天线的子矩阵可为下述公式(2):
[0185]
⑵
[0186] 观测矩阵的第j个矩阵块可为下述公式(3):
[0187] Φ,二 ?ΨΧ/ΧΨ'/),.…Ψ' (./}] (3)
[0188] 其中，0 < j〈L，ΨΚ j)为 W的第j列，0 < i < Nt;
[0189] 观测矩阵由L个矩阵块横向拼接组成，观测矩阵可为下述公式(4):
[0190] φ = [φ1)φ2)...,φ?] (4)
[0191] 优化模块200用于根据训练序列集合与信道长度L生成每个发射天线的子矩阵，通 过对所有子矩阵进行列重排以生成观测矩阵，根据压缩感知要求的观测矩阵的列互不相关 性，对观测矩阵的矩阵块相关值进行优化。
[0192] 在本发明的实施例中，计算观测矩阵中的任意两个矩阵块之间的相关值，并根据 计算结果确定出最大相关值，并将最大相关值作为观测矩阵的块相关值，其中，通过以下公 式(5)计算矩阵块之间的相关值：
[0193] \ (5) /-7(Φ,?/ΗΦ：)
[0194] 其中，Φ#ΡΦ2是观测矩阵的两个矩阵块，为矩阵块仏的共辄转置，Ρ(Φ〇代 表矩阵块Φ?的最大奇异值，Ρ( Φ 2)代表矩阵块φ 2的最大奇异值。
[0195] 在本发明的一个实施例中，对观测矩阵的矩阵块相关值的优化，包括优化矩阵块 内部列向量之间的相关值和优化不同矩阵块列向量之间的相关值。
[0196] 进一步而言，在本发明的一个实施例中，优化模块200具体用于，通过使用相关特 性好的序列优化矩阵块内部列向量之间的相关值，其中，相关特性好的序列包括时域二值m 序列、频域随机二值序列、恒包络零自相关序列和频移m序列。和通过预设优化算法优化不 同矩阵块列向量之间的相关值，其中，预设优化算法包括遗传算法、退火算法和粒子群算 法。
[0197] 组帧模块300用于将优化后的训练序列集合中的训练序列分别填充到每个发射天 线的数据帧的保护间隔中，并连同待发送数据一起发射。
[0198] 信道重建模块400用于根据信道长度L确定无块间干扰区域，并采用预设结构化压 缩感知重建算法对信道进行重建。
[0199] 在本发明的实施例中，无块间干扰区域为长度为Μ的训练序列后(Μ-L+l)个不受前 帧数据域块间干扰的部分，其中，预设结构化压缩感知重建算法的模型为r= Φ?ι+w，其中， 观测向量r为长度为Μ-L+l的接收训练序列的无块间干扰区域；Φ为观测矩阵;信道冲激响 应向量1ι=[1η，1ι 2,. . .，hL]