扰区域可为255长训练序列中不 受前帧数据域块间干扰的部分，其长度为255-192+1 =64,其中，192可为信道长度。
[0093]利用上述64个点进行压缩感知的信道重建，其模型可为：
[0094] Γ64= Φ 64X384h384+W64
[0095] 其中观测向量r64为接收到的训练序列的无块间干扰区域；
[0096] Φ 64X384为观测矩阵，
[0097] 信道冲激响应向量h384=[hi，h2, . . .，hi92]是2个信道的时域冲激响应的重排，每一 个子信道块h同时为零或同时非零，零信道块的个数S远小于信道长度192;
[0098] W64是独立同分布的高斯向量；
[0099] 使用BCoSamp(压缩采样匹配追踪）算法对信道进行压缩重建，获得信道时域冲激 响应h384。
[0100] 第二种，本发明实施例的多天线时域训练序列填充方法可应用于8X8MIM0-0FDM (提高信道的容量）系统中，如图4所示，用于8 X 8M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：
[01 01 ]如图4所示，该多天线时域训练序列填充方法包括以下步骤：
[0102] S201，根据发射天线个数Nt = 8和训练序列长度M= 255确定待生成Μ X Nt = 255 X 8 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 = 8。
[0103] 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):
[0104] Pi=[Pi)i,Pi>2, . . . ,Ρι,μ] (1)
[0105] 编号为i的发射天线的子矩阵可为下述公式(2):
[0106]
(2) [0107]观测矩阵的第j个矩阵块可为下述公式(3):
[0108] Φ]=[ψια)^2α%...,^ηιυ}\ (3)
[0109] 其中，0 < j〈L，ΨΚ j)为 W的第j列，0 < i < Nt;
[0110] 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):
[0111] φ = [φ1,φ2,...,φ?] (4)
[0112] 具体地，上述255 X 8训练序列集合中生成的2个训练序列分别为Pi = [Pi, i， Pi,2, · · ·，Pi,L，Pi,i，· · ·，Pi,M-L]，0 < i〈8。其中[ΡΜ，Ρ?,2, · · ·，Pi,L]，0 < i〈8为时域二值m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。
[0113] 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。
[0114] S202,根据训练序列集合与信道长度L=128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。
[0115] 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：
[0116] //二、 (5) /ΗφΧφ2)
[0117] 其中，Φ4ΡΦ2是观测矩阵的两个矩阵块，为矩阵块?: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。
[0118] 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。
[0119] 进一步而言，在本发明的另一个实施例中，步骤S202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。
[0120] 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0幻^心)为％的第]_列0^1〈财，最终观测矩阵为1^=128个矩阵块的横向拼 接，即：
[0121] φ = [φ1,φ2,...,φ128]
[0122] 其中，为了降低不同矩阵块列向量之间的相关值，可采用退火算法对上述训练序 列进行优化。
[0123] 在本发明的实施例中，可利用上述退火算法对训练序列进行优化。
[0124] 具体地，优化对象由128X8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。
[0125]例如，若有矩阵Φ :和Φ 2，则其相关值为// = _义為)其中，φ ^卩φ 2是观测 ρ(Φ,)ρ(Φ：) 矩阵的两个矩阵块，Φ?;胃为矩阵块Φ1的共辄转置，Ρ( Φ1)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。
[0126] 在上述退火算法结束后，可获得一个适于信道估计的训练序列集合。
[0127] S203,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。
[0128] S204,根据信道长度L=128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。
[0129] 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。
[0130] 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255长训练序列中不 受前帧数据域块间干扰的部分，其长度为255-128+1 = 128,其中，128可为信道长度。
[0131] 利用上述128个点进行压缩感知的信道重建，其模型为：
[0132] Γ128= Ψ 128X1024hl024+W128
[0133] 其中观测向量r64为接收到的训练序列的无块间干扰区域；
[0134] Φ 128X1024 为观测矩阵，
[0135]信道冲激响应向量hlQ24=[hl，h2, . . .，hi28]是8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128;
[0136] wm是独立同分布的高斯向量；
[0137] 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 hl024〇
[0138] 第三种，本发明实施例的多天线时域训练序列填充方法可应用于16 X16MIM0-(FDM(提高信道的容量)系统中，如图5所示，用于16X16MM0-0FDM(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：
[0139] 如图5所示，该多天线时域训练序列填充方法包括以下步骤：
[0140] S301，根据发射天线个数Nt = 16和训练序列长度M = 420确定待生成MXNt = 420X 16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=420,训练序列集合元素 个数为Nt = 16。
[0141] 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):
[0142] Pi=[Pi)i,Pi>2, . . . ,Ρι,μ] (1)
[0143] 编号为i的发射天线的子矩阵可为下述公式(2):
[0M4]
(2)
[0145] 观测矩阵的第j个矩阵块可为下述公式(3):
[0146] Ψ1(7)，Ψ2(./)","Ψχ(>/)] ( 3)
[0147] 其中，0 < j〈L，ΨΚ j)为 W的第j列，0 < i < Nt;
[0148] 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):
[0149] φ = [φ1)φ2)...,φ?] (4)
[0150] 具体地，上述420 X 16训练序列集合中生成的16个训练序列分别为Pi = [Pi, i， Pi，2, · · ·，Pi,L，Pi,i，· · ·，Pi,M-L]，0 < i〈1