路畅 杨彩霞 栾先冬

摘 要： 压缩感知理论作为一种新的采样理论，因其采样少，恢复效果好等特点被学术界广泛关注。虽然传统的信道估计算法已经达到了非常不错的效果，但随着科技的发展，人们对信息传输速度和传输质量的需求不断增加，传统算法占用频带资源大、计算复杂度高等缺点就变得越发凸显。于是开始使用压缩感知理论进行信道估计。在使用压缩感知理论对多入多出正交频分复用（MIMO?OFDM）系统进行信道估计的过程中，提出一种导频的设计方法。最后，选定训练序列与几种既有的导频选择法相结合，通过仿真演示提出算法的效果，仿真结果表明提出的方法估计效果较好。

关键词： 信道估计； 压缩感知理论； 确定性导频； MIMO?OFDM

中图分类号： TN91?34 文献标识码： A 文章编号： 1004?373X（2016）05?0051?04

0 引 言

为了提高无线通信系统的性能，人们很早就开始尝试信道估计并研究出多种算法。但是传统算法若想获得较好的估计性能，导频须在时间域或频域以满足奈奎斯特采样条件等间隔放置，这不仅使得大量的频带资源被占用，而且计算量较大，从而影响系统的传输速率，并且给系统带来较大负担。随着压缩感知理论的提出，人们开始将这个较新的理论应用于信道估计中，因为它具有采集少量采样值就可以恢复原始信息的特点，能够改善传统信道估计算法中存在的不足而受到越来越多的关注。

5 结 语

本文使用确定性选择导频与随机训练序列一起估计可压缩MIMO?OFDM系统信道。所提出的确定性导频的选择方法优势在于参数选择灵活，并且估计效果较好。文中，为应用方法的性能提供了理论保证。最后，尽管分析局限于随机训练序列的情况，但足以说明确定性选择导频在应用压缩感知理论的MIMO?OFDM系统信道估计中具有一定的优势。目前，压缩感知理论在信道估计中的应用仍然受到诸多限制，比如应用环境和硬件实现等，所以关于此领域的研究还需要更进一步，以满足实际应用的需要。

参考文献

[1] BAJWA W U， HAUPT J， SAYEED A M， et al. Compressed channel sensing： a new approach to estimating sparse multipath channels [J]. Proceedings of the IEEE， 2010， 98（6）： 1058?1076.

[2] SHAKERI Z， BAJWA W U. Deterministic selection of pilot tones for compressive estimation of MIMO?OFDM channels [C]// Proceedings of 2015 49th Annual Conference on Information Sciences and Systems. Baltimore： IEEE， 2015： 1?6.

[3] YUE J， KIM K J， GIBSON J D， et al. Channel estimation and data detection for MIMO?OFDM systems [C]// Proceedings of 2003 Global Telecommunications Conference. [S.l.]： IEEE， 2003， 2： 581?585.

[4] CANDES E J， TAO T. Decoding by linear programming [J]. IEEE transactions on information theory， 2004， 34（4）： 435?443.

[5] CANDES E J. The restricted isometry property and its implications for compressed sensing [J]. Comptes rendus mathematique， 2008， 346（9/10）： 589?592.

[6] ZENG Y， NG T S. A semi?blind channel estimation method for multiuser multiantenna OFDM systems [J]. IEEE transactions on signal processing， 2004， 52（5）： 1419?1429.

[7] CANDES E， TAO T. The Dantzig selector： statistical estimation when p is much larger than n [J]. Annals of statistics， 2008， 35（6）： 1300?1308.

[8] APPLEBAUM L， BAJWA W U， HAUPT J， et al. Deterministic pilot sequences for sparse channel estimation in OFDM systems [C]// Proceedings of 2011 17th International Conference on Digital Signal Processing. Corfu： IEEE， 2011： 1?7.

[9] CANDES E J， ROMBERG J， TAO T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information [J]. IEEE transactions on information theory， 2006， 52（2）： 489?509.

[10] CANDES E J， ROMBERG J K， TAO T. Stable signal reco?very from incomplete and inaccurate measurements [J]. Communications on pure and applied mathematics， 2006， 59（8）： 1207?1223.

[11] MOHAMMADNIA?AVVAL M， GHASSEMI A， LAMPE L. Compressive sensing recovery of nonlinearly distorted OFDM signals [C]// Proceedings of 2011 IEEE International Confe?rence on Communications. [S.l.]： IEEE， 2011： 1?5.

[12] TAUBOCK G， HLAWATSCH F. A compressed sensing technique for OFDM channel estimation in mobile environments： exploiting channel sparsity for reducing pilots [C]// Procee?dings of 2008 IEEE International Conference on Acoustics， Speech and Signal Processing. [S.l.]： IEEE， 2008： 2885?2888.

[13] BERGER C R， ZHOU S， PREISIG J C， et al. Sparse channel estimation for multicarrier underwater acoustic communication： from subspace methods to compressed sensing [J]. IEEE transactions on signal processing， 2010， 58（3）： 1708?1721.

[14] NEEDELL D， TROPP J A. CoSaMP： iterative signal recovery from incomplete and inaccurate samples [J]. Applied and computational harmonic analysis， 2009， 26（3）： 301?321.

[15] PLATTE R B. An introduction to compressive sensing [J]. IEEE signal processing magazine， 2011， 25（2）： 1433?1452.

[16] 刘冰，付平，孟升卫.基于正交匹配追踪的压缩感知信号检测算法[J].仪器仪表学报，2010（9）：1959?1964.

[17] DONOHO D L. For most large underdetermined systems of linear equations the minimal [?1]?norm solution is also the sparsest solution [J]. Communications on pure and applied mathematics， 2006， 59（6）： 797?829.

[18] 李小波.基于压缩感知的测量矩阵研究[D].北京：北京交通大学，2010.

[19] 何雪云，宋荣方，周克琴.基于压缩感知的 OFDM系统稀疏信道估计新方法研究[J].南京邮电大学学报（自然科学版），2010，30（2）：60?65.

[20] 解志斌，薛同思，田雨波，等.一种稀疏增强的压缩感知MIMO?OFDM信道估计算法[J].电子与信息学报，2013，35（3）：665?670.

[21] 周小平，方勇，汪敏.MIMO?OFDM 快衰落信道的稀疏自适应感知估计[J].信号处理，2010，26（12）：1833?1839.

[22] 王妮娜，桂冠，苏泳涛，等.基于压缩感知的 MIMO?OFDM系统稀疏信道估计方法[J].电子科技大学学报，2013，42（1）：58?62.

[23] 戴琼海，付长军，季向阳.压缩感知研究[J].计算机学报，2011，34（3）：425?434.

[24] 王红亮，王帅，刘文怡.压缩感知实现方法及应用综述[J].探测与控制学报，2014，36（4）：53?61.

[25] 余恺，李元实，王智，等.基于压缩感知的新型声信号采集方法[J].仪器仪表学报，2012，33（1）：105?112.

[26] 许国平，张欣，杨大成.一种低复杂度的 MIMO?OFDM 信道估计新方法[J].电子与信息学报，2008，30（4）：797?800.

[27] 王德胜，朱光喜，林宏志.MIMO?OFDM最优导频设置与优化的信道估计方法[J].通信学报，2005，26（1）：34?39.

[28] 王晗，汪晋宽.MIMO?OFDM系统信道估计中的最优导频设计[J].电波科学学报，2008，23（3）：501?505.

[29] 周鹏，赵春明，盛彬.MIMO?OFDM系统中基于导频辅助的信道估计[J].电子与信息学报，2007，29（1）：133?137.