基于负熵最大化的压缩感知信道估计算法

doi:10.12305/j.issn.1001-506X.2021.04.31

系统工程与电子技术 ›› 2021, Vol. 43 ›› Issue (4): 1126-1132.doi: 10.12305/j.issn.1001-506X.2021.04.31

基于负熵最大化的压缩感知信道估计算法

赵迎新^1,²(), 王长峰¹(), 吴虹^1,^2,*(), 张铭¹(), 黄英杰¹(), 王乐耕¹(), 刘之洋^1,²()

1. 南开大学电子信息与光学工程学院, 天津 300350
2. 天津市光电传感器与传感网络技术重点实验室, 天津 300350

收稿日期:2020-03-10 出版日期:2021-03-25 发布日期:2021-03-31
通讯作者: 吴虹 E-mail:zhaoyx@nankai.edu.cn;1711129@mail.nankai.edu.cn;wuhong@nankai.edu.cn;4933187172@qq.com;yjhuang97@mail.nankai.edu.cn;563674988@qq.com;liuzhiyang@nankai.edu.cn
作者简介:赵迎新(1983-), 女, 副教授, 博士, 主要研究方向为高速无线通信技术、压缩感知及其应用。E-mail: zhaoyx@nankai.edu.cn|王长峰(1999-), 男, 本科, 主要研究方向为无线传感网络、频谱共享。E-mail: 1711129@mail.nankai.edu.cn|吴虹(1967-), 女, 教授, 博士, 主要研究方向为无线通信技术。E-mail: wuhong@nankai.edu.cn|张铭(1993-), 男, 硕士, 主要研究方向为通信网络、认知无线电。E-mail: 4933187172@qq.com|黄英杰(1997-), 男, 硕士研究生, 主要研究方向为信号分析、数字信号处理。E-mail: yjhuang97@mail.nankai.edu.cn|王乐耕(1998-), 男, 本科, 主要研究方向为认知无线网络、蜂窝网络。E-mail: 563674988@qq.com|刘之洋(1988-), 男, 讲师, 博士, 主要研究方向为无线通信技术、深度学习。E-mail: liuzhiyang@nankai.edu.cn
基金资助:
国家自然科学基金(61871239);国家自然科学基金(61571244);天津市科技支撑计划(18YFZCGX00480)

Channel estimation algorithm based on compressed sensing with maximizing negative entropy

Yingxin ZHAO^1,²(), Changfeng WANG¹(), Hong WU^1,^2,*(), Ming ZHANG¹(), Yingjie HUANG¹(), Legeng WANG¹(), Zhiyang LIU^1,²()

1. College of Electronic Information and Optical Engineering, Nankai University, Tianjin 300350, China
2. Tianjin Key Laboratory of Optoelectronic Sensor and Sensor Network Technology, Tianjin 300350, China

Received:2020-03-10 Online:2021-03-25 Published:2021-03-31
Contact: Hong WU E-mail:zhaoyx@nankai.edu.cn;1711129@mail.nankai.edu.cn;wuhong@nankai.edu.cn;4933187172@qq.com;yjhuang97@mail.nankai.edu.cn;563674988@qq.com;liuzhiyang@nankai.edu.cn

摘要/Abstract

摘要：

讨论了在5G时代随着移动终端和网络流量的增长、大规模机器类型通信的产生以及天基卫星网络与地面蜂窝主干网络的结合, 使得移动无线通信的频谱使用范围更宽, 导致信道具有更为明显的稀疏性, 从而得以利用无线信道的稀疏性引入压缩感知技术来进行无线通信系统的信道估计。通过负熵最大化算法与l_p正则化改进现有的压缩感知信道估计算法, 将传统的最小化误差函数均方误差替代为最大化目标函数的负熵以适应信道非高斯噪声, 同时稀疏约束采用更为精确的l_p正则化以加强信道估计算法的稀疏表示。研究表明, 该算法不仅可以提高信道估计精度, 增强抗噪声鲁棒性; 另一方面可以利用更少的导频实现更高精度的信道估计, 具备提高系统频谱利用率的作用。

关键词: 5G, 信道估计, 压缩感知, 最大负熵, l_p正则化

Abstract:

In the 5G era, with the growth of mobile devices and network traffic, the generation of large-scale machine-type communications, and the combination of space-based satellite networks and terrestrial cellular backbone networks, mobile wireless communication system uses broader frequency spectrum. It results in a more visible sparsity of the channel, which enables the compressed sensing technology to be used in wireless communication. The existing compressed sensing channel estimation algorithm is improved by the negative entropy maximization algorithm and l_p regularization. The traditional mean square error of the minimization error function is replaced by the negative entropy of the maximization objective function to accommodate the non-Gaussian noise of the channel. Sparse constraints use more precise l_p regularization to enhance the sparse representation of channel estimation algorithms. Research shows that the algorithm can not only improve the accuracy of channel estimation, but also enhance the robustness against noise. On the other hand, fewer pilots can be used to achieve more accurate channel estimation, which has the effect of improving system spectrum utilization.

Key words: 5G, channel estimation, compressed sensing, maximum negative entropy, l_p regularization

中图分类号:

TN92

赵迎新, 王长峰, 吴虹, 张铭, 黄英杰, 王乐耕, 刘之洋. 基于负熵最大化的压缩感知信道估计算法[J]. 系统工程与电子技术, 2021, 43(4): 1126-1132.

Yingxin ZHAO, Changfeng WANG, Hong WU, Ming ZHANG, Yingjie HUANG, Legeng WANG, Zhiyang LIU. Channel estimation algorithm based on compressed sensing with maximizing negative entropy[J]. Systems Engineering and Electronics, 2021, 43(4): 1126-1132.

图/表 12

图1

表1

表2

图2

图3

图4

图5

图6

图7

图8

表3

表4

参考文献 18

1	CHIEN W , LAI C , HOSSAIN M S , et al. Heterogeneous space and terrestrial integrated networks for IoT: architecture and challenges[J]. IEEE Network, 2019, 33 (1): 15- 21. doi: 10.1109/MNET.2018.1800182
2	LEE H C , GONG C S A , CHEN P Y . A compressed sensing estimation technique for doubly selective channel in OFDM systems[J]. IEEE Access, 2019, 7, 115192- 115199. doi: 10.1109/ACCESS.2019.2935758
3	李珅, 马彩文, 李艳, 等. 压缩感知重构算法综述[J]. 红外与激光工程, 2013, 42 (S1): 225- 232.
	LI S , MA C W , LI Y , et al. Review of compressed sensing reconstruction algorithms[J]. Infrared and Laser Engineering, 2013, 42 (S1): 225- 232.
4	TANG L, WU H, JIANG R. An improved pilot routing algorithm for compressed sensing-based channel estimation in underwater acoustic OFDM system[C]//Proc.of the International Conference on Advanced Infocomm Technology, 2017: 90-94.
5	AKBARPOUR-KASGARI A, ARDEBILIPOUR M. MIMO-OFDM compressed channel estimation using forward-backward pursuit[C]//Proc.of the 26th Iranian Conference on Electrical Engineering, 2018: 670-673.
6	GU Y, ZHANG Y D, GOODMAN N A. Optimized compressive sensing-based direction-of-arrival estimation in massive MIMO[C]//Proc.of the IEEE International Conference on Acoustics Speech and Signal Processing, 2017: 3181-3185.
7	WU Y F, NI J G. Robust nonnegative mixed-norm algorithm with weighted l1-norm regularization[C]//Proc of the IEEE International Conference on Signal Processing, Communications and Computing, 2019.
8	CANDES E J , TAO T . Near-optimal signal recovery from random projections: universal encoding strategies?[J]. IEEE Trans.on Information Theory, 2006, 52 (12): 5406- 5425. doi: 10.1109/TIT.2006.885507
9	CANDES E J . The restricted isometry property and its implications for compressed sensing[J]. Comptes Rendus-Mathématique, 2008, 346 (9-10): 589- 592. doi: 10.1016/j.crma.2008.03.014
10	王侠, 王开, 王青云, 等. 压缩感知中的确定性随机观测矩阵构造[J]. 信号处理, 2014, 30 (4): 436- 442.
	WANG X , WANG K , WANG Q Y , et al. Construction of deterministic random observation matrix in compressed sensing[J]. Signal Processing, 2014, 30 (4): 436- 442.
11	SINGH A, KYLLONEN J, CADUC S, et al. Compact smart antenna system for improving probability of detection[C]//Proc.of the IEEE International Symposium on Antennas and Propagation & USNC/URSI National Radio Science Meeting, 2017: 1383-1384.
12	WANG M. High resolution radar imaging based on compressed sensing and adaptive lp norm algorithm[C]//Proc.of the IEEE Chinese Institute of Electronics International Conference on Radar, 2011: 206-209.
13	WAKITANI S, YAMAMOTO T. Study on a GMDH-PID controller design method based on LASSO[C]//Proc.of the 57th Annual Conference of the Society of Instrument and Control Engineers of Japan, 2018: 1464-1469.
14	MOHANTY R, HAPPY S L, SUTHAR N, et al. A trace Lasso regularized l₁-norm graph cut for highly correlated noisy hyperspectral image[C]//Proc.of the 26th European Signal Processing Conference, 2018: 2220-2224.
15	GOLILARZ N A, GAO H, ALI W, et al. Hyper-spectral remote sensing image de-noising with three dimensional wavelet transform utilizing smooth nonlinear soft thresholding function[C]//Proc.of the 15th International Computer Conference on Wavelet Active Media Technology and Information Processing, 2018: 142-146.
16	SESADRI U, NAGARAJU C. Optimal thresholding for enhancement of low contrasted images using soft computing[C]//Proc.of the Conference on Power, Control, Communication and Computational Technologies for Sustainable Growth, 2015: 273-277.
17	SAFAEI A, TANG H L, SANEI S. Incorporating negentropy in saliency-based search free car number plate localization[C]//Proc.of the IEEE International Conference on Digital Signal Processing, 2016: 667-671.
18	BECK A, TEBOULLE M. A fast Iterative shrinkage-thresholding algorithm with application to wavelet-based image deblurring[C]//Proc.of the IEEE International Conference on Acoustics, Speech and Signal Processing, 2009: 693-696.

系统参数	设置值
信号采样周期/s	1/15 000/128
基带调制	正交幅度调制
FFT/IFFT长度	128
信道编码	Turbo码
子载波间隔/kHz	15
子载波数	72
循环前缀长度	32

算法	参数
LASSO	λ=3, η=4×10^-3, c=1
加权l₁	λ=3, η=4×10^-3, c=1, w₀=1
LASSO算法	w₀：范数权重迭代初始值
负熵最大化+正则化信道估计算法	λ=2, η=2.5×10^-3, c=1

算法	平均运行时间/s
LASSO	0.081
加权l₁范数LASSO	0.156
负熵最大化+l_0.5	0.106

算法	平均运行时间/s
LASSO	0.142
加权l₁范数LASSO	0.343
负熵最大化+l_0.5	0.211

[1]	田鹤, 董纯柱, 殷红成. 基于频域稀疏压缩感知的雷达目标三维散射中心反演方法[J]. 系统工程与电子技术, 2022, 44(9): 2783-2790.
[2]	李灵慧, 李伟, 靳瑾, 匡麟玲. 5G系统对大规模NGSO卫星系统干扰分析等效建模方法[J]. 系统工程与电子技术, 2022, 44(8): 2635-2644.
[3]	陈琨, 黄宁, 吴祥蔚, 赵静萌. 考虑抑制耦合关系的5G业务故障分析方法[J]. 系统工程与电子技术, 2022, 44(6): 2043-2050.
[4]	谢艾伦, 刘晓斌, 赵锋, 艾小锋, 肖顺平. 辐射式仿真中PCM信号间歇收发回波重构方法[J]. 系统工程与电子技术, 2022, 44(3): 771-776.
[5]	党建, 李业伟, 朱永东, 郭荣斌, 张在琛, 吴亮. 可重构智能表面通信系统的渐进信道估计方法[J]. 系统工程与电子技术, 2022, 44(3): 998-1006.
[6]	吴灏, 康颖, 葛松虎, 李亚星, 孟进. VHF/UHF通信电台接收链路中的干扰抑制合并方法[J]. 系统工程与电子技术, 2022, 44(3): 1014-1021.
[7]	刘步花, 丁丹, 杨柳, 薛乃阳, 刘仲谦. 基于DNN的无人机数据OFDM传输技术[J]. 系统工程与电子技术, 2022, 44(2): 696-702.
[8]	李海, 呼延泽, 毛志杰. 强杂波下基于压缩感知的低空风切变速度解模糊[J]. 系统工程与电子技术, 2022, 44(10): 3029-3036.
[9]	齐永磊, 陈西宏, 袁迪喆. SC-FDE系统中基于UW的联合信道估计均衡算法[J]. 系统工程与电子技术, 2022, 44(10): 3258-3265.
[10]	刘紫燕, 马珊珊, 梁静, 朱明成, 袁磊. 注意力机制CNN的毫米波大规模MIMO系统信道估计算法[J]. 系统工程与电子技术, 2022, 44(1): 307-312.
[11]	马啸宇, 张金生, 李婷. 基于蔡氏电路和压缩感知的图像压缩加密方法[J]. 系统工程与电子技术, 2021, 43(9): 2407-2412.
[12]	阮锋, 郭亮, 李亚超, 许然. 基于关联计算的相控阵雷达前视成像技术[J]. 系统工程与电子技术, 2021, 43(9): 2457-2462.
[13]	郭文博, 宋长庆, 张译丹, 赵宏志, 邵士海, 唐友喜. 电磁频谱伞罩自干扰抑制实验验证[J]. 系统工程与电子技术, 2021, 43(9): 2637-2641.
[14]	李冬霞, 陈秋雨, 王磊, 刘海涛. 基于BSBL-BO算法的DME脉冲干扰抑制方法[J]. 系统工程与电子技术, 2021, 43(9): 2649-2656.
[15]	季策, 王金芝, 李伯群. 基于RSAMP算法的OFDM稀疏信道估计[J]. 系统工程与电子技术, 2021, 43(8): 2290-2296.

基于负熵最大化的压缩感知信道估计算法

Channel estimation algorithm based on compressed sensing with maximizing negative entropy

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价