OFDM系统稀疏信道估计研究

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题。提出一种新的基于压缩感知理论的正交频分复用系统信道估计方法,采用稀疏度自适应匹配追踪压缩感知算法对OFDM信道时域脉冲响应进行估计。克服了现有基于压缩感知理论的信道估计方法需要预先知道信道冲激响应稀疏度才能重构信道参数的不足,在信道稀疏度等信道先验知识未知情况下可得到较好的信道估计性能,降低系统复杂度。     

OFDM系统群稀疏信道估计与译码迭代算法

针对OFDM通信中的多径信道估计问题,本文提出了一种群稀疏信道估计和译码迭代算法。在信道估计中,利用了无线多径信道的群稀疏特性,采用群基追踪降噪算法（Group basis pursuit de-noising,Group-BPDN）算法,提高了信道估计的精度。在译码时,采用软输出的维特比算法,从译码输出中提取可信度大的结果,反馈到信道估计的输入部分,与已知的导频信号一起构成新的已知信号集。这样,通过反馈迭代处理,一方面增加了稀疏恢复时的已知信息,提高了恢复的精度;另一方面,新的已知信号集和已估计出的信道响应可以用来估计噪声功率,提高了噪声环境下稀疏恢复算法的精度。仿真实验证明本文算法提升了信道估计性能,降低了误码率。     

基于平滑l0范数的OFDM系统稀疏信道估计

信道估计是无线通信系统的关键技术.为了提高信道估计的精确性,针对现有压缩传感的信道估计算法需预先知道信道稀疏度的问题,提出了一种新的基于压缩传感理论的正交频分复用系统信道估计平滑l0范数(Smoothed l0 Norm,SLO)算法,并引入双曲正切函数对SL0算法进行改进.仿真结果表明,在相同条件下,与传统最小二乘(LS)以及匹配追踪(MP)和压缩采样匹配追踪(CoSaMP)算法比较,改进算法收敛速度快,估计值均方误差小,降低了系统复杂度.     

稀疏信道下OFDM信号的迭代检测方法

提出了一种适用于稀疏信道环境的OFDM信号迭代检测方法。该方法采用导频进行初始化信道估计,使用数学期望最大（EM）算法迭代检测OFDM信号。该方法需要已知信道的路径时延信息、噪声方差和信道冲击响应的协方差矩阵,因此同时给出了这些参数的估计方法。仿真结果证明了这种迭代算法的有效性,而且使用估计的信道参数时的系统性能和理想参数条件下的性能接近。     

基于压缩感知的协同OFDM稀疏信道估计方法

针对频率选择性衰落信道下的放大转发协同正交频率复用(OFDM)通信系统,提出一种基于压缩感知理论的稀疏信道估计方法。首先,构造协同OFDM系统模型,利用循环矩阵理论,将该系统模型变换成类似于传统的点对点系统模型,该模型由一个协同卷积信道矢量和等效的观测矩阵组成;然后,通过压缩感知理论证明,该等效矩阵以很高的概率满足严格等距特性(RIP);最后,利用压缩感知算法重构卷积信道脉冲响应。与传统的线性信道估计方法相比较,所提方法能够利用较少的训练序列达到稳健的信道估计,有效地提高频谱资源利用率,且具备计算复杂度低的特点。仿真结果验证了该方法的有效性。     

基于压缩感知的协同OFDM稀疏信道估计方法

针对频率选择性衰落信道下的放大转发协同正交频率复用(OFDM)通信系统,提出一种基于压缩感知理论的稀疏信道估计方法。首先,构造协同OFDM系统模型,利用循环矩阵理论,将该系统模型变换成类似于传统的点对点系统模型,该模型由一个协同卷积信道矢量和等效的观测矩阵组成;然后,通过压缩感知理论证明,该等效矩阵以很高的概率满足严格等距特性(RIP);最后,利用压缩感知算法重构卷积信道脉冲响应。与传统的线性信道估计方法相比较,所提方法能够利用较少的训练序列达到稳健的信道估计,有效地提高频谱资源利用率,且具备计算复杂度低的特点。仿真结果验证了该方法的有效性。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

基于稀疏度自适应算法的MIMO-OFDM稀疏信道估计研究

无线信道在时域上具有稀疏性,为压缩感知理论提供了应用前提。多输入多输出正交频分复用(MIMO-OFDM)系统的信道估计问题就转变为稀疏信号的重建。压缩感知重构算法中的压缩采样匹配追踪(Co Sa MP)算法在MIMO-OFDM的信道估计中表现出较好的抗噪性能和较高的重构精度,但其需要稀疏度作为已知信息,而在实际中很难获得信道的稀疏度。为此提出一种基于稀疏度自适应算法(Co Sa SAMP)的MIMO-OFDM系统信道估计,同时在原算法的基础上使用了矩阵分块的方法,提高了其重构精度。仿真结果表明,与传统算法相比,该算法具有更好的估计性能和更高的频谱利用率,并将矩阵分块前后的估计性能进行了对比,结果表明分块后的估计精度更高。     

IQ不平衡OFDM系统高性能稀疏信道估计算法

针对正交频分复用系统中收发两端都有同相和正交不平衡的问题,本文提出了一种时域最小二乘（Ｔｉｍｅ ｄｏｍａｉｎｌｅａｓｔｓｑｕａｒｅ,ＴＤ-ＬＳ）信道估计算法。在此基础上,为了进一步挖掘无线信道的稀疏特性,又引入稀疏信 号处理理论中的迭代收缩（Ｉｔｅｒａｔｉｖｅｓｈｒｉｎｋａｇｅ,ＩＳ）和平行协调下降（Ｐａｒａｌｌｅｌｃｏｏｒｄｉｎａｔｅｄｅｓｃｅｎｔ,ＰＣＤ）思想,构造了一种联合的信道估计算法：ＴＤ-ＬＳ-ＩＳ-ＰＣＤ。仿真结果表明：采用相同的最小二乘补偿算法时,提出的ＴＤ-ＬＳ 和ＴＤ-ＬＳ-ＩＳ-ＰＣＤ 的误码性能明显优于传统的频域最小二乘算法;同时ＴＤ-ＬＳ-ＩＳ-ＰＣＤ 算法误码性能优于ＴＤ-ＬＳ,逼近理想情况,因此该算法充分挖掘了信道的稀疏特性。     

基于稀疏表示的人脸识别方法

分析了稀疏表示的数学本质就是稀疏正规化约束下的信号分解,研究了一种正交匹配追踪的稀疏表示算法并利用矩阵Cholesky分解简化迭代过程中矩阵求逆计算来快速实现算法,将该算法应用在人脸识别中,利用训练样本构建冗余字典,将测试样本看成冗余字典中训练样本的线性组合,通过在不同人脸库上的实验证明了该方法的有效性.     

基于稀疏表示的OFDM信号的DOA估计

针对正交频分复用（OFDM）, 宽带信号波达方向(DOA)估计问题, 提出一种基于宽带信号协方差矩阵稀疏表示的DOA估计方法。该方法是在协方差矩阵主对角线下对左下角三角形元素按各条对角线取平均值后形成一个新的向量, 然后将该向量写成冗余字典形式。在冗余字典下对信号进行稀疏性约束形成二阶锥约束优化问题, 再用工具箱SeDuMi来实现DOA估计。理论分析和仿真结果表明, 该方法在低信噪比和少快拍数下分辨率很高, 是一种有效的宽带信号DOA估计算法, 此方法优于基于高阶累积量算法和宽带聚焦算法的DOA估计方法。     

SRC-ODP：面向稀疏表示分类器的正交鉴别投影

稀疏表示分类方法(SRC,Sparse Representation-based Classifier)在模式识别领域展现了巨大的潜力。最近提出的基于稀疏表示分类的鉴别投影(SRC-DP, SRC steered Discriminative Projection)则是建立在SRC分类准则基础上的降维方法,其在投影空间中最大化类间重构误差与类内重构误差的比值。针对SRC-DP中提取的特征之间具有冗余信息,从而影响其鉴别能力的问题,提出SRC-ODP(SRC oriented Orthogonal Discriminative Projection)方法,利用投影矩阵的正交约束取代SRC-DP中的约束条件,其优越性为：①正交投影矩阵具有更高的特征抽取效率,②所抽取的特征具有更强的鉴别能力。在AR数据库和Extended Yale B数据库上的实验表明,本文方法可以使SRC达到更好的分类结果。     

基于压缩感知理论的图像压缩技术研究

压缩感知理论是近年来信号处理领域诞生的一种新的信号处理理论。相较于传统的奈奎斯特采样定率,压缩感知理论采样数据量少,节省了后续处理时间和存储空间,这使其在信号处理领域有着广阔的应用前景。首先讨论了应用压缩感知理论的三个关键问题:信号稀疏表示、随机测量矩阵设计、信号重构算法,初步研究了压缩感知理论在图像压缩技术中的应用,给出了在不同压缩率下的重构图像和PSNR。计算机模拟结果表明了理论的可行性。     

基于改进的子空间追踪算法的人脸识别

基于稀疏表示的人脸识别中的子空间追踪（SP）算法的候选原子个数固定与稀疏度相同,因此需要已知信号的稀疏度。针对该缺点,提出一种改进的子空间追踪算法,在选择原子的过程中引入回溯迭代优化思想,候选原子个数随着迭代次数逐一增加。通过移除候选原子集中数量同样逐一增加的可信度较低的原子,使选择的原子与待识别人脸图像具有最相似的结构,能较好地重构人脸。采用稀疏表示分类（SRC）框架,分别与基于SP、SASP、正交匹配追踪（OMP）、OMP-cholesky的人脸识别相比,在ORL和Yale B人脸数据库上的实验结果表明,该算法有最高的识别率。     

基于子空间追踪的人脸识别

针对现有的基于稀疏表示的人脸识别方法没有更新优化选择的原子的问题,提出一种基于子空间追踪的人脸识别方法。在稀疏编码过程中的原子选择步骤中,引入回溯迭代优化思想和多原子选择方案,通过移除可信度较低的原子来更新优化候选支撑向量中选择的原子,使选择的原子与待识别人脸图像具有最相似的结构,从而在该原子上的稀疏编码系数具有较好的人脸重构能力。实验证明,与基于正交匹配追踪（OMP）算法和基于OMP-cholesky算法的人脸识别相比,该算法在ORL和Yale B人脸数据库上的算法复杂度较低且识别率均提高了约5%。     

基于GAIC的MIMO-OFDM信道估计

对于多径稀疏的多输入多输出正交频分复用(Multiple-input and muItipIe-output orthogonal frequency division multiplexing,MIMO-OFDM)信道,提出了基于广义Akaike信息论准则(Generalized Akaike information criterion,GAIC)的MIMO-OFDM系统实用的信道估计算法,该算法能够估计出信道的长度和每径信道的时延,降低加性白噪声对信道估计的影响,提高信道估计的精度.通过仿真,与最小二来(Least squares,LS)算法和离散傅里叶变换(Discrete Fourier transform,DFT)算法相比较,大大地降低了信道的估计误差,提高了系统性能,且信道稀疏性越强,性能改善越好.     

基于正交小波变换的稀疏权盲均衡算法

为增强盲均衡算法的工程可实现性,在分析正交小波变换理论和超指数迭代盲均衡算法的基础上,利用正交小波变换对超指数迭代(SEI)算法的权向量迭代公式进行修正,同时利用分数间隔均衡器的优点来提高带宽利用率,提出一种基于正交小波变换稀疏权盲均衡算法(FSE-WT-SEI-SW).该算法利用正交小波变换良好的去相关性来加快收敛速度,通过对权向量的稀疏来减少算法的计算量,有利于工程的实现.水声信道的仿真结果验证了算法的有效性.     

改进的基于树型搜索的正交匹配追踪算法

正交匹配追踪算法(OMP)是一种利用一个超完备的字典进行信号分解的非线性自适应算法.文献[2]提出了基于树型搜索的正交匹配追踪算法(TB-OMP),尽管TB-OMP算法能够改进向量的逼近性能,但使计算的复杂度成指数倍的增加,严重限制了该算法在许多领域里的应用.在本文中将介绍一种灵活的基于树型搜索的正交匹配追踪算法(FTB-OMP)[5],算法通过设置参数,能够在算法逼近性能和计算复杂度之间找到一个灵活的折衷方案.     

改进OMP算法在人脸识别中的应用

分析稀疏表示的人脸识别方法的基本原理,针对采用基于正交匹配追踪(OMP)的稀疏表示算法时,所获得稀疏系数存在负值的问题,提出一种改进的正交匹配追踪算法。通过对稀疏系数的大小进行直接约束,减少负值稀疏系数的产生及算法迭代次数,并提高人脸识别速度。在ORL人脸数据库中的实验结果证明,改进后算法的识别率比原有算法提高了3%,迭代次数设置为7次最为合理。     

稀疏表示和字典学习方法探讨

稀疏表示理论的重点在于求解稀疏系数,MP算法选择单一原子投影,会出现重复投影情况,改进的OMP算法通过对已选择原子构成的超平面投影求残差克服该问题,加快迭代速度,成为常用的稀疏分解方法。文中也通过对比实验发现基于学习方法得到的字典适应性强于固定字典,而字典学习方法中,K-SVD在求解字典D时,使用逐列更新的方法减少差值,该方法迭代效率优于MOD方法。