非理想载波同步下OFDM快衰落信道的稀疏与感知

针对稀疏导频 OFDM 系统,提出非理想载波同步 OFDM 快衰落信道稀疏表示与感知方法。首先提出了一种稀疏化信道核向量的广义信道冲激响应矩阵稀疏化表示方法;推导了稀疏导频快衰落信道估计压缩感知模型;利用OMP算法重构稀疏化信道核向量与广义信道冲激响应矩阵,从而完成非理想载波同步下的 OFDM 快衰落信道估计。仿真结果表明,该算法能有效降低非理想载波同步的稀疏导频 OFDM 系统的误码率。     

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。     

MIMO-OFDM快衰落信道的稀疏自适应感知估计

在多输入多输出（MIMO）-正交频分复用（OFDM） 系统中,怎样在较高频谱利用率的情况下对快时变信道进行较为准确的估计是一个具有挑战性的课题。该文在利用压缩感知理论可提高系统频谱利用率的基础上,提出了一种适合于快时变环境下MIMO-OFDM 系统的稀疏自适应信道估计方法。该方法不再受到奈奎斯特采样频率条件约束,避免了传统导频辅助信道估计方法频谱利用率低的缺点。该文方法通过构建多天线群时频结构特征稀疏基,利用多天线间和群时变OFDM符号内信道冲激响应具有更强稀疏性的特点,对MIMO-OFDM快衰落信道进行稀疏变换。由于实际MIMO-OFDM快衰落信道往往处于频率选择性、时变性和多种干扰并存的复杂环境,受到干扰的信道参数对系统而言是未知,采用该方法克服了现有基于压缩感知理论的信道估计方法需要预先知道信道冲激响应稀疏度才能重构信道参数的不足,在信道稀疏度未知道的情况下,运用稀疏自适应的方法来对不同时频结构特征的信道参数进行估计。仿真结果表明所提估计方法具有对快时变信道参数估计的鲁棒性和较高频谱利用率,且均方误差小。      

分布式多入多出正交频分复用快衰落感知估计

针对分布式多输入多输出正交频分复用(MIMO-OFDM)快衰落系统,为了消除快衰落信道的干扰,提出一种分布式MIMO-OFDM系统快衰落信道估计方法.该方法利用分布式快衰落信道间的感知信息在空间、时延和多普勒频移上具有的互相关性,求取三维互相关联合稀疏信道模型.推导预相关随机导频测量矩阵,结合分布式压缩感知算法,以能量有效的方式,对快衰落稀疏信道参数进行联合压缩测量和重构,得到各分布式MIMO接收端任意的稀疏信道系数.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,可以明显提高系统频谱效率和误码率,减少计算复杂度.     

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。      

匹配跟踪技术在水声OFDM系统中的应用研究

信道的稀疏特性是水声信道的一个重要特点,匹配跟踪技术能够很好的利用信道的稀疏特性对基于OFDM的水声通信系统的信道估计进行改进,以减少信道估计所需导频的数量、提高信道估计的精度.本文采用匹配跟踪的方法估计信道非零系数的位置,降低噪声对信道估计的影响.通过仿真显,本文的方法能达到很好的信道估计性能,同时能够降低OFDM的峰均比.     

可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面（RIS）辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波（KR-HBKF）算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。     

一种FDD大规模MIMO系统下行信道估计算法

信道估计是大规模多输入多输出(MIMO)系统的关键技术之一。本文针对频分双工(FDD)大规模MIMO正交频分复用(OFDM)系统,研究了下行信道估计问题。通过利用大规模MIMO-OFDM信道在角度-频域中的块稀疏特性,提出了基于块匹配追踪的低复杂度估计算法。另外,针对采用时域正交导频存在估计周期过长,有可能超过系统相干时间的问题,提出了天线分组发送方案,通过牺牲观测数据长度来换取信道估计周期的减少。仿真结果表明,所提算法具有良好的抗噪性能,可以准确找出稀疏向量的非零值位置,并可自适应确定稀疏度。     

利用数据和导频的多小区Massive MIMO系统信道估计

本文提出一种通过同时利用上行数据和导频进行信道估计来对抗时分双工大规模多输入多输出（Massive multi-input multi-output,Massive MIMO）系统中导频污染的方法。考虑到Massive MIMO系统下空间相关信道在角度域具有近似稀疏性,期望用户信道和干扰信道的多径分量因而可分辨。同时上行数据子帧中的数据符号数远大于导频序列的长度。基于以上两点观察,首先利用上行导频对信道进行粗估计,然后将解码得到的上行数据符号视为导频序列,用于得到角度域信道估计中能量较大分量所处的位置。通过抽取信道粗估计中相应位置上的信道系数,可以得到信道的精估计。仿真表明,无论相邻小区采用同一组正交导频序列、还是不同组但具有相关性的导频序列,所提出的信道估计方法都能有效地消除导频污染。      

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。     

地空通信中基于贪婪算法的SC-FDE系统稀疏信道估计

针对在地空频率选择性衰落信道中,信道冲激响应具有时域稀疏特性的情况,提出了基于贪婪算法的单载波频域均衡(SC-FDE)系统稀疏信道估计方法。Chu序列是SC-FDE中常用的导频序列,对其进行分析并证明了将Chu序列进行循环移位所构造的导频矩阵满足RIP条件,将导频矩阵作为测量矩阵,把地空信道估计问题建模为稀疏重构模型,采用贪婪算法中的OMP和Co Sa MP算法对信道进行稀疏重构,仿真验证了所得信道估计较传统最小二乘(LS)信道估计方法更加准确。在相同的训练序列长度和信道环境下,利用所得信道估计对接收信号进行最小均方误差(MMSE)均衡,蒙特卡罗仿真结果表明,所提方法与传统LS信道估计方法相比,系统误码性能提高2~3 d B。     

一种压缩感知信道估计中降低信道稀疏度的算法

针对基于压缩感知的稀疏多径信道估计,提出了一种利用智能天线波束赋形改造多径信道,从而改选信道稀疏度的方法。与MIMO系统压缩感知相比,在利用OMP重构算法、获得同样估计性能的前提下,需要的导频数大大减少,这样就可以节省更大的空间来传送用户数据,提高了系统的吞吐量。仿真结果也证实了本文提出方法的优越性。     

基于SAMP重构算法的OFDM系统稀疏信道估计方法

为了提高OFDM系统稀疏信道估计的精度和减少导频子载波的数目,本文将OFDM系统频率选择衰落信道时域稀疏冲激响应的参数估计问题转化为压缩感知理论中在稀疏度未知及存在噪声干扰情形下复数稀疏信号的重构问题,提出了分别基于基追踪降噪（BPDN）和稀疏度自适应匹配追踪（SAMP）的两种OFDM系统稀疏信道估计方法。在导频数和信噪比均相同的情形,与传统的最小二乘法（LS）、匹配追踪-最小二乘法（MP-LS）的信道估计方法相比,仿真结果表明所提出的两种方法无须将信道的稀疏度作为先验知识,并具有归一化均方误差小和误比特率低的优点。在所提出的两种方法中,基于SAMP的方法比基于BPDN的方法具有运行速度快、性能更接近Cramer-Rao界的优点,且导频子载波仅为系统子载波的12.5%,信噪比约大于10dB时,采用基于SAMP的方法在信道稀疏度未知的情形也能获得满足实际应用的误比特率。      

利用ZC序列的OFDM同步及稀疏信道估计

利用ZC序列构造了新导频符号,能够在时域兼具完成OFDM符号定时同步,频偏估计及稀疏信道估计。符号定时同步无需本地序列,频偏估计在时域完成不需要进行FFT,稀疏信道估计则选取优化的由ZC序列形成的感知矩阵对时域信道进行感知,并以OMP算法重构。仿真结果表明,新方法能在时域以较高的精度完成同步和稀疏信道估计。     

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。     

一种低开销的LTE上行链路信道估计算法

压缩感知理论作为信号处理方向较为前沿的研究方向,可以采用少数目的采样值以高概率来获得原始稀疏信号。同时,移动无线通信衰落信道恰恰具有稀疏特性。然而,传统的信道估计并没有根据信道的这一稀疏特性来得出算法。在研究多径信道稀疏特性的基础上,分析了将压缩感知理论运用于LTE上行链路进行信道估计的可行性,并建立了一种基于压缩感知技术实现系统信道估计的模型,提出了一种结合正交匹配追踪算法来估计信道时域响应的低开销LTE上行链路信道估计算法。此外,通过系统仿真进行了估计的均方误差性能分析,与目前广为使用的信道估计算法相比,所提出的低开销信道估计算法在保证估计精度的同时减少了导频开销,增强了系统性能。     

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。     

认知无线电中的稀疏信道估计与导频优化

认知无线电技术能充分利用闲置的频谱进行数据传输,从而提高频谱利用率。而稀疏信道估计能充分发掘无线信道的稀疏性,从而节省导频开销,并进一步提高频谱利用率。因此,该文研究了采用稀疏信道估计的认知无线电系统及导频优化,将信道估计转化为稀疏重建问题,以最小化观测矩阵的互相关为目标进行优化,并提出了一种快速的导频优化算法。该算法通过灵活设置外循环和内循环次数,实现了对导频序列进行逐位置的替换与优化。仿真结果表明,相比于最小二乘信道估计,稀疏信道估计能节省72.4%的导频开销,提高8.2%的频谱利用率;此外,该导频优化算法优于目前的随机优化算法,在相同的0.012误码率性能下,相比后者能节省约5 dB的信噪比。     

OFDM系统双选择性慢衰落信道的压缩感知估计

为了增强压缩感知框架里Sl0(Smoothedl0-norm)重构算法的抗噪性能,该文在其目标函数里添加一个误差容允项,并提出了一种改进型重构算法l2-Sl0(Smoothed l0-norm regularized least-square)。另外通过对多径信道的时延和多普勒频移参数构成的时频2维有界区域进行量化,将OFDM时频双选择性慢衰落信道估计问题建模为压缩感知理论中的稀疏信号重构问题,提出了一种采用l2-Sl0估计信道时频参数的方法。仿真结果表明在相同的噪声环境里,l2-Sl0的重构性能优于Sl010 dB左右;运用l2-Sl0的信道估计方法可获得接近于理想最小二乘法的估计性能,且该方法在低信噪比的场景里也能获得较高的估计准确度。