摘  要： 針對多載波系統信道的稀疏特性，提出一種基于壓縮感知（CS）的MC-CDMA多載波系統信道估計方法。信號自適應匹配追蹤（SAMP）是一種壓縮感知算法，詳細研究了該算法的設計原理和實現過程。將該算法與傳統信道估計方法及基于壓縮感知的OMP算法做比較，仿真結果表明，SAMP算法的信道估計均方誤差（MSE）和系統誤比特率（BER）均更小。對于在稀疏度未知的多載波系統信道中，該算法可以獲得很好的信道估計性能，降低系統的復雜度。

　　關鍵詞： 壓縮感知；MC-CDMA；信道估計；SAMP

0 引言

　　多載波系統信道呈現稀疏特性，利用這種稀疏特性進行信道估計，可以有效提高頻帶利用率，增加系統實時性。壓縮感知[1]（Compressed Sensing，CS）理論為上述信道估計[2-3]方法提供了理論基礎。

　　壓縮感知理論在信號處理領域有著廣泛運用[4-5]。在目前基于壓縮感知的信道估計重構算法研究中，參考文獻[6]提出了一種基于匹配追蹤（Matching Pursuit，MP）的重構算法，但是MP算法并不穩定。參考文獻[7]提出了基于正交匹配追蹤（Orthogonal Matching Pursuit，OMP）算法在信道估計中的應用，該算法提高了估計的精度，但是該算法以稀疏度為先驗條件。

　　本文提出將自適應匹配追蹤[8]（Signal Adaptive Matching Pursuit，SAMP）算法應用于MC-CDMA系統進行信道估計，在信道稀疏度未知情況下可以很好地進行估計，并將該算法與其他重構算法做比較，以增加部分的算法復雜度換取了較大的信道估計性能。

1 壓縮感知理論

　　假設需要重構信號x，現可將信號x抽象為RN空間的N×1維列向量，在RN空間中，任何信號均可以使用N×1的規范正交基向量線性表示：

　　其中，∈RN為投影系數，但僅有K個非零元素（K<<N），此時是N維—K稀疏向量。在重構信號x時，僅需估計K個未知參數而不是N個實際的未知參數，從而大大減少了采樣信號的量，同時可以恢復原信號x。

　　在CS理論中，對需要重構的信號x的采樣，實際上是利用M×N的矩陣的M個行向量對投影系數向量的一個線性投影過程。信號x經過線性變換后，輸出的觀測信號y包含M個參數，每一個參數均為信號x的一個觀測量，即：

　　其中，?椎稱為觀測矩陣，且M<<N。由于觀測信號參數M遠小于重構信號x的長度N，因此式（2）是欠定的。

　　CS理論認為，若滿足以下兩個條件，則可以在重建時在不知道x非零位置的情況下，通過最優化準則從觀測信號y中較為準確地恢復出x。

　　條件1 如果向量x在某個完備字典下是K-稀疏的（即x只有K個非零值），且K<<N。

　　條件2 觀測矩陣?椎滿足有限等距性質。

2 MC-CDMA系統模型

　　在MC-CDMA系統的發送端，第m個用戶的第k個傳輸數據經由調制映射的數據bm[k]復制分配到N個子載波上，然后與分配給該用戶的偽碼序列在頻域上進行乘運算，將得到的結果進行IFFT運算，并插入循環前綴，完成OFDM調制。

　　第m個用戶在一個符號周期內，其發射的信號可表示為：

　　其中，?贅=2π/Ts（Ts為一個符號周期），bm[k]為用戶m的第k個傳輸數據，cm[n]（n=0，1，…，N-1）為分配給第m個用戶的偽碼序列。

　　假設各子信道的信道特性是獨立同分布的瑞利衰落，在子載波k上對應的用戶m的傳輸函數為：

　　其中，ρm，k為幅度衰落，m，k為相位失真，認為在一個OFDM符號周期內二者為常數。因為不同用戶m的數據通過相同子載波k調制傳輸，所以衰落與用戶m無關，僅與子載波k有關。

　　當信道特性為瑞利衰落的隨機變量時，ρm，k的概率密度函數為：

　　由于每個用戶相關的隨機變量是相互獨立分布的，因此對目標用戶信號的幅度和相位進行糾正時，不會對其他用戶的幅度和相位產生影響。

3 MC-CDMA系統信道估計

　　3.1 基于OMP的信道估計方法

　　OMP算法通過每一次的迭代選擇一個局部的最優解來逐步逼近原始信號，具體實現步驟如下：

　　輸入：測量矩陣，觀測向量Y，信道稀疏度K。

　　輸出：x的近似估計

　　初始化：殘差r0=Y，索引集S0=，迭代次數k=1。

　　（1）找出一個索引Sj滿足，S>|，S表示矩陣?椎的第s列；

　?。?）更新索引集Sj=Sj-1∪{sj}，記錄原子集k=[k-1，k]；

　?。?）根據LS計算得到信號x的第k次迭代的信號估計k=arg min‖Y-k‖2；

　?。?）更新殘差rk=Y-k，k=k+1；

　　（5）判斷迭代次數是否滿足k>K，如果滿足停止條件，則停止迭代，否則返回步驟（1）。

　　3.2 基于SAMP算法的信道估計方法

　　綜合MP算法、OMP算法，SAMP算法結合了自下而上和自上而下兩種追蹤方式的特點?；赟AMP的信道估計算法可描述如下：

　　輸入：測量矩陣，觀測向量Y，步進值s。

　　輸出：x近似估計

　　初始化：初始值=0，殘余量r0=Y，支撐集F0=，算法停止閾值T，支撐集大小I=s，階段索引j=1，迭代次數k=1。

　?。?）計算相關值，選出相關值最大的I個元素所在的具體位置：Sk=max（|rk-1|，I），根據選出來的位置組成候補集Ck=Fk-1∪Sk；

　　（2）根據候選集Ck抽取中所對應列向量組成子矩陣Ck：，取值最大的N個元素所在的位置，組成臨時稀疏支撐集；

　　（3）根據臨時稀疏支撐集計算臨時殘余分量：；

　?。?）根據初始化的閾值T判斷是否滿足算法停止條件，若滿足停止條件，則進入步驟（6），否則進入步驟（5）；

　　（5）判斷‖‖2≥‖rk-1‖2，若條件成立，則更新階段索引j=j+1，支撐集大小I=j×s，返回步驟（1）進入下一次循環；若條件不成立，更新稀疏支撐集Fk=，殘余量rk=，迭代次數k=k+1，返回步驟（1）進入下一次循環；

　?。?）輸出x的近似估計。

　　當算法滿足下列兩個條件時，迭代停止：（1）殘余量小于某個閾值；（2）連續的兩個殘余量變化值小于某個閾值。步長s必須滿足s≤K，由于K值未知，最佳選擇是s=1，但是s越小，迭代次數越多，因此需要在s大小和重構速度之間做出權衡。

4 仿真與性能分析

　　仿真參數設定如下：OFDM子載波數N=256，采用QPSK調制，循環前綴CP為64個采樣點，導頻數P=16，信道長度L=60，稀疏度K=8，SAMP算法初始步長s=1，閾值T為噪聲平均功率。

　　仿真結果比較不同信道估計方法的歸一化均方誤差（Mean Square Error，MSE）、信號誤比特率（BER）及算法時間復雜度來衡量各算法的性能。MSE定義為：

　　第一組仿真實驗比較了不同信道估計方法的MSE性能。圖1為LS、OMP、SAMP 3種算法的MSE仿真曲線對比。由圖1可以看出，在相同導頻數情況下，隨著SNR的增加，各方法的MSE均隨之減小。當SNR<5 dB時，3種方法的MSE相差不大，SAMP算法性能相比于傳統的LS算法優勢并不明顯，但隨著SNR的增大，SAMP算法性能的優越性就越發明顯。同時，SAMP算法與OMP算法的MSE曲線較為接近，且稍優于OMP算法。

　　第二組仿真比較了不同信道估計方法的誤比特率情況。圖2為LS、OMP、SAMP 3種算法的BER仿真曲線對比。由圖2可以看出，基于壓縮感知的多載波系統信道估計性能明顯優于傳統的LS信道估計方法，這是因為基于CS的多載波系統充分利用了信道的稀疏特性，所以在相同導頻數情況下可以做到更精確的信道估計。當SNR>15 dB時，LS算法的BER改善較為有限，而基于壓縮感知的OMP算法和SAMP算法的BER則明顯地降低，且隨著SNR的增大，基于壓縮感知的估計算法降低BER的優勢則更為明顯。

　　從算法復雜度來看，LS算法需要求矩陣的逆運算，其復雜度與導頻數P有關。OMP算法復雜度來源于2K次的迭代過程，因此，OMP算法相對于傳統算法，復雜度有一定的增加。SAMP算法引入了階段的思想，重構過程被分割為幾個階段，每個階段累加來擴充支撐集，而每個階段又由若干次的迭代來更新支撐集中的原子，從而使得SAMP算法復雜度高于其他算法。LS、OMP、SAMP 3種算法的運算時間如表1所示。

　　綜合仿真結果和上述分析，基于CS理論的SAMP算法相比于傳統算法有較大的優勢，特別是在SNR較大的情況下，優勢更為明顯。SAMP算法是對OMP算法的改進，可以在不用稀疏度K作為前提條件做出信道估計，因而更為符合實際應用。

參考文獻

　　[1] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory， 2006，52（4）：1289-1306.

　　[2] PAREDES J I， ARCE G R， Wang Zhongnin. Ultra-wideband compressed sensing channel estimation[J]. IEEE Journal of Selected Topics in Signal Processing，2007，1（3）：383-395.

　　[3] 羅振龍，疏中凡，姜媛媛.基于OMMP算法的OFDM系統信道估計[J].電子技術應用，2014，40（4）：106-108.

　　[4] 石光明，劉丹華，高大化，等.壓縮感知理論及其進展[J].電子學報，2009，37（5）：1070-1081.

　　[5] Li Weichang， PREISIG J C. Estimation of rapidly time-varying sparse channels[J]. IEEE Journal of Oceanic Engineering， 2007，329（4）：927-939.

　　[6] 朱行濤，劉郁林，徐舜.一種基于匹配追蹤的OFDM稀疏信道估計算法[J].微波學報，2008，24（2）：73-76.

　　[7] 何雪云，宋榮方，周克琴.基于壓縮感知的OFDM系統稀疏信道估計新方法研究[J].南京郵電大學學報，2010，30（2）：60-65.

　　[8] 葉新榮，朱衛平，孟慶民.MIMO-OFDM系統基于壓縮感知的稀疏信道估計[J].應用科學學報，2013，31（3）：245-251.