[论文解读] Structured Distributed Compressive Channel Estimation over Doubly Selective Channels

Qibo Qin, Lin Gui+3 more|arXiv (Cornell University)|Apr 23, 2020

Sparse and Compressive Sensing Techniques参考文献 30被引用 20

一句话总结

该论文提出了一种结构化分布式压缩感知（SDCS）方案，用于在双 selective OFDM 系统中进行联合多符号信道估计。通过利用时域相关性和延迟域稀疏性，结合复指数基展开建模和定制的导频图案，该方法能够在使用更少导频符号的情况下准确恢复信道系数，相比传统方法实现了更高的估计精度和频谱效率。

ABSTRACT

For an orthogonal frequency-division multiplexing (OFDM) system over a doubly selective (DS) channel, a large number of pilot subcarriers are needed to estimate the numerous channel parameters, resulting in low spectral efficiency. In this paper, by exploiting temporal correlation of practical wireless channels, we propose a highly efficient structured distributed compressive sensing (SDCS) based joint multi-symbol channel estimation scheme. Specifically, by using the complex exponential basis expansion model (CE-BEM) and exploiting the sparsity in the delay domain within multiple OFDM symbols, we turn to estimate jointly sparse CE-BEM coefficient vectors rather than numerous channel taps. Then a sparse pilot pattern within multiple OFDM symbols is designed to obtain an ICI-free structure and transform the channel estimation problem into a joint-block-sparse model. Next, a novel block-based simultaneous orthogonal matching pursuit (BSOMP) algorithm is proposed to jointly recover coefficient vectors accurately. Finally, to reduce the CE-BEM modeling error, we carry out smoothing treatments of already estimated channel taps via piecewise linear approximation.Simulation results demonstrate that the proposed channel estimation scheme can achieve higher estimation accuracy than conventional schemes, although with a smaller number of pilot subcarriers.

研究动机与目标

• 为解决在双 selective（DS）信道上 OFDM 系统因导频子载波过多而导致的频谱效率低下问题。
• 利用多个 OFDM 符号间的时域相关性和延迟域稀疏性，提升信道估计精度。
• 提出一种结构化分布式压缩感知（SDCS）框架，联合恢复多个符号上的稀疏信道系数。
• 通过分段线性平滑估计的抽头，减少基展开模型的建模误差。
• 相比传统的单符号或非结构化压缩感知方案，实现更高的估计精度和频谱效率。

提出的方法

• 利用复指数基展开模型（CE-BEM）对时变双 selective 信道进行建模，以表示多个 OFDM 符号间的时变特性。
• 在多个符号上设计稀疏导频图案，构建无ICI（ICI-free）结构，实现信道系数的联合分块稀疏表示。
• 通过利用延迟域稀疏性和时域相关性，将信道估计问题转化为联合分块稀疏模型。
• 提出一种基于分块的同步正交匹配追踪（BSOMP）算法，从结构化模型中联合恢复系数向量。
• 应用分段线性逼近方法平滑估计的信道抽头，以减少 CE-BEM 的建模误差。
• 推导出数学公式，通过导频子载波选择矩阵和分块信号重构，将联合估计问题解耦为结构化系统模型。

实验结果

研究问题

• RQ1 基于结构化分布式压缩感知的联合多符号信道估计，能否提升双 selective OFDM 系统的频谱效率？
• RQ2 与单符号方法相比，通过在多个 OFDM 符号上联合利用时域相关性和延迟域稀疏性，能否显著提升估计精度？
• RQ3 何种导频图案设计能够实现无ICI的联合分块稀疏结构，从而在 DS 信道中实现高效信道估计？
• RQ4 所提出的 BSOMP 算法在估计精度和导频开销方面，相较于传统 CS 和 DCS 方法，优势有多大？
• RQ5 分段线性平滑在减少 CE-BEM 近似带来的建模误差方面，效果如何？

主要发现

• 所提出的基于 SDCS 的方案在跟踪联合多符号信道模型时，估计精度高于传统的 CS 和 DCS 方法。
• 仅使用传统 LS 或 MMSE 方案中 10% 的导频子载波，该方法在 NMSE 指标上实现了相当或更优的性能。
• 在 SNR = 20 dB 时，联合多符号方案在 BER = 10^-2 时相比单符号方案获得约 1 dB 的 SNR 增益。
• 该方案在编码 BER 性能上仅比理想情况（完美信道状态信息）低约 0.2 dB。
• 即使在高速多普勒扩展（如 500 km/h）下，该方案仍保持高精度，证明其在实际车载环境中的鲁棒性。
• 仿真结果证实，结构化导频设计、BSOMP 重构算法与分段线性平滑的结合，显著降低了估计误差和建模失真。