基于随机网格张量分解的多用户毫米波大规模MIMO系统信道估计

利用毫米波信道的稀疏散射特性和张量的空间结构,提出了一种随机网格张量分解的信道估计方法,接收信号被表示为一个四阶张量,采用随机张量压缩对单个用户信道进行解耦;采用网格张量分解方式,将大尺度的用户信道张量分解为若干个小尺度张量,并行且独立地分解所有子张量,由相关因子矩阵估计信道参数.仿真结果表明,该算法能获得较为准确的信...     

多用户MIMO SDMA系统中的跨层设计

提出了一种联合物理层发送—接收优化和MAC多用户配置的下行多用户MIMO SDMA系统,同时考虑物理层的信道状态信息与MAC层的多路访问控制,实现联合优化.模拟结果表明,通过联合设计物理层和MAC层,不仅能够减少下行多用户SDMA系统中基站所要求的发射天线数,而且可以提高系统的误码性能.     

空分多址系统中迭代多用户检测

为了解决在有限带宽内容纳更多用户的问题,提出了一种用于空分多址（SDMA：Space Division Multiuser Access）系统的迭代多用户接收器.该接收器由一个软输入/软输出（SISO：Soft-In ＆ Soft-Out）多用户检测器和一组单用户SISO信道译码器组成,检测器采用低复杂度性能近于最优检测的概率数据辅助（PDA：Probabilistic Data Association）算法,与Turbo信道译码器之间反复传递软信息,从而提高接收系统性能.仿真结果表明,这种迭代接收器经3次迭代后,约有1 dB的性能增益,可获得较为满意的符号间干扰消除效果,使得系统容量获得提高.     

基于并行部分干扰对消检测的迭代多用户解码

基于用户信息比特最大后验概率解码的因子图表示及和-积算法，通过干扰估计值的渐进性能分析，提出了一种基于并行部分干扰对消检测的迭代多用户解码器，多用户检测模块的基本结构类似于并行部分干扰对消检测，但干扰估计来自信道译码模块，同时，信道译码模块还提供干扰估计误差特性，多用户检测模块据此选取消除估计多址干扰的比例，仿真结果表明，随着迭代次数的增加，这种接收器接近单用户系统性能。     

MIMO-OFDM系统信号检测和信道估计算法

文章针对MIMO-OFDM系统提出了一种局域化的最大似然信号检测算法,通过调整每个发送天线信号集中的搜索点邻域大小,在计算复杂度与系统性能之间折衷。仿真结果表明,该信号检测算法显著降低了计算复杂度;同时提出了一种基于导频训练序列的信道估计算法,采用该算法得到的信道估计均方误差结果接近理论极限值,系统误码率非常接近已知信道频响情况的性能。     

采用迭代处理的多用户联合检测和译码方案

将迭代（Turbo）处理的思想应用于多用户检测和译码中,通过软输入软输出（SISO）算法使二者能利用对方在上一轮运算中的比特对数似然比（LLR）信息,用迭代递归的方法逐渐逼近单用户性能,减少多址干扰的影响。仿真结果给出了迭代处理方法在不同信噪比条件下的比特误码率性能,证明了该方法确实可提高数据接收质量。     

一种多用户MIMO系统下行链路的信道分解方法

针对块对角化(BD)算法没有考虑各用户接收噪声功率差异的问题,在对下行链路信道实施块三角化(BT)的基础上,结合Tomlinson-Harashima 非线性预编码(THP)提出了一种新的下行链路信道分解算法,使得分解后得到的各单用户等效信道具有不同的空间发射分集.该算法通过优先对"最差"的用户进行预编码使得该用户获得"最优"的等效信道.仿真实验结果表明该算法获得了比BD算法更好的系统性能.     

码分多址系统中的上行信道盲估计及多用户检测

提出了一种基于信道盲估计的多用户检测方法,该方法首先估计出码分多址（ＣＤＭＡ）系统中各用户信道的等效ＦＩＲ滤波器参数,在此基础上求解各用户的信号。在停产信道 盲估计时,仅利用了采样信号的二阶统计量,计算机仿真实验表明,该方法是一种具有抗远近疚及多址干扰、适用于频率选择性衰落信道ＣＤＭＡ多用户检测方法。     

第三代移动通信多用户检测中的信道估计

在介绍了第三代移动系统离散时间基带传输模型的基础上,介绍了3种实现多用户信道估计的方 法,即子空间法,导引信道估计法和迭代判决法。通过对信道仿真,得到3种方法的无线信道响应标准差; 最后对3种方法的性能进行分析和比较。     

基于压缩感知的MIMO双选择性衰落信道的估计

为了减少MIMO （multiple-input multiple-output）时频双选择性衰落信道估计过程中需要的导频符号数,文中对多径信道的时延和多普勒频移构成的时频二维有界区域进行量化,将该信道估计问题建模为压缩感知理论中的稀疏信号重构问题,提出了一种采用正交匹配追踪估计MIMO双选择性衰落信道的方法.仿真结果表明获得相同的估计性能,所提出的压缩信道感知方法比传统的最小二乘法能节省近50％的导频符号,且该方法在低信噪比的场景里也能获得较高的估计性能.     

最小平方OFDM信道估计与信号检测的联合迭代算法

提出一种基于正交频分复用(OFDM)的联合最小平方(LS)信道估计与信号检测迭代算法.与一般的LS信道估计相比,该算法可大大提高估计的精度,而且通过时域低通滤波可有效地抑制加性白高斯噪声(AWGN)和载波间干扰(ICI)的影响,使OFDM系统在移动条件下很好地工作,并能给出很精确的信号检测结果.仿真结果表明,该算法具有很好的均方误差和误比特率性能.     

MIMO系统中信道估计与序列联合检测

提出了MIMO系统中基于EM(Expectation Maximization)-SD(Sphere Decoding)相结合的信道估计和检测的联合处理算法。在采用EM-SD算法进行联合处理时,首先通过观测数据、训练序列及以前估计的符号对信道信息进行更新,随后把更新后的信道信息及观测数据重新送入SD算法中进行最小距离搜索,从而可以估计发送符号。仿真显示:这种联合估计及检测算法的性能属于次优算法,但是其复杂度会随着搜索而下降。在比较少的迭代次数下,可以获得理想的信道估计和检测结果。     

MIMO NC-OFDM系统的半盲信道估计算法研究

提出了一种基于零空间的多输入多输出不连续正交频分复用(MIMO NC-OFDM)系统的半盲信道估计的新方法。该方法利用线性预测得到信道矩阵的零空间作为LS算法的盲约束,对MIMO NC-OFDM时域信道脉冲响应进行估计。通过大量仿真表明,与传统的最小二乘算法比较,该方法可以在使用较少导频的条件下获得很好的信道估计性能,从而可以提高系统频谱有效性。     

基于上行信道盲估计的宽带码分多址用户检测器

针对宽带码分多址（CDMA）系统中同时存在多址干扰与码间串扰的情况进行研究,给出了适用于宽带CDMA系统的卷积模型,利用子空间技术及已知的扩频码信息,将适用于单用户的单输入多输出系统信道盲估计方法扩展到码发侈址系统中,实现了多用户上行信道的盲估计,利用有限码集特性,解决了上行信道盲估计中存在不确定复系数的问题,在此基础上,给出了最小均方误差多用户检测器的实现方案,计算机仿真实验证明,提出的方法可以同时克服多址干扰及码间串扰,是实现宽码分多址系统多用户检测的一个有效途径,同时该方法还可以推广到基站采用智能天线的系统中,实现对矢量信道冲激响应有的盲估计。     

基于EM算法的MIMO OFDM系统信道估计

针对慢时变频率选择性MIMO OFDM(Multiple Input Multiple Output Orthogonal Frequency Division Multi-plexing)系统,提出一种低复杂度的信道估计算法.文中所用方法是STBC(space-time block coded)MIMO OFDM系统中一种基于EM(Expectation Maximization)的自适应信道估计技术.仿真结果显示在慢衰落环境下,随着用户数的增加,最小均方误差性能没有损失.与RLS(Recursive Least-Squares)算法比较,本文所提出的方法利用了Alamouti STBC编码结构,从而降低了计算复杂度.     

基于ESPRIT法的UWB系统同步与信道联合估计

提出基于ESPRIT算法的超宽带系统同步-信道联合估计算法.首先对接收信号进行傅立叶变换,由傅立叶变换结果计算自相关函数,基于自相关函数的信号子空间构造矩阵束,把同步、多径时延估计转化成矩阵束的特征值求解问题.求解出时延后再进一步求解信道参数.     

多入多出(MIMO)系统中的可变速率多用户分集技术

提出一种在MIMO系统中采用自适应调制实现可变速率多用户分集的方案。这种方案在仅需反馈子信道信噪比的条件下,最大化系统的总比特率。在发射端利用随机波束成形矩阵对发射信号进行波束成形,并根据‘灌水原理’对不同天线的发射信号进行功率分配;接受端对接收信号进行相应的线性处理后,估计出子信道的有效信噪比并将其反馈回发射端。发射端根据反馈的信噪比,采用比例调度算法选出期望用户。最后,在满足一定误码率的条件下,对期望用户的子信道进行自适应调制。仿真结果表明,当小区内的用户数足够多时,所提出的方案获得的系统吞吐量将收敛于在发射端使用特征波束成形矩阵的吞吐量。     

基于Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法，分析了算法的剩余误差能量随迭代次数增加的变化情况，对饱和MIMO系统和欠饱和MIMO系统，分别采用Kalman自适应MIMO信道估计方法和最大似然信道估计方法，进行了数值仿真和对比。从对比的结果来看，文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能，而在饱和系统中，Kalman估计算法性能要略好一些。