CN116055264B - 稀疏信道的信号估计方法、装置、设备及可读存储介质 - Google Patents

稀疏信道的信号估计方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116055264B
CN116055264B CN202310341545.8A CN202310341545A CN116055264B CN 116055264 B CN116055264 B CN 116055264B CN 202310341545 A CN202310341545 A CN 202310341545A CN 116055264 B CN116055264 B CN 116055264B
Authority
CN
China
Prior art keywords
sparsity
optimized
matrix
signal
channel
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
Application number
CN202310341545.8A
Other languages
English (en)
Other versions
CN116055264A (zh
Inventor
白朝元
杨柳
范平志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310341545.8A priority Critical patent/CN116055264B/zh
Publication of CN116055264A publication Critical patent/CN116055264A/zh
Application granted granted Critical
Publication of CN116055264B publication Critical patent/CN116055264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L25/024—Channel estimation channel estimation algorithms
    • 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
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种稀疏信道的信号估计方法、装置、设备及可读存储介质，涉及电信号处理技术领域，包括基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，基于奇异值分解的数学模型对所述接收信号进行优化处理，将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号。本发明能够有效解决存在丢失原始信号的部分信息的问题，更好地保留向量的原有特征，通过对步长自适应调整，对真实稀疏度的估计更加精确。

Description

稀疏信道的信号估计方法、装置、设备及可读存储介质
技术领域
本发明涉及电信号处理技术领域，具体而言，涉及稀疏信道的信号估计方法、装置、设备及可读存储介质。
背景技术
传统的信道估计方法，如最小二乘和最小均方误差算法虽然复杂度较低，但由于巨大的导频开销导致频带利用效率降低。而与传统的信道估计相比，活跃用户天然具备稀疏性，在传统匹配追踪算法中SAMP算法是一种不需要已知信号稀疏度的重构算法。该算法通过设定固定的迭代步长，通过多次迭代逐渐逼近信号真实稀疏度的方式进行信号重构，但是该不仅迭代次数多，而且运算量大，同时，当真实稀疏度不是步长的整数倍时，将无法准确估计稀疏度。为了解决此问题，现需要一种迭代次数少，运算量小，能够准确估计稀疏度的信号估计方法。
发明内容
本发明的目的在于提供一种稀疏信道的信号估计方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种稀疏信道的信号估计方法，包括：
获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号。
第二方面，本申请还提供了一种稀疏信道的信号估计装置，包括：
获取单元，用于获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
第一处理单元，用于基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
第二处理单元，用于基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
第三处理单元，用于将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
第四处理单元，用于将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号。
第三方面，本申请还提供了一种稀疏信道的信号估计设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述稀疏信道的信号估计方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于稀疏信道的信号估计方法的步骤。
本发明的有益效果为：
本发明通过通过优化测量矩阵相关性的方法，来优化算法的性能和精度，使其重构的信号更为逼近原始信号，而且通过奇异值分解的方式，对接收信号进行抗噪处理，由于较大的奇异值往往代表着信号中包含的信息，因此将最小的那部分非0奇异值归0，以达到抗噪的目的。本发明通过以Dice系数代替传统的内积匹配准则，能够有效解决存在丢失原始信号的部分信息的问题，更好地保留向量的原有特征，突出信号的重要信息。
本发明基于RIP准则来预估计稀疏度，从而得到和真实稀疏度较为靠近的初始稀疏度，能极大的减少迭代所需的时间，同时由于估计的稀疏度是基于RIP准则进行判断，因此估计的稀疏度能获得更高的精度，同时，本发明使用可变的步长来优化原算法中的固定步长，通过对步长自适应调整，提高了重构性能，对真实稀疏度的估计更加精确。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的稀疏信道的信号估计方法流程示意图;
图2为本发明实施例中所述的稀疏信道的信号估计装置结构示意图；
图3为本发明实施例中所述的稀疏信道的信号估计设备结构示意图；
图4为本发明实施例中所述的稀疏信道的稀疏度预估流程示意图;
图5为本发明实施例中所述的稀疏信道的步长自适应调整流程示意图。
图中标记：701、获取单元；702、第一处理单元；703、第二处理单元；704、第三处理单元；705、第四处理单元；7021、第一处理子单元；7022、第一分解子单元；7023、第二分解子单元；7031、第三分解子单元；7032、第二处理子单元；7033、第三处理子单元；7034、第四处理子单元；7041、第五处理子单元；7042、第一计算子单元；7043、第二计算子单元；7044、第一判断子单元；7051、第三计算子单元；7052、第四计算子单元；7053、第五计算子单元；7054、第六计算子单元；7055、第二判断子单元；70551、第三判断子单元；70552、第四判断子单元；800、稀疏信道的信号估计设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种稀疏信道的信号估计方法。
参见图1、图4和图5，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
可以理解的是本步骤通过获取稀疏信道内的观测矩阵信息和稀疏信道的接收信号，并且通过预设观测矩阵的维度为M×N维，预设有限等距常数、迭代步长、阈值参数和终止参数等数据，为之后的稀疏信道进行估计做准备。
步骤S2、基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
可以理解的是本步骤通过特征值分解的方式对观测矩阵进行优化，其中，本步骤中，步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所述观测矩阵信息进行单位化处理，得到单位化字典矩阵，并基于所述单位化字典矩阵和Gram矩阵的计算公式进行计算，得到Gram矩阵；
可以理解的是，本步骤通过对观测矩阵进行单位化处理，然后基于Gram矩阵的计算公式对单位化字典矩阵进行处理，其中Gram矩阵的计算公式（1）如下所示：
Figure SMS_1
（1）
其中，G为Gram矩阵，
Figure SMS_2
表示单位化字典矩阵，/>
Figure SMS_3
表示单位化字典矩阵的转置。
步骤S22、将所述Gram矩阵进行特征值分解，并将分解得到的Gram矩阵中的非零项特征值全部修改为Gram矩阵中所有特征值的平均值，得到修改后的特征值矩阵；
可以理解的是本步骤还通过对述Gram矩阵进行特征值分解将所述Gram矩阵中的非零项特征值进行替换，达到修改其特征值，降低整体相关性的目的。
步骤S23、将所述修改后的特征值矩阵进行分解，其中将修改后的特征值矩阵内的非零项进行特征值替换，得到优化后的观测矩阵。
可以理解的是本步骤对修改后的特征值矩阵进行分解和替换，其中将特征值矩阵内的非零项替换为
Figure SMS_4
，其中N和M均为观测矩阵的维度，然后基于替换后的特征值矩阵，重新计算得到更新后的Gram矩阵，进而基于Gram矩阵的计算公式计算，得到更新后的字典矩阵，最后将更新后的字典矩阵恢复成优化后的观测矩阵。
步骤S3、基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
可以理解的是本步骤通过对接收信号进行预处理，提高信号估计的抗噪性能，本步骤中，步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、将所述接收信号转化为Hankel矩阵，并将所述Hankel矩阵进行奇异值分解，得到Hankel矩阵的奇异值；
可以理解的是本步骤将所述接收信号转化为Hankel矩阵，然后将所述Hankel矩阵进行奇异值分解， 其中奇异值分解的公式（2）如下所示：
Figure SMS_5
（2）
其中，U为H×H的酉矩阵，V为Q×Q的酉矩阵，
Figure SMS_6
代表V的共轭转置，/>
Figure SMS_7
，H=M/2+1，M为观测矩阵的维度；
步骤S32、将所有的Hankel矩阵的奇异值进行归一化处理，并将归一化处理后的奇异值按照由大到小顺序排列，得到奇异值集合；
可以理解的的是本步骤通过将所有的Hankel矩阵的奇异值进行归一化处理并且将所有的奇异值按照由大到小的顺序排列组合，得到奇异值集合，为之后的处理做准备。
步骤S33、将所述奇异值集合内的每个奇异值按照排列顺序依次相加，直至依次相加得到的和大于预设的第一阈值停止计算，并将之后的奇异值进行归零处理，得到优化后的Hankel矩阵；
步骤S34、将优化后的Hankel矩阵转化为优化后的接收信号。
可以理解的是本步骤通过将所述奇异值集合内的每个奇异值按照排列顺序依次相加，确定包含的接收信号中的绝大部分信息的奇异值，然后将包含的接收信号中的绝小部分信息进行归零，消除掉噪声的影响。
可以理解的是本步骤通过优化后的矩阵，即可恢复出优化后的接收信号，利用该方式，即可实现接收信号抗噪性能的提高，而抗噪性能提高的程度往往由预设的第一阈值所决定，因此实际应用中，需要根据不同的信道情况来对预设的第一阈值进行赋值。
步骤S4、将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
可以理解的是本步骤通过基于RIP准则对稀疏度进行预估计，以获得一个较为靠近真实稀疏度的预估稀疏度，并以作为初始稀疏度，以更快的逼近真实稀疏度，同时由于估计的稀疏度是基于RIP准则进行判断，因此估计的稀疏度能获得更高的精度，同时由于估计的稀疏度是基于RIP准则进行判断，因此估计的稀疏度能获得更高的精度，本步骤中，步骤S4包括，步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、基于稀疏信道的观测矩阵信息确定观测矩阵的最小稀疏度和最大稀疏度,并将所述稀疏度预估模型的迭代次数初始化为零;
可以理解的是本步骤通过稀疏信道的观测矩阵信息确定所述观测矩阵的最小稀疏度和最大稀疏度，本步骤还将稀疏度预估模型内的迭代次数设置为零，进而可以确定为第几次迭代。其中最小稀疏度的确定公式和最大稀疏度的确定公式（3）和公式（4）如下所示：
Figure SMS_8
（3）
Figure SMS_9
（4）
其中，
Figure SMS_10
为最小稀疏度，/>
Figure SMS_11
为最大稀疏度，M为观测矩阵的维度。
步骤S42、计算所述最小稀疏度和所述最大稀疏度的平均值,并将所述最小稀疏度和所述最大稀疏度的平均值作为当次迭代的预估稀疏度;
可以理解的是将所述最小稀疏度和所述最大稀疏度发送至预估稀疏度内进行稀疏度预估，进而确定当次迭代预估得到的稀疏度，其中，稀疏度预估的公式（5）如下所示：
Figure SMS_12
（5）
其中，
Figure SMS_13
为最小稀疏度，/>
Figure SMS_14
为最大稀疏度，Ki为当次迭代的预估稀疏度。
步骤S43、计算优化后的接收信号和优化后的观测矩阵信息的第一Dice系数，并提取与所述最小稀疏度和所述最大稀疏度的平均值相同数量的第一Dice系数，并将提取到的第一Dice系数建立第一Dice系数集合；
可以理解的是本步骤通过计算优化后的接收信号和优化后的观测矩阵信息的第一Dice系数，将所有的第一Dice系数进行排列，选取与当次迭代预估稀疏度相同数量的第一Dice系数，其中选取方式为按照从大到小的顺序依次选取，然后将所有选取到的第一Dice系数进行汇总建立第一Dice系数集合，本步骤可以利用Dice系数来进行优化，并基于RIP准则来更加精确地估计初始稀疏度，其中第一Dice系数的计算公式（6）如下所示：
Figure SMS_15
（6）
其中，d为计算第一Dice系数后的结果，
Figure SMS_16
为优化后的观测矩阵信息，ym为优化后的接收信号。
步骤S44、按照预设的稀疏度判断公式对所述第一Dice系数集合，判断第一Dice系数集合是否符合要求，若符合要求，则将当次迭代的预估稀疏度作为信道的预估稀疏度。
可以理解的是本步骤通过判断第一Dice系数集合是否符合要求，其中判断公式（7）如下所示：
Figure SMS_17
（7）
其中，
Figure SMS_18
表示第一Dice系数集合J中的索引在矩阵A中所对应的列所组成的矩阵的转置，/>
Figure SMS_19
表示预设的有限等距常数，ym为优化后的接收信号。
可以理解的是若所述第一Dice系数集合不符合要求，对当次迭代的预估稀疏度进行更新，其中更新方式为重新进行判断所述
Figure SMS_20
是大于还是小于
Figure SMS_21
，若大于，则将当次迭代的预估稀疏度更新为最大稀疏度，并进行下一次迭代和判断，若小于，则将当次迭代的预估稀疏度更新为最小稀疏度，并进行下一次迭代和判断，直至所述/>
Figure SMS_22
等于/>
Figure SMS_23
，并将最后一次迭代的预估稀疏度作为信道的预估稀疏度。
步骤S5、将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号。
可以理解的是，本步骤通过残差计算，得到残差，并通过判断残差的大小来判断是否需要对步长进行修改。当残差值较大，则继续用大步长来快速逼近真实稀疏度。当残差值低于预设的第二阈值，则开始对步长进行修改，使之更为精确的逼近真实稀疏度，本步骤中，步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55。
步骤S51、基于所述第一Dice系数集合和所述优化后的接收信号计算残差值，并将残差计算次数设置为一，得到初始化的残差值和初始化的残差计算次数；
可以理解的是本步骤是为了对残差值进行初始化处理，其中将残差计算次数设置为，然后计算得到初始化的残差，初始化残差的计算公式（8）如下所示：
Figure SMS_24
（8）
其中，r0为初始化的残差值，
Figure SMS_25
为第一Dice系数集合J中的索引在矩阵A中所对应的列所组成的矩阵，/>
Figure SMS_26
为第一Dice系数集合J中的索引在矩阵A中所对应的列所组成的矩阵的转置，ym为优化后的接收信号。
步骤S52、计算所述优化后的观测矩阵信息和初始化的残差值的第二Dice系数，并筛选出与信道的预估稀疏度数量相同的第二Dice系数，得到第二Dice系数集合；
可以理解的是本步骤通过计算优化后的观测矩阵信息和初始化的残差值的第二Dice系数，进而挑选出残差与优化后的观测矩阵信息之间的相关性最大的原子集合，更好地保留向量的原有特征，突出信号的重要信息，其中第二Dice系数的计算公式（9）如下所示：
Figure SMS_27
（9）
其中，u代表第二Dice系数的计算结果，
Figure SMS_28
表示优化后的观测矩阵，rn-1表示上一次迭代的残差值。
步骤S53、基于预设的最终集的计算公式对所述第二Dice系数集合和优化后的观测矩阵信息进行计算，得到当前迭代次数的最终集信息；
可以理解的是本步骤中当前迭代次数的最终集信息的计算公式（10）如下所示：
Figure SMS_29
（10）
其中，F表示最终集，
Figure SMS_30
表示集合Cn中的每个列的索引号对应的矩阵/>
Figure SMS_31
中每个列的集合，/>
Figure SMS_32
表示/>
Figure SMS_33
的转置，ym表示优化后的接收信号，L表示预估稀疏度。
步骤S54、基于当前迭代次数的最终集信息、优化后的观测矩阵信息和优化后的接收信号计算得到当前迭代次数的残差值；
可以理解的是本步骤通过残差的计算公式计算得到当前迭代次数的残差值，进而当残差值较大，则继续用大步长来快速逼近真实稀疏度。当残差值低于预设的第二阈值，则开始对步长进行修改，使之更为精确的逼近真实稀疏度，其中所述残差的计算公式（11）如下所示：
Figure SMS_34
其中，rn表示第n迭代的残差值，ym表示优化后的接收信号，
Figure SMS_35
表示集合F中的各个列的索引号对应的/>
Figure SMS_36
矩阵中各个列的集合，/>
Figure SMS_37
为/>
Figure SMS_38
的转置。
步骤S55、将当前迭代次数的残差值进行迭代终止判断，若判断为迭代终止，则基于预设的信号重构公式进行信号重构，得到重构后的信号。
可以理解的是本步骤通过将当前迭代次数的残差值进行迭代终止判断，其中判断方式为通过判断残差值是否小于预设的第二阈值，并基于判断结果选择调整迭代步长方式，进而实现对步长自适应调整，提高重构性能的功能，其中，迭代终止判断方式为判断第n次迭代的残差值的二范数大于或等于预设的第二阈值，可以理解的是本步骤中还包括了如何调整迭代步长的方式，其中，若第n次迭代的残差值的二范数大于或等于预设的第二阈值，则判断第n次迭代的残差值的二范数是否大于或等于第n-1次迭代的残差值的二范数，若大于或等于，则按照如下所示的公式（12）和公式（13）进行步长调整：
Figure SMS_39
（12）
Figure SMS_40
（13）
其中，L表示预估稀疏度，S表示预设的迭代步长，
Figure SMS_41
表示迭代阶段。
若第n次迭代的残差值的二范数小于第n-1次迭代的残差值的二范数，则按照如下所示的公式（14）和公式（15）进行步长调整：
Figure SMS_42
（14）
Figure SMS_43
（15）
其中，Fn表示第n次迭代的最终集，F表示空集，n表示迭代次数；
可以理解的是，本步骤中，步骤S55包括步骤S551和步骤S552。
步骤S551、将当前迭代次数的残差值的二范数与预设的第二阈值进行对比,若当前迭代次数的所述残差值的二范数小于预设的第二阈值,则将当前迭代次数的所述残差值的二范数与预设的终止参数进行对比,得到第一对比结果;
可以理解的是将将当前迭代次数的残差值的二范数与预设的第二阈值进行对比，若当前迭代次数的残差值符合要求，则判断当前迭代次数的残差值是否小于预设的终止参数，其中，若当前迭代次数的残差值是否大于或等于预设的终止参数，则则判断第n次迭代的残差值的二范数是否大于或等于第n-1次迭代的残差值的二范数，若大于或等于，则按照如下所示的公式（16）和公式（17）进行步长调整：
Figure SMS_44
（16）
Figure SMS_45
（17）
其中，L表示预估稀疏度，S表示预设的迭代步长，
Figure SMS_46
表示迭代阶段。
若第n次迭代的残差值的二范数小于第n-1次迭代的残差值的二范数，则按照如下所示的公式（18）和公式（19）进行步长调整：
Figure SMS_47
；（18）
Figure SMS_48
；（19）
可以理解的是本步骤通过按照上述方式，将步长进行适应性调整，提高重构性能。
步骤S552、若所述第一对比结果为当前迭代次数的所述残差值的二范数小于预设的终止参数,则将当前迭代次数的最终集信息、优化后的观测矩阵信息和优化后的接收信号按照预设的信号重构公式进行信号重构，得到重构后的信号。
可以理解的是本步骤通过信号重构公式进行信号重构，进而对稀疏信号的信道进行估计，其中信号重构公式（20）如下所示：
Figure SMS_49
（20）
其中，所述
Figure SMS_50
表示重构后的信号，/>
Figure SMS_51
表示集合F中的各个列的索引号对应的矩阵/>
Figure SMS_52
中各个列的集合，/>
Figure SMS_53
为/>
Figure SMS_54
的转置，ym表示优化后的接收信号。
实施例2：
如图2所示，本实施例提供了一种稀疏信道的信号估计装置，所述装置包括获取单元701、第一处理单元702、第二处理单元703、第三处理单元704和第四处理单元705。
获取单元701，用于获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
第一处理单元702，用于基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
第二处理单元703，用于基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
第三处理单元704，用于将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
第四处理单元705，用于将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号。
在本公开的一种具体实施方式中，所述第一处理单元702包括第一处理子单元7021、第一分解子单元7022和第二分解子单元7023。
第一处理子单元7021，用于将所述观测矩阵信息进行单位化处理，得到单位化字典矩阵，并基于所述单位化字典矩阵和Gram矩阵的计算公式进行计算，得到Gram矩阵；
第一分解子单元7022，用于将所述Gram矩阵进行特征值分解，并将分解得到的Gram矩阵中的非零项特征值全部修改为Gram矩阵中所有特征值的平均值，得到修改后的特征值矩阵；
第二分解子单元7023，用于将所述修改后的特征值矩阵进行分解，其中将修改后的特征值矩阵内的非零项进行特征值替换，得到优化后的观测矩阵。
在本公开的一种具体实施方式中，所述第二处理单元703包括第三分解子单元7031、第二处理子单元7032、第三处理子单元7033和第四处理子单元7034。
第三分解子单元7031，用于将所述接收信号转化为Hankel矩阵，并将所述Hankel矩阵进行奇异值分解，得到Hankel矩阵的奇异值；
第二处理子单元7032，用于将所有的Hankel矩阵的奇异值进行归一化处理，并将归一化处理后的奇异值按照由大到小顺序排列，得到奇异值集合；
第三处理子单元7033，用于将所述奇异值集合内的每个奇异值按照排列顺序依次相加，直至依次相加得到的和大于预设的第一阈值停止计算，并将之后的奇异值进行归零处理，得到优化后的Hankel矩阵；
第四处理子单元7034，用于将优化后的Hankel矩阵转化为优化后的接收信号。
在本公开的一种具体实施方式中，所述第三处理单元704包括第五处理子单元7041、第一计算子单元7042、第二计算子单元7043和第一判断子单元7044。
第五处理子单元7041，用于基于稀疏信道的观测矩阵信息确定观测矩阵的最小稀疏度和最大稀疏度,并将所述稀疏度预估模型的迭代次数初始化为零;
第一计算子单元7042，用于计算所述最小稀疏度和所述最大稀疏度的平均值,并将所述最小稀疏度和所述最大稀疏度的平均值作为当次迭代的预估稀疏度;
第二计算子单元7043，用于计算优化后的接收信号和优化后的观测矩阵信息的第一Dice系数，并提取与所述最小稀疏度和所述最大稀疏度的平均值相同数量的第一Dice系数，并将提取到的第一Dice系数建立第一Dice系数集合；
第一判断子单元7044，用于按照预设的稀疏度判断公式对所述第一Dice系数集合，判断第一Dice系数集合是否符合要求，若符合要求，则将当次迭代的预估稀疏度作为信道的预估稀疏度。
在本公开的一种具体实施方式中，所述第四处理单元705包括第三计算子单元7051、第四计算子单元7052、第五计算子单元7053、第六计算子单元7054和第二判断子单元7055。
第三计算子单元7051，用于基于所述第一Dice系数集合和所述优化后的接收信号计算残差值，并将残差计算次数设置为一，得到初始化的残差值和初始化的残差计算次数；
第四计算子单元7052，用于计算所述优化后的观测矩阵信息和初始化的残差值的第二Dice系数，并筛选出与信道的预估稀疏度数量相同的第二Dice系数，得到第二Dice系数集合；
第五计算子单元7053，用于基于预设的最终集的计算公式对所述第二Dice系数集合和优化后的观测矩阵信息进行计算，得到当前迭代次数的最终集信息；
第六计算子单元7054，用于基于当前迭代次数的最终集信息、优化后的观测矩阵信息和优化后的接收信号计算得到当前迭代次数的残差值；
第二判断子单元7055，用于将当前迭代次数的残差值进行迭代终止判断，若判断为迭代终止，则基于预设的信号重构公式进行信号重构，得到重构后的信号。
在本公开的一种具体实施方式中，所述第二判断子单元7055包括第三判断子单元70551和第四判断子单元70552。
第三判断子单元70551，用于将当前迭代次数的残差值的二范数与预设的第二阈值进行对比,若当前迭代次数的所述残差值的二范数小于预设的第二阈值,则将当前迭代次数的所述残差值的二范数与预设的终止参数进行对比,得到第一对比结果;
第四判断子单元70552，用于若所述第一对比结果为当前迭代次数的所述残差值的二范数小于预设的终止参数,则将当前迭代次数的最终集信息、优化后的观测矩阵信息和优化后的接收信号按照预设的信号重构公式进行信号重构，得到重构后的信号。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种稀疏信道的信号估计设备，下文描述的一种稀疏信道的信号估计设备与上文描述的一种稀疏信道的信号估计方法可相互对应参照。
图3是根据示例性实施例示出的一种稀疏信道的信号估计设备800的框图。如图3所示，该稀疏信道的信号估计设备800可以包括：处理器801，存储器802。该稀疏信道的信号估计设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该稀疏信道的信号估计设备800的整体操作，以完成上述的稀疏信道的信号估计方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该稀疏信道的信号估计设备800的操作，这些数据例如可以包括用于在该稀疏信道的信号估计设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该稀疏信道的信号估计设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，稀疏信道的信号估计设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的稀疏信道的信号估计方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的稀疏信道的信号估计方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由稀疏信道的信号估计设备800的处理器801执行以完成上述的稀疏信道的信号估计方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种稀疏信道的信号估计方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的稀疏信道的信号估计方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种稀疏信道的信号估计方法，其特征在于，包括：
获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号；
其中，所述基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息，包括：
将所述观测矩阵信息进行单位化处理，得到单位化字典矩阵，并基于所述单位化字典矩阵和Gram矩阵的计算公式进行计算，得到Gram矩阵；
将所述Gram矩阵进行特征值分解，并将分解得到的Gram矩阵中的非零项特征值全部修改为Gram矩阵中所有特征值的平均值，得到修改后的特征值矩阵；
将所述修改后的特征值矩阵进行分解，其中将修改后的特征值矩阵内的非零项进行特征值替换，得到优化后的观测矩阵；
其中,所述基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号，包括：
将所述接收信号转化为Hankel矩阵，并将所述Hankel矩阵进行奇异值分解，得到Hankel矩阵的奇异值；
将所有的Hankel矩阵的奇异值进行归一化处理，并将归一化处理后的奇异值按照由大到小顺序排列，得到奇异值集合；
将所述奇异值集合内的每个奇异值按照排列顺序依次相加，直至依次相加得到的和大于预设的第一阈值停止计算，并将之后的奇异值进行归零处理，得到优化后的Hankel矩阵；
将优化后的Hankel矩阵转化为优化后的接收信号。
2.根据权利要求1所述的稀疏信道的信号估计方法，其特征在于,将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度,包括:
基于稀疏信道的观测矩阵信息确定观测矩阵的最小稀疏度和最大稀疏度,并将所述稀疏度预估模型的迭代次数初始化为零；
计算所述最小稀疏度和所述最大稀疏度的平均值,并将所述最小稀疏度和所述最大稀疏度的平均值作为当次迭代的预估稀疏度；
计算优化后的接收信号和优化后的观测矩阵信息的第一Dice系数，并提取与所述最小稀疏度和所述最大稀疏度的平均值相同数量的第一Dice系数，并将提取到的第一Dice系数建立第一Dice系数集合；
按照预设的稀疏度判断公式对所述第一Dice系数集合，判断第一Dice系数集合是否符合要求，若符合要求，则将当次迭代的预估稀疏度作为信道的预估稀疏度。
3.一种稀疏信道的信号估计装置，其特征在于，包括：
获取单元，用于获取稀疏信道的观测矩阵信息和稀疏信道的接收信号；
第一处理单元，用于基于特征值分解的数学模型对所述观测矩阵信息进行优化处理，得到优化后的观测矩阵信息；
第二处理单元，用于基于奇异值分解的数学模型对所述接收信号进行优化处理，得到优化后的接收信号；
第三处理单元，用于将所述优化后的接收信号和优化后的观测矩阵信息发送至稀疏度预估模型内进行信道稀疏度预估处理，得到信道的预估稀疏度；
第四处理单元，用于将所述优化后的接收信号、优化后的观测矩阵信息和信道的预估稀疏度进行残差计算，直至计算得到的残差小于预设的步长和预设的终止参数，进行信号重构，得到重构后的信号；
其中，所述第一处理单元包括：
第一处理子单元，用于将所述观测矩阵信息进行单位化处理，得到单位化字典矩阵，并基于所述单位化字典矩阵和Gram矩阵的计算公式进行计算，得到Gram矩阵；
第一分解子单元，用于将所述Gram矩阵进行特征值分解，并将分解得到的Gram矩阵中的非零项特征值全部修改为Gram矩阵中所有特征值的平均值，得到修改后的特征值矩阵；
第二分解子单元，用于将所述修改后的特征值矩阵进行分解，其中将修改后的特征值矩阵内的非零项进行特征值替换，得到优化后的观测矩阵；
其中，所述第二处理单元包括：
第三分解子单元，用于将所述接收信号转化为Hankel矩阵，并将所述Hankel矩阵进行奇异值分解，得到Hankel矩阵的奇异值；
第二处理子单元，用于将所有的Hankel矩阵的奇异值进行归一化处理，并将归一化处理后的奇异值按照由大到小顺序排列，得到奇异值集合；
第三处理子单元，用于将所述奇异值集合内的每个奇异值按照排列顺序依次相加，直至依次相加得到的和大于预设的第一阈值停止计算，并将之后的奇异值进行归零处理，得到优化后的Hankel矩阵；
第四处理子单元，用于将优化后的Hankel矩阵转化为优化后的接收信号。
4.根据权利要求3所述的稀疏信道的信号估计装置，其特征在于，所述装置包括：
第五处理子单元，用于基于稀疏信道的观测矩阵信息确定观测矩阵的最小稀疏度和最大稀疏度,并将所述稀疏度预估模型的迭代次数初始化为零；
第一计算子单元，用于计算所述最小稀疏度和所述最大稀疏度的平均值,并将所述最小稀疏度和所述最大稀疏度的平均值作为当次迭代的预估稀疏度；
第二计算子单元，用于计算优化后的接收信号和优化后的观测矩阵信息的第一Dice系数，并提取与所述最小稀疏度和所述最大稀疏度的平均值相同数量的第一Dice系数，并将提取到的第一Dice系数建立第一Dice系数集合；
第一判断子单元，用于按照预设的稀疏度判断公式对所述第一Dice系数集合，判断第一Dice系数集合是否符合要求，若符合要求，则将当次迭代的预估稀疏度作为信道的预估稀疏度。
5.一种稀疏信道的信号估计设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述稀疏信道的信号估计方法的步骤。
6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述稀疏信道的信号估计方法的步骤。
CN202310341545.8A 2023-04-03 2023-04-03 稀疏信道的信号估计方法、装置、设备及可读存储介质 Active CN116055264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341545.8A CN116055264B (zh) 2023-04-03 2023-04-03 稀疏信道的信号估计方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341545.8A CN116055264B (zh) 2023-04-03 2023-04-03 稀疏信道的信号估计方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN116055264A CN116055264A (zh) 2023-05-02
CN116055264B true CN116055264B (zh) 2023-06-20

Family

ID=86118638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341545.8A Active CN116055264B (zh) 2023-04-03 2023-04-03 稀疏信道的信号估计方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116055264B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380994A (zh) * 2019-05-13 2019-10-25 上海海事大学 快速贝叶斯匹配追踪海上稀疏信道估计方法
CN115618187A (zh) * 2022-12-21 2023-01-17 西南交通大学 一种观测矩阵的优化方法、装置、设备及可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9008202B2 (en) * 2012-03-13 2015-04-14 Qualcomm Incorporated Fast and robust estimation of jointly sparse channels
US20160113587A1 (en) * 2013-06-03 2016-04-28 The Regents Of The University Of California Artifact removal techniques with signal reconstruction
CN104836760B (zh) * 2015-05-28 2019-06-04 北京国电通网络技术有限公司 一种信道估计方法及装置
US10229092B2 (en) * 2017-08-14 2019-03-12 City University Of Hong Kong Systems and methods for robust low-rank matrix approximation
CN115769237A (zh) * 2020-07-10 2023-03-07 索尼集团公司 优化问题解决方法和优化问题解决设备
CN115915266A (zh) * 2021-08-11 2023-04-04 华为技术有限公司 一种信道信息反馈、恢复方法及装置
CN114978818B (zh) * 2022-01-20 2023-05-26 南京邮电大学 一种基于压缩感知的自适应信道估计方法及估计***
CN115118559A (zh) * 2022-08-30 2022-09-27 西南交通大学 一种稀疏信道的估计方法、装置、设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380994A (zh) * 2019-05-13 2019-10-25 上海海事大学 快速贝叶斯匹配追踪海上稀疏信道估计方法
CN115618187A (zh) * 2022-12-21 2023-01-17 西南交通大学 一种观测矩阵的优化方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN116055264A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
US11403528B2 (en) Self-tuning incremental model compression solution in deep neural network with guaranteed accuracy performance
CN111488986A (zh) 一种模型压缩方法、图像处理方法以及装置
CN109064412B (zh) 一种低秩图像的去噪方法
WO2014105260A1 (en) Method and system for fast tensor-vector multiplication
CN111144457B (zh) 图像处理方法、装置、设备及存储介质
CN105184742B (zh) 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法
CN111860970B (zh) 一种河流流量预测方法、装置及电子设备和存储介质
WO2022213825A1 (zh) 基于神经网络的端到端语音增强方法、装置
CN116055264B (zh) 稀疏信道的信号估计方法、装置、设备及可读存储介质
CN115618187B (zh) 一种观测矩阵的优化方法、装置、设备及可读存储介质
KR20180065762A (ko) 매니폴드 제약 조건에 기반한 심층 신경망 압축 방법 및 그 장치
Tang et al. Time-multiplexed training for time-selective channels
CN115118559A (zh) 一种稀疏信道的估计方法、装置、设备及可读存储介质
JP2021033994A (ja) テキスト処理方法、装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN114978818B (zh) 一种基于压缩感知的自适应信道估计方法及估计***
US20230038047A1 (en) Method, device, and computer program product for image recognition
CN113096019B (zh) 图像重建方法、装置、图像处理设备及存储介质
CN113037406B (zh) 一种时频特性提取及压缩感知融合的高效协作频谱感知方法
CN115021759A (zh) 一种基于二值最小二乘法的二值稀疏信号恢复方法及***
CN113299300A (zh) 一种语音增强方法、装置及存储介质
CN115116471A (zh) 音频信号处理方法和装置、训练方法、设备及介质
CN114298280A (zh) 一种数据处理、网络训练方法、电子设备及存储介质
Xu et al. Low complexity rate-adaptive deep joint source channel coding for wireless image transmission using tensor-train decomposition
Xueyuan Sparsity Adaptive-based Stagewise Orthogonal Matching Pursuit Algorithm for Image Reconstruction.
Guan et al. Polynomial dictionary learning algorithms in sparse representations

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