非高斯噪声环境下基于RLS的稀疏信道估计算法

现有的信道估计算法大多是基于高斯噪声模型假设。然而在实际无线通信环境中,常常出现脉冲噪声使得噪声不再满足高斯模型,而是满足一种广义高斯分布(GGD)噪声模型。采用传统的自适应信道估计算法(如递归最小二乘(RLS)算法)无法抑制这种非高斯噪声的干扰。对此提出一种可抑制非高斯噪声干扰的RLS信道估计算法。该算法通过在标准RLS算法中引入两种稀疏约束函数(L1-范数和L0-范数)来有效地挖掘稀疏结构信息。通过蒙特卡罗仿真,验证了提出的信道估计算法的估计性能比标准RLS算法更好。     

基于RLS自适应滤波算法的MIMO-OFDM信道估计

对于传统递归最小二乘算法信道估计性能的抗噪声问题,提出一种基于自适应滤波的RLS估计算法。该算法通过在时域内加入自适应滤波器,对信道中的估计结果进行自适应滤波。经过仿真分析,将自适应滤波的RLS算法与传统的RLS算法在误码率(BER)的性能进行比较,得出基于自适应滤波的RLS算法是一种高精度抗噪声的信道估计算法。将系统的输入含有噪声的信号进行自适应滤波,得到输出信号波形,与输入信号波形进行对比,来验证自适应滤波对噪声抑制作用。     

多天线系统频域信道估计算法的研究

在天线性能优化问题的研究中,MIMO-OFDM 技术将 OFDM 与空时编码技术有机的结合在一起,能够大幅度的提高无线通信系统的信道容量和传输速率.为了有效地抵抗多径衰落、抑制干扰和噪声,提出了一种改进的 LS 频域信道估计的改进算法即分组 LS 频域信道估计算法.算法根据 MIMO-OFDM 系统相邻子载波频域信道响应变化缓慢的结论,把所有天线发送的 OFDM 子载波分成多组来进行信道估计.通过对算法的仿真建模并进行仿真,表明算法具有简化算法复杂度以及提高抗噪声和信道估计能力,在抗多普勒频移等方面有更好的性能.算法可为多天线系统信道估计的研究提供了设计依据.     

一种基于二维导频的信道估计改进算法

针对充满噪声干扰和多径效应的无线信道环境,提出一种基于二维导频的信道估计改进算法.该算法采用二维导频设置图案,利用导频点处充分记录的信道信息,提取信道参数的最优初始估计.在此基础上,利用优化的LMMSE算法,修正初始信道估计中的估计误差.理论分析及仿真实验表明,在多径时变衰落信道下,改进后的信道估计方法有效提高了系统的估计性能.     

基于线性模型的信道质量估计算法

针对自适应卫星通信中对信道质量估计的需求,在加性高斯白噪声信道条件下,以信干噪比(SINR)作为表征信道质量的参数,提出一种信道质量估计算法.给出矩估计法和判决数据估计法的数学分析,利用指数加权因子对噪声加干扰的功率进行平滑.提出基于矩估计和判决数据估计的线性模型对SINR估计的算法,分析该模型的均方误差,同时搜索最佳...     

基于UKF的CDMA系统信道参数估计

CDMA系统信道时间延迟估计是一个非线性的迭代过程。UKF算法能够避免EKF由于线性化非线性系统而带来的误差过大等问题,比EKF估计的更加精确。利用UKF算法对CDMA系统信道的幅度衰减参数与延时参数进行了估计。在研究中考虑到了多址干扰和远近效应对信道参数的影响,仿真结果表明UKF算法能有效地抑制远近效应及多址干扰,估计出无线信道参数。     

STC-OFDM系统改进的消除串行干扰算法

STC-OFDM系统有效弥补了正交频分复用多址系统中符号间干扰和频率选择性衰落等不足,但存在如何有效抑制因多天线传输产生的相互干扰问题.为此,提出了一种结合信道频率响应恢复和串行干扰消除来抑制干扰的改进算法,该算法在串行干扰消除之前先对导频进行信道频率响应恢复,减小估计对信道频率响应的影响.仿真实验表明,该算法能进一步改善STC-OFDM系统比特误码率并进而抑制相互干扰.     

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。     

MIMO-OFDM系统自适应信道估计算法分析

在MIMO-OFDM系统中,信道参数估计对相干检测至关重要.现有的信道估计算法大多需要对大矩阵做求逆运算,计算复杂度高,或者需要预知信道统计信息.提出一种MIMO-OFDM系统的自适应信道估计算法,无需任何先验信道统计信息,就能够通过导频辅助和迭代的方法对时变信道状态参数进行即时跟踪与估计.仿真结果表明在MIMO-OFDM系统中,提出的基于LMS或RLS的自适应信道估计算法相比于传统的不考虑噪声的LS信道估计算法,MSE和BER等性能均有大幅提高,能够很好地抵御无线信道引起的多径效应的影响,适宜应用于MIMO-OFDM系统.     

OFDM系统中利用整体最小二乘法的信道估计

基于导频的最小二乘(LS)估计方法的优点是结构简单、容易实现,但对噪声和干扰敏感.为了抑制噪声和干扰,引入了整体最小二乘法(TLS)进行信道估计,并给出了整体最小二乘法的公式.该方法同时考虑了信道噪声和信道时变特性.理论分析和仿真结果表明,该算法能有效消除噪声和干扰,较好地恢复传输信号.     

基于自适应卡尔曼滤波的盲多用户检测算法

对强多址干扰情况下码分多址系统的盲多用户检测算法进行研究,针对多径信道的码分多址系统,提出一种基于自适应卡尔曼滤波的盲多用户检测算法。该算法可在进行状态滤波的同时对未知噪声的统计特性进行在线估计,确保算法收敛于期望用户,提高检测器在动态环境下的跟踪性能。仿真结果表明,与最小均方算法及递推最小二乘算法相比,该算法具有更好的收敛性和动态性能。     

含未知参数的自校正融合Kalman滤波器及其收敛性

对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.     

NLMS与RLS算法的仿真比较及其在FECG提取中的应用

该文通过计算机仿真对比研究了归一化最小均方误差（NLMS）和递推最小二乘（RLS）两种自适应滤波算法,并将这两种算法用于胎儿心电图仪的自适应滤波器仿真设计中。该方法通过自适应滤波拾取理想的参考信号,再与腹部混迭信号相减抵消母亲心电图（MECG）,从而提取出胎儿心电（FECG）信号。计算机仿真实验结果表明,这两种算法都能通过有效抑制MECG及其它各种干扰以实现FECG的检测。相比之下,RLS算法具有良好的应用性能,除收敛速度快于NLMS以及稳定性强外,还具有更高的起始收敛速率;更小的权失调噪声,更大的抑噪能力,但其计算复杂度高于NLMS算法。     

基于强跟踪滤波器的盲自适应多用户检测

盲自适应多用户检测是码分多址(CDMA)系统中抑制多址干扰的一项重要技术.为克服传统的基于最小化输出能量准则的盲自适应多用户检测技术收敛速度慢的这一缺点,利用一种新近提出的多用户接收器的典范表示方式,构造了多用户检测系统的状态空间模型,再利用强跟踪滤波器(STF)理论,设计了一种新的盲自适应多用户检测方法.仿真结果表明,在异步CDMA系统中,与基于LMS算法、RLS算法及Kalman算法的盲自适应多用户检测相比, 方法具有收敛速度快速稳定, 跟踪性能好等优点.因此,基于强跟踪滤波器的盲自适应多用户检测是有效的.     

多算法结合的汽车参数和状态估计方法研究

为实时准确获取汽车参数及状态信息以提高汽车主动安全性能,提出了一种多算法结合的自适应估计算法。该算法将递推最小二乘算法、蚁群优化算法及容积卡尔曼滤波算法进行有效结合,同时将含有不准确模型参数及未知时变噪声的三自由度非线性整车模型作为标称模型。采用递推最小二乘算法实时估计汽车参数,引入蚁群优化算法实时跟踪容积卡尔曼滤波器的过程噪声及量测噪声,根据目标函数对噪声协方差进行寻优,以解决系统的噪声时变问题,从而获取汽车状态的准确估计。基于CarSim/Simulink的仿真实验结果表明,该算法的状态估计精度高,且具备汽车模型参数校正能力,可以满足系统的控制需要。     

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法, AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.     

磁异信号自适应检测算法

针对在分形噪声1/fα(0≤α2)中检测磁异信号存在的问题,提出了一种自适应噪声抵消器与自适应AR白化滤波器相结合的磁异信号正交基函数(OBF)检测算法——改进的OBF检测算法。由于固定AR白化滤波器对分形噪声1/fα的白化效果不佳,影响了OBF检测算法的性能,因此采用自适应噪声抵消器对被检测信号进行预处理以提高其信噪比,再利用自适应AR白化滤波器对预处理信号进行白化滤波,以实现OBF检测算法的最优化。理论仿真结果表明:当α值接近于0时,改进的OBF检测算法的处理增益略高于未经白化的OBF检测算法;当α值接近于2时,改进的OBF检测算法的处理增益略高于基于AR白化滤波器的OBF检测算法;当α值约等于0.8时,改进的OBF检测算法的处理增益高于其他两种算法7 dB,实验结果表明改进的OBF检测算法可以检测更微弱的磁异信号。     

隐Markov模型的多算法交叉耦合自适应算法

以离子通道信号重构为例，扩展HMM为矢量隐Markov模型，利用随机逼近原理对期望最大算法进行自适应改造，估计离子通道的动力学特征参数；递归辅助变量算法估计背景噪声的统计特征；卡尔曼滤波预测背景噪声；三种算法交叉耦合重构离子通道信号。该算法能够克服滤波器和背景噪声的影响，在低信噪比情况下得到了较高精度的估计参数和重构信号，具有鲁棒性和一致收敛特性。     

Design of RLS Wiener FIR filter using covariance information in linear discrete-time stochastic systems

This paper addresses a new design method of recursive least-squares (RLS) finite impulse response (FIR) filter, using the covariance information of the signal and observation noise, and RLS Wiener FIR filter in linear discrete-time stochastic systems. The signal is observed with additive white noise. The signal is assumed to be independent of the white observation noise. The RLS Wiener FIR filter uses the following information: (1) The observation matrix for the signal, (2) the system matrix for the state vector, (3) the variance of the state vector.     

混合式自适应Kalman滤波算法

采用虚拟噪声补偿模型误差和有偏的噪声方差估值器、滤波器收敛性判据相结合的方法来解决自适应Kalman滤波发散的问题。首先若模型不准确,则引入虚拟噪声对模型误差进行虚拟补偿,然后采用有偏的噪声方差估值器、滤波器收敛性判据对噪声方差估计值进行监控,阻止滤波器发散。采用混合式自适应Kalman滤波算法对Gill公司的风向风速仪实时采集的数据进行处理,实验结果表明,该方法能有效的提高性能、抑制滤波发散,具有较强的实用性、自适应能力。