一种降低工业现场噪声干扰的信道估计方法
技术领域
本发明涉及通信技术领域，尤其是一种降低工业现场噪声干扰的信道估计方法，用于基于OFDM技术的工业通信场景下的信道估计。
背景技术
工业物联网以及工业4.0的大力发展正在推进工业自动化与智能工厂场景下通信传输的新标准。伴随工业现场的通信场景拓展，工业智慧物联网对多媒体信息以及自动化控制信息的传输量有了较大的速率要求。OFDM通信系统作为一种高效利用通信频段的多载波信号调制方案，能够很好的抗频率选择性衰落性和抗窄带宽干扰性，同时也能提供较高的传输速率，因此在工业通信场景下有很强的适用性。但由于工业现场环境下通信信道具有较高复杂性，工业通信现场中存在很多干扰量，其中很多干扰分量随时间变化不规律地出现在某些传输频率段上。当通信载波的频率和噪声频率相同时，噪声干扰便会对通信系统产生明显的负面影响进而降低而通信服务质量。
基于压缩感知理论的信道估计方法可在保证估计精准度的情况下节约导频开销，从而提升带宽的有效数据传输效率。但是基于压缩感知理论的信道估计方法大多未考虑信道噪声的影响。本发明方法旨在提供一种有效消除信道噪声的信道估计方法，以得到更高精度的信道状态估计值。
发明内容
本发明需要解决的技术问题是提供一种降低工业现场噪声干扰的信道估计方法，是基于压缩感知理论并结合阈值函数的含去噪信道估计方法，结合小波分析和去噪算法提出一种命名为Wavlet-CoSaMP提升信道估计结果的精准度，以达到降低OFDM系统传输数据误码率的目的，能够有效克服信道噪声干扰，获取更高精度的信道状态估计值。
为解决上述技术问题，本发明所采用的技术方案是：
一种降低工业现场噪声干扰的信道估计方法，包括以下步骤：
S1：首先确定采用梳状导频图案的数据传输方式；之后确定传输子载波数量、导频间隔OFDM系统参数；
梳状导频模式下，发送端的频域信号设为X(n)，其中位于导频子载波的已知发送信号设为Xp(k)，接收端的频域数据设为Y(n)，接收信号中对应导频信号的频域信号设为Yp(k),并且假设信道中的噪声设为V,
此时接收端导频信号可表示为：
Yp(m)＝Xp(m)Hp(m)+Vp(m),m＝0,1,...,k-1 (1)
上式中的导频相关信号提取后改写为如下形式：
Y＝XH+V＝XFh+V (2)
式中H为频域信道增益矩阵，F为对应到导频位置的傅里叶逆变换矩阵，h 为时域信道增益矩阵，X为导频信号，Y为导频接收信号；
若将上式中的XF作为观测矩阵A，将h作为待恢复目标信号，则信道估计问题可以转化为压缩感知理论中的稀疏信号恢复问题：
y＝Φx＝ΦΨs＝As (3)
S2：结合小波分析和去噪算法提出Wavlet-CoSaMP信道估计方法，提升信道估计结果的精准度，以达到降低OFDM系统传输数据误码率的目的。
本发明技术方案的进一步改进在于：S2中，Wavlet-CoSaMP信道估计方法计算过程如下：
输入量：观测值为公式(2)中Y；测量矩阵A为公式(2)中XF；定义稀疏度 k；
步骤1：获取接收端频域信号Y，对其进行小波分析，得到经过基于所提出的创新阈值函数的小波去噪之后的接收端频域信号YW；
步骤2：初始化：残差r0＝YW；索引集
步骤3：计算残差rn与测量矩阵A每一列的内积值，得到所有内积值中最大值2k列保存在索引J内；
步骤4：将步骤3得到的索引位置加入索引集I：I＝I∪J并计算
步骤5：更新残差：
步骤6：当迭代次数达到k或残差达到指定要求时则停止迭代，否则回到步骤2进行迭代计算；
输出：h的稀疏估计信号
本发明技术方案的进一步改进在于：步骤1中，确定OFDM系统的子载波间隔，数字信号调制方式，循环前缀长度，用于信号同步的OFDM符号开销物理层参数之后，获取接收端的频域信号Y，针对Y中存在的噪声干扰量，可对其进行小波分析后采用基于所提出的创新阈值函数的小波去噪算法进行处理。
本发明技术方案的进一步改进在于：小波去噪算法中的阈值处理方式一般会选择软阈值处理或者硬阈值处理；相比硬阈值处理，软阈值处理方法在处理信号的过程中不会产生额外的震荡，可以得到相对比较平滑的去噪结果，但是软阈值处理的小波系数和预估系数之间存在固定的偏差，具体如下式所示：
公式(4)为硬阈值函数，公式(5)为软阈值函数，其中Wj,k为小波变换后的小波系数，
针对平滑性和偏差问题，利用tanh函数对小波去噪的阈值函数进行改进，提出的阈值函数如下所示：
由于所提出的阈值函数利用了tanh函数的特性，因此所提出的函数具有较快的收敛速度，便可尽快地降低软阈值处理函数中预估系数和真实小波系数之间存在的固定偏差，同时该函数也满足当小波系数等于去噪阈值λ时函数结果为0，进而保证了平滑性；
经过上述选择，就确认了所使用的具体的小波去噪算法。
本发明技术方案的进一步改进在于：小波去噪算法的实现过程如下：
首先对目标信号Y进行小波分解，分解层数假设为两层，cA1和cA2为分解信号中的近似分量，cD1和cD2为分解中的细节分量，一般认为噪声分量被包含在cD1和cD2中；
之后使用公式(6)所示的阈值函数对小波系数进行处理；最后对阈值处理后的信号进行重建以达到去除噪声的目的。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明相对现有的基于压缩感知理论的信道估计方法，本发明充分考虑了信道噪声对信道估计精度的负面影响。
2、本发明方法中所提出的去噪阈值函数在软硬阈值之间取得了较好的折中效果。
3、本发明针对信道噪声，所采用的小波去噪算法可有效滤除信道噪声，从而为压缩感知理论中的信号恢复算法提供更纯净的初始值。
4、本发明易于实现，现有的通信设备足够满足本发明方法所需算力。
附图说明
图1是本发明通信系统所采用的导频分布示意图；
图2是本发明小波分解示意图。
具体实施方式
本发明是针对目前基于压缩感知理论的信道估计方法大多未考虑信道噪声的影响而研发的一种降低工业现场噪声干扰的信道估计方法，旨在提供一种有效消除信道噪声的信道估计方法，以得到更高精度的信道状态估计值。
下面结合附图及实施例对本发明做进一步详细说明：
香农定理给出了信息传送速率的计算方式：C＝Wlog2(1+S/N)。式中的W为传输带宽，单位为赫兹(Hz)，S为发送端信号的功率值，N用以表示传输信道中噪声的功率值。由香农公式可知信号传输速率正比于带宽。接收端的有效信息接收速率与误码率正相关，有效信息接收速率可用v＝C(1-BER)表示，其中v 为接收端有效信息速率，BER为由接收端经过信道估计和信道均衡后还原的发送信号和真实发送信号之间的解码误码率。因此接收端的有效接收速率与带宽与信道估计性能紧密关联。本专利申请旨在结合小波分析和去噪算法提出一种命名为Wavlet-CoSaMP提升信道估计结果的精准度，以达到降低OFDM系统传输数据误码率的目的。
如图1所示，一种降低工业现场噪声干扰的信道估计方法，包括以下步骤：
S1：首先确定采用梳状导频图案的数据传输方式，梳状导频结构示意图如图1所示；之后确定传输子载波数量、导频间隔等OFDM系统参数。
梳状导频模式下，发送端的频域信号设为X(n)，其中位于导频子载波的已知发送信号设为Xp(k)，接收端的频域数据设为Y(n)，接收信号中对应导频信号的频域信号设为Yp(k)，并且假设信道中的噪声设为V；
此时接收端导频信号可表示为：
Yp(m)＝Xp(m)Hp(m)+Vp(m),m＝0,1,...,k-1 (1)
上式中的导频相关信号提取后改写为如下形式：
Y＝XH+V＝XFh+V (2)
式中H为频域信道增益矩阵，F为对应到导频位置的傅里叶逆变换矩阵，h 为时域信道增益矩阵，X为导频信号，Y为导频接收信号。
若将上中的XF作为观测矩阵A，将h作为待恢复目标信号，则信道估计问题可以转化为压缩感知理论中的稀疏信号恢复问题：
y＝Φx＝ΦΨs＝As (3)
S2：结合小波分析和去噪算法提出Wavlet-CoSaMP信道估计方法，提升信道估计结果的精准度，以达到降低OFDM系统传输数据误码率的目的。
Wavlet-CoSaMP信道估计方法的计算过程如下：
输入量：观测值为公式(2)中Y；测量矩阵A为公式(2)中XF；定义稀疏度 k。
步骤1：获取接收端频域信号Y，对其进行小波分析，得到经过基于所提出的创新阈值函数的小波去噪之后的接收端频域信号YW；
确定OFDM系统的物理层参数(子载波间隔，数字信号调制方式，循环前缀长度，用于信号同步的OFDM符号开销等)之后，获取接收端的频域信号Y。针对Y中存在的噪声干扰量，可对其进行小波分析后采用基于所提出的创新阈值函数的小波去噪算法进行处理。
小波去噪算法中关于阈值的选择准则包含固定似然估计、无偏似然估计、启发式阈值估计和极值阈值估计四种方式。此时待去噪目标信号是经过时变传输信道之后的导频接收信号，其所包含的信道噪声信息一般分布在小波域的整个频带上，针对这一特点，本专利申请方法中选择了处理信号时候较保守的无偏似然估计则。
在利用小波去噪算法对目标信号进行去噪处理时，若所选择的小波和带去噪信号形状近似则会获得更好的去噪效果。由于数据信号在信道中传输时产生频率选择性衰落，整个信道中传输信号的频率响应具有较差的连续性，因此本发明方法选择了具有突变性的Haar小波。
小波去噪算法中的阈值处理方式一般会选择软阈值处理或者硬阈值处理。相比硬阈值处理，软阈值处理方法在处理信号的过程中不会产生额外的震荡，可以得到相对比较平滑的去噪结果，但是软阈值处理的小波系数和预估系数之间存在固定的偏差，具体如下式所示：
公式(4)为硬阈值函数，公式(5)为软阈值函数，其中Wj,k为小波变换后的小波系数，
针对平滑性和偏差问题，利用tanh函数对小波去噪的阈值函数进行改进，本发明专利所提出的阈值函数如下所示：
由于所提出的阈值函数利用了tanh函数的特性，因此所提出的函数具有较快的收敛速度，便可尽快地降低软阈值处理函数中预估系数和真实小波系数之间存在的固定偏差，同时该函数也满足当小波系数等于去噪阈值λ时函数结果为0，进而保证了平滑性。
经过上述选择，就确认了所使用的具体的小波去噪算法。小波去噪算法的实现过程，如图2所示：首先对目标信号Y进行小波分解，分解层数假设为两层，图中的cA1和cA2为分解信号中的近似分量，cD1和cD2为分解中的细节分量，一般认为噪声分量被包含在cD1和cD2中；之后使用公式(6)所示的阈值函数对小波系数进行处理；最后对阈值处理后的信号进行重建以达到去除噪声的目的。
步骤2：初始化：残差r0＝YW；索引集
步骤3：计算残差rn与测量矩阵A每一列的内积值，得到所有内积值中最大值2k列保存在索引J内。
步骤4：将步骤3得到的索引位置加入索引集I：I＝I∪J并计算
步骤5：更新残差：
步骤6：当迭代次数达到k或残差达到指定要求时则停止迭代，否则回到步骤2进行迭代计算。
输出量：h的稀疏估计信号
具体的：
步骤1：OFDM通信系统中传输速率与传输带宽频率、子载波间隔、子载波数目、循环前缀长度以及数字调制方式相关。本实施例中，选择子载波间隔为 15KHz，16QAM调制方式，表1列出了OFDM系统参数。
表1：OFDM系统参数
此时接收端的导频信号用如下公式表示：
Yp(m)＝Xp(m)Hp(m)+Np(m),m＝0,1,...,k-1 (7)
以上表达式中N表示信道中的噪声，接下来使用小波去噪算法对接收信号进行去噪处理。
此时的待去噪目标信号是经过时变传输信道之后的导频接收信号，其所包含的信道噪声信息一般分布在小波域的整个频带上，针对这一特点，本实施例中选择了处理信号时候相对比较保守的无偏似然估计则。
在利用小波去噪算法对目标信号去噪处理时，若所选择的小波和带去噪信号形状近似则会获得更好的去噪效果。由于数据信号在信道中传输时产生频率选择性衰落，整个信道中传输信号的频率响应具有较差的连续性，因此本实施例中选择了具有突变性的Haar小波。
关于小波去噪算法中的阈值处理方式，本实施例中选用了如下阈值函数
其中Wj,k为小波变换后的小波系数，
该函数收敛速度较快，可尽快地降低软阈值处理函数中预估系数和真实小波系数之间存在的固定偏差。同时也满足当小波系数等于去噪阈值λ时，该阈值函数结果为0，进而保证了平滑性。
经过确定上述三个关键步骤后，便得到确定的小波去噪算法。用以上方法对Yp(m)进行小波去噪处理得到YW。
步骤2：初始化：残差r0＝YW；索引集
步骤3：计算残差rn与测量矩阵A每一列的内积值，得到所有内积值中最大值2k列保存在索引J内。
步骤4：将步骤3得到的索引位置加入索引集I：I＝I∪J并计算
步骤5：更新残差：
步骤6：当迭代次数达到k或残差达到指定要求时则停止迭代，否则回到步骤2进行迭代计算。
综上所述，本发明是基于压缩感知理论并结合阈值函数的含去噪信道估计方法，结合小波分析和去噪算法提出一种命名为Wavlet-CoSaMP提升信道估计结果的精准度，以达到降低OFDM系统传输数据误码率的目的，能够有效克服信道噪声干扰，获取更高精度的信道状态估计值。
