一种改进的基于压缩感知的稀疏信道估计算法

分析了突发信号的结构特征,提出了一种改进的基于压缩感知的稀疏信道估计方法。在信道初始估计中,利用前导伪随机序列的自相关特性,估计信道的路径时延,以此初始化稀疏重构算法,增加了信道估计的先验信息。在后续处理中,利用前一时刻已估计出的信道信息,跟踪估计当前时刻的信道信息。仿真证明,与最小二乘估计算法、正交匹配追踪算法和分离近似稀疏重构算法相比,本文提出的算法提高了信道估计的精度,降低了接收系统的误码率。     

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。     

基于压缩感知的OQAM/OFDM系统POP方法信道估计

针对偏移正交幅度调制的正交频分复用(OQAM/OFDM)系统中成对训练序列(POP)法信道估计技术性能较差且受噪声影响较大的问题,提出了一种基于压缩感知(CS)的POP信道估计方法.该方法将压缩感知技术应用于POP法信道估计之中,将传统的频域信道估计方法转化为时域信道估计方法,通过压缩感知技术准确地重构出时域信道信息,减少导频开销,提高频谱利用率,得到更好的信道估计性能.与传统的OQAM/OFDM系统的信道估计方法进行比较,仿真结果表明,所提的方法能够在使用较少的导频符号的同时得到更高的系统性能和信道估计精度.     

基于梯度追踪的MIMO-OFDM稀疏信道估计算法

现有的压缩感知MIMO-OFDM信道估计方法多采用正交匹配追踪算法及其改进的算法。针对该类算法重构大规模的数据存在计算复杂度高、存储量大等问题,提出了基于梯度追踪算法的MIMO-OFDM 稀疏信道估计方法。梯度追踪算法采用最速下降法对目标函数解最优解,即每步迭代时计算目标函数的搜索方向和搜索步长,并以此选择原子得到每次迭代重构值的最优解。本文使用梯度追踪算法对信道进行估计,并与传统的最小二乘估计算法、正交匹配追踪算法的性能和计算复杂度进行比较。仿真结果表明,梯度追踪算法能够保证较好的估计效果,减少了导频开销,降低了运算复杂度,提高了重构效率。     

基于DFT寻径的压缩感知信道估计改进算法

正交频分复用系统中的信号在传输过程中受到无线信道环境衰落和延时的影响,容易产生符号间干扰（ISI）,对信道状态信息进行准确估计是降低ISI、提高信号传输准确率的有效方法。针对贪婪迭代类压缩感知信道估计算法存在的估计径错误及漏选问题,提出一种基于离散傅里叶变换（DFT）寻径的压缩感知信道估计算法DFT-OMP。通过DFT寻径的方式抑制由噪声引起的不理想原子,从而对OMP算法重构过程中的原子进行筛选,解决传统方法选取相关因子最大的原子作为重构原子而导致的依赖信号稀疏度问题。在原子预选后的贪婪迭代类压缩感知算法信道估计中引入残差精度控制,以提高信道估计的自适应性与鲁棒性。仿真结果表明,相对OMP算法,该算法能取得4 dB的信道估计性能增益,其适用于较大导频下的无线通信系统。     

基于压缩感知的信道估计技术

通信系统中的传统信道估计方法均基于多信道密集型假设,导致频谱利用率低下,压缩感知理论为解决这一问题提供了一种新的途径。本文介绍了压缩感知基本理论,探讨了压缩感知应用于信道估计的可行性,详细分析了压缩感知信道估计技术的MP算法、OMP算法、CoSaMP等几种重构算法。研究表明基于压缩感知理论的信道估计方法能利用较少的导频信号达到与传统方法相比拟的估计性能,从而提高频谱利用率。     

基于压缩感知理论的超宽带信道估计

针对超宽带通信系统的信道估计中需要对极窄脉冲采样,要求模数转换器的采样速率极高,但目前的硬件制作水平达到采样速率要求较为困难.为降低超宽带信道估计对采样速率的要求,提出一种基于压缩感知理论的信道估计新方法.利用超宽带信道在时域上的稀疏性,通过准Toeplitz测量矩阵将信道估计模型转化为压缩感知理论中的稀疏向量重构模型,在接受端只需对输出样值进行较低速率的采样,即可准确重构信道抽头系数并进行仿真.仿真结果表明,方法仅需1/5-1/10奈奎斯特采样速率即可准确估计信道,且同等信噪比条件下估计的均方误差较传统信道估计算法下降约6-8dB,可以为设计提供可靠的依据.     

基于改进子空间追踪算法的稀疏信道估计

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,继而应用压缩感知理论(CS)的算法求解。针对CS中现存的信号重构方法——子空间追踪法(SP)需要对稀疏度有先验知识的缺点,提出一种改进的子空间追踪法(MSP)。该方法的反馈和精选过程与SP算法一致,不同之处是MSP算法每次迭代时向备选组合中反馈添加的向量个数是随着迭代次数而逐一增加的,而SP算法中备选组合被添加的向量个数与稀疏度相同。仿真结果表明,基于MSP方法所得到的稀疏多径信道估计结果优于基于传统SP的方法,且无需已知信道的多径个数。     

基于压缩感知的NC-OFDM系统的BAOMP算法的信道估计

采用基于信号处理领域最近兴起的压缩感知理论对NC-OFDM系统进行信道估计,并将回溯迭代自适应正交匹配追踪算法(BAOMP)应用到NC-OFDM系统的信道估计中,该算法在每次回溯迭代中核查所选原子的可靠性并删除不可靠原子。理论分析和仿真实验表明,BAOMP算法不但可以减少导频的数目,而且其在保持OMP类算法优点的同时,有着更好的重构性能,且不需要预先知道稀疏度K。     

基于压缩感知的MIMO-OFDM信道估计中的导频设计方案

多输入多输出-正交频分复用(Multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统作为MIMO系统和OFDM系统的结合,具有很高的频带利用率并能有效地对抗无线信道的多径效应。本文研究了MIMO-OFDM系统稀疏信道估计及其导频优化,将信道估计问题转化为压缩感知(Compressed sensing,CS)理论中的稀疏信号重建问题,将最小化测量矩阵的互相关作为导频优化的目标。结合已有的随机序贯搜索(Stochastic sequential search,SSS)和扩展算法2(Extension scheme 2,ES2)算法以及导频移位机制,提出了一种快速的导频优化算法随机搜索移位算法(Stochastic sequential search-shift mechanism,SSS-SM)。此算法的运算复杂度远低于已有的ES2算法,运算时间不受发射天线数影响。将SSS-SM算法和ES2算法分别获得的导频设计结果应用于MIMO-OFDM系统的信道估计,仿真结果表明,采用SSS-SM算法可以更低的算法复杂度获得与ES2算法相同的信道估计性能;高信噪比情况下,SSS-SM算法对应的均方误差(Mean square error,MSE)比ES2平均低约3~5 dB,因此这种方法在高信噪比下更有优势。     

基于混沌序列的压缩感知超宽带信道估计

通过分析超宽带信道本身特性,利用混沌序列良好的随机性,提出一种基于Logistic混沌序列的超宽带信道估计方法。通过Logistic映射产生伪随机序列,对准托普利兹矩阵进行正交变换,产生新的改进型矩阵,并将该矩阵作为压缩感知的测量矩阵,建立贝叶斯压缩感知数学模型对超宽带信道进行估计。仿真结果表明,在同等的实验条件下,与传统的重构算法相比,该方法具有更高的抗噪声性能和重构精度。     

基于压缩感知和粒子滤波的OFDM超宽信道估计

针对通信系统中的正交频分复用(OFDM)超宽信道具有的稀疏多径和含噪声特征,将信道估计问题转换为稀疏信号的重构和优化问题,设计了一种基于压缩感知理论和粒子滤波的OFDM信道估计方法;首先定义和描述了OFDM数学模型,然后在对压缩感知理论模型研究的基础上,采用改进的正交匹配算法对OFDM超宽信道进行重构,为了进一步减少信道重构的误差,将由于正交匹配算法得到的重构信道作为初始的粒子,并将OFDM数学模型转换为动态参数模型,并通过粒子滤波来更新模型中的参数和频率响应,通过不断迭代获得信道的估计值;为了验证文中方法的优越性,将文中方法与经典的正交匹配算法与粒子滤波算法进行比较,结果表明:文中方法能有效地对含噪声的稀疏信号进行估计,具有较小的重构误差,且与其它方法相比,具有较小的归一化均方误差.     

基于梯度追踪的压缩感知超宽带通信信道估计

针对现有压缩感知超宽带信道估计方法运算复杂度较高的问题,提出了基于梯度追踪算法的压缩感知超宽带信道估计方法.将超宽带信道估计转化为压缩感知的重构问题,并使用梯度追踪算法进行重构得到信道估计值,最终实现信息解调.梯度追踪算法通过每步计算目标函数的负梯度方向和搜索步长,使目标函数沿负梯度方向以此步长搜索得到每步重构值的最优解,从而避免了正交匹配追踪算法中高维度最小二乘运算以及基追踪算法中求解凸优化问题所导致的运算复杂度高的缺点.仿真结果表明该方法相对于正交匹配追踪算法和基追踪算法能够降低运算复杂度,提高运算速度,同时依然能够保证估计效果.     

基于最大后验概率估计的压缩感知算法

针对压缩感知重构算法计算代价较大的问题,提出了一种用来构建压缩感知稀疏数据重构算法的MAP方法。此方法相对于一般的观测矩阵来说,计算代价较低。₁-范数使用一个标准的线性规划算法的最小计算代价是O(N³),该方法通过使用最大后验方法使计算代价减少到O(N²),并通过引入分割比来使算法更好地收敛。实验证明此方法能够获得较为成功的重构区域。     

一种改进的压缩感知重构算法

压缩感知重构信号时,在感知过程中如何选定支撑集对算法的重构性能至关重要.基于压缩采样匹配(CoSaMP)重构算法,引入Dice系数匹配性度量准则,优化了支撑集的选择.上述算法改进了从给定的观测矩阵中挑选与残差信号最匹配原子的匹配准则,体现了残差信号中各个元素对原子选取的重要作用.仿真结果表明:在同等稀疏的条件下,重构算法与传统的CoSaMP算法相比,误差低于传统CoSaMP算法,且随着观测维数的增加,重构信号的平均成功概率比传统的CoSaMP算法的大,实现了较小的重构误差和更好的压缩性能.