对信道过模型具有鲁棒性的基于线性组合-子空间法的信道盲辨识

当信道被过估计时,用标准子空间法可得到多个线性独立的信道估计,而真正的信道向量处在这些线性独立解所张成的范空间内．通过引入约束条件,信道向量可以被唯一确定,在快速收敛的同时,对信道过估计具有很高的鲁棒性．     

基于子空间方法的多输入多输出信道盲辨识与均衡

子空间方法是一种有效的基于二阶统计量的盲信道辨识方法.具有计算量小、性能好、所需样本量少,不需要信号源相关性信息的特点.文中将单输入多输出（SIMO）系统的信道辨识子空间方法推广到多输入多输出（MIMO）系统.在MIMO的情况下,估计所得到的信道参数矩阵与真实参数矩阵间存在一个模糊矩阵,利用二阶盲源分离的方法将其转化为置换矩阵与对角的尺度矩阵乘积,得以提取源信号.此外,针对盲源分离中卷积混合信号分离的问题,利用此类盲均衡方法及其模型中的卷积矩阵,可将卷积混合转化为瞬时混合,从而利用大量已有针对瞬时混合的算法进行盲源分离.并对此进行了仿真,验证了其可行性.     

基于子空间的STC-OFDM系统信道盲估计算法

针对使用2个发射天线和2个接收天线并且采用循环前缀的空时编码正交频分复用系统(STC-OFDM),提出了一种信道盲估计算法,并给出信道可被辨识的条件.该算法采用基于子空间的方法,可在2个常数的意义上确定信道冲激响应.该算法无需预编码或恒模调制.仿真结果验证了该盲估计算法的有效性.     

基于子空间分解的信道盲均衡

在分析可用二阶谱来实现非最小相位系统信道盲识别的基础上,介绍了采用过采样技术和子空间分解的方法来实现无线信道盲畜产品识别,而后对信道参数求逆就可获得均衡器。     

OFDM系统信道盲估计的子空间算法

利用循环前缀(CP)引入的信息冗余,提出一种利用接收信号的二阶统计特性实现正交频分复用(OFDM)系统信道盲估计的子空间算法.由于OFDM传输方程不能直接推导子空间算法,故首先给出一种新的方法对OFDM传输方程作矩阵变换,从而得到一个结构简单的新方程,基于此推导出信道估计子空间算法.该算法不需要改变OFDM系统结构,不受信道零点位置的限制,在信道过估计的情况下也适用.     

三维信道模型约束下的大规模MIMO信道估计方法

针对配备1bit模数转换器(ADC)的大规模多输入多输出(MIMO)上行信道估计精度差的问题,提出了一种三维信道模型约束下的大规模MIMO信道估计方法。首先,结合所选定的适用于面天线阵的三维空间信道模型,建立了带有信道模型约束的大规模MIMO信道估计优化问题,并在优化目标函数的接收信号误差项中引入随机白噪声扰动,以提升方法的抗噪能力;其次,采用交替迭代式算法对优化问题进行求解,推导了信道模型参数的更新过程;最后,通过采用信道模型空间结构并使用噪声功率来恢复低精度接收信号的振幅,进而实现更准确的信道参数提取。仿真结果表明:与最小二乘估计和基于Bussgang分解的线性最小均方误差估计相比,所提方法可有效降低量化噪声和白噪声的影响,提高信道估计精度;当信噪比为10dB时,采用所提方法估计信道的均方误差比基于Bussgang分解的线性最小均方误差估计方法减小了75%。     

基于子空间的OFDM系统半盲信道估计研究

提出了一种基于子空间的改进OFDM系统半盲信道估计算法,利用信号子空间和噪声子空间的正交特性将子空间分解,实现了色噪声背景下高效半盲信道估计.仿真结果表明,在时变信道下具有更好的收敛性,体现了算法好的稳定性以及快速跟踪系统变化的性能.     

基于过采样的Hammerstein模型最小方根辨识算法

针对Hammerstein模型提出了基于过采样原理的新的最小方根辨识算法,通过估计线性部分的中间输入,可以辨识出任意连续函数的未知非线性元件和线性部分传输函数。即使在非线性元件传递函数存在近似误差的情况下,线性部分的估计值也具有一致性。     

盲检测的递推算法

在ε均衡概念基础上,提出了对含公零点SIMO(单输入多输出)信道的盲均衡算法。该算法充分利用发送符号属于有限字符集的先验知识,先用ε算法盲检测少量发送序列,然后再用递推算法恢复出发送信号。仿真结果表明:不管信道是否包含公零点,文中提出的算法性能都明显地优于基于二阶统计量的其它经典算法,并且算法还可适用于时变信道。     

基于信道探测技术的MIMO-OFDM系统信道及其相关性的联合估计

在实际物理环境中,信道相关性估计在很大程度上影响信道估计的准确性。针对MIMO-OFDM系统,引入信道探测思想,在数据传输之前发射探测信号,利用接收端信号的相关矩阵与信道相关矩阵的关系进行信道及其相关性的联合估计,同时,将信道探测得到的信道相关矩阵作为数据传输过程中的已知条件,辅助系统进行信道估计。理论分析和仿真表明,该方法可以在空间相关性不能忽略的情况下保证信道估计的准确度,基于信号处理的估计方法也不会增加算法的复杂度,同时信道探测思想的使用,不会造成数据传输过程中占用额外系统带宽的现象,因此具有较大的实用价值。     

基于最小输出熵的盲反卷积方法

针对多通道卷积混叠模型,基于信息理论的最小熵准则,利用单时间点观测样本给出了一类多通道盲反卷积方法,这种方法不同于其它方法的地方在于考虑了源和观测信号的上下文信息。     

一种基于子空间的多速率DS-CDMA盲多用户检测器

提出了一种基于子空间的多速率DS CDMA盲多用户检测器,从理论和仿真两方面分析了该检测器的性能。该检测器的计算复杂度较低,有较强的抗远近效应和抗多址干扰的能力。     

一种利用接收信号冗余特征的基于子空间的盲信道估计算法

提出了一种基于子空间OFDM盲信道估计算法的改进算法。由于OFDM传输方程不能直接推导子空间算法,故给出了一种新的方法对OFDM传输方程作矩阵变换,该方法利用接收信号的冗余特性,得到一个结构简单的新方程,经理论分析证明,该算法对于循环前缀CP（Cyclic Prefix）的长度没有严格要求,大于或小于信道阶数,皆可以成立。     

基于子空间-斜投影的MIMO-OFDM盲信道估计算法

信道估计是MIMO-OFDM系统的关键技术,相比非盲信道估计而言,盲估计技术具有带宽利用率高,系统传输效率高的优点.基于子空间盲估计算法在信道变化不是很快的情况下有比较精确的估计效果,但是多径衰落、噪声等会引起子空间之间的非正交,从而导致估计性能急剧恶化,此时采用斜投影可以很好的解决这个问题,仿真结果表明子空间——斜投影算法对信道估计性能有明显的提高.     

一种基于模糊神经网络的盲均衡算法

提出一种新的基于模糊神经网络的盲均衡算法,它利用盲估计算法与模糊神经网络相结合的原理,先对通信信道进行盲估计,利用得到的信道特性来估计FNN盲均衡器中的隶属函数中心与宽度初值。传统算法中,中心与宽度的初值设定由专家提供,会有一定的偏差。本算法利用信道特性来估计隶属函数的初值,有效地避免了人为确定初值的不确定性。同时本算法克服了原有盲均衡算法反卷积计算量大的缺点。仿真结果证明本算法与同类算法相比,收敛速度加快,误码率减小。     

基于最小峭度准则的码约束盲恒模干扰抑制算法

提出一种基于最小峭度准则初始化的码约束盲恒模算法.通过对均衡器的权向量增加约束,使其在迭代更新最小化代价函数时,能有效地抑制干扰,同时保证DS-CDMA系统的期望用户信号不被抑制.仿真结果表明:在相同条件下,采用该算法得到的输出信噪比有明显的改善,输出的均方误差也大大减小.     

最小输出熵盲反卷积方法中概率密度估计

针对多通道卷积混叠模型 ,给出了两种基于最小熵盲反卷积算法中概率估计的方法—基于Edgeworth展开非参数逼近方法和基于核函数的参数逼近法 ,概率估计方法和反卷积滤波器参数逼近的训练公式一起构成最小熵盲反卷积方法 .文中给出了计算机仿真实例     

基于高阶统计量的MIMO系统辨识与均衡算法

将高阶统计量与盲分离的移位阻断SHIBBS算法相结合, 利用高阶统计量能辨识非最小相位系统和SHIBBS算法分离效果与计算量适中的特点, 提出一种在频域内对MIMO系统进行辨识的方法; 针对在此解混后的信号存在排序不确定性的问题, 直接在频域上采用互四阶累计量, 从而很好地对信号进行了分离; 针对信号的比例模糊问题, 利用LMS自适应的恒模算法（CMA）对排序后信号均衡补偿, 仿真实验证明了此算法的有效性.     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题,由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量,这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此,本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件,并在此基础上用高斯混合模型来估计信号的概率分布,提高了信号概率密度估计的精度;同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法,提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验,证明了此分离算法是有效的．     

一种基于过采样技术的非最小相位系统盲辨识方法

提出了一种在时域中盲辨识非最小相位系统传递函数的方法,该方法通过对系统输出过采样来获得系统结构参数的信息.对于单输入单输出的线性离散系统,经过输出过采样后可以等价为单个输入、多个输出的传递函数模型,这多个输出函数具有相同的分母多项式和不同的分子多项式.采用子空间分解法可以确定分子多项式的参数,通过对系统输出信号自相关函数的处理可以得到分母多项式,最终可以得到原系统的结构参数.与传统高阶矩方法相比,该方法对噪声的敏感度更低,辨识的精度和速度也有很大提高.仿真结果表明,当信噪比大于15dB时,该方法可以有效地辨识出系统参数.与高阶矩方法相比,辨识门限信噪比降低了10dB,估计精度提高了20%,辨识速度加快了3倍.