基于最小二乘的UWB信道盲估计算法

针对超宽带系统的离散信道模型,利用接收信号的一阶统计量,提出一种基于最小二乘（LS）的盲信道估计算法。利用接收信号的循环卷积特性,在一个符号间隔内建立模型,最后利用LS算法求解。仿真表明,该算法与基于导频序列的ML估计方法和LS估计方法相比,均方误差（MSE）性能相差不大,但计算复杂度明显降低,同时提高了系统传输效率。     

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。     

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。     

基于频域LMS算法的稀疏信道估计

传统自适应滤波方法无法直接、有效地对稀疏信道进行估计。为此,提出一种基于频域的稀疏信道估计方法。为削弱或消除信道的稀疏性质在其估计过程中带来的影响,引入频域最小均方（LMS）算法。频域LMS算法通过FFT变换实现稀疏信道的非稀疏化,从而使其可以对稀疏信道直接估计。仿真实验结果表明,频域LMS算法具有较好的收敛性能,与频域RLS算法相比,其收敛速度相当,但其收敛后的均方误差提高近10dB,可较好地完成对稀疏信道的估计,同时在算法的实现过程中通过使用重叠保留法能较大程度地减少估计的运算量。     

基于频域RLS的UWB信道估计算法研究*

为了提高超宽带接收机性能,提出一种适用于TH-PPM调制方式的超宽带信道估计算法,并对其误码率性能及复杂度进行了分析。算法基于信道频域特性,结合递归最小二乘（RLS）计算,达到信道参数估计的目的。算法可同时对多路信道进行估计,而且对幅度和相位不存在模糊因子。通过计算机仿真和与最大似然法信道估计算法的对比表明,该算法在误码率为10-4时,信噪比增益约为2 dB。通过对该算法性能的理论分析及计算机仿真实验表明,该算法在保证信道估计性能的前提下具有低复杂度,易于工程实现的优点。     

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。     

超宽带系统的HDP-HMM-MTCS稀疏信道估计算法

给定超宽带（Ultra Wide-Band,UWB）信道的稀疏结构,利用压缩感知（Compressive Sensing,CS）进行UWB信道估计.作为CS实现的多任务CS（Muti-Task Compressive Sensing,MTCS）算法进行信号重建.信号参数和数据共享可以使用伽马-高斯先验来求解.在本文中,层次结构Dirichle进程（Hierarchy Dirichle Processing,HDP）提供了HDP的树结构,用于解决跨多个任务的数据共享问题.我们研究UWB通信的隐马尔可夫模型（Hidden Markov Model,HMM）HDP多任务CS（Hierarchy Dirichlet Processing Hidden Markov Model based Muti-Task Compressive Sensing,HDP-HMM-MTCS）的信道估计性能.首先,在视距（Line-Of-Sight,LOS）和非视距（Non-Line-Of-Sight,NLOS）环境下的标准化IEEE 802.15.4a信道的稀疏信道结构估计.其次,CS比率（CS Rate,CSR）对HDP-HMM-MTCS信道估计性能的影响.最后,利用SNR（Signal-to-Noise Ratio）,并将其与MTCS,STCS（Simple-Task Compressive sensing）,OMP（Orthogonal Matching Pursuit）,L1magic算法以及新的算法如改进的贝叶斯压缩感知（Bayesian Compressive Sensing,BCS）算法,多经字典自适应算法BCS和特征字典自适应算法BCS的信道估计比较时间复杂性.仿真结果表明,无论LOS和NLOS环境如何,HDP-HMM-MTCS具有最小可执行时间,其信道估计性能优于MTCS和其他算法.因此,HDP-HMM-MTCS是用于稀疏信道模式的有效且高效的UWB信道估计方法.     

基于稀疏信道估计的SC-FDE水声通信

针对水声信道时域冲激响应的稀疏特性,提出基于稀疏信道估计的单载波频域均衡（SC-FDE）水声通信方法。该方法利用匹配跟踪思想,在发射信号矩阵列向量构成的字典中,选择使残余向量投影值最大的列向量去近似拟合接收信号,从而得到水声信道的时域冲激响应,然后通过时-频变换来进行频域均衡。仿真结果表明：该方法可以准确估计出水声信道,其信道估计精度和误码率性能都优于传统的SC-FDE水声通信方法。     

一种改进的基于压缩感知的稀疏信道估计算法

分析了突发信号的结构特征,提出了一种改进的基于压缩感知的稀疏信道估计方法。在信道初始估计中,利用前导伪随机序列的自相关特性,估计信道的路径时延,以此初始化稀疏重构算法,增加了信道估计的先验信息。在后续处理中,利用前一时刻已估计出的信道信息,跟踪估计当前时刻的信道信息。仿真证明,与最小二乘估计算法、正交匹配追踪算法和分离近似稀疏重构算法相比,本文提出的算法提高了信道估计的精度,降低了接收系统的误码率。     

一种基于噪声功率的信道有效阶数盲估计算法

基于二阶统计量的盲均衡算法大多要求估计信道阶数。根据噪声功率随信道阶数的变化特点,提出一种新的阶数估计算法。实验表明,与传统算法相比,该算法不仅复杂度低,在低信噪比和小样本个数情况下估计性能良好,且不依赖于具体的盲信道估计算法,具有较强的适用性。     

基于平滑l0范数的OFDM系统稀疏信道估计

信道估计是无线通信系统的关键技术.为了提高信道估计的精确性,针对现有压缩传感的信道估计算法需预先知道信道稀疏度的问题,提出了一种新的基于压缩传感理论的正交频分复用系统信道估计平滑l0范数(Smoothed l0 Norm,SLO)算法,并引入双曲正切函数对SL0算法进行改进.仿真结果表明,在相同条件下,与传统最小二乘(LS)以及匹配追踪(MP)和压缩采样匹配追踪(CoSaMP)算法比较,改进算法收敛速度快,估计值均方误差小,降低了系统复杂度.     

一种基于子空间的MIMO-OFDM信道盲估计算法

论文主要讨论利用子空间算法对MIMO-OFDM信道进行盲估计.子空间算法是一种非常重要的信道估计算法,但该算法最大的缺点是要求精确估计信道阶数,对信道阶数欠估计或过估计非常敏感.针对这一点论文提出了一种联合子空间算法,该算法能够同时完成信道阶数估计和信道估计.仿真实验表明在低信噪比、观测数据较短和信道具有较小的初始和结尾系数等条件下时,该算法的信道阶数估计能力优于以前的算法,同时信道估计性能也得到较大的提高.     

基于压缩感知理论的超宽带信道估计

针对超宽带通信系统的信道估计中需要对极窄脉冲采样,要求模数转换器的采样速率极高,但目前的硬件制作水平达到采样速率要求较为困难.为降低超宽带信道估计对采样速率的要求,提出一种基于压缩感知理论的信道估计新方法.利用超宽带信道在时域上的稀疏性,通过准Toeplitz测量矩阵将信道估计模型转化为压缩感知理论中的稀疏向量重构模型,在接受端只需对输出样值进行较低速率的采样,即可准确重构信道抽头系数并进行仿真.仿真结果表明,方法仅需1/5-1/10奈奎斯特采样速率即可准确估计信道,且同等信噪比条件下估计的均方误差较传统信道估计算法下降约6-8dB,可以为设计提供可靠的依据.     

一种多径平坦衰落信道下的盲信噪比估计方法

提出一种多径平坦衰落信道下的盲信噪比估计方法.该算法首先利用数字通信信号的循环平稳统计特性构造接收信号的循环自相关矩阵,然后对该矩阵进行奇异值分解,由分解出的特征值信号子空间和噪声子空间,最后通过利用AIC信息准则分别估计信号子空间和噪声子空间的维数并最终估计出信道的平均信噪比.以MPSK信号为例进行了计算机仿真,结果表明了算法的有效性.     

双频调制引入循环平稳的多用户信道盲估计

针对多用户系统提出了一种新颖的盲辨识方法。它利用了调制在循环频率域引入两个特别的循环谱，根据各个用户的循环域的支撑不同，可以分离出各个用户的两个循环统计量。最后利用循环谱分解和子空间方法，可以辨识出不同的用户在不同的传感器上的信道。文中还给出了信道可辨识性的条件和证明，提出了辨识算法，并对算法进行了模拟。