[发明专利]基于BSL0的局部聚类稀疏信道估计方法

说明书

技术领域

本发明属于无线通信中的信道估计技术领域，尤其是涉及一种局部聚类稀疏信道估计方法。

背景技术

信道估计是无线通信中重要的研究方向，信道估计质量的好坏直接影响着相干解调性能。另外，无线通信系统的自适应调制、多用户调度等要求系统接收端知道信道状态信息（CSI,Channel State Information）。而在MIMO信道传输中，发射信号经常会不可避免地会受到建筑物、交通工具等造成的反射、衍射以及散射，从而引起频率选择性衰落，进而导致接收端信号的失真，MIMO信道示意图如图2所示。所以，如何设计一个无线通信系统，从而有效改善信道性能是十分重要的。通常在不同的信号空间内，通过多径信道的高速数据传输，会产生很多传播参数，然而，仅仅知道这些参数并不足以对整个多径信道上的通信数据进行可行性分析。在实际通信中，接收端往往需要通过信道估计来获得物理传播环境和发送/接收信号空间之间的关系。目前，在接收端估计信道的方法可以分为两类：基于训练的方法和盲估计方法。在基于训练的信道估计方法中，发送端发送一些收发两端都已知的训练序列，接收端则根据训练序列和相应的接收信号来估计信道。盲估计方法是利用信号的统计特性来进行信道估计。虽然盲估计方法在占用资源方面更为有效，但是通常需要在接收端进行复杂的信号处理，并且，在时变信道中容易发生错误传播。因此，通常采用基于训练的方法进行信道估计。

已有部分学者对信道估计进行了研究，但以前的做法是，通常假设信道具有丰富的多径。在过去的研究中，已经提出了各种线性估计方法，但是这些方法基本上都是假设多径信道模型是密集的（密集多径信道分布图如3所示），而非稀疏的。而实际上，在MIMO通信信道中，只有很少的可分辨径，尤其是在带宽很宽、信号持续时间较长的情况下，在这些信道中，大部分的多径能量集中在很小的区域内，因而被称为稀疏信道，如图4所示。由于近几年，很多物理信道测试已经证实了信道抽头表现出稀疏分布，因此目前出现了一种新型的采样方法——压缩感知（compressed sampling or compressed sensing），该方法是一种非传统的采样方式，每一步观测是通过信号在观测向量上的投影获得的。利用压缩感知技术对数据进行处理必须具备一个重要的假设前提，即数据的稀疏性，非常适合于MIMO信道的信道估计。此方法在保证信道性能的前提下，使用的训练序列长度更短，有效改善了频谱效率。水声通信，UWB通信系统等等，都趋向于展现出稀疏特性，以往提出的传统意义上的最小二乘方法已经不能够准确预期获知信道的稀疏度。而基于压缩感知理论，用于精确重构信号的采样需求数量可以远低于观测的维度，极大缓解了MIMO信道中信号处理的压力。

目前，已有很多文献提出了对信号进行重建的方法，如Basis Pursuit算法、Orthogonal Matching Pursuit算法等等。对于稀疏信道，若能充分利用其稀疏性，采用压缩感知技术对其进行估计，可降低导频数。但是，现有的估计方法在重构信号时带来的资源浪费问题较严重，因此，如何对这些方法进行改进就成为业内科技人员的一项研究热点。

此外，传统的稀疏信道模型通常假设非零抽头在信道中是随机分布的，然而，在实际传播环境中，通常会存在很多大型障碍物，比如建筑物和丘陵地形环境，这就形成了多径信道中的聚类架构。而以往的信号估计算法中，只是单纯假定信道是稀疏的，忽略了实际信道的聚类架构特性，因此信号重建的效果并不精确。

发明内容

为解决上述问题，本发明公开了一种在MIMO通信系统中利用压缩感知技术进行局部聚类稀疏信道估计的方法，利用信号的稀疏性，基于压缩感知理论高效率恢复出原始信号，同时保证了信道的各项性能。

为了达到上述目的，本发明提供如下技术方案：

一种基于BSL0的局部聚类稀疏信道估计方法，包括如下步骤：

（1）在发送端发送训练信号，该信号满足均匀分布；

（2）根据接收端得到相应的接收信号y=Xh+z，其中，X是满足高斯分布的Toeplitz训练序列，z是满足零均值，方差为σ²的加性白高斯噪声，基于信道的聚类架构特性，定义稀疏聚类的稀疏信道h为||h||_cluster,0≤M，定义稀疏聚类的稀疏信道结构并统计每个聚类块内的信道抽头数；