基于空时功率谱稀疏性的空时自适应处理技术研究进展

随着压缩感知理论的兴起和发展,基于空时功率谱稀疏性的空时自适应处理(STAP)技术受到越来越广泛的关注.本文首先简单回顾了空时自适应处理技术的传统方法,接着从三个不同角度分析了空时功率谱的稀疏性并探讨了基于空时功率谱稀疏性的STAP技术的潜在优势,然后总结了基于空时功率谱稀疏性STAP基本原理和三种实现方式,根据稀疏支撑集先验信息知晓情况对现有基于空时功率谱稀疏性的STAP方法进行了分类,包括:基于阵列流形知识的STAP技术、基于空时功率谱稀疏恢复的STAP技术以及基于阵列流形知识和空时功率谱稀疏恢复的STAP技术,并对其研究现状进行了综述.最后在已有研究的基础上,着眼于提高杂波抑制和运动目标检测能力的发展需要,提出了未来该技术需要重点解决和关注的若干问题,包括稀疏性的本质机理分析、空时导向字典的设计、参数设置简单,快速和低复杂度算法设计、对模型误差稳健的算法设计、多种先验知识融合的基于空时功率谱稀疏性的STAP算法设计、基于空时功率谱稀疏性STAP方法的恒虚警检测器设计以及实测数据验证等方面.

频分双工大规模MIMO系统时变信道估计

大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的性能增益依赖可靠的信道估计,传统信道估计方案主要面向准静态场景,在用户高速移动场景中性能下降明显。本文研究频分双工(Frequency Division Duplex,FDD)大规模MIMO系统中的时变信道估计问题,利用信道向量在角度域的空时稀疏特性,提出软结构先验模型驱动的稀疏贝叶斯信道估计(Soft-Structured Prior Model based Sparse Bayesian Estimation,SSPM-SBE)方案,针对方案涉及的复杂贝叶斯估计问题,给出基于变分优化的低复杂度求解方法。SSPM-SBE方案能够充分利用当前和历史接收导频数据改善时变信道的估计性能,且无需信道大尺度信息的先验认知,仿真结果验证了方案的优越性。

宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案

大规模MIMO-OFDM系统下行链路利用压缩感知算法获得信道状态信息需要已知信号的稀疏度作为先验条件,然而实际环境中,无线信道的稀疏度是未知的。利用大规模MIMO信道的空时共同稀疏性的特点与不同SNR下设置不同停止迭代阈值的思想改进压缩感知重构算法,目的在于使所提算法不仅提升估计性能,还可以准确获得信道的动态稀疏度。通过实验可知,相比传统的CoSaMP算法和S-CoSaMP算法,SSA-CoSaMP算法在同等信噪比下具有更良好的信道估计性能,并且可以自适应地获取稀疏度,更适合实际工程中应用。

大规模MIMO系统中分布式压缩感知LMMSE信道估计

大规模多输入多输出(multiple input multiple output,MIMO)系统中,信道估计算法复杂度随着基站侧天线数量的增加而急剧增加,针对需要在信道估计算法复杂度与算法性能之间进行折中的问题,提出分布式压缩感知线性最小均方误差(distributed compressed sensing linear minimum mean square error,DCS-LMMSE)算法。该算法利用信道的空时共稀疏性,首先根据先验支撑集信息将接收信号分为密集部分和稀疏部分,然后分别采用不同的算法进行初始信道估计,最后采用奇异值分解代替信道相关矩阵求逆进一步降低DCS-LMMSE算法复杂度。所提算法与传统线性最小均方误差算法相比明显地降低了计算复杂度。仿真结果表明,所提算法与纯压缩感知稀疏信道估计算法相比具有更好的性能。