CoSaMP改進算法在信道估計中的應用

任曉奎 劉星宇

(遼寧工程技術(shù)大學電子與信息工程學院 遼寧 葫蘆島 125105)

?

CoSaMP改進算法在信道估計中的應用

任曉奎 劉星宇*

(遼寧工程技術(shù)大學電子與信息工程學院 遼寧 葫蘆島 125105)

壓縮采樣匹配追蹤CoSaMP(Compressive Sampling Matching Pursuit)算法作為壓縮感知中信道估計比較具有代表性的算法之一，一直無法解決如何獲取信道的稀疏度問題。為了解決該問題，提出一種利用峰值信噪比PSNR同迭代次數(shù)之間的關系而構(gòu)造的一種改進算法。該算法可以自適應確定迭代次數(shù)，從而有效地提高CoSaMP算法的效率，增加了CoSaMP算法在實際信道估計中的可行性。

壓縮采樣匹配追蹤 壓縮感知 信道估計 峰值信噪比

0 引 言

壓縮感知CS技術(shù)[1-3]作為一個新興的采樣技術(shù)，與傳統(tǒng)奈奎斯特(Nyquist)采樣理論[4]不同，其根據(jù)實際環(huán)境中信號通常是稀疏的性質(zhì)，可以利用遠遠小于傳統(tǒng)Nyquist的采樣率通過隨機采樣最終重構(gòu)出較為完整的信號。壓縮感知技術(shù)應用領域廣泛，在無線通信、圖像處理、光學成像術(shù)、天文學等領域[5]均有壓縮感知技術(shù)的身影。

近年來，壓縮感知技術(shù)開始在信道估計領域中被廣泛研究。傳統(tǒng)的信道估計技術(shù)如最小二乘[6](LS)法和最小均方誤差[7](MMSE)法均是對信道是密集型的假設，其需要利用大量的導頻信號對信道做出估計。但近年來的大量研究表明，在實際環(huán)境中信號往往是稀疏的，所以對傳統(tǒng)的信道估計算法來說，由于利用大量的導頻信號，使導頻利用率大大降低。壓縮采樣匹配追蹤[8-10]CoSaMP算法作為一種貪婪算法，具有較好的魯棒性，并且通過利用少量的導頻信號就可以恢復出較為精確完整的信號。但由于CoSaMP算法的使用必須先知道稀疏度K，所以導致該算法在實際信道估計中存在局限性。本文提出的算法通過限制等距性質(zhì)推導出峰值信噪比和迭代次數(shù)的關系，從而使CoSaMP算法可以自適應地確定迭代次數(shù)，提高算法的可行性。

1 壓縮感知技術(shù)

壓縮感知是近年來極為熱門的研究前沿，該技術(shù)在若干應用領域中都引起了極大的關注。壓縮感知技術(shù)的基本原理為：已知將要獲取的未知信號為f，假設f是不連續(xù)的、稀疏的，那么當獲取信號f時由于未知信號f為稀疏的，所以就不需要對原始信號的每個分量進行測量。假設原始信號的維數(shù)為M，那么只需要用遠遠小于M的導頻信號個數(shù)就能恢復原始信號f。CS理論的本質(zhì)是通過對信號的高度不完備線性測量的精確重建，可以通過抽樣保留其中最有用的系數(shù)。如果想通過抽取少量的數(shù)據(jù)就能恢復大量的信息，必須要滿足以下兩點：(1)抽取的數(shù)據(jù)里面含有信號的全局信息;(2)存在算法利用少量的信息就可以恢復出原有的信號，同時如果要保證在抽取過程中不會丟失重要信號，其恢復信號的觀測矩陣必須滿足有限等距性質(zhì)[11，12](RIP)，即：

該性質(zhì)保證了觀測矩陣不會把兩個不同的K稀疏信號映射到同一個集合中(保證原空間到稀疏空間的一一映射關系),其要求從觀測矩陣中抽取的每M個列向量構(gòu)成的矩陣是非奇異的。

目前，壓縮感知技術(shù)應用在信道估計領域中常常使用迭代的貪婪算法，如OMP[13-16]、SAMP[17-20]以及CoSaMP算法等。接下來將對CoSaMP算法進行改進并做出說明。

2 算 法

2.1 傳統(tǒng)信道估計算法

傳統(tǒng)的信道估計以最小二乘法(LS)和最小均方誤差法(MMSE)兩種算法最具代表性。其中，MMSE算法信道估計精度很高，但其算法復雜，需要大量的矩陣運算，計算量大；LS算法具有結(jié)構(gòu)簡單、計算量小的特點。但以上兩種傳統(tǒng)算法均是基于信道為密集型的假設，沒有考慮到真實信道具有潛在稀疏性的特性，導致其利用比實際信道變量更多的導頻信號才能準確對信道做出估計，從而導致了頻譜利用率的降低。

2.2 CoSaMP算法

CoSaMP算法是一種貪婪算法[21]，其通過反復的迭代從矩陣中選出n列最優(yōu)集合，然后再估計出最優(yōu)值。具體步驟如下：

已知稀疏度K、觀測值y、迭代次數(shù)為n、發(fā)射導頻Z。

(1) 令迭代次數(shù)n=1、候選集M=φ、首次殘差r0=y、x0=0。

(2) 找到2K列與殘差最為相關的向量組成集合Ω。

(3) 將上一步得出的集合Ω與Mn-1作并集，即：

H=Mn-1∪Ω

(4) 用最小二乘法(LS)在H中做信道估計,保留其中最大的k個系數(shù)。

(5) 更新殘差值：r=y-Z·xn。

(6) 判斷是否滿足迭代條件，不滿足則n=n+1，跳到步驟(2)重新計算，滿足則輸出X的值。

由以上的步驟可知，CoSaMP算法的實現(xiàn)必須依賴其稀疏度K為已知的[22]。而在實際的信道估計當中，稀疏度K的值是很難獲取的，所以該算法在實際的信道估計應用中的意義大大降低。

2.3 改進的CoSaMP算法

首先要通過PSNR值的變化趨勢，來確定迭代的次數(shù)，PSNR值的公式如下：

(1)

式中MAX指的是8 bit表示法的最大值為255，MSE為均方誤差，所以式(1)可以轉(zhuǎn)化成下式：

(2)

(3)

已知RIP性質(zhì)：

(4)

假設X1、X2均滿足上式，則：

將上面兩式聯(lián)立變換得出下式：

將不等式右邊去掉，左側(cè)整理得：

(5)

由于CoSaMP算法在實際應用中必須使迭代次數(shù)和稀疏度K保持一致才可以精確獲得重構(gòu)信號，通過式(3)的轉(zhuǎn)換，假設第k次迭代和第k+1次迭代的判別式分別為Pk和Pk+1，即：

(6)

(7)

則Pk和Pk+1的相對差值為：

(8)

其中：ΔP=Pk+1-Pk+1。

PSNR值會隨著迭代次數(shù)K的增加而緩慢增加，此時相對差值dk<0。而當?shù)螖?shù)K超過某一門限值時，PSNR值會突然劇烈下降，同時，相對差值dk值會急劇上升，并隨著迭代次數(shù)的增加又迅速回歸到0附近。利用該性質(zhì)可以通過設定一個門限閾值來確定迭代的次數(shù)。

所以改進的重構(gòu)算法如下：

(1) 令迭代次數(shù)n=1、候選集M=φ、首次殘差r0=y、x0=0、門限值為μ。

(2) 找到2K列與殘差最為相關的向量組成集合Ω。

(3) 將上一步得出的集合Ω與Mn-1作并集，即：

H=Mn-1∪Ω

(4) 用最小二乘法(LS)在H中做信道估計保留其中最大的k個系數(shù)。

(5) 更新殘差值：r=y-Z·xn。

(7) 迭代完成后判斷相對差值dn>μ是否成立，成立就停止迭代，反之就跳到步驟(2)重新執(zhí)行。

以上即為CoSaMP的改進算法[23，24]。該算法通過計算dn的值并設置合理的閾值μ的方法來確定迭代的次數(shù)，通過該算法可以有效地提高重構(gòu)信號的質(zhì)量。

3 實驗仿真與驗證

為了證明改進后的CoSaMP算法相比其他算法的優(yōu)越性，本文對OMP算法、CoSaMP算法以及改進算法進行實驗仿真。仿真硬件為Intel(R) Core(TM) i7-4500U CPU，主頻1.80 GHZ，內(nèi)存8 GB，Microsoft Windows 7操作系統(tǒng)，仿真軟件為MATLAB。

假設天線方案為2根發(fā)射天線和2根接收天線，系統(tǒng)子載波個數(shù)為1024，信道長度為25，非零抽頭的個數(shù)為5個，并且系統(tǒng)參數(shù)在一個OFDM符號內(nèi)保持不變。可以通過算法的歸一化均方誤差(MSE)反映算法的估計性能，MSE計算公式為：

(9)

MSE值的大小說明了算法性能的好壞，MSE值越小說明算法估計的誤差越小，算法的性能越好。

圖1顯示了在不同導頻數(shù)目下各個算法的MSE的大小情況。由圖1可以看出，隨著導頻數(shù)目的增加，各個算法的MSE值均有下降的趨勢。在導頻數(shù)目相同的情況下，OMP算法的MSE值最大，性能最差，CoSaMP算法次之；而改進算法的MSE值小于其他兩種算法，其性能優(yōu)與OMP算法和CoSaMP算法。

圖1 不同導頻數(shù)目下各算法MSE性能比較

圖2顯示了各個算法在不同信噪比下的MSE值的情況，信噪比越小說明信號的干擾越大。在信噪比相同時，算法的MSE值越小說明算法的抗干擾能力越強。在圖2中可以看到，三種算法隨著信噪比的增大，MSE值均呈下降趨勢，但改進的CoSaMP算法相比其他兩種算法具有更小的MSE值。

圖2 不同信噪比下各算法MSE性能比較

圖3顯示的是在不同信噪比下三種算法的誤比特率(BER)值的大小情況。隨著信噪比的增大，信號干擾減少，各個算法的BER均呈下降趨勢，其中OMP算法的BER值最大，CoSaMP算法次之。改進算法在三種算法中的BER值最小，說明改進后的算法相比其他兩種算法有著更好的性能。

圖3 不同信噪比下各算法的BER性能比較

在實際應用過程中，重構(gòu)信號時所需要的時間也是需要重點考量的一個因素，所以應該在仿真中加入高斯噪聲，比較三種算法所需的重構(gòu)時間。

本文將高斯噪聲分為0.001、0.005、0.01三個等級，分別在稀疏度K=15和K=25時對OMP算法、CoSaMP算法和改進后的CoSaMP算法的重構(gòu)時間進行比較。

由表1和表2看出，當σ2=0.01時OMP算法已經(jīng)不能完成重構(gòu)，說明CoSaMP算法和改進的CoSaMP算法相比OMP算法有著更好的抗干擾能力。在相同的噪聲等級下，改進算法相比CoSaMP算法需要更多的重構(gòu)時間。這是因為要想確定合理的迭代次數(shù)，并提高信號重構(gòu)的精確程度，勢必會增加運算量。但兩種算法相差的運算時間仍在一個數(shù)量級可接受的范圍之內(nèi)，所以在實際應用中，改進的CoSaMP算法相比CoSaMP算法有著更大的應用意義。

表1 k=15時各算法重構(gòu)時間與誤差

表2 k=25時各算法重構(gòu)時間與誤差

4 結(jié) 語

本文根據(jù)MIMO-OFDM信道特性，基于壓縮采樣改進匹配追蹤算法的MIMO-OFDM信道估計，提出了一種根據(jù)PSNR的增減趨勢來判斷CoSaMP算法迭代次數(shù)的改進算法。該算法和傳統(tǒng)的CoSaMP算法相比無需預先知道信號的稀疏度，改進后的算法可以自適應地完成稀疏信號的重構(gòu)。仿真結(jié)果表明，提出的算法有效地提高重構(gòu)信號的精確程度和抗干擾能力。但是本文算法也存在著缺點，要想確定合理的迭代次數(shù)，會導致計算量的增加。如何在確保提高重構(gòu)信號成功率的同時，減小確定迭代次數(shù)過程中的計算量將是下一步要研究的問題。

[1] 李然,干宗良,崔子冠,等.壓縮感知圖像重建算法的研究現(xiàn)狀及其展望[J].電視技術(shù),2013,37(19):7-14.

[2] Eldar Y C,Kutyniok G.Compressed sensing:theroy and applications[M].Combridge:Cambridge University Press,2012.

[3] Kutyniok G.Theory and applications of compressed sensing[J].GAMM-Mitteilungen，2013,36(1):79-101.

[4] Baraniuk R G.Compressive sensing Lecture Notes [J].IEEE Signal Processing Magazine ,2007,24(4):118-121.

[5] Qaisar S，Bilal R M，Iqbal W，et al.Compressive sensing：from theory to applications，a survey[J].Journal of Communications and Networks，2013,15(5):443-456.

[6] Li Ye.Simplified channel estimation for OFMD systems with multiple transmit antennas[J].IEEE Transactions on Wireless Communications,2002,1(1):67-75.

[7] Suh C,Hwang C S,Choit H.Comparative study of time-domain and frequency-domain channel estimation in MIMO-OFDM systems[C]//14th IEEE Proceedings on Personal,Indoor and Mobile Radio Communications.IEEE Press,2003,2:1095-1099.

[8] 閆鵬,王阿川.基于壓縮感知的CoSaMP算法的自適應性改進[J].計算機工程,2013,39(6):28-33.

[9] Needell D,Tropp J A.CoSaMP:iterative signal recovery from incomplete and inaccurate samples[J].Applied and Computational Harmonic Analysis,2009,26(3):301-321.

[10] 田文飚,付爭,芮國勝.基于分治試探的盲自適應匹配追蹤重構(gòu)算法[J].通信學報，2013,34(4):180-186.

[11] 金堅,谷源濤,梅順良.壓縮采樣技術(shù)及其應用[J].電子與信息學報,2010,33(2):470-475.

[12] 路暢,劉玉紅.壓縮感知理論中的RIP準則[J].自動化與儀器儀表,2015(8):211-213.

[13] Do T T,Gan L,Nguyen N,et al.Sparsity Adaptive Matching Pursuit Algorithm for Practical Compressed Sensing[C]//Proceedings of the 42nd Asilomar Conference on Signals,Systems and Computers,2008:581-587.

[14] 趙龍慧,潘樂炳,李寶清.OFDM稀疏信道估計中改進的OMP算法[J].計算機工程與設計，2015,36(7):1701-1705.

[15] Donoho D L,Tsaig Y,Drori I,et al.Sparse solution of underdetermine systems of linear equations by stagewise orthogonal matching pursuit[J].IEEE Transactions on Information Theory,2012,58(2):1094-1121.

[16] Zhao Q,Wang J K,Han Y H,et al.Compressive sensing of block sparse signals recovery based on sparsity adaptive regularized orthogonal matching pursuit algorithm[C]//2012 IEEE fifth International Conference on Advanced Computational Intelligence,2012:1141-1144.

[17] 葉新榮,朱衛(wèi)平,孟慶民.基于SAMP重構(gòu)算法的OFDM系統(tǒng)稀疏信道估計方法[J].信號處理,2012,28(3):392-396.

[18] 姜杉,仇洪冰,韓旭.基于自適應閾值SAMP算法的OFDM稀疏信道估計[J].計算機應用,2013,33(6):1508-1510,1514.

[19] 呂偉杰,陳霞,劉紅珍.基于壓縮感知的自適應匹配追蹤優(yōu)化 [J].系統(tǒng)工程與電子技術(shù),2015,37(5):1201-1205.

[20] Tropp J A,Gilbert A C.Signal Recovery from Random Measurements via Orthogonal Matching Pursuit[J].IEEE Transactions on Information Theory,2007,53(12):4655-4666.

[21] Deanna Needell,Roman Vershynin.Uniform Uncertainty Principle and Signal Recovery via Regularized Orthogonal Matching Pursuit[J].Foundations of Computational Mathematics,2009,9(3):317-334.

[22] 張格森.壓縮傳感理論及若干應用技術(shù)研究[D].哈爾濱：哈爾濱工程大學,2012.

[23] 朱延萬,趙擁軍,孫兵.一種改進的稀疏度自適應匹配追蹤算法[J].信號處理，2012,28(1):80-86.

[24] 王磊,周樂囡,姬紅兵,等.一種面向信號分類的匹配追蹤新方法[J].電子與信息學報,2014,36(6):1299-1306.

[25] 劉繼承,王敏瑩,李浩然.基于改進CoSaMP算法的圖像重建[J].計算機與現(xiàn)代化,2015(5):48-52.

APPLYING IMPROVED COSAMP ALGORITHM IN CHANNEL ESTIMATION

Ren Xiaokui Liu Xingyu*

(SchoolofElectronicandInformationEngineering,LiaoningTechnicalUniversity,Huludao125105,Liaoning,China)

Compressive sampling matching pursuit (CoSaMP) algorithm,as one of the typical algorithms in channel estimation of compressed sensing,has not been able to solve the problem of channel sparsity acquisition.In order to solve this problem,this paper,by using the relationship between peak signal-to-noise ratio and the number of iterations,puts forward an improved algorithm.The algorithm can adaptively determine the number of iterations,so that effectively improves the efficiency of CoSaMP algorithm,and increases the feasibility of CoSaMP algorithm in actual channel estimation as well.

Compressive sampling matching pursuit Compressed sensing Channel estimation Peak signal-to-noise ratio

2015-08-07。任曉奎，副教授，主研領域：通信電路系統(tǒng)，無線通信信道估計。劉星宇，碩士生。

TP393.17

A

10.3969/j.issn.1000-386x.2016.11.025