OFDM时变信道的粒子流滤波估计算法

粒子滤波是一种基于序贯重要性采样原理的蒙特卡罗方法,其重采样步骤将导致“粒子贫化”,传统的基于粒子滤波的OFDM时变信道估计算法精度较低、计算复杂度较高。本文从消除“粒子贫化”角度出发,用粒子流的方法取代了重采样。通过建立微分方程实现贝叶斯估计,采用粒子流将粒子平滑移动到状态空间中的后验分布上,实现从先验粒子到后验粒子的更新,提出了一种基于粒子流滤波的OFDM时变信道估计算法。与基于粒子滤波的信道估计方法相比,本方法计算复杂度低,估计精度高,对环境噪声具有较好鲁棒性。      

大气激光通信下的OFDM导频信道估计方法

针对大气激光通信下的OFDM(正交频分复用)系统,对几种基于导频的信道估计方法进行了比较分析,并给出了仿真结果。仿真结果表明,SVD-LMMSE(基于奇异值分解的线性最小均方误差)算法在提高信道估计精度的同时,可以降低系统计算的复杂度;增大CP(循环前缀)可以非常有效地提高系统性能。     

基于粒子滤波的OFDM载波频偏和信道联合估计

一种基于粒子滤波(PF)的正交频分复用(OFDM)系统在慢衰落瑞利信道下联合信道估计和载波恢复的新方法被提出。该算法适用于多径时变信道模型以及等效离散时间信道模型。算法引入了在非线性系统参数估计和跟踪领域上十分有效的PF方法,将Kaman滤波与序贯蒙特卡罗采样(SMCS)相结合来估计信道衰落系数以及载波频偏(CFO)的后验概率密度,从而通过计算得到信道的响应函数,并在此基础上,利用MMSE均衡器消除码间串扰(ICI),进行码元估计。仿真结果表明了算法的有效性和优越性。     

OFDM系统中盲、半盲以及非盲信道估计方法的Cramér-Rao界

从OFDM信号系统的矩阵表示出发，推导了OFDM系统中盲、半盲以及非盲信道估计方法的CRB，其中，半盲信道估计的CRB是一般的表达式，经过外推可以得到盲信道估计和非盲信道估计的CRB。在推导盲信道估计的CRB时，证明了线性约束和二次约束两种情况下的CRB是一致的。针对OFDM系统的两种不同方案CP-OFDM和ZP-OFDM，分别进行了信道估计的性能仿真，验证了所推导CRB的正确性，并且利用CRB对一些信道估计方法进行了性能评价。     

基于粒子滤波的MIMO-OFDM时变信道半盲估计

提出一种基于粒子滤波的MIMO-OFDM时变信道半盲估计方法。首先，对粒子滤波算法进行改进，通过对采样粒子分布进行局部优化调整，提出一种局部优化粒子滤波算法。然后，将该粒子滤波算法用于MIMO-OFDM时变信道估计。由于该信道估计过程在频域进行，因而无需已知（或估计）多径信道长度。与现有时变信道半盲估计方法相比，本方法具有估计误差低、对非高斯噪声顽健性强等特点，从而有效改善了接收端的符号检测性。计算机仿真结果证明了本方法的有效性。     

一种时变信道条件下OFDM系统的信道估计方法

针对正交频分复用（OFDM）系统，本文提出了一种时变条件下的信道估计方法。文中假设数据以包为单位进行传输，导频序列以叠加的方式和数据序列相结合，在得到对应于数据包内每帧OFDM信号的信道冲激响应之后，再在一个包内对这些信道冲激响应进行加权平均，从而提高信道估计的精度。     

快速时变信道下的OFDM信道估计方法

为解决正交频分复用(OFDM)系统在快速时变信道下引入的子载波间干扰(ICI)导致性能急剧下降的问题,提出一种基于带状矩阵的数据辅助型信道估计算法。通过分析由多普勒频偏引入的子载波间干扰矩阵,运用线性模型对信道冲击响应算法进行建模,对每个子载波设计带状补偿矩阵以最大程度消除ICI。数值仿真结果表明,该信道估计算法较最小均方误差(MMSE)算法复杂度大大减小,便于实现,满足快速时变信道下的估计精度需要。     

基于信道分布空间的OFDM信道半盲估计方法

信道分布空间的构建将OFDM系统中发送信号的有限符号特性和信道响应的统计相关特性集中到信道分布平面中.算法使用了一个初始OFDM 导频符号在信道分布平面中建立信道频域响应参考曲线,信道的估计是利用相邻OFDM符号对应的信道响应有相关延续特性,通过在更新的信道分布平面上更新参考曲线来实现.计算机仿真表明,算法的性能和基于最小均方误差的信道估计算法相当,由于避免了矩阵求逆运算,该方法在工程实现中有较大的应用价值.     

OFDM系统中盲、半盲以及非盲信道估计方法的Cramér-Rao界

从OFDM信号系统的矩阵表示出发,推导了OFDM系统中盲、半盲以及非盲信道估计方法的CRB,其中,半盲信道估计的CRB是一般的表达式,经过外推可以得到盲信道估计和非盲信道估计的CRB。在推导盲信道估计的CRB时,证明了线性约束和二次约束两种情况下的CRB是一致的。针对OFDM系统的两种不同方案CP-OFDM和ZP-OFDM,分别进行了信道估计的性能仿真,验证了所推导CRB的正确性,并且利用CRB对一些信道估计方法进行了性能评价。     

基于CS的Kalman滤波OFDM信道估计

在OFDM系统信道估计中,准确的时域卡尔曼滤波（TDKF）估计需要信道多径时延作为先验条件,而且具有较低的频谱效率.考虑到大多数无线信道具有稀疏和时变的特性,提出一种改进的卡尔曼滤波与压缩感知联合信道估计方法,采用稀疏度自适应匹配追踪（SAMP）算法,并对信道响应变化量进行重建.仿真结果表明,相较于已有算法,提出的算法不需要知道信道的稀疏度,而且信道估计结果更加准确.     

Particle filtering based channel estimation in OFDM power line communication

Particle filtering （PF） algorithm has the powerful potential for coping with difficult non-linear and non-Gaussian problems. Aiming at non-linear, non-Gaussian and time-varying characteristics of power line channel, a time-varying channel estimation scheme combined PF algorithm with decision feedback method is proposed. In the proposed scheme, firstly the indoor power line channel is measured using the pseudo-noise （PN） correlation method, and a first-order dynamic autoregressive （AR） model is set up to describe the measured channel, then, the channel states are estimated dynamically from the received signals by exploiting the proposed scheme. Meanwhile, due to the complex noise distribution of power line channel, the performance of channel estimation based on the proposed scheme under the Middleton class A impulsive noise environment is analyzed. Comparisons are made with the channel estimation scheme respectively based on least square （LS）, Kalman filtering （KF） and the proposed algorithm. Simulation indicates that PF algorithm dealing with this power line channel estimation difficult non-linear and non-Gaussian problems performance is superior to those of LS and KF respectively, so the proposed scheme achieves higher estimation accuracy. Therefore, it is confirmed that PF algorithm has its own unique advantage for power line channel estimation.     

Iterative receiver for OFDM systems based on semi-blind channel estimation

In this paper we propose two iterative algorithms of joint channel estimation and symbol detection for Orthogonal Frequency Division Multiplexing （OFDM） systems. In which, superimposed pilot scheme is adopted and an initial Channel State Information （CSI） is obtained by employing a first-order statistic. In each subsequent iteration, we propose two algorithms to update the CSI. The Mean Square Error （MSE） of channel estimation and Bit Error Rate （BER） performance are given and simulation results demonstrate that the iterative algorithm using method B has good performance approaching the ideal condition.     

基于EVD分解的OFDM系统时变信道估计

OFDM系统中,需要获得信道状态信息实现相干解调。信道的时变性会带来子载波间干扰(ICI),降低信道估计算法的精度。针对信道的快时变性,提出一种基于特征值分解的时变信道估计方法,同时设计一种新的导频结构。该方法利用信道矩阵时域及频域相关性,将信道频域矩阵表示为其特征向量的线性加权,并用贝叶斯模型估计加权系数。仿真结果表明,所提方法能有效降低ICI对系统性能的影响,可较好地满足快时变信道环境的要求。     

基于滤波方法的OFDM信道估计研究

维纳滤波和卡尔曼滤波都是基于最小均方误差准则的滤波方法,本文主要研究这两种滤波方法在OFDM信道估计中的应用。为了跟踪频率选择性信道的变化,采用在OFDM系统中易于实现的梳状导频进行研究。传统的MMSE在统计意义上是最好的线性估计器,但是需要对矩阵求逆,是一种计算量较大,算法较复杂的方法。LMMSE是频域维纳滤波方法,其减小了MMSE的复杂度,但只适用于慢衰落信道,针对时变信道,本文提出卡尔曼滤波的信道估计方法,仿真结果表明,卡尔曼滤波的信道估计方法在时变信道中具有良好的性能。     

基于信号子空间的改进OFDM系统信道半盲估计

本文改进了一种基于信号子空间的OFDM系统半盲信道估计算法.该算法利用基于梯度变化的变遗忘因子递归最小二乘算法(GVFF-RLS)计算接收信号的自相关矩阵.通过同时对角化接收信号中的信息信号和噪声信号的全局协方差矩阵,推导出噪声信号子空间,无需对噪声信号的统计特性进行任何先验假定.本算法弥补了原始算法在慢衰落信道下收敛慢以及只限于加性白噪声的不足,实现了色噪声背景下高效半盲信道估计.仿真结果表明本文提出的算法具有良好的性能.     

在OFDM系统中用循环前缀对时变色散信道进行估计

目前，正交频分复用（OFDM）技术困能在无线时变信道中进行高速数据传输而受到广泛的关注。在相干的OFDM系统中，接收机能否获得准确的信道状态信息（CSI）是系统性能提高的关键。为了能在接收端获得准确的CSI和提高系统的传输速率，文中将文献[3]的算法由单路发射推广为I/Q两路发射，采用复抽头系数的FIR滤波器对多径衰落信道进行建模，并用通常被丢弃的循环前缀作为训练序列对信道进行估计和均衡，仿真结果表明改进的算法在相同的子数和子载波和比文献[3]传输效率提高一倍的情况下能有效地自动跟踪信道的变化。     

Simple equalization of time-varying channels for OFDM

We present a block minimum mean-squared error (MMSE) equalizer for orthogonal frequency-division multiplexing (OFDM) systems over time-varying multipath channels. The equalization algorithm exploits the band structure of the frequency-domain channel matrix by means of a band LDL/sup H/ factorization. The complexity of the proposed algorithm is linear in the number of subcarriers and turns out to be smaller with respect to a serial MMSE equalizer characterized by a similar performance.     

一种基于期望最大化的OFDM半盲信道估计算法

提出了一种OFDM半盲信道估计算法。传统的OFDM系统信道估计是依赖于训练序列，但是在无线通信系统中，运用半盲信道估计的性能和灵活性更好。在无线局域网的5GHz频宽的OFDM背景下，利用EM算法仿真，结果表明该算法的SNR与传统训练序列信道估计比较提高了2dB。