OFDM稀疏信道估计中基于树状随机搜索导频设计新方法
发布时间：2021-06-06 18:11
压缩感知（CS,Compressed Sensing）是一种以低速率对稀疏信号进行采样后在接收端重建信号的技术,基于CS的稀疏信道估计具有更小的导频开销且具有更好的信道估计性能。针对基于CS的OFDM稀疏信道估计中的导频设计问题,提出一种基于树状随机搜索算法（TSS,Tree-based Stochastic Search Algorithm）的导频位置设计新方法,该方法结合了树的结构,以分支的方式进行随机搜索从而避免陷入局部最优问题。仿真结果表明,与传统的导频设计方法相比,使用TSS算法获得的导频图案用于信道估计中能够获得更优的信道估计性能,而且TSS算法的复杂度更低。
【文章来源】：信号处理. 2019,35(08)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图1分支树Fig．1Branchingtree
IGS算法进行比较，主要性能指标为使用对应算法获得的导频图案后的信道估计均方误差(MSE，Mean-SquareError)和系统的误比特率曲线(BEＲ，BitErrorＲatio)。在具有2．8GHz的IntelCorei7-7700HQCPU和8GB内存的宏碁笔记本电脑上运行的MATLABＲ2017a。具体仿真参数设置如下:OFDM子载波数目N=256，最大时延对应的抽样时间倍数L=50，发射天线的导频数Np=16，将生成的导频图案应用于系统并使用OMP算法进行信道估计。5．1不同算法迭代过程中所获μ值比较图2给出了N=256，Np=16，未优化的初始导频图案均为［146，120，4，86，41，200，78，132，42，149，65，161，169，182，110，21］的单次外循环下两种算法的μ值下降曲线。从图中可以看出按顺序替换16根导频，两种算法在替换导频位置序号较小时，μ值下降趋势较快，随着替换导频位置序号的增大，本文算法仍旧能维持较大的μ值下降趋势。相比于SSS算法，本算法能够以更快的速度收敛于更小的μ值。图2各方案μ值下降曲线Fig．2Declinecurvesofμ-valueindifferentalgorithms5．2信道估计MSE比较表2给出了当N=256，Np=16，SSS算法外循环次数U=100，内循环次数I=3;IGS算法每次减少子载波数为7;TSS算法根节点个数U=100，分支个数I=3时，各种方案优化后的导频图案及其μ值。从该表可以看出，本文算法运行时间略低于SSS算法，明显优于IGS算法，且比传统优化算法能搜索到更小的μ值。图3比较表2中不同算法优化?
，231，70，109，169，121TSS60．2260．281314，109，113，58，203，248，9，134，22，199，244，49，230，5，165，189IGS134．5600．5005188，122，74，8，143，150，116，181，41，17，91，89，220，128，235，93随机导频0．6719219，35，125，53，1，130，141，95，56，52，170，176，181，9，51，128图3各算法的MSE性能比较Fig．3MSEperformancecomparisonsfordifferentpilotdesignschemes5．3BEＲ比较将两种算法获得的表2中的导频图案应用于信道估计，并且基于信道估计的结果进行信号的解调，采用16QAM调制，每次仿真循环次数为5000次，取平均结果。图4比较了采用不同导频图案时的误码率(BEＲ)随信噪比的变化关系。由图可见，使用本文提出的TSS算法得到的导频图案能够使得系统的误码率明显低于使用其他导频图案时的误码率，说明本文提出的导频优化方法可以有效改进系统的误码率。图4各算法的BEＲ性能比较Fig．4BEＲperformancecomparisonsfordifferentpilotdesignschemes6结论本文针对OFDM系统中的稀疏信道估计问题，提出了一种新的导频优化方法TSS算法。该算法通过对μ值下降幅度大的分支更加关注，在每条分支线中采用随机搜索的方案，并综合考虑导频替换时各分支的μ值变化。仿真结果表明，本文提出的算法较传统优化算法能使获得的导频图案具有更小的恢复矩阵互相关值，算法复杂度较传统优化算法低。另外，与SS
【参考文献】：
期刊论文
[1]压缩感知在稀疏信道估计中的应用[J]. 何雪云,潘林,彭伟刚. 通信技术. 2011(09)
本文编号：3214891
【文章来源】：信号处理. 2019,35(08)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图1分支树Fig．1Branchingtree
IGS算法进行比较，主要性能指标为使用对应算法获得的导频图案后的信道估计均方误差(MSE，Mean-SquareError)和系统的误比特率曲线(BEＲ，BitErrorＲatio)。在具有2．8GHz的IntelCorei7-7700HQCPU和8GB内存的宏碁笔记本电脑上运行的MATLABＲ2017a。具体仿真参数设置如下:OFDM子载波数目N=256，最大时延对应的抽样时间倍数L=50，发射天线的导频数Np=16，将生成的导频图案应用于系统并使用OMP算法进行信道估计。5．1不同算法迭代过程中所获μ值比较图2给出了N=256，Np=16，未优化的初始导频图案均为［146，120，4，86，41，200，78，132，42，149，65，161，169，182，110，21］的单次外循环下两种算法的μ值下降曲线。从图中可以看出按顺序替换16根导频，两种算法在替换导频位置序号较小时，μ值下降趋势较快，随着替换导频位置序号的增大，本文算法仍旧能维持较大的μ值下降趋势。相比于SSS算法，本算法能够以更快的速度收敛于更小的μ值。图2各方案μ值下降曲线Fig．2Declinecurvesofμ-valueindifferentalgorithms5．2信道估计MSE比较表2给出了当N=256，Np=16，SSS算法外循环次数U=100，内循环次数I=3;IGS算法每次减少子载波数为7;TSS算法根节点个数U=100，分支个数I=3时，各种方案优化后的导频图案及其μ值。从该表可以看出，本文算法运行时间略低于SSS算法，明显优于IGS算法，且比传统优化算法能搜索到更小的μ值。图3比较表2中不同算法优化?
，231，70，109，169，121TSS60．2260．281314，109，113，58，203，248，9，134，22，199，244，49，230，5，165，189IGS134．5600．5005188，122，74，8，143，150，116，181，41，17，91，89，220，128，235，93随机导频0．6719219，35，125，53，1，130，141，95，56，52，170，176，181，9，51，128图3各算法的MSE性能比较Fig．3MSEperformancecomparisonsfordifferentpilotdesignschemes5．3BEＲ比较将两种算法获得的表2中的导频图案应用于信道估计，并且基于信道估计的结果进行信号的解调，采用16QAM调制，每次仿真循环次数为5000次，取平均结果。图4比较了采用不同导频图案时的误码率(BEＲ)随信噪比的变化关系。由图可见，使用本文提出的TSS算法得到的导频图案能够使得系统的误码率明显低于使用其他导频图案时的误码率，说明本文提出的导频优化方法可以有效改进系统的误码率。图4各算法的BEＲ性能比较Fig．4BEＲperformancecomparisonsfordifferentpilotdesignschemes6结论本文针对OFDM系统中的稀疏信道估计问题，提出了一种新的导频优化方法TSS算法。该算法通过对μ值下降幅度大的分支更加关注，在每条分支线中采用随机搜索的方案，并综合考虑导频替换时各分支的μ值变化。仿真结果表明，本文提出的算法较传统优化算法能使获得的导频图案具有更小的恢复矩阵互相关值，算法复杂度较传统优化算法低。另外，与SS
【参考文献】：
期刊论文
[1]压缩感知在稀疏信道估计中的应用[J]. 何雪云,潘林,彭伟刚. 通信技术. 2011(09)
本文编号：3214891
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3214891.html
