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。     

时变信道下基于LSTM的信道估计方法

针对时变信道环境下传统信道估计方法性能受限,其他基于深度学习的信道估计方法估计精度低或复杂度高的问题,提出一种基于长短期记忆结构的信道估计网络,由双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络和多层感知器(multilayer perceptron, MLP)网络组成,即BiLSTM-MLP.首先,利用BiLSTM网络来学习信道的时变特性;然后,利用MLP网络进行去噪并重构信道估计.仿真结果表明,所提出的信道估计方法与传统方法相比,性能提升明显,与同类型的基于深度学习的估计方法相比,复杂度较低且性能更优.此外,所提方法还具有对不同导频密度的鲁棒性.     

基于超分辨率重建的外源雷达实测信道估计

针对基于DRM(数字调幅广播)的外辐射源雷达实测参考信道估计面临的精度不足问题,研究了有限实测样本下的超分辨率重建网络估计方法．该方法在深度网络设计上通过将LS(最小二乘)信道估计方法获得的频域信道响应视为低分辨率的图像,经VDSR(非常深的超分辨重建网络)重建为高精度信道响应,最终实现对参考信号的准确估计;在训练数据集构建上,由于DRM外辐射源雷达实测信道估计中难以获取大量对应不同信道特征的实测数据,首先基于实测数据通过LS估计出时域信道响应,粗略确定信道中多径的大致时延和增益,然后在此基础上基于DRM波形特征仿真得到足够的信道数据,训练所提超分辨率重建网络,最后使用预训练模型预测实测数据．实测结果表明：本文方法可以达到比传统信道估计方法更高的精度．     

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。     

单载波频域均衡中的二维MMSE信道估计

单载波频域均衡(SC-FDE)系统利用单抽头频域均衡补偿频率选择性衰落。该文提出了一种用于SC-FDE系统的二维最小均方误差(MMSE)信道估计算法。利用信道的时频分离特性,将二维估计简化为频域一维MMSE内插与时域一维MMSE滤波的级联。该算法对基于时域训练序列和基于频域训练序列的SC-FDE系统均适用。仿真表明,所提算法在两种训练序列条件下均优于传统的一维信道估计算法,且其性能与理想信道估计更接近。     

基于Cholesky分解的MIMO-OFDM系统同信道干扰抑制方法

在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.     

I/Q不平衡OFDM系统基于噪声方差门限的信道估计

为了提高稀疏信道环境下同相/正交(I/Q)不平衡正交频分复用(OFDM)系统的性能,该文提出了一种低复杂度的门限时域最小二乘信道估计算法。该算法通过估计噪声方差确定合适的门限过滤信道响应采样点内的噪声以提高估计精度。仿真结果表明,该文算法估计精度与现有频域和时域最小二乘信道估计方法相比分别提升了6 d B、2 d B,逼近基于压缩感知的时域迭代收缩算法,且计算复杂度低于后者。     

双选择信道下叠加训练OFDM系统的迭代信道估计与均衡

在频率和时间双选择性信道下,时域冲击响应将会在一个OFDM符号时间内发生变化,导致OFDM系统出现严重的子载波间干扰。本文提出一种在双选择性信道下利用叠加训练序列进行迭代信道估计和均衡的方案。在假设时域信道抽头系数服从指数基扩展参数模型以后,利用在一个符号内的已知叠加周期训练序列建立线性模型,并基于最小二乘准则求出信道参数模型的各个抽头参数,从而构造出对应的时域信道响应矩阵和频域均衡矩阵。为进一步改善估计和均衡性能,将所得的符号判决作为已知的训练序列进行迭代估计和均衡,从而能有效地增强信道估计的性能并消除ICI干扰。实验结果表明本文算法在时间－频率双选择性信道下具有较好的性能。     

MIMO-OFDM系统的时域导频信道估计算法

多天线正交频分复用(M IM O-OFDM)系统作为一种高速率无线通信的有效方式,其信道估计技术占有非常重要的位置。基于M IM O-OFDM系统的导频设计准则及特性,该文提出一种多径M IM O信道下用于多径定位和时域信道估计的算法。该算法从时域出发,首先利用所设计导频在时域上的循环移位正交性来获取多径信道的定位,从而利用时域导频符号来获取多径信道时域响应信息。仿真实验结果表明相比传统的频域信道估计插值算法,该算法在较低运算复杂度下可以获得信道估计性能的明显改善,同时作为导频符号的G o lay互补码有效降低OFDM系统功率峰均比(PAPR)2~5 dB。     

稀疏信道下基于变换域的上行OFDMA信道估计方法

单用户正交频分复用(OFDM)系统通常使用插入的频域导频获得信道频域响应(CFR),将此CFR变换到时域进行滤波以获得更准确的信道估计。上行正交频分多址接入(OFDMA)系统中由于每个用户信号占用不同的子载波且经过的信道不同,使用上述方法会由于窗函数畸变产生能量泄漏。该文提出一种时域滤波频域补偿(TFFC)方法,使用补偿向量对时域滤波后的CFR进行补偿,降低变换域算法中由于畸变引起的能量泄漏,并给出在稀疏信道条件下该补偿向量的简化解。仿真表明:采用该方法,上行OFDMA信道估计的性能得到很大改善。     

基于改进LMMSE的UFMC信道估计算法

针对将线性最小均方误差(linear minimum mean square error, LMMSE)算法直接应用于通用滤波多载波(universal filter multi-carrier,UFMC)系统中需要先验信道相关矩阵信息的不足,提出基于LMMSE的改进算法.该算法在频域对使用最小二乘(least square, LS)算法获得的信道频率响应进行平滑处理,在时域通过优化采样点的截短以确定理想的信道采样长度,并采用迭代估计方法获得最优信道相关矩阵,从而避免先验信道相关矩阵信息.经MATLAB仿真验证,改进后的算法对噪声的干扰可以有效抑制,对比传统LMMSE算法误码性能提升约2 dB,可以有效改善信道估计的准确度.     

正交频分复用系统的非对称调制星座频域信道盲估计方法

针对频域信道盲估计的相位模糊问题，提出了基于非对称调制星座的频域信道盲估计方法．根据正交频分复用系统子信道的衰落相位等于该子信道调制星座旋转的角度这一特性，通过独立地估计各子信道接收信号的平均功率及调制星座旋转的角度来估计信道的频率响应．相对于预编码频域信道盲估计方法，该方法的信道估计精度高且没有误差底限，具有实现简单、易并行处理等特点．系统的对比仿真实验表明，该方法与预编码频域信道盲估计方法相比，在信噪比超过18dB时可使信道估计误差随信噪比增加线性递减．     

一种快时变信道下多载波传输系统的信道估计方法

提出了一种基于正交频分复用技术的多载波通信系统的时变信道估计方法.通过用泰勒级数展开近似时变冲击响应函数得到简化的时变信道模型,由此导出信道估计方法,结合ZP(zero padding)-OFDM系统能在一定程度上恢复处于深度衰落点上的信号来改善系统性能,并应用信道传输矩阵的带状特性,给出了在时域上进行线性块均衡的方法.且此方法可在系统性能和复杂度间做权衡.     

基于对称扩展DFT变换的OFDM系统信道估计方法

针对OFDM系统提出一种基于对称扩展DFT变换的信道估计方法.所提方法通过对初始最小二乘估计进行对称扩展DFT变换,并在变换域进行MMSE滤波以获得更为精准的信道估计.与传统DFT变换相比,对称扩展DFT变换可以降低信号边界上的不连续性,具有更好的能量集中特性和更低的频谱泄露.仿真结果及复杂度分析表明,所提方法可以在不明显增加计算复杂度的同时,有效改善实际OFDM系统中虚载波引起的频谱泄漏问题,提高边缘子载波信道估计的性能.与传统DFT变换信道估计方法相比,只需扩展较少的点数,即可获得2dB左右的性能增益,且随扩展点数的增加,所提方法的性能逐渐逼近DCT信道估计性能.     

车载 OFDM 通信系统中结合后训练序列的判决反馈信道估计方法

针对具有较大多普勒扩展和时延扩展的车载通信环境,利用后训练序列信道响应携带的信道变化信息,提出一种结合后训练序列的判决反馈信道估计方法.该方法采用最小二乘算法估计后训练序列的信道响应;对前一个正交频分复用(orthogonal frequency division multiplexing,OFDM)符号和后训练序列的信道响应估计值进行系数加权求和来估计当前OFDM符号的信道响应,并利用其4个导频子载波的信道频率响应关系自动获取加权系数;最后,对获得的信道响应估计值进行判决反馈和低通滤波以降低噪声影响.仿真结果表明,与目前取得较好性能的STA(spectral temporal averaging)方法、CDP(constructing data pilot)方法和结合平滑滤波的判决反馈信道估计方法相比,所提方法具有更优的误包率性能.     

基于叠加训练序列的稀疏信道估计

对于稀疏多径衰落信道,提出了一种叠加训练序列和匹配跟踪算法相结合的信道估计方法.为了提高系统带宽效率,采用迭代的叠加训练估计信道响应,该方法将一低功率周期性的训练序列直接叠加于信息序列,利用接收数据的均值求得信道响应,不需要任何额外带宽资源.在许多无线通信环境中,信道呈现稀疏特性,利用该稀疏特性,采用匹配跟踪算法估计信道响应中的非0点,以此可以降低加性高斯白噪声引起的性能损失.通过计算机仿真表明,本文的方法可以达到很好信道估计性能.     

数字并行接收机的反馈频域均衡方法

为了适应高速宽带无线通信的需要,在一种高速数字并行接收机(APRX)结构的基础上,提出了一种使用伪随机(pseudo-random num ber,PN)序列进行反馈频域均衡的方法,通过PN序列相关估计的信道冲激响应反馈到频域均衡器来更新并行接收机频域均衡器系数,这种结构能适应高速率传输的要求,并且能有效地对抗频率选择性衰落。仿真结果表明:在多径信道下,APRX已无法工作,而提出的反馈频域均衡方法性能较好,仅与G auss ian白噪声信道下有约5 dB的性能损失,且实现简单,便于应用。     

基于深度神经网络的高频谱效率频分复用系统的信道估计方法

针对高频谱效率频分复用(SEFDM)系统, 提出了一种基于深度神经网络(DNN)的信道估计方法.该方法使用等间隔相互正交的导频符号, 将其接收信号作为DNN的输入信号, 通过4层的全连接DNN结构提取信道特征, 最终实现了时域上的信道估计.仿真结果表明:提出的信道估计方法在同等条件下的均方误差(MSE)明显比最小二乘法(LS)的低, 对应的解调性能也更优, 且对导频数量具有更强的鲁棒性, 由此反映出该方法的优越性.     

Blind channel estimation through redundant linear preceding for OFDM systems

A novel approach of blind channel estimation through redundant linear precoding for orthogonal frequency-division multiplexing (OFDM) is proposed. A redundant linear frequency- domain precoder is applied to each pair of blocks before they enter the OFDM system . With the aid of the introduced structure , the frequency-selective channel can be identified at the receiver through auto- correlation operations , singular value decomposition (SVD) and scalar ambiguity resolution. The proposed blind channel estimation method has low computation complexity and requires no prior statistical information of channel or noise . The redundant linear frequency-domain precoder is employed to identify the frequency- selective fading channels. And the proposed blind channel estimation method has high spectral efficiency because it requires no training sequence. Computer simulations have proved that this proposed blind channel estimation method can identify the frequency- selective channels perfectly and have a good performance.