[發(fā)明專利]一種多信號(hào)的重構(gòu)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410122805.3
• 申請(qǐng)日: 2014-03-28
• 公開(kāi)（公告）號(hào): CN103944578B
• 公開(kāi)（公告）日: 2017-08-22
• 發(fā)明（設(shè)計(jì)）人: 王夢(mèng)瑤;成先濤;袁波;岳光榮;李少謙
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): H03M7/30
• 分類號(hào): H03M7/30
• 代理公司: 成都宏順專利代理事務(wù)所(普通合伙)51227
• 代理人: 李順德,王睿

技術(shù)領(lǐng)域

本發(fā)明屬于無(wú)線通信技術(shù)領(lǐng)域，具體涉及在超寬帶通信系統(tǒng)中的一種采用低復(fù)雜度的改進(jìn)貝葉斯壓縮感知算法來(lái)重構(gòu)多個(gè)信號(hào)的方法。

背景技術(shù)

由于超帶寬(UWB，Ultra Wideband)信號(hào)多為時(shí)域上的窄脈沖信號(hào)，導(dǎo)致其頻域帶寬過(guò)寬，按照Nyquist采樣定律的要求，其采樣速率將高達(dá)數(shù)GHz，這樣就給模數(shù)轉(zhuǎn)換器的設(shè)計(jì)帶來(lái)巨大的挑戰(zhàn)，并且大量的數(shù)據(jù)處理給數(shù)字信號(hào)處理器帶來(lái)很大的負(fù)擔(dān)，目前的硬件水平難以實(shí)現(xiàn)以上要求。壓縮感知(CS,Compressed sensing)作為一種新穎的信號(hào)低速采樣理論，突破了Nyquist采樣定律的限制，已經(jīng)有文獻(xiàn)對(duì)其在UWB信道估計(jì)方面的應(yīng)用展開(kāi)了理論研究，并指出在合作通信的前提下，使用壓縮感知理論可以將UWB信號(hào)的采樣速率從GHz級(jí)降到目前硬件能夠?qū)崿F(xiàn)的范圍，大大降低了UWB信號(hào)的采樣難度。

近年來(lái)很多研究表明，無(wú)線多徑信道的沖激響應(yīng)往往呈現(xiàn)為數(shù)量相對(duì)較少的幾簇重要路徑集，尤其是在傳輸帶寬較大或采用多天線系統(tǒng)時(shí)，這種稀疏特性會(huì)更加明顯。隨著無(wú)線通信系統(tǒng)的寬帶化和高速化發(fā)展，對(duì)稀疏信道估計(jì)的研究已成為新的焦點(diǎn)。近年來(lái)新興的壓縮感知理論指出，可以根據(jù)少量的觀測(cè)值高效率重構(gòu)稀疏信號(hào)。與傳統(tǒng)信道估計(jì)方法相比，基于壓縮感知的信道估計(jì)方法可以大大降低導(dǎo)頻開(kāi)銷(xiāo)，提高頻譜利用率和估計(jì)性能。

壓縮感知作為一個(gè)新的采樣理論，通過(guò)開(kāi)發(fā)信號(hào)的稀疏特性，不必直接測(cè)量信號(hào)，而是通過(guò)一個(gè)隨機(jī)的測(cè)量矩陣測(cè)量原來(lái)信號(hào)的線性組合，壓縮感知需要的測(cè)量樣本數(shù)要遠(yuǎn)小于Nyquist采樣率條件下的樣本數(shù)，通過(guò)對(duì)這些測(cè)量樣本使用各種各樣的非線性重建算法，可以完美地重建信號(hào)。讓代表原始信號(hào)，Ψ是它的一個(gè)基，在Ψ中展開(kāi)的展開(kāi)系數(shù)大部分趨近于0，我們不用直接測(cè)量而是測(cè)量樣本點(diǎn)較少的Ψ^T是Ψ的轉(zhuǎn)置，Φ是K×N階測(cè)量矩陣(K＜＜N)，通過(guò)各種的壓縮感知算法可實(shí)現(xiàn)對(duì)的重建，所以簡(jiǎn)單來(lái)說(shuō)，壓縮感知的目的就是實(shí)現(xiàn)

在利用壓縮感知前要考慮的一個(gè)重要的問(wèn)題是：需要找到一個(gè)合適的完備或非完備展開(kāi)基讓信號(hào)基于此展開(kāi)基是稀疏的，因此設(shè)計(jì)展開(kāi)基就成為了運(yùn)用壓縮感知的關(guān)鍵。常用于超寬帶的壓縮感知的展開(kāi)基有時(shí)間稀疏基和多路基,后者的性能要比前者好，其詳細(xì)方法可參考文獻(xiàn)：Jose L.Paredes,Gonzalo R.Arce and Zhongmin Wang.Ultra-wideband compressed sensing:Channel estimation[J].IEEE J.Select.Topics Signal Process,2007,1(3):383-395.接收信號(hào)近似為多路成分的疊加，使用多路字典，信道估計(jì)問(wèn)題可以直接轉(zhuǎn)換為壓縮感知的問(wèn)題，但是不同的多路成分會(huì)呈現(xiàn)出不同程度的由散射和折射引起的失真。為了更充分利用UWB信號(hào)內(nèi)部的統(tǒng)計(jì)特性，我們考慮使用基于信號(hào)統(tǒng)計(jì)特性的特征展開(kāi)基。

常用的壓縮感知的方法主要有：基追蹤算法(BP，Basis Pursuit)、匹配追蹤算法(MP，Matching Pursuit)、正交匹配追蹤算法(OMP，Orthogonal Matching Pursuit)以及貝葉斯壓縮感知算法(BCS，Bayesian Compressive Sensing)。其中，貝葉斯壓縮感知理論將統(tǒng)計(jì)學(xué)習(xí)理論(SLT，Statistical Learning Theory)和相關(guān)向量機(jī)(RVM，Relevance Vector Machine)思想引入到壓縮感知理論中來(lái)，給需要重構(gòu)向量中的每個(gè)值設(shè)置由超參數(shù)(Hyperparameters)控制的后驗(yàn)概率密度函數(shù)，在超參數(shù)的更新過(guò)程中，趨近于零的非重要多徑所對(duì)應(yīng)的超參數(shù)將變得無(wú)限大，導(dǎo)致該多徑的后驗(yàn)概率趨近于零，而真正的重要多徑所對(duì)應(yīng)的矩陣中的列向量起到了相關(guān)向量的作用，其詳細(xì)方法可參考文獻(xiàn)：Shihao Ji,Ya Xue and Lawrence Carin.Bayesian compressive sensing.IEEE Transactions on Signal Processing[J],2008,56(6):2346-2356.

利用特征基結(jié)合貝葉斯壓縮感知的算法需要對(duì)矩陣求逆，特別的，特征展開(kāi)基需要利用信號(hào)的統(tǒng)計(jì)特性來(lái)提高對(duì)信號(hào)的恢復(fù)能力，信號(hào)的長(zhǎng)度比較長(zhǎng)，此時(shí)矩陣的階數(shù)會(huì)比較大，求逆運(yùn)算會(huì)大大增加運(yùn)算的復(fù)雜度，使得應(yīng)用推廣變得十分困難，因此，研究一種低復(fù)雜度的改進(jìn)貝葉斯壓縮感知算法是一項(xiàng)有創(chuàng)新性和重要實(shí)際意義且具挑戰(zhàn)性的任務(wù)。

發(fā)明內(nèi)容