基于叠加导频的MIMO-OFDM半盲信道估计

在多输入多输出正交频分复用（MIMO-OFDM）系统中,针对基于叠加导频的半盲信道估计方法估计精度不高、对发送信号零均值要求严格的缺点,提出了一些基于传统算法的改进。接收端利用传统算法的估计结果先去除发送信号的影响,再进行估计,对该估计结果进一步利用自适应跟踪算法来提高估计的精度。仿真结果表明改进算法的性能优于传统算法。     

引入输入估计的交互式多模跟踪算法

 本文融合交互多模算法和修正输入估计算法,提出一种新的全面自适应跟踪算法.利用修正新息序列的方法对输入估计(IE:Input Estimation)算法进行了改进,提高了输入估计的性能.综合不同检测窗长度的修正输入估计(MIE:Modified IE)算法的特点,在交互式多模型中采用不同检测窗长度的MIE作为子滤波器,保持对机动的全面自适应跟踪.仿真实验证明,改进算法与CV-CA模型组成的交互多模算法相比,无论对机动的响应速度还是滤波精度都优于交互多模算法.     

基于压缩感知的MIMO NC-OFDM系统信道估计算法北大核心

多输入多输出不连续正交频分复用(MIMO NC-OFDM)系统是认知无线电(CR)系统的常用体制,由于授权用户占用而导致的载波不连续情况下的信道估计是影响该系统性能的关键技术问题。提出一种基于压缩感知(CS)的MIMO NC-OFDM系统的信道估计方法——稀疏自适应匹配追踪(SAMP)算法。SAMP算法在重构过程中先对信号稀疏度进行初始估计,然后自适应调整步长逐步逼近信号,相较于其他贪婪算法,能够在稀疏度未知的情况下准确重建稀疏信号。仿真结果表明,SAMP算法提高了重构精度,在实际应用中易于实现。     

零极值目标函数系统辨识算法

该文提出一种零极值目标函数最小化系统辨识算法。目标函数为系统均方误差与系统噪声方差之差的平方,其极小值为零。在系统辨识过程中采用滑动平均法在线估计系统均方误差、输入自相关矩阵以及输入与期望响应的互相关向量。推导出自适应滤波器权值向量的更新表达式。算法的步长能够根据统计量自适应地调整,使得在得到较小稳态误差的同时提高算法收敛速度。分析了算法的稳定性,得到了算法收敛的条件。对比实验结果表明,该算法具有更快的收敛速度,更小的稳态误差以及更好的稳定性。     

浅谈广播电视无线技术的检测与管理

无线电信号检测方法在广播电视信号检测技术中已经广泛应用,本文利用基于MMSE准则完成自适应信道估计和补偿算法设计,利用估计出的信道质量数据对广播电视输入信号做相应补偿,提高了广播电视系统性能和电视广播质量。     

偏差补偿比例互相关熵算法

为了解决输入信号含有噪声和非高斯输出噪声的稀疏系统辨识问题,本文提出一种偏差补偿比例更新互相关熵算法。基于互相关熵的自适应滤波算法可以消除非高斯噪声的影响, 进一步应用无偏准则来解决含噪输入信号带来的估计偏差问题。另外,将比例更新机制引入算法,通过自适应调节步长参数以增强算法的跟踪性能。仿真结果表明所提算法对于输入信号受噪声干扰和非高斯输出噪声环境下的稀疏系统辨识问题具有强的鲁棒性和稳态性能。      

直接扩频序列系统中IIR格型自适应滤波抗多窄带干扰

介绍了一种直接扩频系统中抗多个窄带干扰的多支路自适应IIR陷波滤波算法。通过频率分离 ,在各个支路通过谱线增强器估计干扰的瞬时频率和功率 ,减少了输入信号特征值扩散程度 ,加快了自适应算法收敛速度。采用一种IIR自适应格型陷波滤波技术 ,调整陷波器的深度 ,提高了输出信号信噪比。     

基于混沌神经网络的二维局部均值估计自适应滤波

为了提高自适应滤波的精度和收敛速度,提出了一种基于混沌神经网络的二维均值估计(LME)自适应滤波算法,在传统的二维LME自适应滤波方案中引入了混沌神经网络控制机制,用混沌神经网络自适应滤波器代替LME中的LMS自适应滤波算法,应用混沌神经网络估计局部期望输出进行滤波.仿真结果表明,该局部均值估计滤波器当输入信号为均值不为0且变化较大时,输出信号仍能较好地实现对输入信号的跟踪,获得了原始信号的主要特性,从均方误差曲面来看,算法具有较快的收敛速度和较高的滤波精度.     

基于伪线性和输入估计的无源自适应跟踪算法

基于伪线性滤波算法和输入估计算法提出了一种对空中机动目标进行三维测向无源自适应跟踪的新算法。该算法把目标机动加速度看成是未知的输入向量附加到状态方程中,再利用状态向量扩维情况下的伪线性滤波算法对目标进行三维无源跟踪,跟踪过程中在对原来目标状态向量进行估计的同时估计目标加速度。仿真结果表明：该算法不需要对目标进行机动检测,即能够适应目标机动和非机动2种工作模式,实现对空中机动目标的自适应无源跟踪。     

基于MCoSaMP算法的MIMO稀疏信道估计

针对单载波多输入多输出(Multiple Input Multiple Output,MIMO)系统中的稀疏信道估计问题,基于压缩传感(Compressed Sensing,CS)理论,提出了一种改进的压缩采样匹配追踪(Modified Compressive Sampling Matching Pursuit,MCoSaMP)算法.新算法在现有的压缩采样匹配追踪算法的基础上,通过前一步迭代的残差设计了一种自适应加权因子,利用该加权因子进行加权最小二乘估计,逐步减小了异常样本对当前估计的影响.仿真结果表明,在使用相同长度的训练序列时,新算法与现有的基于压缩采样匹配追踪的估计算法相比,在估计精度上有明显提高.