多径衰落信道中多OFC-SAW传感器同时读取算法

针对多个正交频率编码声表面波（OFC-SAW）传感器存在同时读取困难的问题,对理想信道中多OFC-SAW传感器反射信号进行了建模分析,通过理论推导实现了对理想信道中多OFC-SAW传感器信息的同时读取。针对实际应用中的多径衰落信道特点,建立了多径衰落信道中阅读器接收到的OFC-SAW传感器反射信号数学模型。对理想信道中阅读器接收到的信号与多传感器反射信号之间的关系模型进行修正,从而得到多径衰落信道中阅读器接收到的信号与多传感器反射信号之间的关系模型。实际应用中通过适时监测信道来估计信道模型参数,从而实现多径衰落信道中多OFC-SAW传感器信息的同时读取。最后经过仿真分析验证了该算法的有效性。     

一种基于二维导频的信道估计改进算法

针对充满噪声干扰和多径效应的无线信道环境,提出一种基于二维导频的信道估计改进算法.该算法采用二维导频设置图案,利用导频点处充分记录的信道信息,提取信道参数的最优初始估计.在此基础上,利用优化的LMMSE算法,修正初始信道估计中的估计误差.理论分析及仿真实验表明,在多径时变衰落信道下,改进后的信道估计方法有效提高了系统的估计性能.     

一种MIMO—OFDM系统训练序列构造方法

推导出无线多径衰落信道模型的离散表达式,对非整数采样信道(Non-sample-spaced channel)能量泄漏的特点进行了分析,并进一步分析了训练序列对信道估计算法复杂度和估计性能的影响.在此基础上提出了一种利用Hadamard矩阵构造训练序列的新方法,并在TU(Typical urban)和HT(Hilly terrain)两种衰落信道条件下进行了仿真.理论分析和仿真结果表明:与相位偏移法相比,新的训练序列构造方法在保持算法复杂度不变的前提下,能够使信道估计算法的估计精度明显改善.     

基于Kalman滤波的MIMO时变信道估计

研究了一种基于Kalman滤波的MIMO时变信道估计与跟踪问题。利用衰落信道功率谱统计特性的先验信息,将信道冲击响应近似为一个低阶自回归滑动平均过程,通过信道传输函数逼近信道功率谱的幅频特性,建立时变衰落单径信道的状态方程,导出MIMO信道状态模型参数,并通过Kalman滤波跟踪信道的时变特性。理论分析和仿真试验表明,该算法在时变信道下具有较好的性能,和传统信道估计方法相比,接收机性能有了较大的改进。     

基于MATLAB的OFDM系统仿真及性能分析

正交频分复用（OFDM）是第四代移动通信的核心技术.该文首先简要介绍了OFDM基本原理,重点研究了理想同步情况下,保护时隙（CP）和不同的信道估计方法在高斯信道和多径瑞利衰落信道下对OFDM系统性能的影响.在给出OFDM系统模型的基础上,用MATLAB语言实现了整个系统的计算机仿真并给出参考设计程序.最后给出在不同的信道条件下,保护时隙、信道估计方法对OFDM系统误码率影响的比较曲线,得出了较理想的结论.     

自回归信道模型研究

高效、可靠地检测频谱空洞是认知无线电研究的重要技术。采用基于卡尔曼滤波的自回归信道预测模型可较好地估计频谱空洞,自回归模型常用于近似离散时间随机过程。首先讨论了ALOHA系统中认知用户和授权用户共存的系统模型;其次采用p阶模型近似平坦瑞利衰落信道,对瑞利衰落信道进行了仿真,给出了求解模型参数的算法,并讨论了p阶模型的平稳性。仿真实验表明,自回归信道模型的自相关函数能较好地和理论值匹配,而且易于实现。     

衰落信道下SCMA性能仿真研究

本文在一种上行SCMA（稀疏码分多址）系统模型的基础上,研究了衰落信道下SCMA通信系统的误码性能。首先比较了AWGN（高斯）信道以及衰落信道下SCMA和SC-FDMA（单载波频分多址）两种系统的性能;接着分析了快衰落信道、慢衰落信道、平坦衰落信道和频率选择性衰落信道下SCMA系统性能。仿真结果表明,与传统正交多址SC-FDMA相比,衰落信道下SCMA在用户连接数和误码性能上有一定优势。与AWGN信道相比,衰落信道使得SCMA系统误码性能迅速下降。在瑞利平坦衰落信道下,信道衰落的快慢变化导致SCMA系统误码性能最大产生约5dB损失;在频率选择性衰落信道下,多径时延扩散致使SCMA系统误码性能最差。     

基于DCT的OFDM信道估计算法研究

信道估计技术是OFDM技术的关键技术之一.文章首先简要介绍了信道估计的基本算法,重点研究了离散余弦变换(DCT)理论,在此基础上设计了一种的新的插值方法,并将其运用到信道估计算法中.该算法实现简单,不仅能降低干扰误差,而且能减少基于离散傅里叶变换(DFT)的信道估计算法在多径衰落信道中的高频失真,估计效果也优于基于DFT的算法.文章最后对两种算法做了仿真,给出了均方误差和误码率的比较曲线图,得出了较理想的结论.     

海上移动信道分析及抗多径接收机设计与仿真

海上舰船之间的通信通常工作在复杂的信道环境下,通信距离可远可近,不仅存在强的敌方恶意干扰,由于受地球弧度和海浪、船只等的遮挡,还存在深衰落和多径效应,因此设计海上通信系统时需要充分考虑这些不利因素的影响.针对海上移动信道的路径衰减特性,提出利用Longley-Rice模型建立海上移动信道模型,并对信道衰减模型进行了数值仿真;分析了多径对扩频系统伪码捕获的影响,提出利用Rake接收技术改善接收机的抗多径性能,并设计了一个Rake接收机结构,最后进行了仿真分析.仿真结果表明所设计的Rake接收机具有良好的抗多径能力,能够满足海上通信的需要.     

贪婪-注水方案在多用户传输中的分析研究

改进了发送端已知信道状态信息下的传输方式。在发送端已知信道信息条件下,基于系统最大寿命和容量限制提出了将注水算法和贪婪算法相结合的传输方式。仿真结果表明,结合后的贪婪-注水算法比原始算法得到更高的系统增益,且与Alamouti空时编码结合,能够有效地抵抗多径衰落和多普勒效应的影响。     

基于分布估计蜂群算法的多用户检测器

为了提高二进制人工蜂群算法的全局探索能力,提出一种基于分布估计算法的二进制人工蜂群算法,并应用到最优多用户检测技术中,设计出基于分布估计二进制人工蜂群算法的多用户检测方案。该方案采用直接针对离散域的多维邻域搜索策略,加快了收敛速度,避免了连续域到离散域的转换,同时利用分布估计算法获得的全局统计信息产生候选解,提高了算法性能。仿真结果表明,与传统检测器相比,所设计检测器的收敛速度明显加快,误码率性能和抗远近效应能力显著提高。     

基于声信道分析的电缆隧道人员定位技术

电缆隧道存在卫星信号完全拒止、电磁信道状态复杂等挑战,使得传统定位方法面临定位精度下滑、方差增大等问题。为此,本文提出一种基于声信道模型分析和到达时间估计的电缆隧道高精度人员定位方法。首先,在隧道中布设多组近超声基站,并通过有限元分析方法对基站布局进行优化;其次,针对人员移动导致的信道动态变化场景,在信号接收端建立统计参数模型,快速估计信号参数并在分数阶傅里叶变换域重构信号,同时通过信道频移状态推测人员的移动速度。最后,利用信道模型估计的到达时间以及移动速度,基于卡尔曼滤波器推算人员位置,同时将融合到达时间估计结果反馈到下一阶段的参数估计过程中,进而对信号参数估计结果进行修正。在地下电缆隧道的实验验证了所提出方法的有效性,在视距条件下性能超越了传统超宽带定位系统。     

基于逆滤波器的时变MIMO信道跟踪算法

对时变多发多收（MIMO）无线数字信道,在信道接收端应用逆滤波器算法,得到无线MIMO数字系统的信道冲击响应函数,并将此函数作为初始值,应用改进的粒子滤波器算法,完成时变MIMO数字系统的盲信道跟踪。该算法同时利用了信号的时间分集信息和空间分集信息。计算机仿真表明,与仅利用信号空间分集信息的逆滤波器算法相比,该算法在输入信号小信噪比情况下有更好的全局收敛特性;与卡尔曼滤波算法相比,得到的归一化信道误差更小。     

“当前”半马尔科夫模型及自适应跟踪算法

通过分析基于"当前"统计模型的自适应卡尔曼滤波算法的不足之处,在"当前"统计模型的基础上引入空气阻力系数和非零加速度,提出了"当前"半马尔可夫统机动模型,从而更符合机动目标运动的实际情况;基于此模型提出了改进的自适应卡尔曼滤波算法。仿真结果表明,改进的"当前"半马尔可夫卡尔曼滤波算法收敛速度更快,跟踪误差更小。     

强脉冲噪声环境下的多径衰信道估计

提出一种在强干扰脉冲噪声存在下对无线多径信道进行估计的算法.在无线通信系统中,衰落信道可以采用自回归(AR)模型建模,通过RLS算法和自适应Kalman滤波器分别对AR模型的参数进行估计,但是,这两种算法对噪声干扰非常敏感.为了加快RLS算法的收敛性,并有效抑制大脉冲干扰的影响,在算法的改进中引入了抑制因子,用于对脉冲干扰幅度的抑制.仿真结果显示:相比于传统的算法,改进后的算法在联合估计信道时,提高了抵抗大脉冲干扰的能力,加快了待估参数的收敛速度.     

Convergence of discrete-time Kalman filter estimate to continuous time estimate

This article is concerned with the convergence of the state estimate obtained from the discrete-time Kalman filter to the continuous time estimate as the temporal discretisation is refined. The convergence follows from Martingale convergence theorem as demonstrated below; however, surprisingly, no results exist on the rate of convergence. We derive convergence rate estimates for the discrete-time Kalman filter estimate for finite and infinite dimensional systems. The proofs are based on applying the discrete-time Kalman filter on a dense numerable subset of a certain time interval [0, T].     

State of charge estimation for Li-ion battery based on model from extreme learning machine

Lithium-ion (Li-ion) battery state of charge (SOC) estimation is important for electric vehicles (EVs). The model-based state estimation method using the Kalman filter (KF) variants is studied and improved in this paper. To establish an accurate discrete model for Li-ion battery, the extreme learning machine (ELM) algorithm is proposed to train the model using experimental data. The estimation of SOC is then compared using four algorithms: extended Kalman filter (EKF), unscented Kalman filter (UKF), adaptive extended Kalman filter (AEKF) and adaptive unscented Kalman filter (AUKF). The comparison of the experimental results shows that AEKF and AUKF have better convergence rate, and AUKF has the best accuracy. The comparison from the radial basis function neural network (RBF NN) model also verifies that the ELM model has lighter computation load and smaller estimation error in SOC estimation process. In general, the performance of Li-ion battery SOC estimation is improved by the AUKF algorithm applied on the ELM model.     

带约束卡尔曼滤波对涡扇发动机状态估计

提出了一种加入线性不等式约束的卡尔曼滤波方法,并用于涡扇发动机的健康状况估计。涡扇发动机数字模型包含10个状态变量、12个量测量、6个控制输入量以及8个健康状况参数。不等式约束不仅保证了状态变量估计在用户自定义的范围内随时间变化平稳缓慢,而且还提高了滤波计算效率,改善了滤波估计精度。同时系统还允许滤波器沿确定的方向修正状态变量估计,以保持状态变量真值恒定。对比传统的无约束卡尔曼滤波,线性化滤波结果显示,该方法对涡扇发动机的健康状况估计尤其行之有效。     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波（UKF）移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

Least squares estimation of nonstationary covariance parameters in linear systems

Least squares estimation techniques are employed to overcome previous difficulties encountered in accurately estimating the state and measurement noise covariance parameters in linear stochastic systems. In the past accurate and rapidly converging covariance parameter estimates have been achieved with complex estimation algorithms only after specifying the statistical nature of the noise in the system and constraining the time variation of the covariance parameters. Weighted least squares estimation allows these restrictions to be removed while achieving near optimal accuracy using a filter on the same order of complexity as a Kalman filter. Allowing the covariance parameters to vary in as general a manner in time as the state in a linear discrete time stochastic system, and assuming that a Kalman filter is applied to this system using incorrect knowledge of the a priori statistics, it is shown how a covariance system is developed similar to the original system. Unbiased least squares estimates of the covariance parameters and of the original state are obtained without the necessity of specifying the distribution on the noise in either system. The accuracy of these estimates approaches optimal accuracy with increasing measurements when adaptive Kalman filters are applied to each system.