非理想载波同步下OFDM快衰落信道的稀疏与感知

针对稀疏导频 OFDM 系统,提出非理想载波同步 OFDM 快衰落信道稀疏表示与感知方法。首先提出了一种稀疏化信道核向量的广义信道冲激响应矩阵稀疏化表示方法;推导了稀疏导频快衰落信道估计压缩感知模型;利用OMP算法重构稀疏化信道核向量与广义信道冲激响应矩阵,从而完成非理想载波同步下的 OFDM 快衰落信道估计。仿真结果表明,该算法能有效降低非理想载波同步的稀疏导频 OFDM 系统的误码率。     

移动通信中的无线信道技术

从移动无线信道的时变冲激响应的功率密度谱函数和相关函数出发,研究广义平稳非相关散射(WSSUS)无线信道特性的统计参数,对无线移动衰落信道的特性进行了分类。分析了无线通信中影响移动无线通信信号传输质量的原因,对提高移动通信质量的可行性提供参考。     

无线信道的可视化建模和仿真

无线信道是移动通信的传输媒体,研究其特性并建立一个与实际传输环境相符合的无线信道仿真模型都有着十分重要的现实意义。本文首先提出无线多径衰落信道的广义平稳非相关散射（Wide-Sense Stationary Un-correlated Scattering,简称WSSUS）假设,并在该假设下对该信道的计算机仿真模型进行了研究;最后选择MATLAB6.X的仿真工具箱SIMULINK作为图形建模的支持环境,对多径无线信道的冲激响应进行可视化建模和仿真。     

移动通信中无线信道特性的研究

从等效低通信道的时变冲激响应的相关函数和功率密度谱函数出发,研究了一些描述广义平稳非相关散射(WSSUS)的无线信道特性的统计参数,并对无线移动衰落信道的特性进行分类。分析了3种常见的小尺度多径衰落信道的统计模型,给出了在平坦衰落信道中系统传输比特误码率的一般分析方法。最后,利用这些模型和方法,给出了一些常见数字调制信号的传输误码率的数值结果。结果表明：衰落对无线移动通信系统传输性能的影响是很大的,在实际中应设法消除它。     

高速铁路无线信道测量与信道模型探讨

我国高速铁路(简称"高铁")建设取得了举世瞩目的成就,高铁车地通信问题也成为学术界、产业界研究的热点,本文分析了高铁信道模型的特点,回顾了高铁信道测量和研究的已有成果,归纳了现阶段标准化组织高铁信道提案和模型,研究了高铁无线信道测量和建模的特殊问题,如不同覆盖方式信道模型的差异,小区重叠时无线信道特征,高铁信道互易性问题,非平稳相关散射特征,基于马尔科夫链生灭过程时变信道等问题。     

面向6G无线环境可预测的感知重构、语义表征及应用

面对6G通信多样复杂的应用场景，精确低复杂的环境信息和信道模型是实现6G智简传输和组网的基础。面向6G无线环境可预测，对无线环境的感知重构、语义表征与应用展开研究，分析了现有的环境感知技术与重构算法，并对无线环境可预测的语义表征方法进行总结。围绕目前存在的信道建模与预测难题，介绍了信道在线预测的6G网络设计与感知重构平台。相关实验验证了该平台的可行性和准确性。认为未来无线环境可预测的关键是提高无线环境感知精度，提升无线环境语义的可解释性，建立一个面向6G信道的通用性系统模型。     

一种在无线衰落信道上支持实时业务的分组调度算法

无线分组调度算法能为蜂窝网络中的移动用户提供服务质量的保证。在此问题上,以前的研究工作中一个经典的假设是基站与用户之间的信道条件变化为一平稳随机过程。但在实际情况中,这样的平稳假设并非总是合理的。研究表明基于平稳假设的调度算法,如流行的M-LWDF和EXP-rule算法,在非平稳信道上的性能下降明显。在CDMA蜂窝通信系统中,为在时变衰落信道上支持实时数据业务,该文提出一种基于模糊逻辑控制的分组调度算法,简称FROS。它能在保证用户QoS要求的同时,考虑到无线信道的快衰落特性而充分利用多用户分集(Multiuser diversity)所带来的增益,从而提高系统容量。系统级仿真证明,FROS算法能在优化系统分组时延性能和优化系统吞吐量性能之间保持良好的平衡和折衷,在平稳信道和非平稳信道的条件下都能获得比M-LWDF和EXP-rule算法更好的性能。     

非平稳信道衰落FPGA实时模拟方法

针对由于收发端的高速移动导致信道衰落呈现的非平稳特性,提出了一种基于线性调频信号叠加的非平稳信道衰落产生方法,并对输出信道衰落的幅值分布和平均增益进行了详细分析,据此设计了基于FPGA硬件平台的非平稳信道衰落模拟器。硬件实测结果表明,该模拟器输出信道衰落分布、自相关函数和多普勒功率谱等均与理论结果非常吻合,可应用于针对非平稳散射环境下的下一代无线通信系统性能测试和验证。      

多径衰落信道的多重分形模型

本文研究多径衰落信号的多重分形性质,分析并指出了信号多重分形维数是描述无线信道传播特性的重要参数;计算了多径衰落信号的多重分形维数及其分形参数;在此基础上提出了一种新的无线信道模型;结合分形插值方法,对多径衰落信号的重构进行了研究.仿真结果表明,无线信道的多重分形模型与传统的统计模型相比更有效、更准确.     

非平稳信道下极化码的评估

极化码是基于信道极化现象的一种新的信道编码方法。直到现在,许多研究极化码的学者仍致力于在平稳信道下对极化码进行应用研究。在此,主要研究将极化码应用于非平稳信道,此研究需要利用蒙特卡洛方法来进行。将一个特殊二进制对称信道(BSC)的交叉概率的变化视为服从正弦函数分布。根据大量的实验结果发现,当极化码应用于非平稳信道下时,仍然存在信道极化现象,但是其极化现象并没有像极化码应用于平稳信道那样的显著。     

基于小波变换和残差神经网络的全盲频谱感知方法

为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。     

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法———广义解析模态分解（Generalized Analytical Mode Decomposition,GAMD）．GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量．因此,GAMD非常适合分析时变的非平稳信号．通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高．     

基于S变换的线性调频信号时频滤波

线性调频(LFM)信号是一种典型的非平稳信号。对非平稳信号的分析和处理不能仅依靠传统的基于傅里叶变换的分析方法,必须采用时域和频域联合的时频分析方法。将S变换(ST)的时频分析方法应用到LFM信号的滤波中,用tST-tIST和fST-fIST 2种算法组合分别实现了对LFM信号的滤波,然后采用均方误差(MSE)的衡量标准,仿真对比了以上2种算法组合的滤波性能。仿真结果表明:fST-fIST算法的滤波误差较大,不适合对LFM信号的滤波;tST-tIST算法的滤波性能较好,适合对LFM信号的滤波。     

Dopplerlet based time-frequency representation via matching pursuits

A new time-frequency representation called Dopplerlet transform, which uses the dilated, translated and modulated windowed Doppler signals as its basis functions, is proposed, and the Fourier transform, short-time Fourier transform (including Gabor transform), wavelet transform, and chirplet transform are formulated in one framework of Dopplerlet transform accordingly. It is proved that the matching pursuits based on Dopplerlet basis functions are convergent, and that the energy of residual signals yielded in the decomposition process decays exponentially. Simulation results show that the matching pursuits with Dopplerlet basis functions can characterize compactly a nonstationary signal.     

一种时频变换OFDM系统的信道估计模型

在OFDM系统中,无线信道的准确估计很大程度上决定了系统的传输性能,提出了一种时频变换信道估计模型,并将它应用于自适应OFDM系统中的信道估计,通过与理想自适应系统相比较,研究了模型的性能以及信道估计的误差对于系统性能的影响。     

Fourier transform representation by frequency-time wavelets

A new concept of the A-wavelet transform is introduced, and the representation of the Fourier transform by the A-wavelet transform is described. Such a wavelet transform uses a fully scalable modulated window but not all possible shifts. A geometrical locus of frequency-time points for the A-wavelet transform is derived, and examples are given. The locus is considered "optimal" for the Fourier transform when a signal can be recovered by using only values of its wavelet transform defined on the locus. The inverse Fourier transform is also represented by the A/sup */-wavelet transform defined on specific points in the time-frequency plane. The concept of the A-wavelet transform can be extended for representation of other unitary transforms. Such an example for the Hartley transform is described, and the reconstruction formula is given.     

Signal Decomposition by Using the S-Method With Application to the Analysis of HF Radar Signals in Sea-Clutter

This paper presents a new approach to the time-frequency signal analysis and synthesis, using the eigenvalue decomposition method. It is based on the S-method, the time-frequency representation that can produce a distribution equal or close to a sum of the Wigner distributions of individual signal components. The new time-frequency signal decomposition method is evaluated on the simulated and experimental high-frequency surface-wave radar (HFSWR) data. Results demonstrate that it provides an effective way for analyzing and detecting maneuvering air targets with significant velocity changes, including target signal separation from the heavy clutter. The analysis shows that this method can provide additional insight into the interpretation and processing of radar signals, with respect to the traditional Fourier transform based methods currently used by the HFSWRs. The proposed method could also be used in other signal processing applications.     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

基于短时迭代自适应-逆Radon变换的微多普勒提取方法

对于频率交叠严重且频率成分接近的多分量信号,常用的短时傅里叶变换(Short Time Fourier Transform,STFT)和S方法(S-Method,SM)频率分辨能力不足,重构精度低.针对该问题,本文结合逆Radon变换提出了基于短时迭代自适应-逆Radon变换(Short Time Iterative Adaptive Approach-Inverse Radon Transform,STIAA-IRT)的微多普勒特征提取方法.首先采用基于加权迭代自适应的STIAA时频分析方法分析了散射点模型的微多普勒特性,然后利用逆Radon变换分离重构不同散射点的微多普勒分量.该方法在低信噪比、邻近时频分布情况下能获得高分辨的多分量信号的完整微多普勒信息,性能分析显示STIAA-IRT重构精度较高,明显优于STFT-IRT (Short Time Fourier Transform-Inverse Radon Transform)和SM-IRT (S-Method-Inverse Radon Transform)特征提取方法.     

Approximate Time-Variable Coherence Analysis of Multichannel Signals

We present a new method for signal extraction from noisy multichannel epileptic seizure onset EEG signals. These signals are non-stationary which makes time-invariant filtering unsuitable. The new method assumes a signal model and performs denoising by filtering the signal of each channel using a time-variable filter which is an estimate of the Wiener filter. The approximate Wiener filters are obtained using the time-frequency coherence functions between all channel pairs, and a fix-point algorithm. We estimate the coherence functions using the multiple window method, after which the fix-point algorithm is applied. Simulations indicate that this method improves upon its restriction to assumed stationary signals for realistically non-stationary data, in terms of mean square error, and we show that it can also be used for time-frequency representation of noisy multichannel signals. The method was applied to two epileptic seizure onset signals, and it turned out that the most informative output of the method are the filters themselves studied in the time-frequency domain. They seem to reveal hidden features of the epileptic signal which are otherwise invisible. This algorithm can be used as preprocessing for seizure onset EEG signals prior to time-frequency representation and manual or algorithmic pattern classification.