基于自适应阈值SAMP算法的OFDM稀疏信道估计

doi:10.3724/SP.J.1087.2013.01508

计算机应用 ›› 2013, Vol. 33 ›› Issue (06): 1508-1514.DOI: 10.3724/SP.J.1087.2013.01508

基于自适应阈值SAMP算法的OFDM稀疏信道估计

姜杉,仇洪冰,韩旭

桂林电子科技大学广西无线宽带通信与信号处理重点实验室，广西桂林 541004

收稿日期:2012-12-05 修回日期:2013-02-02 发布日期:2013-06-05 出版日期:2013-06-01
通讯作者: 姜杉
作者简介:姜杉（1988-），女，湖北武汉人，硕士研究生，主要研究方向：无线通信、信道估计；仇洪冰（1963-），男，江苏如皋人，教授，博士生导师，博士，主要研究方向：移动通信、超宽带无线通信、宽带通信网络、通信信号处理；韩旭（1988-），男，河北石家庄人，硕士研究生，主要研究方向：无线通信、信道估计。
基金资助:
国家科技重大专项（2012ZX03006002）

Sparsity adaptive matching pursuit algorithm based on adaptive threshold for OFDM sparse channel estimation

JIANG Shan, QIU Hongbing,HAN Xu

Guangxi Key Laboratory of Wireless Wideband Communication and Signal Processing,Guilin University of Electronic Technology, Guilin Guangxi 541004, China

Received:2012-12-05 Revised:2013-02-02 Online:2013-06-05 Published:2013-06-01
Contact: JIANG Shan

摘要/Abstract

摘要： 为了降低重构算法的复杂度，提高重构的精确度，提出一种自适应阈值的稀疏度自适应匹配追踪算法（SAMP），并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明，改进后的算法相比于原算法在CPU运行时间上减少了44.7%，并且在较低的信噪比下也能达到较好的估计效果。此外，针对OFDM稀疏信道估计问题，结合压缩感知理论中观测矩阵的构造方法，提出一种新的导频图案分布设计方法，仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2~4dB。

关键词: 正交频分多址, 信道估计, 压缩感知, 稀疏度自适应匹配追踪算法, 导频分布图案

Abstract: In order to reduce the complexity of the reconstruction algorithm and improve the precision of estimation, the authors proposed a new Sparsity Adaptive Matching Pursuit (SAMP) algorithm by using the adaptive threshold applied in the OFDM (Orthogonal Frequency Division Multiplexing) sparse channel estimation. The Monte Carlo simulation results show that, compared with the traditional method, the CPU run time decreased by 44.7%. And in lower SNR (SignaltoNoise Ratio), the performance achieved obvious improvements. Besides, in OFDM sparse channel estimation, a new design of pilot pattern was presented based on the mutual coherence of the measurement matrix in Compressive Sensing (CS) theory. The Monto Carlo simulation results show that, the precision of channel is increased by 2-4 dB with the new pilot pattern.

Key words: Orthogonal Frequency Division Multiplexing (OFDM), channel estimation, Compressive Sensing (CS), Sparsity Adaptive Matching Pursuit (SAMP) algorithm, pilot pattern

中图分类号:

TN911.6

姜杉仇洪冰韩旭. 基于自适应阈值SAMP算法的OFDM稀疏信道估计[J]. 计算机应用, 2013, 33(06): 1508-1514.

JIANG Shan QIU Hongbing HAN Xu. Sparsity adaptive matching pursuit algorithm based on adaptive threshold for OFDM sparse channel estimation[J]. Journal of Computer Applications, 2013, 33(06): 1508-1514.

参考文献

[1]何雪云，宋荣方，周克琴. 基于压缩感知的OFDM稀疏信道估计导频图案的设计［J］. 南京邮电大学学报：自然科学版，2011,31（5）：7-17.

[2]肖小潮，郑宝玉，王臣昊. 一种基于最优观测矩阵的自适应贝叶斯压缩信道感知的联合机制［J］.电子与信息学报, 2012,34(10): 3469-3472.

[3]TAUBOCK G, HLAWATSCH F, EIWEN D, et al. Compressive estimation of doubly selective channels in multicarrier system: leakage effects and sparsity-enhancing processing［J］. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(2):255-271.

[4]焦李成，杨淑媛，刘芳，等. 压缩感知回顾与展望［J］.电子学报，2011，39（7）：1651-1662.

[5]HE X Y, SONG R F, ZHU W P. Optimal pilot pattern design for compressed sensing-based sparse channel estimation in OFDM systems ［J］. Circuits, Systems and Signal Processing, 2012，31(4)：1379-1395.

[6]肖小潮，郑宝玉，王臣昊. 基于最优观测矩阵的压缩感知信道感知［J］.信号处理，2012,28（1）：67-72.

[7]SHARP M, SCAGLIONE A. A useful performance metric for compressed channel sensing［J］. IEEE Transactions on Signal Processing, 2011，59（6）：2982-2988.

[8]DO T T, GAN L, NGUGEN N H. Sparsity adaptive matching pursuit algorithm for practical compressed sensing［C］// Proceedings of the 42nd Asilomar Conference on Signals Systems and Computers. Piscataway:IEEE,2008:581-587.

[9]叶新荣，朱卫平，孟庆民.基于SAMP重构算法的OFDM系统稀疏信道估计算法［J］.信号处理，2012，28（3）：392-396.

[10]王韦刚，杨震，胡海峰.分布式压缩感知实现联合信道估计的方法［J］.信号处理，2012,28（6）：778-784.

[11]甘伟，许录平，罗楠，等. 一种自适应压缩感知重构算法［J］. 系统工程及电子技术，2011，33（9）：1948-1953.

[12]XIA P F, ZHOU S L, GIANNAKIS G B. Achieving the Welch bound with difference sets［J］. IEEE Transactions on Information Theory, 2005, 51(5):1900-1907.

[1]	雷芳, 牛永才. 基于改进广义正交匹配追踪的低地球轨道卫星MIMO-OTFS系统的信道估计方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2514-2520.
[2]	张新贺, 谭浩然, 吕文博. 基于压缩感知的低复杂度广义空移键控信号检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3890-3895.
[3]	章振宇, 谭国平, 周思源. 基于1‑bit压缩感知的高效无线联邦学习算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1675-1682.
[4]	回立川, 李万禹, 陈艺琳. 基于Order-Aware网络内点筛选网络的电力巡线航拍图像拼接[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1583-1590.
[5]	林乐平, 周宏敏, 欧阳宁. 融合空间位置与结构信息的压缩感知图像重建方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 930-937.
[6]	王亿, 杨柳, 张痛快. RIS辅助毫米波系统中基于压缩感知的信道估计[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3870-3875.
[7]	景兴红, 孙国栋, 何世彪, 廖勇. 基于滑窗滤波和多项式拟合的时变信道估计方法[J]. 计算机应用, 2021, 41(9): 2699-2704.
[8]	陈成瑞, 孙宁, 何世彪, 廖勇. 面向C-V2X通信的基于深度学习的联合信道估计与均衡算法[J]. 计算机应用, 2021, 41(9): 2687-2693.
[9]	沈子懿, 王卫亚, 蒋东华, 荣宪伟. 基于Hopfield混沌神经网络和压缩感知的可视化图像加密算法[J]. 计算机应用, 2021, 41(10): 2893-2899.
[10]	席雅睿, 乔志伟, 温静, 张艳娇, 杨雯晶, 闫慧文. 基于Chambolle-Pock算法框架的高阶TV图像重建算法[J]. 计算机应用, 2020, 40(6): 1793-1798.
[11]	徐志强, 蒋铁钢, 杨立波. 基于随机支撑挑选的广义正交匹配追踪算法[J]. 计算机应用, 2020, 40(4): 1104-1108.
[12]	杨立波, 蒋铁钢, 徐志强. 基于混合梯度的硬阈值追踪算法[J]. 计算机应用, 2020, 40(3): 912-916.
[13]	高彦彦, 李莉, 张晶, 贾英茜. 结合梯度投影稀疏重构和复数小波的图像重构[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 486-490.
[14]	宗春梅, 张月琴, 曹建芳, 赵青杉. 基于深度先验及非局部相似性的压缩感知核磁共振成像[J]. 计算机应用, 2020, 40(10): 3054-3059.
[15]	周震, 袁正道. 面向物联网环境的高效通信接收机设计[J]. 计算机应用, 2020, 40(1): 202-206.

基于自适应阈值SAMP算法的OFDM稀疏信道估计

Sparsity adaptive matching pursuit algorithm based on adaptive threshold for OFDM sparse channel estimation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics