[发明专利]一种OFDM系统的脉冲干扰抑制方法

说明书

技术领域

本发明涉及一种通信领域的脉冲干扰抑制技术，尤其是涉及一种OFDM系统的脉冲干扰抑制方法。

背景技术

由于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术具有较好的抗多径干扰能力，因此其已被IEEE802.11、IEEE802.16以及IEEE802.20等标准采纳，并被广泛的应用于各种数字宽带通信系统。然而，在许多实际通信系统中，当一个OFDM信号经过信道传输后，在接收信号中不仅包含了高斯背景噪声而且还有许多人工产生的脉冲噪声，这些脉冲噪声与高斯背景噪声的统计特性完全不同，导致传统的基于背景噪声设计的OFDM系统在脉冲噪声干扰环境下的性能严重衰减。因此，设计有效的脉冲噪声干扰抑制方法对提升OFDM系统的性能而言是十分必要的。

关于OFDM系统中的脉冲噪声抑制问题目前已被广泛的研究。Himal A.Suraweera等人通过在传统的OFDM接收机前增加一种预先设定判决阈值的非线性滤波器来滤除幅度较大的脉冲噪声，实现了对脉冲噪声干扰的抑制。Pablo Torio等人则提出了一种基于信元交织的OFDM系统脉冲噪声抑制方法。此外，Takuya Kitamura等人研究了基于副本信号的脉冲噪声干扰抑制方法，通过迭代进行符号判决和副本信号删减实现了对脉冲噪声的消除。然而，以上研究均假定脉冲噪声是服从某一特定的噪声统计分布模型的，这导致在处理带有脉冲噪声干扰的信号时，需要先经过一个数据辅助的训练过程来得到具体的脉冲噪声统计分布参数，不仅增加了系统复杂度，而且当假定的噪声统计分布模型不能反映实际的脉冲噪声统计特性时，该类方法的性能会严重衰减。针对此问题，Lin和Evans等人利用脉冲噪声在时域上的稀疏特性，提出了一种基于压缩感知技术的脉冲噪声消除方法，该方法不需要预先设定脉冲噪声的统计模型，并且可以通过稀疏贝叶斯学习(Sparse Bayesian learning，SBL)重构算法从较低维的已知信号向量中估计出高维的脉冲噪声向量，但由于SBL算法在通过最大似然方法求解超参数时，直接利用条件期望最大化在每次迭代过程中同时更新所有待估计的超参数，这使得整个SBL算法的收敛较慢，并会导致条件期望最大化步骤难以实现，进而使得整个方法的时间复杂度较高、实用性不强。

发明内容

本发明所要解决的技术问题是提供一种OFDM系统的脉冲干扰抑制方法，其能够有效地减少用于脉冲噪声估计的时间，并且能够有效地降低脉冲噪声对OFDM符号错误概率的影响。

本发明解决上述技术问题所采用的技术方案为：一种OFDM系统的脉冲干扰抑制方法，其特征在于包括以下步骤：

①在发送端，将待发送的OFDM信号向量记为X，假设X中存在M个已知导频，则将X中的M个已知导频构成的向量记为X_T；然后对X先后进行离散傅立叶逆变换和添加循环前缀，得到发送信号向量；其中，X的维数为N×1维，N>2，1<M<N，X_T的维数为M×1维，T表示由X中的M个已知导频的索引构成的索引集，T的长度为M；

②假定用于传输信号的信道的状态信息已知，则发送端通过信道传输发送信号向量给接收端，将发送信号向量在传输过程中在信道内产生的脉冲噪声向量和背景噪声向量对应记为e和n，其中，未知的脉冲噪声向量e和未知的背景噪声向量n的维数均为N×1维；

③在接收端，对接收到的接收信号向量先后进行去除循环前缀和离散傅立叶变换，得到待处理的接收信号向量，记为Y，Y由X叠加脉冲噪声向量e和背景噪声向量n后形成；然后从Y中提取出在X_T中叠加了脉冲噪声向量e和背景噪声向量n后所形成的信号向量，记为Y_T；再根据信道的状态信息，去除Y_T中与X_T相对应的已知的信号向量，得到仅包含未知的脉冲噪声向量e和未知的背景噪声向量n两个成分的已知向量Z；其中，Y的维数为N×1维，Y_T的维数为M×1维，Z的维数为M×1维；