一種基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法
【專利摘要】本發(fā)明提出了一種基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法，目的是解決在特定無線信道情況下的實(shí)時(shí)選取最優(yōu)導(dǎo)頻結(jié)構(gòu)的問題。該方法有別于傳統(tǒng)的確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法，考慮了實(shí)際傳輸過程中無線信道的多樣性，將信道結(jié)構(gòu)的設(shè)計(jì)與信道估計(jì)過程相結(jié)合，使得優(yōu)化后的導(dǎo)頻結(jié)構(gòu)具有更高的估計(jì)精度與更高的適用性。仿真實(shí)驗(yàn)結(jié)果表明，本發(fā)明所提出的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法以適當(dāng)增加系統(tǒng)運(yùn)算復(fù)雜度為代價(jià)，有效地提高了稀疏信道估計(jì)的精度，使得優(yōu)化后的導(dǎo)頻結(jié)構(gòu)更具代表性，具有較好的工程應(yīng)用前景。
【專利說明】
-種基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于通信領(lǐng)域，特別設(shè)及一種在稀疏信道估計(jì)過程中的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu) 化設(shè)計(jì)方法。
【背景技術(shù)】
[0002] 在正交頻分復(fù)用(OFDM)無線移動(dòng)通信系統(tǒng)中，無線信道通常表現(xiàn)出稀疏性。由于 傳統(tǒng)的信道估計(jì)方法如最小二乘化S)法、最小均方誤差(MMSE)法等均只適用于稠密信道的 估計(jì)，在信道呈現(xiàn)稀疏特性時(shí)，傳統(tǒng)的信道估計(jì)方法性能均不夠理想。因此，稀疏信道下的 信道估計(jì)算法已成為通信領(lǐng)域中一個(gè)新的研究熱點(diǎn)。
[0003] 壓縮感知(CS)是近年來應(yīng)用數(shù)學(xué)領(lǐng)域中新興的且極具應(yīng)用前景的理論，目前已被 廣泛地研究并應(yīng)用于諸多領(lǐng)域。根據(jù)壓縮感知理論可知，當(dāng)一個(gè)信號(hào)在某一特定空間中可 W稀疏表示時(shí)，便可W利用遠(yuǎn)低于奈奎斯特采樣率的速率對(duì)其進(jìn)行取樣并通過優(yōu)化的方法 高概率地重構(gòu)此信號(hào)。由此可見，當(dāng)無線信道表現(xiàn)出稀疏性時(shí)，OFDM系統(tǒng)中信道估計(jì)過程就 類似于壓縮感知中原始稀疏信號(hào)的重建過程。因此，把CS理論應(yīng)用于OFDM系統(tǒng)的信道估計(jì) 算法中，將有別于傳統(tǒng)的信道估計(jì)算法，大大提高在稀疏信道下的信道估計(jì)性能。
[0004] 雖然現(xiàn)已有很多基于壓縮感知理論的稀疏信道估計(jì)算法研究，但大部分研究集中 在重構(gòu)算法的改進(jìn)與創(chuàng)新上。研究表明，在稀疏信道的恢復(fù)過程中，導(dǎo)頻的結(jié)構(gòu)對(duì)最終的稀 疏信道估計(jì)性能同樣也起到了十分重要的作用，因此本發(fā)明將主要解決在稀疏信道估計(jì)過 程中導(dǎo)頻結(jié)構(gòu)的優(yōu)化設(shè)計(jì)問題。在現(xiàn)有的導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法中，絕大部分方法在正交頻分 復(fù)用（〇：rthogonal打equen巧division multiplexing,(FDM)系統(tǒng)下所采用的導(dǎo)頻結(jié)構(gòu)設(shè) 計(jì)標(biāo)準(zhǔn)都是基于縮小測(cè)量矩陣互相關(guān)性的確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)，該標(biāo)準(zhǔn)也可W簡稱為MIP (mu化al incoherence property)。例如，W發(fā)明專利《稀疏信道的導(dǎo)頻優(yōu)化方法、裝置和信 道估計(jì)方法》為代表的一系列確定性導(dǎo)頻設(shè)計(jì)方法，都是在MIP標(biāo)準(zhǔn)的基礎(chǔ)上完成的?？蒞 看到，在該發(fā)明中，整個(gè)導(dǎo)頻結(jié)構(gòu)的設(shè)計(jì)是在信號(hào)傳輸之前完成的，并且與隨后的信道估計(jì) 過程相獨(dú)立。運(yùn)類確定性的導(dǎo)頻設(shè)計(jì)方法雖然降低了其在工程實(shí)現(xiàn)上的復(fù)雜度，但是由于 沒能考慮到實(shí)際信道傳輸過程中無線信道的不確定性，故將經(jīng)過該類方法優(yōu)化過的導(dǎo)頻結(jié) 構(gòu)用于任意情況下的信道傳輸過程是不嚴(yán)謹(jǐn)?shù)摹?br>
【發(fā)明內(nèi)容】

[0005] 針對(duì)如今確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法中存在的不足，本發(fā)明提出了一種基于稀疏信 道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法。該方法有別于常見的確定性導(dǎo)頻設(shè)計(jì)方法，將針 對(duì)特定的無線信道進(jìn)行導(dǎo)頻結(jié)構(gòu)的優(yōu)化設(shè)計(jì)，W適當(dāng)增加系統(tǒng)復(fù)雜度為代價(jià)，有效地提高 稀疏信道估計(jì)的均方誤差(Mean Square化ror，MSE)性能，并使得該導(dǎo)頻結(jié)構(gòu)更具有適用 性。
[0006] 為了與確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法區(qū)別開，本發(fā)明的主要特點(diǎn)及步驟包括W下幾個(gè) 方面：
[0007] (1)本發(fā)明從一系列隨機(jī)的導(dǎo)頻結(jié)構(gòu)開始，利用實(shí)際信號(hào)傳輸后的稀疏信道估計(jì) 結(jié)果反作用于導(dǎo)頻結(jié)構(gòu)的重構(gòu)上。該方法有別于常見的確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)，使得導(dǎo)頻結(jié) 構(gòu)在連續(xù)地傳輸過程中不斷地調(diào)整，直至收斂。
[0008] (2)本發(fā)明在導(dǎo)頻結(jié)構(gòu)不斷調(diào)整的過程中，采用凸優(yōu)化算法中的最小h范數(shù)模型 和遺傳算法(genetic algorithm,GA)理論對(duì)導(dǎo)頻進(jìn)行篩選與重建。相比于單一的WMIP準(zhǔn) 則作為導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)標(biāo)準(zhǔn)的導(dǎo)頻設(shè)計(jì)方法更加直接與全面。
[0009] (3)為了提高導(dǎo)頻結(jié)構(gòu)收斂的速度W及導(dǎo)頻結(jié)構(gòu)的估計(jì)性能，本發(fā)明可W通過改 變GA迭代過程中初始種群的數(shù)目W及基因交叉與變異的概率來實(shí)現(xiàn)。
[0010] (4)在完成每一次對(duì)導(dǎo)頻結(jié)構(gòu)的重構(gòu)之后，接收端需要向發(fā)送端反饋一系列新的 導(dǎo)頻結(jié)構(gòu)信息作為下一次循環(huán)迭代的開始，多次重復(fù)執(zhí)行上述步驟，直至導(dǎo)頻結(jié)構(gòu)收斂。，
[0011] 綜上所述，實(shí)施上述的自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法，具有如下的有益效果：
[0012] (1)本發(fā)明根據(jù)實(shí)際的傳輸結(jié)果不斷地調(diào)制傳輸信號(hào)中導(dǎo)頻的結(jié)構(gòu)設(shè)計(jì)，使得最 終設(shè)計(jì)出的導(dǎo)頻結(jié)構(gòu)更加符合實(shí)際信道的特征，即更具有代表性。
[0013] (2)本發(fā)明結(jié)合貪婪算法W及凸優(yōu)化算法各自的特點(diǎn)，在信道重構(gòu)過程中既確保 了系統(tǒng)較低的實(shí)現(xiàn)復(fù)雜度，又保證了信道恢復(fù)過程中的精確度，做到了估計(jì)性能與運(yùn)算復(fù) 雜度之間較好的折中。
[0014] (3)本發(fā)明利用了 GA理論對(duì)導(dǎo)頻信息進(jìn)行重構(gòu)與更新，確保了每一次導(dǎo)頻結(jié)構(gòu)的 重構(gòu)都朝著指定的目標(biāo)方向改變，使得本發(fā)明中循環(huán)系統(tǒng)得W最終收斂。
[0015] (4)經(jīng)過本發(fā)明中自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法優(yōu)化過的導(dǎo)頻結(jié)構(gòu)，能提升整個(gè)OFDM 稀疏信道估計(jì)系統(tǒng)的估計(jì)精確度。
【附圖說明】
[0016] 為了更清楚地說明本發(fā)明的技術(shù)方法，下面將對(duì)實(shí)施方式描述過程中所需要使用 的附圖作簡單的介紹。
[0017] 圖1是本發(fā)明的自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法流程示意圖；
[0018] 圖2是本發(fā)明的具體實(shí)施例流程示意圖；
[0019] 圖3是本發(fā)明中自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法在不同初始種群個(gè)體數(shù)情況下的的收斂 情況比較。
[0020] 圖4是本發(fā)明的一個(gè)實(shí)施例與現(xiàn)有幾種代表性的導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法估計(jì)性能的比 較結(jié)果圖。
[0021] 圖5是本發(fā)明的一個(gè)實(shí)施例與現(xiàn)有幾種代表性的導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法運(yùn)行時(shí)間的比 較結(jié)果。
【具體實(shí)施方式】
[0022] 為了更加清楚、完整地描述本發(fā)明中的目的、技術(shù)方法和方法特點(diǎn)，下面將結(jié)合具 體實(shí)施例W及實(shí)施例中的附圖，對(duì)本發(fā)明作進(jìn)一步詳細(xì)地描述。
[0023] 在對(duì)本發(fā)明中的實(shí)施例進(jìn)行介紹之前，需要先建立起一個(gè)基本的(FDM信號(hào)輸入輸 出系統(tǒng)模型。假設(shè)OFDM信號(hào)的子載波總個(gè)數(shù)為N，其中導(dǎo)頻的個(gè)數(shù)為P，分別位于子載波ki, k2，···，kp(l《kl，k2，···，kp《N)上。我們定義向量p=[kl，k2，···，kp]τ為導(dǎo)頻位置向量(pilot position vector，PPV)。此外，定義每一個(gè)OFDM信號(hào)在發(fā)送端和接收端第i個(gè)子載波上的傳 輸數(shù)據(jù)分別為x(i)(i = l，2，…，N)和パi)(i = l，2，…，N)。于是，我們可W得到接收信號(hào)在 頻域上的表現(xiàn)形式：
[0024] Y=XH+N* (1)
[00巧]其中，Y=[y(l) ,y(2)，...，y(N)]T，X = diag[x(l)，x(2)，...，x(N)]，H = FNXLh。其中 Fnxl為部分離散傅里葉矩陣化iscrete Fourier Transformation,DFT)，其由N維DFT變換矩 陣的前L列構(gòu)成：
[0026]
[0027] 其牛
"是一個(gè)方差為ο2的N維加性復(fù)高斯白噪聲向量。
[0028] 為了從N個(gè)子載波中選取出P個(gè)導(dǎo)頻，運(yùn)里我們定義一個(gè)pXN維的導(dǎo)頻選擇矩陣 (P i 1 0 t S e 1 e C t i 0 η ma t r i X , P SM )用于導(dǎo)頻的選?。呵?二·Λ )，其中， /, (/ = 1，2，···，切是一個(gè)長度為Ν的單位列向量，其中僅ki上的元素為1，其余元素都為0。隨 后，將PSM左乘于(1)式的兩端，可W得到如下等式，
分別令
I于是上式可W進(jìn)一步簡化為Yp = XpFph +Np。運(yùn)里，我們令T = XpFp，而T就是CS理論中的測(cè)量矩陣。至此，整個(gè)(FDM系統(tǒng)下導(dǎo)頻信號(hào)的 輸入輸出模型已構(gòu)建完畢，其模型最終可W表示為Υρ =化+Np。
[0029] 在完成對(duì)OFDM系統(tǒng)輸入輸出模型的構(gòu)建后，圖1給出了本發(fā)明所提出的基于稀疏 信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法的大致流程。整個(gè)方法的步驟主要可W分為如下 五個(gè)部分:初始種群的產(chǎn)生，初步的稀疏信道估計(jì)，導(dǎo)頻結(jié)構(gòu)的篩選，導(dǎo)頻結(jié)構(gòu)的重構(gòu)，循環(huán) 迭代。
[0030] 圖2則是本發(fā)明提出的基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法的一個(gè) 實(shí)施例流程示意圖，該方法的具體步驟為：
[0031] S100:本方法將生成Z組隨機(jī)的導(dǎo)頻結(jié)構(gòu)組成一個(gè)初始種群ZW，種群中的每個(gè)體 可W用一組PPV表示。
[0032] S200:依次將種群zW(j = 〇，l，…，C)中的Z組個(gè)體作為導(dǎo)頻結(jié)構(gòu)進(jìn)行(FDM信號(hào)的 傳輸，并在接收端直接利用0MP算法對(duì)接收到的OFDM信號(hào)進(jìn)行初步的信道估計(jì)。由于發(fā)送端 發(fā)送了 Z組由不同導(dǎo)頻結(jié)構(gòu)所組成的(FDM信號(hào)，因此接收端得可W到Z組不同的信道估計(jì)值 hguess(i), (i -1,2,...,ζ)。
[0033] S300:然后，再利用GA原理對(duì)優(yōu)良的導(dǎo)頻結(jié)構(gòu)進(jìn)行篩選與重構(gòu)。運(yùn)里，本方法利用 了凸優(yōu)化算法中的最小h范數(shù)模型
，s.t」|Y-Th|h《〇n，給出了 GA迭代中的適應(yīng) 度判定標(biāo)準(zhǔn):V(i)= ||Υρ-Τρ · hguess(i)||2，i = l，2，'''，Z。其中，I |川2代表向量X 的二范數(shù)， i代表種群中的第i個(gè)個(gè)體。
[0034] S400:在給出適應(yīng)度判定標(biāo)準(zhǔn)后，將z組hguess( i)值帶入適應(yīng)度判斷標(biāo)準(zhǔn)中，并選取 出其中hguess (i)值最小的前Z/^2組所對(duì)應(yīng)的PPV作為優(yōu)良個(gè)體替換剩下的z/^2組個(gè)體。
[0035] S500:模擬GA理論中的基因交叉與變異過程，從而形成Z組新的個(gè)體，同時(shí)也形成 一個(gè)新的種群zu+i>。
[0036] S600:最后，將新的種群信息反饋至發(fā)送端，重復(fù)S200至S600的步驟，直至循環(huán)次 數(shù)達(dá)到C為止。
[0037] S700:當(dāng)循環(huán)次數(shù)達(dá)到C之后，選取出此時(shí)種群中最小適應(yīng)度值V(i)所對(duì)應(yīng)的 導(dǎo)頻結(jié)構(gòu)，而該導(dǎo)頻結(jié)構(gòu)就是經(jīng)過本發(fā)明中的自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法所選取出最優(yōu)導(dǎo)頻 結(jié)構(gòu)。
[0038] 由GA理論可知，盡管遺傳迭代過程可W不斷地更新和篩選出估計(jì)性能更優(yōu)的導(dǎo)頻 結(jié)構(gòu)，但窮盡所有情況顯然是不現(xiàn)實(shí)的。運(yùn)就意味著，該自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法所選出導(dǎo) 頻結(jié)構(gòu)并非理論上的最優(yōu)，僅僅是局部上的最優(yōu)。但盡管如此，我們?nèi)钥蒞通過適當(dāng)增加系 統(tǒng)復(fù)雜度來提高整導(dǎo)頻結(jié)構(gòu)的估計(jì)性能，使之滿足工程上的滿意解。
[0039] 在仿真實(shí)驗(yàn)中，本發(fā)明的實(shí)施例采用了子載波個(gè)數(shù)為512的OFDM信號(hào)，并用16-QAM 進(jìn)行調(diào)制。此外，循環(huán)前綴的個(gè)數(shù)為128,導(dǎo)頻的個(gè)數(shù)為30,信道長度為60,稀疏度為6。而對(duì) 于GA迭代過程，本實(shí)施例中的基因交叉概率為0.2，基因變異概率為0.02。
[0040] 圖3是本發(fā)明中自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法在不同初始種群個(gè)體數(shù)情況下的的收斂 情況示意圖。它給出了在步驟S200和S600中循環(huán)次數(shù)C的確定方法。從圖3中可W看到，在不 同初始種群個(gè)體數(shù)的情況下，使種群最小適應(yīng)度達(dá)到收斂時(shí)所需的循環(huán)次數(shù)C是不同的。此 夕h當(dāng)?shù)螖?shù)達(dá)到C之后，種群的最小適應(yīng)度V"inW=min{V(i)}將不再變化。運(yùn)也意味著 種群中最優(yōu)個(gè)體的基因組合已經(jīng)趨于穩(wěn)定，此時(shí)即使繼續(xù)對(duì)種群進(jìn)行迭代更新，種群中的 個(gè)體基因也不再改變，運(yùn)是由GA理論自身的性質(zhì)所決定的。因此，當(dāng)種群信息穩(wěn)定后，此時(shí) 種群中的最優(yōu)個(gè)體即是在給定信道下的局部最優(yōu)導(dǎo)頻結(jié)構(gòu)。
[0041 ] 圖4分別給出了隨機(jī)導(dǎo)頻結(jié)構(gòu)（Random-0MP)，等間距導(dǎo)頻結(jié)構(gòu)化qualinterval- 0MP)和基于MIP準(zhǔn)則的確定性導(dǎo)頻結(jié)構(gòu)(MIP-0MP)在0MP重構(gòu)算法下信道估計(jì)性能，還給出 了基于MIP準(zhǔn)則設(shè)計(jì)后的確定性導(dǎo)頻結(jié)構(gòu)在凸優(yōu)化重構(gòu)算法(MIP-Cov)下的估計(jì)性能。此 夕h為了更好地體現(xiàn)出本發(fā)明中基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法的特 點(diǎn)，圖4分別給出了該方法在初始種群個(gè)體數(shù)目為200、600、1000時(shí)的信道估計(jì)性能。
[0042] 可W看到，當(dāng)初始種群的個(gè)體數(shù)為200時(shí)，該方法的估計(jì)性能與MIP-0MP方法幾乎 相同。而當(dāng)初始種群中個(gè)體的數(shù)量增至1000時(shí)，其估計(jì)精度已經(jīng)超過MIP-0MP方發(fā)并十分接 近于MIP-Cov方法。需要注意的是，由于凸優(yōu)化算法在工程實(shí)現(xiàn)中具有較高的復(fù)雜性，工程 上通常都是用0MP算法所代替。運(yùn)也意味著，MIP-Cov方法在仿真實(shí)驗(yàn)中表現(xiàn)出的高精度信 道估計(jì)性能在實(shí)際工程上往往難W實(shí)現(xiàn)。
[0043] 圖5是本發(fā)明與現(xiàn)有幾種代表性的導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法運(yùn)行時(shí)間的比較結(jié)果。考慮 到本文所提出自適應(yīng)導(dǎo)頻優(yōu)化方法是將導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)與信道估計(jì)過程相結(jié)合，故為了公平 起見，本文將運(yùn)行時(shí)間定義為導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)與信道估計(jì)過程總運(yùn)行時(shí)間之和。
[0044] 根據(jù)仿真軟件的運(yùn)行結(jié)果，可W得到圖5中的數(shù)據(jù)。從圖5中可W看到，盡管MIP- Cov方法具有最好的信道估計(jì)性能，但其總運(yùn)行時(shí)間最長，運(yùn)也是它在實(shí)際工程上難W實(shí)現(xiàn) 的原因之一。而MIP-0MP方法的總運(yùn)行時(shí)間雖然最短，但其代價(jià)是降低了信道估計(jì)的精確 性。對(duì)于本發(fā)明中所提出的自適應(yīng)導(dǎo)頻優(yōu)化設(shè)計(jì)方法，雖然總的運(yùn)行時(shí)間隨著初始種群個(gè) 體數(shù)的增加而增加，且均高于MIP-OMP方法的運(yùn)行時(shí)間，但相比于信道估計(jì)精度幾乎相同的 MIP-Cov方法來說，本方法的在運(yùn)算復(fù)雜度方面已經(jīng)得到了有效的控制。
[0045] W上所述，僅為本發(fā)明的【具體實(shí)施方式】W及在該實(shí)施方式下的一系列仿真結(jié)果， 并不能W此來限定本發(fā)明之權(quán)利范圍。因此，如有與本說明書中所公開的任一特征所作同 等或類似變化，仍屬于本發(fā)明所涵蓋的內(nèi)容范圍。
【主權(quán)項(xiàng)】
1. 一種基于稀疏信道估計(jì)的自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法，其特征在于，包括下列主 要步驟： 步驟1:生成多組隨機(jī)導(dǎo)頻結(jié)構(gòu)向量，合并為一個(gè)初始種群。 步驟2:將初始種群中的導(dǎo)頻結(jié)構(gòu)應(yīng)用與不同的OFDM信號(hào)依次進(jìn)行傳輸。 步驟3:采用貪婪算法對(duì)接收到的信號(hào)進(jìn)行稀疏信道的估計(jì)，利用估計(jì)出的稀疏信道估 計(jì)值對(duì)導(dǎo)頻結(jié)構(gòu)進(jìn)行進(jìn)一步的篩選。 步驟4:結(jié)合GA理論對(duì)篩選過后的導(dǎo)頻結(jié)構(gòu)進(jìn)行重構(gòu)。 步驟5:將重構(gòu)后的導(dǎo)頻結(jié)構(gòu)信息反饋至發(fā)送端進(jìn)行循環(huán)迭代直至導(dǎo)頻結(jié)構(gòu)收斂。2. 如權(quán)利要求1所述的方法，其特征在于，所述的整個(gè)自適應(yīng)導(dǎo)頻結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法將 導(dǎo)頻結(jié)構(gòu)的設(shè)計(jì)與信道估計(jì)過程相結(jié)合，有別于傳統(tǒng)的確定性導(dǎo)頻結(jié)構(gòu)設(shè)計(jì)方法，將針對(duì) 不同的無線信道選取出更具有代表性的導(dǎo)頻結(jié)構(gòu)。3. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟3中，利用到了凸優(yōu)化算法中的 最小1:范數(shù)模型作為適應(yīng)度判斷標(biāo)準(zhǔn)對(duì)估計(jì)性能更加優(yōu)良的導(dǎo)頻結(jié)構(gòu)進(jìn)行篩選。彌補(bǔ)了貪 婪算法在稀疏信道重構(gòu)上的恢復(fù)精度不足的問題。4. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟4中，結(jié)合GA理論對(duì)選取出的導(dǎo) 頻結(jié)構(gòu)進(jìn)行重構(gòu)，產(chǎn)生多組新的導(dǎo)頻結(jié)構(gòu)信息。在保證了估計(jì)精度的基礎(chǔ)上，避免了直接使 用凸優(yōu)化算法求解所帶來的巨大復(fù)雜度。5. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟5中，將重構(gòu)后的導(dǎo)頻結(jié)構(gòu)信息 反饋至發(fā)送端，重復(fù)權(quán)利要求1中的步驟2-5，直至導(dǎo)頻結(jié)構(gòu)收斂。
【文檔編號(hào)】H04L5/00GK106059730SQ201610317128
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月13日
【發(fā)明人】陳客松, 姜金男, 郭睿, 陳會(huì)
【申請(qǐng)人】電子科技大學(xué)