基于因子图的MIMO-OFDM时变信道估计

提出了一种基于因子图的多输入多输出正濒分复用(MIMO-OFDM)时变信道估计算法.该算法在占用少量导频的基础上,建立一阶AR信道模型,使用消息传递算法进行MIMO-OFDM信道估计,并将该方法与LS算法、MMSE算法、基于Kalman滤波的信道估计算法进行比较.通过MATLAB仿真表明,该算法可以很好地估计MIMO-OFDM信道,算法复杂度低于MMSE算法,且在低信噪比情况下,估计性能优于其他的算法.     

一种快变信道下OFDM系统的Kalman信道估计算法

针对频率选择性快速时变信道的多径干扰和较大的多普勒频谱扩展,提出了一种改进的Kalman滤波算法。用于正交频分复用（OFDM）系统信道估计．该算法采用复杂度大大降低的低维Kalman滤波来跟踪快速时变信道,迭代联合信道估计与检测算法来获得测量矩阵,并对滤波结果利用一种新的简单的最小均方误差（MMSE）估计器进行优化。有效地降低了传统基于Kalman滤波算法的复杂度．仿真结果表明,该方法能够跟踪信道的快速变化,具有良好的估计性能．     

一种基于粒子滤波的非线性系统参数和状态联合估计方法

提出了一种新的基于粒子滤波的非线性系统参数和状态联合估计方法.该算法利用粒子滤波方法,结合核平滑收缩技术,同时采用标准贝塔分布代替传统的高斯分布,来拟合系统未知参数的后验分布,最终实现非线性系统中参数的迭代估计.仿真结果表明,该算法提高了未知参数和状态的估计精度,在估计的收敛性方面也有明显的改善.     

上行MIMO-OFDMA系统的频偏和信道联合估计算法

针对上行多输入多输出－正交频分多址(MIMO-OFDMA)系统, 提出了一种基于粒子滤波的信道响应和载波频偏联合估计算法. 首先对信道响应和载波频偏分别采用自回归(AR)和正则化自回归(GAR)模型进行建模, 然后利用Rao-Blackwellization理论降低粒子滤波算法的计算复杂度, 载波频偏通过粒子滤波算法进行估计, 而信道冲激响应则通过卡尔曼滤波更新获得. 仿真结果表明, 提出的改进算法可以获得比传统粒子滤波算法更低的误块率性能, 而算法的复杂度仅略有提高.     

一种时变信道下基于粒子滤波的同频混合信号盲分离方法

文章建立了时变信道下同频混合信号的基本模型,提出了利用粒子滤波的混合信号调制参数估计与盲分离算法.通过将混合信号的时变调制参数建模为一阶AR模型,重点推导了参数与符号序列的粒子更新公式,确定了粒子的权值更新方法,给出了相应的后验概率密度估计.实验仿真表明,文章算法能够较好地实现混合信号的调制参数估计和盲分离.     

非线性信道下一种自适应进化粒子滤波盲均衡方法

对于高功率放大器引起卫星信道非线性失真问题,提出了一种自适应进化粒子滤波盲均衡方法。该算法利用粒子滤波对信道参数及发送符号进行联合后验估计,通过对粒子自适应引导变异,克服了标准粒子滤波算法中样本退化的现象,使新方法具有更好的盲均衡性能。仿真结果表明,与标准粒子滤波相比,该方法能够更精确地估计信道参数,且误码率性能也有所改善。     

基于联合稀疏模型的OFDM压缩感知信道估计

针对正交频分多路复用（OFDM）系统,比较了基于压缩感知的不同导频设计方案及相应信道估计性能. 基于信道响应的时域稀疏和缓变特征,提出了基于联合稀疏模型的压缩感知信道估计方法,进一步提高了信道估计的性能. 该方法将连续若干个OFDM符号的信道估计问题转化为联合稀疏模型下的压缩感知问题,充分利用信道的稀疏特性和时间相关性进行信道估计. 结合短波OFDM系统,比较了几种信道估计方法的性能. 仿真结果表明,与传统的最小平方误差信道估计方法和逐符号的压缩感知信道估计方法相比,基于联合稀疏特征的信道估计方法可进一步改善估计性能,对时变信道具有更好的适应性.     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.     

时变CDD-OFDM系统中的改进EM信道估计

针对循环延时分集OFDM系统中的时变信道估计导频开销较大问题,提出了一种递归的改进期望最大化（EM）信道估计方法。该方法首先建立时变信道基扩展模型（BEM）与符号时间平均信道脉冲响应之间的数学关系,然后用其预测EM信道估计的初值,从而一方面利用了BEM参数的慢变特性来提高时变信道的预测精度,另一方面利用了BEM的简约化参数特性来保持算法实时性。仿真结果表明,当信噪比大于15 dB时,改进方法有效降低了判决辅助方法的误差传播效应,其误码性能接近理想信道时的性能。     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

一种新的基于粒子滤波的全盲接收机设计算法

提出一种新的基于粒子滤波的适用于时变衰落信道的全盲接收机设计算法。该算法根据粒子滤波理论估计后验概率分布,并采用贝叶斯滤波进行同步参数估计与符号判决。与卡尔曼滤波相比,该算法能有效应用于定时误差以及相差等非线性模型中的参数估计;同时较前馈式参数估计算法,能实现对时变定时误差、时变相差的实时跟踪与矫正,算法具有收敛速度快,所需数据量少等优点。文章最后通过计算机仿真对该算法性能进行分析比较。     

一种基于双重改进粒子滤波器的故障隔离方法

为了解决在基于解析冗余关系的故障诊断应用中难以实现故障隔离的问题,提出了一种基于双重改进粒子滤波器的故障隔离方法。该方法利用状态和参数估计粒子滤波器组成的联合估计模型,对系统状态和潜在故障参数值进行联合估计,通过对比潜在故障参数估计值与其标称值实现故障隔离。在联合估计模型中,一方面,在传统的随机扰动法的基础上,利用最大似然估计法获得参数时间更新梯度,使用一种改进随机扰动法实现参数时间更新;另一方面,在采样过程中考虑当前量测值,并引入粒子群和模拟退火优化思想,使用一种采样粒子质量改进方法实现粒子采样,以提升其估计性能。仿真结果表明：在假设的两类参数型故障下,基于双重粒子滤波器的联合估计模型在鲁棒性、计算速度和估计精度上均优于基于扩展状态空间的粒子滤波器联合估计模型,在基于双重粒子滤波器的联合估计模型上,使用所提出的改进方法能显著提升其估计性能。所提出的方法基本满足参数型故障隔离对计算效率和估计精度的要求,可作为基于解析冗余关系故障诊断中的故障隔离方法。     

快变信道环境下的MIMO OFDM系统信道估计算法

为了实现对快变信道环境下的多输入多输出正交频分复用(MIMO OFDM)系统信道估计,提出了一种基于多项式的基扩展模型(BEM),并联合迭代判决反馈并行干扰抵消(PIC)检测的信道估计算法.利用BEM将信道估计转化为对少量模型参数估计的特性,并结合PIC检测算法,以达到精确信道估计和消除载波间干扰的目的.仿真结果表明,该算法与传统最小二乘、线性最小均方误差信道估计算法相比,在误码率约为10-3时,信噪比增益为5dB左右.此外,新算法不需要知道信道的时域统计特性,且采用了移相正交导频设计,在一定程度上降低了信道估计的复杂度.     

基于最小二乘支持向量机的时变信道建模

基于2.55 GHz市区微蜂窝多输入多输出信道实测数据,将机器学习中的最小二乘支持向量机（LS-SVM）算法应用于时变信道参数的建模中,建立了基于遗传算法（GA）优化的LS-SVM信道参数预测模型,对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习,并实现了准确预测;同时通过与反向传播神经网络模型以及传统的LS-SVM模型进行比较,验证了算法的有效性.基于GA优化的LS-SVM模型能够在有限数据量下对信道参数的变化有着良好的适应性,可实现非线性时变信道参数的准确预测.     

基于高斯消息传递的频域EM信道估计算法

基于turbo迭代原理和高斯消息传递EM算法,对单载波传输系统进行联合信道估计与均衡。利用高斯消息传递的观点在因素图中对期望最大化进行描述,分析并提出合理的简化算法,避免了复杂矩阵求逆运算,之后借助于快速傅里叶变换,使得算法只有对数复杂度。仿真结果表明,在时变多径信道下,所提算法在获得较好的性能同时,显著降低了计算复杂度。     

利用维纳滤波进行OFDM信号的信道估计

针对快变信道中信道估计方法进行了研究,通过在快变信道环境中系统模型,采用梳状pilot插入方式来跟踪信道的变化,得到了最小均方误差意义下的信道估计方法,即维纳滤波信道估计方法．结合蒙托卡洛仿真,得出不同滤波器阶数、不同信道多普勒频率和信道估计性能的关系,仿真结果表明,维纳滤波信道估计方法可以有效抑制噪声．     

基于基展开模型的时变信道阶数和径数盲估计

针对基展开模型的时变信道阶数和径数盲估计问题,采用了一种子空间投影算法来进行估计。该算法充分利用输入子空间和输出子空间具有的同构关系,将当前的观测数据投影到由过去和将来的观测数据所张成的子空间,其投影误差矩阵包含了时变信道的阶数和径数信息,进而可通过求投影误差矩阵的秩和范数来估计信道阶数和径数。仿真表明,与MDL、AIC和Liavas准则相比,该算法可在较低的信噪比下实现时变信道的阶数估计。     

基于TVAR模型的语音增强技术

在分析语音信号的时变自回归TVAR(Time VaryingAutoregressive)模型及其模型参数的随机演化模型的基础上,基于粒子滤波器(ParticleFilter)对TVAR模型参数的序列估计,提出了一种语音增强算法.算法通过引入反射系数,快速简捷实现了模型稳定性的判断,保证了跟踪的模型的稳定性.实验结果表明,算法可以很好地跟踪非平稳信号,采用该方法处理过的语音,信噪比SNR(Signal to NoiseRatio)明显提高,听觉质量得到了很大的改善.