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。     

采用残差变化控制的自适应稀疏信道估计

针对传统压缩感知信道估计对稀疏度信息依赖和稀疏度自适应信道估计在低信噪比时抗噪能力较差的问题,提出了一种采用残差变化控制的稀疏度自适应的压缩感知信道估计算法。该算法在传统的压缩感知信道估计的基础上引入残差变化控制,通过比较每次迭代下的残差变化的幅度来控制信道估计的迭代次数,提高信道估计的自适应性和鲁棒性。同时,为解决传统稀疏度自适应压缩感知信道估计抗噪能力较差的问题,利用正交匹配追踪提高算法的抗噪声性能。相比于传统的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法,所提算法约有4 dB的性能优势,且算法复杂度更低。     

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。     

时间相关块贝叶斯算法下的大规模MIMO信道估计

因具有高的阵列增益和高的频谱效率,大规模MIMO已成为5G通信系统物理层关键技术,但在频分双工系统基站侧获取大规模MIMO信道准确状态信息的过程中,存在导频开销占用大量频谱资源问题。为此,针对时间相关信道和信道稀疏度未知的情况,提出一种基于时间相关和多测量矢量模型的块贝叶斯压缩感知（TMBB-CS）信道估计方法。因基站端天线发射信号时间相关,所以大规模MIMO系统的时域信道脉冲响应呈块稀疏结构,利用该特性对下行链路中的多用户信道矩阵进行测量估计,可较大幅度减少导频开销,提升性能。实验仿真结果表明,与其他块贝叶斯算法相比,所提出的TMBB-CS算法信道估计性能更好。      

一种改进的重构算法在信道估计中的应用

研究了在多天线正交频分复用系统信道估计问题。特别利用了宽带MIMO-OFDM系统的时域稀疏特性,来研究这个系统中的基于导频符号的信道估计技术。本文将压缩感知理论应用在稀疏信道估计中,对现有的重构算法进行改进,在不需要预先知道信道的稀疏度信息就利用分次迭代,逐步逼近的方法可以精确重构信号。仿真结果表明,本文提出的信道估计方法性能更加良好。     

RIS辅助无线系统中基于压缩感知的稀疏度自适应级联信道估计方法研究

为了解决可重构智能超表面（Reconfigurable Intelligent Surface, RIS）辅助无线通信系统中级联信道的估计问题,本文提出了一种基于压缩感知（Compressive Sensing, CS）的自适应双结构稀疏正交匹配追踪算法（Adaptive Double-Structured Orthogonal Matching Pursuit, ADS-OMP）。已有的双结构稀疏正交匹配追踪算法（Double-Structured Orthogonal Matching Pursuit, DS-OMP）利用级联信道的双结构稀疏特性即行稀疏特性和列稀疏特性来提高算法估计性能,但需要已知相关信道稀疏度信息。本文提出的ADS-OMP算法在现有的DS-OMP算法基础上设计合理的判决准则和迭代阈值来估计相关稀疏度,从而能在角域级联信道的行稀疏度和列稀疏度均未知的情况下完成级联信道估计,有效克服了现有DS-OMP算法对相关信道稀疏度的依赖,算法实用性更强。仿真结果表明,本文提出的ADS-OMP算法和已有DS-OMP算法估计性能一致,算法复杂度在同一数量级上,前者复杂度略微提升。      

基于压缩感知的OFDM系统信道估计方法

针对无线信道的时域稀疏性以及稀疏度未知的问题,文章将压缩感知技术应用到正交频分复用(OFDM)系统信道估计中,提出了一种稀疏度自适应正交匹配追踪信道估计算法。算法利用离散傅里叶变换(DFT)信道估计算法对循环前缀内和外的噪声进行处理,估计得到的信道频率响应作为正交匹配追踪(OMP)算法稀疏迭代终止的判断条件,实现稀疏度自适应信号重建。同时在原子预选阶段,采用Dice系数准则代替内积准则作为相关性度量准则,可达到更优的估计性能。仿真结果表明,该算法相比于传统的压缩感知信道估计算法具有较好的性能,可以提高系统的归一化均方误差(NMSE)和误码率(BER)性能。     

LTE系统中基于压缩感知的信道反馈方案研究

针对基于完全信道状态信息预编码的长期演进(LTE)多输入多输出-正交频分复用(MIMO-OFDM)系统面临反馈开销很大的问题,提出了基于压缩感知的反馈方案,该方案利用压缩感知技术在接收端对信道估计得到的信道信息进行观测,并将观测值反馈到发送端,在发送端通过梯度投影算法重构信道状态信息。通过仿真证明,该反馈方案在大幅减小反馈开销的同时达到了与完全信道状态信息反馈时非常接近的性能。     

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。     

可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面（RIS）辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波（KR-HBKF）算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。     

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。     

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。      

基于BP神经网络的OFDM系统信道估计

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中传统信道估计算法复杂度高或估计精度低的问题,给出一种基于反向传播(Back Propagation,BP)神经网络的信道估计方法.采用Simulink仿真工具构建OFDM信号采集平台,建立了基于BP神经网络的OFDM系统信道估计模型,并以均方误差和误码率为主要评价指标,分析了不同网络参数和导频数量对信道估计性能的影响.仿真结果表明,与传统信道估计算法相比,基于BP神经网络的信道估计算法可以提供更优的系统性能,而且可以减少导频数量,提高频带利用率.     

基于改进广义正交匹配追踪的OFDM稀疏信道估计

在OFDM稀疏信道中,将压缩感知中的广义正交匹配追踪(GOMP)重构算法用到OFDM信道估计中.由于其信道重构的精度比较低,根据其特点做出了改进,提出了一种用于OFDM稀疏信道估计的改进广义正交匹配追踪算法.该改进算法能够在不需要预知信道稀疏度的情况下准确恢复出信号.根据实验和仿真结果可以看出,该改进算法与LS算法、OMP算法、GOMP算法相比,在同样的环境下误比特率以及均方误差相对比较低,而且运算速度比较快,具有一定的实用性.     

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。     

上行信道估计在TD-LTE系统中的研究

LTE作为一个很有前景的通信标准,与现有通信标准相比,具有更高的传输速率和更好的传输质量,而上行信道估计是LTE系统中不可缺少的一个环节。在对现有LTE系统的两种信道检测算法分析的基础上,提出了一种兼具高准确度和低复杂度的改进算法,在使用原有算法对导频符号进行信道估计之前,先对其进行时域降噪处理,在插值后能够提高系统的估计准确性。仿真结果表明,改进后的算法与原算法相比,在不增加计算复杂度的前提下,能够较大程度地提高系统的估计性能,更适合第4代移动通信的要求。     

平坦衰落MIMO信道的序列蒙特卡罗双层迭代检测

针对平坦衰落MIMO信道,该文在传统采样检测技术仅依靠时间或空间样本的基础上,提出一种基于序列蒙特卡罗的空时双层迭代采样检测算法。算法将符号的后验概率计算分解为多维的空时双层积分,利用序列蒙特卡罗技术在空间和时间维度上抽取样本,通过加权样本累加得到多维积分的解;同时利用时间样本对信道进行联合估计。仿真结果表明算法可以逼近理想条件下的最优性能,并具有较低的计算复杂度。     

Channel assignment schemes for cooperative spectrum sensing in multi‐channel cognitive radio networks

In this paper, channel assignment for spectrum sensing is studied in multi‐channel cognitive radio (CR) networks to maximize the number of channels satisfying sensing performance (called available channels). Beginning with a nonlinear integer programming problem, we derive the upper bound of optimal value through many‐to‐many assignment problem and then propose three algorithms for both centralized and distributed scenarios. In centralized case, a heuristic scheme is proposed based on the signal‐to‐noise ratios (SNRs) over all primary channels (PCs). Then, a greedy scheme is proposed to reduce the reported information from the CRs. In distributed case, a novel scheme with multi‐round operation is designed following the coalitional game theory. In each round, each CR selects some PCs based on SNRs. Then, the CRs selecting the same channel play coalitional game, and thereby, multiple games are played concurrently over multiple channels. Finally, the best coalition for each channel is chosen among the formed coalitions to perform the cooperative spectrum sensing. The simulation results show that the proposed schemes can significantly increase the number of available channels. Copyright © 2013 John Wiley & Sons, Ltd.     

Improved smoothed LO reconstruction algorithm for ISI sparse channel estimation

In this paper, the problem of inter symbol interference （ISI） sparse channel estimation in wireless communication with the application of compressed sensing is investigated. However, smoothed L0 norm algorithm （SL0） has ＇notched effect＇ due to the negative iterative gradient direction. Moreover, the property of continuous function in SL0 is not steep enough, which results in inaccurate estimations and low convergence. Afterwards, we propose the Lagrange multipliers as well as Newton method to optimize SL0 algorithm in order to obtain a more rapid and efficient signal reconstruction algorithm, improved smoothed L0 （ISL0）. ISI channel estimation will have a direct effect on the performance of ISI equalizer at the receiver. So, we design a pre-filter model which with no considerable loss of optimality and do analyses of the equalization methods of the sparse multi-path channel. Real-time simulation results clearly show that the ISL0 algorithm can estimate the ISI sparse channel much better in both signal noise ratio （SNR） and compression levels. In the same channel conditions, ISL0 algorithm has been greatly improved when compared with the SL0 algorithm and other compressed-sensing algorithms.