一种新的码片内多径时延估计方法

根据信道冲激响应的稀疏特性,提出了一种频域的时延估计压缩感知模型,将时延估计问题转化为基于欠采样数据的稀疏向量估计问题.利用离散傅里叶变换(Discrete Fourier transform,DFT)矩阵的子矩阵所满足的受限等距性(Restricted isometry property,RIP)以及信道冲激响应的稀疏特性充分降低了时延估计所需数据量的要求.分析了本文模型具有码片内多径分辨能力以及良好抗噪性能的原因,并与多信号分类(Multiple signal classification,MUSIC)和旋转不变技术的信号参数估计(Estimation of signal parameters via rotational invariance technique,ESPRIT)算法的时延估计性能进行仿真比较.仿真结果表明,本文提出的方法不需要预知多径的条数,对码片内多径时延具有较高的估计精度,其时延估计性能在特定条件下优于MUSIC和ESPRIT算法.     

基于波达方向的Steiner多天线信道估计算法

针对多天线OFDM系统中时域信道训练符号采用非正化的数字序列 而导致其矩阵求逆运算计算复杂度高的问题,采用多用户CDMA系统上行链路的信道训练符号设计方法,提出了多天线Steiner信道估计方法。该方法通过时域途径设计的训练符号,使所有发射天线的训练符号矩阵成为一个循环矩阵,从而接收机可用离散傅立叶变换矩阵进行对角化,避免了信道估计矩阵求逆运算。同时,根据Steiner初始信道估计分离出每条路径的有用信息,再用每条路径的空间冲激响应来估计该路径信号的波达方向(Direction of Arrival,DOA),去除天线间接收信号的相干性,有效地利用空间信息提高Steiner信道估计的精度。实验结果表明,通过估计接收信号在每个接收天线上的波达方向角,基于波达方向的Steiner估计算法,在QPSK调制模式下获得了近0.5dB的性能提升,而在16QAM调制方式下可获得近2dB的信噪比增益。     

OFDM系统稀疏信道估计研究

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题。提出一种新的基于压缩感知理论的正交频分复用系统信道估计方法,采用稀疏度自适应匹配追踪压缩感知算法对OFDM信道时域脉冲响应进行估计。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,在信道稀疏度等信道先验知识未知情况下可得到较好的信道估计性能,降低系统复杂度。     

基于自适应LASSO先验的稀疏贝叶斯学习算法

为了提高稀疏信号恢复的准确性, 开展了基于自适应套索算子(Least absolute shrinkage and selection operator, LASSO)先验的稀疏贝叶斯学习(Sparse Bayesian learning, SBL)算法研究. 1) 在稀疏贝叶斯模型构建阶段, 构造了一种新的多层贝叶斯框架, 赋予信号中元素独立的LASSO先验. 该先验比现有稀疏先验更有效地鼓励稀疏并且该模型中所有参数更新存在闭合解. 然后在该多层贝叶斯框架的基础上提出了一种基于自适应LASSO先验的SBL算法. 2) 为降低提出的算法的计算复杂度, 在贝叶斯推断阶段利用空间轮换变元方法对提出的算法进行改进, 避免了矩阵求逆运算, 使参数更新快速高效, 从而提出了一种基于自适应LASSO先验的快速SBL算法. 本文提出的算法的稀疏恢复性能通过实验进行了验证, 分别针对不同大小测量矩阵的稀疏信号恢复以及单快拍波达方向(Direction of arrival, DOA)估计开展了实验. 实验结果表明: 提出基于自适应LASSO先验的SBL算法比现有算法具有更高的稀疏恢复准确度; 提出的快速算法的准确度略低于提出的基于自适应LASSO先验的SBL算法, 但计算复杂度明显降低.     

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。     

多符号差分球形译码在无线传感器网络分布式检测中的应用研究

在无线传感器网络分布式检测中,信道条件复杂,难于估计.比较相关检测,差分检测的优势是不需要信道估计,但总是付出一定的性能损失.为了缩短这一差距,本文提出多符号差分检测,并结合低复杂度球形译码算法,对多符号差分球形检测的迭代搜索过程进行了详细分析.算法检测性能和复杂度的分析表明,该检测算法不仅能有效降低计算复杂度,而且能保证较好的检测性能.结果证明该算法可作为一种有效检测算法应用于无线传感器网络分布式检测中.     

大规模天线系统中低复杂度的解码方法研究

针对传统大规模天线系统中线性信道估计和线性解码计算复杂度较高的问题,根据系统特性提出2种低复杂度的解码方法。利用系统中信道的渐近正交性设计快速解码方法,避免求解信道矩阵的逆矩阵。结合增加基站天线数可优化用户信道的特点设计简单算子解码方法,实现直接解码而无需估计信道。仿真结果表明,2种解码方法均能在保证系统性能的同时有效降低计算复杂度。     

一种子空间分解的MIMO-OFDM半盲信道估计方法

信道估计是MIMO-OFDM系统实现优良传输的一项重要环节。半盲信道估计算法是将MIMO-OFDM信道矩阵进行分解,分别利用未知数据和已知导频信息来完成信道估计。在利用未知数据进行估计时,提出一种利用频域子载波分组的子空间分解方法,不仅降低了计算复杂度,而且同时提高了信道估计的精度。利用已知的导频信息和未知数据估计出来的结果,可以求得最后的信道矩阵。相对于传统的频域子空间分解的半盲估计方法,算法可以减小计算复杂度80%,同时提高了估计精度平均1～2dB。仿真结果证明了算法具有良好的性能表现。     

基于梯度追踪的MIMO-OFDM稀疏信道估计算法

现有的压缩感知MIMO-OFDM信道估计方法多采用正交匹配追踪算法及其改进的算法。针对该类算法重构大规模的数据存在计算复杂度高、存储量大等问题,提出了基于梯度追踪算法的MIMO-OFDM 稀疏信道估计方法。梯度追踪算法采用最速下降法对目标函数解最优解,即每步迭代时计算目标函数的搜索方向和搜索步长,并以此选择原子得到每次迭代重构值的最优解。本文使用梯度追踪算法对信道进行估计,并与传统的最小二乘估计算法、正交匹配追踪算法的性能和计算复杂度进行比较。仿真结果表明,梯度追踪算法能够保证较好的估计效果,减少了导频开销,降低了运算复杂度,提高了重构效率。     

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。