练序列填充方法及 装置。
[0039] 图1是根据本发明一个实施例的多天线时域训练序列填充方法的流程图。
[0040] 如图1所示，该多天线时域训练序列填充方法包括以下步骤：
[0041] S1，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，训练 序列集合中每一个训练序列长度为Μ，训练序列集合元素个数为Nt。
[0042] 其中，Nt可为大于1的正整数。
[0043] S2,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。
[0044] S3,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。
[0045] S4,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。
[0046] 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。
[0047]需要理解的是，本发明实施例的多天线时域训练序列填充方法可应用于下列三种 系统中：第一种，本发明实施例的多天线时域训练序列填充方法可应用于2X2MM0-0FDM (提高信道的容量）系统中，如图2所示，用于2 X 2Μ頂0-0FDM(提高信道的容量)系统中的多 天线时域训练序列填充方法可包括以下步骤：
[0048] S101，根据发射天线个数Nt = 2和训练序列长度Μ=255确定待生成MXNt = 255X2 训练序列集合，其中，训练序列集合中每一个训练序列长度为M = 255,训练序列集合元素个 数为Nt = 2。
[0049]在本发明的一个实施例中，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):
[0050] Ρ?=[Ρ?;ι,Ρ?,2, . . . ,Ρι,μ] (1)
[0051 ]编号为i的发射天线的子矩阵可为下述公式(2):
[0052]
(2)
[0053] 观测矩阵的第j个矩阵块可为下述公式(3):
[0054] Φ; =[ψ?(./)，Ψ3(./),...,Ψ, (/)] ⑶
[0055] 其中，0 < j〈L，ΨΚ j)为 W的第j列，0 < i < Nt;
[0056] 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):
[0057] φ = [φ1,φ2,...,Φι] (4)
[0058] 具体地，上述255 X 2训练序列集合中生成的2个训练序列分别为PoztPoa， P〇, 2，· · ·，P〇,L，P〇, 1，· · ·，P〇,M-L]和Pi = [Pl,l，Pl,2, · · ·，Pl,L，Pl,l，· · ·，Pl,M-L]。其中[Ρο,ι， P0,2, . . .，P0,L]和[Pl,l，Pl,2, . . .，Pl,L]分别为频域随机二值序列，且对应子矩阵的第一行为 长度Μ序列Pi的前L个序列逆序生成的行向量. . .，pi;1]，后面(Μ-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。
[0059] 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。
[0060] S102,根据训练序列集合与信道长度L=192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。
[0061] 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：
[0062] ^ = (5) 广((1)丨)广((1):)
[0063] 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:)代 表矩阵块 φ1的最大奇异值，Ρ( Φ 2)代表矩阵块Φ 2的最大奇异值。
[0064] 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。
[0065]进一步而言，在本发明的另一个实施例中，步骤S102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。 [0066]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％的第例0<1〈财，最终观测矩阵为1^=192个矩阵块的横向拼 接，即：
[0067] φ = [φ1,φ2,...,Φ?92]
[0068] 其中，为了降低不同矩阵块列向量之间的相关值，可采用遗传算法对上述训练序 列进行优化。
[0069]在本发明的实施例中，假设最大进化代数nd = 100、交互概率pc = 0.5、变异概率pm = 0.005和一个离散概率分布P。可利用上述遗传算法对训练序列进行优化。
[0070]如下所示，该遗传算法对训练序列进行优化的具体过程可包括：
[0071 ] S2A.将nd= 100个192 X 2长等幅序列作为算法的第一代的个体集合；
[0072] S2B.如果等幅序列的当代进化代数等于最大进化代数nd = 100或者当代个体全部 相同，则进入步骤S2N，否则进入步骤S2C;
[0073] S2C.计算当前一代的个体适应度；
[0074] S2D.根据适应度大小为个体分配选择概率；
[0075] S2E.交互次数初始化为0;
[0076] S2F.如果交互次数大于50，则进入步骤S2L，否则进入步骤S2G;
[0077] S2G.根据每一个个体的选择概率选择两个个体；
[0078] S2H.根据交互概率pc对两个个体中的所有元素依次判断是否进行交互，在对个体 的元素都判断后，交互次数计数加1;
[0079] S2I.对每个个体，根据变异概率?2夬定是否变异；
[0080] S2J.交互后的新个体作为子代；
[0081] S2K.返回步骤 S2F;
[0082] S2L.等幅序列进化代数加1;
[0083] S2M.返回步骤 S2B;
[0084] S2N.获得适应度最小的当代个体；
[0085] S20.根据适应度最小的当代个体生成适应度最优的多天线等幅序列；
[0086] 其中，上述适应度为由192 X 2长等幅序列分别作IDFT (Inverse Di screte 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。
[0087] 例如，若有矩阵Φ !和Φ 2，则其相关值为W，其中，Φ !和Φ 2是观测 Ρ(Φ,)/ΗΦ：) 矩阵的两个矩阵块，为矩阵块φ 1的共辄转置，Ρ( φ 1)代表矩阵块φ 1的最大奇异值，Ρ (φ 2)代表矩阵块φ 2的最大奇异值。
[0088] 在上述遗传算法循环结束后的一代种群中选择其中适应度最小，即对应测量矩阵 的矩阵相关值最小的个体，获得一个适于信道估计的训练序列集合。
[0089] S103,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。
[0090] S104,根据信道长度L=192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。
[0091] 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是长度为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。
[0092] 举例而言，如图3所示，上述训练序列的无块间干