【技术实现步骤摘要】
本专利技术属于通信，具体涉及一种基于稀疏贝叶斯学习的仿射频分复用(afdm)系统信道估计方法。
技术介绍
1、在无线通信系统中，准确、及时的信道估计对于数据检测至关重要。在具有多径效应的高移动性场景中，信号同时受到频率和时间选择性信道衰落，afdm系统通过一组离散仿射频分变换(daft)产生的正交线性调频基来对抗双选择性信道衰落，现有使用嵌入式导频的afdm系统信道估计方法有：嵌入式导频辅助的近似最大似然(epa-aml)法和嵌入式导频辅助对角重构(epa-dr)信道估计法。
2、嵌入式导频辅助的近似最大似然法只有在知道传播路径数量信息的时候，设置足够的遍历步长，才能实现精度较高的估计。
3、嵌入式导频辅助对角重构信道估计法，通过简单的阈值筛选出信道的响应，分数阶多普勒情况下，估计准确性较低，且结果受噪声影响较大；需要通过增大导频功率或者放置多导频来增强估计性能；此外该方法只能得到信道矩阵，无法估计出信道的各种参数信息。
4、因此，现有afdm系统中缺乏一种适用范围更广的高精度信道估计方法，从而输出更加准确的信道状态信息，提高通信系统性能。
技术实现思路
1、针对上述存在的问题或不足，为解决现有传输信道先验信息缺乏、信道估计方法性能不足的问题，本专利技术提出了一种基于稀疏贝叶斯学习的afdm系统信道估计方法。根据daft域信道的稀疏性，将信道估计问题转化为稀疏信号恢复问题，利用压缩感知技术实现高分辨率信道估计。
2、一种基于稀疏贝叶斯
3、步骤1、对输入信号进行串并转化后做n(n＝2t,t≥1)点daft变换。
4、步骤2、根据daft域的嵌入式导频帧结构和信道传输模型，设接收端与信道估计相关的向量为ye，导频向量为xe；分离daft域接收信号中信道估计分量和信息分量。
5、步骤3、将ye与xe的关系变为稀疏信号恢复模型，并且进行一阶线性近似。
6、步骤4、通过稀疏贝叶斯学习框架粗略估计信道参数，输出估计向量，路径系数归一化时延归一化多普勒频移
7、步骤5、使用步骤4估计输出的和更新一阶线性近似中的感知矩阵，通过稀疏贝叶斯学习框架精确估计信道参数；
8、对步骤4输出的非零元素进行峰值搜索，保留最大的(为小于的最大整数)个元素，其他元素置为0，同时离网分量对应位置也置为0，这个数目是由压缩感知的原理决定的，一般来说，个元素足以表征信道。根据不同场景信道特征或者对afdm的分集增益的需求，可以降低的大小，加快收敛。nlna为感知网格长度，q+1信道传输模型中信道响应的有效长度。
9、峰值搜索后，根据非零元素的索引，更新感知矩阵对应列的元素；更新感知矩阵后，进行稀疏贝叶斯学习参数估计直至到达停止条件ε2(ε2<ε1/10)，输出信道系数、归一化多普勒频移、归一化时延；ε1为步骤4中粗略估计信道参数循环迭代的停止条件。
10、本专利技术中步骤1-2是afdm系统中接收端解调步骤，afdm是近年新提出的多载波调制方式，具有良好的抗时频双衰落性质。步骤3-4为稀疏贝叶斯框架求解稀疏信号恢复问题。步骤5为利用稀疏贝叶斯框架估计afdm信道的改进步骤，目的是解决接近最优解时出现的锯齿状收敛。
11、综上所述，本专利技术在afdm系统上，利用稀疏贝叶斯框架，提出一种两层信道估计方法，即粗估计加精估计。粗估计步骤中使用均匀网格和较大的停止条件，能够快速结束迭代，精估计中使用上一步输出的时延和多普勒更新感知矩阵，将感知网格变成非均匀网格，能让信道系数的能量集中在网格上，可以有效地减小估计误差并且增加收敛速度。该方法继承了贝叶斯学习框架以及压缩感知算法恢复稀疏信号的优点，对噪声的先验假设建模并且不断迭代计算噪声方差，使得算法对噪声有一定抑制性，以及不需要知道传播路径数目。此外，通过峰值搜索和置零，能排除噪声影响较大的区域，加快收敛速度，防止出现过拟合现象。
本文档来自技高网...【技术保护点】
1.一种基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于，具体步骤如下：
2.如权利要求1所述基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于，所述步骤1具体为：
3.如权利要求1所述基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于，所述步骤2具体为；
4.如权利要求3所述基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于，所述步骤3具体为；
5.如权利要求4所述基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于，所述步骤4具体为；
6.如权利要求1所述基于稀疏贝叶斯学习的AFDM系统信道估计方法，其特征在于：所述步骤5中的根据场景信道特征或者对AFDM的分集增益的需求进行调整，通过降低的大小，加快收敛。
【技术特征摘要】
1.一种基于稀疏贝叶斯学习的afdm系统信道估计方法，其特征在于，具体步骤如下：
2.如权利要求1所述基于稀疏贝叶斯学习的afdm系统信道估计方法，其特征在于，所述步骤1具体为：
3.如权利要求1所述基于稀疏贝叶斯学习的afdm系统信道估计方法，其特征在于，所述步骤2具体为；
4.如权利要求3所述基于稀疏贝叶斯学习的...
【专利技术属性】
技术研发人员：罗钐，杨帆，王洋俊，吴宗仪，林蓉平，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。