RIS辅助无线系统中基于压缩感知的稀疏度自适应级联信道估计方法研究

为了解决可重构智能超表面（Reconfigurable Intelligent Surface,RIS）辅助无线通信系统中级联信道的估计问题,本文提出了一种基于压缩感知（Compressive Sensing,CS）的自适应双结构稀疏正交匹配追踪算法（Adaptive Double-Structured Orthogonal Matching Pursuit,ADS-OMP）。已有的双结构稀疏正交匹配追踪算法（DoubleStructured Orthogonal Matching Pursuit,DS-OMP）利用级联信道的双结构稀疏特性即行稀疏特性和列稀疏特性来提高算法估计性能,但需要已知相关信道稀疏度信息。本文提出的ADS-OMP算法在现有的DS-OMP算法基础上设计合理的判决准则和迭代阈值来估计相关稀疏度,从而能在角域级联信道的行稀疏度和列稀疏度均未知的情况下完成级联信道估计,有效克服了现有DS-OMP算法对相关信道稀疏度的依赖,算法实用性更强。仿真结果表明,本文提出的ADS-OMP算法和已有DS-OMP算法估计性能一致,算法复杂度在同一数量级上,前者复杂度略微提升。     

基于改进广义正交匹配追踪的OFDM稀疏信道估计

在OFDM稀疏信道中,将压缩感知中的广义正交匹配追踪(GOMP)重构算法用到OFDM信道估计中.由于其信道重构的精度比较低,根据其特点做出了改进,提出了一种用于OFDM稀疏信道估计的改进广义正交匹配追踪算法.该改进算法能够在不需要预知信道稀疏度的情况下准确恢复出信号.根据实验和仿真结果可以看出,该改进算法与LS算法、OMP算法、GOMP算法相比,在同样的环境下误比特率以及均方误差相对比较低,而且运算速度比较快,具有一定的实用性.     

一种结构化压缩感知中的稀疏度自适应算法

大规模多输入多输出(Large-scale MIMO)系统具有极高的频谱利用率和能量效率,是5G关键技术之一。结构化子空间追踪算法(SSP)采用一种非正交导频并结合无线信道的空时相关性,可以较精确地估计来自基站端大量发送天线的多个信道,针对该算法需要信道稀疏度作为先验条件的局限性,文章提出了一种分块稀疏度自适应匹配追踪算法(BASMP)。仿真结果表明,所提出的算法不仅在性能上与SSP算法相当,而且同时还能准确地估计信道的稀疏度。     

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。     

低信噪比下非凸化压缩感知超宽带信道估计方法

受感知信息算子矩阵相干性和噪声的影响,压缩感知超宽带(UWB)信道估计误差过大.为此,首先提出利用压缩观测信号加权构造自适应感知信息(ASI)算子矩阵的方法,ASI算子矩阵不仅具有弱相干性,而且包含观测信息,适用于重建算法选择最优稀疏表示原子.其次提出修正稀疏度自适应匹配追踪(SAMP)算法,无需稀疏度或信噪比的先验信息实现压缩感知稀疏信号准确重建.最后基于ASI算子矩阵和修正SAMP算法提出非凸化压缩感知UWB信道估计方法,理论分析和仿真结果均表明该方法能在低信噪比和极低压缩比下实现UWB信道的准确估计.     

OFDM信道估计中基于随机导频的OMP算法研究

信道估计是正交频分复用（OFDM）系统中非常重要的一个环节,准确的信道状态信息是数据可靠接收的重要保证.文中具体采用基于随机导频的正交匹配追踪算法（OMP）对OFDM系统进行信道估计,通过与最小二乘（LS）算法性能对比,验证了OMP算法可以使用更少的导频获得较好的估计性能.并仿真分析了OMP算法对先验信道稀疏度的依赖程度,为实际应用提供了一定参考意义.     

大规模MIMO系统中低复杂度的稀疏信道估计

针对大规模多输入多输出（MIMO）系统信道估计算法复杂度高的缺陷,结合无线通信信道固有的稀疏性提出了一种低复杂度的稀疏信道估计算法。该算法是在传统的离散傅里叶变换（DFT）信道估计的基础上利用分离算法将信道抽头与噪声空间分离开来,使得信道估计时只需要计算信道抽头的部分,因此算法的计算复杂度被大大降低。仿真结果表明,该算法在保持低复杂度的同时,可获得接近最小均方误差（MMSE）性能。     

一种基于改进ROMP的MIMO-OFDM信道估计方法

本文根据信道响应的时域稀疏性,引入压缩感知理论,针对正则化正交匹配追踪（ROMP）需已知稀疏度和原子一旦选入无法删除两大缺点,提出一种基于改进ROMP的信道估计方法.该方法结合压缩采样匹配追踪（CoSaMP）、稀疏度自适应匹配追踪（SAMP）和变步长的优点,实现稀疏信号快速准确的重建.仿真结果表明,与基于OMP、ROMP、CoSaMP、SAMP的信道估计方法相比,所提方法有效提高了MIMO-OFDM系统的归一化均方误差（NMSE）和误码率（BER）性能.     

一种基于RAMP算法的OFDM稀疏信道估计方法

针对OFDM稀疏信道估计需要信道稀疏度作先验条件的不足,将正则化自适应匹配追踪（RAMP ） 用于信道重建,可在信道稀疏度未知的情况下,自适应地调整候选集原子的个数,并利用正 则化过程实现支撑集的二次筛选,逐步扩大支撑集,准确地估计出信道的冲激响应。仿真结 果表明,该方法收敛速度快,估计效果好,有较好的应用价值。     

毫米波MIMO系统中稀疏度自适应的压缩感知信道估计

利用毫米波MIMO系统的稀疏特性,信道估计可以转化为稀疏信号重构的问题。解决毫米波MIMO稀疏信道估计问题时,传统的OMP方法需要信号的稀疏度作为先验信息,实际系统难以满足此需要。文中引入StOMP算法,根据信号已知的稀疏先验信息确定阈值,并结合动态的阈值调整,提出一种新的StOMP-D算法,实现了稀疏度自适应的毫米波MIMO信道估计。仿真结果表明,所提的方法与传统的LS方法比较,信道估计性能显著提高,并且与稀疏度已知的OMP方法性能十分接近,在稀疏度未知时有明显的优势。     

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。     

压缩感知理论及其应用前景

压缩感知理论是近年来提出的一种基于信号稀疏性的新兴采样理论。与通常的数据采样定理不同,该理论提出可以用远远少于传统采样定理所需的采样点数或观测点数恢复出原信号或图像。本文主要阐述了压缩感知中信号的稀疏表示、测量矩阵的设计及信号的重构算法等基本理论,论述了该理论的广阔应用前景。     

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。      

一种改进的压缩感知信号重构算法

针对支撑集未知且变化时的稀疏信号的重构问题,本文基于卡尔曼滤波思想,结合压缩感知算法,给出了一种改进的卡尔曼-压缩感知（Modified Kalman Filter Compressive Sensing,MKFCS）信号重构算法,该算法首先利用Kalman滤波获得信号残差的有效估计,然后根据残差变突情况,用改进的CS算法估计突变位置以确定信号的新的支撑集,最后用最小二乘方法重构信号,从而自适应的实现支撑集未知且变化的稀疏信号的重构。最后对所改进的通过重构精度、重构误差、稳健性等方面进行了仿真,仿真结果表明所提算法重构信号具有需要量测个数少、重构精度高、鲁棒性强等特点。      

G3-PLC系统压缩感知信道估计的LS-SAMP算法

为了提高G3-PLC系统可靠性,引入压缩感知(Compressed Sensing,CS)的信道估计方法,提出了一种基于最小二乘(Least Squares,LS)的稀疏度预测自适应匹配追踪(LS Based Prediction-Sparsity Adaptive Matching Pursuit,LS-SAMP)算法。该算法在稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法的基础上,采用了基于LS的稀疏度预测方法对信道稀疏度进行预估计,使算法可以快速逼近信道的真实稀疏度,提高算法运行效率;其次利用主成分分析方法对观测矩阵进行线性优化,降低观测矩阵相干度,提高算法的重构性能。实验结果表明,在误码率为10-3时,所提算法相对于LS算法的信道估计性能有1 dB的提升,且其运行效率比SAMP算法提升了31.23%,以更有效的方式提高了G3-PLC系统的可靠性。     

基于分离Bregman迭代协同稀疏性的图像压缩感知恢复算法

目前存在的CS恢复算法中大都采用固定的基函数,也就是在确定的域中对信号进行分解,比如：DCT域、小波域和梯度域,但这些域都忽略了自然信号的非平稳特性,缺乏白适应能力,从而不能够将图像分解得足够稀疏,也就使得CS恢复的效果很差,限制了CS在图像方面的应用。提出了一种基于分离Bregman迭代方法求解协同稀疏模型正则化的图像压缩感知恢复算法,能够在有效地刻画图像的局部平滑性和非局部自相似性的同时,获得更高质量的图像恢复效果。实验证明了本文提出算法的有效性,并且在峰值信噪比PSNR方面,比目前主流最好的算法高1dB。     

Compressive Sensing Based Soft Video Broadcast Using Spatial and Temporal Sparsity

Video broadcasting over wireless network has become a very popular application. However, the conventional digital video broadcasting framework can hardly accommodate heterogeneous users with diverse channel conditions, which is called the cliff effects. To overcome this cliff effects and provide a graceful degradation to multi-receivers, in this paper, we use the nonlocal sparsity and hierarchical GOP structure to propose a novel CS based soft video broadcast scheme. CS has properties of minimizing bandwidth consumption and generating measurements with equal importance which are exactly needed by video soft broadcast. In the proposed scheme, the measurement data are generated by block-wise compressive sensing (BCS), and then the measurement data packets are sent over a highly dense constellation though OFDM channel to achieve a simple encoder. Ideally, with the GOP structure, inter frame has lower sampling rate than intra frame to achieve better compression efficiency. At the decoder side, due to equally-important packets and property of soft broadcast, each user can receive the noise-corrupted measurements matching its channel condition and reconstruct video. The hierarchical GOP structure is presented to explode the correlation and non-local sparsity among video frames during the recover process. Additionally, using non-local sparsity, group based CS reconstruction with adaptive dictionaries is proposed to improve decoding quality. The experimental results show that the proposed scheme provides better performance compared with the traditional SoftCast with up to 8 dB coding gain for some channel conditions.     

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing, CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter, SEKF)方法,以用于脉冲多普勒(Pulse Doppler, PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标多普勒估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果表明,本文所提出的方法和传统的SEKF方法以及已有基于压缩感知的跟踪方法相比对机动目标有更好的跟踪性能。      

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。