稀疏水声OFDM系统迭代LS自适应信道估计

宁小玲，刘 忠，刘志坤

(海军工程大学电子工程学院 武汉 430033)

在高速无线数据传输中，正交频分多路复用(OFDM)技术因具有频带利用率高和抗多径衰落能力强等优点，已广泛用于无线局域网和无线广域网等。OFDM技术也是近年来水声通信领域的研究热点。信道估计是OFDM系统中补偿水下声信道畸变的一项非常重要的技术。目前，在对水声信道估计的研究中，应用较多的是自适应估计和基于LS准则的信道估计技术。文献[1]提出了自适应水声信道估计算法，当OFDM符号长度较短时，自适应算法对于捕获水声信道变化比较有效；文献[1]还针对水声信道的稀疏特性，改进算法，提高了估计性能。文献[2]采用基于导频辅助的LS信道估计方法估计实际水声信道，试验结果证明该方法可用于浅海的高速数字通信系统。在无线电领域，关于自适应估计和最小二乘估计的应用较多，文献[3]提出了一种时变衰落信道改进迭代最小二乘信道估计方法，在快、慢衰落信道都展现很好的均方误差性能。文献[4]提出的基于隐式训练和加权最小二乘的迭代信道估计，定义了一种加权最小二乘(WLS)代价函数，通过选用适当的迭代初值，可使迭代信道估计算法快速收敛，且对信道的传输函数无特殊要求。本文在上述文献的基础上，提出了一种稀疏水声OFDM系统迭代最小二乘自适应信道估计方法。该方法首先对LS代价函数进行改进，利用加权误差平方和得到一种新的代价函数，推导出一种新的迭代信道估计方法；基于该方法的估计值，针对水声信道的稀疏性，提出了一种新的基于阈值的稀疏信道估计方法，最后给出了该算法的性能仿真。

1 OFDM系统和信道模型

2 基于迭代最小二乘的稀疏水声信道自适应估计

2.1 基于LS的OFDM系统自适应迭代信道估计

2.2 算法的计算复杂度分析

2.3 基于阈值探测的稀疏水声信道估计

图2 本文估计算法原理图

3 仿真结果和分析

仿真信道采用文献[9]的负声速梯度水声信道模型进行仿真。仿真中采用的系统参数如表1所示。为得到信道估计性能，假设接收机实现完全同步。同时，为了避免码间干扰，选择保护间隔大于信道的最大延迟。

表1 系统参数

选择一个合适数目的OFDM符号进行训练，对其加权误差求和是非常重要的，合适数目的符号可以不增加带宽负担，并采用最小数目的训练符号能使训练性能达到理想的效果。图3是本文算法在不同信噪比情况下MSE性能随训练符号变化的性能曲线。图3中，SNR=0，10，20 dB时，所有曲线随着训练符号码元数的递增单调递减，且在约12个符号后，几乎所有曲线的MSE性能都收敛，趋近最小值。因此，在后面的仿真中，采用接收到的12个OFDM符号获得需要的精确方差值，并由此假定至少在传送12个训练符号时间内信道系数保持不变。

图3 训练符号数对本文算法MSE性能的影响

图4 3种信道估计算法的MSE性能比较

4 结 论

本文讨论了迭代自适应估计方法的推导过程，对其计算复杂度进行了分析，确定其为一种可实用的信道估计方法，并在此估计方法的基础上，引入阈值探测方法，对有效径进行探测，消除噪声干扰影响，提高估计精度。通过仿真结果可看出，在给定遗忘因子和阈值的条件下，本文提出的信道估计方法其MSE性能随训练符号数逐渐单调收敛，到12个符号时，MSE接近最小值。并且，本文提出的方法其MSE性能在10−3时比Proposed DFT-based CE要好10 dB，体现出该算法具有更好的抑制噪声干扰性能，是一种可靠性高、实用性强的信道估计方法。

[1] STOJANOVIC M. OFDM for underwater acoustic communications: adaptive synchronization and sparse channel estimation[C]//The 2008 IEEE International Conference on Acoustics, Speech and Signal Processing.Las Vegas: IEEE press, 2008: 5288-5292.

[2] LI Bao-sheng, ZHOU Sheng-li, STOJANOVIC M, et al.Pilot-tone based ZP-OFDM demodulation for an underwater acoustic channel[C]//MTS/IEEE 2006 OCEANS. Boston:IEEE press, 2006: 1-5.

[3] HAN K Y, LEE S W, LIM J S, et al. Time-variant fading channel estimation by extended RLS[J]. IEICE Transactions on Communications, 2004, E87-B(6): 1715-1718.

[4] 张桦, 朱近康. 基于隐式训练和加权最小二乘的迭代信道估计[J]. 华中科技大学学报(自然科学版), 2008, 36(4):13-16.ZHANG Hua, ZHU Jin-kang. Iterative channel estimation using superimposed training and weighted- least-square method[J]. Huazhong University of Science & Technilogy(Natural Science Edition), 2008, 36(4): 13-16.

[5] STOJANOVIC M. Retrofocusing techniques for high rate acoustic communications[J]. Journal of the Acoustical Society of America, 2005, 117(3): 1173-1185.

[6] DE BEEK V J J, EDFORS O, SANDELL M, et al. On channel estimation in OFDM systems[C]//The 1995 IEEE 45th Vehicular Technology Conference. Chicago: IEEE Press, 1995.

[7] KANG Y, KIM K, PARK H. Efficient DFT-based channel estimation for OFDM systems on multi-path channels[J].IET Communications, 2007, 1(2): 197-202.

[8] 程履帮. OFDMA系统中基于LMMSE信道估计算法的改进及其性能分析[J]. 电子学报, 2008, 36(9): 1782-1785.CHENG Lü-bang. An improved LMMSE channel estimation method and its performance analysis[J]. Acta Electronica Sinica, 2008, 36(9): 1782-1785.

[9] 郭业才. 自适应盲均衡技术[M]. 合肥：合肥工业出版社,2007.GUO Ye-cai. Adaptive blind equalization technique[M].Hefei: Hefei Industry Press, 2007.

[10] SAYED A H, KAILATH T. A state-space approach to adaptive RLS filtering[J]. IEEE Signal Processing Magazine, 1994, 11(3): 18-60.