基于压缩感知的MIMO NC-OFDM系统信道估计算法

doi:10.3969/j.issn.1000-0801.2016.02.006

摘要/Abstract

摘要：

多输入多输出不连续正交频分复用（MIMO NC-OFDM）系统是认知无线电（CR）系统的常用体制，由于授权用户占用而导致的载波不连续情况下的信道估计是影响该系统性能的关键技术问题。提出一种基于压缩感知（CS）的MIMO NC-OFDM 系统的信道估计方法——稀疏自适应匹配追踪（SAMP）算法。SAMP 算法在重构过程中先对信号稀疏度进行初始估计，然后自适应调整步长逐步逼近信号，相较于其他贪婪算法，能够在稀疏度未知的情况下准确重建稀疏信号。仿真结果表明，SAMP算法提高了重构精度，在实际应用中易于实现。

关键词: 多输入多输出不连续正交频分复用, 认知无线电, 压缩感知, 信道估计, 稀疏自适应匹配追踪

Abstract:

Multiple-input multiple-output non-contiguous orthogonal frequency division multiplexing（MIMO NC-OFDM）system is a commonly used system in cognitive radio. One of the key technical that affects the MIMO NC-OFDM performance is channel estimation in the condition of non-continuous carrier caused by licensed users’ occupation. Sparsity adaptive matching pursuit（SAMP）algorithm was proposed as a new method to estimate sparse channel in MIMO NC-OFDM system. Compared with other state-of-the-art greedy algorithms，the most innovative feature of the SAMP is that it is capable to adjust the step length adaptively to approach the original signal and reconstruct the sparse signal without prior information of the sparsity. Simulation result shows that，the new channel estimation method outperforms many existing iterative algorithms in reconstruction performance and can be implemented easily in practical application.

Key words: multiple-input multiple-output non-contiguous orthogonal frequency division multiplexing, cognitive radio, compressed sensing, channel estimation, sparsity adaptive matching pursuit

陈恩庆,高新利,向小强,王忠勇. 基于压缩感知的MIMO NC-OFDM系统信道估计算法[J]. 电信科学, 2016, 32(2): 41-46.

Enqing CHEN,Xinli GAO,Xiaoqiang XIANG,Zhongyong WANG. Sparse channel estimation algorithm based on compressed sensing in MIMO NC-OFDM system[J]. Telecommunications Science, 2016, 32(2): 41-46.

图/表 10

图1

图2

表1

表2

图3

图5

图4

图6

图7

图8

参考文献 14

[1]	TANG H Y . Some physical layer issues of wide-band cognitive radio systems[C]// The IEEE Dynamic Spectrum Access Networks， November 8-11， 2005， Baltimore，MD. New Jersey： IEEE Press， 2005： 151-159.
[2]	ZHANG S C ， WANG J ， LI S Q . A channel estimation method for NC-OFDM systems in cognitive radio context[C]// The IEEE International Conference on Communication System， November 9-11， Guangzhou，China. New Jersey： IEEE Press， 2008： 208-212.
[3]	何雪云，宋荣方，周克琴 . 认知无线电NC-OFDM系统中基于压缩感知的信道估计新方法[J]. 通信学报， 2011（32）： 85-94. HE X Y ， SONG R F ， ZHOU K Q . Compressive sensing based channel estimation for NC-OFDM systems in cognitive radio context[J]. Journal of Communication， 2011（32）： 85-94.
[4]	DONOHO D L . Compressed sensing[J]. IEEE Transactions on Information Theory， 2006，52（4）： 1289-1306.
[5]	CANDES E ， TAO T . Near optimal signal recovery from random projection；universal encoding strategies[J]. IEEE Transactions on Information Theory， 2006，52（12）： 5406-5425.
[6]	THONG T D ， LU G ， TRAN D . Sparsity adaptive matching pursuit algorithm for practical compressed sensing[C]// The Asilomar Conference on Signals，Systems，and Computers， October 26-29， 2008， Pacific Grove，California，USA. [S.l.：s.n.]， 2008： 581-587.
[7]	CANDES E ， ROMBERG J ， TAO T . Robust uncertainty principles：exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory， 2006，52（2）： 489-509.
[8]	CANDES E ， TAO T . Decoding by linear programming[J]. IEEE Transactions on Information Theory， 2005，51（12）： 4203-4215.
[9]	TROPP J ， GILBERT A . Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory， 2007，53（12）： 4655-4666.
[10]	MALLAT S ， ZHANG Z . Matching pursuit with time-frequency dictionaries[J]. IEEE Transactions on Signal Processing， 1993，41（12）： 3397-3415.
[11]	DAI W ， MILENKOVIC O . Subspace pursuit for compressive sensing signal reconstruction[J]. IEEE Transactions on Information Theory， 2009，55（5）： 2230-2249.
[12]	LI W C ， PREISIG J C . Estimation of rapidly time-varying sparse channel[J]. IEEE J Ocean Eng， 2007，32（4）： 927-939.
[13]	RUDELSON M ， VERSHYNIN R . On sparse reconstruction from Fourier and Gaussian measurements[J]. Communications on Pure and Applied Mathematics， 2008，61（8）： 1025-1045.
[14]	GOMAA M ， AL-DHAHIR N . A sparsity-aware approach for NBI estimation in MIMO-OFDM[J]. IEEE Transactions on Wireless Communications， 2011，10（6）： 1854-1862.

参数	取值
收发天线数	N_t=2，N_r=2
载波数	N=512
循环前缀	CP=64
调制方式	QPSK
信道长度	L=50
稀疏度	K=6
SAMP算法初始步长	S=1
阈值ε	噪声平均功率

	宽带干扰模式	窄带干扰模式
禁用子载波数／个	100	100
禁用位置	51～80	随机分布在整个符号频域内
	201～230	随机分布在整个符号频域内
	351～390

[1]	卢敏, 秦泽豪, 陈志辉, 张敏, 乐光学. 基于1D-Concatenate的信道估计DNN模型优化方法[J]. 电信科学, 2023, 39(4): 71-86.
[2]	蒋跃宇, 承昊新, 王康, 戴文骏, 刘笑宇. PLC-RF无线传输网络中的能效最优设计方法[J]. 电信科学, 2023, 39(4): 111-119.
[3]	葛海江, 贾宁, 池凯凯, 陈云志. 非线性能量收集认知无线电网络的次用户吞吐量最大化方案[J]. 电信科学, 2023, 39(2): 103-117.
[4]	陈超杰, 谢伟, 何林巍, 田强, 贺润平, 王哲斐. 针对输电线路周边工程机械的防撞在线预警方法[J]. 电信科学, 2022, 38(5): 95-103.
[5]	高子路, 孙韶辉, 李丽. 面向新一代移动通信的智能超表面技术综述[J]. 电信科学, 2022, 38(10): 20-35.
[6]	华郁秀, 李荣鹏, 赵志峰, 吴建军, 张宏纲. 基于生成对抗网络的MIMO信道估计方法[J]. 电信科学, 2021, 37(6): 14-22.
[7]	于玄, 耿烜. 一种降低复杂度的压缩感知水声信道估计方法[J]. 电信科学, 2021, 37(3): 114-124.
[8]	贾忠杰, 金明, 宋晓群. 一种基于黏性隐马尔可夫模型的多频带频谱感知方法[J]. 电信科学, 2021, 37(1): 48-57.
[9]	程露,杨丽花,王增浩,张捷,梁彦. 基于历史信息的软卡尔曼滤波迭代时变信道估计方法[J]. 电信科学, 2020, 36(9): 23-31.
[10]	邱佳锋. 基于优化BM3D的毫米波大规模MIMO信道估计[J]. 电信科学, 2020, 36(9): 44-50.
[11]	邱佳锋. 宽带毫米波大规模MIMO系统中低复杂度波束域信道估计[J]. 电信科学, 2020, 36(8): 122-129.
[12]	王博伟,谭劲. 基于两次分段弱选择的压缩感知子空间追踪算法[J]. 电信科学, 2020, 36(5): 83-92.
[13]	邱佳锋. 基于矩阵完备的低复杂度毫米波大规模MIMO信道估计[J]. 电信科学, 2020, 36(4): 99-106.
[14]	李坤,张静,李潇,金石. 人工智能辅助的信道估计最新研究进展[J]. 电信科学, 2020, 36(10): 46-55.
[15]	李娜娜,李有明,余明宸,卢倩倩. 水声通信中基于正则化阈值迭代的脉冲噪声抑制方法[J]. 电信科学, 2019, 35(3): 76-83.