基于先驗信息輔助的壓縮感知窄帶干擾估計方法及裝置制造方法
【專利摘要】本發明公開了基于先驗信息輔助的壓縮感知窄帶干擾估計方法及裝置，該方法包括：S1.對M組相鄰信號幀的幀頭中的L點無幀體干擾部分或L點準無幀體干擾部分進行逐點相減，得到M段時域差分序列，所述時域差分序列長度為L；S2.用所述時域差分序列對窄帶干擾信號的頻率進行粗估計，獲得窄帶干擾信號頻率的先驗信息；S3.用時域差分序列構成窄帶干擾信號的時域采樣序列，根據所述時域采樣序列，得到壓縮感知算法模型；S4.根據壓縮感知算法模型和窄帶干擾信號頻率的先驗信息，采用基于先驗信息輔助的壓縮感知算法，估計窄帶干擾信號的頻率、幅度和相位，得到窄帶干擾信號的估計。
【專利說明】基于先驗信息輔助的壓縮感知窄帶干擾估計方法及裝置
【技術領域】
[0001]本發明屬于通信【技術領域】，特別涉及基于先驗信息輔助的壓縮感知窄帶干擾估計方法及裝置。
【背景技術】
[0002]在寬帶高速數據傳輸中，存在頻率選擇性衰落、時間選擇性衰落和窄帶噪聲干擾(Narrowband Interference, NBI)等，影響數據傳輸質量。
[0003]目前，正交頻分復用(Orthogonal Frequency Division Multiplex, 0FDM)技術在電力線通信系統、數字電視廣播系統中都得到了廣泛的應用。由于OFDM具有很好的頻率選擇性，它已經應用到各種數字信號傳輸系統中，如國際電聯的電力線通信系統標準、無線局域網、歐洲數字視頻地面廣播以及中國地面數字電視傳輸標準(Digital TelevisionMultimedia Broadcast, DTMB)等。其中，DTMB系統采用了時域同步正交頻分復用技術TDS-OFDM(Time Domain Synchronous OFDM),使用時域訓練序列作為信號巾貞的保護間隔填充，時域訓練序列還可用于同步和信道估計等。DTMB系統的多層復幀結構如圖1所示。
[0004]在傳輸便捷、資源豐富的電力線信道中進行高效數字通信得到了廣泛的研究和應用，然而電力線信道環境惡劣，尤其是有嚴重的窄帶噪聲干擾；地面數字電視廣播系統中也存在窄帶干擾等問題。同時，在TDS-OFDM系統中，窄帶干擾會降低信道估計準確性，影響數據的正確解映射和解碼，嚴重影響數據的正確傳輸，因此，需要設計對抗窄帶干擾的方法。
[0005]現有的應對窄帶干擾的方法性能不夠理想，尤其在較高強度的窄帶干擾下，數據的傳輸性能會嚴重惡化。如傳統的頻域交織等手段，雖然可以一定程度上降低窄帶干擾的影響，但是無法消除窄帶干擾，在窄帶干擾下效果不佳。現有的基于幀頭結構優化設計對抗窄帶干擾對同步性能的影響的方法，也不可以消除窄帶干擾。目前常見的基于線性預測算法估計窄帶干擾的方法，需要依賴于某種冗余資源，例如插入一定數量的虛擬子載波，或者必須進行過采樣，或者在接收端需要使用多天線等；或者依賴于接收數據的二階統計量進行窄帶干擾估計。現有方法估計窄帶干擾所要占用的冗余資源降低了資源利用效率，而依賴于接收數據的統計信息的方法則使窄帶干擾估計性能受到接收數據統計信息準確性的影響，導致估計性能不佳。進一步地，在較弱的窄帶干擾和較強的信道噪聲環境下，現有的方法無法準確地把窄帶干擾從信道噪聲中區分出來，無法準確估計窄帶干擾信號的頻率和大小。
【發明內容】
[0006](一)要解決的技術問題
[0007]本發明所要解決的技術問題是現有的窄帶干擾信號估計方法在多徑干擾嚴重、窄帶干擾強度較低或者信道噪聲較強的環境下，無法準確估計窄帶干擾信號的頻率和大小的問題。
[0008](二)技術方案[0009]為解決上述問題，本發明提供基于先驗信息輔助的壓縮感知窄帶干擾估計方法，該方法包括:
[0010]S1.對M組相鄰信號幀的幀頭中的L點無幀體干擾部分或L點準無幀體干擾部分進行逐點相減，得到M段時域差分序列，所述序列長度為L ；
[0011]S2.用所述時域差分序列對窄帶干擾信號的頻率進行粗估計，獲得窄帶干擾信號頻率的先驗信息；
[0012]S3.用時域差分序列構成窄帶干擾信號的時域采樣序列，根據所述時域采樣序列，得到壓縮感知算法模型；
[0013]S4.根據壓縮感知算法模型和窄帶干擾信號頻率的先驗信息，采用基于先驗信息輔助的壓縮感知算法，估計窄帶干擾信號的頻率、幅度和相位，得到窄帶干擾信號的估計。
[0014]其中，在步驟SI中，所述信號幀包括幀頭和幀體，其中，幀頭為訓練序列，幀體為單載波數據塊或OFDM數據塊，所述訓練序列包括一段已知的訓練序列、一段已知的訓練序列及其循環前綴或兩段相同的已知的訓練序列；所述已知的訓練序列包括頻域二值偽隨機序列的離散傅里葉逆變換或時域二值偽隨機序列。
[0015]其中，在步驟SI中，所述無幀體干擾部分或準無幀體干擾部分包括整個幀頭訓練序列、包含部分信號幀間多徑干擾區域的訓練序列或兩段相同已知訓練序列構成的幀頭中的第二段已知訓練序列。
[0016]其中，在步驟S2中，所述粗估計包括:
[0017]S21.對所述M段時域差分序列補零后進行傅里葉變換，得到M段頻域序列，所述頻域序列長度為N ；
[0018]S22.依次提取每段頻域序列的相同位置的值構成一個位置序列，共得到N個位置序列，所述位置序列長度為M ；
[0019]S23.對每個位置序列進行絕對值或絕對值平方的求和運算，得到N個求和運算結果;
[0020]S24.計算N個求和運算結果的平均值，將所述平均值的常數倍設置為判別門限值；
[0021]S25.比較判別門限值與每個求和運算結果的大小，將大于所述門限值的求和運算結果所對應位置序列進行標記，得到窄帶信號的頻率位置估計。
[0022]其中，在步驟S2中，所述先驗信息為窄帶信號的頻率位置。
[0023]其中，在步驟S3中，所述窄帶干擾信號的時域采樣序列包括當前信號幀與下一信號幀進行逐點相減所得的時域差分序列或者當前信號幀與其之后的M個相鄰信號幀兩兩進行逐點相減所得的M段時域差分序列的平均值。
[0024]其中，在步驟S3中，所述壓縮感知算法模型為窄帶干擾信號時頻關系等式，即所述窄帶干擾時域采樣序列等于傅里葉逆變換矩陣乘以所述待估計的窄帶干擾頻域信號加上時域噪聲信號。
[0025]其中，在步驟S3中，所述壓縮感知算法為基于窄帶干擾信號頻率先驗信息輔助的凸優化算法或者基于窄帶干擾信號頻率先驗信息輔助的貪婪算法，所述凸優化算法包括內點法、一階范數最小化算法；所述貪婪算法包括壓縮采樣匹配追蹤法、正交匹配追蹤法及其衍生算法、稀疏自適應匹配追蹤法以及子空間追蹤法。[0026]可選的，該方法進一步包括:
[0027]S5.利用窄帶干擾信號頻率的先驗信息，將傅里葉逆變換矩陣乘以窄帶干擾信號的估計，再與所述窄帶干擾信號的時域采樣序列進行殘差平方，得到殘差平方式，對殘差平方式進行最小二乘計算，得到頻域窄帶干擾信號的估計；
[0028]S6.將所述頻域窄帶干擾信號的估計除以頻域衰減因子，其中第k個子載波上的頻域衰減因子為:
【權利要求】
1.基于先驗信息輔助的壓縮感知窄帶干擾估計方法，其特征在于，該方法包括: 51.對M組相鄰信號幀的幀頭中的L點無幀體干擾部分或L點準無幀體干擾部分進行逐點相減，得到M段時域差分序列，所述時域差分序列長度為L ； 52.用所述時域差分序列對窄帶干擾信號的頻率進行粗估計，獲得窄帶干擾信號頻率的先驗信息； 53.用時域差分序列構成窄帶干擾信號的時域采樣序列，根據所述時域采樣序列，得到壓縮感知算法模型； 54.根據壓縮感知算法模型和窄帶干擾信號頻率的先驗信息，采用基于先驗信息輔助的壓縮感知算法，估計窄帶干擾信號的頻率、幅度和相位，得到窄帶干擾信號的估計。
2.根據權利要求1所述的方法，其特征在于，在步驟SI中，所述信號幀包括幀頭和幀體，其中，幀頭為訓練序列，幀體為單載波數據塊或OFDM數據塊，所述訓練序列包括一段已知的訓練序列、一段已知的訓練序列及其循環前綴或兩段相同的已知的訓練序列；所述已知的訓練序列包括頻域二值偽隨機序列的離散傅里葉逆變換或時域二值偽隨機序列。
3.根據權利要求1所述的方法，其特征在于，在步驟SI中，所述無幀體干擾部分或準無幀體干擾部分包括整個幀頭訓練序列、包含部分信號幀間多徑干擾區域的訓練序列或兩段相同已知訓練序列構成的幀頭中的第二段已知訓練序列。
4.根據權利要求 1所述的方法，其特征在于，在步驟S2中，所述粗估計包括: 521.對所述M段時域差分序列補零后進行傅里葉變換，得到M段頻域序列，所述頻域序列長度為N ； 522.依次提取每段頻域序列的相同位置的值構成一個位置序列，共得到N個位置序列，所述位置序列長度為M ； 523.對每個位置序列進行絕對值或絕對值平方的求和運算，得到N個求和運算結果； 524.計算N個求和運算結果的平均值，將所述平均值的常數倍設置為判別門限值； 525.比較判別門限值與每個求和運算結果的大小，將大于所述門限值的求和運算結果所對應位置序列進行標記，得到窄帶信號的頻率位置估計。
5.根據權利要求4所述的方法，其特征在于，在步驟S2中，所述先驗信息為窄帶信號的頻率位置。
6.根據權利要求1所述的方法，其特征在于，在步驟S3中，所述窄帶干擾信號的時域采樣序列包括當前信號幀與下一信號幀進行逐點相減所得的時域差分序列或者當前信號幀與其之后的M個相鄰信號幀兩兩進行逐點相減所得的M段時域差分序列的平均值。
7.根據權利要求1所述的方法，其特征在于，在步驟S3中，所述壓縮感知算法模型為窄帶干擾信號時頻關系等式，即所述窄帶干擾時域采樣序列等于傅里葉逆變換矩陣乘以所述待估計的窄帶干擾頻域信號加上時域噪聲信號。
8.根據權利要求1所述的方法，其特征在于，在步驟S3中，所述壓縮感知算法為基于窄帶干擾信號頻率先驗信息輔助的凸優化算法或者基于窄帶干擾信號頻率先驗信息輔助的貪婪算法，其中，所述凸優化算法包括內點法、一階范數最小化算法；所述貪婪算法包括壓縮采樣匹配追蹤法、正交匹配追蹤法及其衍生算法、稀疏自適應匹配追蹤法以及子空間追蹤法。
9.根據權利要求1所述的方法，其特征在于，該方法進一步包括:S5.利用窄帶干擾信號頻率的先驗信息，將傅里葉逆變換矩陣乘以窄帶干擾信號的估計，再計算其與所述窄帶干擾信號的時域采樣序列的殘差平方，得到殘差平方式，對殘差平方式進行最小二乘計算，得到頻域窄帶干擾信號的估計； S6.將所述頻域窄帶干擾信號的估計除以頻域衰減因子，其中第k個子載波上的頻域衰減因子為:
10.基于先驗信息輔助的壓縮感知窄帶干擾估計裝置，其特征在于，該裝置包括: 幀頭差分模塊，用于對M組相鄰信號幀的幀頭中的L點無幀體干擾部分或L點準無幀體干擾部分進行逐點相減，得到M段時域差分序列，所述序列長度為L ； 先驗信息粗估計模塊，用于用所得時域差分序列對窄帶干擾信號的頻率進行粗估計，獲得窄帶干擾信號頻率的先驗信息； 壓縮感知估計模塊，用于用時域差分序列構成窄帶干擾信號的時域采樣序列，根據所述時域采樣序列，得到壓縮感知算法模型，并根據壓縮感知算法模型和窄帶干擾信號頻率的先驗信息，采用基于先驗信息輔助的壓縮感知算法，估計窄帶干擾信號的頻率、幅度和相位，得到窄帶干擾信號的估計。
【文檔編號】H04L27/26GK103780520SQ201410007442
【公開日】2014年5月7日 申請日期:2014年1月7日 優先權日:2014年1月7日
【發明者】楊昉, 劉思聰, 宋健, 潘長勇 申請人:清華大學