OFDM稀疏信道估计中改进的OMP算法

针对传统的最小二乘（LS）算法需要导频数多而估计精度不高、正交匹配追踪（OMP）算法估计效果好但计算复杂度高的缺点,从硬件实现的角度出发,提出一种基于动态门限的OM P信道估计算法,对OFDM 的信道响应进行估计。该算法可减少OM P算法寻找匹配向量时向量运算的次数。仿真结果表明,与LS算法相比,该算法使用较少的导频,获得了很好的信道估计性能;与OM P算法相比,该算法显著减少了计算复杂度和运算时间。     

基于A* OMP算法的压缩感知声纳成像

传统声纳成像系统所要采集的数据量巨大,给硬件设备以及数据的存储和传输带来很大的压力。压缩感知作为一种全新的采样理论,可以从很少的采样数据中以很大的概率重建原始信号。将压缩感知用于声纳成像,减少数据采集传输量。考虑到水下环境的复杂性,提出了A* OMP作为声纳成像算法,该算法使用A*搜索方法寻找最优原子,得到全局最优路径。实验结果表明,相比于传统OMP算法,所提算法有效地提高了声纳成像的质量。     

基于降噪回溯SAMP算法的Massive MIMO信道估计

传统的LS算法、MMSE算法应用于信道估计时需要进行协方差矩阵求逆的运算,当信号数量庞大时,会有很高的计算复杂度.考虑到信号稀疏性的特点,可将压缩感知理论应用于信道估计中.常见的压缩感知贪婪类算法有OMP算法和CoSaMP算法,这两种算法需要将稀疏度作为已知条件,因此限制了其使用.提出基于降噪回溯SAMP算法(NrSA...     

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。     

CoSaMP改进算法在信道估计中的应用

压缩采样匹配追踪CoSaMP(Compressive Sampling Matching Pursuit)算法作为压缩感知中信道估计比较具有代表性的算法之一,一直无法解决如何获取信道的稀疏度问题。为了解决该问题,提出一种利用峰值信噪比PSNR同迭代次数之间的关系而构造的一种改进算法。该算法可以自适应确定迭代次数,从而有效地提高CoSaMP算法的效率,增加了CoSaMP算法在实际信道估计中的可行性。     

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。     

一种改进的卡尔曼滤波压缩感知信道估计算法*

精确、高速的信道估计是通信系统处理信号的基础。针对卡尔曼滤波压缩感知在信道估计时伪测量过程计算效率较低的问题,提出了一种高性能的卡尔曼滤波压缩感知信道估计算法。对伪测量过程的近似 范数约束框架进行了进一步优化,引入高斯核函数对雅克比赋权矩阵的列向量进行优化,使算法对稀疏信号支撑集的重构速度较大程度提升。同时,引入微分熵确立了收敛指标,降低了算法的运行时间。仿真表明,在同等条件下,本文算法相对于原有算法,估计精度和收敛速度均有较大程度提高,在低信噪比和不同稀疏度下都具有较好的鲁棒性和实用性。     

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。     

一种改进的基于暗通道先验去雾算法

在雾霾天气下图像质量受大气散射的作用,使得图像质量较差。针对以上问题,提出一种改进的暗通道图像去雾算法。由于带雾图像中局部区域暗通道分量不趋近于0,对大气光值的估计是通过局部像素点R、G、B三通道像素值的方差来判断其波动幅度。若波动较大,则选出三通道中的较小值为当前像素点的暗通道像素值;若波动较小,则通过其周围像素点中最小通道的均值来确定当前点的暗通道值,从而得到精准的暗通道图和大气光值。将采样的方式加快求取透射率图的速度,最后转变为HSI颜色空间可以对图像进行更好的复原。实验结果表明,该算法可以针对色彩失真的状况得到有效的改善,同时在得到去雾图像速度上提高50%以上。     

一种改进的基于核密度估计的DPC算法

快速搜索和找到密度峰DPC(clustering by fast search and find of density peaks)的聚类是一种新颖的算法,它通过找到密度峰来有效地发现聚类的中心。DPC算法的精度取决于对给定数据集的密度的精确估计以及对截止距离dc(cutoff distance)的选择。dc主要是用于计算每个数据点的密度和识别集群中的边界点,而DPC算法中dc的估计值却主要取决于主观经验值。提出一种基于核密度估计的DPC方法(KDE-DPC)来确定最合适的dc值。该方法通过引用一种新的Solve-the-Equation方法进行窗宽优化,根据不同数据集的概率分布,计算出最适合的dc。标准聚类基准数据集的实验结果证实了所提出的方法优越于DPC算法以及经典的K-means算法、DBSCAN算法和AP算法。     

基于最大似然准则的CHAN改进算法

Chan算法是一种经典的具有闭式解的高效时差定位解算算法,但在实际应用中却存在一些困难和不足。首先对Chan算法在二维平面下的解集作了说明,并提出一种基于最大似然准则的定位模糊消除方法以得到唯一最终解,其次,针对Chan算法在较大时差测量误差下定位精度下降明显的现象,提出一种基于近似最大似然的方法对Chan算法定位估计进行修正,以改善其定位性能。仿真结果表明,对Chan算法提出的改进措施是有效可行的。     

基于改进贝叶斯压缩感知的正交频分复用系统信道估计

针对正交频分复用(OFDM)系统利用传统压缩感知算法进行信道估计需要已知信道稀疏度等消息,且算法复杂度高,重构时间长的问题,提出改进贝叶斯压缩感知算法进行OFDM信道估计。该算法将正交频分复用系统的信道估计转化为贝叶斯压缩感知重构问题,在不需要预先知道信道稀疏度信息的情况下,通过优化重构过程中的基函数选择方法,将基函数从1个开始逐渐增加,而不是删除,进而得到信道估计值以及误差范围,使该算法具有更快的收敛速度。仿真结果表明,与传统信道估计算法相比,该算法不需要信道的稀疏度信息,并且重构精度更高,在低信噪比的情况下估计效果更好,提高了运算速度,降低了复杂度。     

GOMP改进算法在信道估计中的应用

广义正交匹配追踪GOMP(Generalized Orthogonal Matching Pursuit)算法作为压缩感知理论中的重要组成部分,在信道估计领域早有应用。但由于无法解决信道稀疏度的获取问题,限制了这一算法的发展。针对这一问题,提出一种通过变步长实现稀疏自适应匹配的改进算法,并利用傅里叶变换的共轭对称性在选择原子方面加以完善,从而提高了算法的精度和效率,增强了该算法在实际信道估计中的可行性。     

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。     

一种新的基于遗传算法的盲FIR信道估计

为了改善盲有限脉冲响应FIR(Finite Impulse Response)信道估计性能,提出基于高阶统计协同进化遗传算法的盲FIR信道估计方法。通过协同进化的方法来改善标准遗传算法的搜索机制,并给出利用累积量拟合不同累积量切片的代价函数,通过最小化代价函数来估计信道系数。同时为了提高收敛速度,采用了基于高阶统计量数学关系的初始种群。仿真结果表明,新算法的收敛速度和精度均优于加权片算法和标准遗传算法等经典算法,尤其是在高阶信道中。     

一种基于Spark的改进随机森林算法

提出一种改进随机森林算法(SP-RF).通过建立数据抽样索引表和随机特征索引表来实现随机森林算法在Spark上的并行化;通过计算随机森林算法中每个决策树的AUC值来给分类能力不同的决策树分配权重;提高随机森林算法在投票环节的分类精度.实验结果表明改进后的随机森林算法分类精度平均提高5％,运行时间平均减少25％以上.     

一种改进的APDZS运动估计算法

在A．M．Tourapis的APDZS算法基础上,提出了一种改进的APDZS算法（IAPDZS）。通过对具体数据的分析,表明原来的APDZS算法存在较大搜索冗余,因此IAPDZS算法对此进行了相应改进。首先是初始候选向量的选择,增加（0,0）向量作为候选初始向量;相应的第二处改进在搜索顺序上,IAPDZS算法去除了以（0,0）为中心进行的第二次搜索;第三处改进在具体搜索过程中,IAPDZS算法根据不同的搜索模式,提出了改进方案。实验结果表明,IAPDZS算法能够在确保视频图像质量的前提下,有效提高搜索效率,总体搜索点数比APDZS算法降低20％左右。