MIMO系统中一种新的时变信道跟踪方法

该文提出了时变平坦：豪落信道环境下多输入多输出（MIMO）通信系统中一种新的基于递归最小二乘法（RLS）的带干扰对消的信道跟踪方法（RLS—IC）。该方法将每个数据子流上的进行信道跟踪的滤波器等效为一个加长的新的滤波器,并把已解出的子流数据作为新的输入参数,应用RLS算法自适应调整新的信道跟踪滤波器参数。仿真结果表明,该文提出的带干扰对消的信道跟踪方法可以更好地跟踪信道变化,节省训练序列开销,同时比已有的递归最小二乘方法能提供更好的误符号率（SER）性能。     

TD-LTE下行发射分集自适应信道估计研究分析*

为了研究适用于TD-LTE系统下行信道发射分集模式下的信道估计算法,在基于离散分布的小区专用参考信号基础上分析了最小二乘（LS）和递归最小二乘（RLS）信道估计算法。为了简化MIMO信号检测的复杂度,针对发射分集模式提出了两种信道响应值的修正方法,改善的信道响应修正算法利用了时频域相关特性可以更好地跟踪信道变化。通过MATLAB在瑞利衰落信道下的仿真,表明RLS信道估计性能优于LS信道估计算法,而改善的信道响应修正算法能够进一步提高传统修正算法的性能。     

无线移动通信系统中提高信道估计精度盲方法

基于多载波正交频分复用（OFDM）系统,提出了一种新的时变步长修正软加权判决递归二乘信道估计盲方法。该法通过对常规算法步长进行自适应的科学设计以便跟踪信道特征变化,同时利用接收机判决信息函数修正权系数,克服了常规递归最小二乘（RLS）盲方法收敛速度慢、信道估计性能不高的缺点。仿真证明：对于不同的时延扩展、时间以及信噪比,该法均表现出比常规方法更优的性能。 同时,该法亦可用于估计通信、雷达、航天等领域的其他特征参数。     

基于叠加训练序列的MIMO-OFDM信道估计

为实现多输入多输出(MIMO)-正交频分复用(OFDM)系统相干检测,提出一种新的基于叠加正交训练序列的MIMO-OFDM信道估计.详细证明了算法的估计准则并说明了训练序列的构造.通过叠加与信息序列不相关的正交训练序列,快速有效地估计出信道的冲激响应,同时使得最小均方误差达到最小值.与最小二乘法比,该算法避免了复杂的矩阵求逆运算,降低了运算量,且通过叠加训练序列,没有带宽损失.通过计算机仿真证明了算法的有效性及高性能.     

基于正则总体最小二乘准则的OFDM系统信道估计算法

基于导频的最小二乘(LS)估计方法的优点是结构简单,容易实现,但对噪声和干扰敏感。通过对OFDM系统中由于信道的时变性产生的载波间干扰进行了分析,在此基础上提出正则总体最小二乘(TLS)信道估计算法。根据Tikhonov正则化原理,导出了总体最小二乘正则化解法的计算公式。与一般的LS信道估计相比,TLS方法同时考虑了信道噪声和信道时变特性,所以该算法不仅在一般的信道条件下具有良好的性能而且也适合快变信道条件下的OFDM系统。仿真结果表明,该算法具有很好的均方误差和误比特率性能。     

MIMO-OFDM系统的信道估计方法

在第三代移动通信组织给出的空间无线信道模型（3GPP-SCM）下,基于多输入多输出天线频分复用系统（MIMO-OFDM）,设计了基于最小均方误差准则的信道估计器。由于最小均方误差信道估计器是在最大似然信道估计器的基础上基于统计信息的去噪处理,在3GPP-SCM中利用蒙特卡罗方法对不同种典型信道环境做自相关系数统计,得到信道的先验统计信息,进而设计并实现了基于MIMO-OFDM系统的最小均方误差信道估计器。通过仿真,验证了最小均方误差信道估计器相对于最大似然信道估计的准确性,并在误码率方面,带来更好的系统性能。     

MIMO-OFDM中的一种最优导频设计算法

从系统设计角度研究了MIMO-OFDM系统的信道估计方法,提出一种基于空频域的最优导频设计算法。该算法适用于快速时变和频率选择性衰落信道,在基于LS准则的信道估计算法中无需矩阵求逆运算,大大降低了复杂性。通过计算机仿真证明该算法在空频编码的信道估计中具有最小MSE性能。     

基于有效神经元的自组织模糊神经网络算法

针对传统神经网络识别率低和泛化能力差的问题,提出了一种改进的自组织模糊神经网络（SOFNN）学习算法。以保存椭球基函数（EBF）层各个神经元的输出及输出之和为依据进行神经元的修改,删除和增加,进而得到网络的有效神经元,并减少样本训练的时间。用最小二乘法（RLSE）估计参数,用梯度下降法修改参数,保证网络收敛。与其他的模糊神经网络相比,在精确度、结构复杂性和抗干扰性方面的优越性,在真实数据集上得到了有效的验证。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

MIMO-OFDM系统中基于小波包的信道估计方法

对多输入多输出-正交频分复用(MIMO-OFDM)系统中基于导频辅助的最小二乘(LS)信道估计算法进行研究,针对LS算法对噪声影响比较敏感的缺点,提出了一种基于小波包去噪的信道估计方法,对导频符号的信道响应进行去噪处理后,再做内插估计.根据该方法的思想,基于长期演进(LTE)协议进行计算机仿真与分析,结果表明该方法比传统的LS估计算法具有更好的性能,能够有效减小信道噪声的影响,提高信道估计精度.     

量子遗传算法优化神经网络的MIMO-OFDM检测研究

信号的最优检测在常规条件下是一NP难解问题,针对RBF（径向基函数）神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出一种新型智能算法并将其用于MIMO-OFDM系统信号检测中：该算法将量子计算、遗传算法与神经网络相结合,用量子遗传算法（QGA）优化神经网络初始值。由于QGA给RBF网络提供了较好的初始值,故能够使RBF网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。实验结果表明,该算法能够有效地提高系统的信号检测性能,降低误码率。     

802.16d中MIMO-OFDM技术的研究

该文在IEEE802.16d协议的基础上介绍了MIMO-OFDM系统的基本原理,给出了一种基于LS准则的适用于MIMO-OFDM系统的信道估计算法,并与MMSE算法进行了仿真比较。最后还介绍了空时格栅编码和空时分组编码以及这两种编码的优缺点。     

基于压缩感知的MIMO-OFDM信道估计中的导频设计方案

多输入多输出-正交频分复用(Multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统作为MIMO系统和OFDM系统的结合,具有很高的频带利用率并能有效地对抗无线信道的多径效应。本文研究了MIMO-OFDM系统稀疏信道估计及其导频优化,将信道估计问题转化为压缩感知(Compressed sensing,CS)理论中的稀疏信号重建问题,将最小化测量矩阵的互相关作为导频优化的目标。结合已有的随机序贯搜索(Stochastic sequential search,SSS)和扩展算法2(Extension scheme 2,ES2)算法以及导频移位机制,提出了一种快速的导频优化算法随机搜索移位算法(Stochastic sequential search-shift mechanism,SSS-SM)。此算法的运算复杂度远低于已有的ES2算法,运算时间不受发射天线数影响。将SSS-SM算法和ES2算法分别获得的导频设计结果应用于MIMO-OFDM系统的信道估计,仿真结果表明,采用SSS-SM算法可以更低的算法复杂度获得与ES2算法相同的信道估计性能;高信噪比情况下,SSS-SM算法对应的均方误差(Mean square error,MSE)比ES2平均低约3~5 dB,因此这种方法在高信噪比下更有优势。     

MIMO-OFDM系统中的自适应DWT-CQI反馈压缩算法

针对多用户MIMO-OFDM系统中信道质量指示(CQI)反馈信息量较大的问题,提出一种基于离散小波变换(DWT)的压缩算法.为了进一步降低反馈信息开销,根据天线间相关性、子载波间相关性以及小波变换本身的特点设计了一种自适应方案.仿真结果表明,在V-BLAST+OFDM系统中,本压缩算法在BER性能下降较小的前提下可减少大量反馈信息,能灵活地实现系统性能和反馈开销之间的折中.     

MIMO-OFDM系统中一种改进的最大似然信道估计算法*

对MIMO-OFDM系统中的信道估计进行研究,提出了一种对最大似然（ML）算法的改进,该算法首先采用ML算法获得初始估计值,然后联合检测进行迭代信道估计,充分利用上了接收端联合数据检测得到的数据信号信息与信道估计进行信息交互来提高估计性能,仿真结果表明,相对于传统估计方法,这种改进方法能够得到更好的均方误差和误码率性能,尤其是在导频数量较少时,此改进算法的性能提升将更明显。     

新的基于训练序列的MIMO-OFDM时域信道估计方法

为了实现多输入多输出—正交频分复用系统的相干检测,提出一种新的基于训练序列的信道估计方法。将使用的训练序列在时间上呈现正交性,同时利用训练序列本身良好的相关特性简便、精确估计出信道的冲激响应。通过理论分析和计算机仿真证明,新的算法对比最佳训练序列的LS(最小二乘法)时域估计方法,在具有同样估计精度的同时,避免了复杂的矩阵求逆运算,使计算复杂度进一步降低。     

MIMO-OFDM 系统时域参数化信道估计算法研究

针对MIMO-OFDM 系统信道估计问题,提出了一种在时域内进行最小二乘信道估计的方案．它的基本 思想是利用发送端与接收端导频序列所形成的时域信号来计算信道的时域响应信息．为了获得LS 信道估计的最小 均方误差,本文给出了一种最优导频序列设计方案,它要求每根发射天线中的导频序列为等间隔排列,不同发射天 线之间的导频序列位置相互交错．本文还提出了一种基于LS 准则的参数化信道估计方法,对比传统的LS 信道估 计算法,本文算法能够大幅度地提高信道估计的精度;对比传统的LSPCE 算法,本文算法可以有效地降低其计算复 杂度．仿真实验和性能分析验证了所提方法的有效性．     

一种新的基于训练序列的MIMO-OFDM信道估计方法

为了实现MIMO-OFDM(多输入多输出—正交频分复用)系统的相干检测,提出一种新的基于训练序列的信道估计方法。详细阐述了算法的估计准则和训练序列的构造方法。利用训练序列良好的相关特性简便、精确估计出信道的频域响应及其冲激响应。通过理论分析和计算机仿真说明,新的算法对比最佳训练序列的LS(最小二乘法)时域估计方法,具有同样的估计精度,同时避免复杂的矩阵求逆运算,使计算复杂度进一步降低。     

Communication channel equalization using wavelet network

Wavelet network (WN) based on wavelet decomposition principle is applied to channel equalization for both linear and non-linear channels. The WN is trained by extended Kalman filter (EKF) based recursive algorithm and is compared with EKF based multi-layered perceptron (MLP) and radial basis function neural network (RBFNN). Exhaustive simulation study reveals the superiority of the WN based equalizer in terms of bit error rate performance, compared to the above equalizer scheme.     

一种新型MIMO-OFDM自适应传输方案

论文将MIMO技术中的多天线思想与自适应OFDM技术相结合,提出一种新型的MIMO-OFDM自适应传输方案。通过信道矩阵的奇异值分解将多天线转化为多个并行的子信道,这样就可以把单天线OFDM的自适应传输技术应用于MIMO-OFDM系统。仿真结果表明,该系统性能比自适应SISO-OFDM系统有显著提高。