基于压缩信道感知的超宽带混合信道估计

超宽带信道通常存在多径稀疏特性,因而可采用压缩信道感知技术。然而,在富散射环境中,多障碍物的散射特性通常会导致超宽带信道呈现出一种稀疏和稠密混合模式。因此,在富散射环境下,基于阶段正交匹配追踪压缩感知算法,该文提出了一种基于阶段正交匹配追踪压缩感知与MMSE的联合压缩感知超宽带混合信道估计算法。该算法克服了基于多径分量稀疏假设而忽视散射分量的超宽带信道特性,增强了超宽带混合信道估计的精确性。仿真结果表明,所提出的方法能够对于包含富散射分量的超宽带混合信道获得更小的估计误差。

改进的卡尔曼滤波压缩感知信道估计算法

针对伪测量卡尔曼滤波压缩感知算法应用于时变信道时精确度和实时性的不足,提出了改进的卡尔曼滤波压缩感知信道估计算法。该算法进一步优化了扩展滤波过程的范数框架,利用Levenberg-Marquardt方法实现了方差矩阵的自优化,解决了估计误差不能一致减少的问题,保证了全局收敛性;根据卡尔曼增益设置了迭代收敛条件,解决了伪测量过程的自适应收敛问题。仿真分析表明,该算法的估计精度和收敛速度有较大程度提高,在SUI-3信道条件下性能明显优于传统信道估计方法。

基于分簇特性的宽带信道估计算法

针对宽带稀疏信道具有分簇结构的特点,在原有基于压缩感知稀疏信道估计算法的基础上,加入稀疏信道分簇结构,提出一种基于簇稀疏特性的自适应正则匹配追踪压缩信道感知算法。在信道簇稀疏度未知的情况下,自适应调整候选簇的数目,应用正则化的思想对候选支撑簇进行二次筛选,达到信道的精确重构。仿真结果表明,该算法比传统的LS算法、BPDN算法、OMP算法、BOMP算法具有更低的误比特率(BER)、更小的均方误差(MSE)。

基于重加权近似消息传递算法的稀疏信道估计

基于近似消息传递(AMP)算法,提出了一种重加权近似消息传递(Rw AMP)算法用于稀疏信道估计,该算法增加了重加权过程与衰减机制。在信号重构时加入权重更新过程,待重构信号中较大的元素几乎不变,较小元素迅速降低为零,从而提高正确重构概率。其次,当稀疏信道估计的观测矩阵为Toeplitz矩阵时,为了提高AMP类算法收敛性,文中加入衰减机制。仿真结果表明,在相同复杂度的条件下,Rw AMP算法的信号重构性能优于基追踪(BP)算法和AMP算法。