论文部分内容阅读
基于压缩感知(Compressed Sensing,CS)的信道估计技术是近年来出现的一个研究热点。CS将数据的采集和压缩合为一步,以较低的速率完成采样并进行信号的传输和存储,极大的节省了传输成本和存储资源,因此被广泛应用于信号处理中。正交频分复用(Orthogonal Frequency Division Multiplexin,OFDM)系统具有较高的频带利用率,很适合应用于频谱资源稀缺的场景,其信道由于多径传播产生的时延扩展而呈现稀疏特性。在大规模多输入多输出(Multiple Input Single Output,MIMO)系统中,利用多天线阵列可以获得较大的空间复用增益,提高系统容量和频谱效率,其信道由于散射效应在角域同样呈稀疏性。传统的信道估计方法在使用大量导频的条件下获得一定的信道估计性能,但当信道带宽扩大到一定程度时传统的信道估计方法就不再适用。为了更好的利用无线信道的稀疏特性去降低导频的数量,可以采用CS技术来完成信道估计。大量文献表明,基于CS的信道估计仅用少量的导频即可获得优异的估计性能。本文对稀疏度自适应的CS重建算法进行了深入研究,并将其应用于OFDM系统和大规模MIMO系统的稀疏信道估计中,从而可以在未知信道稀疏度的情况下高质量完成信道估计。本文的主要贡献如下:1)提出了一种改进的稀疏度自适应CS重建算法—弱选择分段自适应匹配追踪(Weak Selection Stagewise Adaptive Matching Pursuit,WSSt AMP)算法,该算法通过设置模糊阈值在原子初选阶段先删去大量不理想的原子,确保已选的原子与残差的相关性都很大,保证了算法具有较高的重建精度;此外针对不同阶段变步长的情况,设计了一种幂函数型的变步长方法,使得算法在大步长阶段能够更快地扩大支撑集以逼近真实稀疏度,从而进一步减少算法的重建时间。仿真结果表明,无论噪声是否存在,WSSt AMP算法的重建性能均优于其他算法,且其算法复杂度更低,因此更具有实用意义。2)将本文提出的WSSt AMP算法应用于OFDM系统稀疏信道估计中,并与其他各算法进行性能对比。由仿真结果可知,本文提出的WSSt AMP算法在实际信道估计中仍具有较高的信道估计性能,且相比于稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)等重建算法,其重建均方误差(Mean Square Error,MSE)性能约提升2-3d B;3)将WSSt AMP算法应用于大规模MIMO系统的信道估计中,同样与其他算法进行信道估计性能对比,还研究了在不同数量的导频和发射天线数情况下WSSt AMP算法信道估计性能的变化。仿真结果表明,在大规模MIMO系统中,WSSt AMP算法的MSE性能依然优于SAMP等重建算法,大约提升1.5-2.5d B。另外,由仿真结果可知,当发射天线数减少或导频数量增多时,WSSt AMP算法能获得更优异的信道估计性能。