注意力去噪与复数LSTM的时变信道预测算法

随着无线通信技术的发展,高速场景下通信技术的研究也越来越广泛,其中获取到准确的信道状态信息对提升无线通信系统的性能具有重要的意义。针对正交频分复用系统在高速场景下,现有信道预测算法未考虑噪声影响及预测精度低的问题,提出了一种注意力去噪与复数卷积LSTM的时变信道预测算法。首先,设计了一种通道注意力信道去噪网络对信道状态信息进行去噪处理,降低了噪声对信道状态信息的影响。然后,提出了基于复数卷积层和长短期记忆网络的信道预测模型,对去噪后历史时刻的信道状态信息进行特征提取,并且对未来时刻的信道状态信息进行预测;改进后的LSTM预测模型增强了对信道时序特征的提取能力,提高了信道预测的精度。最后,结合Adam优化器对未来时刻信道状态信息进行预测输出。仿真结果表明:与对比算法相比,所提基于注意力去噪与复数卷积LSTM的时变信道预测算法对信道状态信息的预测精度更高,能够适用于高速移动场景下的时变信道预测。

面向6G快时变信道下OTFS系统的信号检测

OTFS调制可以有效解决无线信道的快速时变特性给信号检测带来的巨大挑战,可以为高速移动设备提供可靠的无线通信。针对最大似然算法直接应用于OTFS系统进行信号检测时复杂度过高的问题,提出基于并行干扰消除的最大似然检测算法。在延时多普勒域,信道呈现正交、稀疏、可分离特性,发送信号和信道信息呈现出二维卷积的形式。基于此性质同时利用已检测信号,在检测阶段去除已检测信号形成的干扰,降低最大似然算法的复杂度。在此基础上在发送端插入零值使得接收信号在延时方向实现多径分离,进一步降低算法的复杂度。数值仿真结果表明,所提算法在OTFS系统中能够实现高准确率的信号检测,可以有效对抗高速移动场景下的快时变信道。

基于3GPP信道模型框架的低轨卫星时变信道仿真方法

低轨卫星通信网络具有高动态、广覆盖、大带宽的特点,是未来6G空天地一体化网络的重要组成部分。低轨卫星宽带信道模型在卫星通信系统设计与性能评估中至关重要。为了解低轨卫星高速移动引起的信道参数时变特性,基于3GPP信道标准的几何随机统计建模框架,提出了一种低轨卫星时变信道仿真方法,通过引入信道参数的空间一致性和簇生灭过程,刻画了不同仰角范围之间的过渡现象,支持低轨卫星连续移动下时变信道的仿真。仿真结果表明,在固定仰角范围内,簇角度和时延等小尺度信道参数随着低轨卫星仰角的连续变化而平稳变化;在不同仰角范围之间过渡时,呈现出簇生灭现象。该方法具有3GPP标准信道模型的优点,能够以较低的复杂度精确描述低轨卫星信道的时变特性,支持低轨卫星通信系统的设计和评估。

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中,信道具有较大的时变性,导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健,但是算法效率较低。提出一种新的模型,设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型,实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息,增量学习(Incremental Learning, IL)在运行期间不断预测系统状态,同时更新LSTM神经网络的现有权重,交替执行训练和预测过程,模型可以很好地适应无线信道的动态变化。实验结果表明,提出的模型能有效地改善时变信道的预测准确率。

时变信道下基于LSTM的信道估计方法

针对时变信道环境下传统信道估计方法性能受限,其他基于深度学习的信道估计方法估计精度低或复杂度高的问题,提出一种基于长短期记忆结构的信道估计网络,由双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络和多层感知器(multilayer perceptron,MLP)网络组成,即BiLSTM-MLP.首先,利用BiLSTM网络来学习信道的时变特性;然后,利用MLP网络进行去噪并重构信道估计.仿真结果表明,所提出的信道估计方法与传统方法相比,性能提升明显,与同类型的基于深度学习的估计方法相比,复杂度较低且性能更优.此外,所提方法还具有对不同导频密度的鲁棒性.

基于元学习的时变信道估计方法

为了克服现有的基于深度学习的信道估计方法存在的训练样本与时间开销过大、且离线训练的网络无法适应在实际情况下实时变化的信道环境的问题,提出了一种高速移动正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中的基于元学习的时变信道估计方法。该方法利用模型无关元学习(model-agnostic meta-learning, MAML)方法对不同的信道任务进行线下训练,仅利用少量的训练样本即可使网络充分学习到信道的传输特性,以及具备快速适应新任务的能力,且具有较低的计算复杂度。在线下训练中,该方法将网络的训练目标设置为具有较高精度的信道估计,而非理想的信道信息,增强了估计模型的实用性。另外,该方法仅采用接收的导频信号进行线下训练与线上估计,减少了网络输入样本的数目,进一步降低了计算复杂度。仿真结果表明,所提方法具有较高的估计精度与较低的计算复杂度,且可以快速地适应新的信道环境,适用于在高速移动通信系统中获取时变信道。

基于张量分解的数据辅助时变信道估计

毫米波大规模多输入多输出(MIMO)技术是未来无线通信的核心技术之一,但大规模和快时变特性使得其信道估计成为挑战性的问题。文章在基于张量分解的信道估计的基础上,提出一种基于数据辅助的信道估计方法,可以显著降低系统的导频开销。由于数据辅助估计方法的复杂度会随数据长度明显增加,因而研究进一步将数据分段,提出对每段传输应用张量分解的方法进行估计然后对估计结果进行融合的方法,并仔细讨论了不同融合方法对最终估计性能的影响。仿真结果表明,与传统的基于张量分解的信道估计算法相比,所提出方法能够在确保估计精确度的同时显著地降低导频开销,且具有可比甚至更低的复杂度,对毫米波大规模MIMO系统的信道估计具有重要意义。

基于粒子滤波的MIMO-OFDM时变信道半盲估计

提出一种基于粒子滤波的MIMO-OFDM时变信道半盲估计方法。首先,对粒子滤波算法进行改进,通过对采样粒子分布进行局部优化调整,提出一种局部优化粒子滤波算法。然后,将该粒子滤波算法用于MIMO-OFDM时变信道估计。由于该信道估计过程在频域进行,因而无需已知(或估计)多径信道长度。与现有时变信道半盲估计方法相比,本方法具有估计误差低、对非高斯噪声顽健性强等特点,从而有效改善了接收端的符号检测性。计算机仿真结果证明了本方法的有效性。

LTE上行多用户SC-FDMA系统中时变信道估计方法

针对高速移动时分双工长期演进(TDD-LTE,time division duplex-long term evolution)上行单载波-频分多址(SC-FDMA,single carrier-frequency division multiple access)系统,提出了一种新型的变换域时变信道估计方法。在所定义的变换域中,基于两块导频符号的信道参数估计,提出利用基于判决导向的非线性内插方法来估计数据符号的信道参数。为了便于SC-FDMA系统均衡,推导给出了变换域信道与频域信道的转换表达式,利用该式可以直接将变换域信道参数估计转化为频域信道响应。计算机仿真结果表明,新方法的性能远远优于传统方法的估计性能,且具有低的计算复杂度。

基于直接判决和导频跟踪的OFDM系统快时变信道估计

提出了一种基于直接判决的OFDM系统的快时变信道估计方法。采用了直接判决算法进行信道估计,并从中选择有效的估计结果,联合导频信号进行信道跟踪。将基于训练序列的信道估计结果作为直接判决算法的初始值,利用传输信号直接判决的统计特性进行了信道估计,并利用改进的导频算法进一步地跟踪信道在时间上的变化。Simulink仿真结果表明,该估计算法适用于时变信道,比基于导频的信道估计方法和基于训练序列的信道估计方法效果都要好。

一种基于基扩展模型的OFDM频域快时变信道估计方法

现有的OFDM系统快时变信道估计方法均为时域估计方法,假定信道为整数倍采样信道,利用理想的等间隔均匀导频恢复信道时域响应函数,进而采用基扩展模型拟合并估计其时变特性。而实际的信道通常为非整数倍采样信道,频带内可用的导频也并非假定的理想模式。此时,恢复的信道时域响应出现能量泄漏,导致算法性能大大受限。本文提出一种频域快时变信道估计方法,利用信道频域时变传输函数辅助估计,从而估计得到信道频域响应矩阵。该方法在频域实现,性能不受信道时域响应能量泄露影响。仿真实验从误码率、均方误差两方面分别验证了该方法的有效性。

MIMO系统中的迭代时变信道估计

为了提高时变信道环境中MIMO信道估计的性能,利用Karhunen-Loeve基扩展模型(KL-BEM)建立MIMO系统中符合期望最大化(EM)算法框架的信号模型,从而得到MIMO时变信道的迭代估计方法.将EM算法应用于MIMO系统中进行迭代信道估计,一方面利用了EM迭代来提高信道估计的性能,另一方面利用了KL-BEM基函数的正交性来降低信道估计的运算复杂度.在2×2 MIMO系统下的仿真结果表明:算法经5次迭代即可收敛,而且迭代估计的信道脉冲响应与实际响应几乎重合;此外,迭代估计后系统的BER性能接近理想信道时的BER性能,在高信噪比区域,两者之间的差别在1 dB以内,比最小二乘信道估计有约2 dB的性能增益,可见迭代估计方法在时变信道条件下具有良好的估计性能.

时变信道下雷达辐射源个体识别的局部相关检验方法

辐射源个体识别是电子战领域的研究热点。针对时变信道下波形已知的雷达个体分类问题,基于似然比检验提出一种稳健的局部相关检测方法。该方法利用雷达波形中差异度较大的部分生成参考波形,构建假设检验模型进行信号分类,并通过比例因子调节参考波形的差异显著性。仿真实验表明,随着参考波形差异显著性增强,本方法识别性能明显优于直接最大似然比方法,具有较好的抗多径性能。

稳定分布噪声下基于粒子滤波的多径时变信道盲均衡算法

提出了一种基于粒子滤波的多径时变信道盲均衡算法,并在此基础上进行扩展,提出了一种基于延迟抽样的盲均衡算法。新算法的贡献可总结为:推导出对称α稳定分布(SαS)噪声下对传输码元进行最大后验估计的盲贯序算法;对SαS分布噪声进行高斯近似并递推出信道及噪声未知参数的联合后验分布。仿真结果表明,所提出的算法是有效的,特别是在较强脉冲噪声情况下要优于其他算法。

适用于时变信道环境的盲源分离算法

针对时变信道环境下的盲源分离问题,在现有实时盲分离算法的基础上,提出了两种适用于时变信道环境的实时盲源分离算法——基于优选函数EASI盲分离算法(EASI-function)和基于选优函数的峭度变步长盲分离算法(EASI-function-KVS)。EASI-function算法在信号分离的不同阶段采用不同的估计函数,从而使得算法在收敛速度和稳态性能两方面获得一个折中。EASI-function-KVS算法则在EASI-function的基础上,利用峭度变步长的思想,自适应地调整迭代步长大小,进一步改善分离算法性能。仿真结果表明,两种算法能有效地跟踪信道变化,并且在性能方面比传统的EASI算法要好。

基于高次数据拟合OFDM系统快时变信道估计算法

针对快时变信道估计参数多且估计复杂度大的问题,提出了一种基于高次数据拟合的快时变信道估计算法。该方法首先利用导频的周期性,在时域对一个OFDM符号内的信道进行分段估计,以减少时变信道被估参数;并且基于高次数据拟合方法对其进行曲线拟合,实现了对快时变信道的多点拟合;最后通过对拟合系数的残差误差分析,得到最佳拟合系数,从而进一步提高估计准确度。理论分析与仿真结果均验证了该方法在快速时变信道下的有效性。

基于数据拟合的OFDM时变信道估计方法

利用周期伪随机(PN)序列频域能量集中在某些点上的特点,提出一种基于数据拟合的时变信道估计算法。该方法利用周期性PN序列的自相关特性,降低噪声和未知数据对导频的干扰;同时利用其周期性,实现对信道变化趋势的多点拟合;并在此基础上利用信道时间平均值对估计参数进行修正,以进一步提高估计精确性。仿真结果表明:与传统方法相比,该方法具有较优的误码率(BER)和均方误差(MSE)性能,尤其在低信噪比环境下性能改善显著。

提高走航式XCTD剖面仪时变信道相位稳定性的方法

目前,国内外深海走航式XCTD剖面仪信道探测深度在2 000 m范围内,采用阻抗时变金属有线信道的传输方式严重影响了信号的传输质量,成为XCTD大深度测量的难点问题。首先阐述了信号传输DPSK相位解调方法,其次分析了2 000 m测量范围内信号传输的相频特性,进而重点讨论了时变电感、电容量、传输频率对传输信号相位的影响,提出在大深度测量中,时变电感量是影响相位变化的最主要原因,引起相位变化率超过40%,甚至产生振荡,最终提出通过串联固定电感量的方法,使整个测量范围内相位的变化率控制在5.9%,大大提高了DPSK信号解调的准确性,提高了XCTD剖面仪传输信号传输的稳定性。该文的研究结果为深海走航式XCTD剖面仪在大深度测量中提高信号传输质量提供了解决问题的办法,也值得深海走航式XBT、XCP等同类产品参考借鉴。

线性时变信道下OFDM系统的加窗信道估计

受时变性影响,正交频分复用(OFDM)系统的频域信道矩阵是近似限带的.利用接收端窗函数可以增强信道的限带特性,但也导致信道无法采用线性模型进行表征.针对该问题,文中将窗函数与信道的时变性隔离开来,提出了加窗-线性信道模型.随后研究了该模型下的时变信道估计方法,并对该算法进行了简化,降低了算法的计算量.从仿真结果可以看出:窗函数可以抑制信道矩阵的带外子载波间干扰;与传统OFDM系统的性能相比,文中算法的性能提升了约2.5dB.

一种新的基于粒子滤波的OFDM时变信道估计方法

提出了一种基于粒子滤波的OFDM时变信道和模型参数的联合估计方法.该方法将时变信道建成一个动态时变参数AR模型,在传统粒子滤波算法的基础上,引入核平滑收缩技术动态估计模型参数,进而估计信道状态,最终实现了状态方程参数和信道状态的联合估计.仿真结果表明:与传统的采用常系数AR模型的信道估计方法相比,该方法在估计精度和系统性能方面均有明显的改善.