[发明专利]一种针对非理想稀疏信道的估计方法

说明书

本发明公开了一种针对非理想稀疏信道的估计方法，包括以下步骤：A：建立通信系统信道模型；B：建立加权高斯先验模型；C：根据步骤A中得到的通信系统信道模型，以及步骤B中得到的加权高斯先验模型，求解信道抽头向量、信道抽头向量中元素取非零值的概率、信道的噪声方差、加权高斯先验的权重和高斯分布的均值，最终得到非理想稀疏信道的信道抽头向量。本发明能够准确完成非理想稀疏信道参数估计。

技术领域

本发明涉及通信系统信道估计领域，尤其涉及一种针对非理想稀疏信道的估计方法。

背景技术

在高速通信系统中，多径信道可等效为具有稀疏特征的抽头向量，能够利用压缩感知类方法进行估计，从而降低导频数量、提升频谱效率。但是在空间传播过程中，信道由直射和散射路径共同构成，非零抽头的位置和幅度具有一定的先验信息。图1表示了一个存在有多条传播路径的通信链路示意图，存在一个直射路径h1和2个散射路径h2和h3。图1中，a为基站，b为散射体，c为用户；由树木、建筑等物体构成的散射体通常会聚集为组，在信道抽头上也会表现为分组。由于散射体可以假设由主要和次要散射体共同构成，则在信道抽头向量中，每个分组也可以假定由一个较大和几个小的非零元素构成。图2和图3展示了根据散射模型生成的理想稀疏信道和非理想稀疏信道示意图，非零元素聚集为分组，每个分组存在一个主要的非零元素，并伴随有2-3个按幂律衰减的拖尾(Heavy Tailed)元素。

常用的稀疏估计模型有稀疏贝叶斯学习(SBL)、伯努利-高斯(BG)模型和正交匹配追踪(OMP)等，其中SBL模型假设抽头元素为均值为0，方差为伽玛分布高斯变量。BG模型假定抽头元素有零和非零两种取值(伯努利分布)，其中非零元素又服从高斯分布。OMP算法将待估计向量分解为相互正交向量的稀疏线性组合，通过迭代构建稀疏逼近。但是上述三种方法均未考虑信道抽头所具有的分组特性，将每个抽头都当作独立分布。

发明内容

本发明的目的是提供一种针对非理想稀疏信道的估计方法，能够准确完成非理想稀疏信道参数估计。

本发明采用下述技术方案：

一种针对非理想稀疏信道的估计方法，包括以下步骤：

A：建立通信系统信道模型r＝Φα+w；

其中，r为长度为M的观测向量，Φ为维度是M×N的观测矩阵，α为长度为L的信道抽头向量，表示为α＝[α₁,...,α_l,...α_L]^T，信道抽头向量的每个元素定义为α_l，下角标l表示抽头标号；正交频分复用系统配置有M个子载波，选择其中N个子载波作为导频进行信道估计，剩余M-N个子载波用于数据传输，w表示方差为σ的加性白高斯噪声；

B：建立加权高斯先验模型

其中，p(α_l)表示元素α_l的先验分布，δ(α_l)为冲击函数，表示只有当函数输入参数α_l＝0时，函数δ(α_l)的输出值为1，N(α_l；μ_k,1)代表抽头向量中的元素α_l服从均值为μ_k方差为1的高斯分布，λ表示元素α_l取值非零的概率，β_k和μ_k分别为加权高斯先验的权重和均值，K表示加权高斯模型的加权数量；

C：根据步骤A中得到的通信系统信道模型，以及步骤B中得到的加权高斯先验模型，求解信道抽头向量α＝[α₁,...,α_l,...α_L]^T、信道抽头向量α中元素取非零值的概率λ、信道的噪声方差σ、加权高斯先验的权重β_k和高斯分布的均值μ_k，k＝1→K；最终得到非理想稀疏信道的信道抽头向量α。