一种降噪稀疏度自适应弱正交匹配追踪方法及系统技术方案

本发明专利技术涉及移动通信技术领域，具体公开了一种降噪稀疏度自适应弱正交匹配追踪方法及系统，其结合压缩感知理论框架对OFDM通信系统进行信道估计，具体是将接收信号进行奇异值分解，将代表噪声的奇异值删除，重构出不含噪声的信号，然后将此信号作为初始残差与感知矩阵做内积，得到各原子在残差上的投影，采用弱选择方式选出对应的原子存入字典集，然后通过最小二乘法计算出重构信号，当相邻阶段重构信号的能量差稳定在某一范围内时，说明重构出的信号能量趋于稳定，重构完成，输出最优的重构信号，使得信道估计的精度更高，获取的信道状态信息更准确，整个通信系统的误码率更低，同时还减少了导频开销，节约了频谱资源。节约了频谱资源。节约了频谱资源。

【技术实现步骤摘要】
一种降噪稀疏度自适应弱正交匹配追踪方法及系统


[0001]本专利技术涉及移动通信
，尤其涉及一种降噪稀疏度自适应弱正交匹配追踪方法及系统。

技术介绍

[0002]OFDM是一种利用多载波进行传输的方案，基本方法是在发送端将原来高速的数据流拆分成许多并行的低速数据流，每个低速数据流对应一个相应的子载波。这就相当于将原来的信道划分成了许多并行的子信道，使得每个子信道的带宽都小于信道的相干带宽，从而具有抵抗多径衰落的能力。为了抵抗无线信道的多径效应，OFDM接收机需要精确2信道状态信息(Channel State Information，CSI)来更准确地解调用户数据。图1所示为OFDM通信系统信道估计框图，传统的OFDM信道估计方法未考虑到无线信道的稀疏性需要利用大量的导频信号来探测信道的时变特性，造成了资源的浪费。压缩感知能够把无线信道的稀疏性运用到信道估计中，重构信道冲激响应更有优势，还可以节约一些频谱资源，避免不必要的导频开销。
[0003]压缩感知理论框架下的稀疏信道估计算法是以迭代贪婪类算法为主，如正交匹配追踪(OMP)、正则化正交匹配追踪(ROMP)和压缩采样匹配追踪(CoSaMP)。这些贪婪算法对信号进行迭代恢复，在每次迭代中通过对已知传感矩阵的原子选择来寻找局部最优解，力求在算法结束时找到全局最优解。这些算法在重构过程中需要己知信号的稀疏度，然而在实际环境中，无法对信道的稀疏情况进行预先的判别。而且，在重构过程中，贪婪类算法并没有详细考虑噪声存在的问题，不具备一定的抗噪声能力，导致信号重构效果不够好，信道估计精度不够高，整个通信系统的误码率较高。

技术实现思路

[0004]本专利技术提供一种降噪稀疏度自适应弱正交匹配追踪方法及系统，解决的技术问题在于：如何在不清楚信道稀疏度且接收信号含有噪声的情况下能够更准确地进行信道估计。
[0005]为解决以上技术问题，本专利技术提供一种降噪稀疏度自适应弱正交匹配追踪方法，包括步骤：
[0006]S1、将接收信号向量即M
×
1维的观测向量Y重构成一个M
×
M维的Hankel矩阵B；
[0007]S2、对Hankel矩阵B进行奇异值分解，并筛选出代表有用信号和噪声的奇异值，然后将代表有用信号的奇异值保留，将代表噪声的奇异值删除，最后重构出不含噪声的M
×
M维的信号B'；
[0008]S3、将信号B'作为初始残差r0与感知矩阵A做内积，得到感知矩阵A中的各原子在残差上的投影；
[0009]S4、选择投影大于模糊门限值的原子存入字典集；
[0010]S5、通过最小二乘法计算出重构信号，并将字典集中相关性较低的原子进行删除；
[0011]S6、更新重构信号即估计值与接收信号即真实值之间的残差；
[0012]S7、估计相邻阶段重构信号的能量差，如果能量差稳定在设定范围内，则重构完成，停止迭代，转向步骤S8，否则继续迭代，转向步骤S3；
[0013]S8、输出最优的重构信号。
[0014]进一步地，所述步骤S2具体包括步骤：
[0015]S21、将Hankel矩阵B进行奇异值分解为B＝USV
H
，其中S是一个M
×
M维的对角矩阵可表示为S＝diag(s
11
,s
22
,
…
s
MM
)，其主对角线上的元素s
11
,s
22
,
…
s
MM
叫矩阵S的奇异值，并满足条件s
11
≥s
22
≥
…
s
MM
＞0，U和V分别是M
×
M维的酉矩阵，可表示为U＝(u
11
,u
22
,
…
u
MM
)，V＝(v
11
,v
22
,
…
v
MM
)，分别满足U
H
U＝UU
H
＝E和V
H
V＝VV
H
＝E，E为单位矩阵；
[0016]S22、分别计算所有奇异值的平方总和和前i个奇异值的平方和
[0017]S23、根据平方总和P设定门限值P
p
；
[0018]S24、将前i个奇异值的平方和P
i
跟门限值P
p
作比较，如果P
i
超过P
p
，则将这前i个代表有用信号的奇异值保留，将剩余代表噪声的奇异值删除；
[0019]S24、更新奇异矩阵S得到S'＝diag(s
11
,s
22
,
…
,s
ii
,0,
…
,0)，更新酉矩阵U,V得到U'＝(u
11
,u
22
,
…
u
ii
)，V'＝(v
11
,v
22
,
…
v
ii
)，u
11
,u
22
,
…
u
ii
为原酉矩阵U中的前i个元素，v
11
,v
22
,
…
v
ii
为原酉矩阵V中的前i个元素；
[0020]S25、重构出不含噪声的信号B'＝U'S'V'
H
。
[0021]进一步地，在所述步骤S4中，所述模糊门限值设置为：
[0022]λ＝α*max(abs[A
T
r
t
‑1])
[0023]其中，模糊门限系数α∈(0,1]，max()表示取最大值，abs()表示取绝对值，r
t
‑1表示第t
‑
1次迭代时估计值与真实值之间的残差。
[0024]进一步地，在所述步骤S5中，通过最小二乘法计算出重构信号，具体采用步骤：
[0025]S51、构建最小二乘法的估计模型：
[0026][0027]其中，为估计值与真实值θ之间的误差平方和，当最小时所对应的估计值即为最优解；
[0028]S52、在最小二乘法的估计模型的框架下构建K稀疏信号的求解模型：
[0029][0030]其中，A
t
＝A
t
‑1∪a
t
，A
t
表示第t次迭代时的字典集，A
t
‑1表示第t
‑
1次迭代时的字典集，a
t
表示第t次迭代时满足投影大于模糊门限值的原子且是感知矩阵A的列向量，|| ||2代表l2范数，表示第t次迭代时估计的重构信号，θ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种降噪稀疏度自适应弱正交匹配追踪方法，其特征在于，包括步骤：S1、将接收信号向量即M
×
1维的观测向量Y重构成一个M
×
M维的Hankel矩阵B；S2、对Hankel矩阵B进行奇异值分解，并筛选出代表有用信号和噪声的奇异值，然后将代表有用信号的奇异值保留，将代表噪声的奇异值删除，最后重构出不含噪声的M
×
M维的信号B'；S3、将信号B'作为初始残差r0与感知矩阵A做内积，得到感知矩阵A中的各原子在残差上的投影；S4、选择投影大于模糊门限值的原子存入字典集；S5、通过最小二乘法计算出重构信号，并将所述字典集中相关性较低的原子进行删除；S6、更新重构信号即估计值与接收信号即真实值之间的残差；S7、估计相邻阶段重构信号的能量差，如果能量差稳定在设定范围内，则重构完成，停止迭代，转向步骤S8，否则继续迭代，转向步骤S3；S8、输出最优的重构信号。2.根据权利要求1所述的一种降噪稀疏度自适应弱正交匹配追踪方法，其特征在于，所述步骤S2具体包括步骤：S21、将Hankel矩阵B进行奇异值分解为B＝USV
H
，其中S是一个M
×
M维的对角矩阵可表示为S＝diag(s
11
,s
22
,
…
s
MM
)，其主对角线上的元素s
11
,s
22
,
…
s
MM
叫矩阵S的奇异值，并满足条件s
11
≥s
22
≥
…
s
MM
＞0，U和V分别是M
×
M维的酉矩阵，可表示为U＝(u
11
,u
22
,
…
u
MM
)，V＝(v
11
,v
22
,
…
v
MM
)，分别满足U
H
U＝UU
H
＝E和V
H
V＝VV
H
＝E，E为单位矩阵；S22、分别计算所有奇异值的平方总和和前i个奇异值的平方和S23、根据平方总和P设定门限值P
p
；S24、将前i个奇异值的平方和P
i
跟设定门限值P
p
作比较，如果P
i
超过P
p
，则将这前i个代表有用信号的奇异值保留，将剩余代表噪声的奇异值删除；S24、更新奇异矩阵S得到S'＝diag(s
11
,s
22
,
…
,s
ii
,0,,0)，更新酉矩阵U,V得到U'＝(u
11
,u
22
,
…
u
ii
)，V'＝(v
11
,v
22
,<...

【专利技术属性】
技术研发人员：黄天聪，胡皓，欧阳水清，刘渊博，吴玉成，
申请(专利权)人：重庆大学，
类型：发明
国别省市：