[发明专利]一种基于压缩感知的OFDM系统脉冲干扰抑制方法

说明书

技术领域

本发明涉及一种通信领域的干扰抑制方法，尤其是涉及一种基于压缩感知的OFDM系统脉冲干扰抑制方法。

背景技术

正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)技术由于具有高频谱效率和抗多径干扰能力而被广泛应用于各种通信标准，如电力线通信标准、长期演进(Long Term Evolution，LTE)标准和地面数字电视广播标准等。然而，在许多通信系统(如密集的蜂窝网络通信系统和电力线通信系统)中，由于脉冲噪声干扰较为严重，传统的OFDM接收机面临着严重的性能衰减，因此如何抑制OFDM系统中的脉冲干扰已成为近年来通信领域的研究热点。

目前，抑制OFDM系统中脉冲噪声影响的方法主要分为参数化方法和非参数化方法两类。参数化方法的优势是可以利用统计模型信息和脉冲噪声参数来提高性能，然而当统计模型不能反映脉冲噪声的统计特性或脉冲噪声的参数不够准确时，该类方法的性能会明显变差；此外，该类方法由于需要事先使用训练序列估计脉冲噪声的统计模型，因此增加了额外的复杂度。非参数化方法无需假定脉冲噪声服从任何特定的噪声模型，这使得该类方法对变化的环境和模型不匹配时具有更好的鲁棒性。

由于脉冲噪声在时域上是稀疏的，且最近兴起的压缩感知(compressive sensing，CS)理论使得从低维的观测值中恢复出稀疏高维信号成为可能，因此将CS理论应用于脉冲噪声的抑制能够大大降低采样速率，显著提高算法的实用性。现有的基于CS理论的脉冲噪声抑制方法主要有基于稀疏贝叶斯学习(Sparse Bayesian learning，SBL)算法的脉冲噪声抑制方法，该方法在提高脉冲干扰抑制性能的同时，避免了传统CS算法中的稀疏度门限值的限制。然而，由于SBL算法在通过最大似然方法求解超参数时，直接利用期望最大化(Expectation Maximization，EM)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算法收敛较慢，并会导致条件期望最大化步骤难以实现；此外，由于SBL算法在获得超参数估计值后直接求解后验期望和后验均值，因此会导致在信号维度较大时计算较为困难、对脉冲噪声的估计不够准确。

发明内容

本发明所要解决的技术问题是提供一种基于压缩感知的OFDM系统脉冲干扰抑制方法，其能够有效地降低脉冲噪声估计时所需的已知信号的维度，并且脉冲噪声估计过程的收敛速度快，有效地提高了脉冲噪声估计的准确度。

本发明解决上述技术问题所采用的技术方案为：一种基于压缩感知的OFDM系统脉冲干扰抑制方法，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，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，1<M<N；

②假定用于传输信号的信道的状态信息已知，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，且假定未知的脉冲噪声向量e服从均值为0、方差为γ的高斯分布，并假定未知的背景噪声向量n服从均值为0、方差为σ²的高斯分布，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，γ和σ²均为未知的超参数，且γ和σ²均为正实数；

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；然后从Y中提取出X_T叠加脉冲噪声向量e和背景噪声向量n后形成的信号向量，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的已知向量Z，且已知向量Z服从高斯分布；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；

④在已知向量Z的条件下，通过使条件期望函数最大化，交替估计未知的超参数γ和未知的超参数σ²，获得未知的超参数γ和未知的超参数σ²的最终估计值，对应记为和