[发明专利]基于压缩感知、高速移动的UFMC系统无线信道估计方法

摘要

本发明涉及一种基于压缩感知、高速移动的UFMC系统无线信道估计方法，属于无线通信领域。该方法包括建立系统模型，分析插入PN序列的UFMC系统参数，确定在多径信道时的发送与接收信号模型；进行多径信道的时间相关特性及稀疏特性分析；进行基于PN序列自相关的信道粗估计；进行基于压缩感知算法的信道时延位置精确估计；进行LS算法的信道幅度值的精确估计；性能与仿真结果分析。本发明充分利用信道时间的相关性，将在信道粗估计过程中平均相干时间内的R_g个连续符号的CIR来降低噪声对信号的影响，进一步提高信道时域冲激响应的粗略估计的估计精度；充分利用粗估计得到的信息进一步提高改进的SAMP算法估计的信道时延和稀疏度的精确度，降低传统SAMP算法的复杂度。

主权项

1.基于压缩感知、高速移动的UFMC系统无线信道估计方法，其特征在于：该方法包括以下步骤：S1：建立系统模型，分析插入PN序列的通用滤波多载波(Universal Filtered Multicarrier,UFMC)系统参数，确定在多径信道时的发送与接收信号模型；S2：进行多径信道的时间相关特性及稀疏特性分析；S3：进行基于PN序列自相关的信道粗估计；S4：进行基于压缩感知算法的信道时延位置精确估计；S5：进行最小二乘(least square,LS)算法的信道幅度值的精确估计；S6：性能与仿真结果分析；所述步骤S1包括以下步骤：S101：在通用滤波多载波系统中，设B个子带，每个子带子载波数量为总的子载波数量为N，采用切比雪夫滤波器f，滤波器长度为L_f，则在经过UFMC调制后得到一个符号时间间隔内的基带离散时间信号为：其中，输入数据X_i(m)是独立随机变量的比特流，i是子带编号，l是滤波器长度的编号，m是子带载波的编号，x_n是经过UFMC调制后得到一个符号时间间隔内的基带离散时间信号，n为离散时间索引；S102：将PN序列c_n插入数据信号部分x_n得到一个完整的时域训练序列通用滤波多载波TS‑UFMC帧结构s_n；输出的TS‑UFMC符号s长度为M+N+L_f‑1，s表示为其中数据块长度为N+L_f‑1，PN序列c＝[c₁,…,c_M]^T长度为M；因此，输出的通用滤波多载波符号表示为：为维的频域信号；第i个子带的个复数正交幅度调制符号乘以维离散傅里叶反变换(IDFT)矩阵V_i得到子带的时域数据，1≤i≤B；F_i为(N+L_f‑1)×N维的托普利茨矩阵，包含了有限长单位冲激响应(Finite Impulse Response,FIR)滤波器的冲击响应，将子带的时域数据与滤波器进行线性卷积，每个子带时域数据滤波后再进行累加得到TS‑UFMC符号的数据块S103：对长度为L的多径信道，信道离散脉冲响应CIR：第i个UFMC符号，信道稀疏度为S_i的离散脉冲响应建模为：其中，为第i个UFMC符号的第l条径的幅度值，δ为单位冲击函数，为与采样周期进行归一化后的第l条径的时延，为信道的n时刻的冲击响应：路径时延的集合为：其中，为了避免2个相邻的数据块之间的干扰(IBI)，假设L≤M；发送的第i个TS‑UMFC时域符号经过信道后，接收到的数据信号其频域的数据符号为其中，为零均值方差为σ²的高斯白噪声AWGN，为第i个符号的第k个子载波的信道频域响应CFR；S104：根据公式(6)观测信号根据公式(7)精确估计信道的情况，并求出发送信号的值；由于TS‑UFMC帧结构没有导频，通过时域插入的PN序列进行信道估计，接收端的PN序列时域符号表示为：d_i＝Ψ_ih_i+η_i               (8)其中，η_i为AWGN噪声向量；在实际的多径信道中，接收到的PN序列时域符号d_i将与前一个UFMC数据块的拖尾混叠；在当前的数据块的前面数据中同时混叠了当前PN的拖尾，因此，实际的接收信号r_iⁿ表示为：因此，根据实际接收信号r_iⁿ、消除前一数据块拖尾对PN序列的干扰、消除当前PN序列的拖尾对自身数据块内容造成的干扰，准确估计信道；PN序列重构后的表达式为：所述步骤S2具体为：对于宽带系统，设系统带宽为W，路径时延宽带的分辨率为同时对信道离散脉冲响应h(τ)按照系统时钟对时间区间[0,τ_max]进行均匀采样，τ_max表示最大时延长度，从而得到个采样点；假设i固定不变，无线信道具有较高能量的路径集合D_i为：其中，n为无线信道任一路径，ε为路径能量的门限值，小于ε的路径均设置为0，为信道的n时刻第i个UFMC符号的冲击响应；当K＝|D_i|＜＜L时，则信道的稀疏度为K；系统带宽B越大，信道稀疏特征越明显；所述步骤S3具体为：在第i个TDS‑UFMC符号的保护间隔中插入时域PN序列c_i，其归一化相关函数表示为：通过时域相关，即接收到的PN序列d_i和本地PN序列c_i相关，得到信道时域冲激响应的粗略估计其中，h_i为信道时域冲激响应，η_i为高斯白噪声；同时，根据无线信道的时间相关特性，得到在相干时间T_c内，信道的具有相同的冲激响应CIR，且T_c的大小由接收终端的运动速度和载波频率决定；因此，信道的时延在连续2R_d‑1个符号内基本不变，其中系统时钟PN序列长度为M，未通过子带滤波器的数据块长度为N，子带滤波器长度为L_f；同时，在相干时间T_c内，信道增益表示为|α_i,p|exp(φ₀+2πf_dt)，其中，α_i,p为第i个符号的第p条径的路径增益；φ₀为初始相位，f_d为多普勒频率；根据信道增益的表达式，在时间间隔t＜1/2f_d的时间内，即个连续的符号时间内，复信道增益的相位变化不会超过π；同时，假设信道在一个符号内的时延和信道的幅度均不变，为准静态信道；因此，在充分利用PN序列扩频增益的基础上，平均R_g个连续符号的CIR来降低噪声对信号的影响，进一步提高信道时域冲激响应的粗略估计的估计精度；令连续的R_g个接收的PN序列与长度为M本地PN序列c做循环相关；其中：为经多径信道后实际的接收信号；由于信道的时延在连续2R_d‑1个符号内基本不变，因此在2R_d‑1个符号范围内共有2R_d‑R_g组值；因此，得到信道粗略估计的结果为：由于信道存在高斯白噪声和多径，以及多径信道的稀疏特性，经过粗略估计得到的信道的时域冲激响应中的小电平值将被设为0；那么，路径时延集合为：L为多径信道的长度，为信道的时域冲激响应的模，ζ为信道幅度的门限值，其定义为：其中，K_e为线性调整系数用于调整信道幅度的门限值；L_pre为信道主要时延的长度预设值；那么，得到信道初始稀疏度S₀＝||D₀||₀，||D₀||₀为路径时延集合D₀的L0范数；同时，考虑部分时延幅度比较小的路径在粗略估计过程中误认为是系统的噪声，设系统的稀疏度S大于S₀为S＝S₀+S_a，S_a为冗余稀疏度使得系统的稀疏度S大于初始稀疏度S₀；通过PN序列自相关进行信道粗估计得到了信道的主要时延的位置和幅度值，作为稀疏信道估计的预知信息，以提高稀疏信道估计的精度并降低复杂度；所述步骤S4具体为：设x₀为信道幅度初始值，r₀为残差初始值，d^IBI‑free为观测向量，Φ为传感矩阵，F₀为主要时延位置初始值，D₀为信道主要时延位置，L_last为信道最终稀疏度初始值，S₀为初始稀疏度，F为主要时延位置，S_step为步长，为信道主要时延位置；S401：初始化信道的主要路径时延：为D₀的矩阵的主要时延的列；S402：初始化残差：S403：初始化主要时延位置：F₀＝D₀；S404：初始化最终的稀疏度：L_last＝S₀；S405：主要时延位置判决迭代次数k＝1；S406：步长S_step判决迭代次数j＝1；重复S407‑S412；S407：选择L_last个最大的max(|Φ^Hr_k‑1|,L_last)；S408：C_k＝F_k‑1∪S_k；S_k为第k次max(|Φ^Hr_k‑1|,L_last)中最大的L_last个值Φ^H对应的序列号所组成的集合；F_k‑1为第k‑1次中集合C_k中前L_last的值；S409：F＝C_k(1:L_last)，F为第k次循环集合C_k中前L_last的值；S410：信道粗估计中最大的L_last径幅度值θ_k：为对应集合F的矩阵的主要时延的列；S411：计算残差：Φ_F为传感矩阵Φ对应集合F所对应的列；S412：若停止条件为真，则退出迭代；否则，||r||₂＞||r_k‑1||₂时，j＝j+1,L_last＝L_last+j×S_step；||r||₂≤||r_k‑1||₂时，F_k＝F，r_k＝r，k＝k+1，r_k为第k次的残差；S413：若停止条件为真，则输出所述步骤S5具体为：根据信道主要时延位置得到信道估计的计算公式：其中，Φ|_D为矩阵Φ所对应的主要时延的列，η_i为高斯白噪声，为信道的主要L_last个时延的幅度值，D^c范围的信道的CIR幅度值为0，即根据公式(18)，采用LS算法得：为信道的主要L_last个时延的幅度值的估计值，为矩阵Φ|_D的伪逆矩阵，为信道主要时延位置的幅度估计值；所述步骤S6具体为：S601：信道估计的误差性能下界CRLB分析根据得到的AWGN噪声向量η_i，其分布函数为求出的在条件概率密度函数PDF为：其中，Φ|_D为矩阵Φ所对应的主要时延的列，为观测向量，为信道的主要L_last个时延的幅度值，L_IBI‑free为长度，为长度为L_IBI‑free的单位矩阵，L_last为为信道最终稀疏度初始值；根据向量估计理论，无偏估计公式(19)的CRLB推导得：当采用LS常规信道估计算法时，假设完全消除干扰的情况下，得到的最好的均方误差MSE为σ²；当L_last＜L_IBI‑free时，采用基于部分先验信息的SAMP算法(PPI‑SAMP，partial priori information SAMP)的信道估计算法得到的MSE值将会更小；S602：复杂度分析1)采用基于PN序列自相关进行信道粗估计，将接收到的信号r_i和本地PN序列c_i相关，对每个TS‑UFMC符号，其计算复杂度为O(L_IBI‑free)；2)采用PPI‑SAMP算法进行信道时延位置精确估计，此步骤计算复杂度为：O(N_PPI‑SAMP×L_IBI‑free×L)，其中N_PPI‑SAMP为余下的稀疏度b所需要循环的次数，L为信道长度；3)采用LS算法精确估计信道幅度；此步的计算复杂度为O(L_IBI‑free(L_last)²)；4)根据分析知，PPI‑SAMP算法的总复杂度为O(L_IBI‑free×(N_PPI‑SAMP×L+(L_last)²+1))。