基于压缩感知的OFDM系统快速时变信道估计

发布时间：2017-05-24 19:28

  本文关键词：基于压缩感知的OFDM系统快速时变信道估计，由笔耕文化传播整理发布。

【摘要】：在正交频分复用(OFDM)移动通信系统中,精确、实时的信道估计是接收信息成功解调的重要保证。传统的信道估计方法由于受到奈奎斯特采样定理的束缚,在估计快速时变信道时导频开销难以降低,造成系统频谱利用率的下降。因此,如何在估计性能和及导频开销之间取得良好的折中,已成为信道估计技术亟需解决的问题。针对这一问题,本文研究压缩感知(CS)理论在信道估计中的应用,提出针对OFDM通信系统快速时变信道的稀疏估计算法,主要研究内容如下:1.分析OFDM系统双选择信道模型在延迟-多普勒域的稀疏特性,将信道估计问题转化为一个稀疏信号重建问题。根据转化形成的重建问题,设计出一种基于CS的迭代反馈估计方法。该方法在预估计的基础上,通过反复迭代不断修正感知矩阵以及测量方程以提高估计结果的精确性。相比现有的稀疏信道估计方法,提出的迭代反馈估计方法对多普勒频移造成的载波间干扰(ICI)具有更强的鲁棒性能,因此对快速时变信道能取得更精确的估计效果。此外,通过数学推导证明了该方法构造的感知矩阵满足有限等距性质(RIP),验证了在该方法中采用CS重建算法的可行性。2.对迭代反馈估计方法进行简化,提出一种复杂度更低的稀疏信道估计方法。该方法通过采用信道系统的近似模型,剔除了感知矩阵和测量方程中的未知元素,因而省去了预估计步骤,大幅简化了估计方法流程。此外,该方法采用了特定的导频排列图案,在降低ICI对测量模型影响的同时,保证了CS算法重建性能的稳定性,因而进一步提高了该方法的可靠性。与迭代反馈估计方法相比,简化方法以估计精确性的下降换取计算复杂度的大幅降低。3.分析信道参数稀疏索引集的特定结构,研究基于模型的压缩感知(MCS)理论在信道估计中的应用。将MCS理论与本文提出的迭代反馈估计方法以及简化估计方法相结合,设计出基于MCS的稀疏信道估计方法。与采用传统CS重建算法的稀疏信道估计方法相比,该方法能更有效地利用信道特定的组(块)稀疏结构特性,减少待测量参数潜在样本的数量,获得更为精确的信道稀疏索引集位置,在保证估计质量的同时进一步降低导频开销。4.针对信道具有先验概率统计特性的特定应用场合,研究贝叶斯压缩感知(BCS)理论在信道估计中的应用。对于具有高斯概率特性和非高斯概率特性的两种统计信道模型,分别采用贝叶斯匹配追踪(BMP)算法和非高斯贝叶斯匹配追踪(NGBMP)算法提出相应的贝叶斯稀疏信道估计方法。此外,还将以上两种BCS重建算法与组稀疏模型相结合,设计出基于组稀疏模型的BCS重建算法,大幅简化了对组稀疏向量的重建流程,使得提出的贝叶斯稀疏估计方法对具有组稀疏结构信道的估计性能得到进一步提高。实验结果表明,对于常见的统计信道模型,该方法能同时有效利用其先验统计信息和组稀疏结构,显著提高估计质量。5.研究多输入多输出(MIMO)-OFDM通信系统中多路信道的的相关性,将其表征为联合稀疏模型,并在此基础上采用分布式压缩感知(DCS)算法设计出针对MIMO-OFDM系统快速时变信道的估计方法。与已有的MIMO系统稀疏信道估计方法相比,该方法能同时对多路信道进行联合重建,降低了导频开销以及计算复杂度。此外,针对快速时变信道的组稀疏特性,再次利用组稀疏模型,将其与DCS算法相结合,提出基于组稀疏模型的联合稀疏重建算法,进一步提高估计性能。
【关键词】：OFDM系统 快速时变信道 稀疏信道估计 压缩感知 组稀疏模型 贝叶斯方法 MIMO-OFDM系统 分布式压缩感知
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN929.53
【目录】：

• 摘要5-7
• Abstract7-14
• 符号说明14-18
• 第1章 绪论18-25
• 1.1 选题的研究背景和意义18-19
• 1.2 研究现状19-22
• 1.2.1 信道估计技术研究现状19-21
• 1.2.2 基于压缩感知的信道估计技术研究现状21-22
• 1.3 本文的主要工作及内容安排22-25
• 第2章 OFDM系统信道估计与压缩感知理论25-44
• 2.1 OFDM系统原理25-27
• 2.2 无线信道模型27-33
• 2.2.1 信道衰落特性27-29
• 2.2.2 SISO-OFDM系统传输模型29-31
• 2.2.3 MIMO-OFDM系统传输模型31-33
• 2.3 OFDM系统中的信道估计方法33-36
• 2.3.1 导频图案33-34
• 2.3.2 常用估计方法34-36
• 2.4 压缩感知理论36-41
• 2.4.1 信号的稀疏表示36-37
• 2.4.2 感知矩阵37-38
• 2.4.3 重建算法38-41
• 2.5 基于CS的信道估计方法原理41-43
• 2.6 本章小结43-44
• 第3章 针对快速时变信道的稀疏估计方法44-68
• 3.1 快速时变信道的基扩展模型及其稀疏特性44-47
• 3.2 稀疏信号重建问题的转化47-49
• 3.3 迭代反馈估计方法49-57
• 3.3.1 估计方法流程49-51
• 3.3.2 感知矩阵的RIP性质51-54
• 3.3.3 Modified-OMP算法54-57
• 3.4 简化估计方法57-61
• 3.4.1 估计方法流程57-58
• 3.4.2 随机分组导频图案58-59
• 3.4.3 感知矩阵性能测定59-61
• 3.5 仿真结果与分析61-67
• 3.5.1 参数设定61-62
• 3.5.2 实验结果62-67
• 3.6 本章小结67-68
• 第4章 基于模型的稀疏信道估计方法68-79
• 4.1 基于模型的压缩感知理论简介68-70
• 4.1.1 组稀疏模型68-69
• 4.1.2 组相干系数69-70
• 4.2 快速时变信道的组稀疏结构70-71
• 4.3 组稀疏信道估计方法71-75
• 4.3.1 基于组稀疏重建算法的迭代反馈估计方法71-73
• 4.3.2 基于组稀疏重建算法的简化估计方法73-74
• 4.3.3 组相干系数的测定74-75
• 4.4 仿真结果与分析75-78
• 4.4.1 参数设定75
• 4.4.2 实验结果75-78
• 4.5 本章小结78-79
• 第5章 基于贝叶斯压缩感知的稀疏信道估计方法79-96
• 5.1 贝叶斯方法79-82
• 5.1.1 数学模型79-80
• 5.1.2 BMP算法80-82
• 5.2 快速时变信道的统计特性分析82-83
• 5.3 估计方法流程83
• 5.4 基于组稀疏模型的贝叶斯方法83-90
• 5.4.1 支撑集搜索算法83-86
• 5.4.2 G-BMP算法流程86-87
• 5.4.3 计算后验概率的快速递归算法87-90
• 5.5 仿真结果与分析90-95
• 5.5.1 参数设定90-91
• 5.5.2 实验结果91-95
• 5.6 本章小结95-96
• 第6章 MIMO-OFDM系统的稀疏信道估计方法96-107
• 6.1 分布式压缩感知理论96-98
• 6.1.1 联合稀疏模型96-97
• 6.1.2 联合稀疏重建算法97-98
• 6.2 MIMO信道的联合稀疏特性98-99
• 6.3 联合稀疏信道估计方法99-100
• 6.4 基于组稀疏模型的DOMP算法100-101
• 6.5 仿真结果与分析101-106
• 6.5.1 参数设定102
• 6.5.2 实验结果102-106
• 6.6 本章小结106-107
• 第7章 总结与展望107-110
• 7.1 本文的主要贡献与创新107-108
• 7.2 未来工作展望108-110
• 参考文献110-120
• 攻读学位期间发表论文清单120-121
• 致谢121

  本文关键词：基于压缩感知的OFDM系统快速时变信道估计，，由笔耕文化传播整理发布。

本文编号：391775