《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于分布式壓縮感知的MIMO-OFDM系統(tǒng)信道估計(jì)研究
基于分布式壓縮感知的MIMO-OFDM系統(tǒng)信道估計(jì)研究
2016年微型機(jī)與應(yīng)用第21期
張美娟
南京郵電大學(xué) 通信與信息工程學(xué)院,江蘇 南京 210003
摘要: 針對(duì)MIMO系統(tǒng)信道的聯(lián)合稀疏特性,提出一種基于分布式壓縮感知(DCS)的MIMO-OFDM系統(tǒng)信道估計(jì)方法。分布式壓縮感知(DCS)被視為分布式信源編碼和壓縮感知(CS)的結(jié)合,論文詳細(xì)論證了分布式壓縮感知理論在MIMO-OFDM系統(tǒng)中運(yùn)用的可行性。將該算法與基于壓縮感知理論的CoSAMP算法做比較,仿真結(jié)果表明,基于DCS算法的信道估計(jì)不僅性能更優(yōu),而且可以實(shí)現(xiàn)更低的時(shí)間復(fù)雜度。
Abstract:
Key words :

  張美娟

  (南京郵電大學(xué) 通信與信息工程學(xué)院,江蘇 南京 210003)

       摘要:針對(duì)MIMO系統(tǒng)信道的聯(lián)合稀疏特性,提出一種基于分布式壓縮感知(DCS)的MIMO-OFDM系統(tǒng)信道估計(jì)方法。分布式壓縮感知(DCS)被視為分布式信源編碼和壓縮感知(CS)的結(jié)合,論文詳細(xì)論證了分布式壓縮感知理論在MIMO-OFDM系統(tǒng)中運(yùn)用的可行性。將該算法與基于壓縮感知理論的CoSAMP算法做比較,仿真結(jié)果表明,基于DCS算法的信道估計(jì)不僅性能更優(yōu),而且可以實(shí)現(xiàn)更低的時(shí)間復(fù)雜度。

  關(guān)鍵詞:分布式壓縮感知;MIMO-OFDM;信道估計(jì)

0引言

  多輸入多輸出(Multiple Input Multiple Output,MIMO)技術(shù)在現(xiàn)代通信系統(tǒng)中得到了廣泛的應(yīng)用,MIMO通信系統(tǒng)與OFDM技術(shù)相結(jié)合,可以有效地提高無線通信系統(tǒng)的頻譜利用率和傳輸鏈路的可靠性,增大系統(tǒng)容量。在目前常用的MIMOOFDM通信系統(tǒng)中,接收端一般通過相干檢測(cè)進(jìn)行信號(hào)解調(diào),相比于非相干解調(diào)可以獲得更大的輸出信噪比,因此需要精確地估計(jì)出信道的狀態(tài)信息。

  MIMOOFDM系統(tǒng)信道在任何一對(duì)發(fā)送接收天線之間呈現(xiàn)聯(lián)合稀疏特性,利用這種聯(lián)合稀疏特性進(jìn)行信道估計(jì),可以獲得更好的信道估計(jì)性能。分布式壓縮感知(Distributed Compressed Sensing, DCS)理論為上述信道估計(jì)方法提供了理論基礎(chǔ)。

  壓縮感知理論[1 5]是根據(jù)各個(gè)信號(hào)之間的相關(guān)性來實(shí)現(xiàn)的。在MIMOOFDM無線通信系統(tǒng)中,各天線傳送的信息進(jìn)行聯(lián)合編碼,根據(jù)各子信道間的相關(guān)性研究DCS理論。在文獻(xiàn)[6]中,BARON D等人首次提出了分布式壓縮感知理論的概念,并做了相關(guān)的理論研究,之后在文獻(xiàn)[7]中證明了譯碼端需要測(cè)量值的上限和下限。在文獻(xiàn)[8]中,DUARTE M F等人針對(duì)MIMO通信系統(tǒng)、語(yǔ)音信號(hào)等應(yīng)用場(chǎng)景設(shè)計(jì)了聯(lián)合稀疏模型,并根據(jù)稀疏模型設(shè)計(jì)了信號(hào)的聯(lián)合譯碼算法。

  本文提出將分布式壓縮感知[6 8]算法應(yīng)用于MIMOOFDM系統(tǒng)進(jìn)行信道估計(jì),在考慮信號(hào)之間相關(guān)性的情況下可以有效地減少信號(hào)的采樣數(shù),將該算法與其他重構(gòu)算法做比較,得出該算法以增加部分算法復(fù)雜度換取了較優(yōu)的信道估計(jì)性能。

1MIMO理論與分布式壓縮感知

  1.1MIMO技術(shù)原理

  假設(shè)一個(gè)MIMOOFDM系統(tǒng)的發(fā)送端天線數(shù)為nt,接收端的接收天線數(shù)量為nr,在第n根發(fā)送天線上傳送的OFDM符號(hào)可以表示為:QQ圖片20161207162816.pngQQ圖片20161207162819.png其中,XLn表示在第n根發(fā)送天線上傳送的第L個(gè)子載波的數(shù)據(jù)信息。在接收端,第m個(gè)接收天線接收到的第L個(gè)子載波的數(shù)據(jù)信息可以表示為:

  QQ圖片20161207162822.png

  其中,Hkn,m表示從發(fā)送端第n個(gè)天線到接收端第m個(gè)接收天線之間的信道的衰落因子,Wkm表示第k個(gè)子載波上的信道高斯白噪聲,矩陣形式可以表示為:

  QQ圖片20161207162826.png

  其中,QQ圖片20161207162829.png表示nt維的信號(hào)發(fā)送向量,QQ圖片20161207162832.png表示nr維的信號(hào)接收向量,QQ圖片20161207162835.pngQQ圖片20161207162838.png…,Wknr表示nr維的信道高斯白噪聲,Hk表示信道的空間變換矩陣。

  1.2分布式壓縮感知

  分布式壓縮感知理論主要依賴于信號(hào)間的聯(lián)合稀疏。BARON D等人[68]的研究提出了3種有效的聯(lián)合稀疏模型(Joint Sparse Model, JSM),分別是根據(jù)一些可能的使用場(chǎng)景提出來的。

 ?。?)第一聯(lián)合稀疏模型(JSM1)

  在JSM1模型中,信號(hào)集中的每一個(gè)信號(hào)都是由通用部分加上特征部分兩部分所組成。信號(hào)的通用部分表示信號(hào)集中信號(hào)的相似部分,特征部分表示每個(gè)信號(hào)所特有的部分。假設(shè)信號(hào)集中信號(hào)的通用部分和特征部分在某一個(gè)稀疏域上都具有稀疏特性。則可以表示為:

  QQ圖片20161207163158.png

  其中,Zc=ψΘc,Θc0=Kc,Zj=ΨΘj,Θj0=Kj,J表示信號(hào)集中信號(hào)的個(gè)數(shù)。

  對(duì)于信號(hào)集中的信號(hào)Xj而言是由兩部分組成,Zc是稀疏信號(hào)的通用部分,稀疏信號(hào)Zc在稀疏基Ψ上的稀疏度為Kc;Zj表示稀疏信號(hào)的特征部分,稀疏信號(hào)Zj在稀疏基Ψ上的稀疏度為Kj。此外,用參數(shù)Ic表示系數(shù)矩陣Θc的指標(biāo)集合,即系數(shù)矩陣Θc中所有非零元素的具體位置;參數(shù)Ij表示的是系數(shù)矩陣Θj的指標(biāo)集合。

 ?。?)第二聯(lián)合稀疏模型(JSM2)

  JSM2模型的典型應(yīng)用場(chǎng)景便是MIMOOFDM系統(tǒng)。在JSM2模型中,信號(hào)集中的所有信號(hào)在某一個(gè)稀疏基上都具有稀疏特性,而且所有信號(hào)經(jīng)過這個(gè)稀疏基變換后,所有非零元素的所在位置均相同,只是元素在該位置的幅度有所差異。JSM2模型信號(hào)集中的所有信號(hào)的稀疏基相同而系數(shù)矩陣不同,表示如下:

  QQ圖片20161207163201.png

  其中,Θj0=K,而且{Θj}(j∈{1,2,…,J})具有相同的稀疏基Ψ。信號(hào)集中所有信號(hào)的非零元素標(biāo)號(hào)一樣,原信號(hào)Xj的稀疏度均為K。

 ?。?)第三聯(lián)合稀疏模型(JSM3)

  JSM3的典型應(yīng)用場(chǎng)景是帶噪聲的MIMOOFDM通信系統(tǒng)。在JSM3模型中,首先對(duì)非稀疏的通用部分信號(hào)進(jìn)行觀測(cè)重構(gòu),獲得通用部分的信息,然后用整個(gè)接收信號(hào)減去估計(jì)出來的通用部分,將剩下的稀疏特征部分進(jìn)行壓縮感知重構(gòu)。實(shí)際上JSM3模型可以看作是對(duì)JSM1模型的一個(gè)擴(kuò)展,JSM3模型可以表示為:

  QQ圖片20161207163204.png

  其中Zc=ΨΘc,Zj=ΨΘj,Θj0=Kj,而且Zc是非稀疏的。在JSM3模型中,由于信號(hào)的通用部分不具有稀疏性,因此不可以對(duì)信號(hào)的通用部分和特征部分分別進(jìn)行獨(dú)立重構(gòu),只能進(jìn)行信號(hào)的聯(lián)合重構(gòu)。

2MIMOOFDM系統(tǒng)模型

  在MIMOOFDM通信系統(tǒng)中,假設(shè)有nt個(gè)發(fā)送天線和nr個(gè)接收天線,OFDM調(diào)制的子載波數(shù)為N,用g(n,m)表示第m個(gè)發(fā)送天線和第n個(gè)接收天線之間的信道沖擊響應(yīng)(Channel Impulse Response, CIR), 則在第m個(gè)發(fā)送天線和第n個(gè)接收天線所傳送信號(hào)的第k個(gè)子載波上的信道頻率響應(yīng)(Channel Frequency Response, CFR)可以表示如下:

  QQ圖片20161207163208.png

  對(duì)于某一確定的t時(shí)刻,接收端接收到的Nnr維接收信號(hào)可以表示為:

  QQ圖片20161207163211.png

  其中,X=(X1,X2,…,Xnt)是一個(gè)Nnrt×Nntnr維的對(duì)角陣,X可以表示為:

  QQ圖片20161207163214.png

  在式(8)中,xkm=[xkm(1),xkm(2),…,xkm(t)]表示為第m個(gè)發(fā)送天線在時(shí)刻t傳輸?shù)男盘?hào)在第k個(gè)子載波上的信息。F是一個(gè)Nnrnt×Lntnr維的對(duì)角陣,可以表示為:

  QQ圖片20161207163221.png

  其中,P表示N×L的離散傅里葉變換矩陣。h表示Lntnr×1的信道沖擊響應(yīng)矩陣,具體表示為:

  QQ圖片20161207163224.png

  其中,h(n,m)表示第m個(gè)發(fā)送天線到第n個(gè)接收天線之間的L×1信道沖擊響應(yīng)矩陣。式(7)中的w表示Nnrt×1的加性高斯白噪聲,可以通過向量表示為w=(w1,w2,…,wnr),其中wn=[w1n(1),w1n(2),…,w1n(t),…,wNn(1),wNn(2),…,wNn(t)]T是一個(gè)Nt×1的高斯白噪聲矩陣,wkn(t)表示在t時(shí)刻,第n個(gè)接收天線接收到信號(hào)的第k個(gè)子載波上的噪聲信號(hào),噪聲信號(hào)的均值為0,方差為σ2w。

  根據(jù)壓縮感知理論,Nnr×Lntnr維的測(cè)量矩陣Z根據(jù)下式計(jì)算:

  QQ圖片20161207163227.png

  接收到的測(cè)量矩陣y則表示為:

  QQ圖片20161207163230.png

3MIMOOFDM系統(tǒng)信道估計(jì)

  3.1基于CoSAMP算法的信道估計(jì)方法

  壓縮采樣匹配追蹤(Compressive Sampling Matching Pursuit ,CoSAMP)算法也是一種貪婪迭代算法。對(duì)于稀疏度較高的信號(hào),CoSAMP有更好的重構(gòu)性能。CoSAMP算法有效地結(jié)合了貪婪迭代算法的高效性和凸優(yōu)化算法的穩(wěn)定性。

  CoSAMP算法實(shí)現(xiàn)的基本思想是:當(dāng)信號(hào)的稀疏度K已知時(shí),計(jì)算重構(gòu)出來的信號(hào)和信號(hào)殘差之間的相關(guān)性,選取其中相關(guān)性最大的2K個(gè)元素,將這2K個(gè)元素的索引值及其所對(duì)應(yīng)的原子加入到信號(hào)原子的候選集中,然后從該候選集中刪除部分原子使其剩余的原子數(shù)等于信號(hào)的稀疏度K。當(dāng)?shù)拇螖?shù)等于信號(hào)的稀疏度,或者信號(hào)殘差小于預(yù)設(shè)置的閾值時(shí),迭代停止。

  CoSAMP算法的具體實(shí)現(xiàn)步驟如下:

  輸入:觀測(cè)矩陣Φ,測(cè)量矩陣y,信號(hào)稀疏度K;

  輸出:x的K稀疏逼近;

  初始化:迭代次數(shù)k=1,殘差r=y,索引集S=,J=,原子候選集Ω=;

  (1)計(jì)算恢復(fù)信號(hào)和殘差間的相關(guān)系數(shù)u=|〈y,rk-1〉|,選出其中最大的2K個(gè)列向量并將其標(biāo)號(hào)計(jì)入J中;

 ?。?)將第(1)步中的列向量合并到索引集中Sk=Sk-1∪J;

  (3)將索引集中的原子刪除部分留下K個(gè)原子加入到候選集Ωk中;

  (4)根據(jù)LS準(zhǔn)則計(jì)算k;

  (5)更新殘差:r=y-Φk,k=k+1;

  (6)檢查殘差值和k的值,若滿足迭代停止條件,則停止迭代;否則,返回第(1)步繼續(xù)計(jì)算;

  (7)重構(gòu)出x的K稀疏逼近。

  3.2基于DCS算法的信道估計(jì)方法

  DCS算法的具體實(shí)現(xiàn)步驟表示如下:

  輸入:測(cè)量矩陣Φm,觀測(cè)向量ynm;

  輸出:hnm的近似估計(jì)nm;

  初始化:初始值nm=0,殘差rnm=ynm,迭代次數(shù)k=0,稀疏索引j=0,原子候選集Ω=;

  (1)增加迭代次數(shù):k=k+1,增加稀疏指數(shù):j=j+1;

  (2)計(jì)算信道估計(jì)差值:enm=Φ+mrnm;

  (3)合并信道估計(jì)殘差:e=∑ntm=1∑nrn=1(enm·enm);

  (4)更新原子支撐集:Ωk=sup{e,2j},Tnm=Ωk∪sup{nm,j-1};

  (5)計(jì)算信道估計(jì)值:bnm|Tnm=Φ+m|Tnm·y+nm,bnm|TCnm=0;

  (6)計(jì)算信道相關(guān)性:Λ=sup(b,j);

  (7)更新信道估計(jì)結(jié)果:nm|Λ=bnm|Λ,nm|Λc=0;

  (8)更新殘差:rnm=ynm-ΦMnm;

  (9)檢查殘差值rnm,若滿足迭代停止條件,則停止算法的迭代;否則,返回第(1)步繼續(xù)迭代計(jì)算。

4仿真與性能分析

  仿真參數(shù)設(shè)定如下:發(fā)送天線數(shù)nt=2,子載波數(shù)N=16,32,64,128,接收天線數(shù)nr=2,車載CIR長(zhǎng)度L=78,子載波調(diào)制方式為BPSK,信道類型為瑞利衰落信道,信道稀疏度s=8,抽樣頻率為30.72 MHz。

  仿真結(jié)果通過歸一化均方誤差(Mean Square Error,MSE)這一參數(shù)衡量各不同算法的性能。MSE定義為:

  QQ圖片20161207163233.png

  第一組仿真結(jié)果分析了在N=16和L=312時(shí),車載移動(dòng)信道環(huán)境下的2×2 MIMOOFDM系統(tǒng)MSE性能。對(duì)接收信號(hào)觀測(cè)的時(shí)間間隔為t=20 μs。仿真結(jié)果如圖1所示??梢钥闯?,DCS算法和CoSAMP算法的性能相差無幾,但是,DCS算法的收斂迭代次數(shù)T=8,而CoSAMP算法的收斂迭代次數(shù)L=312。因此,DCS算法相對(duì)于CoSAMP算法可以通過很少的迭代來實(shí)現(xiàn)同樣的性能,DCS算法實(shí)現(xiàn)的復(fù)雜度更低,節(jié)省算法的計(jì)算時(shí)間。

圖像 001.png

  第二組和第三組仿真比較了當(dāng)L=312,N的值分別為32和64時(shí)的MSE性能。對(duì)接收信號(hào)觀測(cè)的時(shí)間間隔為t=20 μs。從圖2、3仿真結(jié)果可以看出,DCS算法相對(duì)于CoSAMP算法自始至終保持了一定的性能優(yōu)勢(shì)。雖然DCS算法和CoSAMP算法在增加信噪比時(shí),系統(tǒng)性能相對(duì)于傳統(tǒng)信道估計(jì)算法都有著明顯的提升,但是DCS算法相對(duì)于CoSAMP算法其性能優(yōu)勢(shì)更為明顯,自始至終DCS算法都對(duì)CoSAMP算法保持著5 dB的性能優(yōu)勢(shì)。

圖像 002.png

圖像 003.png

圖像 004.png

  第四組仿真結(jié)果比較了當(dāng)L=312時(shí),在不同子載波數(shù)情況下的MSE性能。設(shè)接收信號(hào)觀測(cè)的時(shí)間間隔為t=20 μs。仿真結(jié)果如圖4??梢钥闯?,MSE性能隨著子載波數(shù)的增加而增加。這是因?yàn)镹值越高意味著可以得到更多的測(cè)量結(jié)果來估計(jì)信道沖擊響應(yīng)的長(zhǎng)度L。當(dāng)子載波數(shù)N達(dá)到256時(shí),DCS算法甚至可以用來估計(jì)信道長(zhǎng)度L高達(dá)312的信道沖擊響應(yīng)。

  仿真結(jié)果和上述的分析表明,DCS算法相對(duì)于一般的CS算法(比如CoSAMP算法)有更好的信道估計(jì)性能。仿真環(huán)境為車載MIMOOFDM系統(tǒng)的無線移動(dòng)信道,DCS算法和CoSAMP算法在子載波數(shù)小于信道沖擊響應(yīng)的長(zhǎng)度的情況下,DCS算法的性能更好,復(fù)雜度更低。此外,DCS算法不需要以信道的稀疏度作為先驗(yàn)條件,更為符合實(shí)際工程應(yīng)用。

  參考文獻(xiàn)

  [1] PAREDES J I,ARCE G R,Wang Zhongnin.Ultra wideband compressed sensing channel estima tion [J]. IEEE Journal of Selected Topics in Signal Processing,2007,1(3):383 395.

 ?。?] 石光明,劉丹華,高大化,等.壓縮感知理論及其進(jìn)展[J].電子學(xué)報(bào),2009,37(5):1070 1081.

 ?。?] 馬堅(jiān)偉,徐杰,鮑躍全,等.壓縮感知及其應(yīng)用:從稀疏約束到低秩約束優(yōu)化[J].信號(hào)處理,2012,28(5):609 623.

  [4] 王妮娜,桂冠,張治,等.基于壓縮感知的MIMO系統(tǒng)稀疏信道估計(jì)方法研究[J].應(yīng)用科學(xué)學(xué)報(bào),2011,29(4):347 352.

 ?。?] 葉新榮,朱衛(wèi)平,孟慶民.MIMOOFDM系統(tǒng)基于壓縮感知的稀疏信道估計(jì)[J].應(yīng)用科學(xué)學(xué)報(bào),2013,31(3):245 251.

  [6] BARON D, WAKIN M B, SARVOTHAM S,et al. Distributed compressive sensing[R].Technieal Report, Preprint,2005:1 7.

 ?。?] BARON D, WAKIN M B, SARVOTHAM S,et al. An information theoretic approach to distributed compressed sensing[C].Conference on Communication,Control,and Computing,Allerton,2005:1 6.

 ?。?] DUARTE M F, SARVOTHAM S, BARON D,et al. Distributed compressed sensing of jointly sparse signals[C]. Proceedings of the 39th Asilomar Conference on Signals,Systems and Computation,2005:1537 1541.

  


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。