OFDM水聲通信系統(tǒng)的LS-OMP信道估計

郭鐵梁，張智勇，趙旦峰，李海寶

?

OFDM水聲通信系統(tǒng)的LS-OMP信道估計

郭鐵梁1，張智勇2，趙旦峰3，李海寶1

(1. 黑龍江科技大學理學院，黑龍江哈爾濱150022；2. 黑龍江科技大學電子與信息工程學院，黑龍江哈爾濱150022；3. 哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱150001)

對于正交頻分復用(Orthogonal Frequency Division Multiplexing，OFDM)水聲通信系統(tǒng)，最小二乘(Least Squares，LS)信道估計方法受噪聲影響較大，并且使用的導頻數(shù)量較多，影響通信效率。而基于壓縮感知理論的正交匹配追蹤(Orthogonal Matching Pursuit，OMP)信道估計方法可以充分利用水聲信道的稀疏特性，同時能夠有效地抑制系統(tǒng)噪聲，但控制迭代運算次數(shù)的相關(guān)參數(shù)(稀疏度或誤差容忍值)是OMP算法的關(guān)鍵條件。針對上述問題，提出了利用少量導頻隨機分布的LS和OMP聯(lián)合的信道估計方法，該方法首先利用少量導頻采用LS方法估計出OMP算法的誤差容忍值，再利用OMP算法恢復數(shù)據(jù)子載波的信道信息。理論分析和仿真結(jié)果同時表明，與傳統(tǒng)的LS算法或OMP算法相比，新算法能夠在數(shù)據(jù)恢復的同時有效抑制系統(tǒng)噪聲，應用稀疏特性及較少量的導頻，進一步提高了系統(tǒng)的頻譜效率，對時變稀疏水聲信道具有更好的適應性。

水聲通信；正交頻分復用；信道估計；最小二乘；壓縮感知；正交匹配追蹤

0 引言

由于長時延和大多普勒頻移的存在，使水聲信道具有頻率選擇性和時間選擇性雙重衰落特征[1]。作為多載波調(diào)制的正交頻分復用(Orthogonal Frequency Division Multiplexing，OFDM)技術(shù)，可以有效地解決水聲信道的頻率選擇性衰落問題，同時還能夠提高通信系統(tǒng)的頻譜利用率，所以近年來OFDM技術(shù)在水聲通信系統(tǒng)中得到了廣泛的應用。

對于OFDM水聲通信系統(tǒng)的信道估計問題，應用較多的是基于導頻輔助的最小二乘(Least Squares，LS)信道估計，這種估計方法的優(yōu)點是不需要利用信道和噪聲的統(tǒng)計數(shù)據(jù)，并且計算復雜度較小。但LS方法的缺點也是顯而易見的，這種方法對于噪聲和頻率同步誤差較為敏感，同時由于較多導頻數(shù)據(jù)的應用，使得這種估計方法的頻譜利用率較低[2]。由于水聲信道的稀疏特性，近年來壓縮感知(Compressed Sensing，CS)信道估計方法在水聲通信領(lǐng)域得到了快速發(fā)展[3-8]，壓縮感知的特點之一就是將信號的采集和壓縮兩個步驟結(jié)合在一起，以期能對高頻信號用較低的頻率采樣。而壓縮感知的另一個特點就是將信號的采集和去除噪聲結(jié)合在一起。也就是說，在某些情況下用壓縮感知的方法采集到的信號，噪聲會在數(shù)據(jù)采集或恢復過程中被抑制[9]。另外，這種信道估計技術(shù)利用信道的稀疏特性，通過少量導頻數(shù)據(jù)就能估計出信道參數(shù)，可以有效重建稀疏信號，從而減小導頻開銷，提高頻譜效率。總之，壓縮感知信道估計在噪聲抑制和提高頻譜效率方面可以有效克服LS信道估計的缺點。但壓縮感知算法也需要一些前提條件，例如正交匹配追蹤算法的迭代運算過程就需要稀疏信號的稀疏度或已知控制迭代次數(shù)的誤差容忍值，這就需要采用一些相應的算法加以解決。

本文通過LS算法與CS算法的比較分析，針對OFDM水聲通信系統(tǒng)的稀疏信道，提出一種基于隨機導頻分布的LS和壓縮感知OMP算法相結(jié)合的LS-OMP信道估計新算法。該方法首先利用少量隨機導頻數(shù)據(jù)，采用LS方法結(jié)合加性高斯白噪聲的特性估計出OMP算法的誤差容忍值，再結(jié)合OFDM水聲稀疏信道的特點利用OMP算法恢復數(shù)據(jù)子載波的信道信息。理論分析和仿真結(jié)果同時表明，與傳統(tǒng)的LS算法和OMP算法相比，新算法充分利用了水聲信道的稀疏特性，應用較少量的導頻數(shù)據(jù)，在不增加系統(tǒng)運算量的前提下，能夠在數(shù)據(jù)恢復的同時有效抑制系統(tǒng)噪聲，進一步提高了系統(tǒng)的頻譜效率，對時變稀疏水聲信道具有更好的適應性。

1 壓縮感知OMP算法模型

對于上述的求解，一般存在兩類典型的算法，第一類是基追蹤(Basic Pursuit，BP)算法，第二類是OMP算法[13]。由于BP算法運算量很大，所以在實際水下環(huán)境中很難得到應用。而OMP算法利用遞歸方式對已選擇原子集合進行正交化以減少迭代次數(shù)，使得計算量大幅下降，所以對于時變水聲信道的估計OMP算法更適用[14]，由于在一般情況下水聲信道的稀疏度是未知的，所以本文采用如下的OMP算法[15-17]：

循環(huán)執(zhí)行圖1所示的計算流程。

圖1 OMP算法流程圖

2 LS-OMP信道估計算法

2.1 估計誤差容忍值的LS算法

式(4)可簡略表達為

2.2 OFDM水聲稀疏信道壓縮感知估計算法

將式(16)代入式(13)中可得：

3 算法特點及仿真分析

表1 OFDM系統(tǒng)參數(shù)

圖2 不同導頻數(shù)量時的MSE比較

對于LS信道估計，導頻間隔是影響其估計性能的一個重要因素。一般情況下，LS方法通常采用等間隔的梳狀導頻分布方式，由表1中的最大時延可知，本文的仿真系統(tǒng)LS信道估計導頻最大間隔應為100 Hz，根據(jù)系統(tǒng)帶寬，導頻子載波數(shù)至少應為120個。當導頻間隔大于系統(tǒng)的相干帶寬時，LS估計系統(tǒng)性能會急劇下降。這可從圖3、4的均方誤差及圖5、6的誤碼率仿真曲線中得到驗證。同時從圖中也可以看到導頻數(shù)量的多少對于壓縮感知的OMP估計方法影響要小得多，而且OMP算法中由于導頻的分布方式是否具有隨機性，也會對系統(tǒng)性能產(chǎn)生不同的影響，上文中的理論分析也可以說明這樣的仿真結(jié)果。另外，除了導頻分布，噪聲對于LS算法也有重要影響，從圖3和圖4中的LS均方誤差曲線中可以明顯看到這一點。

圖3 導頻間隔大于相干帶寬時MSE比較

圖4 導頻間隔小于相干帶寬時MSE比較

圖5 導頻間隔大于相干帶寬時BER比較

為了進一步說明本文提出的LS-OMP新算法的性能，也可利用圖7、8所示的星座圖進行驗證分析，星座圖的橫坐標表示信號的同相分量(In-phase component)，而縱坐標則表示信號的正交分量(Quadrature component)(由于在信號處理領(lǐng)域，信號的幅值單位通常默認為歸一化的電流或電壓，所以本文中凡涉及到信號的幅值問題均未標注單位)。當導頻數(shù)量較少和未處理噪聲的情況下，LS算法幾乎無法恢復數(shù)據(jù)，如圖7(a)所示。而當增加導頻數(shù)量使得導頻間隔小于相干帶寬時，LS算法性能會得到很大的提升，但此時噪聲的影響仍然存在，如圖7(b)所示。對于LS-OMP算法，由于對信道稀疏特性的充分利用及算法本身對于噪聲的抑制作用，使得在導頻數(shù)量較少時也能得到較好的系統(tǒng)性能，如圖8(a)所示，又由于OMP算法在導頻隨機分布時具有更好的噪聲抑制作用，因而會得到圖8(b)中更為理想的結(jié)果。

圖6 導頻間隔小于相干帶寬時BER比較

(a) 導頻間隔大于相干帶寬

(b) 導頻間隔小于相干帶寬

圖7 導頻均勻分布LS信道估計星座圖比較

Fig.7 LS constellation comparison for uniform pilot

(a) 導頻均勻分布

(b) 導頻隨機分布

圖8 LS-OMP信道估計星座圖比較

Fig.8 LS-OMP constellation comparison

以上仿真過程主要將LS-OMP信道估計新算法與傳統(tǒng)LS算法及傳統(tǒng)OMP算法進行比較分析，為了進一步驗證本文所提新算法的性能，下面進行新算法的橫向比較分析，文獻[15]中進行了一種已知水聲信道稀疏度的OMP算法的仿真，文獻[19]中提出了LS算法與離散傅里葉變換(Discrete Fourier Transform，DFT)相結(jié)全的LS-DFT信道估計算法，而文獻[13]中則進行了幾種與壓縮感知有關(guān)的BP算法，同樣利用表1中的仿真數(shù)據(jù)將本文提出的LS-OMP新算法與上述三種算法進行誤碼率性能的比較分析，仿真結(jié)果如圖9所示。從圖中幾條曲線可知，應用壓縮感知技術(shù)的三種信道估計算法的性能均優(yōu)于文獻[19]中的算法，LS-OMP算法與文獻[13]中的BP算法性能接近，但具有計算量上的優(yōu)勢。而LS-OMP算法性能明顯優(yōu)于文獻[15]中的算法，其主要優(yōu)勢不僅體現(xiàn)在算法復雜度上，而且在噪聲抑制方面也是LS-OMP新算法的優(yōu)勢所在。

圖9 LS-OMP算法與其它類似算法的BER比較

4 結(jié)論

本文結(jié)合水聲信道具有稀疏特性的特點，通過對OFDM水聲通信系統(tǒng)和壓縮感知理論的分析，提出了一種最小二乘和壓縮感知理論相結(jié)合的LS-OMP信道計算法，估計過程中應用較少數(shù)量的導頻，通過LS算法得到了噪聲對于信道稀疏度影響的閾值，進而解決了OMP迭代算法中的誤差容忍值，從而大大減少了OMP迭代的運算量。另外，在少量導頻隨機分布的前提下，利用LS算法進行噪聲閾值估計及通過OMP算法抑制噪聲，使得LS-OMP聯(lián)合算法在不增加運算量的前提下，不僅提高了系統(tǒng)的數(shù)據(jù)傳輸效率，而且對于系統(tǒng)噪聲也進行了有效的控制，仿真結(jié)果也表明，與傳統(tǒng)的LS算法和OMP算法相比，LS-OMP新算法對于提高OFDM水聲系統(tǒng)的有效性、可靠性及實時性方面均具有較大的優(yōu)勢。

[1] Eggen T H, Baggeroer A B, Preisig J C. Communication over Doppler spread channels. Part I: Channel and receiver presentation[J]. IEEE Journal of Oceanic Engineering, 2000, 25(1): 62-71.

[2] Chen W, Qi L, Yanjun F. An improved least square channel estimation algorithm for underwater acoustic OFDM systems[C]// Future Computer and Communication (ICFCC), 2010 2nd International Conference on. IEEE, 2010, 3: 577-580.

[3] Huang Y, Wan L, Zhou S, et al. Comparison of sparse recovery algorithms for channel estimation in underwater acoustic OFDM with data-driven sparsity learning[J]. Physical Communication, 2014, 13(PC): 156-167.

[4] 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.

[5] Gupta A S, Preisig J. A geometric mixed norm approach to shallow water acoustic channel estimation and tracking[J]. Physical Communication, 2012, 5(2): 119-128.

[6] Li W, Preisig J C. Estimation of rapidly time-varying sparse channels[J]. IEEE Journal of Oceanic Engineering, 2007, 32(4): 927- 939.

[7] Byun S H, Seong W, Kim S M. Sparse underwater acoustic channel parameter estimation using a wideband receiver array[J]. IEEE Journal of Oceanic Engineering, 2013, 38(4): 718-729.

[8] Jun L, Tarik Y, Xiang S, et al. Enhanced channel estimation and symbol detection for high speed multi-input multi-output underwater acoustic communications.[J]. J Acoust Soc Am, 2009, 125(5): 3067-3078.

[9] 江海, 林月冠, 張冰塵, 等. 基于壓縮感知的隨機噪聲成像雷達[J]. 電子與信息學報, 2011, 33(3): 672-676. JIANG Hai, LIN Yueguan, ZHANG Bingchen, etal. Random Noise Imaging Radar Based on Compressed Sensing[J]. Journal of Electronics & Information Technology, 2011, 33(3): 672-676.

[10] 何雪云, 潘林, 彭偉剛. 壓縮感知在稀疏信道估計中的應用[J]. 通信技術(shù), 2011, 44(9): 27-29. HE Xueyun, PAN Lin, PENG Weigang. Application of compressive sensing theory in sparse channel estimation[J]. Communications Technology, 2011, 44(9): 27-29.

[11] Lakshmi K, Muralikrishna P, Soman K P. Compressive estimation of UWA channels for OFDM transmission using iterative sparse reconstruction algorithms[C]//Automation, Computing, Communication, Control and Compressed Sensing (iMac4s), 2013 International Multi-Conference on, 2013, 27(3): 847-851.

[12] Bruckstein A M, Elad M. From sparse solutions of systems of equations to sparse modelin of signals and images[J]. Siam Review, 2014, 51(1): 34-81.

[13] Huang J, Berger C R, Zhou S, et al. Comparison of basis pursuit algorithms for sparse channel estimation in underwater acoustic OFDM[C]//Sydney, NSW. IEEE, 2010: 1-6.

[14] Davenport M A, Wakin M B. Analysis of orthogonal matching pursuit using the restricted isometry property[J]. IEEE Transactions on Information Theory, 2009, 56(9): 4395-4401.

[15] SHAO J, ZHANG X, LIU Y. Channel estimation based on compressed sensing for high-speed underwater acoustic communication[C]//Image and Signal Processing (CISP), 2014 7th International Congress on. IEEE, 2015, 9: 1017-1021.

[16] 喬鋼, 王巍, 王玥. 基于壓縮感知的OFDM水聲通信信道二次估計算法[J]. 聲學技術(shù), 2013, 32(5): 357-361. QIAO Gang, WANG Wei, WANG Yue, et al. The complex channel estimation based on compress sensing in OFDM via underwater acoustic channel[J]. Technical Acoustics, 2013, 32(5): 357-361.

[17] 李佩, 楊益新. 基于壓縮感知的水聲數(shù)據(jù)壓縮與重構(gòu)技術(shù)[J]. 聲學技術(shù), 2014, 33(1): 14-20. LI Pei, YANG Yixin. Compressed Sensing Based Acoustic Data Compression and Reconstruction Technology[J]. Technical Acoustics, 2014, 33(1): 14-20.

[18] 李樹濤, 魏丹. 壓縮傳感綜述[J]. 自動化學報, 2009, 35(11): 1369-1377. LI Shutao, WEI Dan. A survey on compressive sensing[J]. Acta Automatica Sinica, 2009, 35(11): 1369-1377.

[19] 郭鐵梁, 趙旦峰, 楊大偉. OFDM水聲通信系統(tǒng)LS-DFT信道估計算法[J]. 系統(tǒng)工程與電子技術(shù), 2013, 35(8): 1747-1752. GUO Tieliang, ZHAO Danfeng, YANG Dawei. LS-DFT channel estimation algorithm for underwater acoustic OFDM systems[J]. Systems Engineering and Electronics, 2013, 35(8): 1747-1752.

LS-OMP channel estimation algorithm for underwater acoustic OFDM systems

GUO Tie-liang1, ZHANG Zhi-yong2, ZHAO Dan-feng3, LI Hai-bao1

(1. College of Science, Heilongjiang University of Science and Technology, Harbin 150022,Heilongjiang,China;2. College of Electronics and Information Engineering, Heilongjiang University of Science and Technology, Harbin 150022,Heilongjiang, China;3. College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001,Heilongjiangm,China)

For underwater acoustic OFDM(Orthogonal Frequency Division Multiplexing)systems, the conventional LS (Least Squares) channel estimation algorithm is very sensitive to noise, and the large number of pilots affects the efficiency of communication. OMP(Orthogonal Matching Pursuit)channel estimation algorithm based on CS (Compressed Sensing) theory can make full use of the sparse characteristics of underwater acoustic channel, and can effectively restrain the system noise at the same time. But the OMP algorithm requires some parameters, which may be sparse degree or error tolerance value, to control the iterative computation times. Aiming at the above problems, an improved LS-OMP channel estimation algorithm is proposed, which first utilizes a small amount of random pilots to estimate the error tolerance values for the OMP algorithm through LS method, and then revises the data information through OMP method. Compared with the traditional LS algorithm or OMP algorithm, theoretical analysis and simulation results all show that the feasible LS-OMP method can effectively restrain the system noise, further improve the system spectrum efficiency, and possess better adaptability to the time-varying sparse underwater acoustic channel.

underwater acoustic communication; Orthogonal Frequency Division Multiplexing(OFDM); channel estimation; Least Squares (LS); Compression Sensing(CS); Orthogonal Matching Pursuit(OMP)

TN929.3

A

1000-3630(2017)-01-0010-07

10.16300/j.cnki.1000-3630.2017.01.003

2016-04-16;

2016-08-10

黑龍江省自然科學基金(F2015018)資助項目。

郭鐵梁(1971－), 男, 黑龍江雙城人, 博士, 副教授, 研究方向為現(xiàn)代通信系統(tǒng)與通信技術(shù)。

郭鐵梁, E-mail: gotlang@163.com。