一种快变信道下OFDM系统的Kalman信道估计算法

针对频率选择性快速时变信道的多径干扰和较大的多普勒频谱扩展，提出了一种改进的Kalman滤波算法。用于正交频分复用（OFDM）系统信道估计．该算法采用复杂度大大降低的低维Kalman滤波来跟踪快速时变信道，迭代联合信道估计与检测算法来获得测量矩阵，并对滤波结果利用一种新的简单的最小均方误差（MMSE）估计器进行优化。有效地降低了传统基于Kalman滤波算法的复杂度．仿真结果表明，该方法能够跟踪信道的快速变化，具有良好的估计性能．     

基于联合稀疏模型的OFDM压缩感知信道估计

针对正交频分多路复用（OFDM）系统,比较了基于压缩感知的不同导频设计方案及相应信道估计性能. 基于信道响应的时域稀疏和缓变特征,提出了基于联合稀疏模型的压缩感知信道估计方法,进一步提高了信道估计的性能. 该方法将连续若干个OFDM符号的信道估计问题转化为联合稀疏模型下的压缩感知问题,充分利用信道的稀疏特性和时间相关性进行信道估计. 结合短波OFDM系统,比较了几种信道估计方法的性能. 仿真结果表明,与传统的最小平方误差信道估计方法和逐符号的压缩感知信道估计方法相比,基于联合稀疏特征的信道估计方法可进一步改善估计性能,对时变信道具有更好的适应性.     

一种新的基于粒子滤波的OFDM时变信道估计方法

提出了一种基于粒子滤波的OFDM时变信道和模型参数的联合估计方法.该方法将时变信道建成一个动态时变参数AR模型,在传统粒子滤波算法的基础上,引入核平滑收缩技术动态估计模型参数,进而估计信道状态,最终实现了状态方程参数和信道状态的联合估计.仿真结果表明:与传统的采用常系数AR模型的信道估计方法相比,该方法在估计精度和系统性能方面均有明显的改善.     

时变信道下车载HDAF协作通信误码性能分析

车辆快速移动带来的信道时变特性降低了智能车载协作系统的误码性能。因此,该文提出了一种基于一阶自回归模型（AR1）的车载混合译码放大转发（HDAF）协作通信方法,该方法通过AR1的多普勒频偏相关系数来刻画时变信道特性,根据信道增益自适应选取HDAF协作通信方式,提升了智能交通系统的可控性安全。同时,分析了车载移动速度和信道状态信息（CSI）估计精度对误码性能的影响。数值分析表明,车载系统能通过增加CSI的估计精度,有效地减少车辆快速移动引起的误码平顶值。该方法相对于放大转发（AF）和解码转发（DF）协作通信方式,平均误码性能分别提高了约3.6 dB和1.5 dB。     

水声稀疏信道估计与大范围白适应平滑预测研究

研究了对水声稀疏信道的估计与预测．基于水声稀疏信道模型提出了信道重要权系数检测迭代估计算法来对信道的时域冲激响应进行估计,该算法无需预先知道信道多径数,同时可有效利用预估的信道多径数下限减少计算量;基于线性自回归模型提出了大范围自适应平滑预测算法来对水声信道进行预测,无需估计复杂的水声信道二阶统计特性,通过降低信道采样速率和局部平滑以进一步降低预测误差．文中算法比最小二乘（LeastSquares,LS）算法和匹配追踪（MatchingPursuit,MP）算法性能更为优越;当通信距离较短时,信道预测误差在10^2内．本文算法能够对水声稀疏信道进行有效估计和预测,可为水声通信中的自适应技术提供依据．     

基于最小二乘支持向量机的时变信道建模

基于2.55 GHz市区微蜂窝多输入多输出信道实测数据,将机器学习中的最小二乘支持向量机（LS-SVM）算法应用于时变信道参数的建模中,建立了基于遗传算法（GA）优化的LS-SVM信道参数预测模型,对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习,并实现了准确预测;同时通过与反向传播神经网络模型以及传统的LS-SVM模型进行比较,验证了算法的有效性.基于GA优化的LS-SVM模型能够在有限数据量下对信道参数的变化有着良好的适应性,可实现非线性时变信道参数的准确预测.     

快变信道环境下的MIMO OFDM系统信道估计算法

为了实现对快变信道环境下的多输入多输出正交频分复用(MIMO OFDM)系统信道估计,提出了一种基于多项式的基扩展模型(BEM),并联合迭代判决反馈并行干扰抵消(PIC)检测的信道估计算法.利用BEM将信道估计转化为对少量模型参数估计的特性,并结合PIC检测算法,以达到精确信道估计和消除载波间干扰的目的.仿真结果表明,该算法与传统最小二乘、线性最小均方误差信道估计算法相比,在误码率约为10-3时,信噪比增益为5dB左右.此外,新算法不需要知道信道的时域统计特性,且采用了移相正交导频设计,在一定程度上降低了信道估计的复杂度.     

一种新的适用于OFDM系统的时变信道估计与均衡方案

针对高速移动环境中的OFDM接收问题,首先提出一种基于时变信道KL基扩展模型(KL-BEM)的时域信道估计方案．该方案用KL-BEM的一组基函数近似表达若干个OFDM符号时段内信道的时变,并在相邻OFDM符号之间插入短时导频簇来得到时变信道KL-BEM参数的估计．通过合理设计短时导频簇的结构,不仅提高了时变信道估计的精度,而且降低了导频率．其次,为了恢复发送符号,建议一种基于加窗的改进排序串行干扰抵消最小均方误差(MMSE-SIC)均衡算法．通过时域加窗预处理,子载波间干扰(ICI)得以短化,从而在提高均衡性能的同时降低了实现复杂度．仿真结果表明,提出的时变信道估计方案和建议的ICI均衡算法有效地提高了OFDM时变信道的估计和均衡性能．     

联合BP神经网络与基扩展模型的信道预测算法

针对高速移动的多输入多输出正交频分复用系统，提出了一种低复杂度的联合反向传播(BP)神经网络与基扩展模型的时变信道预测算法。为了降低计算复杂度，采用基扩展模型对信道进行建模，并通过对信道基系数进行线下训练与线上预测以获取未来时刻的信道信息。在线下训练中，首先基于历史接收的导频信号获取信道的基系数估计；然后构造训练样本，并将其送入BP神经网络训练中，以获取信道预测网络模型。在线上预测时，基于训练得到网络模型与历史基系数估计，从而获取未来时刻的时域信道。仿真实验结果表明，所提算法的计算复杂度较低，且预测精度较高，适用于未来高速移动环境下时变信道信息的高效获取。     

基于离散椭球基-基扩展模型的OFDM信道估计

为准确掌握信道特性,提出了基于离散椭球基—基扩展模型(Discrete Prolate Spheroidal Sequences-Basis Expansion Model,DPSS-BEM)的OFDM信道估计方法。采用二维DPSS-BEM对信道进行建模,将信道视为二维正交分量的线性加权,并利用导频位置的训练信息估计权值。仿真表明,该方法与基于极值BEM算法、卡尔曼估计法比较,能有效跟踪OFDM信道变化,改善信道的归一化均方误差和误码率性能。     

基于内插的快衰落MIMO OFDM信道估计

为了解决快衰落条件下多输入多输出（MIMO）正交频分复用（OFDM）系统的信道估计问题，根据MIMO OFDM的时变信号模型，提出了一种基于内插和导频辅助的快衰弱信道估计方法，讨论了进行有效信道估计的必要条件，得到了对导频矩阵的要求.本算法不约束信道为静态或准静态，能够有效地估计出在一个OFDM符号持续时间中发生变化的信道参数，并且具有良好的均方误差性能.计算机仿真表明了这一信道估计方法的有效性.     

一种新的基于导频的MIMO-OFDM信道估计方法

提出了一种适用于时变衰落信道的MIMO-OFDM系统的组合信道估计方法。该方法利用优化导频和基于梯度的可变遗忘因子的改进RLS算法进行信道估计。此外,采用基于MMSE(minimum mean square error)的合并器对改进RLS算法的估计结果做了进一步修正。仿真结果表明,这种改进的RLS算法较传统的RLS算法能够更有效地跟踪时变衰落信道的变化;在相同条件下,该组合算法能够提高系统性能,获得更小的BER(bit error rate)。     

MIMO-OFDM系统中一种新的低代价信道估计方法

准确的信道估计是保证MIMO-OFDM系统传输质量,发挥其优越性的关键．文中提出了一种适于MIMO-OFDM系统的低代价信道估计算法,采用新的导频结构,利用低阶LMMSE插值的方法估计信道响应．理论分析与计算机仿真表明,这种方法的估计精度高、跟踪能力强、并且实现复杂度低,因此具有重要的实际意义．     

Enhanced EM-based channel estimation for MIMO-OFDM in highly mobile channels

An enhanced expectation-maximization(EM)-based iterative channel estimator for coping with channel time variation is proposed for mobile multiple-input multi-output orthogonal frequency division multiplexing(MIMO-OFDM)systems.In the proposed scheme,the recursive least squares(RLS)algorithm is applied to track the time-varying channel impulse response(CIR)within several symbols.By using the tracked time-varying CIR,the ICI are constructed and then cancelled from the received signal,thus reducing their impactions on the channel estimation.Moreover,based on an over-sampled complex exponential basis expansion model(OCE-BEM),an improved channel predictor is derived in order to improve the initial channel estimates accuracy of the iterative estimator.Simulation results show that the proposed scheme outperforms the classic counterpart in time-varying scenarios with a smaller cost of complexity.     

一种有效的MIMO-OFDM系统时变信道估计算法

为了在快速时变环境下减小多普勒效应对系统性能的影响,提出了一种适用于快速时变环境下M I-MO-OFDM系统的两步信道估计方法.第1步运用最小二乘算法及内插算法对非导频处传输的数据进行初始估计;第2步运用第1步得到的数据估计值结合提出的降低信道估计矩阵维数的方法,从而获得精确的信道参数.仿真结果表明,与其简化估计算法和最小二乘(Least Square)估计算法相比,提出的方法有效的降低了信道估计的误码率及最小均方误差,并且具有较低的复杂度,可很好地满足快速时变信道环境的要求.     

Adaptive Bit Loading Scheme with Semi-Blind Channel Estimation for OFDMSystems

Orthogonal frequency division multiplexing(OFDM) has recently been used widely in widebandwireless communication systems due to its high datarate transmission capability with high bandwidth effi-ciency and its robustness to multi-path delay spread.It has been used in wireless local area network( WLAN) standards such as IEEE802 .11a andHIPERLAN/2[1].The OFDMsystems solvedthe se-vere inter-symbol and inter-carrier interference(ISI)in multi-path fading channel by introducing cyclicprefi…     

海面FH-OFDM系统联合同步和信道估计算法

在跳频正交频分复用(FH-OFDM)系统的海面军事应用中,为了提高接收机在航空移动通信中不同海况下的误码性能,提出了基于递归最小二乘法的联合同步和信道估计算法。在同步跳中使用并行搜索实现跳频同步,对基带时域信号的子载波间干扰(ICI)进行了预先补偿。借助于慢时变信道下新的跳频帧结构,构建了统一的代价函数通过线性误差函数对信道冲激响应(CIR),载波频率偏差(CFO)和采样率偏差(SFO)进行估计。使用了新的极大似然代价函数来估计各参数的初始值。给出了系统中带宽效率,跳频速率及子载波总数的权衡条件。仿真结果表明,该算法在平静海面和粗糙海面下的参数估计均方差和系统误码率优于传统算法。     

Sparse channel estimation for MIMO-OFDM systems using distributed compressed sensing

A sparse channel estimation method is proposed for doubly selective channels in multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) systems. Based on the basis expansion model (BEM) of the channel, the joint-sparsity of MIMO-OFDM channels is described. The sparse characteristics enable us to cast the channel estimation as a distributed compressed sensing (DCS) problem. Then, a low complexity DCS-based estimation scheme is designed. Compared with the conventional compressed channel estimators based on the compressed sensing (CS) theory, the DCS-based method has an improved efficiency because it reconstructs the MIMO channels jointly rather than addresses them separately. Furthermore, the group-sparse structure of each single channel is also depicted. To effectively use this additional structure of the sparsity pattern, the DCS algorithm is modified. The modified algorithm can further enhance the estimation performance. Simulation results demonstrate the superiority of our method over fast fading channels in MIMO-OFDM systems.