基于時間相關性和結構化壓縮感知的窄帶干擾估計方法
【技術領域】
[0001] 本發明屬于通信技術領域，特別涉及一種基于時間相關性和結構化壓縮感知的窄 帶干擾估計方法及裝置。
【背景技術】
[0002] 窄帶噪聲干擾（NarrowbandInterference,NBI)是傳輸信道中不同于傳統頻率選 擇性衰落、時間選擇性衰落之外的一類特殊干擾，會影響寬帶高速數據傳輸的傳輸質量。
[0003] 由于正交頻分復用（OrthogonalFrequencyDivisionMultiplexing，OFDM)技術 具有很好的頻譜效率和抗信道頻率選擇性衰落特性，它已經廣泛的應用到各種數字信號傳 輸系統中，如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（^DigitalTelevisionMultimediaBroadcast，DTMB)等。其中，DTMB系統 采用了時域同步正交頻分復用技術TDS-0FDM(TimeDomainSynchronousOFDM)，使用時域 訓練序列作為信號幀的保護間隔填充，時域訓練序列還可用于同步和信道估計等。
[0004] 電力線信道中進行高速數字通信已經展開了廣泛的研宄和應用，然而電力線信道 環境惡劣，尤其是有嚴重的窄帶噪聲干擾；寬帶無線通信和地面數字電視廣播系統中也存 在窄帶干擾等問題。窄帶干擾會降低上述通信系統中信道估計準確性，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，在強干擾下效果不佳。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；還有方法依賴于 接收數據的二階統計量進行窄帶干擾估計。現有估計方法所要占用的冗余資源降低了資源 利用效率；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 號的頻率和數值。進一步地，目前尚沒有針對窄帶干擾的時域相關性，即相鄰接收符號對應 的窄帶干擾信號位置基本不變的特點，進行結構化多維聯合窄帶干擾估計的研宄。
[0006] 綜上，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。
【發明內容】
[0007] 本發明旨在至少解決上述技術問題之一。
[0008] 為此，本發明的一個目的在于提出一種基于時間相關性和結構化壓縮感知的窄帶 干擾估計方法。該方法提高窄帶干擾精度，提升系統魯棒性和傳輸性能。
[0009] 本發明的另一個目的在于提出一種基于時間相關性和結構化壓縮感知的窄帶干 擾估計裝置。
[0010] 為了實現上述目的，本發明的第一方面的實施例公開了一種基于時間相關性和結 構化壓縮感知的窄帶干擾估計方法，包括以下步驟：S1 :發射端分別發送訓練序列和信號 幀幀體；S2 :接收端在接收到R+1組所述訓練序列時，分別對每組相鄰所述訓練序列中的L 點重復訓練序列部分進行逐點相減，得到R組長度為L的窄帶干擾時域差分采樣序列；S3 : 根據所述R組時域差分采樣序列構成多維窄帶干擾信號聯合采樣矩陣，并基于窄帶干擾信 號的時域-頻域傅里葉變換關系，得到結構化壓縮感知模型；S4 :根據所述結構化壓縮感知 模型，采用結構化壓縮感知算法，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。
[0011] 另外，根據本發明上述實施例的基于時間相關性和結構化壓縮感知的窄帶干擾估 計方法還可以具有如下附加的技術特征：
[0012] 在一些示例中，在所述步驟S1中，所述訓練序列為前導符號中的前導訓練序列， 所述前導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。
[0013] 在一些示例中，在所述步驟S1中，所述訓練序列為所述信號幀幀體之間的幀間訓 練序列，所述幀間訓練序列包括一段已知訓練序列、一段已知訓練序列及其循環前綴或兩 段相同的已知訓練序列，所述已知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。
[0014] 在一些示例中，在所述步驟S1中，所述信號幀幀體包括：單載波數據塊和正交頻 分復用數據塊。
[0015]在一些示例中，在步驟S2中，所述重復訓練序列部分包括前導符號中的所述前導 訓練序列、所述幀間訓練序列的無幀體干擾部分或準無幀體干擾部分。
[0016]在一些示例中，在所述步驟S3中，所述窄帶干擾信號時域差分采樣序列為當前訓 練序列與下一訓練序列進行逐點相減所得的時域差分序列。
[0017]在一些示例中，在所述步驟S3中，所述結構化壓縮感知模型為多維窄帶干擾信號 時頻關系等式。
[0018]在一些示例中，在所述步驟S4中，所述結構化壓縮感知算法為基于多維聯合稀疏 信號的凸優化算法或者基于多維結構化壓縮感知的貪婪算法，其中，所述凸優化算法包括 內點法、一階范數最小化算法，所述貪婪算法包括結構化同步正交匹配追蹤算法、結構化稀 疏自適應匹配追蹤法。
[0019] 在一些示例中，還包括：S5 :接收端利用步驟S4中估計所得的窄帶干擾信號頻率， 計算所述窄帶干擾信號時域差分采樣序列與所估計和窄帶干擾信號的殘差平方，進行最小 二乘計算，得到窄帶干擾信號的幅度、相位準確估計；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：
[0020]
[0021] 其中，AL為進行逐點相減操作的相鄰幀頭間的距離；S7 :將接收端接收到的信號 幀的時域幀體數據塊減去所述頻域窄帶干擾信號估計的離散傅里葉逆變換，得到消除窄帶 干擾信號后的幀體數據。
[0022] 本發明第二方面的實施例公開了一種基于時間相關性和結構化壓縮感知的窄帶 干擾估計裝置，包括：幀頭差分模塊，在接收端在接收到R+1組所述訓練序列時，分別對每 組相鄰所述訓練序列中的L點重復訓練序列部分進行逐點相減，得到R組長度為L的窄帶 干擾時域差分采樣序列；壓縮感知模型構建模塊，用于根據所述R組時域差分采樣序列構 成多維窄帶干擾信號聯合采樣矩陣，并基于窄帶干擾信號的時域-頻域傅里葉變換關系， 得到結構化壓縮感知模型；壓縮感知估計模塊，用于根據所述結構化壓縮感知模型，采用結 構化壓縮感知算法，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。
[0023] 本發明實施例的基于時間相關性和結構化壓縮感知的窄帶干擾估計方法及裝置， 能夠在多徑衰落嚴重、噪聲強度較大的信道中，在不損失頻譜效率和時域資源的條件下，基 于窄帶干擾信號的時間相關性，對窄帶干擾信號進行多維聯合采樣，構建結構化壓縮感知 模型，并采用結構化壓縮感知算法，精確地估計并消除窄帶干擾，提升數據傳輸性能。
[0024] 本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變 得明顯，或通過本發明的實踐了解到。
【附圖說明】
[0025] 本發明的上述和/或附加的方面和優點從結