基于可变遗忘因子在OFDM系统的载波频偏估计

在时变信道下正交频分复用(OFDM)系统中,通过导频辅助,提出基于可变遗忘因子RLS(VFF-RLS)的载波频偏(CFO)估计改进算法。针对传统RLS(CFF-RLS)算法中遗忘因子无法同时满足CFO估计收敛速度和收敛精度的缺陷,设计了线性变化遗忘因子(LFF)和非线性变化遗忘因子(NLFF)两种可变遗忘因子方案来提升CFO估计性能。仿真结果显示:在低信噪比的情形下,基于VFF-RLS算法的CFO估计性能明显优于基于CFF-RLS算法的CFO估计性能。     

分布式MIMO中的最大似然频偏估计

在考虑分布式多入多出(MIMO)系统中各收发天线对之间的频偏均可能不同的一般情况下,推导出了平坦衰落MIMO信道模型下的最大似然频偏估计.针对收端是否采用分布式天线的两种不同情况,分别提出了一种只涉及一维最大化问题的较低复杂度频偏估计方法.仿真结果表明,所提频偏估计方法在平坦衰落MIMO信道下可以获得令人满意的估计性能;而在收端仍采用集中式天线这一特殊情况下,利用所有接收天线上的接收信号进行联合估计,可以进一步提高估计性能.     

未知信源数量DOA估计方法

针对传统阵列天线来波方向（Direction of Arrival,DOA）估计算法需要准确获取信源数量的问题,提出了一种未知信源数量类多重信号分类（Multiple Signal Classification,MUSIC）DOA估计方法。首先根据阵列天线的多个快拍数据估计输入信号自相关矩阵;其次对信号自相关矩阵进行特征值分解,并使用重构相关矩阵的方式实现信号分量的抑制;最后结合传统MUSIC谱估计算法实现未知信源数量条件下的DOA估计。仿真实验表明,所提算法的复杂度较低,且DOA估计误差性能接近传统MUSIC算法。     

基于可变遗忘因子RLS在OFDM系统的载波频偏估计

在时变信道下正交频分复用（OFDM）系统中,通过导频辅助,提出基于可变遗忘因子RLS（VFF-RLS）的载波频偏（CFO）估计改进算法。针对传统RLS（CFF-RLS）算法中遗忘因子无法同时满足CFO估计收敛速度和收敛精度的缺陷,本文设计了线性变化遗忘因子(LFF)和非线性变化遗忘因子(NLFF) 两种可变遗忘因子方案来提升CFO估计性能。仿真结果显示：在低信噪比的情形下,基于VFF-RLS算法的CFO估计性能明显优于基于CFF-RLS算法的CFO估计性能。     

电力无线专网中一种OFDM载波同步算法

电力无线专网在1.8 GHz频段建设4G TD-LTE网络,正交频分复用(OFDM)是其关键技术之一,OFDM系统对信道产生的载波频率偏移(CFO)很敏感,频率偏移会造成系统性能的严重下降。因此,需要对OFDM系统中的频率载波偏移精确估计并补偿,以保证系统的性能。本文提出了一种用于OFDM系统中基于局部搜索的多重信号分类(MUSIC)盲CFO估计的算法,该算法利用频率偏移矩阵列矢量与噪声子空间的正交性和CFO的单峰特性,构造一个改进空间谱函数,然后通过局部谱峰搜索得到频偏估计值。该算法的CFO估计性能优于传统CFO估计算法,且能够克服传统MUSIC算法低信噪比下谱峰缺失的问题。仿真结果证明了该算法的有效性。     

一种新的贝叶斯调制分类算法

提出了一种基于马尔可夫链蒙特卡罗(MCMC)的数字调制分类方法。针对存在未知残留载波相位和频率时贝叶斯分类难以实现的问题,采用Metropolis-Hastings(M-H)算法估计边缘似然概率密度,从而在分类性能上保持了贝叶斯分类的理论最优性和稳健性。利用对比实验验证了方法的性能。     

任意子载波分配OFDMA上行链路CFO估计及补偿方法

正交频分多址(OFDMA)技术是正交频分复用技术(OFDM)的扩展。与OFDM一样,它对载波频偏(CFO)相当敏感。该文针对多用户任意子载波分配的OFDMA上行链路系统提出一种基于导频辅助的CFO估计方法,并在此基础上给出一种低复杂度CFO补偿方法。仿真结果表明,该方法计算复杂度低,性能良好。     

基于解调数据二阶统计特性的OFDM盲频偏估计方法

OFDM系统对载波频偏(CFO)非常敏感,CFO破坏了子载波正交性从而引起载波间干扰(ICI)导致系统性能下降.本文分析了CFO对解调数据二阶统计特性的影响,提出了一种适用于频率选择性衰落信道下的非数据辅助的频偏估计方法,利用解调数据二阶统计量矩阵的对角能量提取CFO信息,可实现CFO的精确估计.该方法不需要发送导频数据和信道响应先验知识,因而提高了系统传输效率.文中同时给出了估计的闭环求解方法,大大简化了实现复杂度.最后对算法在多径信道环境下进行了仿真,结果表明本文提出的估计方法在低SNR时仍具有较好的估计性能.     

基于矩阵感知的毫米波MIMO系统信道估计方法

在使用混合波束形成的毫米波大规模多输入多输出系统中,射频链路少于天线数,信道估计非常具有挑战性。当天线阵列缺陷导致未知相位和增益误差时,压缩感知信道估计器的性能会下降。为提高系统鲁棒性,提出了一种新型的基于矩阵感知的信道估计方案。该方案利用毫米波信道的低秩特性,采用凸函数差框架设计信道估计器。理论分析及仿真结果证明,所提方案不受阵列相位和增益误差的影响,与压缩感知方案比较增强了系统的鲁棒性,可获得比矩阵补全方案更好的估计性能。     

一种集成式Beta过程最大间隔一类分类方法

一类分类是一种将目标类样本和其他所有的非目标类样本区分开的分类方法.传统的一类分类方法针对所有训练样本建立一个分类器,忽视了数据的内在结构,在样本分布复杂时,其分类性能会严重下降.为了提升复杂分布情况下的分类性能,该文提出一种集成式Beta过程最大间隔一类方法.该方法利用Dirichlet过程混合模型(DPM)对训练样本聚类,同时在每一个聚类学习一个Beta过程最大间隔一类分类器.通过多个分类器的集成,可以构造出一个描述能力更强的分类器,提升复杂分布下的分类效果.DPM聚类模型和Beta过程最大间隔一类分类器在同一个贝叶斯框架下联合优化,保证了每一个聚类样本的可分性.此外,在Beta过程最大间隔一类分类器中,加入了服从Beta过程先验分布的特征选择因子,从而可以降低特征冗余度以及提升分类效果.基于仿真数据、公共数据集和实测SAR图像数据的实验结果证明了所提方法的有效性.