基于压缩感知的OFDM系统信道估计方法

针对无线信道的时域稀疏性以及稀疏度未知的问题,文章将压缩感知技术应用到正交频分复用(OFDM)系统信道估计中,提出了一种稀疏度自适应正交匹配追踪信道估计算法。算法利用离散傅里叶变换(DFT)信道估计算法对循环前缀内和外的噪声进行处理,估计得到的信道频率响应作为正交匹配追踪(OMP)算法稀疏迭代终止的判断条件,实现稀疏度自适应信号重建。同时在原子预选阶段,采用Dice系数准则代替内积准则作为相关性度量准则,可达到更优的估计性能。仿真结果表明,该算法相比于传统的压缩感知信道估计算法具有较好的性能,可以提高系统的归一化均方误差(NMSE)和误码率(BER)性能。     

基于压缩感知的MIMO-OFDM系统自适应信道估计

针对超密集组网中导频复用将产生导频干扰,严重影响移动用户下行链路信道估计准确性的问题,提出了一种使用短导频的幂函数稀疏度自适应匹配追踪(Power Sparsity Adaptive Matching Pursuit,PSAMP)算法.该算法由稀疏度预估计和追踪重构两部分构成.首先通过幂函数试探得到一个略小于真实稀疏度的预估值,再通过压缩采样匹配追踪重构信号,改善估计结果;若不能成功重构,则逐渐增加信号原子数量.仿真结果表明,相较于传统自适应压缩感知重建算法,所提的P SAMP算法在高信噪比区域具有更好的信道估计性能.     

基于压缩感知的MIMO-FBMC信道估计算法

介绍编码的MIMO-FBMC系统,提出一种新的正则化稀疏自适应子空间追踪算法(RSASP),以提高最小二乘(LS)算法信道估计的精度,并设计了一种编码的RSASP算法用来估计MIMO-FBMC系统的信道频域响应(CFR)。算法分析和仿真结果表明,设计的编码RSASP算法与传统压缩采样匹配追踪(CoSaMP)和正则化正交匹配追踪(ROMP)算法相比,复杂度更低且需要观测的数据更少。此外,在双选择信道上,编码RSASP算法具有比OMP和ROMP算法更好的误码率(BER)性能。     

LTE-A基于压缩感知的信道估计

针对在多普勒环境下LTE-A(改进的长期演进)系统时频域二维稀疏信道的特性,根据导频在时频域的分布以及二者之间的相关性,通过将搜索空间分解为时域上OFDM(正交频分复用)符号间和频域上子载波间范围,提出了一种基于OMP(正交匹配追踪)算法改进压缩感知的信道估计。仿真结果表明,改进的OMP算法较原始算法具有更低的MSE(均方误差)。     

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。     

压缩感知算法在无线信道估计中的应用

压缩感知技术一经提出就以其极低的采样速率为优势,在多个领域中得到了应用,而无线信道因为多径效应而在时域范围内显示出自然稀疏的特性,符合压缩感知技术的应用前提。因此目前有很多研究人员将压缩感知技术应用在无线通信系统的信道估计中,在保证获得同样质量的信道状态信息的前提下,减少导频的插入数量,提高系统的频带利用率。并且针对不同的通信系统特征,各自有相应合适的重构算法来恢复信号。     

基于自适应投影矩阵的压缩感知超宽带信道估计

超宽带信号由于功率谱密度较低和传输多径复杂,准确的信道估计十分重要。考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。而目前常用的随机投影矩阵与超宽带信道稀疏变换矩阵相关度较高,算法必须在降维比较高时才能达到重构要求,采样速率依然较高。针对上述问题,提出使用贝叶斯压缩感知理论中的自适应投影矩阵设计方法进行超宽带信道估计。贝叶斯压缩感知理论给信道向量中的每个值设置受超参数控制的后验概率密度,计算信道向量的统计特性,并根据协方差矩阵计算新的投影向量,该投影向量可以使重构解的微分熵下降最快。通过这种自适应的投影矩阵设计方法,可以利用较少的采样值进一步地提高重构解的可信度,达到进一步降低采样速率的目的。实验结果表明该方法相对于现有的压缩感知重构算法可以在较低的降维比条件下达到较好的重构效果,显著降低了采样速率。     

基于压缩感知的OFDM稀疏信道估计应用

压缩感知理论可通过远低于那奎斯特准则的方式进行采样数据,仍能够精确恢复出原始信号,基于CS技术的信道估计可减少OFDM系统中导频的数量,同时可获得较好的估计性能,本文通过介绍CS理论和OFDM信道估计方法,将CS理论应用到信道估计中,重点介绍通过ROMP算法估计信道冲击响应函数。     

一种新的基于压缩感知的毫米波信道估计算法

针对传统稀疏重构算法需要信道稀疏度先验信息、复杂度高、不利于实际应用的问题,提出了一种新的基于波束空间分解的稀疏度自适应毫米波信道估计算法。该算法利用毫米波信道稀疏性的特点对信道进行波束空间分解,构造基于码本的感知矩阵,获得l1范数约束问题模型;其次结合分段弱匹配追踪算法,采用弱阈值从感知矩阵筛选原子,再通过分组选择机制对选择的原子进行二次优化;最后根据最小二乘法估计出毫米波信道。仿真结果表明,所提算法的估计精度和复杂度在低信噪比和低训练长度情况下明显优于传统匹配追踪算法。     

分布式压缩感知实现联合信道估计的方法

针对无线通信中多个信道之间存在相关性的现象,本文研究了基于压缩感知的联合信道估计。通过选取多个节点与簇头之间的信道为研究背景,本文建立了多信道下的联合信道估计模型,推导了判决门限与信噪比之间的关系,提出了基于门限自适应-正交匹配追踪联合重构技术(TA-SOMP)的信道估计算法,并进行了相应的仿真实验。仿真结果表明:与经典的正交匹配追踪(OMP)算法相比,本文算法所重构的信道与原始信道之间的均方误差(MSE)更小,传输信号误比特率(BER)更低;在相同信噪比环境下,TA-SOMP算法所需导频数量更少,频带利用率更高。      

压缩感知在稀疏信道估计中的应用

压缩感知( CS,Compressive Sensing)理论指出可以用低于奈奎斯特抽样定理的速率对稀疏信号进行采样并在收端以很高的概率重建信号,它是目前信号处理领域的研究热点.基于CS理论的信道估计会降低导频辅助信道估计的导频数量且估计性能好,介绍了CS的基本原理和信道估计相关内容,以及正交频分复用(OFDM,Ort...     

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。      

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.     

自适应PCA稀疏基底的分布式视频压缩感知重构

为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,提出利用自适应稀疏基底进行联合重构.算法利用帧间运动信息形成样本数据矩阵,再利用主成分分析(Principle Components Analysis,PCA)训练出其显著主成分构成稀疏字典,该稀疏字典不仅可根据视频时空统计特征自适应变化而且可有效地抑制噪声.仿真实验表明,该联合重构算法可有效地改善主客观视频重构质量,能够以一定的计算复杂度为代价提高DVCS系统的率失真性能.     

基于压缩感知的自适应帧图像分组视频编解码器研究

目前基于压缩感知的视频编解码器在对视频帧图像进行处理时大多采用固定分组的形式,视频中出现场景快速变化时,其重构视频帧的效果较差。提出一种基于压缩感知的自适应帧图像分组视频编解码器,无论场景变化快慢,均能获到较好的视频帧重构效果。实验结果表明,视频场景快速变换时该编解码器的视频帧重构效果较好。     

基于优化信息算子的UWB信道贝叶斯估计

针对压缩感知应用于UWB通信信道估计时信息算子的相干性严重影响UWB信道估计精度的问题,提出将优化的信息算子和贝叶斯算法相结合的方法。该方法以互累积相干参数为准则,首先将加权信息算子通过最优化与正则化得到优化的信息算子,最后通过贝叶斯算法重构UWB信道。理论分析和仿真结果表明优化信息算子的相干性大大减弱,有效提高了UWB信道估计精度,同时该方法能在较低的压缩比和信噪比条件下实现UWB通信信道的准确重建。     

基于自适应滤波的压缩感知重构方法

自适应滤波框架中,滤波器的抽头系数可以利用特定的自适应算法达到近似维纳解,从而使滤波器的输出误差达到最小.将这个框架应用到压缩感知重构信号中,信号的稀疏系数等效为滤波器系数权值向量,从而可获得最佳的稀疏系数,以高概率重构信号.本文介绍了已有学者研究出的一种L0最小均方算法(L0-LMS),该算法中引入零引力项加快了权矢量向稀疏解收敛的速度,保证解的稀疏性.通过仿真可知,基于自适应滤波算法重构稀疏信号的性能较好,甚至优于压缩感知中常用的OMP算法.     

基于压缩感知的同频干扰下LTE系统信道估计算法

本文提出一种基于压缩感知的同频干扰下长期演进系统信道估计方法。与现有方法不同,本文将干扰和噪声区别对待,利用干扰信号结构建立该系统下多小区信道估计模型(MCCE)。由于无线信道在宽带系统下表现出较为明显的稀疏特性,本文将压缩感知技术应用于上述模型,通过求解新的感知矩阵,并利用多输入多输出信道共有非零支撑集的特性,提出了适用于长期演进系统的联合改进子空间追踪算法(J-MSP),解决了上述模型下字典矩阵列相关度较高的问题;由于所提模型中含有未知的干扰符号,因此还需解决信道和干扰符号的联合估计。仿真结果和分析表明,本文方法在干扰与本小区同步时相比单小区信道估计方法性能显著提升,异步时与最大似然算法性能相当,同时也适用于无干扰场景。      

基于矩阵感知的毫米波MIMO系统信道估计方法

在使用混合波束形成的毫米波大规模多输入多输出系统中,射频链路少于天线数,信道估计非常具有挑战性。当天线阵列缺陷导致未知相位和增益误差时,压缩感知信道估计器的性能会下降。为提高系统鲁棒性,提出了一种新型的基于矩阵感知的信道估计方案。该方案利用毫米波信道的低秩特性,采用凸函数差框架设计信道估计器。理论分析及仿真结果证明,所提方案不受阵列相位和增益误差的影响,与压缩感知方案比较增强了系统的鲁棒性,可获得比矩阵补全方案更好的估计性能。