有源欺骗干扰环境下的DOA估计

针对有源欺骗干扰环境下基于小样本的DOA估计问题,该文提出自适应极化滤波(APF)联合块稀疏贝叶斯学习(BSBL)算法的DOA估计方法。首先,通过APF抑制干扰能量,提高信干比。然后,建立有源欺骗干扰环境下的稀疏贝叶斯模型,基于相邻快拍相关性,利用BSBL算法进行DOA估计。仿真和实测数据处理结果表明,所提方法降低了干扰对BSBL算法的影响,且与APF联合子空间类算法或最大似然算法(ML)相比,具有更高的空间分辨率和DOA估计精度。     

时间相关块贝叶斯算法下的大规模MIMO信道估计

因具有高的阵列增益和高的频谱效率,大规模MIMO已成为5G通信系统物理层关键技术,但在频分双工系统基站侧获取大规模MIMO信道准确状态信息的过程中,存在导频开销占用大量频谱资源问题。为此,针对时间相关信道和信道稀疏度未知的情况,提出一种基于时间相关和多测量矢量模型的块贝叶斯压缩感知（TMBB-CS）信道估计方法。因基站端天线发射信号时间相关,所以大规模MIMO系统的时域信道脉冲响应呈块稀疏结构,利用该特性对下行链路中的多用户信道矩阵进行测量估计,可较大幅度减少导频开销,提升性能。实验仿真结果表明,与其他块贝叶斯算法相比,所提出的TMBB-CS算法信道估计性能更好。      

基于信息辅助块稀疏贝叶斯学习的直扩通信窄带干扰抑制

现有基于Nyquist-Shannon采样定理的窄带干扰(Narrowband Interference,NBI)抑制方法存在应用受限于采样率较高的问题。应用压缩感知(Compressive Sensing,CS)理论解决上述问题,利用NBI在频域表现出的块稀疏特性以及直接序列扩频(Direct Sequence Spread Spectrum,DSSS)信号的类噪声特性,提出了基于块稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)框架的DSSS通信NBI抑制模型。实现干扰抑制后,利用传统的CS重构算法实现DSSS信号的压缩域解调。为进一步提高算法性能,将NBI稀疏分块的块内自相关矩阵建模为单位矩阵,提出了信息辅助BSBL(Aid BSBL,ABSBL)算法,设计了基于ABSBL的DSSS通信NBI抑制算法。该算法在保持较好NBI抑制性能的条件下,提高了运算效率并且不依赖NBI的稀疏结构。仿真验证和对比分析结果表明,所提方法能够有效抑制DSSS通信中的NBI,在干扰强度相同的条件下,NBI带宽越小、压缩率越大,算法对NBI的抑制性能越好。     

OFDM稀疏信道估计中导频设计算法

由于无线信道固有的稀疏性,压缩感知理论已被应用于正交频分复用(OFDM)系统的信道估计中来提高频谱利用率。文中研究OFDM系统稀疏信道中确定性导频的设计问题,针对互相关最小准则的不足,提出了一种基于测量矩阵互相关和测量矩阵列相关平方和最小化的联合算法。仿真结果表明,该算法的归一化均方误差(MSE)和误码率(SER)性能均优于基于互相关最小准则的随机搜索导频,相比于最小二乘算法,稀疏信道估计使用了更少的导频获得了更好的估计效果,提高了频谱利用率。     

一种FDD大规模MIMO系统下行信道估计算法

信道估计是大规模多输入多输出(MIMO)系统的关键技术之一。本文针对频分双工(FDD)大规模MIMO正交频分复用(OFDM)系统,研究了下行信道估计问题。通过利用大规模MIMO-OFDM信道在角度-频域中的块稀疏特性,提出了基于块匹配追踪的低复杂度估计算法。另外,针对采用时域正交导频存在估计周期过长,有可能超过系统相干时间的问题,提出了天线分组发送方案,通过牺牲观测数据长度来换取信道估计周期的减少。仿真结果表明,所提算法具有良好的抗噪性能,可以准确找出稀疏向量的非零值位置,并可自适应确定稀疏度。     

应用加权高斯模型的非理想稀疏信道估计

在高速通信系统中,由于多径信道通常存在一些小的散射体,使得抽头向量不满足理想的稀疏特性,导致经典的稀疏估计算法存在一定的性能损失。针对上述非理想稀疏特性问题,提出了一种基于酉变换近似消息传递(Unitary Transform Approximate Message Passing,UT-AMP)和加权高斯(Weighting-Gaussian,WG)先验模型的稀疏估计算法。首先,由非理想稀疏信道的构造分析,导出了WG先验模型和参数;其次,利用贝叶斯公式对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统进行因式分解和因子图建模,归纳了在消息传递框架内期望最大化(Expectation Maximization,EM)算法嵌入方式,推导了联合UT-AMP和EM的信道估计算法;最后,建立仿真环境对所提算法进行复杂度分析和数值仿真。仿真结果表明,所提算法能够以同阶复杂度实现信道估计性能和频带利用率的提升,具有很高的应用和推广价值。     

基于FBMP算法的水声信道估计

设计了一种基于贝叶斯压缩感知(bayesian compressing sensing,BCS)的水声信道(underwater acoustic channel,UWAC)估计方法,并具体采用快速贝叶斯匹配追踪算法(fast bayesian matching pursuit,FBMP)对水声正交频分复用(OFDM)通信系统下的信道脉冲响应进行估计。在水声信道中,信道的抽头的位置及系数通常分别服从伯努利和复高斯分布,利用这一先验知识,首先对抽头的位置进行检测,然后通过最小均方误差准则得到准确的信道估计。仿真分析了导频数量、信噪比对FBMP、正交匹配追踪(orthogonal matching pursuit,OMP)、变换域(discrete fourier transform,DFT)、最小二乘法(least square,LS)信道估计算法的性能的影响,仿真结果表明,在稀疏信道下,基于FBMP的信道估计方法明显优于OMP、DFT、LS信道估计方法。     

地空通信中基于贪婪算法的SC-FDE系统稀疏信道估计

针对在地空频率选择性衰落信道中,信道冲激响应具有时域稀疏特性的情况,提出了基于贪婪算法的单载波频域均衡(SC-FDE)系统稀疏信道估计方法。Chu序列是SC-FDE中常用的导频序列,对其进行分析并证明了将Chu序列进行循环移位所构造的导频矩阵满足RIP条件,将导频矩阵作为测量矩阵,把地空信道估计问题建模为稀疏重构模型,采用贪婪算法中的OMP和Co Sa MP算法对信道进行稀疏重构,仿真验证了所得信道估计较传统最小二乘(LS)信道估计方法更加准确。在相同的训练序列长度和信道环境下,利用所得信道估计对接收信号进行最小均方误差(MMSE)均衡,蒙特卡罗仿真结果表明,所提方法与传统LS信道估计方法相比,系统误码性能提高2~3 d B。     

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。     

基于贝叶斯自动相关性确定的稀疏重构正交频分复用信号时延估计算法

针对复杂环境下,单测量矢量(SMV)条件下的正交频分复用(OFDM)时延估计问题,该文提出了一种基于贝叶斯自动相关性确定(BARD)的稀疏重构时延估计算法。该算法运用贝叶斯框架,从进一步挖掘有用信息的角度入手,引入不对称的自动相关性确定(ARD)先验,融入参数估计过程中,有效提升了低信噪比(SNR)和SMV条件下的时延估计精度。该算法首先基于OFDM信号物理层协议数据单元估计出的信道频域响应构造稀疏化实数域表示模型,然后对模型中的噪声和稀疏系数矢量进行概率假设,同时引入自动相关性确定先验;最后根据贝叶斯框架,通过期望最大化(EM)算法求解超参数,实现对时延的估计。仿真实验表明,该算法具有更好的估计性能,在信噪比较高时更加贴近克拉美罗界(CRB)。同时基于通用软件无线电外设(USRP),利用实际信号对所提算法进行了有效性地验证。     

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。      

Joint channel and impulsive noise estimation method for OFDM systems

Aiming at the impulsive noise occurring in OFDM systems,an impulsive noise mitigation algorithm based on compressed sensing theory was proposed.The proposed algorithm firstly treated the channel impulse response and the impulsive noise as a joint sparse vector by exploiting the sparsity of both them.Then the sparse Bayesian learning framework was adopted to jointly estimate the channel impulse response,the impulsive noise and the data symbols,in which the data symbols were regarded as unknown parameters.Compared with the existing impulsive noise mitigation methods,the proposed algorithm not only utilized all subcarriers but also did not use any a priori information of the channel and impulsive noise.The simulation results show that the proposed algorithm achieves significant improvement on the channel estimation and bit error rate performance.     

Recursive least square–based fast sparse multipath channel estimation

In the next‐generation wireless communication systems, the broadband signal transmission over wireless channel often incurs the frequency‐selective channel fading behavior and also results in the channel sparse structure, which is supported only by few large coefficients. For the stable wireless propagation to be ensured, linear adaptive channel estimation algorithms, eg, recursive least square and least mean square, have been developed. However, these traditional algorithms are unable to exploit the channel sparsity. Actually, channel estimation performance can be further improved by taking advantage of the sparsity. In this paper, 2 recursive least square–based fast adaptive sparse channel estimation algorithm is proposed by introducing sparse constraints, L1‐norm and L0‐norm, respectively. To improve the flexibility of the proposed algorithms, this paper introduces a regularization parameter selection method to adaptively exploit the channel sparsity. Finally, Monte Carlo–based computer simulations are conducted to validate the effectiveness of the proposed algorithms.     

面向压缩感知的块稀疏度自适应迭代算法

块稀疏信号是一种典型的稀疏信号,目前在块稀疏信号的压缩感知问题中,大多数信号重构算法要求信号的块稀疏度已知且算法复杂度高.针对实际应用中信号块稀疏度未知的情况,提出了一种块稀疏度自适应迭代算法,用于信号重构.首先,该算法初始化一个块稀疏度,其值按设定步长进行增加.对每一个块稀疏度的迭代,算法都会找到信号支撑块的一个子集,并修正更新上一次找到的信号支撵块,最后找到信号的整个支撑块,从而重构出源信号.该算法不需要信号的块稀疏度作为先验知识,而且算法复杂度低.仿真实验表明,该算法的重构概率较已有大多数块稀疏信号重构算法的重构概率高,在块稀疏信号的压缩感知问题中具有实际意义.     

基于SAMP重构算法的OFDM系统稀疏信道估计方法

为了提高OFDM系统稀疏信道估计的精度和减少导频子载波的数目,本文将OFDM系统频率选择衰落信道时域稀疏冲激响应的参数估计问题转化为压缩感知理论中在稀疏度未知及存在噪声干扰情形下复数稀疏信号的重构问题,提出了分别基于基追踪降噪（BPDN）和稀疏度自适应匹配追踪（SAMP）的两种OFDM系统稀疏信道估计方法。在导频数和信噪比均相同的情形,与传统的最小二乘法（LS）、匹配追踪-最小二乘法（MP-LS）的信道估计方法相比,仿真结果表明所提出的两种方法无须将信道的稀疏度作为先验知识,并具有归一化均方误差小和误比特率低的优点。在所提出的两种方法中,基于SAMP的方法比基于BPDN的方法具有运行速度快、性能更接近Cramer-Rao界的优点,且导频子载波仅为系统子载波的12.5%,信噪比约大于10dB时,采用基于SAMP的方法在信道稀疏度未知的情形也能获得满足实际应用的误比特率。      

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。      

结构性稀疏阵列多信道联合估计

多信道估计时,如果利用信道的稀疏性和多信道的相关性,可以提高信道估计性能。本文利用阵列信道的结构性稀疏特性,提出了一种多路分组稀疏LMS算法(Group Sparse LMS,GS-LMS)。该算法将多路信道作为一个整体同时进行自适应信道估计,通过引入Ι_2,1范数,将结构性稀疏先验引入到稀疏LMS算法的代价函数中,导出新的滤波器权系数更新公式。仿真结果表明了在不同信道条件下,本文算法的稳态误差性能明显优于若干现有的稀疏LMS算法。