MIMO-OFDM系统中基于迭代MAP算法的RLS信道估计

该文提出了一种适用于MIMO-OFDM系统的迭代最大后验概率(Iterative-MAP)信道估计算法。接收机利用MAP译码算法中的信息位和校验位软信息,经过非线性映射将信息反馈至信道估计模块,采用递归最小二乘(RLS)自适应滤波算法对信道时变状态参数进行跟踪,提高了信道估计的精度。仿真结果表明,该方法与最小二乘(LS)算法相比,估计的均方误差(MSE)和误帧率(FER)性能都有较大改善。     

MIMO-OFDM系统中一种基于自适应滤波的信道估计方法

该文提出了一种适用于MIMO-OFDM系统的基于自适应滤波器的信道估计方法,此方法在不需要任何信道统计信息的前提下,通过自适应滤波的方法对时变信道状态参数进行即时跟踪与估计。仿真结果表明该文提出的基于自适应滤波的信道估计方法,相比于不考虑噪声的基于LS算法的信道估计方法,MSE和BER性能均有很大的提高。其中基于LMS滤波器的信道估计方法具有计算复杂度小的特点;而基于RLS的信道估计方法具有收敛速度快,MSE和BER性能均优于基于LMS方法的特点。     

基于RLS的MIMO OFDM自适应信道估计

依据最小均方误差准则提出了基于多相正交序列循环移位和基于重复相位旋转Chu两种训练序列设计方法,并给出了相应的最小二乘(RLS)自适应信道估计算法。首先用简单的LS算法对信道进行初步估计,然后采用RLS算法进行自适应滤波器提高信道估计的性能,最后,将滤波后得到的时域信道估计经过FFT变换为频域信道响应,并对OFDM数据符号进行频域均衡。与传统单一的信道估计技术相比,该方法具有较低的复杂度和较好的估计性能,仿真实验证明了该算法的有效性。     

基于导频和修正Kalman滤波的MIMO-OFDM信道估计方法

提出了一种适用于时间频率选择性衰落信道的MIMO-OFDM系统的组合信道估计方法。采用AR过程对信道进行建模,利用基于导频的低维Kalman滤波算法进行信道估计,并采用LS算法估计时变的信道衰减因子。Kalman滤波跟踪了信道的时域相关性,为了同时跟踪信道的频域相关性,采用了一种基于MMSE(minimum mean square error)的合并器对Kalman滤波算法进行修正。仿真表明,提出的这种组合算法降低了传统的Kalman滤波结构的复杂度,能够跟踪信道的时频变化,改进了基于LS准则的信道估计算法,并且与复杂的高维Kalman滤波算法的信道估计性能相当。     

一种基于自适应滤波的信道估计优化方法

为了解决无线移动通信 MIMO-OFDM 系统中导频辅助信道估计方法所存在的估计精度问题,提出了一种基于改进 LMS 算法的自适应滤波优化方法。首先使用 LS 算法对信道进行初始估计,然后利用估计结果恢复出原始发送数据,最后通过自适应滤波的方式对信道估计结果进行重新优化得到新的信道估计矩阵,可以获得更优的估计性能。仿真结果表明,提出的改进 LMS 算法相比于基本 LMS 算法具有更快的收敛速度和更好的稳态性能,自适应滤波优化后信道估计性能得到很大提高。     

自适应滤波算法LMS和RLS及其在应用中的性能

本文介绍了最小均方误差(LMS)算法和递推最小二乘(RLS)两种自适应滤波理论,并在自适应均衡和信道估计两个应用领域中进行了MATLAB仿真结果.     

基于Kalman滤波跟踪的MIMO-OFDM半盲信道估计

为克服常用的最小均方(LS)估计算法误差平底较高,且需要占用大量导频资源跟踪时变信道的缺点,提出一种基于Kalman滤波跟踪的MIMO-OFDM半盲的信道估计算法,该算法在采用少量导频的前提下,建立参数化信道模型,采用自适应Kalman滤波技术跟踪时变信道状态信息。仿真表明:该算法能很好地跟踪时变信道状态,显著降低多普勒频移条件下估计的均方误差。     

基于BEM的非平稳双选信道估计方法

面向高速环境下的无线通信系统,针对高速信道的双选衰落和非平稳特性,提出一种基于基扩展模型（Basis Expansion Model,BEM）的贝叶斯滤波的信道估计方法.针对双选衰落特性,采用BEM信道模型,降低估计复杂度,消除子载波间干扰;针对非平稳特性,提出一种基于贝叶斯滤波的联合估计信道冲激响应与时变的时域自相关系数的信道估计方法.仿真分析表明,所提方法相较最小二乘法等传统方法在高速环境下能够提升估计精度和误码率性能.本方法特别适用于高速铁路的无线通信系统.     

基于基扩展模型的UKF-RTSS高可靠鲁棒V2V信道估计

车联网应用场景对无线通信在带宽、时延、可靠性方面提出了更高的需求,特别是车辆对车辆(Vehicle to Vehicle, V2V)场景。针对V2V高速移动场景,时/频域选择性衰落(双选衰落)和非平稳特性给信道估计带来的技术挑战,该文提出了一种基于基扩展模型(Basis Expansion Model, BEM)的UKF-RTSS (Unscented Kalman Filter- Rauch-Tung-Striebel Smoother)信道估计方法。该方法采用BEM拟合快时变信道,将信道参数的估计转化为基函数系数的估计;通过无迹卡尔曼滤波(UKF),联合估计数据处信道冲激响应与时域自相关系数,用于追踪快时变的信道响应。为了进一步提升信道估计的精度,引入RTSS对后向信道状态信息进行信道估计和插值,与UKF构成了“滤波和平滑”结构的UKF-RTSS联合估计器。系统仿真分析表明,在不同速度的快时变条件下,所提方法相比其他经典方法具有更高的信道估计精度和鲁棒性,特别适用于车联网下的无线通信场景。     

OFDM-UWB系统的自适应联合信道估计算法

提出了一种新的MB-OFDM-UWB自适应联合信道估计算法,该算法首先对基于DFT的信道估计算法进行改进,使其能自适应的调整滤波窗口的大小。然后利用改进后的算法与梳状导频估计相结合。算法的优点在于能根据不同的信道的统计特征,自适应调整滤波器窗口的大小,从而减少了噪声对信道估计的影响,并保留了梳状导频估计能快速跟踪信道变化的特性。仿真结果表明,该算法能很好地适用于UWB室内信道。