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。

基于FSAGE的OFDM系统信道与频偏联合干扰消除算法

针对正交频分复用(OFDM)系统服务应用在诸如城区等信道多径衰落严重的场景,提出一种信道及载波频偏联合干扰消除的频域空间选择性期望最大化(frequency-space-alternating generalized expectation-maximization,FSAGE)算法.该算法首先对频域频偏进行预估计及预消除,然后通过权值迭代方式进行信道干扰消除及频偏精确跟踪.仿真结果表明,该算法能够降低信道与频偏干扰消除算法的迭代次数和处理时延,有效地消除由于信道多径衰落以及频偏引入的联合干扰.与空间选择性期望最大化(space-alternating generalized expectation-maximization,SAGE)算法相比,所提出算法的性能有较大提高.当信噪比为20 dB时,可获得较优的误码率.

基于信道特征高精度提取的空地信道密钥量化

针对无人机空地信道,基于空间期望最大化算法(SAGE)对信道特征参数进行高精确度估计。在提取了多径时延、多径功率等空地信道小尺度衰落特征后,利用均匀量化和非均匀量化方法,对实测数据的主径功率、主径-多径功率差开展无线信道密钥量化。分别针对起飞和巡航场景分析了密钥的量化效率、随机性以及算法运行时间等指标,并与基于大尺度特征的密钥量化结果进行比较。密钥量化效率结果表明:基于非均匀量化优于均匀量化;基于信道特征高精确度估计的量化方法优于传统基于大尺度特征的量化;起飞场景下的量化优于巡航场景的量化。密钥随机性测试结果表明本次量化所获得的密钥都具有较好的随机性;算法运行时间结果则表明不同量化方法的运行时间差异较小。因此基于高精确度提取的2种量化方法复杂度较低。

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.