托普利兹矩阵在压缩多径信道估计中的应用

可靠的无线通信需要准确地知道下层信道的信息,因此需要进行信道估计。而许多真实信道表现为仅有一些相对较少的非零信道系数的稀疏多径信道。对于稀疏多径信道的估计,传统方法例如最小二乘法,没有利用稀疏信道本身的低维度特性,所需训练序列的长度较长,因此估计代价较大。基于压缩感知的信道估计方法,利用稀疏先验信息,能较大地缩短所需训练序列的长度,获得较好的估计效果。该文结合压缩感知观测矩阵的特点,证明了当训练序列的长度不长于信道冲激响应的长度,且托普利兹观测矩阵的行数小于列数时,观测矩阵仍然满足有限等距性质;明确提出了稀疏多径信道估计中所使用的观测矩阵的构造条件。实验结果验证了这种优化了的托普利兹观测矩阵的可行性和实用性。      

长时延扩展水声信道的联合稀疏恢复估计

对具有长时延扩展的水声信道,传统的信道估计算法如最小二乘法将在大量零值抽头产生严重的估计噪声,导致估计性能下降,同时信道估计时所需的较高估计器阶数大大提高了运算复杂度。压缩感知信道估计方法可有效利用多径稀疏特性改善性能,但需采用较大的训练序列长度以保证稀疏恢复精度,由此导致额外的系统开销。利用水声信道多径稀疏结构在数据块间存在的相关性,建立基于分布式压缩感知的长时延水声信道联合稀疏模型,从而可利用同步正交匹配追踪算法进行联合重构,以进一步减小系统的训练序列开销,提高估计性能。最后通过仿真和海上实验验证了所提方法的有效性。     

一种稀疏增强的压缩感知MIMO-OFDM信道估计算法

 基于压缩感知(Compressed Sensing, CS)的信道估计可以达到减少导频的目的,但在频-时域信道矩阵到时延-多普勒域的稀疏变换中存在谱泄漏现象,影响了信道矩阵的稀疏性和估计的均方误差(MSE)性能。为此该文对信道的稀疏性进行研究,提出一种时域加窗的稀疏优化CS信道估计算法。通过对时域加窗,所提算法抑制了由离散截断导致的多普勒域泄漏,再据此设计出观测矩阵,以此方式增强信道在时延-多普勒域的稀疏性,并实现对稀疏的信道矩阵更为准确的重构,达到改善信道估计MSE性能的目的。仿真结果表明随信噪比的增大,加窗CS算法相比无窗CS算法有效改善了信道估计的性能。     

多普勒域上稀疏的双向中继信道估计

信道估计技术作为获得信道衰落信息的方法,是提高无线信道传输接收性能的关键技术。本文针对放大转发双向中继系统的时间选择性平坦衰落信道,利用信道在多普勒域的稀疏性进行压缩信道估计。相比于传统的线性估计方法,压缩信道估计考虑了信道的固有稀疏性,降低了导频的开销,改善了信道估计性能,提高了频谱利用率及系统吞吐量。文中通过对双向中继信道进行多普勒域的稀疏建模,仿真分析了信道估计性能随着导频数量增加、信噪比增加,得到不断改善;而不同的导频分布将影响观测矩阵的相关度,从而对信道估计产生影响。仿真表明,当导频随机分布时,信道估计效果最佳。同时,文中还仿真分析了最大多普勒频移对信道估计性能的影响。      

无字典的超分辨率多径稀疏信道估计方法

使用带网格的观测字典进行稀疏信道估计是近年来常用的多径稀疏信道估计方法,而网格的存在使得这种方法存在估计精度较差的问题,尤其在网格间距较大时,这种方法的劣势更加明显。本文针对这个问题,抛弃了传统的观测字典,采用连续压缩感知方法,结合线性调频训练序列的使用,提出了更加精确的多径稀疏信道估计方法。这种方法避免了网格化带来的误差,实现了高精度、高分辨率的估计。本文首先对此进行了理论阐述,进而在两种不同的多径稀疏信道模型下进行了仿真试验,并从估计精度、计算效率等方面与其他稀疏估计算法进行了对比。仿真结果证明,采用本文提出的方法进行多径稀疏信道估计时,相比其他算法可以更加精确地估计出信道冲激响应。      

基于压缩感知技术的双向中继信道估计

设计了一种基于压缩感知（compressive sensing, CS）技术的双向中继信道（two-way relay channels, TWRC）估计方法,并具体采用正交匹配追踪算法（orthogonal matching pursuit, OMP）对OFDM系统下的信道脉冲响应进行估计。双向中继信道往往呈现出稀疏多径结构,这种结构会随着信号空间维数的增大而越加明显。传统的线性估计方法没有考虑到TWRC的潜在稀疏性,因而导致了对关键通信资源的过度使用。而基于CS的TWRC估计方法能够很好地利用这种传输信道的稀疏多径结构,与传统线性估计方法相比,在获得同样估计性能的前提下,需要的训练序列长度大大减少,有效地提高了频谱、能量等资源利用率。同时,所采用的OMP算法的时间复杂度主要依赖于信道稀疏度,因此计算效率往往比传统的方法高。仿真也证实了基于CS的TWRC估计算法的优越性。      

基于自适应压缩感知的信道估计算法

传统方法压缩感知算法截取训练序列最后未被数据干扰固定部分作为观测矩阵,该方法为了抵抗最差的信道而浪费了大量的可用观测数据。在此基础上提出了一种自适应压缩感知的信道估计算法,首先对训练序列进行自适应检测,得到整个未受干扰的观测矩阵,再用压缩感知算法计算信道估计。仿真结果表明,这种基于自适应压缩感知的信道估计算法大幅提高了信道估计的准确性。     

基于压缩感知的超宽带信道估计方法的研究

压缩感知(Compressed Sensing, CS)理论可以从较少的观测样本中恢复稀疏信号。针对超宽带(Ultra- WideBand, UWB)信道的稀疏特性,将压缩感知理论应用于UWB系统的信道估计中,能够有效地降低系统的采样速率。该文针对UWB信道的特点对过完备字典库和观测矩阵进行设计,提出了一种滤波矩阵估计算法。然后,分别利用丹茨格选择器(Dantzig Selector, DS),基追踪降噪(Basis Pursuit De-Noising, BPDN)算法和正交匹配跟踪(Orthogonal Matching Pursuit, OMP)算法实现信号检测,进一步给出UWB信道估计中CS重建算法的选择建议。基于IEEE 802.15.4a信道模型的仿真结果表明,该算法同随机观测算法的检测结果相比,能够在较低的采样速率下获得更好的误码率性能。     

基于Golay互补序列的压缩感知稀疏信道估计算法

该文针对现有基于压缩感知的信道估计方法峰均功率比高、计算量大等问题,使用确定性格雷(Golay)序列作为训练序列对稀疏信道进行信道估计,在接收端实现了对信道冲激响应的估计,给出了估计模型和具体的算法推演,推导了该方法的峰均功率比,并与基于随机高斯序列的压缩感知信道估计方法的性能、峰均功率比和计算量进行了比较。仿真实验表明:格雷序列以及随机高斯序列两种序列都可以重构出稀疏信道非零抽头系数,但是格雷序列对稀疏信道冲激响应的确定性观测估计值的均方误差(MSE)和匹配度性能(Match Rate, MR)均优于随机高斯序列,计算量降低了许多,且在OFDM系统中峰均功率比大大降低。     

基于压缩感知的OFDM宽带短波信道估计方法研究

为了提高OFDM宽带短波信道估计的精确性,针对短波信道固有的低稀疏性,在将压缩感知理论应用于OFDM宽带短波信道估计的基础上进行OFDM短波信道的稀疏建模,接着提出需要解决的问题,进而提出采用正交匹配追踪(OMP)算法进行短波信道的重构。通过仿真实验证实,与传统信道估计算法中的最小二乘(LS)算法比较,可以达到在使用更少导频的情况下提供更好的短波信道估计性能的效果,从而提高短波系统的频带利用率。     

基于混合遗传算法的导频优化

OFDM系统中,基于压缩感知的稀疏信道估计能够充分利用无线信道的固有稀疏性,进而降低导频开销,提高频谱利用率。针对压缩感知信道估计的导频设计,通过最小化压缩感知理论中测量矩阵的互相关性,提出一种基于混合遗传算法的导频优化方法。该方案首先采用遗传算法获得次优初始导频序列,然后结合导频位置以及导频功率对导频序列逐位进行替换、优化,以使测量矩阵的互相关性最小。MATLAB 仿真结果表明,相比于伪随机导频设计和等间距导频设计,该算法能够保证较低的均方误差和误码率。     

MIMO-OFDM快衰落信道的压缩感知估计方法

在快衰落多输入多输出(MIMO)-正交频分复用(OFDM)系统中,为了避免传统的信道估计方法中存在大量系数需要估计的问题,利用快衰落信道在角时延多普勒域可稀疏的特性,提出了基于压缩感知的MIMO-OFDM系统快衰落信道估计方法。根据压缩感知的受限等距特性(RIP),推导了一种少量导频随机结构测量矩阵,用于测量快衰落信道在角时延多普勒域稀疏系数。接收端可从这些少量的测量数据中以高概率重构出快衰落信道。理论分析与仿真结果都表明:该方法与传统的信道估计方法相比,所得到的系统数据传输效率及估计性能都有了明显提高。     

A novel threshold based compressed channel sensing in OFDM system

High speed data transmission for wireless communication in orthogonal frequency division multiplexing (OFDM) system requires effective channel state information (CSI). CSI should be precisely estimated with low consumption of spectral resources and acceptable computational cost. To realize this goal, an effective compressed sensing (CS) based channel estimation scheme is proposed for sparse channels with large delay spreads, without prior knowledge of channel statistics and noise standard deviation. By fully considering the rank of the measurement matrix, a novel algorithm based on orthogonal matching pursuit (OMP) and least squares (LS) methods with a new threshold is proposed for effective channel estimation. Simulation results show that with fewer number of pilots, the proposed method outperforms the compared existing channel estimation methods in a comprehensive way and approaches the optimal channel estimation performance.     

采用残差变化控制的自适应稀疏信道估计

针对传统压缩感知信道估计对稀疏度信息依赖和稀疏度自适应信道估计在低信噪比时抗噪能力较差的问题,提出了一种采用残差变化控制的稀疏度自适应的压缩感知信道估计算法。该算法在传统的压缩感知信道估计的基础上引入残差变化控制,通过比较每次迭代下的残差变化的幅度来控制信道估计的迭代次数,提高信道估计的自适应性和鲁棒性。同时,为解决传统稀疏度自适应压缩感知信道估计抗噪能力较差的问题,利用正交匹配追踪提高算法的抗噪声性能。相比于传统的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit, SAMP)算法,所提算法约有4 dB的性能优势,且算法复杂度更低。     

Improved smoothed LO reconstruction algorithm for ISI sparse channel estimation

In this paper, the problem of inter symbol interference （ISI） sparse channel estimation in wireless communication with the application of compressed sensing is investigated. However, smoothed L0 norm algorithm （SL0） has ＇notched effect＇ due to the negative iterative gradient direction. Moreover, the property of continuous function in SL0 is not steep enough, which results in inaccurate estimations and low convergence. Afterwards, we propose the Lagrange multipliers as well as Newton method to optimize SL0 algorithm in order to obtain a more rapid and efficient signal reconstruction algorithm, improved smoothed L0 （ISL0）. ISI channel estimation will have a direct effect on the performance of ISI equalizer at the receiver. So, we design a pre-filter model which with no considerable loss of optimality and do analyses of the equalization methods of the sparse multi-path channel. Real-time simulation results clearly show that the ISL0 algorithm can estimate the ISI sparse channel much better in both signal noise ratio （SNR） and compression levels. In the same channel conditions, ISL0 algorithm has been greatly improved when compared with the SL0 algorithm and other compressed-sensing algorithms.