基于压缩感知的稀疏信道估计

在正交频分复用(OFDM)系统中,通常使用等间距的导频估计信道,比如多径瑞丽信道.但是,众多其他类型信道的冲击响应系数只有少数非零值.对于这些稀疏信道,基于压缩感知的稀疏信道估计可以有效地降低导频数目,从而提高频谱利用率.现有应用里面采用最小l1范数法.首先提出了OFDM系统中应用压缩感知理论估计信道的模型,接着使用改...     

低压电力线载波通信压缩感知信道估计方法

针对低压电力线载波通信多径信道,建立了正交频分复用(OFDM)基带传输系统和低压电力线载波通信多径信道传输特性模型,并根据传输特性模型与模型参数,实验得出了低压电力线载波通信信道的冲击响应 h(n);在此基础上,分析推导了满足压缩感知条件的 OFDM 低压电力线载波通信多径传输数学模型,提出了低压电力线载波通信压缩感知信道估计方法,解决了最小二乘(LS)信道估计方法和最小均方误差(MMSE)信道估计方法精度差的缺点。 实验结果表明:在采用相同导频数 128 和相同信噪比 SNR 为 14 dB 的情况下,压缩感知(CS)信道估计方法与 LS 及 MMSE 信道估计方法中较优者相比,得出的信道均方误差降低 16 dB,接收端的误码率降低 3 倍,并且随着信噪比的增加性能提升更明显。     

TDCS的压缩感知稀疏信道估计方法

为充分利用变换域通信系统高速无线传输时信道表现出来的稀疏多径传输特性,提高TDCS的信道估计精度,提出一种基于压缩感知的TDCS稀疏信道估计方法。针对TDCS设计了一种导频图案,该导频图案设计的数据帧结构保证了TDCS信号授权用户的正交性,且其构造的测量矩阵具有较低的互相关特性;利用Dantzig Selector重构稀疏信道冲激响应值。基于COST207乡村信道模型的仿真表明:新方法可有效降低稀疏信道估计的均方误差,在误比特率为0.002时可获得比最小二乘估计方法高约1dB的性能增益。     

压缩感知的UWB信道盲估计算法

针对超宽带系统采样速率过高难以实现的问题,利用信道稀疏性提出一种基于压缩感知的盲信道估计算法。将接收信号通过一个随机测量矩阵,利用测量信号的一阶统计量建立压缩感知的数学模型,最后利用正交匹配追踪(OMP)算法重构得到估计信道。算法只需很少测量值就可估计出信道,节省了大量的模数转换(ADC)资源,使系统实现成为可能。仿真结果表明算法具有良好的估计性能,且算法的误比特率(BER)性能相比利用准确信道只有2～3dB的差距。     

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output, MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit, DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error, LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。     

基于压缩感知的时频双选信道估计研究

针对时频双选信道,利用信道的时间相关性,即同一条时延径在相邻时刻对应的信道系数之间具有很强的相关性,提出一种线性近似方法对时频双选信道进行建模,有效降低了未知参数的个数.考虑到无线信道在时延域具有稀疏性,基于压缩感知(Compressed sensing,CS)理论对线性近似模型进行了恢复重构.分别对未线性近似模型和线性近似模型的系统性能进行了仿真,并结合最小二乘(leastsquare,LS)算法、正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法、稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)算法给出了系统的归一化均方误差(Normalized Mean Square Error,NMSE)曲线.仿真结果显示,线性近似方法能有效对时频双选信道进行建模,针对本研究提出的线性近似模型,SBL算法能精确恢复出信道响应,并能有效地克服多谱勒效应.     

基于压缩感知的DRM信道估计

针对数字调幅广播(Digital Radio Mondiale,DRM) 系统频谱有限的特点,为了以较少的导频开销获得精确的信道状态信息,本文将压缩感知理论与信道估计问题相联系,建立基于压缩感知的DRM 信道估计模型,并分析和验证导频插入方式和数量对信道估计性能的影响.与LS(Least Square) 方法相比,基于压缩感知的DRM 信道估计不但能够以更少的导频获得精确可靠的估计结果,而且在提升信道估计性能的同时提高频谱利用率.     

采用时域测量矩阵的压缩感知稀疏信道估计方法

针对传统最小二乘和伪随机序列相关信道估计方法在稀疏信道应用时估计精度差的问题,提出一种采用时域测量矩阵的压缩感知稀疏信道估计方法.新方法首先将循环前缀单载波分块传输系统中的稀疏信道估计建模为一个典型的压缩感知问题,然后利用具有最优循环相关特性的伪随机序列优化构造确定性压缩感知测量矩阵,避免了使用随机测量矩阵造成的存储不便及估计性能差的问题,且提高了信道估计性能.基于准静态COST 207典型城市信道模型的仿真结果表明:该估计方法能够有效地降低稀疏信道的估计均方误差,在16 dB处的误码率可达2×10-5,而相同情况下最小二乘信道估计方法的误码率只能达到3×10-3.     

基于卡尔曼滤波压缩感知的超宽带信道估计

针对超宽带通信系统采样速率过高的难题,利用超宽带信道冲击响应的稀疏性,提出了一种基于卡尔曼滤波压缩感知的时变信道估计算法.通过将直接序列调制的超宽带发送信号进行下采样,建立压缩感知的数学模型,接收端通过卡尔曼滤波压缩感知的重构算法对信道的冲击响应进行重构.仿真结果表明,对于时变的超宽带信道采用卡尔曼滤波压缩感知算法,不仅可以有效降低采样点数,而且提高了信道估计的准确性.     

超宽带通信压缩感知信道估计与信号检测方法

针对超宽带信号在采样速率过高时难以采样的问题,利用信号稀疏性提出一种基于压缩感知的信道估计和信号检测算法(CS算法).将信号重复送入随机滤波器后发送,对接收信号进行欠采样,利用调制信号、滤波器、信道的圆周卷积关系建立压缩感知的数学模型,从而可采用基追踪算法实现信道估计和信号检测.仿真结果表明,CS算法所需的采样数据量仅为最小二乘算法的1/3或更少,而在中等信噪比(15~25 dB)的情况下,估计性能可以提高约4.5 dB,且可以准确检测出原始信号.     

一种多点协作压缩感矢卩信道估计伪随机导频图案生成算法

为了减少集中式/协作式/云计算无线接入网(centralized,cooperative,cloud radio access network,C-RAN)平台多点协作通信的信道估计中插入导频的数量,引入了压缩感知技术,进而提出一种伪随机导频图案生成算法,生成一种导频图案设计方案.由该算法生成的导频图案能满足压缩感知的观测矩阵条件,可以使得收发两端能同步计算出导频位置信息,克服了传统压缩感知信道估计因采用随机导频图案使得接收端很难确定导频的插入位置信息,进而很难分离导频与数据的问题.此外,该算法还能根据实际硬件条件,在性能与计算时间上进行权衡.通过在数字信号处理(digital signal process,DSP)芯片上进行硬件验证和Matlab软件上进行仿真验证,仿真结果表明,在C-RAN平台的多点协作通信的信道估计中,提出的方案具有较好的性能.     

基于压缩感知的相关域实数化快速到达角估计

为实现低信噪比条件下的到达角(DOA)快速高精度估计,基于压缩感知理论,提出了一种相关域实数化快速DOA估计方法.首先,在分析相关域稀疏性的基础上,构建相关域联合实数化稀疏表示模型,并给出了相关域满足稀疏性的理论证明,通过两次奇异值分解(SVD)降低模型维度;其次采用欠定系统局部解法(FOCUSS)求解相关域联合实数化稀疏模型;最后为解决正则化参数选取困难的问题,提出采用简化的广义交叉验证思路进行最优参数选择的思想.仿真结果表明本方法在降低复杂度的同时具备更好的估计性能.     

基于压缩感知的云存储系统状态监测方法

为了解决大规模状态监测数据处理中高精度与大规模之间的矛盾,利用压缩感知处理宽带信号优于奈奎斯特采样定律的特性,提出了一种适合于测量云存储系统状态的压缩感知状态监测方法 SDCS.该方法是在经典匹配追踪MP算法的基础上,增加贝努利矩阵行和为零的约束条件而得到的,可用于测量含直流分量的稀疏信号,并保证原始的重构算法依然满足改进后的目标函数.然后,利用仿真实验测评了该方法在蚁群文件系统FFS状态监控中的应用效果.实验测试结果表明,针对稀疏度为10的状态信息,当测量次数大于70时,所有异常结点可被精确定位,且压缩比率达到3.5%,说明该方法能有效压缩监测流量,满足大规模数据高精度检测的要求.     

基于压缩感知过程的语音增强

压缩感知(compressive sensing,CS)是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。该文提出了一种基于CS过程的语音增强新算法。算法利用语音在离散余弦变换(discrete cosine transform,DCT)域下的稀疏性,采用Hadamard矩阵对带噪语音进行压缩测量,通过改进的正交匹配跟踪(orthogonal matching pursuit,OMP)算法恢复语音信号,实现语音增强。与经典谱减法和子空间算法进行实验对比分析,结果表明:该算法在降噪性能上优于经典谱减法和子空间算法。     

一种基于模糊系统的信道估计新方法

信道估计是数字移动通信中的一个重要问题。S.Abeta等人提出了一种加权多时隙平均法 (WMSA) ,改善了信号传输的性能。这里提出了一种新颖的信道估计方法 ,即基于模糊系统的半盲信道估计方法 ,利用模糊系统建立数据信道模型 ,利用自适应最小均方 (L MS)方法估计模糊系统的参数。由于模糊系统良好的函数逼近性质 ,该方法可以较好地估计数据信道。计算机仿真实验表明 ,该方法对不同移动速度下的信道都可以得到比较准确的估计 ,与 WMSA方法相比 ,克服了在移动速度增加时会发生信道估计急剧恶化的现象。     

基于多抽头频谱估计方法的频谱感知技术

认知无线电系统中,认知用户必须具备动态可靠感知与检测频谱空穴的能力。采用多载波调制可以作为认知用户频谱感知的有效实现方式。不同于传统正交频分复用OFDM（orthogonal frequency divisionmultiplex）多载波调制,提出了认知节点基于多抽头频谱估计方法的频谱感知新技术,它基于滤波器组进行实现。采用扁长型滤波器多带调制设计的多抽头频谱估计器,具有较高的频谱动态范围,可以比周期图频谱估计器更有效地估计干扰温度功率谱。通过干扰温度功率谱仿真分析,多抽头频谱估计器作为认知用户前端频谱分析器,可以准确估计干扰温度功率谱,进而实现对主用户接收机的干扰抑制。     

基于分数时延信道模型的低复杂度信道估计方法

由于多载波系统无线信道固有的稀疏特性,压缩感知技术(compressed sensing,CS)已被应用于正交频分复用(orthogonal frequency division multiplexing,OFDM)系统的信道估计中以提高频谱利用率.然而,传统的时域普通采样方法会导致信道恢复字典不够精细,无法精确反映传输信道路径特性.针对这一问题,提出采用多径稀疏分数时延信道模型来模拟OFDM系统的无线多径信道,利用在接收端进行时域过采样方法细化信道恢复字典以提高信道估计精度.同时,针对过采样引起的压缩感知测量矩阵的扩大而导致重构算法的复杂度增加的问题提出采用广义正交匹配追踪算法(generalized orthogonal matching pursuit,GOMP)以降低计算复杂度.仿真结果表明接收端时域过采样方法能准确检测到信道的分数时延且采用的GOMP算法能将传统的OMP算法的复杂度降低近80％,验证了所采用的信道估计方法的可靠性和有效性.     

基于信道缩短的UWB信道最小二乘估计

在使用最小二乘算法进行超宽带(UWB)信道估计时,当信道冲激响应的长度大于发送脉冲的帧长度,则在接收端会产生各个脉冲冲激响应之间的相互干扰,影响信道估计的效果.提出使用信道缩短技术,对实际信道的长度进行缩短,估计出缩短信道后再恢复成实际的超宽带信道.仿真实验表明,在信道长度大于脉冲帧长度时,仍然能很好地估计出信道,有效地解决干扰问题.