一種稀疏度自適應(yīng)超寬帶信道估計算法

王艷芬，叢瀟雨，孫彥景

(中國礦業(yè)大學(xué)信息與控制工程學(xué)院 江蘇 徐州 221116)

一種稀疏度自適應(yīng)超寬帶信道估計算法

王艷芬，叢瀟雨，孫彥景

(中國礦業(yè)大學(xué)信息與控制工程學(xué)院 江蘇 徐州 221116)

針對在超寬帶信道估計中應(yīng)用壓縮感知理論需要預(yù)知信道稀疏度的問題，利用超寬帶信道在時域上的稀疏性，將信道估計問題轉(zhuǎn)化為壓縮感知理論中的稀疏向量重構(gòu)問題，提出了稀疏度自適應(yīng)正則化壓縮采樣匹配追蹤(SARCoSaMP)算法。該算法在壓縮采樣匹配追蹤(CoSaMP)算法的基礎(chǔ)上，引入自適應(yīng)和正則化方法，自動調(diào)整所選原子數(shù)目，逐步逼近信道稀疏度K，在稀疏度未知的情況下精確地實(shí)現(xiàn)信道估計。仿真結(jié)果表明，該算法可有效應(yīng)用于超寬帶系統(tǒng)的信道估計，并且其性能明顯優(yōu)于CoSaMP算法和稀疏自適應(yīng)匹配追蹤(SAMP)算法。

信道估計; 壓縮感知; 稀疏度自適應(yīng); 超寬帶

超寬帶(UWB)技術(shù)是一種新型短距離、高速率、低功耗的無線通信技術(shù)[1]，其信道具有帶寬大、時間分辨率高、多徑分量多的特點(diǎn)。然而，無線信道的衰落和時延限制了超寬帶系統(tǒng)的誤碼率性能、吞吐量、容量和網(wǎng)絡(luò)靈活性。因此，準(zhǔn)確的信道估計是優(yōu)化接收機(jī)設(shè)計的關(guān)鍵。目前研究較多的超寬帶信道估計算法主要有最大似然概率(ML)算法、最小二乘(LS)算法、最小均方誤差估計(MMSE)算法[2]，這些UWB信道估計方法都是在接收端對接收信號高速率采樣，后期進(jìn)行信號處理，得到估計的信道沖激響應(yīng)。由于超寬帶信號帶寬極寬(＞500 MHz)，這就要求接收端模數(shù)轉(zhuǎn)換(ADC)單元具有很高的采樣速率[3]，計算復(fù)雜度高，對于目前ADC技術(shù)發(fā)展水平而言實(shí)現(xiàn)比較困難，也違背了超寬帶技術(shù)低成本、低功耗的實(shí)現(xiàn)目標(biāo)。因此如何設(shè)計一種采樣速率低，估計效果好的超寬帶信道估計方法是目前研究的熱點(diǎn)。壓縮感知理論(compressive sensing, CS)能夠同時進(jìn)行信號的低速率采樣和壓縮，大幅度降低了采樣和計算的成本[4]，已經(jīng)在諸多領(lǐng)域有了實(shí)際的應(yīng)用，如何將壓縮感知應(yīng)用于稀疏信道的估計成為目前研究的熱點(diǎn)[5]?？梢岳脡嚎s感知中稀疏向量的重構(gòu)算法精確地或者高概率地重建稀疏信道，實(shí)現(xiàn)超寬帶信道估計[6]，其中重構(gòu)算法的選擇對于信道估計的性能有著重要的影響。文獻(xiàn)[7]研究了基于MP算法的超寬帶信道估計和信號檢測方法，降低了接收端采樣速率，與凸優(yōu)化算法相比復(fù)雜度明顯下降，但是選出的原子不具備正交性，需要多次迭代才能收斂。文獻(xiàn)[8]研究了基于ROMP(regularized OMP)算法的超寬帶信道估計，降低了迭代次數(shù)，提高了重構(gòu)速度，但是該算法的前提是信道稀疏度已知，而實(shí)際應(yīng)用中信道的稀疏度往往是未知的。文獻(xiàn)[9]以BP和OMP算法為例，分析并選擇了適用于各種不同稀疏度信道環(huán)境類型的最佳重構(gòu)算法，但是沒有給出一種統(tǒng)一的適用于不同超寬帶信道的稀疏度自適應(yīng)信道估計算法。文獻(xiàn)[10]提出了稀疏自適應(yīng)匹配追蹤(SAMP)算法，在信號重構(gòu)時不需要預(yù)知稀疏度，可以通過自適應(yīng)調(diào)整步長逐步逼近原始信號。

本文提出了一種稀疏度自適應(yīng)的超寬帶信道估計算法(SARCoSaMP)，該算法將超寬帶信道重構(gòu)問題轉(zhuǎn)化為壓縮感知理論中的稀疏向量重構(gòu)問題，在信道稀疏度未知的情況下，以可變步長代替稀疏度，自適應(yīng)地調(diào)整所選原子的個數(shù)，利用正則化和回溯過程對原子進(jìn)行二次篩選進(jìn)一步提高重構(gòu)精度，從低維測量值重構(gòu)原始信道，最終精確實(shí)現(xiàn)信道估計。最后與CoSaMP算法和SAMP算法進(jìn)行對比，綜合分析了這3種算法應(yīng)用于超寬帶信道估計的性能。

1 壓縮感知理論

壓縮感知理論的核心思想是將壓縮與采樣合并進(jìn)行[11]，并且保證不丟失原始信號的信息。首先對原始信號進(jìn)行稀疏表示，然后利用觀測矩陣將稀疏表示后的信號降維處理，保持信號的原始結(jié)構(gòu)，獲得低維測量值，最后根據(jù)相應(yīng)重構(gòu)算法通過少量的采樣信息準(zhǔn)確恢復(fù)原始信號。從信號的結(jié)構(gòu)和內(nèi)容角度出發(fā)，避免了大量冗余數(shù)據(jù)的產(chǎn)生，稀疏表示的信號觀測后獲得的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于傳統(tǒng)采樣方法的數(shù)據(jù)量，降低了對ADC單元的采樣速率要求。信號的壓縮感知框圖如圖1所示。假設(shè)X是長度為N的一維離散時域信號，X可以看作在RN空間中N×1維的列向量。任意信號X都可以用一組正交基Ψ=[ψ1,ψ2,…,ψN]線性表示為：

式中，Θ=[θ, θ,…,θ]T是N×1維的變換系數(shù)向量；

12N Ψ為表示矩陣。X是信號在時域上的表示，則Θ為信號X在變換域Ψ中的等價表示。其中，Θ只含K(K＜＜N)個非零元素，則認(rèn)為信號X是可壓縮的或在某個變換域上是稀疏的。信號的稀疏或可壓縮是壓縮感知理論應(yīng)用的前提條件。將信號X投影到一個與表示矩陣Ψ不相關(guān)的觀測矩陣Φ∈RM×N(M＜＜N)上，得到M維的觀測樣本為：

式中，V=ΦΨ稱為全息字典。當(dāng)V滿足約束等距性準(zhǔn)則(RIP)時，可以利用重構(gòu)算法從式(2)的逆變換中精確地或高概率地重構(gòu)出稀疏信號Θ，最終由式(1)得到原始信號X。重構(gòu)算法是壓縮感知理論的核心內(nèi)容[12]。

圖1 信號的壓縮感知框圖

由壓縮感知理論可知，由于超寬帶信道自身的稀疏性，可以將信道估計問題轉(zhuǎn)化為壓縮感知理論中的稀疏向量重構(gòu)問題，利用壓縮感知中稀疏向量的重構(gòu)算法精確地或者高概率地重建稀疏信道。

2 稀疏度自適應(yīng)UWB信道估計算法

2.1 基于壓縮感知的UWB信道估計系統(tǒng)建模

本文考慮一個單用戶超寬帶通信系統(tǒng)，如圖2所示。采用脈沖超寬帶(IR-UWB)信號進(jìn)行數(shù)據(jù)傳輸。信號源產(chǎn)生二進(jìn)制信號，經(jīng)過編碼和調(diào)制后，形成IR-UWB信號，送入超寬帶信道，并且考慮高斯白噪聲的影響，在接收端通過欠采樣，獲得信號的低維測量值，利用壓縮感知重構(gòu)算法完成信道估計，最后對信號進(jìn)行檢測和解調(diào)。

圖2 超寬帶通信系統(tǒng)模型

經(jīng)二進(jìn)制相移鍵控(BPSK)調(diào)制后，發(fā)送信號為：

式中，p(t)為發(fā)送短脈沖，本文選擇的是具有單位能量的二階高斯脈沖信號；bk∈{?1,+1}，是第k個調(diào)制比特；Tf是脈沖周期。UWB信道的數(shù)學(xué)表達(dá)式可描述為：

式中，L為信道的多徑個數(shù)；lα和lτ分別為第l路信號的衰減和時延?？紤]加性高斯白噪聲w(t)的影響，發(fā)送信號s(t)經(jīng)過UWB信道h(t)傳輸后的接收信號為：

式(5)寫成矩陣形式為：

式中，R=[r(0),r(1),…,r(N?1)]T為接收信號序列；H=[h(0),h(1),…,h(N?1)]T為UWB信道沖激響應(yīng)序列；N為單個脈沖接收信號的長度；為發(fā)送信號矩陣；W為高斯白噪聲序列。

超寬帶信道有很長的時延擴(kuò)展，多徑分量非常豐富，在室內(nèi)環(huán)境下，多徑數(shù)量多達(dá)上千條。然而各條路徑的能量分布并不均勻，其中約1/10的多徑集中了整個超寬帶信道沖激響應(yīng)的85%以上的能量[13]，因此不必對每條多徑進(jìn)行接收和檢測，否則會造成資源和時間的浪費(fèi)。信道估計過程中只需要關(guān)注具有信道沖激響應(yīng)大部分能量的重要多徑，大量不重要的多徑可以忽略不計。由于需要估計的重要多徑數(shù)目非常少，可以認(rèn)為要重構(gòu)的超寬帶信道沖激響應(yīng)h(t)具有稀疏性或可壓縮性，滿足了壓縮感知理論的前提條件[14]。選擇M×N維高斯隨機(jī)矩陣(M＜＜N)作為觀測矩陣Φ對接收信號隨機(jī)測量，得到低維測量值為：

式中，測量值y為M×1維列向量；G是由高斯白噪聲產(chǎn)生的無關(guān)分量。式(7)是壓縮感知理論的標(biāo)準(zhǔn)數(shù)學(xué)模型，因此可以應(yīng)用壓縮感知理論，對H欠采樣后重構(gòu)即可得到信道沖激響應(yīng)的估計值為：

式中，ε＞0。選擇相應(yīng)的重構(gòu)算法，即可得到估計的信道沖激響應(yīng)，并利用該估計值構(gòu)建接收端Rake接收機(jī)，解調(diào)出發(fā)送信號。

通過將信道估計問題轉(zhuǎn)化為壓縮感知理論中的稀疏向量重構(gòu)問題，可以避免采用高速率的ADC模塊。同時可以看出，重構(gòu)算法的優(yōu)劣，將直接影響信道估計的精度。

2.2 SARCoSaMP算法

既然重構(gòu)算法的優(yōu)劣將直接影響信道估計的精度，本文提出了SARCoSaMP算法，在壓縮采樣匹配追蹤(CoSaMP)算法的基礎(chǔ)上增加了稀疏度自適應(yīng)[15]和正則化篩選[16]的步驟。CoSaMP算法堅持了匹配追蹤類算法一貫的原子選擇思想，同時引入了回溯思想，每次迭代過程包含原子選入和剔除兩個部分，提高了算法的重構(gòu)精度和運(yùn)算速度[17]。假設(shè)信道稀疏度為K，采用CoSaMP算法，每次迭代從觀測矩陣中選入2K個最相關(guān)原子的同時剔除部分錯選原子，保證每次迭代完成后得到原子數(shù)為K的支撐集，用于重構(gòu)原始信號。實(shí)際中超寬帶信道的稀疏度往往是未知的，并且相比較于傳統(tǒng)信道，超寬帶信道更為復(fù)雜，對信道估計精度要求更高[18]。本文提出的SARCoSaMP算法可在信道稀疏度未知的情況下，設(shè)置可變步長代替稀疏度，采用階段轉(zhuǎn)換的方式自動調(diào)整所選原子的個數(shù)，利用正則化方法實(shí)現(xiàn)原子的二次篩選，再根據(jù)CoSaMP算法的回溯思想進(jìn)一步對原子進(jìn)行檢驗(yàn)，最終實(shí)現(xiàn)信道的精確重建，更適用于超寬帶系統(tǒng)的信道估計。本文的SARCoSaMP算法步驟如下：

輸入：觀測矩陣Φ，觀測樣本y，步長a。

1) 初始化：設(shè)置殘差r=y，索引集Λ0=[]，迭代次數(shù)t=1，步長a=1，階段數(shù)stage=1。

3) 應(yīng)用式(10)計算殘差r與觀測矩陣Φ的每一個列向量(即原子)的內(nèi)積的絕對值，得到相關(guān)系數(shù)μ，并從μ中尋找2a個最大值對應(yīng)的索引值存入J中，有：

4) 根據(jù)式(12)將J中索引值對應(yīng)原子的相關(guān)系數(shù)分為兩組，將其中具有最高平均能量的一組原子對應(yīng)的索引值存入集合J0中，完成了正則化步驟：

5) 構(gòu)建候選集。候選集C由集合J0和前次迭代中支撐集合并得到：

6) 求解最小二乘問題從C中找出a個最優(yōu)原子的索引：

7) 更新支撐集ΦtΛ。

SARCoSaMP算法引入了自適應(yīng)的方法，在迭代過程中自動調(diào)整所選原子數(shù)目，解決了實(shí)際應(yīng)用中超寬帶信道稀疏度未知的問題。該算法設(shè)置一個可變步長a替代信道稀疏度K作為每次選擇的原子數(shù)目，步長a的初始值不宜設(shè)置過大，否則相鄰兩個階段之前的步長差值過大，可能會導(dǎo)致無法準(zhǔn)確逼近信道稀疏度，在本文中設(shè)置步長初始值a=1。將同一個迭代過程分為多個階段(stage)，在同一個階段內(nèi)，用來重構(gòu)原始信號的支撐集的大小是固定的，將每階段計算殘差的大小與上一階段的殘差值作比較，根據(jù)設(shè)置的迭代停止條件，不斷轉(zhuǎn)換階段，利用遞歸思想在步長a依次增大的過程中調(diào)整支撐集的規(guī)模，通過多個階段的累加，逐步逼近信道稀疏度K，然后采用正則化步驟和回溯方法完成支撐集的二次篩選，進(jìn)而實(shí)現(xiàn)了在信道稀疏度未知的情況下精確估計原始信道。

SARCoSaMP算法擁有近似于凸優(yōu)化算法的信號重構(gòu)效果，同時又具有匹配追蹤類算法計算復(fù)雜度低的優(yōu)點(diǎn)。自適應(yīng)的特性解決了信道稀疏度K未知情況下信道估計的問題，正則化步驟保證了最多經(jīng)過K次迭代就可以得到最優(yōu)支撐集以精確重構(gòu)超寬帶信道沖激響應(yīng)，并且能夠保證每次篩選的原子是所有原子中能量值最大的。因此該算法不僅重構(gòu)精度較高，并且計算復(fù)雜度小，極大減少了運(yùn)行時間和成本。

3 仿真場景及結(jié)果分析

3.1 仿真場景

本文通過仿真對比分析了SARCoSaMP、CoSaMP以及SAMP算法在超寬帶信道估計中的性能。仿真中采用IEEE802.15.3a信道模型，根據(jù)實(shí)際信道環(huán)境的差異，定義了4種不同的信道模型[19]：CM1為基于視距(0～4 m)信道模型；CM2為基于非視距(0～4 m)信道模型；CM3為基于非視距(4～10 m)信道模型；CM4為極端的非視距多徑信道模型。本文分別在CM1～CM4信道環(huán)境中進(jìn)行了信道估計。設(shè)定信道總長度N=2 000，觀測點(diǎn)數(shù)M=500，即采樣率M/N=1/4，僅為1/8奈奎斯特采樣頻率。發(fā)送訓(xùn)練序列s[n]=±1，該訓(xùn)練序列經(jīng)過信道傳輸，并且考慮加性高斯白噪聲的影響，在接收端經(jīng)過欠采樣獲得測量值向量，然后采用SARCoSaMP算法進(jìn)行信號重構(gòu)，得到重構(gòu)信道。從歸一化均方誤差角度，對SARCoSaMP算法和CoSaMP算法以及SAMP算法在UWB系統(tǒng)信道估計中的性能進(jìn)行比較。

3.2 仿真結(jié)果及分析

3.2.1 基于SARCoSaMP算法的信道響應(yīng)估計

圖3a～圖3d是信噪比為20 dB條件下，分別在CM1、CM2、CM3和CM4信道環(huán)境下，采用SARCoSaMP算法得到的估計信道與原始信道的比較。從圖3a～圖3d的對比中可以看出，由于每種信道環(huán)境的稀疏度不同，CM1和CM2的信道估計匹配情況更為理想，CM3和CM4中僅能夠匹配信道響應(yīng)的較大徑。因此信道環(huán)境的不同對超寬帶信道估計的精度有較大影響，需要對比研究不同信道環(huán)境下的估計精度。

圖3 原始信道與經(jīng)SARCoSaMP算法重構(gòu)的信道響應(yīng)

圖4為SNR=20 dB，CM1～CM4信道環(huán)境下采用SARCoSaMP算法進(jìn)行信道估計的歸一化均方誤差(NMSE)隨觀測點(diǎn)數(shù)的變換曲線。從圖4中可以看出CM3、CM4信道環(huán)境下，超寬帶信道估計精度較低。這是由于CM3和CM4發(fā)射能量的時間彌散較大，信道的徑數(shù)較多，信道稀疏性減弱。而采用壓縮感知理論進(jìn)行超寬帶信道估計是基于信道稀疏性實(shí)現(xiàn)重構(gòu)算法[20]，因此當(dāng)信道稀疏性減弱時，非零系數(shù)增加，信道估計需要的資源會增加, 復(fù)雜度也會增加，對信道估計的準(zhǔn)確程度有一定影響。因此，基于壓縮感知的超寬帶信道估計算法更適用于如CM1、CM2這種稀疏性較強(qiáng)的信道。因此本文中不同重構(gòu)算法的估計性能比較主要采用CM1和CM2信道。

圖4 不同信道環(huán)境下的估計精度

3.2.2 不同信道下的3種算法的信道估計性能

圖5為采用CoSaMP算法、SAMP算法以及本文提出的SARCoSaMP算法在IEEE802.15.3a信道(CM1、CM2)中進(jìn)行信道估計的歸一化均方誤差隨信噪比的變化曲線。

通過圖5可以看出，采用SARCoSaMP算法進(jìn)行超寬帶信道估計，估計性能明顯好于CoSaMP算法和SAMP算法。這是由于，SAMP算法是基于單階段貪婪算法的稀疏度自適應(yīng)改進(jìn)算法，該算法只包含原子選擇階段。CoSaMP算法一次迭代過程中包含有兩個階段，即原子選擇和原子剔除。由于增加了原子剔除的步驟，假如在原子選擇階段選入了不正確的原子，那么在原子剔除階段也可以將錯選原子剔除，從而保證了每次選入支撐集的原子都是最優(yōu)的。而本文提出的SARCoSaMP算法是在CoSaMP算法的基礎(chǔ)上進(jìn)行改進(jìn)，引入了正則化步驟，進(jìn)行原子的二次篩選得到具有最高平均能量的一組原子，保證了被剔除的原子的能量一定遠(yuǎn)小于被選入支撐集原子的能量，從而提高了重構(gòu)可靠性。因此，相比較于CoSaMP算法和SAMP算法，SARCoSaMP算法應(yīng)用于UWB信道估計中，不僅增強(qiáng)了實(shí)際應(yīng)用性，更提高了信道估計精度。

通過圖5a和圖5b的對比可以看出，對于稀疏信道的估計，SARCoSaMP算法在CM1信道下的信道估計性能好于CM2信道，這是因?yàn)橄啾扔谝暰嘈诺溃且暰嘈诺赖陌l(fā)射機(jī)和接收機(jī)之間存在障礙物，多徑密集很多，并且多徑之間增益相差不明顯。

3.2.3 不同采樣率下SARCoSaMP算法信道估計的性能

基于壓縮感知理論的超寬帶信道估計，其估計效果不僅與信噪比有關(guān)，還和采樣率有關(guān)。采樣率越高，則觀測數(shù)據(jù)量越大，接收端獲得的信道信息越多，估計的效果也就越好。圖6為采樣率M/ N分別為1/2、1/4、1/5、1/6時(分別相當(dāng)于奈奎斯特采樣頻率的1/4、1/8、1/10、1/12)，CM1信道下采用SARCoSaMP算法進(jìn)行超寬帶信道估計所獲得的歸一化均方誤差比較圖。

圖6 不同采樣率的估計效果對比

圖6表明，當(dāng)采樣比M/ N＜1/5(如圖中所示M/N=1/6，即為奈奎斯特采樣頻率的1/12)時，信道估計誤差較大，而且信噪比增大對其影響不明顯，說明此時已經(jīng)不能正確進(jìn)行信道估計了。當(dāng)M/N≥1/5(即為奈奎斯特采樣頻率的1/10)時，可以準(zhǔn)確估計信道，且采樣率越高，信道估計誤差越小，與理論分析相吻合。

因此，信道估計的精度與信號觀測的采樣率有較大關(guān)系，下面再對CoSaMP、SAMP和本文的SARCoSaMP算法在不同采樣率下超寬帶信道估計的匹配度進(jìn)行對比。

3.2.4 不同算法信道估計的匹配度

采用CM1信道，SNR=20 dB，不同算法下得到的估計信道與原始信道響應(yīng)的匹配度隨采樣率M/ N(M/ N≥1/5)變化曲線如圖7所示。

圖7 不同算法的匹配度變化曲線

由圖7首先可以看出在不同的采樣率下，3種算法均可以高概率地重建原始信道，但本文的SARCoSaMP算法匹配度明顯高于CoSaMP、SAMP算法，說明SARCoSaMP算法應(yīng)用于超寬帶信道估計中，其估計精度高于CoSaMP和SAMP算法。

4 結(jié) 束 語

針對基于壓縮感知的信道估計需要預(yù)知稀疏度的問題，提出了一種稀疏度自適應(yīng)的超寬帶信道估計算法—SARCoSaMP算法，并進(jìn)行了算法仿真，得到如下結(jié)論：

1) 利用超寬帶信道的稀疏性，將信道估計問題轉(zhuǎn)化為壓縮感知理論中的稀疏向量重構(gòu)問題，最低僅需奈奎斯特采樣頻率的1/10即可準(zhǔn)確估計信道，大大降低了采樣和計算的成本。2) 引入稀疏度自適應(yīng)和正則化方法，在超寬帶信道稀疏度未知的情況下，可以有效完成信道估計，算法的估計性能更好。在相同信噪比的情況下，信道估計的歸一化均方誤差至少降低了10%，提高了系統(tǒng)的抗噪能力。3) 以CM1～CM4信道為例，分析了不同信道環(huán)境對稀疏度自適應(yīng)超寬帶信道估計算法的估計精度影響，說明了該算法更適用于如CM1、CM2稀疏性較強(qiáng)的信道。4) 不同采樣率下，SARCoSaMP算法匹配度明顯高于CoSaMP、SAMP算法，說明本文提出的稀疏度自適應(yīng)的超寬帶信道估計算法精度更高。

[1] 王宏, 周正歐, 李廷軍, 等. 超寬帶脈沖穿墻雷達(dá)互相關(guān)BP成像[J]. 電子科技大學(xué)學(xué)報, 2011, 40(1): 16-19.

WANG Hong, ZHOU Zheng-ou, LI Ting-jun, et al.Cross-correlation BP algorithm for UWB pulse through-wall radar[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 16-19.

[2] 王丹, 普杰信, 楊雷. 超寬帶無線通信系統(tǒng)信道估計技術(shù)[M]. 北京: 科學(xué)出版社, 2012: 21-26.

WANG Dan, PU Jie-xin, YANG Lei. Channel estimation technique for UWB wireless communication system[M]. Beijing : Science Press, 2012: 21-26.

[3] KHAN O U, CHEN Shao-yuan, WENTZLOFF D D, et al. Impact of compressed sensing with quantization on UWB receivers with multipath channel estimation[J]. Emerging and Selected Topics in Circuits and Systems, 2012, 2(3): 460-469.

[4] DONOHO D L. Compressed sensing[J]. Information Theory, 2006, 52(4): 1289-1306.

[5] 王妮娜, 桂冠, 蘇泳濤, 等. 基于壓縮感知的MIMOOFDM系統(tǒng)稀疏信道估計方法[J]. 電子科技大學(xué)學(xué)報, 2013, 42(1): 58-62.

WANG Ni-na, GUI Guan, SU Yong-tao, et al. Compressive sensing-based sparse channel estimation method for MIMOOFDM systems[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(1): 58-62.

[6] PAREDES J L, ARCE G R, WANG Z M. Ultra-wideband compressed sensing: Channel estimation[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(3): 383-395.

[7] BARBIERI A, PANCALDI F, VITETTA G M. Compressed channel estimation and data detection algorithms for IR-UWB[C]//IEEE International Conference on Ultra-Wideband (ICUWB). Bologna: IEEE, 2011: 360-364.

[8] 楊劍, 蔣挺, 趙成林, 等. 基于 CS-ROMP算法的超寬帶信道估計[J]. 無線電工程, 2011, 41(5): 14-17.

YANG Jian, JIANG Ting, ZHAO Cheng-lin, et al. UWB channel estimation based on CS-ROMP algorithm[J]. Radio Engineering, 2011, 41(5): 14-17.

[9] SON N T, QUYNH N V, TOAN P V, et al. Compressed sensing: a new approach to analyze the recovery algorithms based on UWB channel estimation[C]//IEEE International Conference on Computing, Management and Telecommunications (Com Man Tel). [S.l.]: IEEE, 2014: 46-51.

[10] YANG C, FENG W, FENG H, et al. A sparsity subspace pursuit algorithm for compressive sampling[J]. Acta Electronic Sinica, 2010, 38(4): 1914-1917.

[11] MALLOY M L, NOWAK R D. Near-optimal adaptive compressed sensing[J]. Information Theory, 2014, 60(7): 4001-4012.

[12] YU Lei, BARBOT J P, ZHENG Gang, et al. Compressive sensing with chaotic sequence[J]. IEEE Signal Processing Letters, 2010, 17(8): 731-734.

[13] CHENG Xian-tao, WANG Meng-yao, GUAN Yong-liang. Ultra wideband channel estimation: a Bayesian compressive sensing strategy based on statistical sparsity[J]. Vehicular Technology, 2015, 64(5): 1819-1832.

[14] DAI W, MILENKOVIC O. Subspace pursuit for compressive sensing signal reconstruction[J]. Information Theory, 2009, 55(5): 2230-2249.

[15] DO T T, GAN Lu, NGUYEN N, et al．Sparsity adaptive matching pursuit algorithm for practical compressed sensing[C]//Asilomar Conference on Signals, Systems, and Computers. Pacific Grove, California: IEEE, 2008, 10: 581-587.

[16] NEEDELL D, VERSHYNIN R. Uniform uncertainty principle and signal recovery via regularized orthogonal matching pursuit[J]. Foundations of Computational Mathematics, 2009, 9: 317-334.

[17] BI Dong-jie, XIE Yong-le, LI Xi-feng, et al. A sparsity basis selection method for compressed sensing[J]. Signal Processing Letters, 2015, 22(10): 1738-1742.

[18] LOTTICI V, ANDREA A D, MENGALI U. Channel estimation for ultra-wideband communications[J]. Selected Areas in Communications, 2002, 20(9): 1638-1645．

[19] 貝尼迪特, 吉安卡拉. 超寬帶無線電基礎(chǔ)[M]. 葛利嘉,譯. 北京: 電子工業(yè)出版社, 2005: 168-205.

MARIA-G D B, GUERINO G. Understanding ultra wide band radio fundamentals[M]. Translated by GE Li-jia. Beijing: Publishing House of Electronics Industry, 2005: 168-205.

[20] MUQAIBEL A H, ALKHODARY M T. Practical application of compressive sensing to ultra-wideband channels[J]. Communications, 2012, 6(16): 2534-2542.

[21] MICHELUSI N, MITRA U, MOLISCH A F. UWB sparse/diffuse channels, part I: Channel models and Bayesian estimators[J]. Signal Processing, 2012, 60(10): 5307-5319.

編 輯 漆 蓉

Sparsity Adaptive Algorithm for Ultra-Wideband Channel Estimation

WANG Yan-fen, CONG Xiao-yu, and SUN Yan-jing

(School of Information and Control Engineering, China University of Mining&Technology Xuzhou Jiangsu 221116)

Ultra-wideband (UWB) channel estimation based on the theory of compressive sensing needs to predict sparsity of the channel. Considering the sparseness of the UWB channel in time domain, the problem of channel estimation can be transformed into the reconstruction of the sparse vector in compressive sensing theory. Sparsity adaptive regularization compressive sampling matching pursuit (SARCoSaMP) algorithm is proposed in this paper. The ideas of adaptive and regularization are introduced based on compressive sampling matching pursuit (CoSaMP) algorithm. The number of the selected atoms is controlled automatically in order to approach channel sparsity K gradually. The UWB channel is estimated accurately although the sparsity of the channel is not available. Results show that the proposed algorithm can be effectively used in ultra-wideband channel estimation and it is significantly superior to CoSaMP and sparsity adaptive matching pursuit (SAMP) algorithm.

channel estimation; compressive sensing; sparsity adaptive; ultra-wideband (UWB)

TN911.23

A

10.3969/j.issn.1001-0548.2017.03.004

2015 ? 02 ? 15；

2016 ? 06 ? 17

國家自然科學(xué)基金(51274202)

王艷芬(1962 ? )，女，博士，教授，主要從事超寬帶無線通信、信道建模和信號處理等方面的研究.