1.一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于包括以下步骤：

1)针对OFDM系统构造双扩展稀疏信道压缩感知模型，推导观测矩阵Ψ；

2)由于大尺度多普勒重采样后的等效信道在一个符号周期内看作时不变或缓慢变化的信道，残余多普勒扩展因子很小，若忽略此多普勒扩展因子，令bj≡1,j∈[1,Nb]，重写公式(13)，获得第一次最匹配原子搜索时的观测矩阵：和解空间

3)运行OMP算法，其中的最佳匹配原子搜索采用PSO算法，其解空间为在步骤2)中所推导的解空间，得到初估计的路径时延集，

4)扩展初估计的时延集，并联合多普勒因子，再次建立解空间，扩展方法为以每个时延作为中心，向两侧增加时延估计的网格点；重构后的时延-多普勒域的网格点集合为[τ,b]：m为扩展网格点数，Δ为每个时延网格的时延间隔；获得第二次最匹配原子搜索时的观测矩阵：

5)再次运行OMP算法，并采用PSO算法在步骤4)所建立的解空间中搜索最佳匹配原子，估计得多径时延集合 和多普勒扩展因子估计值集合

2.如权利要求1所述一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于在步骤1)中，所述针对OFDM系统构造双扩展稀疏信道压缩感知模型，推导观测矩阵Ψ的具体方法为：令OFDM符号周期为T，子载波数为N，系统带宽为B，则相邻子载波之间的频率间隔Δf＝1/T，子载波数K＝B/Δf＝BT，即每个OFDM符号可以携带K个数据符号,发送的基带OFDM信号x(t)表示为：式中，S[k]表示调制到第k个子载波上的数据符号，fk表示第k个子载波的频率，即fk＝k/T，SA表示所有子载波组成的集合，即SA＝{0,1,…,K-1}，g(t)为矩形脉冲，其中Tcp为循环前缀长度：设水声信道冲激响应由Npa条路径组成，第p条路径所对应的幅度、时延和多普勒扩展因子由参数对{Ap,τp,ap}表示，在一个OFDM符号周期内，信道冲激响应表示为：x(t)通过公式(3)所表示的信道后得到接收信号y(t)：y(t)＝x(t)*h(t,τ)+w(t)              (4)其中，w(t)为信道加性噪声，对接收信号首先进行大尺度的多普勒扩展因子估计，设估计得到的多普勒扩展因子为 后，再根据估计值 进行重采样补偿，获得补偿后的输出为：对输入信号进行采样和傅里叶变换后，得到第m个子载波上的解调数据Z[m]：其中，W[m]为第m个子载波上的加性噪声， 为第p条路径的残余多普勒因子，当bp为1时，残余多普勒因子为0；Λ(τp)为一个由τp决定的K×K规格的对角矩阵，表明时延对信道冲激响应的影响：Γ(bp)为一个由bp决定的K×K规格的矩阵，表明多普勒扩展因子对信道冲激响应的影响：其中，第m行第k列的元素为：

其中，fm、fk分别表示第m和第k个子载波的频率；将公式(6)写成矩阵形式：Z＝HS+W                        (10)其中，S＝[S[0],S[1],…,S[K-1]]T，Z＝[Z[0],Z[1],…,Z[K-1]]T和W＝[W[0],W[1],…,W[K-1]]T均为K×1向量，分别表示发送数据、解调数据和加性噪声；H为频域信道矩阵：为估计H，采用导频辅助方法，在信号S中插入导频，并将其建模为稀疏信号模型；假设水声信道冲激响应可能存在的时域-多普勒域划分为时延域-多普勒域网格点(τi,bj)，其中，1≤i≤Nτ,1≤j≤Nb，Nb为多普勒域网格数，Nτ为时延域网格数，Ai,j为对应第i行第j列网格点的幅度；令Zp为解调的导频向量，Φ为导频选择矩阵，则：其中，Λ(τi)为只与时延τi有关的K×K规格的矩阵，和公式(7)具有相同的定义；Γ(bj)为只与多普勒扩展因子bj有关的K×K规格的矩阵，和公式(8)具有相同的定义；A为NτNb×1规格的系数向量，第i·j个元素为Ai,j，结合公式(11)，具有Npa个非零值，因此，由于Npa＜＜NτNb，认为公式(12)即为一个压缩感知求解模型，A为稀疏向量，Ψ为观测矩阵，Zp为观测值，观测矩阵Ψ表示为：

3.如权利要求1所述一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于在步骤3)中，所述得到初估计的路径时延集， 的具体步骤为：

3.1 初始化：

观测残差r0＝Zp，原子索引支持集 最匹配原子支持集 迭代次数k＝0，估计的多径时延集合

3.2 利用粒子群优化算法求取最匹配原子Ψ1[t]，其列索引为 i∈[1,Nτ]；Ψ1[i]H表示观测矩阵Ψ1第i列元素的转置矩阵，rk表示第k次迭代的观测残差；

3.3 更新支持集S，加入t到支持集S＝S∪t；更新观测矩阵Ψ1，使第t列原子Ψ1[t]＝0；

保存当前多径时延

3.4 更新最匹配原子支持集ΨS＝ΨS∪{Ψ1[t]}，求多径系数 其中 为ΨS的伪逆矩阵；

3.5 更新残差 k＝k+1，继续执行步骤3.2～3.5，直到k＞K，其中K为多径信道径数。

4.如权利要求3所述一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于在步骤3.2中，所述利用粒子群优化算法求取最匹配原子Ψ1[t]的具体步骤为：

3.2.1 初始化：粒子群数目为p，最大迭代次数J，粒子群参数加速度常数c1、c2，第i个粒子第0次迭代的惯性权重为 最大迭代速度vmax，迭代计数器j＝0；随机设置第i个粒子的位置 和速度 D为解空间；

3.2.2 设置索引表V，用来表示各网格点的适应度函数值，初始化 索引表用于避免重复计算适应度函数值；

3.2.3 求第i个粒子第0次迭代的适应度函数值， 并在索引表V中相应位置填入相应值；

3.2.4 初始化粒子个体最优值 及其位置 群体最优值及群体最优位置

3.2.5 进行自适应惯性权重的粒子更新；

为第i个粒子在第j次迭代后的速度， 为第i个粒子在第j次迭代后的惯性权重，为第i个粒子在第j次迭代后的位置； 为第i个粒子在j次迭代中的最优位置， 为所有粒子在j次迭代中的最优位置；c1、c2为加速度常数，ωmin为惯性权重最小值，ωg为自适应惯性权重的斜率， 为第j次迭代后粒子群位置方差， 为群体最优的适应度函数值，更新公式如下：

3.2.6 判断各粒子的位置在索引表中的值是否为0，若为0，则计算对应适应度函数值；

若不为0，即不计算该位置的适应度函数值，而是直接从索引表中读取该适应度函数值；

3.2.7 更新粒子个体最优和群体最优，j＝j+1，继续执行步骤325)到327)，直到j＞J，J为粒子群迭代次数，返回群体最优位置，即最匹配原子位置。

5.如权利要求1所述一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于在步骤5)中，PSO算法的解空间为步骤4)所建立的解空间，估计得多径时延和残余多普勒因子估计值 具体步骤为：

5.1 初始化：

观测残差r0＝Zp，原子索引支持集 最匹配原子支持集 迭代次数k＝0，估计的多径时延集合

5.2 利用粒子群优化算法求取最匹配原子Ψ2[t]，其列索引为Ψ2[i]H表示观测矩阵Ψ2第

i列元素的转置矩阵，rk表示第k次迭代的观测残差；

5.3 更新支持集S，加入t到支持集S＝S∪t；更新观测矩阵Ψ2，使第t列原子Ψ2[t]＝0；

保存当前多径时延

5.4 更新最匹配原子支持集ΨS＝ΨS∪{Ψ2[t]}，求多径系数 其中 为ΨS的伪逆矩阵；

5.5 更新残差 k＝k+1，继续执行步骤3.2～3.5，直到k＞K，其中K为多径信道径数。

6.如权利要求5所述一种基于正交匹配追踪的低复杂度水声信道估计算法，其特征在于在步骤5.2中，所述利用粒子群优化算法求取最匹配原子Ψ2[t]的具体步骤为：

5.2.1 初始化：粒子群数目为p，最大迭代次数J，粒子群参数加速度常数c1、c2，第i个粒子第0次迭代的惯性权重为 最大迭代速度vmax，迭代计数器j＝0；随机设置第i个粒子的位置 和速度 D为解空间，此时解空间为步骤4)所表示的解空间；

5.2.2 设置索引表V，用来表示各网格点的适应度函数值，初始化 索引表用于避免重复计算适应度函数值；

5.2.3 求第i个粒子第0次迭代的适应度函数值， 并在索引表V中相应位置填入相应值；

5.2.4 初始化粒子个体最优值 及其位置 群体最优值及群体最优位置

5.2.5 进行自适应惯性权重的粒子更新；

为第i个粒子在第j次迭代后的速度， 为第i个粒子在第j次迭代后的惯性权重，为第i个粒子在第j次迭代后的位置； 为第i个粒子在j次迭代中的最优位置， 为所有粒子在j次迭代中的最优位置；c1、c2为加速度常数，ωmin为惯性权重最小值，ωg为自适应惯性权重的斜率， 为第j次迭代后粒子群位置方差， 为群体最优的适应度函数值，更新公式如下：

5.2.6 判断各粒子的位置在索引表中的值是否为0，若为0，则计算对应适应度函数值；

若不为0，即不计算该位置的适应度函数值，而是直接从索引表中读取该适应度函数值；

5.2.7 更新粒子个体最优和群体最优，j＝j+1，继续执行步骤325)到327)，直到j＞J，J为粒子群迭代次数，返回群体最优位置，即最匹配原子位置。