MIMO-OFDM系统低复杂度的同步参数与稀疏信道联合估计

由于MIMO-OFDM系统中载波频偏、采样频偏、符号定时误差等多个同步参数及信道的影响,文中提出一种同步参数与信道的最大似然（ML）联合估计算法.稀疏衰落的情况下,该算法使用基于压缩感知（CS）的信道估计,通过较少的接收样值来恢复稀疏信道,以降低复杂度.仿真中通过数值模拟对估计性能进行分析.结果表明,该算法在保持较低复杂度的同时,可获得理想的性能.     

基于期望最大化加速算法的正交频分复用信道估计

针对基于期望最大化（EM）迭代算法的正更频分多路复用（OFDM）信道估计方法复杂度高、收敛慢，严重制约OFDM的传输速率的缺陷，提出了一种基于EM加速算法的OFDM信道估计方法．该方法基于拟牛顿加速算法，并结合一种带调整参数的Broyden对称秩1校正公式来实现，具有二次收敛性，提高了EM的计算速度，降低了计算复杂度．仿真结果表明，相比于空间选择期望最大算法，在性能损失只有0．1dB的情况下，EM算法的复杂度得到很大的降低，且其计算速度可提高十几倍．     

正交频分复用分组传输系统中载波频偏和信道的联合估计

针对传统接收机将载波频偏和信道状态独立估计带来性能损失的缺点,提出了一种载波频偏和信道的联合估计算法.该算法由两个独立的载波频偏和信道估计单元通过迭代的方法实现,其中信道估计单元利用载波频偏估计单元提供的载波频偏估计信息和最大似然方法估计信道状态信息,而载波频偏估计单元则利用信道估计单元提供的信道估计信息和最大似然方法估计载波频偏.随着载波频偏估计单元与信道估计单元间估计信息的不断交换,载波频偏和信道估计的精度得到逐步提高.由于该算法避免了复杂的多维搜索算法,因此具有较低的计算复杂度.此外,在算法迭代过程中考虑了信道估计噪声的影响,进一步提高了估计的精度.仿真结果表明,当符号能量噪声比大于18dB时,可以获得接近理想同步的误码性能.     

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.     

二种同时估计信源位置和信号发射时间的TOA算法

提出了当接收端在空间随机分布时同时估计信源位置和信号发射时间的二种TOA算法。方法一为用一新变量代替定位估计中的二次项，把非线性估计转化为二步最大似然（ML）线性估计；方法二通过消去二次项，而只需一步最大似然估计。二种算法结构简单，计算量不大，具有较高的精度。     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.     

LTE上行链路高速铁路应用场景中的频偏估计方法

提出了一种长期演进(LTE)上行链路频偏最大似然(ML)估计算法,并通过定量分析该算法与基于2个训练序列相差的频偏估计算法(相差法)的估计性能,提出了一种联合频偏估计算法.仿真结果表明:与相差法相比,所出提的ML估计算法与联合估计算法的频偏估计范围均能够覆盖高速铁路应用场景中的最大频偏,且ML估计算法不受LTE上行链路跳频传输的影响;在信噪比10 dB且少于4个用户的情况下,2种算法均能够提供10-4或更小的归一化频偏估计均方误差;在单用户情况下,联合估计算法比ML估计算法的均方误差在信噪比上提高了近5 dB.     

基于引力搜索算法的相干信号源DOA估计方法

针对最大似然(ML)DOA估计方法存在着运算量高且容易收敛到局部极值的问题。结合引力搜索算法(GSA)与最大似然方法,提出了一种GSA-ML方法。将最大似然函数作为GSA算法的适应度函数,在遵循ML方法的主体思想同时,利用GSA算法运算量低和收敛速度快的优点,成功地找到似然函数的全局最优解;并保存了ML方法的优点。仿真结果表明,GSAML方法不仅能有效估计相干信号源;并且相比MUSIC、ESPRIT和TLS-ESPRIT算法,拥有更高的精度和估计成功概率。     

双边定时截尾下Pareto分布的参数估计

在双边定时截尾样本下,用极大似然法求Pareto分布中形状参数的估计,由于似然方程较复杂,无法得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的. 由于EM算法是处理缺损数据的一种有效方法,因此利用该算法来求参数的估计问题.用EM算法得到了形状参数估计的迭代式,借助Louis遗失信息原则得到了估计的渐近方差,根据中心极限定理得到了形状参数的近似置信区间.随机模拟结果表明形状参数的EM估计收敛到其极大似然估计.实例给出了不同样本下参数的点估计和区间估计.