基于空间交替广义期望最大化算法的信道参数估计的改进

在大规模多输入多输出(multiple-input multiple-output,MIMO)系统中,空间交替广义期望最大化(space-alternating generalized expectation-maximization,SAGE)算法可以精准有效地估计出信道参数信息,从而被广泛使用。针对SAGE算法两种初始化方法均无法处理信道中多条径的时延相等或接近时,低功率径无法估计出来的情况,提出了一种在估计子径时将功率低于一定阈值的径作为噪声消除掉的SAGE优化方法。在仿真阶段,首先对SAGE算法的两种初始化方式进行了分析与比较;接着对比了改进后的SAGE算法与原算法的性能差异。仿真结果表明,改进后的SAGE算法能够较好地估计出原被噪声淹没的径,提高参数估计精度,并且加快迭代收敛速度。

MIMO-OFDM系统的SAGE-ISD联合估计检测算法

针对采用最小均方误差估计MIMO-OFDM系统信道时计算复杂度高,以及采用期望最大化算法存在收敛速度慢等缺陷,提出一种新的联合估计检测算法,将线性最小均方误差信道估计、广义空间迭代期望最大化算法和改进球形译码检测算法相结合进行联合估计检测,采用线性最小均方误差信道估计对信道进行信道初估计,并利用联合迭代技术结合广义空间迭代期望最大化算法及改进球形译码检测算法进行信道估计校正和信号检测,从而提高系统的可靠性。理论研究和仿真结果表明:在相同误比特率下,算法性能优于传统的检测算法,其与理想信道估计下的最大似然检测算法仅平均相差0.5 dB。该算法在较少的迭代次数下,可获得较理想的信道估计和检测结果,并以较低系统复杂度的代价,逼近理想信道估计下的最大似然检测算法。

用于大规模MIMO系统的SAGE迭代信道估计算法

针对基于导频污染的大规模多输入多输出系统,提出一种空间交替广义期望最大化(SAGE)迭代的信道估计算法。将发送和接收的导频符号形成完备的数据空间集,利用基于导频的最小均方误差估计器初始化信道参数,通过导频符号和软信息迭代改进并更新初始估计数据。实验结果表明,该算法通过一次SAGE迭代即可实现精度收敛,且在高信噪比及导频污染的情况下相比基于导频的估计器具有更高的估计精度及频谱效率。

毫米波WiFi系统中多目标无源定位与生命体征检测算法

为提高独居老人看护、地震及消防救援等场景下人体目标无源定位和感知精度,基于空间交替广义期望最大化(SAGE)算法,提出了一种室内多目标毫米波无源定位和生命体征检测算法。首先,在毫米波WiFi系统中利用毫米波的高空间分辨率和人体目标固有的特征(即人体呼吸和心跳频率在一定范围内变化),对采集的信道响应在时域上进行滤波预处理,有效提取目标直接反射径;然后,将人体目标位置参数及呼吸心跳频率看作多径信号参数,将多目标无源定位和生命体征检测建模为信道测量的多径信号参数估计问题;最后,利用SAGE算法实现多个静止目标的位置信息和生命体征参数的联合估计。所提算法利用了人体先验信息,并同时对时域、频域和天线空间域的信息进行分析,提高了估计精度,降低了计算复杂度。实验和仿真结果表明,所提算法在微波暗室环境下可以有效估计人体目标的呼吸和心跳频率,其估计精度分别可达97.1%、97.7%;在多目标场景下,与传统基于WiFi的无源定位和感知算法相比,所提算法的定位误差降低约70%,呼吸频率估计精度提高约19%。

基于GAPSO优化的神经网络无线信道参数预测

针对复杂环境中无线信道参数的预测问题展开深入研究,基于反向传播神经网络(Back Propagation Neural Network,BPNN),提出了遗传算法(Genetic Algorithm,GA)与粒子群优化(Particle Swarm Optimization,PSO)算法联合优化的神经网络预测无线信道参数的方法。在利用QuaDriGa平台生成非视距(Non-Line-of-Sight,NLoS)环境下的信道冲激响应(Channel Impulse Response,CIR)的基础上,结合GA在搜索最优解方面的优势与PSO算法加快收敛的特点,利用优化后的BP神经网络模型对相关信道参数进行学习和预测,解决了学习过程中收敛速度慢、预测精确度有限等问题。仿真结果表明,GAPSO-BPNN模型对NLoS环境下的信道参数的预测有较好的效果,能够在未来适应更多的复杂环境。

5G毫米波频段不同天线形式信道参数测量及对比分析

基于5G毫米波应用频段,开展了全向天线、喇叭天线以及阵列天线的信道测量与信道参数对比分析研究.利用空间交替广义期望最大化(space-alternating generalized expectation-maximization,SAGE)算法提取了多径信道参数,包括多径时延、到达角、多径强度等,基于多径分量距离(multipath component distance,MCD)对多径分量进行了分簇结果的对比,对比分析了相同测量点处不同天线形式得到的信道参数差异.结果表明,同场景下不同天线的信道参数测量结果会有较大差别,全向天线路损指数最小,阵列天线均方根(root-mean-square,RMS)时延扩展和RMS角度扩展均最小,喇叭天线可以得到较多的簇.本文为5G毫米波频段信道建模提供了不同天线形式信道参数结果对比分析数据.