[发明专利]基于卡尔曼滤波的时变水声信道估计算法

说明书

本发明涉及基于卡尔曼滤波的时变水声信道估计算法。本发明属于水声信道估计领域，具体的说利用了水声信道簇稀疏特性和水声信道的时间相关性，对传统的KF‑CS算法进行改进，去除了传统KF‑CS算法对随机变化支撑集的选择过程，能极大的简化算法的运行时间，同时能有效的利用信道间的相关性来改善信道估计的性能。说明书摘要附图中图1为发明的具体实现流程图。

技术领域：

本发明属于水声信道估计领域，具体的说利用了水声信道簇稀疏特性和水声信道的时间相关性，对传统的KF-CS算法进行改进，去除了传统KF-CS算法对随机变化支撑集的选择过程，能极大的简化算法的运行时间，同时能有效的利用信道间的相关性来改善信道估计的性能。

背景技术：

水声通信是目前实现水下远距离、高数据通信的唯一方式，但水声信道是一个时变信道，并且可用的频谱资源受限，这些特性严重的限制了水下高数据通信的发展。随着技术的飞速发展，正交频分复用技术由于其高的频谱利用率和抗多径效应等优点而广泛运用于陆地4G通信中。目前大量的学者都积极研究着如何将OFDM技术运用到水声通信中，试图打破水下环境的限制以实现高速的数据通信。

为实现可靠的OFDM水下通信，准确的信道估计技术是必要的。有研究表明：水声信道是呈稀疏特性的，而压缩感知模型主要针对的就是稀疏信号的恢复，因此目前大部分研究都是考虑使用压缩感知算法来重构水声信道。经典的压缩感知恢复算法有正交匹配追踪算法、稀疏自适应匹配追踪算法和基于凸优化原理的基追踪算法等，而这些算法在与水声信道估计相结合的同时又引生了大量的改进算法。

自分布式压缩感知框架提出以来，大量的学者便开始关注于时变水声信道间的时-空相关性，并提出了相应的改进算法来改善信道估计的性能。随着人们对水声信道的了解加深，有研究表明：水声信道呈现出的不是一种普通的稀疏形式，而是一种簇状稀疏模型，即水声信道中非零系数是非均匀的聚集于部分区域。

卡尔曼滤波和压缩感知两者自提出以来就备受学者们的研究。因此便有学者提出卡尔曼滤波压缩感知算法，该算法利用卡尔曼滤波来恢复压缩感知信号，但该方法实现较为复杂，主要原因是无法直接确定当前时刻信道稀疏抽头的位置，必须通过计算残差的方法来确定变化的支撑集。目前也有学者证明了使用KF-CS算法恢复水声信道的可行性，同时使用原始对偶追踪算法来确定变化的支撑集，但依然存在一定的复杂度。

本发明主要针对就是KF-CS算法的简化过程，本发明主要通过前一个时刻估计的信道信息和当前时刻的卡尔曼预测来共同确定水声信道中的稳定支撑集的位置，同时利用水声信道的簇稀疏特性来确定当前信道的候选支撑集的位置，最后再使用卡尔曼滤波的方法来计算信道候选支撑集上的稀疏大小，并通过设置阈值的方法来滤除错误的原子，以达到准确的信道估计。

发明内容：

本次发明主要针对水声通信的信道估计技术，通过对传统的KF-CS算法进行改进，能在保证信道估计性能不变的前提下，简化了传统KF-CS算法的复杂度，极大的减少了算法的运行时间，增强了算法的实时性。

本发明的采用方案是：

第一步：输入接收到的OFDM导频信号y，输入前一个时刻的信道冲击响应输入观测矩阵D_p，输入前一个时刻信道的协方差矩阵P_t-1和信道噪声方差/

第二步：根据前一个时刻输入的来判断相应的候选集/和长度/设置观测噪声的协方差矩阵/假设过程噪声的协方差矩阵为/根据/的大小设置测量矩阵/设置误差阈值/

第三步：进行KF预测，根据式(1)计算当前时刻卡尔曼滤波的增益系数K_t，tmp再通过式(2)来计算当前时刻信道的预测值

第四步：滤除中系数小于/的多径，剩余路径都认为具有稳定的时延，从而得到t时刻的候选集/和长度/