OFDM水聲通信系統動態OMP信道跟蹤算法

戈俞峰，王彪

?

OFDM水聲通信系統動態OMP信道跟蹤算法

戈俞峰，王彪

(江蘇科技大學電子信息學院，江蘇鎮江 212003)

針對正交頻分復用(Orthogonal Frequency Division Multiplexing, OFDM)水聲通信系統中最小二乘(Least Square, LS)信道估計算法和靜態壓縮感知信道估計算法分別存在估計精度低、導頻開銷大和計算復雜度高、實時性差的缺點，利用水聲信道沖激響應的時域相關性，通過建立動態稀疏觀測模型，提出一種動態正交匹配追蹤(Dynamic Orthogonal Matching Pursuit, D-OMP)信道跟蹤算法。該算法僅在初始時刻進行一次完整的正交匹配追蹤(Orthogonal Matching Pursuit, OMP)信道估計獲取信道支撐集，之后通過連續跟蹤前一時刻信道支撐集的變化來跟蹤信道。仿真結果表明，在導頻開銷相同的情況下，與傳統LS算法、經典OMP算法相比，所提算法具有更好的信道跟蹤性能和較低的算法復雜度。

水聲通信；正交頻分復用；信道跟蹤；壓縮感知

0 引言

目前，對水聲通信的研究主要以點對點通信為主。由于正交頻分復用(Orthogonal Frequency Division Multiplexing, OFDM)技術具有高頻譜利用率和抗多途效應強的優點，因而在水聲通信中得到了廣泛的應用。水聲OFDM信道估計也成為了一個研究熱點。

其中最普遍的OFDM信道估計方法是基于導頻的最小二乘(Least Square, LS)估計[1]，由于LS算法復雜度低、易于實現，在工程上得到了廣泛應用。但對于大多數的應用場合，淺海水聲信道通常看作是一個緩慢時變的相干多途信道[2]。在此條件下，傳統的LS算法由于需要插入大量導頻，因此在連續跟蹤信道狀態信息時會降低系統的通信效率。隨著壓縮感知(Compressive Sensing, CS)理論的提出以及人們對水聲信道稀疏性的認識，CS理論被逐漸應用到水聲稀疏信道估計中[3-4]，在提高信道估計精度的同時有效地減少了導頻開銷，提高了頻譜利用率。盡管具有上述優越性，但CS方法由于重構算法的復雜度高，在跟蹤緩慢時變水聲信道時需要增加觀測次數以提高精度，因此在實際工程中難以應用。

對此，近年來已有一些文獻開始關注基于CS方法的緩慢時變信道的跟蹤問題。文獻[5]基于分布式壓縮感知(Distributed Compressive Sensing, DCS)理論[6-7]，利用一種同步正交匹配追蹤(Simultaneous Orthogonal Matching Pursuit, SOMP)算法[8]對信道沖激響應(Channel Impulse Response, CIR)進行聯合稀疏恢復，有效地降低了算法的復雜度，但該算法未考慮信道支撐集隨時間的變化，因此與實際情況略有不符。文獻[9]提出了一種將卡爾曼濾波與CS相結合的算法，成功地對緩慢時變稀疏信號進行了跟蹤恢復。文獻[10-12]則是文獻[9]中算法的改進與應用。雖然此類基于卡爾曼濾波的CS算法均取得了優于傳統方法的效果，但由于過高的算法復雜度，其實用性仍然較差。

針對上述問題，本文提出一種動態正交匹配追蹤(Dynamic Orthogonal Matching Pursuit, D-OMP)信道跟蹤算法。通過利用緩變水聲信道支撐集緩慢變化的特點，所提算法僅需在初始時刻進行一次信道估計，之后在不同時刻只需跟蹤信道支撐集的變化，計算新增路徑和刪除消失路徑，而不需要每次都單獨恢復信道支撐集。仿真實驗表明，該算法具有比傳統信道估計方法更高的估計準確度，算法復雜度也比傳統CS方法更低，可以較好地跟蹤緩慢時變水聲信道。

1 信道與系統模型

1.1 緩變水聲信道模型

考慮到淺海水聲信道的多途衰落特性，本文采用抽頭時延線模型描述水聲信道的沖激響應(,)，其表達式為[4]

而對于時變水聲信道，本文采用文獻[14]中使用的基于自回歸(Auto Regressive, AR)統計模型的方法對時變信道進行建模。根據式(2)對CIR的描述，時變水聲信道可以用如下的一個復階AR過程表示[14]：

考慮到本文研究的緩變水聲信道只需考慮相鄰數據幀之間的信道變化，因此采用一階AR過程即能滿足要求，具體可表示為

其中，AR過程系數a和復高斯白噪聲方差可根據Jakes模型計算Yule-Walker方程得到，具體結果可見于文獻[14]。圖1所示即為一階AR過程建模的緩變水聲信道在連續三個數據幀內的信道響應變化示意圖，其中每個數據幀的長度至少為一個OFDM周期。

1.2 水聲OFDM系統模型

2 壓縮感知(CS)信道估計

針對1.2節描述的SISO-OFDM系統，為使用CS方法進行信道估計，系統發送端插入隨機導頻。與上文介紹的頻域信道估計不同，CS信道估計方法是基于導頻的時域信道估計，因此式(8)的系統模型轉化為如下形式：

3 基于D-OMP算法的信道跟蹤

3.1 傳統OMP信道估計算法及其分析

下面結合水聲OFDM信道估計模型，給出OMP信道估計算法的具體步驟：

迭代過程：第次迭代

步驟2：更新索引集和重建原子集，即

步驟3：利用LS算法計算CIR的估計值：

步驟4：根據CIR的估計值更新信號殘差：

從上述步驟中可以看出，OMP算法在每次迭代中僅從過完備原子庫中選取一個最匹配的原子來更新原子集合。而對于稀疏度的水聲信道，至少需要進行次迭代才能精確恢復其CIR。隨著迭代次數的增加，運算時間也相應地大幅增加，這就是OMP算法實時性差的原因。對于本文討論的緩變水聲信道，由于相鄰幀之間的CIR具有時域相關性，即大系數多徑的時延位置基本不變，幅值隨時間發生較快改變。對此，可以考慮將前一幀內CIR的支撐集作為當前幀內信道響應的初步支撐集，然后判斷有無新增路徑和消失路徑，這樣就避免了在每一幀內都進行次迭代來恢復CIR，有效減少了算法的復雜度。

3.2 D-OMP信道跟蹤算法及其門限閾值選取

水聲信道跟蹤需要接收端進行持續觀測，經典CS方法均建模為單觀測矢量模型。本文在多觀測矢量模型的基礎上，結合前文中一階AR過程建模的時變稀疏信道來闡述D-OMP算法。

假設發送端連續發送幀數據，則式(13)的單觀測模型可改寫為如下的多觀測形式：

基于此觀測模型，下面是D-OMP信道跟蹤算法的具體步驟：

步驟1：根據上一時刻CIR的估計值更新信號殘差：

步驟3：更新索引集和重建原子集，即

步驟4：利用LS算法計算CIR的估計值：

步驟5：判斷是否滿足路徑消失條件：

若滿足，刪除消失路徑并更新支撐集：

考慮一幀內的信道估計，將式(13)改寫為如下形式：

其次是等效噪聲向量中任意元素的方差：

結合以上分析，式(29)所示的等效噪聲方差可進一步表示成式(31)的形式：

4 仿真與分析

4.1 參數設置

表1 OFDM系統仿真參數

4.2 結果分析

為方便評估各種信道估計算法的性能，本文采用歸一化均方誤差(Normalized Mean Square Error, NMSE)[16]、誤符號率(Symbol Error Rate, SER)以及CPU運行時間作為算法性能的評價指標。其中，歸一化均方誤差的定義為：

而對于SOMP算法，由于其利用相鄰幀之間信道多徑的稀疏相關性對水聲信道進行聯合稀疏恢復估計，因此性能得到了極大提高。但該算法的理論基礎是DCS理論下的聯合稀疏模型2(Joint Sparsity Model 2, JSM2[5])模型，在該模型下不同時刻的信道都具有相同的稀疏支撐集，而在仿真中，由于模擬了信道支撐集的緩慢變化，即不同時刻存在新增路徑和消失路徑。因此，圖2、3的仿真結果中，SOMP算法的性能比本文所提D-OMP算法略低。

圖 2 不同信噪比下的NMSE性能比較

圖 3 不同信噪比下的SER性能比較

此外，在本次仿真中還使用了Genie-KF算法[17]作為對比。Genie-KF是接收端已知各時刻信道支撐集的卡爾曼估計，由于已知先驗信息，因此可以認為是估計誤差最小的均方誤差估計，其性能優于所有未知先驗信息的信道估計算法，可以看作是所有算法的理論極限。從圖2、3中也能看出，所有算法與它相比均有差距，但D-OMP算法差距最小。

圖 4 不同時間下的NMSE性能比較

最后是各種算法的CPU運行時間的比較與分析。仿真所使用的MATLAB版本為2014a，所在計算機的CPU型號為Intel奔騰雙核G2030，主頻3.0 GHz，內存4.0 GB。仿真共進行6次，在信噪比5～30 dB范圍內每隔5 dB進行一次，每次發送端均發送100幀數據(即100個OFDM符號)，接收端對這100幀數據進行解調，計算CPU所需的運行時間，6次仿真后取其平均值即為CPU平均運行時間，具體仿真結果如表2所示。

表2 不同算法的CPU平均運行時間

從表2中可以看出，本文所提D-OMP算法的CPU平均運行時間與LS算法相當，雖高于SOMP算法，但優于對比的OMP和Genie-KF算法，仍具有較高的信道跟蹤速度。SOMP算法由于默認各時刻信道支撐集相同，因此只需進行一次信道支撐集的恢復，極大地降低了算法復雜度。與之形成對比的是，經典靜態OMP信道估計算法，在每一幀內都需要進行完整的信道支撐集恢復，造成較長的CPU運行時間。至于Genie-KF算法，與所有基于卡爾曼濾波的信道估計算法類似，雖具有不錯的信道估計準確度，但算法復雜度太高，不適用于實時性要求較高的場合。

5 結論

考慮到淺海水聲信道的沖激響應具有稀疏性和緩慢時變特性，本文利用相鄰幀之間水聲信道的時域相關性，提出一種適合于淺海緩慢時變信道的動態正交匹配追蹤信道跟蹤算法。仿真結果表明，在對信道的持續跟蹤過程中，本文所提算法不僅彌補了傳統LS算法估計精度和頻譜利用率低的問題，還有效地克服了經典靜態CS算法復雜度高、實時性差的缺點，并且與現有同類CS算法相比，也有更好的性能。

[1] 寧小玲, 張林森, 梁玥. 一種改進LS信道估計算法在稀疏多徑水聲信道中的應用[J]. 聲學技術, 2016, 35(4): 378-384.

NING Xiaoling, ZHANG Linsen, LIANG Yue. Application of an improved LS channel estimation algorithm to sparse multipath underwater acoustic channel[J]. Technical Acoustics, 2016, 35(4): 378-384.

[2] 喬鋼, 王巍, 王玥, 等. 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, 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.

[3] GUO S C, HE Z Q, JIANG W P, et al. Channel estimation based on compressed sensing in high-speed underwater acoustic communication[C]//IEEE 9th International Conference on Information, Communications and Signal Processing, 2013: 1-5.

[4] BERGER C R, ZHOU S L, 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] WANG D H, NIU K, BIE Z S, et al. A new channel estimation method based on distributed compressed sensing[C]//IEEE Wireless Communications and Networking Conference, 2010: 1-4.

[6] GONG B, QIN Q, REN X, et al. Distributed compressive sensing based doubly selective channel estimation for large-scale MIMO systems[J]. Mathematics, 2015, arXiv: 1511.02592v1 [cs.IT].

[7] GONG B, LIN G, QIN Q, et al. Block distributed compressive sensing based doubly selective channel estimation and pilot design for large-scale MIMO systems[J]. IEEE Transactions on Vehicular Technology, 2017, 66(10): 9149-9161.

[8] 周躍海, 曹秀嶺, 陳東升, 等. 長時延擴展水聲信道的聯合稀疏恢復估計[J]. 通信學報, 2016, 37(2): 165-172.

ZHOU Yuehai, CAO Xiuling, CHEN Dongsheng, et al. Jointing sparse recovery estimation algorithm of underwater acoustic channels with long time delay spread[J]. Journal on Communications, 2016, 37(2): 165-172.

[9] VASWANI N. Kalman filtered compressed sensing[C]//IEEE 15th International Conference on Image Processing, 2008: 893-896.

[10] WANG D H, NIU K, HE Z Q, et al. Pilot-aided channel estimation method based on compressed sensing and Kalman filtering in OFDM systems[C]//IEEE International Conference on Wireless Information Technology and Systems, 2010: 1-4.

[11] DING X, CHEN W, WASSELL I. Sparsity-fused Kalman filtering for reconstruction of dynamic sparse signals[C]//IEEE International Conference on Communications, 2015: 6675-6680.

[12] GAO Y, XU K, CHEN Y. A novel method of multi-band spectrum sensing exploiting dynamic compressive sensing[C]//IEEE 13th International Conference on Signal Processing, 2016: 1152-1156.

[13] 葉新榮, 朱衛平, 孟慶民. 基于SAMP重構算法的OFDM系統稀疏信道估計方法[J]. 信號處理, 2012, 28(3): 392-396.

YE Xinrong, ZHU Weiping, MENG Qingmin. SAMP construction based sparse channel estimation for OFDM systems[J]. Signal Processing, 2012, 28(3): 392-396.

[14] CHEN B H, CUI Q M, YANG F, et al. A novel channel estimation method based on Kalman filter compressed sensing for time-varying OFDM system[C]//IEEE 6th International Conference on Wireless Communications and Signal Processing, 2014: 1-5.

[15] 張曉東, 董唯光, 郭俊鋒, 等. 基于變換的壓縮感知風電變流器電壓信號壓縮方法[J]. 廣西大學學報(自然科學版), 2016, 41(6): 1855-1862.

ZHANG Xiaodong, DONG Weiguang, GUO Junfeng, et al. Wind power converter voltage signal compression method of compressed sensing based ontransform[J]. Journal of Guangxi University(Natural Science Edition), 2016, 41(6): 1855-1862.

[16] 劉政, 劉本永. 基于圖像深度信息的尺度不變特征變換算法誤匹配點對剔除[J]. 計算機應用, 2014, 34(12): 3554-3559.

LIU Zheng, LIU Benyong. Removal of mismatches in scale-invariant feature transform algorithm using image depth information[J]. Journal of Computer Applications, 2014, 34(12): 3554-3559.

[17] LI H, GUO W B, SUN Z, et al. Adaptive Kalman filtered compressive sensing for streaming signals[C]//IEEE 78th Vehicular Technology Conference, 2013: 1-5.

Dynamic OMP channel tracking algorithm for OFDM underwater acoustic communication systems

GE Yu-feng, WANG Biao

(School of Electronic and Information, Jiangsu University of Science and Technology, Zhen Jiang 212003, Jiangsu, China)

For the OFDM underwater acoustic communication systems, the least square (LS) channel estimation algorithm has the disadvantages of low estimation accuracy and high pilot overhead, while the static compressive sensing channel estimation algorithm has the disadvantages of high computational complexity and poor real-time performance. Aiming at these problems, a new algorithm called dynamic orthogonal matching pursuit (D-OMP) is proposed by establishing a dynamic sparse observation model based on the temporal correlation of the underwater acoustic channel impulse response. The algorithm only performs a complete OMP channel estimation at the initial time to obtain the channel support set, and then tracks the channel by continuously tracking changes in the previous channel support set. The simulation results show that the proposed algorithm has better channel tracking performance and lower algorithm complexity compared with the traditional LS algorithm and the classical OMP algorithm under the same pilot overhead.

underwater acoustic communication; orthogonal frequency division multiplexing(OFDM); channel tracking; compressive sensing

TN929.3

A

1000-3630(2019)-01-0051-07

10.16300/j.cnki.1000-3630.2019.01.008

2017-07-26 ；

2017-10-25

國家自然科學基金項目(11574120、61401180、U1636117)；江蘇省自然科學基金項目(BK20161359)

戈俞峰(1993－), 男, 江蘇蘇州人, 碩士研究生, 研究方向為水聲通信、水聲信號處理。

戈俞峰, Email: geyufg@163.com