OFDM水声通信系统信道估计算法应用研究

信道估计的精确性和有效性是正交频分复用（OFDM）水声通信系统具有良好性能的保证。针对水声信道稀疏性的特点,在传统的LS（最小二乘）和LMMSE（线性最小均方误差）信道估计算法的基础上进行了基于压缩感知（Compressive Sensing,CS）理论的LS-MP（Matching Pursuit,匹配追踪）信道估计算法的研究。并在OFDM水声通信系统下,对传统的信道估计方法（LS和LMMSE）和基于压缩感知理论的LS-MP信道估计方法进行仿真分析,对这三种算法进行了性能比较。     

LTE上行链路信道估计的算法研究

信道估计技术作为获得信道信息的手段,是提高无线数据传输接收性能的关键技术之一。本文分别在不同的条件下对LS(Least Square)、LMMSE(Linear Minimum Mean Square Error)、SVD(Singular Value Decomposition)三种信道估计算法进行仿真,对比分析三种算法的MSE(Mean Square Error)和BER(Bit Error Rate),并得出相应的结论。     

基于正交频分复用的线性最小均方误差信道估计改进算法

传统的线性最小均方误差(LMMSE)信道估计要求已知信道的统计特性,而实际应用中无线信道的统计特性往往是不可知的.针对无线信道的不确定性,根据时域信道上能量分布的稀疏性特点,在最小二乘(LS)算法的基础上提出了一种改进的LMMSE信道估计算法.该算法从当前信道置信度较高的频率响应出发,把相邻子载波信道估计误差的比值作为信道响应的加权系数,然后通过加权平均的方法计算出多径信道下的信道响应.该算法避免了繁琐的矩阵求逆与分解运算,能够有效降低算法复杂度.实验结果表明,所提算法总体性能优于LS算法及经过奇异值分解的线性最小均方误差(SVD-LMMSE)估计算法,且其误码率接近于传统的LMMSE算法.     

LTE下行信道估计方法的优化

信道估计技术是长期演进（LTE）核心技术之一。传统的LMMSE信道估计算法有着良好的系统性能,但其最显著的缺点就是自相关矩阵繁琐的求逆运算量大。针对这一问题,提出了基于相关带宽的两种不同的分块矩阵法。仿真结果表明,在不同的多普勒频移影响下,该算法与LS算法、SVD算法、理想LMMSE算法比较,误码率得到了较为理想的控制。     

基于EMD-SVD差分谱的DWT域LMMSE自适应信道估计算法

针对当前基于奇异值分解的线性最小均方误差（SVD-LMMSE）法信道估计误差相对较大的问题,提出了一种基于经验模态分解和奇异值分解（EMD-SVD）差分谱的离散小波变换（DWT）域线性最小均方误差（LMMSE）自适应信道估计算法。在对信号进行最小二乘（LS）信道估计及预滤波处理后,运用DWT对信号的高频系数进行阈值量化去噪处理;然后结合基于EMD-SVD差分谱的自适应算法,将强噪声小波系数中微弱的有效信号提取出来,并进行信号的重构;最后根据循环前缀（CP）内、外噪声方差的均值设置相应门限,对循环前缀以内的噪声进行再次处理,从而进一步降低噪声的影响。对算法的误码率（BER）和均方误差（MSE）性能进行实验仿真,实验结果表明：所提算法的整体性能明显优于经典的LS算法、传统的LMMSE算法和目前较为流行的SVD-LMMSE算法,能够较好地降低噪声的影响,并可有效提升信道估计的精确度。     

一种改进的LMMSE信道估计算法

LS算法简单,容易受到噪声的干扰,但是它不需要预先知道信道的统计信息。通过对信道的时域特性进行研究,在基于LS算法的基础上提出了一种改进的LMMSE信道估计算法,与传统的LMMSE信道估计算法相比,改进的LMMSE算法不需要预先知道信道的统计信息,其性能要优于LS算法;并针对MSE和BER的性能进行了仿真,理论分析和仿真结果也表明:改进的LMMSE算法性能优于LS算法,而且比较接近传统的LMMSE算法。     

LTE-A系统中基于小区参考信号的信道估计算法

增强型长期演进（LTE-A）系统中,通常利用插值算法估计出所有数据位置的信道频率响应值。针对传统的线性最小均方误差（LMMSE）算法需要预先获取信道统计特性,矩阵实时求逆运算量大的问题,提出了一种改进的频域LMMSE信道估计插值算法。首先通过导频插值来增加虚拟导频,以此提升算法性能;然后借助时域内的信道能量比较集中的优势,给出了自相关矩阵和信噪比的近似估计方法;最后采用滑动窗方法进一步简化算法复杂度,从而完成频域LMMSE插值。仿真结果表明,所提算法总体性能优于线性插值以及基于离散傅里叶变换（DFT）的插值方法,且与传统LMMSE插值算法具有相近的误码率（BER）和均方误差（MSE）;但与传统算法相比,运算次数降低了98.67%,实现了算法性能与复杂度的较好折中,适用于实际的工程应用。     

基于OFDM的卫星移动通信信道估计算法研究

针对卫星移动信道的特点,结合正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术,在卫星移动信道模型基础上分析并讨论了三种典型的信道估计算法,即最小二乘（Least-Square,LS）估计算法、最小均方误差（Minimum Mean Square Error,MMSE）估计算法和奇异值分解（Singular Value Decomposition,SVD）算法。采用经典的抽头延迟线模型,对各算法进行仿真试验,得出不同算法下信道估计误比特曲线。理论分析和仿真实验表明,三种算法均能够有效地抑制卫星移动信道衰落产生的误码率,其中SVD-MMSE算法能够在降低MMSE算法复杂度的基础上,抑制噪声,提高信道估计精度。     

OFDM系统中信道估计的研究

正交频分复用（OFDM）用于第四代移动通信系统,而OFDM的信道估计是一项关键技术。总结了基于导频辅助的信道估计常用算法,研究了LS、MMSE和改进的LMMSE算法的原理及其在OFDM信道估计中的应用。结合仿真对信道估计算法进行了分析与讨论。结果表明正交频分复用系统性能的提高是以系统的复杂度为代价的。     

面向C-V2X通信的基于深度学习的联合信道估计与均衡算法

为了在不显著提升计算复杂度的情况下,有效提升通信系统的误码率（BER）性能,利用深度学习在数据处理方面的强大能力,提出一种面向基于蜂窝网络的车联网（C-V2X）通信的基于深度学习的联合信道估计与均衡算法——V-EstEqNet。与传统算法分两个阶段分别进行信道估计与均衡不同,V-EstEqNet将通信系统接收机中的信道估计与信道均衡进行联合考虑,并利用深度学习网络直接对接收数据进行校正和恢复,无须进行显式的信道估计环节即可完成信道均衡。具体而言,首先利用大量的接收数据对网络进行离线训练,使网络学习到叠加在接收数据中的信道特性;然后利用该特性恢复原始的发送数据。仿真实验结果表明,在不同的速度场景下,所提算法可以更加有效地追踪信道特性;同时,相较于传统信道估计算法（最小二乘法（LS）和线性最小均方误差法（LMMSE））配合传统信道均衡算法（迫零（ZF）均衡算法和最小均方误差（MMSE）均衡算法）,所提算法在低速环境下有最高有6 dB的BER增益,在高速环境下最高有9 dB的BER增益。     

基于滑窗滤波和多项式拟合的时变信道估计方法

基于长期演进（LTE）的车辆到一切（LTE-V2X）标准沿用LTE标准的帧格式,并采用块状导频辅助的单载波频分多址（SC-FDMA）系统完成信道估计。然而,由于V2X信道的时变特性,接收机信道估计面对巨大的技术挑战。因此,设计了一种基于滑窗滤波和多项式拟合的时变信道估计方法。针对导频符号处的噪声问题,在最小二乘（LS）方法基础上,采用了自适应长度的滑动窗口滤波进行降噪处理,从而保证导频符号处的信道估计精度。另外,根据多普勒频移大小,设计了自适应阶次的多项式拟合方法来跟踪数据符号处的信道变化。仿真结果表明,所提方法在LS方法的基础上有良好的去噪效果,在低速移动情况下的估计精度介于LS方法和线性最小均方误差（LMMSE）方法之间,而该方法在高速移动条件下能更好地拟合信道的时变特性,且性能上超过了LMMSE方法结合线性插值的信道估计方法。以上结果说明,所提方法相对于对比方法具有更好的自适应性,适用于不同的信道噪声和终端移动速度下的LTE-V2X通信场景。     

基于最小二乘的UWB信道盲估计算法

针对超宽带系统的离散信道模型,利用接收信号的一阶统计量,提出一种基于最小二乘（LS）的盲信道估计算法。利用接收信号的循环卷积特性,在一个符号间隔内建立模型,最后利用LS算法求解。仿真表明,该算法与基于导频序列的ML估计方法和LS估计方法相比,均方误差（MSE）性能相差不大,但计算复杂度明显降低,同时提高了系统传输效率。     

改进的基于DFT的OFDM系统信道估计算法

在正交频分复用（OFDM）系统中,针对常用的信道估计算法不能有效地抑制信道冲激响应中循环前缀长度内噪声的不足,提出了一种改进的基于离散傅里叶变换（DFT）的信道估计算法。该算法是一个多次迭代的过程,通过最小二乘算法获得导频位置处的信道频域响应,经过逆傅里叶变换后,利用时域内引入的能量增长速率函数来判断信道冲激响应分布情况,以便对其进行消噪处理,最后通过多次迭代进一步抑制子载波间干扰和加性高斯白噪声。仿真结果表明,无论在多普勒频移较小还是较大的情况下,该算法的估计性能均优于最小二乘（LS）信道估计算法、传统基于DFT的信道估计算法和基于阈值的信道估计算法。在系统误比特率为[10-2]时,改进的基于DFT的信道估计算法比其他算法有3~5 dB的性能增益。