低信噪比下非凸化压缩感知超宽带信道估计方法

受感知信息算子矩阵相干性和噪声的影响,压缩感知超宽带(UWB)信道估计误差过大.为此,首先提出利用压缩观测信号加权构造自适应感知信息(ASI)算子矩阵的方法,ASI算子矩阵不仅具有弱相干性,而且包含观测信息,适用于重建算法选择最优稀疏表示原子.其次提出修正稀疏度自适应匹配追踪(SAMP)算法,无需稀疏度或信噪比的先验信息实现压缩感知稀疏信号准确重建.最后基于ASI算子矩阵和修正SAMP算法提出非凸化压缩感知UWB信道估计方法,理论分析和仿真结果均表明该方法能在低信噪比和极低压缩比下实现UWB信道的准确估计.     

基于优化信息算子的UWB信道贝叶斯估计

针对压缩感知应用于UWB通信信道估计时信息算子的相干性严重影响UWB信道估计精度的问题,提出将优化的信息算子和贝叶斯算法相结合的方法。该方法以互累积相干参数为准则,首先将加权信息算子通过最优化与正则化得到优化的信息算子,最后通过贝叶斯算法重构UWB信道。理论分析和仿真结果表明优化信息算子的相干性大大减弱,有效提高了UWB信道估计精度,同时该方法能在较低的压缩比和信噪比条件下实现UWB通信信道的准确重建。     

基于压缩感知的超宽带信道估计方法的研究

压缩感知(Compressed Sensing, CS)理论可以从较少的观测样本中恢复稀疏信号。针对超宽带(Ultra- WideBand, UWB)信道的稀疏特性,将压缩感知理论应用于UWB系统的信道估计中,能够有效地降低系统的采样速率。该文针对UWB信道的特点对过完备字典库和观测矩阵进行设计,提出了一种滤波矩阵估计算法。然后,分别利用丹茨格选择器(Dantzig Selector, DS),基追踪降噪(Basis Pursuit De-Noising, BPDN)算法和正交匹配跟踪(Orthogonal Matching Pursuit, OMP)算法实现信号检测,进一步给出UWB信道估计中CS重建算法的选择建议。基于IEEE 802.15.4a信道模型的仿真结果表明,该算法同随机观测算法的检测结果相比,能够在较低的采样速率下获得更好的误码率性能。     

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带(UWB)信道估计要求预先给出信道才能精确重构的不足,研究了基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建.这种盲稀疏度方法根据迭代终止条件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的增大逐步逼近稀疏度,实现精确重建.仿真结果表明,相同条件下,基于此思想经过改进算法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的盲稀疏度重构方法.     

基于自适应压缩感知的信道估计算法

传统方法压缩感知算法截取训练序列最后未被数据干扰固定部分作为观测矩阵,该方法为了抵抗最差的信道而浪费了大量的可用观测数据。在此基础上提出了一种自适应压缩感知的信道估计算法,首先对训练序列进行自适应检测,得到整个未受干扰的观测矩阵,再用压缩感知算法计算信道估计。仿真结果表明,这种基于自适应压缩感知的信道估计算法大幅提高了信道估计的准确性。     

基于簇的块稀疏压缩感知的60GHz信道估计

基于压缩感知设计适用于60 GHz毫米波通信系统的信道估计方案,深入研究了正交匹配追踪(OMP)算法和正则正交匹配追踪(Regularized OMP)算法的60 GHz信道估计性能;在此基础上,充分发掘60 GHz无线多径信道所呈现出的分簇特性,提出一种新颖的基于簇分级的稀疏压缩感知重构算法。新算法在有效减少重构迭代次数的前提下,亦能显著降低信道估计误差。综合对比分析了基于簇分块稀疏压缩感知重构算法和现有压缩感知算法在60 GHz信道估计应用中的重构性能,仿真结果表明,压缩感知算法可有效应用于60 GHz系统信道估计,而新设计的基于簇分级的稀疏压缩感知算法则在估计精度和实现复杂度方面具更优越性能。     

一种基于贪婪基追踪算法的压缩感知超宽带信道估计方法

超宽带系统信道在特定的场景下,可表现出较强的稀疏特性。考虑IEEE802.15.4a提供的UWB信道参考模型,选取其中稀疏特性较强的信道场景作为背景,结合压缩感知理论对信道估计进行了研究。研究中着重考虑了压缩感知过程的信号重构算法,将一种贪婪的基追踪算法应用到信道模型的重构过程,计算机仿真结果表明信道的稀疏性能够得到准确表达,且稳定性和计算效率均比较理想。     

基于贝叶斯压缩感知理论的超宽带通信信道估计

超宽带是一种新颖的高速无线通信技术。其过高的带宽给采样带来了困难,压缩感知理论提供了一种可行的低速采样方法。针对目前的压缩感知超宽带信道估计方法必须假设信道稀疏度已知,论文提出了基于贝叶斯压缩感知理论的超宽带信道估计方法。将超宽带信道估计转化为压缩感知理论中的重构问题,并使用贝叶斯压缩感知方法进行重构,得到信道估计值及其误差范围,最终实现信息解调。贝叶斯压缩感知理论将稀疏贝叶斯学习理论引入到压缩感知中,给需要重构向量中的每个值设置受超参数控制的后验概率密度函数,在超参数的更新过程中,零值所对应的超参数将趋向于无穷大,与之对应的后验概率将趋向于零,通过这种方法剔除非重要多径,自适应地找出信道向量中的重要多径,并使用回归算法进行重构。实验结果表明在信道稀疏度未知的情况下,该方法能够对原信道进行有效的重构。     

基于压缩感知的信号检测方法

提出了一种基于压缩感知思想的信号检测方法。该方法首先将信道估计转化为非完全信号重构,实现了信道估计的动态可调整,降低了信道估计的复杂度;然后利用信道估计的结果对压缩采样后的信号进行压缩Rake合并,使得Rake合并的实现复杂度更低;最后对压缩相关且合并后的数据进行判断。理论分析和仿真结果表明了该方法的有效性和可靠性。     

人工智能辅助的信道估计最新研究进展

作为第六代移动通信发展的主流方向,智能通信正在蓬勃发展中,且初步展示了其与传统通信方法相比的优势。人工智能辅助的信道估计作为智能通信的重要组成,在已有的研究成果中展示了其相比传统信道估计算法的优越性,尤其是基于压缩感知技术、超分辨技术、残差学习等开展的信道估计研究均获得了丰硕的成果。针对人工智能辅助的信道估计技术,结合近来学术界最新研究成果,分别从基于深度卷积神经网络、基于深度循环神经网络、基于超分辨技术、基于压缩感知技术 4 个维度展示了人工智能辅助的信道估计的全貌。最后,对比总结了4类信道估计方法优劣及其未来研究方向,展望了信道估计与深度学习结合的广阔前景。