CN112737702B - 一种稀疏干扰背景下的mimo水声信道估计方法 - Google Patents

Abstract

本发明提供一种稀疏干扰背景下的MIMO水声信道估计方法，本发明属于水声信号处理领域。本发明利用变分贝叶斯推断理论，分别对脉冲干扰和信道的稀疏度进行估计，同时充分利用信道的空间相关性获得处理增益。与目前存在的水声信道估计方法相比，其估计精度更高且计算复杂度更低。

Description

一种稀疏干扰背景下的MIMO水声信道估计方法

技术领域

本发明涉及一种稀疏干扰背景下的MIMO水声信道估计方法，属于水声信号处理领域。

背景技术

水声通信是目前进行水下信息传输的最有效手段，而获取更为准确的水声信道信息对于水声通信质量的提高至关重要。传统的水声信道估计方法如最小二乘方法，基于压缩感知的稀疏信道估计方法等对背景噪声的假设为加性高斯白噪声，然而真实海洋环境中分布着丰富的脉冲噪声，这些脉冲噪声可能来自于磷虾，冰盖挤压破裂，声呐发射人工信号等，造成传统水声信道估计方法性能的下降。近年来，出现基于贝叶斯估计理论的信道、脉冲噪声联合估计方法，然而这类方法忽略水声信道与脉冲噪声稀疏度的不同，存在理论上的性能损失，同时联合估计造成计算复杂度的提高。

发明内容

本发明的目的是为了提供一种稀疏干扰背景下的MIMO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：搭建MIMO水声通信***，接收水听器接收到多路导频信号；

步骤二：参数初始化；设置t＝1，初始化

μ_h,Σ_h,μ_e,Σ_e,ε，B和δ，

为估计得到的信道，μ_h为信道向量均值，Σ_h为信道向量方差，μ_e为脉冲噪声向量均值，Σ_e为脉冲噪声向量方差，ε为表征稀疏度的超参数，B为空间相关矩阵，δ为预先设定的门限；

步骤三：迭代计算，根据联合分布函数进行更新，包括：

更新

更新μ_h和Σ_h：

更新μ_e和Σ_e：

更新ε_0:L-1(水声信道稀疏度)和B：

更新

(脉冲噪声稀疏度)：

令t＝t+1，若t＝T或

则输出

否则继续迭代；

步骤四：输出信道估计结果，

本发明还包括这样一些结构特征：

1.接收信号模型为：

y_m≈Xh_m+e_m+w_m

其中，

为第m个水听器的接收信号，N_p为导频序列长度，L为信道长度；

是第n个发射换能器与第m个水听器之间的信道的第l个抽头，N为发射换能器的总数量；

被定义为：

其中，

为已知导频序列；

为脉冲噪声项，

是独立同分布的零均值方差为σ的复高斯噪声向量。

与现有技术相比，本发明的有益效果是：本发明将水声信道的稀疏度与脉冲噪声的稀疏度分离，即将超参数ε分为ε_0:L-1和

分别进行估计，避免了一般贝叶斯联合估计中稀疏度同时估计造成的性能损失，从而具有更高估计精度。另外，在基于贝叶斯估计理论的信道、脉冲噪声联合估计方法中，计算向量方差Σ需要利用包含参数ε的矩阵进行求逆，而本发明中分别利用ε_0:L-1和ε_0:L-1求逆，矩阵维度更小，计算复杂度更低。考虑空间相关性B，获得更多处理增益，进一步提高估计精度。

附图说明

图1为迭代更新分布函数的流程图；

图2为模拟噪声时域波形，q＝0.002，INR＝30；

图3(a)、(b)为信道估计MSE随SNR变化曲线：图3(a)2号换能器(空间相关性强)，噪声模型为GMM，p＝0.03，INR＝20dB，训练序列长300个符号；图3(b)2号换能器(空间相关性弱)，噪声模型为GMM，p＝0.03，INR＝20dB，训练序列长300个符号；

图4(a)、(b)为2号换能器(空间相关性强)信道估计MSE随SNR变化曲线：图4(a)噪声模型为GMM，p＝0.01，INR＝20dB，训练序列长300个符号；图4(b)噪声模型为GMM，p＝0.01，INR＝25dB，训练序列长300个符号。

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。

结合附图，本发明的步骤如下：

(1)搭建MIMO水声通信***，接收水听器接收到多路导频信号。接收信号模型为

y_m≈Xh_m+e_m+w_m

其中，

为第m个水听器的接收信号，N_p为导频序列长度，L为信道长度，h_m,l＝[h_m,1(l) h_m,2(l)…h_m,N(l)]^T∈c^N×1，

是第n个发射换能器与第m个水听器之间的信道的第l个抽头，N为发射换能器的总数量。

被定义为：

其中，

为已知导频序列。

为脉冲噪声项，

是独立同分布的零均值方差为σ的复高斯噪声向量。

(2)参数初始化。设置t＝1，初始化

μ_h,Σ_h,μ_e,Σ_e,ε，B和δ。其中，，

为估计得到的信道，μ_h为信道向量均值，Σ_h为信道向量方差，μ_e为脉冲噪声向量均值，Σ_e为脉冲噪声向量方差，ε为表征稀疏度的超参数，B为空间相关矩阵，δ为预先设定的门限；

(3)迭代计算。

更新

更新μ_h和Σ_h：

更新μ_e和Σ_e：

更新ε_0:L-1(水声信道稀疏度)和B：

更新

(脉冲噪声稀疏度)：

t＝t+1，若t＝T或

则输出

否则继续迭代。

(4)输出信道估计结果。

在具体实施过程中，考虑MIMO信道的空间相关性，我们定义h_m先验似然函数

其中，

表示高斯分布，R_m包含了h_m向量的稀疏度ε_0:L-1和空间相关矩阵B，其被定义为

R_m＝diag{ε₀B₀,…,ε_L-1B_L-1}

为决定稀疏信道第l个抽头的空间相关性的协方差。由于B_i服从均匀分布，我们使用一个正定矩阵B来描述所有的B_i。因此，

e_m的先验似然函数为

在该部分，我们采用变分贝叶斯推断拟合

(定义为

)。为分离贝叶斯推断中的h_m和e_m，我们将

限制在以下因式分解：

变分贝叶斯推断的基本思想是寻找能够最小化

与

之间的KL散度的最佳因式分解

即

为简明表示，令Ψ＝{h_m,e_m，ε，σ}表示需要被估计的超参数。最佳因式分解应该满足下式

其中Ψ_i为Ψ的第i个元素，

是

显然，所有的q*(Ψ_i)是互相依赖的。因此上式很难得到闭合解，但是，我们能够通过迭代更新每一个q*(Ψ_i)来求解。特别的，q(σ)，q(h_m)，q(e_m)和q(ε)可如下迭代：

其中q^new(·)表示更新后的分布函数，其将替代前一次更新的分布函数q(·)。因此联合分布函数可以表示为

接下来通过推导可知：

q^new(σ)＝γ(σ；c-N_p,d^σ)

其中γ(·)表示伽马分布。图1描述了迭代更新分布函数的过程。由于本发明将水声信道稀疏度的分布函数

和脉冲噪声的分布函数q^new(ε(i))分别估计，使得水声信道估计精度更高。同时考虑空间相关性

能够进一步提高水声信道估计精度。

本发明的仿真研究：

仿真条件：

这里使用双组分高斯混合模型(Gaussian Mixture Model,GMM)构造脉冲噪声，其信号形式为

v[n]＝w[n]+e[n]

其中，w[n]为高斯噪声组分，e[n]脉冲噪声组分，v[n]的概率密度函数为

其中，

是复高斯分布模型，

是加性高斯白噪声组分的方差，

为脉冲噪声组分的方差，q是脉冲噪声在一段信号中的发生概率。同时，定义信噪比(Signal-to-noiseRatio，SNR)，信干比(Signal-to-impulsive-noise Ratio，SIR)，干噪比(Impulse-to-noise Ratio，INR)：

如图2为模拟噪声的时域波形。

通过Bellhop声学仿真软件产生MIMO水声信道，参数如下：水深250m，收发距离5km，发射端为2阵元换能器阵列，1号换能器距水面100m，2号换能器距水面101m(空间相关性强)和103m(空间相关性弱)，接收水听器距水面100m，仿真频率12kHz。这里有几种对比信道估计方法：最小二乘方法(LS)，正交匹配跟踪方法(OMP)，高斯噪声假设下的贝叶斯信道估计方法(SBL)，稀疏干扰假设下的贝叶斯信道估计(ISBL)，本发明中不考虑空间相关性的信道估计方法(VSBL)，本发明中考虑空间相关性的信道估计方法(IVSBL)。

如图3(a)和图3(b)分别为2号换能器(空间相关性强)和2号换能器(空间相关性弱)信道估计结果的均方误差(Mean Square Error，MSE)随SNR变化曲线。与白噪声背景假设下的传统信道估计算法(LS，OMP，SBL)相比，稀疏脉冲噪声背景假设下的信道估计算法(ISBL，VSBL，IVSBL)性能较好。同时，由于变分贝叶斯方法可以分离信道与脉冲噪声的稀疏度超参数，因此VSBL与IVSBL具有更为准确的信道估计能力。比较图3与图4，可以发现，在信道空间相关性较强时，IVSBL算法较VSBL算法具有更大的性能优势，在信道空间相关性较弱时，两种算法的性能接近。

如图3(a)和图4(a)分别在GMM脉冲噪声模型p＝0.03和p＝0.01时，信道估计结果MSE随SNR变化曲线。p值越大代表背景噪声中脉冲发生概率越大，即脉冲干扰越严重。从图中可以看出，白噪声背景假设下的传统信道估计算法(LS，OMP，SBL)在p＝0.03时的性能差于p＝0.01，即这几种算法受脉冲背景噪声影响较大，而稀疏脉冲噪声背景假设下的信道估计算法(ISBL，VSBL，IVSBL)受影响较小。

如图4(a)和图4(b)分别在GMM脉冲噪声模型INR＝20dB和INR＝25dB时，信道估计结果MSE随SNR变化曲线。INR的变化对白噪声背景假设下的传统信道估计算法(LS，OMP，SBL)影响较大，而ISBL，VSBL，IVSBL影响不大。

综上，本发明提供一种稀疏干扰背景下的MIMO水声信道估计方法，本发明属于水声信号处理领域。本发明利用变分贝叶斯推断理论，分别对脉冲干扰和信道的稀疏度进行估计，同时充分利用信道的空间相关性获得处理增益。与目前存在的水声信道估计方法相比，其估计精度更高且计算复杂度更低。

Claims (1)

1.一种稀疏干扰背景下的MIMO水声信道估计方法，其特征在于：步骤如下：

步骤一：搭建MIMO水声通信***，接收水听器接收到多路导频信号；

接收信号模型为：

y_m≈Xh_m+e_m+w_m

其中，

为第m个水听器的接收信号，N_p为导频序列长度，L为信道长度；

h_m,l＝[h_m,1(l) h_m,2(l)…h_m,n(l)…h_m,N(l)]^T∈c^N×1，，

是第n个发射换能器与第m个水听器之间的信道的第l个抽头，N为发射换能器的总数量；

被定义为：

其中，

为已知导频序列；

为脉冲噪声项，

是独立同分布的零均值方差为σ的复高斯噪声向量；

步骤二：参数初始化；设置t＝1，初始化

μ_h,∑_h,μ_e,∑_e,ε，B和δ，

为估计得到的信道，μ_h为信道向量均值，∑_h为信道向量方差，μ_e为脉冲噪声向量均值，∑_e为脉冲噪声向量方差，ε为表征稀疏度的超参数，B为空间相关矩阵，δ为预先设定的门限；

步骤三：迭代计算，根据联合分布函数进行更新，包括：

更新

更新μ_h和∑_h：

更新μ_e和∑_e：

更新水声信道稀疏度ε_0:L-1和B：

更新脉冲噪声稀疏度

令t＝t+1，若t＝T或

则输出

否则继续迭代；

步骤四：输出信道估计结果，

Images