基于最优观测矩阵的压缩信道感知

信道估计技术作为获得信道衰落信息的方法,是提高无线信道传输接收性能的关键技术。而物理多径信道固有的稀疏性,使得将压缩感知（CS）理论用于稀疏多径信道的估计成为可能。由于传统的线性估计方法没有考虑信道的固有稀疏性,因而在训练序列数目较少的情况下,压缩信道估计的重构效果要明显优于传统的最小二乘估计方法,在获得同样估计性能的情况下,需要的训练序列长度也大大减少,提高了频谱资源利用率,体现了压缩信道估计出色的估计性能。本文在应用CS理论进行稀疏信道估计的过程中,通过减小观测矩阵的列向量相关性,产生最优观测矩阵的方法,从而让压缩信道估计的性能得到进一步的改善。      

长时延扩展水声信道的联合稀疏恢复估计

对具有长时延扩展的水声信道,传统的信道估计算法如最小二乘法将在大量零值抽头产生严重的估计噪声,导致估计性能下降,同时信道估计时所需的较高估计器阶数大大提高了运算复杂度。压缩感知信道估计方法可有效利用多径稀疏特性改善性能,但需采用较大的训练序列长度以保证稀疏恢复精度,由此导致额外的系统开销。利用水声信道多径稀疏结构在数据块间存在的相关性,建立基于分布式压缩感知的长时延水声信道联合稀疏模型,从而可利用同步正交匹配追踪算法进行联合重构,以进一步减小系统的训练序列开销,提高估计性能。最后通过仿真和海上实验验证了所提方法的有效性。     

基于确定性观测的压缩感知MIMO信道参数反馈

在实际资源受限(带宽受限或功率受限)的无线通信系统中,多径信道具有很强的稀疏特性,如何利用这一特点更加高效地将接收端获得的多径信道状态信息( CSI)进行压缩、反馈,是目前信道状态信息反馈技术的研究热点。针对现有多入多出( MIMO)信道状态信息反馈方法中随机观测矩阵需要较大存储空间的问题,引入了确定性Golay测量矩阵,提出了一种基于确定性观测的压缩感知MIMO多径信道参数反馈方法。在接收端对由信道估计得出的信道状态信息利用确定性Golay测量矩阵进行观测,将较少数目的观测值反馈到发送端,在发送端通过重构算法恢复出完全信道状态信息。仿真实验表明,与随机观测相比,采用确定性Golay观测矩阵的方法虽然需要的观测值数目会有所增加,但所需存储空间远小于随机观测矩阵,且利用确定性观测反馈信道状态信息的重构性能与随机观测矩阵相当。     

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。     

无字典的超分辨率多径稀疏信道估计方法

使用带网格的观测字典进行稀疏信道估计是近年来常用的多径稀疏信道估计方法,而网格的存在使得这种方法存在估计精度较差的问题,尤其在网格间距较大时,这种方法的劣势更加明显。本文针对这个问题,抛弃了传统的观测字典,采用连续压缩感知方法,结合线性调频训练序列的使用,提出了更加精确的多径稀疏信道估计方法。这种方法避免了网格化带来的误差,实现了高精度、高分辨率的估计。本文首先对此进行了理论阐述,进而在两种不同的多径稀疏信道模型下进行了仿真试验,并从估计精度、计算效率等方面与其他稀疏估计算法进行了对比。仿真结果证明,采用本文提出的方法进行多径稀疏信道估计时,相比其他算法可以更加精确地估计出信道冲激响应。      

基于压缩传感的稀疏多径信道估计

可靠的无线通信通常需要准确地知道下层信道的信息,因此需要进行信道估计,通常是用一个已知的训练波形探测信道以及对信道的输入和输出进行线性处理来估计信道的冲激响应,而许多真实信道(如频率选择性衰落信道)表现为仅有一些相对较少的非零信道系数的稀疏多径信道,常见的估计方法是最小二乘法(LS),此法没有利用稀疏信道本身的低维度特...     

基于压缩感知技术的双向中继信道估计

设计了一种基于压缩感知（compressive sensing, CS）技术的双向中继信道（two-way relay channels, TWRC）估计方法,并具体采用正交匹配追踪算法（orthogonal matching pursuit, OMP）对OFDM系统下的信道脉冲响应进行估计。双向中继信道往往呈现出稀疏多径结构,这种结构会随着信号空间维数的增大而越加明显。传统的线性估计方法没有考虑到TWRC的潜在稀疏性,因而导致了对关键通信资源的过度使用。而基于CS的TWRC估计方法能够很好地利用这种传输信道的稀疏多径结构,与传统线性估计方法相比,在获得同样估计性能的前提下,需要的训练序列长度大大减少,有效地提高了频谱、能量等资源利用率。同时,所采用的OMP算法的时间复杂度主要依赖于信道稀疏度,因此计算效率往往比传统的方法高。仿真也证实了基于CS的TWRC估计算法的优越性。      

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Golay互补序列的压缩感知稀疏信道估计算法

该文针对现有基于压缩感知的信道估计方法峰均功率比高、计算量大等问题,使用确定性格雷(Golay)序列作为训练序列对稀疏信道进行信道估计,在接收端实现了对信道冲激响应的估计,给出了估计模型和具体的算法推演,推导了该方法的峰均功率比,并与基于随机高斯序列的压缩感知信道估计方法的性能、峰均功率比和计算量进行了比较。仿真实验表明:格雷序列以及随机高斯序列两种序列都可以重构出稀疏信道非零抽头系数,但是格雷序列对稀疏信道冲激响应的确定性观测估计值的均方误差(MSE)和匹配度性能(Match Rate, MR)均优于随机高斯序列,计算量降低了许多,且在OFDM系统中峰均功率比大大降低。     

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。     

一种压缩感知信道估计中降低信道稀疏度的算法

针对基于压缩感知的稀疏多径信道估计,提出了一种利用智能天线波束赋形改造多径信道,从而改选信道稀疏度的方法。与MIMO系统压缩感知相比,在利用OMP重构算法、获得同样估计性能的前提下,需要的导频数大大减少,这样就可以节省更大的空间来传送用户数据,提高了系统的吞吐量。仿真结果也证实了本文提出方法的优越性。     

MIMO-OFDM快衰落信道的压缩感知估计方法

在快衰落多输入多输出(MIMO)-正交频分复用(OFDM)系统中,为了避免传统的信道估计方法中存在大量系数需要估计的问题,利用快衰落信道在角时延多普勒域可稀疏的特性,提出了基于压缩感知的MIMO-OFDM系统快衰落信道估计方法。根据压缩感知的受限等距特性(RIP),推导了一种少量导频随机结构测量矩阵,用于测量快衰落信道在角时延多普勒域稀疏系数。接收端可从这些少量的测量数据中以高概率重构出快衰落信道。理论分析与仿真结果都表明:该方法与传统的信道估计方法相比,所得到的系统数据传输效率及估计性能都有了明显提高。     

一种压缩感知电力线信道估计机制

通过分析电力线信道传输特性,建立相应的数学模型,研究了电力线信道的多径特性,并结合一种新颖的压缩感知处理技术,提出了一种基于压缩感知的电力线信道估计方法。通过分析研究电力线信道传输特征,利用其稀疏性,只需采集、提取、存储少量的噪声与信道特征有效参数,大大降低了数字信号处理模块的数据处理量,降低了对存储硬件的要求与硬件成本。     

Compressive sensing for ultra‐wideband channel estimation: on the sparsity assumption of ultra‐wideband channels

Due to the sparse structure of ultra‐wideband (UWB) multipath channels, there has been a considerable amount of interest in applying the compressive sensing (CS) theory to UWB channel estimation. The main consideration of the related studies is to propose different implementations of the CS theory for the estimation of UWB channels, which are assumed to be sparse. In this study, we investigate the suitability of standardized UWB channel models to be used with the CS theory. In other words, we question the sparsity assumption of realistic UWB multipath channels. For that, we particularly investigate the effects of IEEE 802.15.4a UWB channel models and the selection of channel resolution both on channel estimation and system performances from a practical implementation point of view. In addition, we compare the channel estimation performance with the Cramer‐Rao lower bound for various channel models and number of measurements. The study shows that although UWB channel models for residential environments (e.g., channel models CM1 and CM2) exhibit a sparse structure yielding a reasonable channel estimation performance, channel models for industrial environments (e.g., CM8) may not be treated as having a sparse structure due to multipaths arriving densely. Furthermore, it is shown that the sparsity increased by channel resolution can improve the channel estimation performance significantly at the expense of increased receiver processing. Copyright © 2013 John Wiley & Sons, Ltd.     

采用时域联合稀疏恢复的多输入多输出水声信道压缩感知估计

多输入多输出(MIMO)水声通信技术可以在极其有限的水声信道频带资源内提高信道容量,但多径和同道干扰的同时存在,使传统信道估计算法如最小二乘算法、压缩感知估计算法的性能急剧下降。考虑到通信数据块间水声信道多径结构存在一定的相关性,该文利用这种数据块间多径结构的时间域相关性建立水声MIMO信道的时域联合稀疏模型,并利用同步正交匹配追踪算法进行多个数据块联合稀疏恢复信道估计,提高MIMO信道多径稀疏位置的检测增益并抑制同道干扰,提高水声MIMO信道的估计性能。仿真和MIMO水声通信海试实验表明了所提方法的有效性。     

一种适用于稀疏多径信道的自适应均衡算法

针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法。该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题。采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度。仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值。