多天线时域训练序列填充方法及装置的制造方法
【技术领域】
[0001] 本发明涉及通信技术领域，特别涉及一种多天线时域训练序列填充方法及装置。
【背景技术】
[0002] 近年来，随着通信需求的不断增长，MIM0(multiple input multiple output，多 输入多输出）系统受到了学术界的广泛关注，主要是因为Μπω系统有着很高的系统容量和 频谱效率。同时，0FDM(0rthogonal Frequency Division Multiplexing，正交频分复用）技 术也可以在频率选择性信道当中有效提高频谱效率并提高系统性能。因此，MMO-OFDM系统 正在逐步成为通信领域重要的技术，并已经被广泛应用于各种通信系统当中，并且在未来 通信系统当中也将会占据很大的比重。
[0003]对于Mnro-OFDM系统的性能来说，正确的信道估计是至关重要的。对于Μπω系统来 说，每一根接收天线都必须对等同与发射天数数量的信道进行正确的估计。因此，ΜΙΜ0-0FDM系统的信道估计通常需要比普通的单天线系统花费多倍的复杂度和频谱资源。当前的 信道估计方案多采用时域的训练序列或者频域的导频等方案。然而，对于传统的方案，花销 都会随着发射天线的数量增加而提高，这不可避免的造成了明显的频谱效率的降低和信道 估计精度的下降。
【发明内容】
[0004] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005] 为此，本发明的一个目的在于提出一种多天线时域训练序列填充方法，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。
[0006] 本发明的另一个目的在于提出一种多天线时域训练序列填充装置。
[0007] 为实现上述目的，本发明一方面实施例提出了一种多天线时域训练序列填充方 法，包括以下步骤: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，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;S2.根 据所述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所述观测矩阵的列互不相关性，对所述观测矩 阵的矩阵块相关值进行优化;S3.将优化后的所述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;S4.根据所述信道长度 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。
[0008] 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。
[0009]另外，根据本发明上述多天线时域训练序列填充方法还可以具有如下附加的技术 特征：
[0010]在本发明的一个实施例中，所述训练序列集合中的编号为i的发射天线的训练序 列为：
[0011] Ρ?=[Ρ?;ι,Ρ?;2, . . . ,Ρι,μ];
[0012] 编号为i的发射天线的子矩阵为：
[0013]
[0014]所述观测矩阵的第j个矩阵块为：
[0015] Φ, =[ψ：(./),Ψ,(./),...,Ψν(./)]?
[0016] 其中，〇 幻_〈L，ΨΚ j)为％的第j列，0 < i < Nt;
[0017] 所述观测矩阵由L个矩阵块横向拼接组成，所述观测矩阵为：Φ = [0:，Φ2,...， Φ?0
[0018] 在本发明的一个实施例中，计算所述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，并将所述最大相关值作为所述观测矩阵的块相关 值，其中，通过以下公式计算矩阵块之间的相关值：
[0019]
[0020] 其中，Φ4ΡΦ2是所述观测矩阵的两个矩阵块，为矩阵块?:的共辄转置，Ρ (Φι)代表矩阵块Φι的最大奇异值，Ρ( Φ2)代表矩阵块φ>2的最大奇异值。
[0021] 在本发明的一个实施例中，所述对观测矩阵的矩阵块相关值的优化，包括:优化所 述矩阵块内部列向量之间的相关值;优化不同所述矩阵块列向量之间的相关值。
[0022] 在本发明的一个实施例中，所述步骤S2,具体包括:通过使用相关特性好的序列优 化所述矩阵块内部列向量之间的相关值，其中，所述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;通过预设优化算法优化不同所 述矩阵块列向量之间的相关值，其中，所述预设优化算法包括遗传算法、退火算法和粒子群 算法。
[0023]在本发明的一个实施例中，所述无块间干扰区域为长度为Μ的训练序列后(M-L+1) 个不受前帧数据域块间干扰的部分，其中，所述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为所述观测 矩阵;信道冲激响应向量. . .，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。
[0024] 在本发明的一个实施例中，所述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。
[0025] 为实现上述目的，本发明另一方面实施例提出了一种多天线时域训练序列填充装 置，包括:生成模块，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;优 化模块，用于根据所述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所述观测矩阵的列互不相关性， 对所述观测矩阵的矩阵块相关值进行优化;组帧模块，用于将优化后的所述训练序列集合 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;信道重建模块，用于根据所述信道长度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。
[0026] 根据本发明实施例的多天线时域训练序列填充装置，首先通过生成模块生成训练 序列集合，优化模块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，而后组帧模块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 后信道重建模块根据信道长度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，该装置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。
[0027] 上述多天线时域训练序列填充装置还可以具有如下附加的技术特征：
[0028] 在本发明的一个实施例中，所述对观测矩阵的矩阵块相关值的优化，包括:优化所 述矩阵块内部列向量之间的相关值;优化不同所述矩阵块列向量之间的相关值。
[0029] 在本发明的一个实施例中，所述优化模块，具体用于:通过使用相关特性好的序列 优化所述矩阵块内部列向量之间的相关值，其中，所述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;通过预设优化算法优化不同所 述矩阵块列向量之间的相关值，其中，所述预设优化算法包括遗传算法、退火算法和粒子群 算法。
[0030] 本发明附加的方面的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】
[0031] 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。
[0032] 图2是根据本发明另一个实施例的多天线时域训练序列填充方法的流程图。
[0033] 图3是根据本发明实施例的多天线时域训练序列填充的结构示意图。
[0034] 图4是根据本发明又一个实施例的多天线时域训练序列填充方法的流程图。
[0035] 图5是根据本发明再一个实施例的多天线时域训练序列填充方法的流程图。
[0036] 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。
【具体实施方式】
[0037] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0038] 下面参照附图来描述根据本发明实施例提出的多天线时域训