基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

快时变信道下基于深度学习的OFDM系统信道估计

针对快时变信道的非平稳特性会造成信道估计性能变差的问题，在基扩展模型下提出了一种基于深度学习的信道估计算法，并将其应用于正交频分复用(orthogonal frequecy division multiplexing, OFDM)系统中。首先，根据快时变信道矩阵的局部相关特性，构建时频特征提取网络，利用卷积结构提取快时变信道在时域和频域的相关特征，并嵌入到下一级网络中进行特征的融合。其次，利用门控循环网络捕捉信道在不同符号处的变化相关性，在快时变信道环境下实现更准确的信道估计。仿真结果表明，与其他快时变环境下的信道估计算法相比，算法的估计性能提升明显；同时，网络的轻量化结构使算法的复杂度最低下降20%。     

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing, OFDM)系统, 提出了一种新的基于堆栈式极限学习机(extreme learning machine, ELM)的时变信道预测方法。为了捕获输入数据的深层信息, 基于单隐藏层神经网络, 首先利用堆栈式ELM方法从历史信道中提取信道的深层特征, 并获得网络的初始输出权值。然后, 为了适应信道的变化, 新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值, 并基于更新后的输出权值预测得到未来时刻的信道。最后,仿真结果表明, 新方法较现有方法具有更高预测精度, 适用于高速移动场景。     

OFDM水声通信中基于压缩传感的稀疏信道估计

针对正交频分复用(orthogonal frequency division multiplexing, OFDM)水声通信中常规的最小均方（least square, LS）信道估计方法需要大量训练导频且得不到较高估计精度的问题,提出了一种基于压缩传感原理的OFDM稀疏水声信道估计方法。该方法首先以正交短时傅里叶基构成的训练波形为OFDM的导频来“感知”信道,然后利用压缩传感技术的稀疏重构算法来对信道进行重构。〖JP2〗基于实测水声信道的仿真结果表明,在相同估计精度前提下,基于压缩传感的信道估计方法较常规的LS算法所需训练导频数得到大幅度减小,传输效率得以提高,且对噪声的鲁棒性增强,较好地适应了双扩展稀疏水声信道,尤其适用于动平台OFDM水声通信系统。     

改进的OFDM/OQAM预编码信道估计方法

基于偏移正交幅度调制(offset quadrature amplitude modulation,OQAM)的正交频分复用(orthogonal frequency division multiplexing,OFDM)系统为获得良好的系统性能,系统在接收端的信道估计是重要一环。针对离散导频OFDM/OQAM系统的信道估计问题,分析了该系统典型的预编码方法,指出了其计算复杂度大的问题。在此基础上,提出了一种改进的预编码方法。该方法采用两个预编码矩阵,减少了每次编码的时频格点数目。该方法减小了预编码矩阵的维数,进而显著降低了系统信道估计的计算复杂度。仿真结果表明,在相同的信道条件下,该方法能够保证与预编码方法相近的信道估计精度,同时有效降低系统计算复杂度。     

基于导频的OFDM信道估计小波核SVM算法

针对传统多径衰落下的OFDM导频信道估计性能低下,地板效应的缺陷,提出了基于导频的小波递归最小二乘支持向量机(WRLS-SVM)时变信道频率估计算法。首先讨论了小波成为核函数的条件,构造了小波核。然后将根据结构风险递归二乘最小化准则回归估计支持向量机原理,把导频训练序列映射到高维空间,并在高维空间采用结构小波核函数,达到了将低维空间的非线性估计转化为高维空间的线性估计的目的。仿真结果表明,在快衰落信道条件下,小波递归最小二乘支持向量机导频信道估计方法可以获得较好误码性能。该方法优于传统的信道插值方法。     

基于灰建模的OFDM窄带慢衰落慢时变信道估计算法

针对OFDM窄带信道在移动传输环境下的慢时变特性, 提出了一种基于灰建模的信道估计算法. 该算法利用前一时刻的已知信道信息, 建立灰色数学模型, 预测估计下一时刻的未知信道信息, 实现信道的动态跟踪. 理论分析和仿真结果验证了灰建模在以二维时频变量描述的信道估计领域中的可行性. 与传统方法相比, 该算法不仅对窄带慢衰落慢时变信道有良好的估计性能, 而且具有运算低、频谱利用率高等优点.     

OFDM系统中一种基于训练引导的判决反馈均衡技术

针对OFDM系统,提出了一种基于训练引导的判决反馈均衡算法.算法中的信道估计以基于长训练序列的初始估计为基础,结合判决过程中所反映出的信道变化情况而综合得到.并将当前信道的预测值反馈回去,用以对接收的下一个数据符号进行均衡.通过仿真,测试了算法的误符号性能,并与常规的单一训练序列算法和基于导频的线性插值算法进行了比较.仿真结果表明,该算法可以很好的抵抗多径时延扩展和多普勒频移对接收信号的影响,均衡后的误符号性能较单一训练序列算法有3～4dB的性能改善,并能在最大多普勒频移高达275Hz范围内的高速移动环境下对信道衰落实施有效的估计和均衡.     

基于叠加训练序列的MIMO信道估计及其性能分析

提出一种基于叠加训练序列的MIMO信道估计模型,该模型信道估计方法不占用额外的信号带宽并具有较高的估计精度。通过最小二乘(LS)方法,推导出模型信道估计误差的均方差、信道容量的下限以及更加紧凑的Cramer-Rao界。数值模拟结果表明,相同条件下,采用叠加的训练序列要比直接采用训练序列对系统容量的改善5 dB左右。此外,模型所采用的算法结构简单,计算量小,有很大的实际应用前景。     

ZP-OFDM的简单数据处理和信道估计算法

为简化接收端信道估计和数据检测的复杂度,对使用零保护间隔(zero padding,ZP)的正交频分复用(orthogonal frequency division modulation,OFDM)系统提出一种简单的数据处理和信道估计算法。利用插入ZP的特殊结构,经过时域简单处理,将信道矩阵变为循环矩阵,再对时域接收数据进行傅里叶变换,得到频域接收和发送数据一一对应的关系,可以和使用循环前缀(cyclic prefix,CP)的OFDM一样进行频域插入导频、频域信道估计和频域一阶均衡。仿真结果表明,使用ZP的OFDM系统节省了发送功率,在慢时变信道情况下具有和CP-OFDM相比拟的性能。     

一种基于导频的OFDM系统信道估计方法

提出一种使用矩形导频图案的OFDM信道估计方法。接收端首先在频率方向估计信道,然后在时间方向插值。该方法仅需累加和少量乘法运算就能估计出信道冲激响应,复杂度低,实时性高。在未编码16QAM-OFDM系统中,通过仿真将提出的方法与线性、cubic和MMSE插值法进行均方误差和误比特率的比较。结果表明该方法性能优于前两者,接近后者。     

基于离散正则模型的时变信道盲辨识算法

以CDMA时变信道离散正则模型为基础,提出了基于改进的矩阵外积分解的时变信道盲辨识算法。算法对传统的矩阵外积分解算法进行修正,使其适应离散正则模型两级盲辨识,并引入了精确的时延阶数估计,克服了现有算法需要预先知道信道时延实际阶数的局限,使其在仅知道信道阶数上界的条件下完成盲辨识。仿真结果表明了该算法的有效性。     

基于LSTBC-OFDM系统的信道估计简化算法

针对MIMO-OFDM通信系统中基于导频的常规信道估计算法存在矩阵求逆过程,使算法计算量过大的现象,提出了一种基于最小二乘(LS)的信道估计简化算法。该算法利用分层结构的空时分组编码技术(LSTBC)和优化设计的导频符号,避免了LS算法的矩阵求逆过程,大大降低LS算法的复杂度和运算量。仿真结果表明,该方法在运算复杂度显著降低的情况下,仍可取得和原算法同样的性能结果。     

高移动性Jakes信道的学习与估计

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先，根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后，通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。     

基于广义近似消息传递的快速DOA估计方法

针对稀疏恢复类波达方向(direction of arrival, DOA)估计算法中计算复杂度高的问题, 提出了一种基于广义近似消息传递(generalized approximate message passing, GAMP)方法的稀疏贝叶斯学习算法。该算法在现有双基地无源雷达系统模型基础上, 构建了多快拍下的GAMP信号统计模型, 将高维联合后验概率密度的计算简化为标量运算, 提高了算法的计算效率。对于离网目标, 利用梯度下降方法推导了角度空间网格更新策略, 进一步提高了角度估计的精度。仿真结果表明, 该算法在有限快拍、低信噪比情况下, 估计精度较高, 计算复杂度较低, 适用于实时性要求高的应用场景。     

利用时域相关的MIMO-OFDM信道估计算法

提出了一种适用于多入多出正交频分复用(MIMO-OFDM)系统的信道估计算法,详细说明了导频符号的特殊设计算法以及信道估计算法的原理,并对该算法的均方误差性能以及复杂度进行分析;该算法能够在信道多径时延信息准确已知或不准确时带来良好的估计精度,从而保证系统性能。将该算法应用于超三代-时分双工(B3G-TDD)系统中并在室外和室内环境下仿真,均方误差和系统误码率性能结果说明了该算法的有效性;该算法能够大大增强系统的鲁棒性。     

基于负熵最大化的压缩感知信道估计算法

讨论了在5G时代随着移动终端和网络流量的增长、大规模机器类型通信的产生以及天基卫星网络与地面蜂窝主干网络的结合, 使得移动无线通信的频谱使用范围更宽, 导致信道具有更为明显的稀疏性, 从而得以利用无线信道的稀疏性引入压缩感知技术来进行无线通信系统的信道估计。通过负熵最大化算法与l_p正则化改进现有的压缩感知信道估计算法, 将传统的最小化误差函数均方误差替代为最大化目标函数的负熵以适应信道非高斯噪声, 同时稀疏约束采用更为精确的l_p正则化以加强信道估计算法的稀疏表示。研究表明, 该算法不仅可以提高信道估计精度, 增强抗噪声鲁棒性; 另一方面可以利用更少的导频实现更高精度的信道估计, 具备提高系统频谱利用率的作用。     

一种时变移动信道中的相干多径来波方向估计算法

基于菲涅尔区平板聚焦多波束天线模型 ,提出一种联合子空间平滑和子阵波束空间处理的来波方向估计算法。该算法可以解决时变移动信道环境中相干多径信号的来波方向估计问题 ,并克服了空间平滑方法的来波数目限制 ,同时具有较低的处理复杂度。对该算法进行计算机仿真 ,结果表明 ,在低信噪比门限和小样本数条件下 ,该算法还具有较好的估计精度和分辨力。     

超宽带通信中空时分组码的一种闭式盲解码法

针对应用于超宽带(UWB)通信中的正交空时分组码提出了一种计算复杂度较低的盲解码方法。利用正交空时分组码的特性,估计出信道矩阵,并将该信道矩阵用于最大似然接收机,从而得到发送信号的估计。平坦衰落环境中的仿真表明,该方法能够实现和相关接收相同的分集增益;并且随着信道相关时间的增加,性能逐渐接近于相关接收。