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。     

基于压缩感知的稀疏信道估计方法

针对OFDM系统中传统最小二乘(LS)信道估计方法需要大量导频估计精度却不高的问题,提出基于压缩采样匹配追踪(CoSaMP)的压缩感知信道估计新方法.利用发送信号,接收信号和信道的频城关系建立基于压缩感知的数学模型,再采用CoSaMP算法对信道进行重构.仿真结果表明,与LS算法相比,基于CoSaMP的压缩信道估计方法能利用少量的导频信号达到与之相比拟的信道估计性能,提高了频谱利用率;与现有压缩感知信道估计算法(基追踪(BP)与正交匹配追踪(OMP)相比,在使用相同导频数目条件下,具有更好的信道估计性能和更低的计算复杂度.     

OFDM水声通信系统信道估计算法应用研究

信道估计的精确性和有效性是正交频分复用（OFDM）水声通信系统具有良好性能的保证。针对水声信道稀疏性的特点,在传统的LS（最小二乘）和LMMSE（线性最小均方误差）信道估计算法的基础上进行了基于压缩感知（Compressive Sensing,CS）理论的LS-MP（Matching Pursuit,匹配追踪）信道估计算法的研究。并在OFDM水声通信系统下,对传统的信道估计方法（LS和LMMSE）和基于压缩感知理论的LS-MP信道估计方法进行仿真分析,对这三种算法进行了性能比较。     

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。     

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.     

OFDM系统中基于因子图的信道估计算法

为提高正交频分复用(OFDM)系统的信道估计精度,根据频谱资源的无陑信道特性,提出基于因子图的 OFDM 系统信道估计算法,包括二维联合信道估计算法和2个级联的一维信道估计算法。将时变频率选择性衰落信道建模为一阶自回归模型,使信道参数之间的交互信息近似为高斯分布,利用和积算法实现OFDM系统的联合信道估计和符号检测。仿真结果表明,该信道估计算法能够以较低的计算复杂度逼近最优的估计性能。     

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。     

基于压缩感知的低压电力线载波通信信道估计

针对低压电力线通信环境多径干扰的特点,建立了正交频分复用的压缩感知信道估计模型,将信道估计转换为压缩感知理论中稀疏度未知的号重构问题,首次采用压缩感知的稀疏自适应匹配追踪方法重构出低压电力线载波通信多径信道的冲击响应;仿真表明与其它常用信道估计算法相比,所提出的压缩感知信道估计算法在频谱利用率以及估计性能方面比传统方法有显著提高,在未知稀疏度的情况下,为低压电力线载波通信系统提供了一种稳定、可行的信道估计方案。     

RIS辅助毫米波系统中基于压缩感知的信道估计

针对可重构智能超表面（RIS）辅助无线通信系统中使用传统信道估计方法导频开销过高的问题,提出了一种基于块稀疏的正交匹配追踪（OMP）信道估计方案。首先,根据毫米波（mmWave）信道模型推导出级联信道矩阵,并将其转换到虚拟角域（VAD）中以获得级联信道的稀疏表示;其次,利用级联信道特有的稀疏特性将信道估计问题转换成稀疏矩阵恢复问题,并使用压缩感知的重构算法进行稀疏矩阵的恢复;最后,通过分析特殊的行-块稀疏结构,对传统的OMP方案进行优化,从而进一步减少导频开销并提升估计性能。仿真结果表明,与传统的OMP方案相比,所提出的基于行-块稀疏结构的优化OMP方案的归一化均方误差（NMSE）减小了大约1 dB。可见,所提出的信道估计方案能够有效减少导频开销并获得更好的估计性能。     

基于自适应阈值SAMP算法的OFDM稀疏信道估计

为了降低重构算法的复杂度,提高重构的精确度,提出一种自适应阈值的稀疏度自适应匹配追踪算法（SAMP）,并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明,改进后的算法相比于原算法在CPU运行时间上减少了44.7%,并且在较低的信噪比下也能达到较好的估计效果。此外,针对OFDM稀疏信道估计问题,结合压缩感知理论中观测矩阵的构造方法,提出一种新的导频图案分布设计方法,仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2~4dB。     

帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

压缩感知雷达感知矩阵优化

压缩感知雷达(Compressive sensing radar,CSR)的场景恢复性能要求感知矩阵相关系数尽可能小。针对感知矩阵相关系数的最小化问题,提出了基于模拟退火的感知矩阵优化算法,建立了基于随机滤波结构的CSR模型,给出了优化目标函数,采用模拟退火实现了发射波形、测量矩阵的优化以及联合优化。仿真结果表明该算法可以提高场景恢复精度,提升抗噪能力,增大可观测目标个数上限,且联合优化的性能优于波形和测量矩阵的单独优化。     

一种新的码片内多径时延估计方法

根据信道冲激响应的稀疏特性,提出了一种频域的时延估计压缩感知模型,将时延估计问题转化为基于欠采样数据的稀疏向量估计问题.利用离散傅里叶变换(Discrete Fourier transform,DFT)矩阵的子矩阵所满足的受限等距性(Restricted isometry property,RIP)以及信道冲激响应的稀疏特性充分降低了时延估计所需数据量的要求.分析了本文模型具有码片内多径分辨能力以及良好抗噪性能的原因,并与多信号分类(Multiple signal classification,MUSIC)和旋转不变技术的信号参数估计(Estimation of signal parameters via rotational invariance technique,ESPRIT)算法的时延估计性能进行仿真比较.仿真结果表明,本文提出的方法不需要预知多径的条数,对码片内多径时延具有较高的估计精度,其时延估计性能在特定条件下优于MUSIC和ESPRIT算法.     

基于非局部相似模型的压缩感知图像恢复算法

针对压缩感知(Compressed sensing, CS)图像恢复问题, 提出了一种基于非局部相似模型的压缩感知恢复算法, 该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性, 在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率, 恢复图像在纹理和结构保持方面都得到了很大的提升. 在该算法模型求解过程中, 使用增广拉格朗日方法将受限优化问题转换为非受限优化问题, 为减少计算复杂度, 还使用了基于泰勒展开的线性化技术来加速算法求解. 实验结果表明, 该算法的图像恢复性能优于目前主流的压缩感知图像恢复算法.     

Detection of sparse targets with structurally perturbed echo dictionaries

In this paper, a novel algorithm is proposed to achieve robust high resolution detection in sparse multipath channels. Currently used sparse reconstruction techniques are not immediately applicable in multipath channel modeling. Performance of standard compressed sensing formulations based on discretization of the multipath channel parameter space degrade significantly when the actual channel parameters deviate from the assumed discrete set of values. To alleviate this off-grid problem, we make use of the particle swarm optimization (PSO) to perturb each grid point that reside in each multipath component cluster. Orthogonal matching pursuit (OMP) is used to reconstruct sparse multipath components in a greedy fashion. Extensive simulation results quantify the performance gain and robustness obtained by the proposed algorithm against the off-grid problem faced in sparse multipath channels.     

基于图像分块的Toeplitz结构测量矩阵设计

现有压缩感知成像系统存储测量矩阵时需要较大空间,针对该问题,提出一种基于图像分块的Toeplitz结构块循环测量矩阵设计方法。将图像分块进行压缩感知,减少测量系统的存储空间,从而降低硬件实现难度。仿真结果表明,该方法能快速有效地获得测量值,且重构图像的主客观质量较好。     

遥感图像变化区域的无监督压缩感知

传统的基于结构特征的遥感图像变化检测方法,易受成像稳定性的影响而误差很大。针对图像内在的稀疏性结构信息,提出基于压缩感知(CS)的遥感图像变化检测方法。通过自适应构造超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,并运用随机矩阵得到了数据在高维空间中的低维特征子空间。最后利用模糊C均值(FCM)聚类算法进行无监督聚类,实现遥感图像变化区域信息的重构。实验结果表明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声具有很好的鲁棒性。     

自适应梯度下降观测矩阵优化算法

基于可以通过减小压缩感知中观测矩阵与稀疏矩阵之间的互相关性来提高信号的重构质量,结合无约束凸优化问题中梯度下降的思想,提出了一种自适应梯度下降算法（Adaptive Gradient Descent, AGD）。首先利用等角紧框架（Equiangular Tight Frame, ETF）收缩传感矩阵的Gram矩阵,然后通过收缩得到的Gram矩阵建立一个无约束凸优化问题,最后通过梯度下降方法求解无约束凸优化问题进而得到优化后的观测矩阵。AGD算法通过每次更新梯度下降的方向,使Gram矩阵能够在最短时间内逼近ETF。仿真实验表明,该算法不仅迭代次数少,且优化后的观测矩阵与稀疏矩阵之间的互相关性大大降低。与传统的优化算法相比,信号恢复效果更好。