基于贝叶斯压缩感知的正交频分复用信道估计改进

为了获得理想的正交频分复用信道估计结果,针对传统算法没有充分利用无线信道时域的固有稀疏性,导致估计精度不高且频谱利用率低等难题,提出了改进贝叶斯算法感知的正交频分复用信道估计算法。首先在详细介绍本文算法的原理和步骤基础上,与传统信道估计算法进行仿真对比实验。仿真结果表明,相对于其它信道估计算法,本算法可获得更高的信道估计精度,在使用较少导频的条件下获得很好的信道估计性能。     

基于贝叶斯压缩感知的毫米波MIMO信道估计

毫米波多输入多输出(MIMO)通信系统中,获取完整的信道状态信息可使系统达到最大通信容量。利用毫米波信道的角度域稀疏特性,提出一种基于MMV模型的稀疏贝叶斯学习的(CTSBL)信道估计方法。运用信道虚实分量具有相同的稀疏结构,引入块稀疏压缩感知框架,再结合多测量信道间的时域相关性,以及超参数迭代更新算法,使毫米波信道估计性能得到了提升。算法理论分析和实验仿真结果表明,提出的CTSBL毫米波MIMO信道估计方法比传统的贪婪算法块正交匹配追踪(BOMP)信道估计方法具有更高的估计精度。     

基于压缩感知的多小区MASSIVE MIMO信道估计

针对多小区多用户大规模多输入多输出（MASSIVE MIMO）系统信道估计在低信噪比情况下估计精度较差的问题,提出了一种基于群智能搜索的果蝇分段正交匹配追踪（FF-StOMP）压缩感知算法。该算法在分段正交匹配追踪（StOMP）求解不同阈值下的信道矩阵参数与归一化最小均方误差的基础上,采用果蝇优化算法动态搜索出最小归一化均方误差与其对应的阈值,达到自适应参数设定的目的。仿真结果表明,与StOMP算法相比,信噪比在0~10 dB情况下,所提出的FF-StOMP算法信道估计性能能够提升0.5~1 dB;信噪比在11~20 dB时,信道估计性能能够提升0.2~0.3 dB。当小区用户数发生变化时,所提出的算法能实现自适应信道估计,能够有效提升MASSIVE MIMO系统低信噪比情况下的信道估计精度。     

基于改进贝叶斯压缩感知的正交频分复用系统信道估计

针对正交频分复用(OFDM)系统利用传统压缩感知算法进行信道估计需要已知信道稀疏度等消息,且算法复杂度高,重构时间长的问题,提出改进贝叶斯压缩感知算法进行OFDM信道估计。该算法将正交频分复用系统的信道估计转化为贝叶斯压缩感知重构问题,在不需要预先知道信道稀疏度信息的情况下,通过优化重构过程中的基函数选择方法,将基函数从1个开始逐渐增加,而不是删除,进而得到信道估计值以及误差范围,使该算法具有更快的收敛速度。仿真结果表明,与传统信道估计算法相比,该算法不需要信道的稀疏度信息,并且重构精度更高,在低信噪比的情况下估计效果更好,提高了运算速度,降低了复杂度。     

基于压缩感知的高阶MIMO系统信道估值算法

针对通信网络中的天线数量巨大，很难完成对信道的有效计算与估值。借助于高阶多输入多输出（MIMO）系统的可靠性，提出了一种基于压缩感知的信道估值高阶MIMO系统。设计了一种简单的导频结构，以降低计算复杂度；利用导频序列长度可以随着信道稀疏度变化情况自适应的调整，从而节省了导频资源的开销。仿真实验表明，与传统的信道估计算法比较，在相同的信道估计精度条件下，HMCE-CS算法可以降低平均导频序列长度；或者在相同的导频序列长度条件下，HMCE-CS算法可以提高信道估计精度，验证了该算法的有效性。     

基于压缩感知的低压电力线载波通信信道估计

针对低压电力线通信环境多径干扰的特点,建立了正交频分复用的压缩感知信道估计模型,将信道估计转换为压缩感知理论中稀疏度未知的号重构问题,首次采用压缩感知的稀疏自适应匹配追踪方法重构出低压电力线载波通信多径信道的冲击响应;仿真表明与其它常用信道估计算法相比,所提出的压缩感知信道估计算法在频谱利用率以及估计性能方面比传统方法有显著提高,在未知稀疏度的情况下,为低压电力线载波通信系统提供了一种稳定、可行的信道估计方案。     

基于压缩感知的稀疏信道估计方法

针对OFDM系统中传统最小二乘(LS)信道估计方法需要大量导频估计精度却不高的问题,提出基于压缩采样匹配追踪(CoSaMP)的压缩感知信道估计新方法.利用发送信号,接收信号和信道的频城关系建立基于压缩感知的数学模型,再采用CoSaMP算法对信道进行重构.仿真结果表明,与LS算法相比,基于CoSaMP的压缩信道估计方法能利用少量的导频信号达到与之相比拟的信道估计性能,提高了频谱利用率;与现有压缩感知信道估计算法(基追踪(BP)与正交匹配追踪(OMP)相比,在使用相同导频数目条件下,具有更好的信道估计性能和更低的计算复杂度.     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

基于稀疏度自适应算法的MIMO-OFDM稀疏信道估计研究

无线信道在时域上具有稀疏性,为压缩感知理论提供了应用前提。多输入多输出正交频分复用(MIMO-OFDM)系统的信道估计问题就转变为稀疏信号的重建。压缩感知重构算法中的压缩采样匹配追踪(Co Sa MP)算法在MIMO-OFDM的信道估计中表现出较好的抗噪性能和较高的重构精度,但其需要稀疏度作为已知信息,而在实际中很难获得信道的稀疏度。为此提出一种基于稀疏度自适应算法(Co Sa SAMP)的MIMO-OFDM系统信道估计,同时在原算法的基础上使用了矩阵分块的方法,提高了其重构精度。仿真结果表明,与传统算法相比,该算法具有更好的估计性能和更高的频谱利用率,并将矩阵分块前后的估计性能进行了对比,结果表明分块后的估计精度更高。     

基于压缩感知的正交频分复用信道估计方法

传统的信道估计方法未充分利用信道的稀疏性。利用信道冲激响应的稀疏特性,提出了将FOCUSS(Focal Underdetermined System Solver)压缩感知算法应用到信道估计中,从均方误差和正确检测率方面分别与传统最小二乘估计和正交匹配追踪压缩感知信道估计相比较。仿真结果表明,本文算法的均方误差较小,正确检测率较高,能够以较少的导频信号获得好的估计性能。     

基于5G的毫米波Massive MIMO基本构架综述

随着社会的发展,科技不断进步。过去几十年中,无线蜂窝网络一直迅速发展,现阶段人们主要研究5G技术。5G的发展前景与需求是为了应对未来移动数据流量爆炸性增长、海量设备连接、不断涌现的各类新业务和应用场景,同时,与行业深度融合,满足垂直行业终端互联的多样化需求,实现真正的"万物互联",为社会经济数字化转型奠定基石。     

基于大规模MIMO的散射信道估计技术

随着用户对通信速率的要求日益增长,散射通信的通信容量亟待提升。大规模多输入多输出(MIMO)技术是提升容量的一种重要途径,本文研究基于大规模MIMO的对流层散射通信系统的信道估计问题。首先建立基于二维均匀方形天线阵列的大规模MIMO对流层散射信道模型,其次提出一种信道协方差矩阵估计算法对传统最小均方差(MMSE)信道估计算法进行改进,最后与最小二乘(LS)、传统MMSE算法和理想MMSE信道估计算法的准确度进行对比。仿真结果表明：在信噪比(SNR)为0～25 dB的情况下,传统的MMSE算法的准确度相较于LS算法的提升效果并不明显,与理想MMSE算法的准确度有一定差距;但改进MMSE信道估计算法的准确性优于传统MMSE算法,同等条件下NMSE相同时,其SNR可提升3～5 dB,并随着SNR的增大逐渐逼近理想MMSE算法。     

一种改进的基于压缩感知的稀疏信道估计算法

分析了突发信号的结构特征,提出了一种改进的基于压缩感知的稀疏信道估计方法。在信道初始估计中,利用前导伪随机序列的自相关特性,估计信道的路径时延,以此初始化稀疏重构算法,增加了信道估计的先验信息。在后续处理中,利用前一时刻已估计出的信道信息,跟踪估计当前时刻的信道信息。仿真证明,与最小二乘估计算法、正交匹配追踪算法和分离近似稀疏重构算法相比,本文提出的算法提高了信道估计的精度,降低了接收系统的误码率。     

信道估计误差下多用户MIMO／OFDM下行系统自适应传输

以系统总速率最大化为目标，提出在非理想信道信息情形下基于空分复用的多用户MIMO／OFDM下行系统的自适应资源分配方案，并满足用户的QoS要求。该方案首先根据用户信道估计误差模型和用户QoS对用户进行子载波分配，然后在各个子载波上进行功率和比特分配。仿真结果表明，该方案相对静态分配方案可获得更大的总速率，而且对信道估计错误更加强健，可应用到信道信息不确定的实际系统中。     

基于叠加训练序列的MIMO信道估计算法

针对提高无线信道的传输性能,提出了改进的基于叠加训练序列的MIMO信道估计算法。利用训练序列与信息序列的不相关特性,在没有带宽损失的情况下初步估计出信道参数;然后利用加权因子对信道参数在相邻信号段之间进行加权平均,得到最终的信道参数。与以往的叠加训练序列估计方法比较,利用算法具有更低的估计均方误差,且适用于时变信道。通过计算机仿真结果表明,估计方法提高了信道传输精度和性能。     

基于混沌序列的压缩感知超宽带信道估计

通过分析超宽带信道本身特性,利用混沌序列良好的随机性,提出一种基于Logistic混沌序列的超宽带信道估计方法。通过Logistic映射产生伪随机序列,对准托普利兹矩阵进行正交变换,产生新的改进型矩阵,并将该矩阵作为压缩感知的测量矩阵,建立贝叶斯压缩感知数学模型对超宽带信道进行估计。仿真结果表明,在同等的实验条件下,与传统的重构算法相比,该方法具有更高的抗噪声性能和重构精度。     

基于随机波束成形MIMO系统的信道反馈算法

MIMO系统是未来移动通信发展的趋势.随机波束成形利用包含信道质量的反馈信息,可以开发多用户分集增益,进一步提高MIMO系统的容量.然而繁重的反馈信息会占据大量的无线资源,降低系统的实际效率.主要研究降低随机波束成形MIMO系统反馈开销的方法,提出了两种部分信道反馈算法:门限反馈和最优反馈.理论推导表明了系统平均容量与反馈率之间的权衡关系,仿真结果证明了只要恰当地选取反馈参数,这两种反馈算法可以在几乎不牺牲系统容量的前提下,极大节省反馈开销.其中,门限反馈在系统容量方面表现要好于最优反馈,而最优反馈在实现简便性方面要强于门限反馈,因此实际设计时要折中考虑.     

基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

基于可配置型K-Best的MIMO信号检测器

为减少高速通信系统中硬件资源的消耗,设计一种应用于MIMO-OFDM无线通信系统中的高速信号检测器,根据可重构设计的需求,提出一种简化K-BEST（SKB）MIMO信号检测算法,介绍可配置型硬件结构,并采用Xilinx Vertex-4 FPGA平台加以实现。仿真实验结果表明,该检测器的最高数据吞吐率可达2 Gb/s,并能针对不同星座调制信号（如QPSK,16-QAM）进行检测。