本发明专利技术公开了一种基于时间相关性和结构化压缩感知的窄带干扰估计方法及装置，该方法包括：发射端分别发送训练序列和信号帧帧体；接收端在接收到R+1组训练序列时，分别对每组相邻训练序列中的L点重复训练序列部分进行逐点相减，得到R组长度为L的窄带干扰时域差分采样序列；根据R组时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；根据结构化压缩感知模型，采用结构化压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计。根据本发明专利技术的实施例，提高窄带干扰精度，提升系统鲁棒性和传输性能。
【技术实现步骤摘要】
本专利技术属于通信
，特别涉及一种基于时间相关性和结构化压缩感知的窄 带干扰估计方法及装置。
技术介绍
窄带噪声干扰（NarrowbandInterference,NBI)是传输信道中不同于传统频率选 择性衰落、时间选择性衰落之外的一类特殊干扰，会影响宽带高速数据传输的传输质量。 由于正交频分复用（OrthogonalFrequencyDivisionMultiplexing，OFDM)技术 具有很好的频谱效率和抗信道频率选择性衰落特性，它已经广泛的应用到各种数字信号传 输系统中，如电力线通信系统标准、无线局域网、欧洲数字视频地面广播以及中国地面数字 电视传输标准（^DigitalTelevisionMultimediaBroadcast，DTMB)等。其中，DTMB系统 采用了时域同步正交频分复用技术TDS-0FDM(TimeDomainSynchronousOFDM)，使用时域 训练序列作为信号帧的保护间隔填充，时域训练序列还可用于同步和信道估计等。 电力线信道中进行高速数字通信已经展开了广泛的研宄和应用，然而电力线信道 环境恶劣，尤其是有严重的窄带噪声干扰；宽带无线通信和地面数字电视广播系统中也存 在窄带干扰等问题。窄带干扰会降低上述通信系统中信道估计准确性，影响数据的正确解 映射和解码，严重影响数据的正确传输，因此，需要设计对抗窄带干扰的方法。 现有的应对窄带干扰的方法性能不够理想，尤其在较高强度的窄带干扰下，数据 的传输性能会严重恶化。如传统的频域交织等手段，虽然可以一定程度上降低窄带干扰的 影响，在强干扰下效果不佳。目前常见的基于线性预测算法估计窄带干扰的方法，需要依赖 于某种冗余资源，例如插入一定数量的虚拟子载波，或者必须进行过采样；还有方法依赖于 接收数据的二阶统计量进行窄带干扰估计。现有估计方法所要占用的冗余资源降低了资源 利用效率；依赖于接收数据的统计信息的方法则使窄带干扰估计性能受到接收数据统计信 息准确性的影响，导致估计性能不佳。进一步地，在较弱的窄带干扰和较强的信道噪声环境 下，现有的方法无法准确地把窄带干扰从信道噪声中区分出来，无法准确估计窄带干扰信 号的频率和数值。进一步地，目前尚没有针对窄带干扰的时域相关性，即相邻接收符号对应 的窄带干扰信号位置基本不变的特点，进行结构化多维联合窄带干扰估计的研宄。 综上，现有的窄带干扰信号估计方法在多径干扰严重、窄带干扰强度较低或者信 道噪声较强的环境下，无法准确估计窄带干扰信号的频率和大小。
技术实现思路
本专利技术旨在至少解决上述技术问题之一。 为此，本专利技术的一个目的在于提出一种基于时间相关性和结构化压缩感知的窄带 干扰估计方法。该方法提高窄带干扰精度，提升系统鲁棒性和传输性能。 本专利技术的另一个目的在于提出一种基于时间相关性和结构化压缩感知的窄带干 扰估计装置。 为了实现上述目的，本专利技术的第一方面的实施例公开了一种基于时间相关性和结 构化压缩感知的窄带干扰估计方法，包括以下步骤：S1 :发射端分别发送训练序列和信号 帧帧体；S2 :接收端在接收到R+1组所述训练序列时，分别对每组相邻所述训练序列中的L 点重复训练序列部分进行逐点相减，得到R组长度为L的窄带干扰时域差分采样序列；S3 : 根据所述R组时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信 号的时域-频域傅里叶变换关系，得到结构化压缩感知模型；S4 :根据所述结构化压缩感知 模型，采用结构化压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信 号的估计。 另外，根据本专利技术上述实施例的基于时间相关性和结构化压缩感知的窄带干扰估 计方法还可以具有如下附加的技术特征： 在一些示例中，在所述步骤S1中，所述训练序列为前导符号中的前导训练序列， 所述前导训练序列包括频域二值伪随机序列的离散傅里叶逆变换或时域二值伪随机序列。 在一些示例中，在所述步骤S1中，所述训练序列为所述信号帧帧体之间的帧间训 练序列，所述帧间训练序列包括一段已知训练序列、一段已知训练序列及其循环前缀或两 段相同的已知训练序列，所述已知训练序列包括频域二值伪随机序列的离散傅里叶逆变换 或时域二值伪随机序列。 在一些示例中，在所述步骤S1中，所述信号帧帧体包括：单载波数据块和正交频 分复用数据块。在一些示例中，在步骤S2中，所述重复训练序列部分包括前导符号中的所述前导 训练序列、所述帧间训练序列的无帧体干扰部分或准无帧体干扰部分。在一些示例中，在所述步骤S3中，所述窄带干扰信号时域差分采样序列为当前训 练序列与下一训练序列进行逐点相减所得的时域差分序列。在一些示例中，在所述步骤S3中，所述结构化压缩感知模型为多维窄带干扰信号 时频关系等式。在一些示例中，在所述步骤S4中，所述结构化压缩感知算法为基于多维联合稀疏 信号的凸优化算法或者基于多维结构化压缩感知的贪婪算法，其中，所述凸优化算法包括 内点法、一阶范数最小化算法，所述贪婪算法包括结构化同步正交匹配追踪算法、结构化稀 疏自适应匹配追踪法。 在一些示例中，还包括：S5 :接收端利用步骤S4中估计所得的窄带干扰信号频率， 计算所述窄带干扰信号时域差分采样序列与所估计和窄带干扰信号的残差平方，进行最小 二乘计算，得到窄带干扰信号的幅度、相位准确估计；S6 :将所述频域窄带干扰信号的估计 除以频域衰减因子，其中第k个子载波上的频域衰减因子为： 其中，AL为进行逐点相减操作的相邻帧头间的距离；S7 :将接收端接收到的信号 帧的时域帧体数据块减去所述频域窄带干扰信号估计的离散傅里叶逆变换，得到消除窄带 干扰信号后的帧体数据。 本专利技术第二方面的实施例公开了一种基于时间相关性和结构化压缩感知的窄带 干扰估计装置，包括：帧头差分模块，在接收端在接收到R+1组所述训练序列时，分别对每 组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，得到R组长度为L的窄带 干扰时域差分采样序列；压缩感知模型构建模块，用于根据所述R组时域差分采样序列构 成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域-频域傅里叶变换关系， 得到结构化压缩感知模型；压缩感知估计模块，用于根据所述结构化压缩感知模型，采用结 构化压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计。 本专利技术实施例的及装置， 能够在多径衰落严重、噪声强度较大的信道中，在不损失频谱效率和时域资源的条件下，基 于窄带干扰信号的时间相关性，对窄带干扰信号进行多维联合采样，构建结构化压缩感知 模型，并采用结构化压缩感知算法，精确地估计并消除窄带干扰，提升数据传输性能。 本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本专利技术的实践了解到。【附图说明】 本专利技术的上述和/或附加的方面和优点从结当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种基于时间相关性和结构化压缩感知的窄带干扰估计方法，其特征在于，包括以下步骤：S1：发射端分别发送训练序列和信号帧帧体；S2：接收端在接收到R+1组所述训练序列时，分别对每组相邻所述训练序列中的L点重复训练序列部分进行逐点相减，得到R组长度为L的窄带干扰时域差分采样序列；S3：根据所述R组时域差分采样序列构成多维窄带干扰信号联合采样矩阵，并基于窄带干扰信号的时域‑频域傅里叶变换关系，得到结构化压缩感知模型；S4：根据所述结构化压缩感知模型，采用结构化压缩感知算法，估计窄带干扰信号的频率、幅度和相位，得到窄带干扰信号的估计。
【技术特征摘要】
【专利技术属性】
技术研发人员：杨昉，刘思聪，高俊男，宋健，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。