压缩感知(Compressed Sensing,CS)技术能依靠远低于奈奎斯特采样定理的速率进行稀疏信号采样,接收端采用优化重构算法从有限的采样值中有效重构稀疏信号。运用CS技术对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)和新型云计算无线接入网(Cloud Radio Access Network,C-RAN)系统进行信道估计能够大大降低所需的导频数量,获得良好的估计性能。由于CS中等间距的导频放置方式已并非最优,就需要专门对导频序列的最优设计进行研究。鉴于此,文章重点研究了OFDM系统和C-RAN系统中的CS信道估计技术和相应的导频序列设计与重构算法。根据CS信道估计模型,发送端依据最小测量矩阵互不相关性准则(Mutual Incoherence Property,MIP),采用一种混合遗传算法优化导频序列。该算法对经遗传算法选择后的次优导频值进行再优化,降低了后续迭代的次数,算法性能较传统导频设计方案更优。另外,为了提高频谱利用率,根据C-RAN的多点协作传输(Coordinated Multi-Point Transmission,CoMP)特征,将同一用户不同信道的导频信号插入到相同时频资源上进行传输,接收端对接收导频信号进行检测以获取不同信道的独立导频,然后利用CS稀疏信道的估计算法对每条信道进行独立估计。传统C-RAN系统中,远端无线射频单元(Remote Radio Head,RRH)只负责将接收信号压缩后传输到BBU,集中式基带信号处理池(Base-Band Unit,BBU)负责进行信道估计。由于BBU的集中处理,增加了fronthaul链路的传输压力和BBU的计算量,为了降低fronthaul链路传输及BBU处理压力,文中选择将C-RAN系统的信道估计下移至RRH,在RRH中获取信道状态信息(Channel State Information,CSI)。RRH如何进行信道估计?本文在RRH信道估计中应用CS技术,介绍一种基于CS的自适应加权匹配追踪算法,算法根据估计信噪比(Signal-to-Noise Ratio,SNR)和匹配原则,通过循环迭代进行自适应加权和寻找最佳稀疏度,可在未知SNR与稀疏度情况下重构信道参数。相比于其他现有的重构算法,文中所提的算法能够以少量导频信号,更准确地获得CSI。