基于DFT-SAMP算法的MIMO-VLC系统压缩感知信道估计
0 引言
VLC是一种利用可见光波段作为通信载体,兼顾照明和数据传输的新型通信方式,具有无电磁干扰、频谱资源丰富等优点[1-3]。将MIMO与VLC系统结合,可以有效实现空间资源的复用,提高系统通信容量和速率[4-5]。但是MIMO-VLC系统需要准确的信道估计来获取信道状态信息保证通信的可靠性。
信道估计常用的最小二乘(Least Squares,LS)算法,虽然复杂度低,但需要大量导频开销,导致频谱利用率降低[6-7],同时LS算法估计的信道状态信息存在较大误差,导致系统整体可靠性不足。由于压缩感知(Compressed Sensing,CS)可实现低于奈奎斯特速率的方式采样信号,且具有较高的重构精度,因此被应用于信道估计当中,可利用少量的导频开销获取良好的信道估计性能[8-10]。文献[11]在MIMO-VLC系统的信道估计中引入了正交匹配追踪(Orthogonal Match Pursuit,OMP)算法,证明了CS算法在VLC系统信道估计中的可行性,但需要预知信道的真实稀疏度,而信道的真实稀疏度通常是无法准确预知的,故在实际运用中存在局限性。文献[12]在MIMO-OFDM系统中通过SAMP算法在信道稀疏度未知情况下,自适应重构出信道特性,解决了OMP算法需预知信道稀疏度的问题,但也增加了算法迭代次数,降低了效率。文献[13]提出了一种正则化稀疏度变步长自适应匹配追踪(Regularized Sparsity Variable Step-size Adaptive Matching Pursuit,RSVssAMP)算法,在SAMP算法的基础上加入了变步长的思想,通过大步长减少迭代次数,但存在过估计问题,算法稳定性降低。文献[14]提出一种基于有限等距性质(Restricted Isometry Property,RIP)的稀疏度预测自适应匹配追踪(RIP Based Prediction-sparsity Adaptive Matching Pursuit,RSAMP)算法,通过基于RIP的稀疏度预测方法快速迭代完成信道估计,但其稀疏度预测的方法复杂度较高,不利于系统效率的提升。
为了以更高效的方式保证MIMO-VLC系统通信的可靠性,本文提出一种DFT-SAMP信道估计算法。通过基于DFT的稀疏度预测方法,对信道稀疏度进行预估计,将估计出的稀疏度作为SAMP算法初始步长,使其快速逼近信道的真实稀疏度,提高运行速率。
1 MIMO-VLC信道特征及增益模型
MIMO-VLC系统中有
LED光源与光电探测器PD间信道特征可由冲激响应
式中,
式中,
式中,
式中,
式中,
图中第一个路径的信道增益
2 MIMO-VLC系统及信道估计模型建立
2.1 MIMO-VLC系统建模
在MIMO-VLC系统中,数据信号经过正交振幅调制(Quadrature Amplitude Modulation,QAM)调制后进行空时块编码(Space Time Block Code,STBC),然后经过串并转换分为多个支路,每个支路分别进行正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)调制,最后经过直流偏置和D/A转换后,由每个发送端的LED发送信号,接收端的处理与发送端相对应,具体模型如
设
式中,
式中,
2.2 MIMO-VLC信道估计模型
设发送端数据信号中插入导频符号数为
式中,
忽略噪声影响,则通过
2.3 导频结构
采用非均匀梳状导频结构对MIMO-VLC系统进行信道估计,具体结构如
图中,实心点表示导频信息,空白部分则为数据信息。每列代表一个OFDM符号,每个OFDM符号中导频位置相同,但由于接收端需要随机傅里叶矩阵作为压缩感知的观测矩阵,因此具体的导频位置采用随机选取的
式中,
3 基于DFT-SAMP的压缩感知信道估计算法
3.1 压缩感知信道估计原理
设有
式中,
式中,
则称观测矩阵
3.2 基于SAMP的信道估计算法
SAMP算法通过确定稀疏度步长增量
1)输入观测向量
2)初始化残差
3)从
4)计算
5)若
6)若
7)输出信道冲激响应
综上可知,步骤4)每次迭代将从候选集
3.3 基于DFT的SAMP信道估计算法效率优化
3.3.1 DFT信道估计算法
DFT算法在LS算法基础上加入时域去噪处理,提高了估计性能,原理如下:
1)通过LS算法估计导频位置处的信道特性频率响应
2)对
3)假设循环前缀长度为
通步骤3)消除了
3.3.2 基于DFT的稀疏度预测方法
采用求噪声阈值筛选初始候选集的方法,通过DFT算法估计的冲激响应
1)求
2)通过加权系数
3)将能量大于阈值的位置索引作为初始化候选集
3.3.3 DFT-SAMP信道估计算法
通过基于DFT的稀疏度预测方法对信道的稀疏度进行预估计,将预测的稀疏度作为SAMP算法的初始步长,使算法步长从稀疏度预测值逐步递增达到真实信道稀疏度,减少算法迭代次数,提高算法运行速率。DFT-SAMP算法具体实现步骤如下:
1)输入观测值
2)初始化支撑集
3)从
4)计算
5)若
6)若
7)输出信道冲激响应
4 实验与数据分析
4.1 实验平台及参数设置
基于实际室内环境进行MIMO-VLC系统信道估计实验,实验系统结构如
图中,发送端数据在ARM处理器中进行调制后,输出的调制信号将依次经放大器(AMP-OPA657),直流偏置,最后通过LED进行光信号传输;接收端,通过PIN进行光信号转换,将接收信号发送到数字示波器(Tektronix 7354C)进行采集,最后将采集的信号发送到信号处理平台进行信号解调获得接收端数据。接收端经过LS算法和所提算法信道估计的信号QAM星座图如图
表 1. 系统仿真参数
Table 1. System simulation parameters
|
4.2 算法的稀疏度预测可行性验证
通过分析DFT算法估计的信道冲激响应
由
4.3 算法稀疏度预测方法验证
通过对比真实信道频率响应
均方差值越小,算法估计的信道特性越接近真实信道环境,估计性能越好。均方差曲线如
4.4 算法可靠性分析
由图可知,在16个导频情况下,所提算法相较于LS算法在满足前向纠错(Forward Error Correction,FEC)误码率阈值(3.8×10-3)时的信噪比降低了2 dB;在32个导频情况下,所提算法低于LS算法4.5 dB,使误码率达到FEC误码率阈值。所提算法在导频数为16时的误码率性能就优于LS算法导频数为32时的误码率性能,如果使用论文算法代替LS算法进行信道估计可减少50%的导频开销。同时DFT-SAMP算法误码率性能与SAMP算法误码率性能整体相当,说明基于DFT的稀疏度预测方法在提高系统效率的同时,不会降低系统通信的可靠性。
由图中可以看出,系统误码率随着调制阶数
4.5 算法效率分析
从图中可以看出,LS信道估计算法相对于CS算法具有较短的运行时间,但通过
5 结论
针对可见光通信复杂的多径信道环境,引入压缩感知的方法进行MIMO-VLC系统信道估计,并提出了DFT-SAMP算法,通过基于DFT的稀疏度预测方法提高了SAMP算法运行速率,用更高效的方法保证系统通信质量。理论分析和实验结果表明:1)利用CS算法进行MIMO-VLC信道估计的性能明显优于LS算法,在导频数为16时就具有优于LS算法32个导频时的性能,可降低50%的导频开销。2)DFT-SAMP算法通过基于DFT的稀疏度预测方法,在保证系统可靠性的同时减少了算法的运行时间,使DFT-SAMP算法的运行速率相比SAMP算法提升约69%。3)随着调制阶数
[1] 张峰, 梁渊博, 赵黎, 等. 基于非正交多址的室内可见光通信系统性能优化方法[J]. 红外与激光工程, 2021, 50(11): 311-317.
ZHANG Feng, LIANG Yuanbo, ZHAO Li, et al. Performance optimization method of indoor visible light communication system based on non-orthogonal multiple access[J]. Infrared and Laser Engineering, 2021, 50(11): 311-317.
[2] 赵黎, 董航航, 张峰. 基于LWT的可见光DCO-OFDM系统[J]. 光子学报, 2021, 50(5): 0506002.
ZHAO Li, DONG Hanghang, ZHANG Feng. Visible DCO-OFDM system based on LWT[J]. Acta Pthotonica Sinica, 2021, 50(5): 0506002.
[3] 卢霆威, 王泽平, 刘梦, 等. 基于可见光通信技术的全双工以太网通信系统设计[J]. 电子学报, 2022, 50(1): 45-53.
LU Tingwei, WANG Zeping, LIU Meng, et al. Full-duplex indoor ethernet communication system based on visible light communication[J]. Acta Electronica Sinica, 2022, 50(1): 45-53.
[4] HAN Y, LEE S, KIM B W, et al. Resource-optimized design of bit-shuffle block coding for MIMO-VLC[J]. IEEE Access, 2021, 9: 97675-97685.
[5] SEKHAR K R, MITRA R. MBER combining for MIMO VLC with user mobility and imperfect CSI[J]. IEEE Communications Letters, 2020, 24(2): 376-380.
[6] 肖沈阳, 金志刚, 苏毅珊, 等. 压缩感知OFDM稀疏信道估计导频设计[J]. 北京航空航天大学学报, 2018, 44(7): 1447-1453.
XIAO Shenyang, JIN Zhigang, SU Yishan, et al. Pilot design for compressed sensing based OFDM sparse channel estimation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(7): 1447-1453.
[7] LEE H C, GONG C S A, CHEN P Y, et al. A compressed sensing estimation technique for doubly selective channel in OFDM systems[J]. IEEE Access, 2019, 7: 115192-115199.
[8] 吕新荣, 李有明, 国强. MIMO-OFDM系统的信道与脉冲噪声联合估计方法[J]. 通信学报, 2021, 42(12): 54-64.
Xinrong LYU, LI Youming, GUO Qiang. Joint channel and impulsive noise estimation method for MIMO-OFDM systems[J]. Journal on Communications, 2021, 42(12): 54-64.
[9] HUANG Y, HE Y, LUO Q, et al. Channel estimation in MIMO-OFDM systems based on a new adaptive greedy algorithm[J]. IEEE Wireless Communications Letters, 2019, 8(1): 29-32.
[10] XIE H, WANG Y, ANDRIEUX G, et al. Efficient compressed sensing based non-sample spaced sparse channel estimation in OFDM system[J]. IEEE Access, 2019, 7: 133362-133370.
[11] LIN B, GHASSEMLOOY Z, XU J, et al. Experimental demonstration of compressive sensing-based channel estimation for MIMO-OFDM VLC[J]. IEEE Wireless Communications Letters, 2020, 9(7): 1027-1030.
[12] ZHANG W, GAO X, LI Z, et al. Pilot-assisted MIMO-V-OFDM systems: compressed sensing and deep learning approaches[J]. IEEE Access, 2020, 8: 7142-7159.
[13] 刘浩强, 赵洪博, 冯文全. 基于CS的正则化稀疏度变步长自适应匹配追踪算法[J]. 北京航空航天大学学报, 2017, 43(10): 2109-2117.
LIU Haoqiang, ZHAO Hongbo, FENG Wenquan. Regularized sparsity variable step-size adaptive matching pursuit algorithm for compressed sensing[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(10): 2109-2117.
[14] 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.
JI Ce, WANG Jinzhi, LI Boqun. OFDM sparase channel estimation based on RSAMP algorithm[J]. Systems Engineering and Electronics, 2021, 43(8): 2290-2296.
[15] 柯熙政, 邓莉君. 半导体激光器的非线性失真特性及预失真补偿研究[J]. 红外与激光工程, 2015, 44(11): 3204-3210.
[16] 贾科军, 郝莉, 余彩虹. 室内可见光通信多径信道建模及MIMO-ACO-OFDM系统性能分析[J]. 光学学报, 2016, 36(7): 57-68.
JIA Kejun, HAO Li, YU Caihong. Modeling of multipath channel and performance analysis of MIMO-ACO-OFDM sysytem for indoor visible light communications[J]. Acta Optica Sinica, 2016, 36(7): 57-68.
Article Outline
张峰, 凌锦炜, 刘叶楠, 赵黎. 基于DFT-SAMP算法的MIMO-VLC系统压缩感知信道估计[J]. 光子学报, 2023, 52(4): 0406002. Feng ZHANG, Jinwei LING, Yenan LIU, Li ZHAO. Compressed Sensing Channel Estimation for MIMO-VLC Systems Based on DFT-SAMP Algorithm[J]. ACTA PHOTONICA SINICA, 2023, 52(4): 0406002.