基于簇的块稀疏压缩感知的60GHz信道估计

基于压缩感知设计适用于60 GHz毫米波通信系统的信道估计方案,深入研究了正交匹配追踪(OMP)算法和正则正交匹配追踪(Regularized OMP)算法的60 GHz信道估计性能;在此基础上,充分发掘60 GHz无线多径信道所呈现出的分簇特性,提出一种新颖的基于簇分级的稀疏压缩感知重构算法。新算法在有效减少重构迭代次数的前提下,亦能显著降低信道估计误差。综合对比分析了基于簇分块稀疏压缩感知重构算法和现有压缩感知算法在60 GHz信道估计应用中的重构性能,仿真结果表明,压缩感知算法可有效应用于60 GHz系统信道估计,而新设计的基于簇分级的稀疏压缩感知算法则在估计精度和实现复杂度方面具更优越性能。     

基于压缩感知的脉冲超宽带信号检测

传统的信号检测算法基于奈奎斯特采样定理来实现,这对于带宽极宽的超宽带(ultra-wideband,UWB)信号而言由于要求采样速率过高而很难用硬件去实现。为此,本文研究了基于压缩感知(compressive sensing,CS)的脉冲超宽带(impulse radio UWB, IR-UWB)信号检测问题,利用IR鄄UWB 信号在时域上的稀疏特性,设计了一种基于压缩感知的IR鄄UWB 信号检测框架,在此基础上提出了一种自适应加权正交匹配追踪检测算法。仿真结果表明,新算法不仅能够通过远少于奈奎斯特定理所要求的采样速率检测出IR-UWB 信号,而且与基于匹配追踪的压缩感知检测算法相比,新算法在低信噪比的情况下对IR-UWB 信号的检测效果更佳。     

改进加权匹配追踪信道估计算法

基于压缩感知的匹配追踪算法可以用较短导频序列估计大规模天线通信系统稀疏信道,具有计算复杂度低,需要导频数量少的优点,但信道估计精度不高.依据估计误差大小给各次迭代获得的信道估计值加权,能在低信噪比(SNR)条件下提高估计精度,但会降低高SNR条件下的估计精度.为了解决这个问题,文章提出了一种改进的加权匹配追踪算法.先通...     

一种压缩采样中的稀疏度自适应子空间追踪算法

 针对压缩采样中未知稀疏度的信号,本文提出一种自适应子空间追踪算法.首先,采用了一种基于匹配测试的估计方法获取稀疏度的估计值,再通过子空间追踪重构信号.若子空间追踪不能成功重构,则通过渐近增加信号稀疏度的方法实施估计,而上述过程可描述为在弱匹配原则下新原子的选取过程.仿真结果表明,本文的算法可以准确有效重构信号,同时运算量也较低.     

基于IOC-CSMP的OFDM系统稀疏信道快速重构算法

针对信道路径数量未知时正交频分复用（OFDM）系统信道估计问题,提出了一种基于内积运算优化与稀疏度更新约束的压缩采样匹配追踪快速重构算法。通过构建与更新选择向量,利用与选择向量中非零值索引对应的原子向量参与内积运算来降低运算量;基于压缩采样与回溯策略来优化原子,利用匹配追踪完成信道估计,通过相邻两次信道估计值的能量差来更新稀疏度并约束算法停止,保证算法快速收敛。仿真结果表明,所提算法具有比最小二乘、最小均方差、稀疏度自适应匹配追踪和自适应正则化压缩采样匹配追踪算法更好的信道估计性能,且比2种自适应方法消耗更少的信道估计时间。     

基于匹配追踪算法的电能质量研究

为了解决电能质量信号采集数据量大的问题,提出基于匹配追踪重构算法的压缩感知方法,并首次应用于电能质量信号压缩采样研究。文中通过采用不同的稀疏基和重构算法的方法,来提高原始电能质量信号重构效果。当采样数据空间稀疏基分别选取傅里叶变换基和小波变换基,重构算法分别采用正交匹配追踪(OMP)和压缩采样匹配追踪(CoSaMP)时,仿真结果表明,压缩采样比为20%时,两种重构算法的均方误差都低于3%,重构信噪比大于30dB,为电能质量信号压缩采样研究提供了一种新的思路。     

压缩感知理论在OFDM稀疏信道估计中的应用

结合压缩感知(CS)理论,针对OFDM系统信道稀疏的特性,采用一种新的方法进行信道估计——可压缩采样的匹配追踪算法(CoSaMP),它本质上是一种贪婪算法,利用比较少的导频获得较好的信道估计性能,提高频谱资源利用率的同时,运算速度更快。详细地介绍了CoSaMP的算法原理及步骤,并将它与正交匹配追踪算法(OMP)和匹配追踪算法(MP)的性能进行了比较和分析。通过理论分析和实验仿真,证明了CoSaMP算法的有效性。     

基于压缩感知的MIMO-OFDM系统自适应信道估计

针对超密集组网中导频复用将产生导频干扰,严重影响移动用户下行链路信道估计准确性的问题,提出了一种使用短导频的幂函数稀疏度自适应匹配追踪(Power Sparsity Adaptive Matching Pursuit,PSAMP)算法.该算法由稀疏度预估计和追踪重构两部分构成.首先通过幂函数试探得到一个略小于真实稀疏度的预估值,再通过压缩采样匹配追踪重构信号,改善估计结果;若不能成功重构,则逐渐增加信号原子数量.仿真结果表明,相较于传统自适应压缩感知重建算法,所提的P SAMP算法在高信噪比区域具有更好的信道估计性能.     

压缩采样匹配追踪在水声MIMO-OFDM信道估计的应用

针对水声MIMO-OFDM系统,利用水声多径信道冲激响应的稀疏特性,提出一种基于压缩采样匹配追踪 (Compressive Sampling Matching Pursuit, CoSaMP)的信道估计方法。该算法首先利用观测矩阵构建一个向量代替信道,然后采用匹配追踪思想确定这个向量的非零抽头系数位置,最后利用最小二乘法对非零抽头系数进行估计,通过对该向量的估计实现信道响应的估计。与传统最小二乘法（least square, LS）相比,信道估计性能得到很大的提高,与正交匹配追踪（Orthogonal Matching Pursuit,OMP)相比,提高信道估计性能的同时,降低了计算复杂度。通过仿真分析,不但验证了该算法的有效性,还比较了该算法在不同通信系统中的信道估计性能。      

基于Monte Carlo采样的压缩感知弱匹配去噪重构

最小二乘是现有贪婪迭代类压缩感知重构算法中通用的信号估计方法,其未考虑到可能将量测噪声引入信号估计的情况.针对以上不足,提出一种基于Monte Carlo采样的压缩感知弱匹配去噪重构算法.该算法在未知信号稀疏度先验的条件下,通过引入递推Bayesian估计减小量测噪声的干扰;同时,以弱匹配的方式筛选出有效的原子,并剔除冗余原子进而重构原信号.新算法继承了现有贪婪迭代类算法的有效性,同时避免了因噪声干扰或稀疏度未知导致的重构失败.理论分析和实验表明,新算法在同等条件,尤其是非高斯噪声情况下,重构性能优于现有典型贪婪迭代类算法,且其运算时间低于BPDN算法和同类的KF-SAMP算法.