基于奇异值分解的稀疏信道估计

针对基于压缩感知的信道估计能高效获取信道状态信息,以及噪声对估计算法的影响,提出一种基于奇异值分解的压缩感知估计算法。无需已知信道稀疏度,采用自适应步长使其重构精度和效率达到折中。引入奇异值分解技术,并根据奇异熵确定有效重构阶次,达到降噪目的,同时避免迭代过程中选取相关性较低的原子。仿真结果表明,该算法具有较高的重构精度,特别在低信噪比环境下,如信噪比为5 dB时,均方误差相对传统稀疏度自适应匹配追踪算法降低了95%左右,同时,算法运行时间也降低了约15%,具有较高的重构效率。

基于阴影域的搜索树检测算法

大规模多输入多输出(MIMO)系统中,随着天线数目的增加,传统的信号检测算法的检测性能大幅度下降,复杂度呈指数增长,且不适用于高阶调制。针对大规模MIMO场景,基于阴影域思想提出一种结合二次规划(QP)与分支界限(BB)算法的搜索树检测算法。首先,构造QP模型,并针对一阶QP算法后的解向量,提取落入阴影域的不可靠符号;然后,将落入阴影域的不可靠符号进行BB搜索树检测以求得最优解;同时,为了降低复杂度,提出三种搜索树修剪策略,在性能和复杂度之间折中选择。仿真结果表明,在大规模MIMO场景下,在调制阶数为6的正交幅度调制(QAM)时,提出的基于阴影域搜索树检测算法比QP算法提升了约20 dB的性能增益,在256QAM调制时,比QP算法提升了约21 dB的性能增益,验证了算法对高阶调制的适应性,同时,与传统的搜索树算法相比,使用相同修剪策略,复杂度降低了50%左右。

低复杂度的似然搜索树检测算法

大规模多输入多输出(MIMO)系统中,随着天线数目的增加,传统的信号检测算法的检测性能大幅度下降,复杂度呈指数增长。为了解决天线过多带来的复杂度问题,文章基于邻近搜索思想提出一种似然判定准则,作为搜索树分支策略。首先,构造二次规划模型,将其作为搜索树根节点,然后,寻找目标函数值最小的节点作为分支节点,最后将判定准则运用于分支节点降低分支复杂度。在调制阶数为4的正交幅度调制,误比特率达到10-4时,文章提出的似然搜索树检测算法与传统搜索树算法相比,性能增益提升了约1.5 dB,复杂度降低了69.84%。仿真结果表明,在大规模MIMO场景下,文章提出的算法表现出了良好的性能及较低的复杂度。