CN112104580B - 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 - Google Patents
基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 Download PDFInfo
- Publication number
- CN112104580B CN112104580B CN202010953030.XA CN202010953030A CN112104580B CN 112104580 B CN112104580 B CN 112104580B CN 202010953030 A CN202010953030 A CN 202010953030A CN 112104580 B CN112104580 B CN 112104580B
- Authority
- CN
- China
- Prior art keywords
- gamp
- sbl
- channel
- channel estimation
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于广义近似消息传递‑稀疏贝叶斯学习的稀疏水声信道估计方法,本发明属于水声信号处理领域。涉及一种将广义近似消息传递(GAMP)与稀疏贝叶斯学习(SBL)相结合的信道估计方法。(1)输入频域基带接收信号、字典矩阵、迭代终止条件,以及相关参数初值;(2)在SBL的框架下利用GAMP计算信道冲激响应;(3)更新噪声方差以及信道超参数;(4)判决迭代终止条件,若满足则输出信道估计结果。本发明的优点在于:在SBL的框架下利用近似消息传递的方式计算水声信道冲激响应,在基本没有性能损失的条件下,降低了SBL的计算复杂度,缩短了算法的运行时间。
Description
技术领域
本发明涉及水声信号处理方法,尤其涉及一种基于广义近似消息传递(GAMP)-稀疏贝叶斯学习(SBL)的稀疏水声信道估计方法。
背景技术
水声通信中,复杂多变的水声信道对于水声通信产生了重大的影响,为提升通信质量,需要对信道的状态进行估计。水声信道具有显著的稀疏性,稀疏贝叶斯学习对于稀疏信号的重构性能较好,并且在部分条件较差的场景中仍较为稳定,得到了越来越多的关注。然而,当问题维度变大,SBL的计算复杂度将随之升高,不利于数据的实时处理。广义近似消息传递-稀疏贝叶斯学习(GAMP-SBL)在SBL的框架下,利用GAMP迭代计算信道冲激响应,将矢量运算转化为标量运算,在基本没有性能损失的条件下,有效降低了SBL的计算复杂度,并保持了SBL的稳定性。
发明内容
本发明的目的是为了提供一种基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法。
本发明的目的是这样实现的:步骤如下:
步骤一:输入频域基带接收信号、字典矩阵、迭代终止条件以及相关参数初值;
步骤二:在SBL的框架下利用GAMP计算信道冲激响应;
步骤三:更新噪声方差以及信道超参数;
步骤四:判决迭代终止条件,若满足则输出信道估计结果,否则返回至步骤二。
本发明还包括这样一些结构特征:
1.步骤一中的参数具体为:导频位置处接收信号Yp,字典矩阵Φp,令S=|Φp|2,GAMP中|·|2指以元素为单位进行平方;假设信道服从均值为0、方差为超参数γ的高斯独立同分布,γ=[γ1,γ2,…,γL]T,L为信道长度;令Γ=diag(γ);对γ0赋值,一般为大于0的向量,其中,/>为信道估计结果的方差;令初始噪声方差(σ2)0为大于0的常数;s0,/>h0为0向量,其中h为信道,s和τs分别为由因子节点向变量节点传递消息的一阶、二阶泰勒展开系数,/>用于在GAMP收敛时记录s的值并为下一轮GAMP迭代中的s赋初始值;SBL最大循环次数Kmax,GAMP算法最大循环次数Mmax;GAMP算法停止条件εgamp,SBL停止条件εsbl;k=1,m=1,k和m分别记录SBL和GAMP的迭代次数。
2.步骤二具体是利用GAMP进行信道估计:
令μm=1=hk-1,/>
如果||μm+1-μm||2<εgamp或m=Mmax,则停止GAMP迭代,否则返回G1;
令hk=μm+1,
3.其特征在于:步骤三SBL参数更新
如果或k=Kmax则终止迭代,否则返回步骤二。
4.步骤四输出信道冲激响应两个标量估计函数及其导数的具体形式为:
与现有技术相比,本发明的有益效果是:将GAMP-SBL方法拓展到水声领域,在SBL框架下利用GAMP代替SBL矩阵求逆的步骤,将矢量运算转化为标量运算,在基本没有性能损失的条件下,有效降低了SBL的计算复杂度。
具体来说:
本发明针对稀疏水声信道估计中SBL计算复杂度较高的问题,引入了一种GAMP-SBL信道估计方法。本发明利用GAMP以消息传递的方式迭代计算信道冲激响应,并通过两个标量估计函数将原矢量运算转化为标量计算。而GAMP的迭代次数并不多,所以与SBL相比,GAMP-SBL在基本没有性能损失的条件下降低了SBL的计算复杂度,在收敛速度上有所提升。
附图说明
图1为GAMP-SBL稀疏水声信道估计示意图;
图2为松花湖水声通信试验距离1440m时各信道估计方法误码率性能对比;
图3为松花湖水声通信试验距离1440m时,SBL与GAMP-SBL运算时间对比。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明是这样实现的:
(1)接收端将接收到的通带信号解调为频域基带复信号;
(2)在SBL的框架下利用GAMP计算信道冲激响应;
(3)更新噪声方差以及信道超参数;
(4)若满足迭代终止条件,则输出信道估计结果。
也即本发明将SBL与GAMP结合实现稀疏水声信道估计;求解信道冲激响应时,将矢量运算转化为标量运算。所述的SBL与GAMP的结合通过在SBL框架下使用GAMP估计信道冲激响应实现。所述的求解信道冲激响应时,将矢量运算转化为标量运算通过GAMP中两个标量估计函数实现。
下面结合图1对本发明做更详细地描述:
(1)输入参数:导频位置处接收信号Yp,字典矩阵Φp,令S=|Φp|2,GAMP中|·|2指以元素为单位进行平方;假设信道服从均值为0、方差为超参数γ的高斯独立同分布,γ=[γ1,γ2,…,γL]T,L为信道长度;令Γ=diag(γ);对γ0赋值,一般为大于0的向量,其中,/>可理解为信道估计结果的方差;令初始噪声方差(σ2)0为大于0的常数;s0,/>h0为0向量,其中h为信道,s和τs分别为由因子节点向变量节点传递消息的一阶、二阶泰勒展开系数,/>用于在GAMP收敛时记录s的值并为下一轮GAMP迭代中的s赋初始值;SBL最大循环次数Kmax,GAMP算法最大循环次数Mmax;GAMP算法停止条件εgamp,SBL停止条件εsbl;k=1,m=1,k和m分别记录SBL和GAMP的迭代次数;
(2)利用GAMP进行信道估计:
令μm=1=hk-1,/>
如果||μm+1-μm||2<εgamp或m=Mmax,则停止GAMP迭代,否则返回G1;
令hk=μm+1,
(3)SBL参数更新
如果或k=Kmax则终止迭代,否则返回GAMP;
(4)输出信道冲激响应
两个标量估计函数及其导数的具体形式为:
在上述算法流程中,向量或矩阵之间的乘法都以元素为单位进行,θs,θh∈(0,1]为阻尼因子,用于降低迭代速度提高算法收敛性。p,τp,r,τr为计算节点间所传递消息时用到的中间变量。
2、试验研究
本发明中的GAMP-SBL稀疏水声信道估计算法用松花湖通信试验数据来验证。试验中,发送信号由线性调频信号和QPSK调制的OFDM信号组成,其中,线性调频信号用于同步接收信号。OFDM信号频带范围为9kHz~15kHz,中心频率12kHz,共1024个子载波,244个导频子载波;共12个数据帧,每帧8个符号;采样率96kHz,通信距离为1.44km。
利用LS、OMP、BPDN、SBL算法与GAMP-SBL算法进行对比,图2为算法的误码率对比。可以看到:(1),LS算法的误码率较高、信道估计性能较差;(2),稀疏度参数不同的OMP算法表现出不同的性能,这验证了该算法对于稀疏度参数的敏感性;(3),具有不同正则化参数的BPDN算法性能不尽相同,这同样验证了正则化参数对于BPDN算法存在一定的影响。SBL、GAMP-SBL、BPDN(λ=0.2)、OMP(K=96)的平均误码率分别为:1.47%、1.83%、1.56%、2.78%,OMP的平均误码率要高于另外三种算法,正则化参数为0.2的BPDN算法与SBL和GAMP-SBL性能较为接近,但是两种贝叶斯算法无需设置稀疏度和正则化参数,并且BPDN的算法计算复杂度非常高,运行时间要远远超过贝叶斯算法。根据上述分析,SBL和GAMP-SBL算法更具优势。
图3为GAMP-SBL与SBL的运算时间对比。由图可见,GAMP-SBL的运行时间要明显小于SBL。在计算复杂度上,GAMP-SBL优于SBL。
综上,本发明提供的是一种基于广义近似消息传递-稀疏贝叶斯学习(GAMP-SBL)的水声信道估计方法。本发明属于水声信号处理领域。涉及一种将广义近似消息传递(GAMP)与稀疏贝叶斯学习(SBL)相结合的信道估计方法。(1)输入频域基带接收信号、字典矩阵、迭代终止条件,以及相关参数初值;(2)在SBL的框架下利用GAMP计算信道冲激响应;(3)更新噪声方差以及信道超参数;(4)判决迭代终止条件,若满足则输出信道估计结果。本发明的优点在于:在SBL的框架下利用近似消息传递的方式计算水声信道冲激响应,在基本没有性能损失的条件下,降低了SBL的计算复杂度,缩短了算法的运行时间。
Claims (1)
1.基于广义近似消息传递GAMP-稀疏贝叶斯学习SBL的稀疏水声信道估计方法,其特征在于:步骤如下:
步骤一:输入频域基带接收信号、字典矩阵、迭代终止条件以及相关参数初值;
步骤一中的参数具体为:导频位置处接收信号Yp,字典矩阵Φp,令S=|Φp|2,GAMP中|·|2指以元素为单位进行平方;假设信道服从均值为0、方差为超参数γ的高斯独立同分布,γ=[γ1,γ2,…,γL]T,L为信道长度;令Γ=diag(γ);对γ0赋值为大于0的向量,其中,/>为信道估计结果的方差;令初始噪声方差(σ2)0为大于0的常数;s0,/>h0为0向量,其中h为信道,s和τs分别为由因子节点向变量节点传递消息的一阶、二阶泰勒展开系数,/>用于在GAMP收敛时记录s的值并为下一轮GAMP迭代中的s赋初始值;SBL最大循环次数Kmax,GAMP算法最大循环次数Mmax;GAMP算法停止条件εgamp,SBL停止条件εsbl;k和m分别记录SBL和GAMP的迭代次数且k、m初始值为1;
步骤二:在SBL的框架下利用GAMP计算信道冲激响应;
步骤二具体是利用GAMP进行信道估计:
令μm=1=hk-1,/>
如果||μm+1-μm||2<εgamp或m=Mmax,则停止GAMP迭代,否则返回G1;
令hk=μm+1,
步骤三:更新噪声方差以及信道超参数,具体为:
如果或k=Kmax则终止迭代,否则返回步骤二;
步骤四:判决迭代终止条件,若满足则输出信道估计结果,否则返回至步骤二;
输出信道冲激响应两个标量估计函数及其导数的具体形式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010953030.XA CN112104580B (zh) | 2020-09-11 | 2020-09-11 | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010953030.XA CN112104580B (zh) | 2020-09-11 | 2020-09-11 | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112104580A CN112104580A (zh) | 2020-12-18 |
CN112104580B true CN112104580B (zh) | 2023-07-21 |
Family
ID=73751399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010953030.XA Active CN112104580B (zh) | 2020-09-11 | 2020-09-11 | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112104580B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242191B (zh) * | 2021-05-07 | 2022-09-02 | 苏州桑泰海洋仪器研发有限责任公司 | 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 |
CN113872895B (zh) * | 2021-10-21 | 2023-12-12 | 武汉中科海讯电子科技有限公司 | 一种基于多任务贝叶斯压缩感知的水下信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012122037A1 (en) * | 2011-03-04 | 2012-09-13 | Qualcomm Incorporated | Bayesian platform for channel estimation |
CN105812299A (zh) * | 2016-04-22 | 2016-07-27 | 中国地质大学(武汉) | 基于联合块稀疏重构的无线传感网信道估计算法及*** |
CN109194596A (zh) * | 2018-10-15 | 2019-01-11 | 哈尔滨工程大学 | 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法 |
WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014008347B4 (de) * | 2014-06-05 | 2021-01-28 | Apple Inc. | Verfahren und vorrichtung zur kanalschätzung und ofdm-empfänger |
CN107086970B (zh) * | 2017-04-18 | 2019-06-04 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
FR3077941A1 (fr) * | 2018-02-15 | 2019-08-16 | Thales | Procede pour calculer une estimation d'un signal numerique module et de sa fiabilite |
CN108832976B (zh) * | 2018-06-14 | 2020-10-27 | 南京邮电大学 | 一种大规模mimo***的上行链路信道估计方法 |
-
2020
- 2020-09-11 CN CN202010953030.XA patent/CN112104580B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012122037A1 (en) * | 2011-03-04 | 2012-09-13 | Qualcomm Incorporated | Bayesian platform for channel estimation |
CN105812299A (zh) * | 2016-04-22 | 2016-07-27 | 中国地质大学(武汉) | 基于联合块稀疏重构的无线传感网信道估计算法及*** |
WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
CN109194596A (zh) * | 2018-10-15 | 2019-01-11 | 哈尔滨工程大学 | 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112104580A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112104580B (zh) | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 | |
CN108712353B (zh) | 软迭代信道估计方法 | |
CN102123115B (zh) | 基于粒子群优化的正交小波盲均衡方法 | |
CN103117964B (zh) | 一种60GHz毫米波通信***下的信号检测方法与装置 | |
CN106506430A (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
CN107425929B (zh) | Alpha稳定分布噪声下衰落信道非辅助数据均衡方法 | |
CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
CN112054973B (zh) | 一种最小均方误差稀疏水声信道估计方法 | |
CN102355435B (zh) | 基于分数低阶统计量的小波加权多模盲均衡方法 | |
CN107018103B (zh) | 一种基于自适应步长猴群优化的小波常模盲均衡方法 | |
CN110430151B (zh) | 面向水声通信的变抽头长度盲判决反馈频域均衡方法 | |
CN101656579A (zh) | 引入小波神经网络的t/2分数间隔盲均衡方法 | |
CN110677362B (zh) | 一种复数域水声信道自适应均衡方法 | |
CN109379116B (zh) | 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法 | |
CN116016055A (zh) | 一种基于向量近似消息传递的自适应水声信道均衡方法 | |
CN103117969B (zh) | 一种分数低阶统计量模值变换小波频域多模盲均衡方法 | |
CN111682924B (zh) | 一种采用期望传播的双向频域Turbo均衡方法 | |
CN112653640B (zh) | 一种脉冲噪声抑制水声信道估计方法 | |
Wu et al. | A blind demodulation algorithm for underwater acoustic MPSK signal | |
CN101924718A (zh) | 模糊神经网络控制的混合小波神经网络盲均衡方法 | |
Lin et al. | Design of an SCRFNN-based nonlinear channel equaliser | |
CN108282200B (zh) | 一种大规模mimo***中基于因子图的置信度传播信号检测方法 | |
CN110912651A (zh) | 一种ftn索引调制信号检测方法 | |
Wei et al. | Single-channel demodulation algorithm for non-cooperative PCMA signals based on neural network | |
CN101651500B (zh) | 改进的t/2分数间隔坐标变换盲均衡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |