低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit,DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error,LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。

一种自适应阈值的压缩感知信道估计算法

针对基于传统贪婪迭代类压缩感知的信道估计算法在低信噪比条件下容易引入错误原子,造成估计精度降低的问题,提出了一种联合小波去噪与压缩感知理论的信道估计算法。该算法利用小波阈值去噪对最小二乘(Least Squares, LS)算法预估计的信道频率响应(Channel Frequency Response, CFR)进行降噪处理,同时估计出信道的噪声水平。在压缩感知重构阶段,算法根据估计得到的噪声标准差自适应地调整原子选择阈值参数,并且将经过处理的CFR作为重构算法的迭代停止条件,以实现稀疏度自适应信号重建。仿真结果表明,在低信噪比下,所提算法的估计性能相较于传统分段弱正交匹配追踪提高了约2dB,并且算法复杂度仅有少量增加。

基于Sobel算子的双基地MIMO雷达阵列诊断方法

现有阵列诊断方法大多利用波导探头采集天线阵列的远场或近场数据来诊断出失效阵元的位置,然而波导探头的使用会增加硬件成本并干扰待测场。针对上述问题,提出一种基于Sobel算子的双基地MIMO雷达阵列诊断方法。双基地MIMO雷达虚拟阵列输出数据矩阵经取模处理后可等效于灰度图像数据矩阵,由于正常阵元的输出信号含有目标信息和噪声信息,而失效阵元的输出信号仅含噪声信息,因此正常阵元所对应的图像边缘强度高于失效阵元,利用Sobel算子计算各接收阵元对应的图像边缘强度,然后根据图像边缘强度差异来诊断出失效接收阵元的位置。本文提出的阵列诊断方法无需使用波导探头且阵列诊断成功率高。