OFDM系统导频信道估计算法的性能研究

研究基于块状导频的最小平方（LS）信道估计、线性最小均方误差（LMMSE）和低秩LMMSE信道估计算法,并进行了算法仿真,得出不同信道估计算法下正交频分复用（OFDM）系统误比特率（BER）和信噪比（SNR）之间的变化关系,以及在不同导频符号间隔下的误比特率曲线图。仿真结果表明：LMMSE、低秩LMMSE和LS算法的性能依次变差,且导频符号间隔对误比特率性能影响较大。     

基于导频的光OFDM系统信道估计

信道估计是光正交频分复用（OOFDM）系统关键技术之一,为了克服光纤色散和模式的传输时延所产生的载波间干扰（ICI）,设计了一种基于导频的信道估计器,通过分析最小二乘（LS）和线性最小均方误差（LMMSE）算法估计原理,仿真实验比较两种算法的误比特率和均方误差性能,实验结果表明,LS与LMMSE在OOFDM系统中都有较好的作用,但LMMSE算法性能要优于LS算法。     

一种实用的基于导频的空时编码OFDM系统信道估计方法

该文研究了在多径衰落信道情况下的基于导频的空时编码OFDM系统的信道估计方法,包括基于DFT的LS,LMMSE算法,提出了一种实用的估计方法,该方法通过优化设计的导频符号避免了复杂的矩阵求逆计算,大大降低了LS,LMMSE算法的复杂度和运算量,在性能上接近理想信道信息情况下的性能。     

认知无线电中基于导频的信道估计研究

介绍了认知无线电NC-OFDM系统中的信道估计技术,着重分析了基于导频的LS信道估计、联合LMMSE信道估计、以及联合SvD—LMMSE信道估计算法。采用频率选择性信道,对各个算法进行了仿真实验,得出不同算法下信道估计的误码率曲线,比较了各算法的性能。仿真结果表明：与LS估计算法及联合LMMSE估计算法相比,联合SVD—LMMSE信道估计算法有效地降低了误码率,并且具有较低的复杂度,但是其性能略于联合LMMSE信道估计的性能：另外,联合SVD—LMMSE信道估计算法的误码率小于分离SVD—LMMSE信道估计算法的误码率。     

LTE系统中有关维纳滤波信道估计的性能分析

基于LTE系统下行信道中离散分布的导频符号,本文提出了一种时频维纳滤波信道估计方法。分别在频域和时域使用维纳滤波方法获得信道响应。这种方法有两种实现形式：一种是利用自相关矩阵计算导频部分的信道响应,再利用插值算法获得数据部分的信道响应,另一种是利用互相关矩阵直接计算导频和数据部分的信道响应。在瑞利衰落信道环境下进行MATLAB仿真,维纳滤波相比LS算法性能有很大提高,时频维纳滤波信道估计算法的性能优于LMMSE算法,自相关时频维纳滤波信道估计算法性能优于互相关时频维纳滤波信道估计算法。     

基于导频的光OFDM系统信道估计

为了克服光纤色散和模式的传输时延导致ICI设计了一种基于导频的信道估计器．并分析了LS和LMMSE算法估计原理,通过仿真实验比较了两种算法的误比特率和均方误差性能．实验结果表明LS与LMMSE在光OFDM系统中都有较好的作用但LMMSE算法性能要优于LS算法。     

一种基于可靠判决反馈信号的SC-FDMA信道估计算法

针对SC-FDMA系统,提出一种基于LS,LMMSE的判决反馈信道估计算法。该算法通过设置门限BER,在初始信道估计之后得到的判决反馈信号中选取合适可靠的信号作为准导频信号,与原导频一起进行二次信道估计,通过导频数量的增加来提高信道估计的精度。理论分析和仿真结果表明,该算法提高了信道估计的精度,而且提高了通信性能。     

基于导频符号的信道估计算法研究

正交频分复用(OFDM)是一种高效的数字传输技术,因其较高的频带利用率以及抗多径衰落的性能,被视为下一代无线通信的核心技术.信道估计技术是实现OFDM系统的关键技术之一.文中主要研究了OFDM无线系统中基于导频的信道估计算法--LS算法和LMMSE算法, 通过仿真其算法的误码率特性和均方误差性能表明,LMMSE的性能明显优于LS.     

基于小波阈值去噪的UFMC信道估计算法

通用滤波多载波(Universal Filtered Multi-Carrier,UFMC)技术是一种新型多载波技术,是5G备选波形技术之一.对UFMC系统进行了介绍,再针对该系统的信道估计问题,提出一种基于小波阈值去噪的最小二乘(Least Square,LS)信道估计算法.首先利用LS算法获得导频处的信道响应,再用...     

一种高速无人机下行链路信道估计方法

针对高速无人机下行数据传输中,系统因地空无线信道存在严重的频率及时间选择性衰落而导致性能大幅下降的问题,提出了一种卡尔曼与最小二乘(LS)联合的地空信道估计方法。构建了正交频分复用(OFDM)传输系统和地空信道模型,信道估计基于格状导频进行,以减少导频数量,提高数据传输效率。信道估计分两步进行,先利用LS算法得到导频处粗信道估计值,针对时域离散导致无法进行卡尔曼估计的问题,进行插值处理变为时域连续,然后再采用卡尔曼算法优化粗估计值,进一步提高信道估计的性能。仿真分析表明,该方法相较于传统的LS估计方法,导频插入数量相同,有2～3 dB的性能提升。与梳状导频下的卡尔曼估计方法相比,使用本文方法性能提升约1 dB,但导频使用数量下降了60%。     

短波SC-FDE系统中改进的LS信道估计算法

针对短波单载波频域均衡( SC-FDE)系统中最小二乘( LS)信道估计算法受噪声影响大而导致的估计精度低的问题,提出了一种改进的基于小波去噪的LS信道估计算法。改进算法采用基于分块导频的帧结构,首先用LS算法对信道进行初步估计,然后根据小波多分辨率分析( Mallat)理论将LS估计的结果分解,并设置一个合理阈值对分解得到的小波系数处理,从而消除LS估计的残留噪声,提高估计精度。仿真结果表明,在短波信道下,改进算法不仅减小了系统开销,而且提高了LS估计的性能。     

基于混合结构导频和FFT低通滤波的OFDM信道估计

精确的估计精度、良好的跟踪能力,以及实现简单是信道估计的三个基本要求.本文提出一种混合结构导频的信道估计新方法,采用块状导频和基于FFT低通滤波的LS算法捕捉准确的信道频域响应,利用少数梳状导频和改进的LS算法跟踪信道变化和修正相位噪声.通过仿真证明,该方法估计精度高,频谱利用高,信道跟踪能力强,实现简单,满足了慢衰落信道环境下的应用要求.     

基于LTE的导频信道估计研究

正交频分复用(OFDM,Orthogonal Frequency Division Multiplexing)技术是长期演进(LTE,Long Term Evolution)的核心技术之一.目前,基于导频的信道估计是OFDM系统中信道估计的常用方式.在基于导频的信道估计方式下,结合LS估计算法提出了一种下向插值算法(DWI).在LTE信道模型及导频结构下,通过MATLAB仿真工具,将该算法和现有各种算法的性能进行了比较和分析.仿真结果表明,使用结合LS估计算法和DWI算法的OFDM系统信道估计机制,具有复杂度低、易于实现的优点.     

信息管理中UWB系统信道估计与均衡算法及实现

通过介绍UWB技术的发展现状,着重阐述了MB-OFDM UWB通信系统的物理层帧结构和信道模型。在分析最小二乘(LS)信道估计算法和基于快速傅里叶变换(FFT)信道估计算法的基础上,针对MB-OFDM UWB信号帧结构特征提出了一种基于FFT变换和Hannan-Quinn(HQ)准则的改进算法,即FFT-HQ信道估计算法。该文也提出了一种基于信道估计的自适应均衡算法,利用仿真可以看出此均衡算法在性能上优于传统的基于LS算法调整均衡器系数的方法。     

伪叠加Zadoff-Chu序列的LTE下行信道估计

分析了正交频分复用系统中基于叠加训练序列的最小二乘和线性最小均方误差信道估计算法,在此基础上针对LTE信道的结构特征,提出了一种利用伪叠加Zadoff-Chu序列进行信道估计的最小二乘算法。该方法可以大大降低算法复杂度,并且不需要信道先验信息、不占用带宽资源。仿真结果验证了该方法的有效性,其性能比频域的离散傅里叶变换算法和线性最小均方误差算法性能更优。     

OFDM电力线通信系统的时域信道估计方法

针对G3-PLC协议,提出了两种改进的时域信道估计方法。为达到时域降噪效果,采用了预置电力线信道最大时延的方法,但这使得相关的时频变换矩阵不满秩,无法直接采用最小二乘准则估计其时域特性。因此,文中提出一种基于修正变换矩阵的时域LS算法,解决了矩阵不可逆问题。同时进一步提出了一种无需信道统计特性的时域线性最小均方误差算法,大幅降低了复杂度。仿真结果表明,修正的时域LS算法和简化的时域LMMSE算法均性能良好。     

Least Square Channel Estimation for Two‐Way Relay MIMO OFDM Systems

This letter considers the channel estimation for two‐way relay MIMO OFDM systems. A least square (LS) channel estimation algorithm under block‐based training is proposed. The mean square error (MSE) of the LS channel estimate is computed, and the optimal training sequences with respect to this MSE are derived. Some numerical examples are presented to evaluate the performance of the proposed channel estimation method.     

Particle filtering based channel estimation in OFDM power line communication

Particle filtering （PF） algorithm has the powerful potential for coping with difficult non-linear and non-Gaussian problems. Aiming at non-linear, non-Gaussian and time-varying characteristics of power line channel, a time-varying channel estimation scheme combined PF algorithm with decision feedback method is proposed. In the proposed scheme, firstly the indoor power line channel is measured using the pseudo-noise （PN） correlation method, and a first-order dynamic autoregressive （AR） model is set up to describe the measured channel, then, the channel states are estimated dynamically from the received signals by exploiting the proposed scheme. Meanwhile, due to the complex noise distribution of power line channel, the performance of channel estimation based on the proposed scheme under the Middleton class A impulsive noise environment is analyzed. Comparisons are made with the channel estimation scheme respectively based on least square （LS）, Kalman filtering （KF） and the proposed algorithm. Simulation indicates that PF algorithm dealing with this power line channel estimation difficult non-linear and non-Gaussian problems performance is superior to those of LS and KF respectively, so the proposed scheme achieves higher estimation accuracy. Therefore, it is confirmed that PF algorithm has its own unique advantage for power line channel estimation.     

Low complexity joint estimation of synchronization impairments in sparse channel for MIMO–OFDM system

Low complexity joint estimation of synchronization impairments and channel in a single-user MIMO–OFDM system is presented in this paper. Based on a system model that takes into account the effects of synchronization impairments such as carrier frequency offset, sampling frequency offset, and symbol timing error, and channel, a Maximum Likelihood (ML) algorithm for the joint estimation is proposed. To reduce the complexity of ML grid search, the number of received signal samples used for estimation need to be reduced. The conventional channel estimation techniques using Least-Squares (LS) or Maximum a posteriori (MAP) methods fail for the reduced sample under-determined system, which results in poor performance of the joint estimator. The proposed ML algorithm uses Compressed Sensing (CS) based channel estimation method in a sparse fading scenario, where the received samples used for estimation are less than that required for an LS or MAP based estimation. The performance of the estimation method is studied through numerical simulations, and it is observed that CS based joint estimator performs better than LS and MAP based joint estimator.