智能反射面辅助的OFDM系统稀疏信道估计研究

针对智能反射面(IRS)辅助的宽带正交频分复用(OFDM)系统的信道估计,当前大多数研究都是基于单符号全导频设置,且级联信道系数过多会导致导频开销较大。为此,提出了一种基于时域-角域块稀疏的两阶段信道估计方案。首先,通过分析信道在时域和角域上存在的共同稀疏特性,将级联信道矩阵转换为时域-角域上的块稀疏表示,并将信道估计问题转换为块稀疏矩阵恢复问题。其次,考虑传输导频限制和时域-角域块稀疏特性,提出了一种两阶段稀疏信道估计方案对级联信道进行稀疏恢复。仿真结果表明,相比另外三种基准方案,该方案可以使用较少的导频获得更优的信道估计性能,有效减少了导频开销,且估计准确度更高。     

基于压缩感知的大规模MIMO系统导频优化及信道估计算法

针对频分双工（FDD）大规模MIMO系统下行信道估计过程中由于导频数和基站天线数成正比会造成巨大的导频开销这一问题,首先提出一种基于压缩感知（CS）技术的伪随机导频优化方案,该方案令基站发射非正交导频信号,并且以最小化观测矩阵的互相关为优化目标,通过引入交叉、变异判断机制和内、外循环机制以实现对导频序列的优化;其次,联合利用无线MIMO信道的空间公共稀疏性和时间相关性提出一种基于压缩感知技术的信道状态信息（CSI）估计算法,利用线性最小均方误差（LMMSE）算法进行矩阵估计以精确获取CSI。分析和仿真结果表明,与随机搜索算法、逐位置优化方案、局部公共支撑算法、自适应结构子追踪（ASSP）算法、正交匹配追踪（OMP）算法以及逐步正交匹配追踪（StOMP）算法相比,所提算法在低导频开销比和低信噪比（SNR）的情况下均可以维持良好的信道估计性能。     

基于连续支持检测的毫米波信道估计方案

传统信道估计大多数方案都是为窄带系统设计的,为此,提出一种连续支持检测(successive support detection)的宽带波束空间信道估计改进方案.证明空间信道的每个路径分量具有独特的稀疏结构;根据经典的连续干扰消除的思想,连续估计稀疏路径分量;对于每个路径分量,通过稀疏结构联合估计其在不同频率下的信道估计,去除其影响来估计剩余的路径分量.仿真结果表明,与传统的LS和OMP信道估计方法相比,所提方案在未知的路径数的情况下依旧减少了导频开销,提高了信道估计精度,可以以较低的复杂度准确估计信道.     

基于自适应阈值SAMP算法的OFDM稀疏信道估计

为了降低重构算法的复杂度,提高重构的精确度,提出一种自适应阈值的稀疏度自适应匹配追踪算法（SAMP）,并将其运用在OFDM稀疏信道估计中。蒙特卡洛仿真证明,改进后的算法相比于原算法在CPU运行时间上减少了44.7%,并且在较低的信噪比下也能达到较好的估计效果。此外,针对OFDM稀疏信道估计问题,结合压缩感知理论中观测矩阵的构造方法,提出一种新的导频图案分布设计方法,仿真证明该导频图案设计方法比现有方法在估计精确度方面提高2~4dB。     

基于分布式压缩感知的信道估计导频优化策略

为了保证为LTE-R系统用户提供可靠的无线通信服务,需要通过信道估计获取信道状态信息。在高速移动性场景下,无线信道呈现频率-时间双选择性,若要实现信道估计,则需引入大量导频。针对上述问题,提出一种结合分布式压缩感知理论的信道估计导频优化方案。首先,根据时延域中无线信道的稀疏特性挖掘基函数系数之间的联合稀疏性并对估计方程进行去耦处理。接着,引入分布式压缩感知理论,获得一种能够抑制子载波间干扰的新型导频图样。仿真结果表明,对导频图样的优化处理,可使信道估计方案的系统性能显著优于传统方案。     

基于DFT寻径的压缩感知信道估计改进算法

正交频分复用系统中的信号在传输过程中受到无线信道环境衰落和延时的影响,容易产生符号间干扰（ISI）,对信道状态信息进行准确估计是降低ISI、提高信号传输准确率的有效方法。针对贪婪迭代类压缩感知信道估计算法存在的估计径错误及漏选问题,提出一种基于离散傅里叶变换（DFT）寻径的压缩感知信道估计算法DFT-OMP。通过DFT寻径的方式抑制由噪声引起的不理想原子,从而对OMP算法重构过程中的原子进行筛选,解决传统方法选取相关因子最大的原子作为重构原子而导致的依赖信号稀疏度问题。在原子预选后的贪婪迭代类压缩感知算法信道估计中引入残差精度控制,以提高信道估计的自适应性与鲁棒性。仿真结果表明,相对OMP算法,该算法能取得4 dB的信道估计性能增益,其适用于较大导频下的无线通信系统。     

混合IRS辅助大规模MISO中基于显性信道估计的联合波束成形设计

针对智能反射面辅助大规模MISO系统的波束成形设计,当前大多数研究都是基于信道状态信息完全已知,且未考虑基站端主动波束成形矩阵与智能反射面反射系数矩阵存在的耦合关系。智能反射面辅助的信道为级联信道,难以进行估计,且导频开销较大。鉴于此,采用了一种包含有源和无源元件的混合智能反射面架构,首先基于毫米波信道的稀疏特性,利用压缩感知算法估计信道,并设计一种融合注意力机制的两级卷积网络框架,以最大化和速率为目标,联合优化设计智能面反射系数矩阵和波束成形矩阵。实验结果表明,相比已有方法,所提方法可以使用更少的导频获得更优的和速率性能,有效减少了导频损耗,降低了计算时间复杂度。且当通信环境发生变化时,网络亦具有良好的鲁棒性。     

多节点AF协作通信系统中的信道估计方法

依据频率选择性衰落信道下基于正交频分复用技术的多节点放大转发协作通信系统,提出一种基于叠加导频的分段式信道估计方法。该方法采用双块状导频,分别记录级联链路和第2段链路状态信息,并估计相应的信道状态信息,计算出第1段链路信道状态信息。仿真结果表明,该方法能够获得2段链路的信道状态信息,减小信道估计导频开销和时隙周期,提高信道估计的实时性。     

基于低秩矩阵完备的大规模MIMO系统信道估计研究*

随着大规模MIMO系统中天线数的增长,获取信道状态信息(channel state information at the transmitter, CSIT)所需的下行信道训练开销和上行反馈开销变得非常巨大。针对信道估计开销过大的问题,提出了一种新的CSIT估计方案和基于低秩矩阵完备的信道估计算法。在本方案中,基站发送训练信号给各个用户之后,用户直接将其观测信号反馈给基站,并在基站端进行统一的CSIT估计。然后,利用大规模MIMO信道矩阵的特点将信道估计问题转化为低秩矩阵完备问题,从而利用软阈值算法恢复出所有用户的信道状态信息。仿真结果表明,该算法可以获得精确的信道状态信息并有效地估计减少了信道估计开销和复杂度。     

基于深度学习的RCF-mm MIMO系统信道估计算法

针对无蜂窝毫米波大规模多输入多输出(CF-mmMIMO)系统信道估计存在的计算复杂度高、导频开销大等问题,提出一种基于深度学习的可重构智能表面(RIS)辅助CF-mmMIMO(RCF-mmMIMO)系统的信道估计算法。该算法引入RIS替代一部分毫米波接入点(AP),增大CF-mmMIMO下的毫米波覆盖范围和信号强度,在一定程度上解决无蜂窝架构下毫米波AP数量众多硬件成本高的问题。对同一AP上不同组天线的RIS级联信道映射关系的存在性进行证明,并通过FCNN神经网络对该信道映射进行建模,显著降低无蜂窝系统中央处理单元处理信道估计时高计算量和高导频开销。仿真实验表明,信道估计算法能够在低计算复杂度、低导频开销下有效提高信道估计的准确性,显著提高系统传输效率。     

Joint channel estimation algorithm via weighted Homotopy for massive MIMO OFDM system

Massive (or large-scale) multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) system is widely acknowledged as a key technology for future communication. One main challenge to implement this system in practice is the high dimensional channel estimation, where the large number of channel matrix entries requires prohibitively high computational complexity. To solve this problem efficiently, a channel estimation approach using few number of pilots is necessary. In this paper, we propose a weighted Homotopy based channel estimation approach which utilizes the sparse nature in MIMO channels to achieve a decent channel estimation performance with much less pilot overhead. Moreover, inspired by the fact that MIMO channels are observed to have approximately common support in a neighborhood, an information exchange strategy based on the proposed approach is developed to further improve the estimation accuracy and reduce the required number of pilots through joint channel estimation. Compared with the traditional sparse channel estimation methods, the proposed approach can achieve more than 2 dB gain in terms of mean square error (MSE) with the same number of pilots, or achieve the same performance with much less pilots.     

基于压缩感知的协同OFDM稀疏信道估计方法

针对频率选择性衰落信道下的放大转发协同正交频率复用(OFDM)通信系统,提出一种基于压缩感知理论的稀疏信道估计方法。首先,构造协同OFDM系统模型,利用循环矩阵理论,将该系统模型变换成类似于传统的点对点系统模型,该模型由一个协同卷积信道矢量和等效的观测矩阵组成;然后,通过压缩感知理论证明,该等效矩阵以很高的概率满足严格等距特性(RIP);最后,利用压缩感知算法重构卷积信道脉冲响应。与传统的线性信道估计方法相比较,所提方法能够利用较少的训练序列达到稳健的信道估计,有效地提高频谱资源利用率,且具备计算复杂度低的特点。仿真结果验证了该方法的有效性。     

一种基于加窗基扩展模型的OFDM信道估计算法

针对双选择衰落信道下OFDM系统中基于复指数基扩展模型（CE-BEM）的信道估计算法存在的不足,提出了一种基于加窗的基扩展模型信道估计算法。该算法通过时域加窗和去窗处理来减少CE-BEM存在的频谱泄露,并抑制多普勒频移对估计性能的影响;利用设计的导频方案,简化数学模型;再通过正交映射对估计的基扩展模型系数进行转换,从而进一步提高信道估计的精确度。同时采用归一化均方误差和误码率来衡量信道的估计性能,实验仿真表明,提出的算法在高速的移动环境下能有效提高估计性能。     

C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配

网联车辆节点产生的不同属性的大数据流量计算任务进行传输并卸载时,通常引起通信系统中时延抖动、计算能耗与系统开销大等问题,因此,根据实际通信环境,提出一种C-V2X车联网（IoV）中基于模拟退火算法（SAA）的任务卸载与资源分配方案。首先,根据任务处理优先程度,对处理优先程度较高的任务进行协同卸载计算处理;其次,通过全局搜索最优卸载比例因子的方式,制定了一种基于SAA的任务卸载策略,且分析并优化了任务卸载比例因子;最后,在任务卸载比例因子更新过程中,将系统开销最小化问题转化为功率和计算资源分配凸优化问题,并利用拉格朗日乘子法获取最优解。通过对所提算法与本地卸载、自适应遗传算法等作比较可知,随着计算任务的数据量不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了5.97%、49.40%、49.36%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了6.35%、92.27%、91.7%;随着计算任务CPU周期数不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了16.4%、49.58%、49.23%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了19.61%、94.39%、89.88%。实验结果表明,SAA不仅能降低通信系统时延、能耗及系统开销,还可以使结果加速收敛。     

基于压缩感知的高阶MIMO系统信道估值算法

针对通信网络中的天线数量巨大，很难完成对信道的有效计算与估值。借助于高阶多输入多输出（MIMO）系统的可靠性，提出了一种基于压缩感知的信道估值高阶MIMO系统。设计了一种简单的导频结构，以降低计算复杂度；利用导频序列长度可以随着信道稀疏度变化情况自适应的调整，从而节省了导频资源的开销。仿真实验表明，与传统的信道估计算法比较，在相同的信道估计精度条件下，HMCE-CS算法可以降低平均导频序列长度；或者在相同的导频序列长度条件下，HMCE-CS算法可以提高信道估计精度，验证了该算法的有效性。     

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。     

Detection of sparse targets with structurally perturbed echo dictionaries

In this paper, a novel algorithm is proposed to achieve robust high resolution detection in sparse multipath channels. Currently used sparse reconstruction techniques are not immediately applicable in multipath channel modeling. Performance of standard compressed sensing formulations based on discretization of the multipath channel parameter space degrade significantly when the actual channel parameters deviate from the assumed discrete set of values. To alleviate this off-grid problem, we make use of the particle swarm optimization (PSO) to perturb each grid point that reside in each multipath component cluster. Orthogonal matching pursuit (OMP) is used to reconstruct sparse multipath components in a greedy fashion. Extensive simulation results quantify the performance gain and robustness obtained by the proposed algorithm against the off-grid problem faced in sparse multipath channels.