一、快速信道估计技术研究(论文文献综述)
林佳祥[1](2021)在《基于OFDM的宽带电力载波通信系统关键技术研究》文中研究表明随着我国电网的现代化建设,电力载波通信技术由于覆盖范围广、成本低廉等优势成为了重点研究内容,当前的大容量、低延时业务对电力载波通信技术的速率与可靠性提出了较高的要求。以实现高速率、低误码的通信为目标,本文研究了基于OFDM(Orthogonal Frequency Division Multiplexing)的宽带电力载波通信系统,并采用FPGA(Field Programmable Gate Array)与DSP(Digital Signal Processing)开发平台对接收子系统进行了软硬件协同设计和实现。本文在低压宽带电力载波信道的基本特征分析基础上,利用Middleton A类噪声模型进行随机脉冲噪声建模,并通过与自底向上法以及频域分析法的电力载波信道传递函数建模方法进行对比,选择采用M.Zimmermann与Klaus Dostert提出的自顶向下传递函数模型,结合噪声模型与传递函数模型建立了低压宽带电力载波通信信道,为后续仿真提供支撑。本文阐述了OFDM系统的基本原理与关键技术,对电力载波通信中采用OFDM技术的优势进行了分析,然后提出了宽带电力载波通信系统的总体方案,对物理层框架、主要参数与帧结构进行了设计,并简要介绍了接收子系统的主要功能模块。针对起始位置偏移导致的接收星座图旋转与符号间干扰问题,本文结合延时自相关与本地序列互相关算法,提出了基于本地序列的二次相关算法,可以消除测度函数的峰值平台与“小尖峰”现象,使符号同步结果更加精确。针对收发端采样时钟不匹配的情况,提出了基于相位叠加的采样时钟同步算法,与传统方法相比,准确度有3d B以上的增益。针对电力载波信道中的多径与噪声特性造成的通信误比特率过高问题,本文提出了基于噪声聚类的镜像扩展DFT(Discrete Fourier Transform)信道估计算法,相比传统LS(Least Square)算法在误比特率10-3处存在2.8d B左右的性能提升。在OFDM峰均功率比优化方面,本文提出哈达玛变换和迭代翻转部分传输序列相结合的方法,有效降低系统的峰均功率比。基于FPGA与DSP开发平台对提出的宽带电力载波通信系统接收端进行软硬件协同设计,实现了接收基带处理子系统,并通过功能仿真与上板调试对各个模块进行测试,结果表明接收端可以准确恢复出发送数据,验证了本文提出的宽带电力载波通信系统总体方案和关键算法的可行性,为后续产业化芯片的设计提供重要参考。
张瑞齐[2](2021)在《高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究》文中研究表明随着高速公路、高速铁路以及城市道路的爆炸式发展,交通系统的安全性、交通管控的有效性和及时性等问题亟待解决。智能交通系统成为未来交通运输系统的发展方向。随着车联网的蓬勃发展,低时延、大容量、高可靠的通信需求日益迫切。但是传统移动通信的设计主要瞄准终端静止或者低速运动场景,当其应用在高速公路和铁路场景时面临诸多的挑战。以第五代移动通信(The Fifth Generation Mobile Communication,5G)标准为例,终端用户在低速运动条件下,比如移动速度不高于30km/h,100MHz系统带宽可提供大于1G比特率(Bit Per Second,bps)数据传输速率。而随着终端用户移动速度的增加,可支持数据传输速率急剧下降,在终端移动速度高于350km/h时,系统的可支持数据传输速率只有50Mbps,该数据吞吐量只有车联网通信所需数据速率的10%。通信系统传输速率严重下降的主要原因是车辆高速运动引起的信道快速时变以及多普勒频偏。因此,克服多普勒效应、提高高速移动场景中的数据传输速率是非常重要的课题,具有重要的科学意义。为了解决高速移动场景中无线通信系统数据传输效率下降的问题,本文充分考虑高速运动场景中的信道快速时变、多普勒效应、用户信道状态信息(Channel State Information,CSI)难以跟踪等典型问题,采用理论分析、数学建模与系统仿真验证相结合的方法,对快速时变信道估计、低复杂度的子载波间干扰抑制以及面向多输入多输出的线性预编码等方向进行了系统研究。论文的创新性工作包括以下四个方面:第一、提出了一种新的基于波束域分解的信道预测方法,解决高速运动状态下,终端反馈的信道状态信息难以跟踪信道变化而带来的系统性能恶化的问题。基于信道状态信息的自适应调制编码技术(Adaptive Modulation and Coding,AMC)在无线移动通信系统中发挥重要的作用。但是当终端用户处于高速运动状态时,无线信道快速变化。终端用户反馈的信道状态信息与被应用时刻的信道失配,导致系统性能严重恶化。针对该问题,本文提出了一种新的信道预测方法。该方法根据扩展Saleh-Valenzuela模型,将无线信道在空域分解为多个簇,每一簇的信道由空间波束角相近的子径组成。通过波束域、频率域分解,无线时变信道被表征为有限个波束域和频域基向量的线性加权。针对加权参数和波束矢量估计复杂度过高的问题,本文提出了改进的快速迭代插值波束赋形(Fast Iterative Interpolated Beamforming,FIIB)算法。针对加权参数的预测问题,本文提出由多项式模型近似。通过向基站反馈多项式系数和波束矢量,基站可以精确的预测未来的信道。本方法提高了时变信道预测的准确性,仿真显示在反馈有限阶系数条件下,本方法已经可以准确的预测信道的变化,同时反馈多项式系数所需的资源也远低于传统方法。第二、提出了基于频率偏移的基扩展模型(Frequency Shifted Basis Expansion Model,FS-BEM),解决高速时变信道条件下信道估计性能恶化的问题。在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中,通过在OFDM符号中插入参考信号(Reference Signal,RS)来做信道估计。在传统的信道估计中,认为信道在一个OFDM符号中保持不变。当终端用户处于高速运动状态的时候,信道在一个OFDM符号中也会发生变化,从而使得传统信道估计方法失效。针对该问题,本文基于基扩展模型(Basis Expansion Model,BEM)的理论,研究了复指数基扩展模型(Complex Exponential BEM,CE-BEM)在建模快速时变信道时存在较大误差的原因,提出了FS-BEM信道估计方法。通过对复指数基向量进行过采样获取过完备基向量集合,采用最小均方误差(Minimum Mean Squared Error,MMSE)或者最大信息率准则(Maximum Information Rate,MIR)全局寻优最佳采样基。仿真显示,本方法很好的克服了传统CE-BEM模型的缺点,在不同的移动速度下均具有较好的性能。第三、提出了一种新的发射端预编码和接收端均衡方法,解决传统子载波间干扰抑制方法存在的复杂度过高、性能不理想等问题。在OFDM通信系统中,当终端处于高速移动的时候会引起子载波间干扰(Inter-Carrier Interference,ICI),严重的影响了无线移动通信性能。在传统的均衡算法中,通常采用迭代干扰消除的方法来克服ICI带来的影响。这种方法存在复杂度过高、用户移动速度快的情况下性能不理想等问题。本文提出了一种新的发射端预编码和接收端均衡方法。该方法在发射端将发射信号频域分段,并在每个频域分段中添加冗余子载波,从而隔绝了相邻频域分段之间的干扰,将子载波互扰限制在一个频域分段内。在接收端,通过简单的线性变换和一阶均衡就可以抑制频域分段内的ICI。该方法可以大大降低接收端实现复杂度,具有较好的ICI抑制性能。第四、提出了一种新的基于波束域反馈的码本设计方法,解决传统码本设计不能匹配中高速场景、反馈开销过大的问题。在多输入多输出(Multi-Input Multi-Output,MIMO)系统中,预编码矩阵的反馈占用大量的上行无线资源,尤其是当终端处于快速运动的时候,需要配置很短的反馈周期才能跟踪信道状态信息的变化,这会进一步增加反馈开销。针对该问题,本文提出了一种新的基于波束域反馈的码本设计方法。该方法利用矩阵分解理论,将预编码矩阵表征为若干个正交向量的线性加权。用户需要反馈被选择的正交向量的索引以及每个被选择的正交向量对应的复系数。通过联合配置长和短周期反馈,该方法可以在跟踪信道变化的同时,维持较低的反馈开销。仿真结果显示,本文提出的码本结构和反馈方法在获得预编码增益的同时,极大的缩减了反馈信道状态信息的信息量。本方法中的双码本结构以及第一级码本的正交向量设计等方法被5G通信标准‘3GPP TS38.214:NR Physical layer procedures for data’的5.2.2.2.3章节接纳。
郑凯航[3](2021)在《基于高铁大规模MIMO系统的信道状态信息获取技术研究》文中进行了进一步梳理随着高速铁路的发展,人们对于高机动性场景中的通信服务质量提出了更高的要求,这需要获取精准的信道状态信息(Channel State Information,CSI)。大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术因其具备显着提升信道容量和频谱效率的优势,减弱多普勒效应影响的潜力被考虑为主要解决方案。然而显着的多普勒频移和庞大的天线阵列仍严重制约着CSI的获取效果。为了克服高机动性场景带来的挑战,本文从时频(Time-Frequency,TF)域和多普勒-时延(Doppler-Delay,DD)域两个角度进行研究,提出了两种适用于高机动性场景下的信道估计算法,并给出了收敛性理论分析以及仿真验证。所提算法在各种通信环境下都有着精准的信道估计精度,可以适应不同速度的通信场景。论文主要内容如下:(1)从TF域角度出发,针对高多普勒效应对信道带来的快时变影响提出了一种空间信息辅助的上下行联合信道参数跟踪方案。首先构建了接收信号的稀疏模型,使得观测矩阵的每一列对应于一条信道。然后,将实时CSI获取问题转化为稀疏贝叶斯学习(Sparse Bayes Learning,SBL)形式的信道参数跟踪问题,并利用MM算法迭代求解每个信道参数。最后提出了一种基于显着梯度的快速收敛方案,解决角度相关替代函数的多峰值优化问题。(2)从DD域角度出发,基于DD域信道相对稳定且具有循环矩阵形式的特征,提出了一种联合信道估计及信号检测的方案。首先,本文利用正交时频空间调制方式(Orthogonal Time Frequency Space,OTFS)将信道调制到DD域并给出了 DD域信号输入输出关系。随后,利用免疫算法求解初始信道估计结果并提出了基于信息传递(Message Passing,MP)的信号检测方案。最后利用DD域信道的循环矩阵特性,提出了低复杂度的检测信号和信道估计的联合优化方案。
母一凡[4](2021)在《毫米波大规模MIMO系统中信道估计研究》文中指出随着第五代移动通信网络的发展,大规模多输入多输出(Massive MultipleInput Multiple-Output,Massive MIMO)技术和毫米波技术被人们广泛认可。信道蕴含了信号传输过程中的状态信息,但在传输过程中会受到噪声和干扰的影响,信道估计技术的准确性关系到信号在接收端恢复的准确性,所以信道估计技术的研究具有重要意义。本文研究了毫米波大规模MIMO系统中信道估计算法。通过对深度学习和信道估计算法的研究,深入了解不同神经网络的特性,利用其特性和信道估计算法进行结合,获得更好的信道估计算法。本文提出基于生成对抗-卷积盲去噪(GAN-CNN Blind Denoising,GCBD)神经网络的信道估计算法。通过生成对抗神经网络来拓展噪声的未知性,再通过卷积去噪神经网络进行去噪,提高信道估计的性能。通过分析和仿真提出的基于GCBD的信道估计算法可以提高信道估计性能,并可以应对不同的混合噪声。本文提出的全连接卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)信道估计算法创新性地将全连接卷积去噪神经网络与基于学习的近似消息传递算法相结合。将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中,实现高效的去噪,从而获得更高的信道估计精度。在快时变信道系统中,通过正交时频空间调制技术得到三维结构的时延多普勒角度信道,本文提出了三维压缩采样匹配追踪(3-Dimensional Compressive Sampling Matching Pursuit,3D-Co Sa MP)信道估计算法。通过压缩感知技术分别对时延维度、多普勒维度和角度维度进行恢复,获得准确的信道估计值。并在不同的信噪比,用户速度,基站天线数量和导频开销率方面对算法进行验证。
贾承璐[5](2021)在《面向动态场景的移动毫米波覆盖增强技术研究》文中研究表明毫米波(Millimeter wave,mm Wave)凭借其丰富的频谱资源已经成为第五代移动通信系统的关键技术之一,并且将保持持续发展和演进的趋势。然而,高频段的mmWave(30GHz-300GHz)信号传输面临严重的路径和穿透损耗,这为mmWave系统的实际部署和应用带来了巨大挑战。首先,为了补偿mmWave的传输损耗,收发端通常采用大规模天线阵列实现方向性波束赋形,但一方面,窄波束传输性能很大程度上依赖于收发端波束的准确对准,而在动态场景下,终端的移动性不仅加剧了波束对准的难度,也导致无线通信系统难以实时进行动态的信道状态信息(Channel state information,CSI)获取和网络性能的优化;另一方面,窄波束传输严重限制mmWave网络的用户覆盖能力,只有位于主瓣波宽之内的用户才能享受高速率的通信服务。其次,由于巨大的穿透损耗,遮挡问题是目前限制毫米波系统覆盖能力的主要瓶颈之一,为此,智能反射面(Intelligent reflecting surface,IRS)技术被引入到毫米波系统的设计和优化中,以进一步实现mmWave系统的盲点覆盖增强。当前国内外针对mmWave通信技术的研究主要集中在准静态场景下的波束管理、波束赋形以及信道估计等领域,而对动态场景下的覆盖增强问题鲜有讨论,而mm Wave网络的覆盖增强问题是限制网络部署的现实问题之一。因此,本文针对面向动态场景的移动毫米波覆盖增强技术进行了如下研究:(1)当前毫米波系统普遍采用的基于正交多址接入的窄波束传输技术严重限制了 mmWave系统的用户覆盖能力,本文率先提出了一种基于机器学习(Machine learning,ML)的mmWave-非正交多址接入(Non-orthogonal multiple access,NOMA)技术以提升动态场景下mmWave网络的用户覆盖。本文利用了 ML方法实现了 mmWave-NOMA网络的性能优化,其中,本文提出了一种基于高斯过程机器助实现高效的波束追踪;然后,本文利用角度域信息,进一步提出了一种基于无监督学习方法的用户分组方法;最后,本文讨论了移动mmWave-NOMA场景下三维波束宽度控制问题,并利用深度学习方法实现了实时的波束宽度优化。(2)IRS是实现未来动态mmWave的盲点覆盖增强的关键技术之一,但IRS的引入使mmWave网络架构高度复杂化,因此,为了充分发挥IRS在移动mmWave系统中的性能潜力,本文对IRS辅助mmWave网络的动态波束管理、级联信道估计及波束赋形等关键问题进行了深入研宄。具体而言,本文分别从传统波束空间搜索和ML辅助两个角度讨论了mmWave-IRS网络的波束管理问题,并基于用户位置信息,提出了一种位置信息辅助的高效波束赋形方法;然后,本文提出了一种自适应网格匹配追踪算法,实现了高分辨率的级联信道估计。最后,本文对整体的研究内容进行了总结,并对动态场景下的毫米波覆盖增强技术的后续研究问题进行了展望。
聂玉卿[6](2021)在《卫星与5G融合系统快速随机接入技术研究》文中研究说明卫星通信可以在全球范围内实现信息网络的无缝覆盖,是天基信息传输系统中的重要构成部分,也是构建天地一体化网络的战略重点。伴随地面移动通信技术的不断更迭,卫星网络和地面5G网络的相互融合技术也在快速发展。地面用户终端在与网络建立连接之前,需要通过随机接入过程确保自身的上行传输时间和基站保持同步,使得网络的上行帧时序与用户终端发送帧时序对齐。高效率低延时的上行接入是保障终端与网络进行正常通信的前提,因此在卫星与5G融合系统中,随机接入技术的研究尤为重要。本文着眼于GEO卫星与地面5G网络融合系统,以GEO卫星广域覆盖导致传播时延较长的系统特性为切入点,融合地面5G协议设计思路,以研究适用于卫星5G融合系统的快速随机接入技术为目标,从快速随机接入信道设计、多用户msgA数据载荷检测算法研究以及快速随机接入信号传输方案设计与仿真验证三方面展开,论文主要工作为:(1)针对目前在星地融合系统中采用的传统随机接入方案因多次信息交换导致接入效率较低、接入过程耗时较长的问题,分析3GPP基于地面场景提出的快速随机接入方案的处理流程和时序模型,研究将该方案应用于GEO卫星场景实现高效率低延时接入的可行性。(2)针对快速随机接入信号(msgA)包含前导和数据两部分的特点,导致传统随机接入信道无法适用于快速随机接入技术的问题,结合卫星大波束覆盖范围和单天线端口系统特性,提出了一种快速随机接入信道设计方案。该方案通过将前导与数据载荷合并发送,降低接入次数,节省物理资源开销,并保证较优的接入性能。(3)针对多用户发起接入时,msgA数据信号采用传统MMSE-SIC检测算法时存在的误差传播问题,提出了一种多判决排序串行干扰消除(MD-OSIC)算法。该算法首先通过MUSA系统的等效信道系数以及MMSE加权矩阵计算所有待检测用户的SINR并排序优化用户的选择策略,然后对MMSE线性检测后位于不可靠区域内的符号进行多次判决,有效提升了 msgA数据载荷检测的可靠性。(4)设计适用于本系统的msgA信号传输与检测方案,并基于MATLAB搭建链路级仿真平台,对快速随机接入性能进行仿真验证。通过对msgA前导信号的漏检和虚警概率以及msgA数据信号的误码率性能进行评估,验证本文所提出的快速随机接入信道设计方案在卫星场景下应用的可行性;通过对MMSE-SIC和MD-OSIC算法检测性能的仿真对比,验证MD-OSIC算法能有效降低误差传播对msgA数据信号误码率性能的影响。
闫艺萍[7](2021)在《窄带物联网下行信道估计算法的研究与实现》文中研究说明窄带物联网聚焦于低功耗、广覆盖物联网市场,作为新兴物联网技术,成为万物互联的一个重要分支。窄带物联网传输的信道属于无线信道,信号在无线信道传输的过程中会受到各种干扰,信道估计可以提供信道条件校正接收到的信号提高系统性能,因此信道估计是窄带物联网系统中不可缺少的重要环节。本文重点对窄带物联网下行链路的信道估计技术进行了研究。本文首先对窄带物联网系统进行了概述,然后对NB-IoT传输的无线信道进行了研究,确立NB-IoT的信道模型为瑞利衰落信道,根据3GPP协议为LTE规定的三种瑞利衰落信道模型,确立了本文无线信道仿真模型为EVA信道。重点研究了NB-IoT下行链路基于导频的信道估计技术,本文的主要工作如下:对窄带物联网单天线端口导频分布方案进行研究。由于下行导频参考信号NRS在时域上分布较密,在同一个子载波的两个相邻导频的时域分布间隔较大,不利于准确地推算出导频之间数据点的信道参数。本文依据导频间隔设计原则奈奎斯特采样定理,对预设导频的时域间隔进行了改进。通过合理增加导频信号的数量,缩短了预设导频时域间隔距离使得导频信号在时域上分布更加分散。仿真结果显示,改进的导频分布方案虽然小幅度地降低了系统频带利用率,但是误码率明显小于预设导频,显着地改善了系统的信道估计性能。对窄带物联网基于导频的信道估计算法进行研究。在分析了无线通信系统常用导频点信道估计LS算法、DFT算法和LMMSE算法的特点后,通过仿真结果和算法计算复杂度选择采用DFT算法作为NB-IoT下行系统信道估计算法,针对DFT算法在非整数采样间隔信道中频谱泄漏问题通过在频域加凯塞窗抑制能量泄露,针对DFT算法时域冲击响应(CIR)中循环前缀内滤除噪声的阈值门限进行了改进,仿真结果显示本文的阈值门限相比其他阈值门限算法可以更好地滤除噪声。将DFT改进算法与其他信道估计算法进行仿真实验结果表明,DFT改进算法在非整数采样间隔EVA信道中能量泄露不明显,采用新的阈值滤除了更多的噪声,显着地改善了DFT算法性能。对窄带物联网下行系统数据位置插值算法进行了研究,由于导频信号NRS在时频二维离散分布的特点,需要分别在频域和时域进行插值,频域部分的插值可通过DFT信道估计算法时域补零相当于频域插值的傅里叶变换特性实现,只需考虑时域部分的插值,在分析了数据处插值算法,常数插值算法、线性插值算法和高斯插值算法的特点后,通过仿真结果和计算复杂度,结合NB-IoT系统特性和导频分布特点最终选择线性和常数联合插值算法作为NB-IoT数据处的插值算法。在基于GPP的软件无线电平台——OAI平台的DLSIM下行仿真链路中根据NB-IoT的系统特性在LTE的基础上设计了平台架构,搭建了物理下行控制信道NPDCCH和物理下行共享信道NPDSCH,由于导频参考信号在NPDSCH的子帧中发送,在NPDSCH信道搭建的过程中加入了改进的导频分布方案和改进的信道估计算法,具体阐述了NPDSCH发射端和接收端处理信号的过程。
周琦[8](2021)在《UFMC系统信道估计与均衡技术的研究》文中认为通用滤波多载波(Universal Filtered Multi-Carrier,UFMC)是第五代移动通信系统(5G)备选波形技术之一,有着频谱效率高、带外泄漏低和良好的抗频偏性能等优点,能够较好地运用于物联网(Internet ofThings,IoT)与机器类通信(Machine Type Communication,MTC)等场景中。与正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统相比,UFMC系统中没有添加循环前缀(Cyclic Prefix,CP),在通过多径信道时,滤波后的UFMC符号有着上升沿与下降沿,这对系统抵抗符号间干扰(Inter-Symbol Interference,ISI)提供了一种“软保护”。当信道时延扩展较大时,这种保护显得有点不足,同时系统正交性遭到了破坏,系统会遭受载波间干扰(Inter-Carrier Interference,ICI)与子带间干扰(Inter-Band Interference,IBI)。UFMC系统在进行信道估计与均衡的时候会受到多径信道的干扰。现有的大部分关于UFMC系统的信道估计和信道均衡算法并没有考虑系统中的ISI、ICI和IBI,因此本文针对UFMC系统中的信道估计与信道均衡算法中干扰问题展开了研究。1.研究了传统的最小二乘(Least Squares,LS)信道估计算法、最小均方误差(Minimum Mean Square Error,MMSE)信道估计算法以及基于离散傅里叶变换(Discrete Fourier Transform,DFT)信道估计算法在UFMC系统中的使用。并针对LS信道估计算法没有考虑噪声的问题,提出了基于小波阈值去噪的信道估计算法。该算法利用有用信号与噪声在小波域中不同的特性,将噪声部分区分出来并进行一定的抑制。首先把LS信道估计算法得到的估计值变换到小波域中,设置阈值并对每个分解尺度下的细节系数进行处理,最终达到抑制噪声的效果。仿真结果表明,提出的改进算法可以降低噪声对估计值的影响,从而提升系统性能。2.设计了一种适用于UFMC系统的信道估计算法。本算法采用具有相同部分的导频序列,导频的前半部分作用相当于OFDM系统中的CP,并用导频的后半部分在时域中进行信道估计。得到信道估计值后,对信道长度进行估计,去除信道长度以外以及信道长度以内的噪声干扰。仿真结果显示,提出的信道估计算法有着较低的均方误差(Mean Square Error,MSE),估计出的信道值较为准确。3.参考OFDM系统CP不足情况下的均衡算法,将基于判决反馈均衡的时域迫零算法(Force Zero,ZF)与MMSE均衡算法在UFMC系统中使用。并针对OFDM中符号循环移位均衡算法没法在UFMC系统中直接使用的问题,对该算法进行改进,使其在UFMC系统中能够使用。仿真表明,改进的算法降低了 ISI、ICI与IBI带来的影响,系统的误比特率得到降低。
黄源[9](2021)在《基于压缩感知的MIMO系统稀疏信道估计方法研究》文中研究表明多输入多输出(Multiple-Input Multiple-Output,MIMO)系统通过在发射端和接收端分别部署多个天线阵列,可以显着地提升信道容量和传输速率,被认为是未来无线通信的关键使能技术之一。然而,在MIMO系统中,随着基站端天线数目的增加,导致产生大量的未知信道参数和巨大的导频开销,使得无线信道估计成为一项极具挑战性的难题。因此,研究MIMO系统的信道估计技术,对未来无线通信技术的发展具有十分重要的意义。在无线通信系统中,无线多径信道通常为稀疏信道,传统的信道估计算法没有利用信道的稀疏性。基于压缩感知(Compressed Sensing,CS)的信道估计方法通过充分利用信道的稀疏特性,可以使用很少的导频序列获得更好的信道估计性能。本文针对复杂环境下MIMO-OFDM(Multi-Input Multi-Output Orthogonal Frequency Division Multiplexing)和大规模MIMO系统,提出了一系列基于压缩感知的稀疏信道估计方法。本文的主要研究内容如下:(1)提出了一种基于压缩感知的MIMO-OFDM系统改进的稀疏信道估计算法。针对MIMO-OFDM系统无线信道模型,考虑到现有的基于稀疏度自适应匹配追踪信道估计算法在低信噪比下存在着重构性能不稳定的问题,本文提出了一种新的自适应匹配追踪(New Adaptive Matching Pursuit,NAMP)稀疏信道估计算法。该方法在不需要信道稀疏度先验知识的情况下,通过固定步长的方式,对迭代过程中的支撑集原子进行选取,提高算法的收敛效率。此外,该方法采用奇异熵定阶的机制来防止引入不相关的原子,提高算法的收敛精度。实验结果表明,该方法的计算复杂度较小和具有更稳定的性能。(2)提出了一种基于压缩感知的TDD大规模MIMO系统改进的稀疏信道估计算法。针对时分双工(Time Division Duplex,TDD)大规模MIMO系统上行链路模型,本文探讨了导频污染问题,提出了一种有效的半正交导频设计方案。此外,考虑到现有算法在重构过程中存在着对稀疏信道抽头能量不够敏感以及重构精度不高的缺点,本文提出了一种优化的自适应匹配追踪(Optimized Adaptive Matching Pursuit,OAMP)算法。该方法采用基于能量熵的排序方法对支撑集原子进行筛选,提高算法的估计性能。然后,该方法利用分段自适应变步长的方法,提高算法的泛化能力。理论分析和仿真结果表明,本文提出的OAMP算法进一步减少了导频污染,且以较小的时间复杂度为代价提高了信道估计的精度,其综合性能优于其它信道估计算法。(3)提出了一种基于结构化压缩感知的FDD大规模MIMO系统改进的稀疏信道估计算法。针对频分双工(Frequency Division Duplex,FDD)大规模MIMO系统下行链路模型难以确定信道稀疏度和重构算法阈值参数的问题,本文提出了一种基于结构化压缩感知的时频分块稀疏信道估计方法,即广义分块自适应匹配追踪(Generalized Block Adaptive Matching Pursuit,g BAMP)算法。首先,该算法利用大规模MIMO系统的时频联合分块稀疏性,实现对索引集的优化选取,从而提高算法的稳定性。然后,该算法在没有阈值参数的情况下,利用残差的F范数确定算法自适应迭代的停止条件,证明了该算法的有效性。仿真结果表明,本文提出的g BAMP算法能够快速、准确地估计出FDD大规模MIMO系统信道的状态信息,且性能优于同类算法。(4)提出了一种基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法。在FDD大规模MIMO系统中,随着无线信道矩阵规模的增大,该迭代优化的密集计算和不能保证解全局最优的缺点已成为压缩感知在信道估计应用中的瓶颈。为了解决这个问题,本文提出了一种新型的基于深度学习的压缩感知稀疏信道估计方法,即卷积重构网络(Convolutional Compressive Sensing Network,Con CSNet)。在不需要信道稀疏度的情况下,本文通过Con CSNet算法求解由接收信号得到信道状态信息的逆变换过程,从而解决压缩感知框架下的欠定最优化问题,实现对原始稀疏信道的重构。实验结果表明,与基于传统贪婪算法的压缩感知信道估计方法相比,本文提出的Con CSNet算法的精度更高,且运算速度更快。
班洪山[10](2021)在《无人机测控系统大扩频多用户干扰消除技术研究》文中研究说明由于无人机具有造价低廉、移动性强的特点,在军事、民用等领域广为应用。而随着无人机集群规模的扩展,受多用户干扰影响,其测控系统下行链路的接收性能急剧恶化。为了进一步提高抗截获、抗干扰能力,并提升集群系统容量,亟需引入高倍扩频的码分多址方案,即大扩频多用户码分多址技术。多用户干扰是影响其性能的最主要的干扰,而其消除技术主要包括信道估计和多用户检测两个方面。本文研究了无人机测控系统大扩频多用户干扰消除技术,提出了适应此环境下的信道估计和多用户检测算法,研究内容和创新成果如下:针对信道估计技术,由于不同用户的导频具有一定的相关性,在大规模无人机测控系统中,目标终端信号的接收往往会受到大量其他终端的信号干扰,导致信道估计结果不准确。针对这一问题,本文提出了一种基于干扰预消除策略的Pre-IC信道估计算法,利用伪随机序列(Pseudo-Noise Code,PN)序列的自相关性与平衡性,避免了用户间干扰,确保即使在大规模集群下仍可以具有优良的信道估计结果。利用Matlab对信道估计算法进行仿真,表明Pre-IC信道估计算法的精度不会随着集群规模的增加而变差,有效避免了多用户干扰对信道估计结果的影响,且避免了矩阵的求逆运算,确保了算法的实时性。针对多用户检测技术,由于大容量集群规模往往会导致多用户检测算法的时间复杂度过高,难以满足地面接收基站实时性的要求。针对这一问题,本文提出了一种小波神经网络多用户检测算法,即Morlet-Hopfield多用户检测算法,该算法基于最小均方误差(Minimum Mean Square Error,MMSE)准则,实现对目标无人机终端信号的干扰消除,并有效降低了算法的迭代次数。由于Hopfield神经网络在大规模优化问题中存在易陷于局部最优解、网络迭代次数多等缺点,本文将Morlet基小波模型作为Hopfield神经网络的激活函数,在一定程度上提升了 Hopfield网络的神经元对全局最优解进行混沌搜索的能力,降低了约50%的迭代次数,同时保证了多用户检测算法的精度。
二、快速信道估计技术研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、快速信道估计技术研究(论文提纲范文)
(1)基于OFDM的宽带电力载波通信系统关键技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外电力载波通信研究现状 |
1.2.2 国内电力载波通信研究现状 |
1.3 主要研究内容及后续章节安排 |
第2章 低压宽带电力载波信道建模 |
2.1 低压宽带电力载波的信道特性 |
2.1.1 衰减特性 |
2.1.2 噪声特性 |
2.1.3 多径传播 |
2.1.4 时变性 |
2.2 信道建模 |
2.2.1 噪声建模 |
2.2.2 传递函数建模 |
2.2.3 低压宽带电力载波信道模型 |
2.3 本章小结 |
第3章 宽带电力载波通信系统总体设计 |
3.1 典型的OFDM通信系统框架 |
3.1.1 OFDM系统的基本原理 |
3.1.2 循环前缀与加窗 |
3.1.3 OFDM系统的关键技术 |
3.1.4 OFDM在电力载波通信中的优势 |
3.2 宽带电力载波通信系统总体设计方案 |
3.2.1 系统物理层框架设计 |
3.2.2 系统物理层主要参数 |
3.2.3 通信帧结构 |
3.2.4 接收子系统主要模块 |
3.3 本章小结 |
第4章 宽带电力载波通信系统的关键技术 |
4.1 符号同步算法设计 |
4.1.1 符号同步偏差的影响 |
4.1.2 符号同步算法 |
4.1.3 仿真对比与分析 |
4.2 采样时钟同步算法设计 |
4.2.1 采样时钟偏移的影响 |
4.2.2 采样时钟同步算法 |
4.2.3 仿真对比与分析 |
4.3 信道估计算法设计 |
4.3.1 电力载波信道的影响 |
4.3.2 信道估计算法 |
4.3.3 仿真对比与分析 |
4.4 降峰均功率比算法设计 |
4.4.1 OFDM峰均功率比统计方法 |
4.4.2 降峰均功率比算法 |
4.4.3 仿真对比与分析 |
4.5 宽带电力载波系统整体仿真性能 |
4.6 本章小结 |
第5章 系统接收样机实现方案 |
5.1 样机整体框架 |
5.1.1 收发系统联调及测试等效方案 |
5.1.2 硬件平台简介 |
5.2 基于FPGA的硬件逻辑设计 |
5.2.1 A/D转换接口模块 |
5.2.2 降抽样模块 |
5.2.3 AGC模块 |
5.2.4 帧检测模块 |
5.2.5 符号同步模块 |
5.2.6 SRIO发送模块 |
5.2.7 FPGA资源占用情况 |
5.3 基于DSP的软件设计 |
5.3.1 SRIO接收模块 |
5.3.2 采样时钟同步模块 |
5.3.3 信道估计模块 |
5.3.4 符号解调模块 |
5.3.5 DSP存储资源占用情况 |
5.4 测试结果与分析 |
5.5 本章小结 |
第6章 全文总结与后续工作展望 |
6.1 全文总结 |
6.2 后续工作展望 |
参考文献 |
作者简历及在学期间所取得的研究成果 |
(2)高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
缩略语 |
常用数学符号 |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状和不足 |
1.2.1 高速移动场景对无线通信的需求和挑战 |
1.2.2 高速移动场景下信道预测的研究现状和不足 |
1.2.3 高速移动场景下信道估计的研究现状和不足 |
1.2.4 高速移动场景下预编码技术的研究现状和不足 |
1.3 主要创新工作与章节安排 |
2 一种基于波束域分解的信道预测方法 |
2.1 引言 |
2.2 系统模型 |
2.3 现有信道预测方法 |
2.4 改进的基于波束域的信道预测方法 |
2.4.1 基于波束域分解的信道预测方法理论推导 |
2.4.2 性能分析 |
2.4.3 反馈负载分析 |
2.5 仿真结果与分析 |
2.5.1 链路仿真参数 |
2.5.2 仿真结果 |
2.6 本章小结 |
3 一种基于频率偏移BEM信道估计方法 |
3.1 引言 |
3.2 系统模型 |
3.3 现有时变信道估计方法 |
3.4 改进的基于频率偏移基扩展模型的信道估计方法 |
3.4.1 频率偏移基扩展模型理论推导 |
3.4.2 简化的FS-BEM信道估计方法 |
3.4.3 性能分析 |
3.4.4 实现复杂度分析 |
3.5 仿真结果与分析 |
3.5.1 链路仿真条件 |
3.5.2 仿真结果 |
3.6 本章小结 |
4 一种发射预编码与接收频域均衡方法 |
4.1 引言 |
4.2 系统模型 |
4.3 现有子载波间干扰抑制方法 |
4.4 新的发射预编码和接收均衡的联合设计方法 |
4.4.1 发射预编码和接收均衡方法的理论推导 |
4.4.2 性能分析 |
4.4.3 实现复杂度分析 |
4.5 仿真结果与分析 |
4.5.1 链路仿真条件 |
4.5.2 仿真结果 |
4.6 本章小结 |
5 一种低反馈开销码本设计方法 |
5.1 引言 |
5.2 系统模型 |
5.3 现有码本设计方法 |
5.4 新的高性能、低反馈量的码本设计方法 |
5.4.1 预编码码本设计理论推导 |
5.4.2 性能分析 |
5.4.3 反馈负载分析 |
5.5 仿真结果与分析 |
5.5.1 系统仿真条件 |
5.5.2 仿真结果 |
5.6 本章小结 |
6 总结与展望 |
6.1 论文工作总结 |
6.2 研究工作展望 |
参考文献 |
附录A |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)基于高铁大规模MIMO系统的信道状态信息获取技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要研究内容 |
1.4 论文结构安排 |
第二章 高机动性挑战及关键理论技术 |
2.1 高机动性场景挑战概述 |
2.2 大规模MIMO信道估计算法 |
2.2.1 传统信道估计算法 |
2.2.2 基于压缩感知算法 |
2.3 OTFS调制 |
2.3.1 OTFS简介 |
2.3.2 OTFS调制解调方式 |
2.4 本章小结 |
第三章 基于空间知识的联合上下行信道估计 |
3.1 引言 |
3.2 系统模型 |
3.2.1 信道模型 |
3.2.2 接收信号模型 |
3.2.3 空间互异性与导频设计 |
3.3 稀疏贝叶斯问题建模 |
3.3.1 动机 |
3.3.2 联合上下行接收信号模型 |
3.3.3 参数先验与问题建模 |
3.4 基于MM算法的迭代优化方案 |
3.4.1 MM算法简介 |
3.4.2 凸替代函数迭代规则 |
3.4.3 角度替代函数优化算法 |
3.5 仿真验证 |
3.5.1 收敛性能 |
3.5.2 联合估计性能 |
3.5.3 与其他算法性能比较 |
3.6 本章小结 |
第四章 基于OTFS调制的联合信道估计与信号检测 |
4.1 引言 |
4.2 系统模型 |
4.2.1 时域信道模型 |
4.2.2 OTFS输入输出分析 |
4.2.3 DD域信道稀疏性分析 |
4.3 初始信道估计 |
4.3.1 优化问题建模 |
4.3.2 OTFS导频设计 |
4.3.3 初始信道估计算法 |
4.4 联合信道估计与信号检测方案 |
4.4.1 基于MP的信道检测算法 |
4.4.2 优化信道估计方案 |
4.5 仿真验证 |
4.5.1 收敛性能 |
4.5.2 联合估计与检测性能 |
4.5.3 不同环境下的性能比较 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未解决的问题及研究方向 |
附录 |
附录1 |
附录2 |
附录3 |
附录4 |
附录5 |
附录6 |
缩略语 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(4)毫米波大规模MIMO系统中信道估计研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
1.4 论文结构安排 |
第二章 毫米波大规模MIMO系统与深度学习技术概述 |
2.1 毫米波技术 |
2.1.1 毫米波技术 |
2.1.2 毫米波的特征 |
2.2 大规模MIMO技术 |
2.2.1 大规模MIMO技术 |
2.2.2 大规模MIMO技术特征 |
2.2.3 射频链路技术 |
2.3 深度学习技术概论 |
2.3.1 卷积神经网络 |
2.3.2 生成对抗网络 |
2.4 本章小结 |
第三章 基于GCDN的信道估计算法 |
3.1 引言 |
3.2 系统模型 |
3.3 GAN-CNN降噪的信道估计算法 |
3.3.1 GCBD框架 |
3.3.2 噪声模块提取 |
3.3.3 GAN噪声模块生成 |
3.3.4 深度卷积网络降噪 |
3.3.5 复杂度讨论 |
3.4 仿真结果 |
3.5 本章小结 |
第四章 基于FCDNet的信道估计算法 |
4.1 引言 |
4.2 系统模型 |
4.3 FCDAMP信道估计算法 |
4.3.1 全连接卷积去噪神经网络 |
4.3.2 基于学习的近似消息传递算法 |
4.3.3 非对称损失函数 |
4.3.4 理论分析 |
4.3.5 复杂度讨论 |
4.4 仿真结果 |
4.5 本章小结 |
第五章 基于3D-CoSaMP信道估计算法 |
5.1 引言 |
5.2 系统模型 |
5.2.1 OTFS时间频率域调制 |
5.2.2 OTFS时延多普勒域调制 |
5.2.3 大规模MIMO-OTFS调制 |
5.2.4 3D结构的时延多普勒角度信道 |
5.3 基于3D-CoSaMP的信道估计算法 |
5.4 仿真结果 |
5.5 本章小结 |
第六章 全文总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间所发表的学术论文 |
(5)面向动态场景的移动毫米波覆盖增强技术研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略词对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要研究工作 |
1.4 论文内容安排 |
第二章 移动毫米波通信系统综述 |
2.1 移动毫米波通信系统的特征 |
2.1.1 毫米波信号传播特征 |
2.1.2 毫米波信道模型 |
2.1.3 毫米波收发机架构 |
2.2 移动毫米波通信系统的信号处理技术 |
2.2.1 Massive MIMO技术 |
2.2.2 波束赋形技术 |
2.2.3 多址技术 |
2.3 移动毫米波通信系统的主要挑战 |
2.3.1 移动性管理 |
2.3.2 覆盖增强技术 |
第三章 基于NOMA的动态毫米波用户覆盖增强传输技术研究 |
3.1 研究背景 |
3.1.1 NOMA以及mmWave技术在无人机网络中的应用前景 |
3.1.2 本章的主要贡献 |
3.2 系统模型 |
3.2.1 信道模型 |
3.2.2 下行mmWave-NOMA传输模型 |
3.2.3 问题建模 |
3.3 机器学习赋能的mmWave-NOMA传输框架 |
3.3.1 基于GPML的波束追踪 |
3.3.2 基于K-means的FUAV分组 |
3.3.3 基于DL的波宽控制 |
3.4 仿真结果及分析 |
3.5 本章总结 |
第四章 基于IRS的动态毫米波盲点覆盖增强传输技术研究 |
4.1 研究背景 |
4.1.1 mmWave-IRS传输技术的研究意义 |
4.1.2 本章的主要贡献 |
4.2 基于波束空间搜索的初始接入 |
4.2.1 系统模型和问题建模 |
4.2.2 波束训练策略 |
4.2.3 分层码本设计 |
4.2.4 仿真结果及分析 |
4.3 机器学习赋能的波束管理 |
4.3.1 mmWave-IRS网络波束管理的主要挑战 |
4.3.2 ML赋能的波束管理框架 |
4.3.3 仿真结果及分析 |
4.4 级联信道估计 |
4.4.1 信道模型 |
4.4.2 级联信道估计方法 |
4.4.3 仿真结果及分析 |
4.5 本章总结 |
第五章 总结与展望 |
5.1 研究工作总结 |
5.2 研究工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(6)卫星与5G融合系统快速随机接入技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 关键问题研究现状 |
1.2.1 随机接入技术 |
1.2.2 非正交多址接入技术 |
1.3 论文主要工作 |
1.4 论文结构安排 |
第二章 卫星与5G融合系统快速随机接入及MUSA技术概述 |
2.1 引言 |
2.2 卫星与5G融合系统概述 |
2.2.1 3GPP与地面5G融合新发展 |
2.2.2 卫星与5G融合系统特点及信道特性 |
2.3 2-stepRACH技术概述 |
2.3.1 2-setpRACH过程 |
2.3.2 时序模型分析 |
2.4 MUSA的基本理论 |
2.4.1 MUSA系统模型 |
2.4.2 复数多元码序列 |
2.4.3 多用户检测 |
2.5 本章小结 |
第三章 卫星5G融合系统快速随机接入信道设计方案与多用户检测算法研究 |
3.1 引言 |
3.2 快速随机接入信道设计方案研究 |
3.2.1 问题分析及研究思路 |
3.2.2 msgA PRACH设计 |
3.2.2.1 序列持续时间设计 |
3.2.2.2 序列长度设计 |
3.2.2.3 msgA PRACH参数 |
3.2.3 msgA PUSCH/DMRS设计 |
3.2.3.1 msgA PUSCH配置 |
3.2.3.2 DMRS设计 |
3.2.4 映射关系设计 |
3.2.4.1 设计方案 |
3.2.4.2 不同映射方案的性能仿真评估 |
3.3 多用户msgA数据载荷检测算法研究 |
3.3.1 接收信号模型 |
3.3.2 不可靠区域判定 |
3.3.3 MD-OSIC算法流程 |
3.4 本章小结 |
第四章 卫星与5G融合系统快速随机接入信号传输方案研究与仿真验证 |
4.1 引言 |
4.2 整体架构设计 |
4.3 传输模块设计与实现 |
4.3.1 参数配置及初始化 |
4.3.2 msgA发送模块 |
4.3.3 msgA检测模块 |
4.4 仿真结果及性能评估 |
4.4.1 msgA PRACH性能 |
4.4.2 msgA PUSCH性能 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 下一步工作展望 |
参考文献 |
缩略语说明 |
致谢 |
攻读学位期间取得的研究成果 |
(7)窄带物联网下行信道估计算法的研究与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景概述 |
1.1.1 物联网概述 |
1.1.2 窄带物联网概述 |
1.1.3 软件定义的无线电平台概述 |
1.2 课题的研究目的及意义 |
1.3 论文研究现状 |
1.3.1 窄带物联网研究现状 |
1.3.2 信道估计算法研究现状 |
1.4 论文的主要内容与安排 |
第二章 NB-IoT系统的概述及系统无线信道的传输特性 |
2.1 NB-IoT系统的概述 |
2.1.1 NB-IoT的部署模式 |
2.1.2 NB-IoT的技术特性 |
2.1.3 NB-IoT的应用场景 |
2.2 系统无线信道的传输特性 |
2.2.1 大尺度衰落 |
2.2.2 小尺度衰落 |
2.2.3 NB-IoT信道模型 |
2.3 本章小结 |
第三章 基于导频的信道估计技术 |
3.1 导频的设计与研究 |
3.1.1 导频间隔 |
3.1.2 导频插入方式的选择 |
3.2 导频位置信道估计算法 |
3.2.1 LS信道估计算法 |
3.2.2 LMMSE信道估计算法 |
3.2.3 DFT信道估计算法 |
3.2.4 三种信道估计算法仿真结果及性能比较 |
3.3 数据位置插值算法 |
3.3.1 常数插值算法 |
3.3.2 线性插值算法 |
3.3.3 高斯插值算法 |
3.3.4 三种插值算法的仿真结果及性能比较 |
3.4 本章小结 |
第四章 基于NB-IoT系统下行信道估计算法的研究 |
4.1 下行链路系统模型 |
4.2 下行导频结构 |
4.2.1 导频序列与导频分布方案 |
4.2.2 一种改进的导频分布方案 |
4.2.3 两种导频分布方案的仿真结果 |
4.3 DFT信道估计改进算法 |
4.3.1 针对非采样间隔信道的加窗法 |
4.3.2 基于时域的阈值滤噪法 |
4.4 数据位置插值算法 |
4.5 改进DFT信道估计算法仿真结果 |
4.6 本章小结 |
第五章 基于OAI平台的下行系统信道估计的实现 |
5.1 NB-IoT系统架构 |
5.1.1 OAI简介 |
5.1.2 NB-IoT架构设计 |
5.2 NB-IoT下行链路的实现 |
5.2.1 下行共享信道实现流程 |
5.2.2 下行信道估计的实现 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
(8)UFMC系统信道估计与均衡技术的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 UFMC技术研究现状 |
1.2.2 UFMC系统信道估计技术研究现状 |
1.2.3 UFMC系统信道均衡技术研究现状 |
1.3 本文的研究内容及章节安排 |
第2章 UFMC的原理及性能 |
2.1 引言 |
2.2 UFMC系统模型 |
2.3 无线信道特性 |
2.3.1 多径效应 |
2.3.2 多普勒效应 |
2.3.3 信道模型 |
2.4 UFMC与OFDM性能对比 |
2.5 信道估计技术与信道均衡技术 |
2.5.1 UFMC系统信道估计技术 |
2.5.2 UFMC系统信道均衡技术 |
2.6 本章小结 |
第3章 基于小波阈值去噪的UFMC系统信道估计算法 |
3.1 引言 |
3.2 信道估计算法 |
3.2.1 LS信道估计算法 |
3.2.2 MMSE信道估计算法 |
3.2.3 DFT信道估计算法 |
3.3 基于小波阈值去噪的信道估计算法 |
3.3.1 小波变换的基本原理 |
3.3.2 小波去噪 |
3.3.3 改进的信道估计算法 |
3.4 仿真性能与分析 |
3.5 本章小节 |
第4章 基于干扰消除的UFMC信道估计算法 |
4.1 引言 |
4.2 多径信道的影响 |
4.3 导频设计 |
4.4 干扰消除的信道估计算法 |
4.5 仿真与分析 |
4.6 本章小结 |
第5章 基于干扰消除的UFMC信道均衡 |
5.1 前言 |
5.2 均衡算法分析 |
5.2.1 ZF/MMSE时域均衡 |
5.2.2 符号循环移位均衡 |
5.3 UFMC系统算法设计 |
5.3.1 基于DFE算法的ZF/MMSE均衡 |
5.3.2 基于干扰消除的均衡算法 |
5.4 仿真与分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 论文的研究工作和成果总结 |
6.2 下一步工作展望 |
参考文献 |
攻读硕士学位期间完成的科研成果 |
致谢 |
(9)基于压缩感知的MIMO系统稀疏信道估计方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状和挑战 |
1.2.1 MIMO-OFDM系统稀疏信道估计研究现状 |
1.2.2 大规模MIMO系统稀疏信道估计研究现状 |
1.2.3 面临的挑战 |
1.3 论文研究主要内容 |
1.4 论文结构安排 |
第2章 MIMO无线通信系统及压缩感知技术 |
2.1 引言 |
2.2 MIMO-OFDM系统 |
2.2.1 MIMO技术 |
2.2.2 OFDM技术 |
2.3 大规模MIMO系统 |
2.3.1 多用户大规模MIMO系统 |
2.3.2 大规模MIMO系统上行链路 |
2.3.3 大规模MIMO系统下行链路 |
2.4 压缩感知 |
2.4.1 信号的稀疏表示 |
2.4.2 信号的观测矩阵设计 |
2.4.3 信号的重构 |
2.4.4 基于压缩感知稀疏信道估计方法的可行性分析 |
2.5 本章小结 |
第3章 基于自适应匹配追踪的MIMO-OFDM系统信道估计算法 |
3.1 引言 |
3.2 慢时变频率选择性衰落信道的MIMO-OFDM系统模型 |
3.3 基于导频符号的传统信道估计方法 |
3.3.1 导频结构 |
3.3.2 LS信道估计方法 |
3.3.3 MMSE信道估计方法 |
3.4 基于导频符号的压缩感知信道估计方法 |
3.4.1 压缩感知稀疏信道估计模型 |
3.4.2 基于SAMP算法的MIMO-OFDM稀疏信道估计 |
3.4.3 基于NAMP算法的MIMO-OFDM稀疏信道估计 |
3.4.4 仿真结果与分析 |
3.5 本章小结 |
第4章 基于稀疏度自适应匹配追踪的TDD大规模MIMO系统信道估计算法 |
4.1 引言 |
4.2 TDD大规模MIMO系统上行链路稀疏信道模型 |
4.3 导频污染与导频设计 |
4.3.1 TDD大规模MIMO信道估计基本原理 |
4.3.2 导频污染 |
4.3.3 导频设计 |
4.4 基于稀疏度自适应匹配追踪的信道估计算法 |
4.5 信道估计算法的性能分析 |
4.5.1 MSE性能分析 |
4.5.2 CRLB性能分析 |
4.6 仿真结果与分析 |
4.7 本章小结 |
第5章 基于广义分块自适应匹配追踪的FDD大规模MIMO系统稀疏信道估计算法 |
5.1 引言 |
5.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
5.3 FDD大规模MIMO系统信道估计与导频设计 |
5.3.1 FDD大规模MIMO信道估计基本原理 |
5.3.2 FDD大规模MIMO系统下行链路导频设计 |
5.4 结构化压缩感知技术 |
5.4.1 多测量向量模型 |
5.4.2 结构化压缩感知 |
5.5 FDD大规模MIMO系统信道估计算法 |
5.5.1 基于结构化压缩感知的信道估计 |
5.5.2 广义分块自适应匹配追踪算法 |
5.6 仿真结果与分析 |
5.7 本章小结 |
第6章 基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法 |
6.1 引言 |
6.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
6.3 卷积神经网络 |
6.4 基于传统贪婪算法的压缩感知稀疏信道估计方法 |
6.5 基于深度学习的压缩感知稀疏信道估计方法 |
6.5.1 线性映射网络 |
6.5.2 卷积学习网络 |
6.5.3 Con CSNet网络训练参数配置 |
6.6 仿真与实验结果分析 |
6.6.1 评估标准 |
6.6.2 实验结果 |
6.7 本章小结 |
第7章 论文总结与展望 |
7.1 工作总结 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间的学术活动及成果情况 |
(10)无人机测控系统大扩频多用户干扰消除技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 当前研究现状 |
1.2.1 多用户检测 |
1.2.2 信道估计 |
1.3 论文研究内容和结构安排 |
1.4 本章小结 |
第二章 无人机测控系统大扩频多用户CDMA方案概论 |
2.1 无人机测控系统概述 |
2.2 信道估计算法概述 |
2.2.1 WCDMA信道估计算法概述 |
2.2.2 TD-SCDMA信道估计算法概述 |
2.2.3 低复杂度、抗干扰信道估计算法相关研究 |
2.3 多用户检测算法概述 |
2.3.1 最佳多用户检测算法 |
2.3.2 线性多用户检测算法 |
2.3.3 干扰消除多用户检测算法 |
2.4 移动通信信道概述 |
2.4.1 电磁波传输特性 |
2.4.2 移动信道的传输特性 |
2.5 本章小结 |
第三章 Pre-IC信道估计算法 |
3.1 系统模型 |
3.1.1 信道模型 |
3.1.2 链路模型 |
3.2 Pre-IC无人机测控系统信道估计算法 |
3.2.1 下行链路帧结构设计 |
3.2.2 训练序列分析 |
3.2.3 Pre-IC信道估计算法设计 |
3.2.4 基于径消除策略的改进算法 |
3.3 Pre-IC信道估计算法性能仿真分析 |
3.3.1 算法复杂度分析 |
3.3.2 算法性能分析 |
3.4 本章小结 |
第四章 Morlet-Hopfield神经网络多用户检测算法 |
4.1 系统模型 |
4.1.1 离散同步多用户检测系统模型 |
4.1.2 离散异步多用户检测系统模型 |
4.2 Hopfield神经网络模型 |
4.2.1 Hopfield神经网络组成结构 |
4.2.2 Hopfield神经网络可行性证明 |
4.2.3 Hopfield神经网络的改进算法研究 |
4.3 小波神经网络多用户检测算法设计 |
4.4 小波神经网络多用户检测算法性能仿真分析 |
4.4.1 Morlet-Hopfield多用户检测算法迭代稳定性分析 |
4.4.2 Morlet-Hopfield多用户检测算法误码率分析 |
4.4.3 神经网络多用户检测算法复杂度分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 论文进一步研究方向 |
参考文献 |
附录一 缩略语列表 |
致谢 |
攻读学位期间取得的研究成果 |
四、快速信道估计技术研究(论文参考文献)
- [1]基于OFDM的宽带电力载波通信系统关键技术研究[D]. 林佳祥. 浙江大学, 2021(01)
- [2]高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究[D]. 张瑞齐. 北京交通大学, 2021
- [3]基于高铁大规模MIMO系统的信道状态信息获取技术研究[D]. 郑凯航. 北京邮电大学, 2021(01)
- [4]毫米波大规模MIMO系统中信道估计研究[D]. 母一凡. 内蒙古大学, 2021(12)
- [5]面向动态场景的移动毫米波覆盖增强技术研究[D]. 贾承璐. 北京邮电大学, 2021(01)
- [6]卫星与5G融合系统快速随机接入技术研究[D]. 聂玉卿. 北京邮电大学, 2021(01)
- [7]窄带物联网下行信道估计算法的研究与实现[D]. 闫艺萍. 河北大学, 2021(09)
- [8]UFMC系统信道估计与均衡技术的研究[D]. 周琦. 扬州大学, 2021(08)
- [9]基于压缩感知的MIMO系统稀疏信道估计方法研究[D]. 黄源. 合肥工业大学, 2021
- [10]无人机测控系统大扩频多用户干扰消除技术研究[D]. 班洪山. 北京邮电大学, 2021(01)