基于奇异值和奇异向量的盲自适应多用户检测方法

提出了一种基于奇异值和奇异向量的盲自适应多用户检测方法。传统的基于子空间的多用户检测方法需要估计信号子空间的特征值和特征向量 ,收敛速度较慢。这种新方法通过信号子空间的奇异值和奇异向量得到 CDMA系统的线性最小均方误差 (MMSE)多用户检测器。论文采用FST算法跟踪信号子空间的奇异值和奇异向量 ,并通过信号能量和噪声能量比值来确定信号子空间的阶数 ,使得多用户检测器能够很快地收敛 ,多用户检测器的输出信噪比很高 ,达到很好的多用户检测效果。     

基于FSYAST子空间算法的盲自适应多用户检测

为解决传统算法因引入特征值估计误差而导致检测性能下降的问题,在分析基于信号子空间跟踪的最小均方误差(MMSE)多用户检测器(MUD)的基础上,提出了一种改进的信号子空间盲线性MMSE多用户检测器,并应用FSYAST子空间跟踪算法进行信号子空间跟踪.仿真结果表明,提出的盲自适应多用户检测器性能接近于奇异值分解(SVD)子空间多用户检测器性能.     

OPASTd子空间跟踪算法及其在盲多用户检测系统中的应用

为了提高基于子空间的盲多用户检测方法的性能,在简要介绍了现有的跟踪向量序列的主要子空间和特征元素的快速算法的基础上,提出了正交压缩近似投影子空间跟踪算法(OPASTd),该算法在应用压缩技术的同时,保证了每次迭代估计出的信号子空间的正交性。将该算法应用于多用户检测系统时,系统的抗多址干扰(MAI)和抗远近效应的能力和其他算法相比都有所提高,特别是在抗远近效应方面提高较大。     

OPASTd子空间跟踪算法及其在盲多用户检测系统中的应用

为了提高基于子空间的盲多用户检测方法的性能,在简要介绍了现有的跟踪向量序列的主要子空间和特征元素的快速算法的基础上,提出了正交压缩近似投影子空间跟踪算法(OPASTd),该算法在应用压缩技术的同时,保证了每次迭代估计出的信号子空间的正交性。将该算法应用于多用户检测系统时,系统的抗多址干扰(MAI)和抗远近效应的能力和其他算法相比都有所提高,特别是在抗远近效应方面提高较大。     

基于SP子空间跟踪的修正的MMSE多用户检测方法

分析比较了多种子空间跟踪算法.复杂度高的特征值分解和奇异值分解不利于工程实现,而低复杂度的PASTd应用于多用户检测导致收敛速度慢并且检测性能差.介绍了SP子空间跟踪算法,利用SP算法跟踪信号子空间求得解调向量,设计了修正的MMSE检测器.与SVDMUD和PASTd MUD两种算法相比,仿真结果显示SP MUD算法收敛速度快,输出信噪比和误码率性能接近SVD MUD算法,并保持了较低的计算复杂度,是一种较好的实现方案.     

3G系统中的盲自适应检测算法研究

本文简述了盲自适应多用户检测,主要介绍和分析了最小输出能量检测算法(MOE)、基于MMSE准则的盲自适应多用户检测算法和恒模算法(CMA)。并在MATLAB环境下,通过仿真实验来比较它们的优缺点,验证它们的可行性。     

基于子空间跟踪的线性共轭半盲多用户检测

考虑实际的MC-CDMA上行链路系统,在深入研究基于子空间的MMSE半盲多用户检测算法的基础上,针对原算法引入子空间误差导致检测性能下降的问题,提出MC-CDMA系统下一种基于子空间跟踪的线性共轭MMSE半盲多用户检测算法.将子空间方法和线性共轭的思想相结合,应用新定义的信号子空间设计了基于子空间方法的线性共轭MMSE检测器,采用OPAST子空间算法实现了信号子空间的自适应跟踪.仿真结果表明,与以往的基于子空间的MMSE半盲多用户检测相比,此算法有效地提高了信干噪比,降低了系统的误比特率.     

阵发性强干扰下盲多用户检测算法的性能分析

盲自适应多用户检测的典型算法主要有:最小均方算法、递归最小二乘算法和卡尔曼滤波算法.为分析比较3种算法的收敛速度、抗多址干扰能力和跟踪性能,在阵发性强干扰通信环境下对这3种算法的时间平均信干比(SIR)、平均输出能量(MOE)作了仿真测试.     

一种基于子空间跟踪的盲自适应多用户检测器

研究一种基于改进子空间跟踪的盲自适应多用户检测算法,提出一种盲自适应Kalman检测器.同时,针对CDMA系统信号子空间维数的变化,提出一种IPASTd子空间跟踪算法,实现在高信噪比和强远近效应情况下稳定的跟踪性能.把IPASTd与Kalman滤波器结合组成新的自适应检测器.仿真结果表明,该检测器可以迅速地跟踪维数变化了的信号子空间,从而提高检测器的性能,实现稳定的跟踪并使输出具有良好的信干比.     

非合作直扩信号伪码及信息序列联合盲估计

研究了短码直接序列扩频信号扩频序列及信息序列联合盲估计问题。在已知码片速率和扩频码周期的前提下,对接收信号以2倍伪码周期进行分段构造信号矩阵,然后对其进行奇异值分解,对最大和次大左奇异向量进行线性变换,得到信息序列;利用自相关函数从最大和次大右奇异向量中得到扩频码序列。该算法在失步时间未知的情况下能够同时估计出伪码序列及信息码序列,避免了传统特征值分解盲估计算法利用2个矢量空间组合扩频序列时存在的相位模糊问题。同时,在引入了矩阵的线性变换后,避免了不同时延估计结果存在模糊的问题,提高了盲估计性能。通过理论分析和计算机仿真结果表明：该算法能够有效估计扩频序列,并且具有精确度高、性能不受时延大小影响等优点。