线性时变信道下OFDM系统的加窗信道估计

受时变性影响,正交频分复用(OFDM)系统的频域信道矩阵是近似限带的.利用接收端窗函数可以增强信道的限带特性,但也导致信道无法采用线性模型进行表征.针对该问题,文中将窗函数与信道的时变性隔离开来,提出了加窗-线性信道模型.随后研究了该模型下的时变信道估计方法,并对该算法进行了简化,降低了算法的计算量.从仿真结果可以看出:窗函数可以抑制信道矩阵的带外子载波间干扰;与传统OFDM系统的性能相比,文中算法的性能提升了约2.5 dB.     

快速时变信道下的基扩展模型信道估计性能分析

针对快速时变信道,提出了一种基于复指数基扩展模型(CE-BEM)的线性最小均方误差(LMMSE)信道估计方法,对信道估计的结果使用离散长椭球序列(DPSS)进行平滑处理,并相应提出了基于迭代的载波间干扰(ICI)消除信道均衡方法.仿真结果表明:在高多普勒信道场景下,该方法系统误码性能较传统信道估计方法有一定程度的提升.     

MIMO系统中的迭代时变信道估计

为了提高时变信道环境中MIMO信道估计的性能,利用Karhunen-Loeve基扩展模型(KL-BEM)建立MIMO系统中符合期望最大化(EM)算法框架的信号模型,从而得到MIMO时变信道的迭代估计方法.将EM算法应用于MIMO系统中进行迭代信道估计,一方面利用了EM迭代来提高信道估计的性能,另一方面利用了KL-BEM基函数的正交性来降低信道估计的运算复杂度.在2×2 MIMO系统下的仿真结果表明:算法经5次迭代即可收敛,而且迭代估计的信道脉冲响应与实际响应几乎重合;此外,迭代估计后系统的BER性能接近理想信道时的BER性能,在高信噪比区域,两者之间的差别在1 dB以内,比最小二乘信道估计有约2 dB的性能增益,可见迭代估计方法在时变信道条件下具有良好的估计性能.     

基于训练序列的信道估计

信道的时变特性是提高移动通信系统容量和可靠性的主要障碍。由于无线传播环境的复杂性,无线移动通信的信道特性通常是时变的,因此快速准确的信道估计对于提高通信系统的性能是十分必要的。本文首先详细分析了多用户多天线传输信道模型,并在此基础上给出了TDD模式下基于训练序列的信道估计算法,最后得到了最大似然估计准则下传输信道的估值函数。     

基于TURBO原理的复杂环境中UWB时变信道的跟踪估计

在复杂环境的超宽带通信系统中,信道估计的正确与否直接关系到接收机的性能。首先给出了一种基于Intel模型的时变信道仿真方法,以该超宽带时变信道为研究对象,提出一种基于TURBO原理和连续信道译码、结合训练比特的信道估计方法,能够直接估计本地接收模板,并跟踪信道的时变性。与先估计信道冲激响应,再重构模板信号的方法相比,大大简化了估计的过程。     

基于深度学习的OFDM信道估计

针对多径正交频分复用(orthogonal frequency division multiplexing, OFDM)信道环境下信道频域选择性衰落导致下行链路信道估计性能受限的问题,提出一种基于深度学习的信道估计(deep learning-based channel estimation, DL-CE)方法。采用自回归过程对信道建模,利用深度学习设计信道估计网络追踪信道响应及其频域相关系数。通过迭代训练,基于深度学习的信道估计网络能够学习到自回归系数的最优估计,同时利用先验信道信息估计信道频域响应和频域相关系数。与传统方法相比,所提信道估计方法性能提升明显。     

基于深度学习的MIMO系统信道估计算法

精确的信道估计对于保证无线通信系统性能至关重要。针对多输入多输出(multiple input multiple output, MIMO)系统传统信道估计算法需已知信道统计信息以及性能与复杂度折中等问题,提出一种基于深度学习的多网络级联MIMO系统信道估计方案。基于卷积神经网络构建信道信息重建网络,初步重构出信道信息,进而基于深度残差网络构建信道估计网络进行级联得出估计结果,并利用多个损失函数对网络进行优化。仿真结果表明,在牺牲一定时间复杂度的情况下,所提方案的均方误差随信噪比增加逐渐优于线性最小均方误差(linear minimum mean squared error, LMMSE)估计算法,且不受信道统计信息的约束。     

基于联合稀疏模型的OFDM线性时变信道估计

为了进一步提高OFDM线性时变信道估计性能,利用信道抽头的时域稀疏特性和相关性,提出一种基于联合稀疏模型的信道估计方法.首先,将线性时变信道模型下对连续多个符号周期的信道估计转换成一个联合稀疏重构模型;其次,采用基于测量矩阵互相关性最小化的分组导频设计准则,在应对子载波干扰的同时,保证了稀疏重构算法的性能;最后,设计一种基于循环并行树的分组导频优化算法.仿真结果表明:与传统线性时变信道估计方法和联合稀疏模型下的信道估计方法相比,所提方法所需导频数量少,信道估计性能更好,同时便于工程应用.     

OFDM系统中基于基扩展模型的快时变信道估计算法

信道估计是正交频分复用(orthogonal frequency division multiplexing,OFDM)的关键技术。随着移动端速度的提高,信道会发生快速变化产生频率选择性衰落,针对此种情况,通过对传统信道估计算法搭建OFDM系统级仿真链路的基础上对不同的基扩展模型(basis expansion model,BEM)研究,针对复指数基扩展模型(complex exponential-BEM,CE-BEM)的部分基函数频率过高会产生较大误差的缺点,提出一种修正基函数系数的方法有效地去除了频率过高的基函数,通过仿真对信噪比和多普勒频移对模型均方误差性能的影响进行分析,结果表明提出算法能在不增加复杂度的前提下均方误差性能较CE-BEM低4～5 dB,有效地提高了拟合性能。     

三维信道模型约束下的大规模MIMO信道估计方法

针对配备1bit模数转换器(ADC)的大规模多输入多输出(MIMO)上行信道估计精度差的问题,提出了一种三维信道模型约束下的大规模MIMO信道估计方法。首先,结合所选定的适用于面天线阵的三维空间信道模型,建立了带有信道模型约束的大规模MIMO信道估计优化问题,并在优化目标函数的接收信号误差项中引入随机白噪声扰动,以提升方法的抗噪能力;其次,采用交替迭代式算法对优化问题进行求解,推导了信道模型参数的更新过程;最后,通过采用信道模型空间结构并使用噪声功率来恢复低精度接收信号的振幅,进而实现更准确的信道参数提取。仿真结果表明:与最小二乘估计和基于Bussgang分解的线性最小均方误差估计相比,所提方法可有效降低量化噪声和白噪声的影响,提高信道估计精度;当信噪比为10dB时,采用所提方法估计信道的均方误差比基于Bussgang分解的线性最小均方误差估计方法减小了75%。     

WCDMA中基于分形插值的信道估计方法

为改进第3代移动通信标准WCDMA中基于时分复用导频符号辅助的信道估计问题,将分形理论引入多径衰落信道的描述．在多径衰落的分数布朗运动模型的基础上,提出一种利用两个连续时隙的导频符号估计出的信道参数进行分形内插的信道估计方法．与传统方法相比,该算法充分考虑了在高速运动及深度衰落的情况下信道参数快速变化的因素,使系统能更准确地估计衰落信道的参数,其性能在高速信道下优于原有算法,且可以自适应地跟踪信道衰落的变化．仿真结果验证了采用该方法的Rake接收机性能．与传统的随机模型相比,新的分形信道模型能更好地刻画出多径衰落的行为．     

OFDM系统中基于功率延时谱的信道估计算法

在多径时变信道环境下,以IEEE802.11a物理层规范为背景,根据多径延时对最小均方误差(MMSE)估计得到的频率响应进行最小二乘估计,从而得到更加精确的信道估计值.接收机首先通过对训练序列和导频符号做MMSE估计得到初步信道估计结果,再对其做快速反傅里叶变换(IFFT)并求解线性方程组,得到信道冲击响应;然后由接收机根据信道功率延时谱来对冲击响应进行最小二乘估计(LSE),从而消除残留白噪声对冲击响应估计值的影响;最后对结果进行傅里叶变换(FFT)后得到各子载波的频率响应.仿真结果表明:在所采用的典型的二径瑞利时变信道模型下,相较于MMSE算法,最小二乘估计能够更精确地估计信道频率响应,当最大多普勒频移增加时,其抗误码性能明显优于MMSE算法.     

时变信道下一种低计算复杂度的信道估计算法

在时变信道中正交频分复用(OFDM)系统下传统信道估计方法存在估计性能差、计算复杂度高的问题.为此,文中提出了一种双对角线性最小均方误差(DD-LMMSE)的信道估计方法.首先建立基于基扩展模型(BEM)的系统模型,然后进行两次对角线性最小均方误差估计得到BEM系数,从而估计出信道的时域冲击响应.仿真实验结果表明,该方法不管在慢时变信道下还是在快时变信道下均具有良好的估计性能,且计算复杂度低.     

基于深度学习的DTMB外辐射源雷达参考信道估计

参考数据的纯度影响着地面数字广播多媒体(DTMB)外辐射源雷达的探测能力,而参考信道估计的精度是影响参考数据恢复的关键因素。针对此问题,文章将基于深度学习理论的信道估计方法引入外辐射源雷达参考信道估计过程。利用自回归模型对参考信道进行建模,并搭建参考信道估计网络。通过迭代训练后,估计得到参考信道响应。相比于传统算法,基于深度学习的参考信道估计精度得到有效提升,改善了雷达的探测性能。     

基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

基于残差密集网络的智能超表面信道估计算法

信道估计是通信系统中一项关键的技术,涉及评估信号在传输过程中经历的信道特性,以便接收端能够有效地对接收到的信号进行处理和恢复。为提高视距信道遮挡通信下的通信系统质量,使用智能超表面来辅助现有通信系统。智能超表面辅助的无线通信系统中,除了基站和用户之间的视距信道外,同时包含基站到智能超表面和智能超表面到用户之间的级联信道。当前信道估计方法基本上利用传统算法进行估计,为了解决智能超表面辅助多用户系统中复杂统计分布的级联信道估计精度低和计算复杂度高的问题,文中提出了一种基于传统算法和深度学习算法相结合的信道估计算法。利用传统算法的可解释性和深度学习算法的高性能特性,在卷积网络基础上,提出了一种基于残差密集网络（RDN）的去噪方法。首先按照系统参数模拟生成真实环境的数据集,使用传统最小二乘法（LS）进行信道粗估计,并将信道看作二维含噪图像;其次采用密集块（RDB）充分提取噪声数据局部特征,并使用多路卷积和残差网络对数据进行特征融合;最后通过已训练模型对数据进行在线估计,并得到去噪信道。文中从信道的估计精度对所提算法进行验证,在Rician信道模型上进行理论公式推导和系统仿真分析。仿真结果表明,...     

IR-UWB系统中基于信道缩短的信道估计

 针对脉冲无线电超宽带(IR-UWB)系统,提出一种基于信道缩短的信道估计算法.首先基于最小信道缩短方差(MSCSE)准则,利用接收导频序列提出一种信道缩短算法,然后利用信道缩短均衡器输出序列估计出复合信道,最后利用反卷积求出原信道参数.仿真表明,信道长度不大于符号宽度时,缩短前后估计信道的均方误差(MSE)接近;信道长度大于符号宽度时,缩短后MSE比缩短前至少低4.3dB.     

基于导频的OFDM系统的信道估计方法的分析

正交频分复用（OFDM）是实现无线多媒体通信的关键技术之一,对信道进行估计有利于消除信道对OFDM系统性能的影响。探讨了OFDM系统中基于导频的信道估计的方法,并对它们的性能进行了分析和对比。     

正交频分复用系统非线性信道估计算法

为了提高正交频分复用(OFDM)系统的传输质量和有效性，提出了一种基于最小二乘支持向量机的OFDM非线性信道估计算法．通过在OFDM符号中插入导频而获得训练数据，利用最小二乘支持向量机将训练数据映射到高维空间，并在此空间采用结构风险最小化准则对时变信道频率响应函数进行回归估计，把低维空间的非线性估计转化为高维空间的线性估计，提高了估计的精度．仿真结果表明，该算法能够有效地减小由多径引起的频率选择性衰落的影响，与传统算法相比，在同一误码率条件下的信噪比提高了3～7dB。