OTFS 系统中基于稀疏贝叶斯学习的离网格信道估计
信息论
2021-01-15 v1 math.IT
摘要
本文提出一种采用稀疏贝叶斯学习（SBL）框架的正交时频空（OTFS）系统离网格信道估计方案。为避免由分数延迟和多普勒频移引起的信道扩散，并充分利用延迟-多普勒（DD）域中的信道稀疏性，我们估计原始的 DD 域信道响应，而非文献中通常采用的有效 DD 域信道响应。首先将 OTFS 信道估计表述为基于 DD 空间中定义的虚拟采样网格的一维（1D）离网格稀疏信号恢复（SSR）问题，其中延迟与多普勒频移的网格内与离网格分量被分离以进行估计。特别地，延迟与多普勒频移的网格内分量由恢复的稀疏向量中具有显著值的条目索引联合确定。随后，相应的离网格分量被建模为所提 SBL 框架中的超参数，可通过期望最大化方法估计。为在信道估计性能与计算复杂度之间取得平衡，我们进一步通过解耦延迟与多普勒频移估计提出二维（2D）离网格 SSR 问题。在我们开发的基于 1D 与 2D 离网格 SBL 的信道估计算法中，超参数被交替更新以计算信道的条件后验分布，可用于重构有效 DD 域信道。与 1D 方法相比，所提 2D 方法计算复杂度大幅降低，且仅承受轻微性能退化。仿真结果验证了所提信道估计方案相对于现有最优方案的优越性能。
引用
@article{arxiv.2101.05629,
title = {Off-grid Channel Estimation with Sparse Bayesian Learning for OTFS Systems},
author = {Zhiqiang Wei and Weijie Yuan and Shuangyang Li and Jinhong Yuan and Derrick Wing Kwan Ng},
journal= {arXiv preprint arXiv:2101.05629},
year = {2021}
}
备注
30 pages, 9 figures, submitted to IEEE Transactions on Wireless Communications