Blind channel estimation for multiple antenna OFDM system subject to unknown carrier frequency offset

The problem of channel estimation for multiple an- tenna orthogonal frequency division multiplexing （OFDM） systems subject to unknown carrier frequency offset （CFO） is addressed. Multiple signal classification （MUSIC）-Iike algorithm, which generally has been used for direction estimation or frequency estimation, is used for channel estimation in multiple antenna OFDM systems. A reduced dimensional （RD）-MUSIC based algorithm for channel estimation is proposed in multiple antenna OFDM systems with unknown CFO. The Cramer-Rao bound （CRB） of channel estimation in multiple antenna OFDM systems with unknown CFO is derived. The proposed algorithm has a superior performance of channel estimation compared with the Capon method and the least squares method.

基于MUSIC算法的OFDM系统参数盲估计仿真研究

在介绍正交频分复用(OFDM)技术基本原理和基本接收模型的基础上,提出将空间谱估计中的多重信号分类(MUSIC)算法应用到OFDM系统参数盲估计中。经过MATLAB实验仿真表明,在没有信号先验知识的情况下,此算法对信噪比较低的仿真OFDM信号和实际802.11a信号均能有效估计出其子载波个数和发射端作傅立叶反变换的点数。

基于宽带聚焦矩阵和高阶累积量的OFDM信号的来波方向估计

为了解决正交频分复用(OFDM)宽带信号处理的问题,研究了基于宽带聚焦矩阵和高阶累积量的波达方向(DOA)估计方法。前者是通过傅里叶变换将宽带阵列数据分解为若干窄带信号,再利用一种聚焦矩阵将不同频带下的方向矩阵变换到同一参考频率下,然后用多重信号分类(MUSIC)算法来估计DOA;高阶累积量算法是通过聚焦操作,把各个窄带频率处的阵列输出矢量变换到聚焦频率处,然后求其累积量矩阵。对各个累积量矩阵进行加权平均并特征值分解,再应用MUSIC算法估计DOA。理论分析和仿真结果表明,两种方法都能够精确地估计OFDM信号的DOA,四阶累积量方法的空间分辨率比聚焦矩阵方法有所提高。四阶累积量算法扩展了阵列孔径,信噪比(SNR)较低的时候也有很好的适应性。

MIMO-OFDM系统信号检测和信道估计算法

文章针对MIMO-OFDM系统提出了一种局域化的最大似然信号检测算法,通过调整每个发送天线信号集中的搜索点邻域大小,在计算复杂度与系统性能之间折衷。仿真结果表明,该信号检测算法显著降低了计算复杂度;同时提出了一种基于导频训练序列的信道估计算法,采用该算法得到的信道估计均方误差结果接近理论极限值,系统误码率非常接近已知信道频响情况的性能。

OFDM系统中基于BP神经网络的定位算法

为了减小正交频分复用(OFDM)系统中多径干扰对定位精度的影响,提出一种基于后向传播(BP)神经网络的定位算法。该算法采用多重信号分类(MUSIC)算法估计OFDM信号首径的到达时间(TOA),再计算出到达时间差(TDOA),然后利用BP神经网络对其进行修正,最后使用Chan算法确定移动台的位置。在多径环境下对算法进行仿真,仿真结果表明该算法能够有效地降低多径干扰的影响,性能优于最小二乘(LS)算法、Chan算法和泰勒算法。

电力无线专网中一种OFDM载波同步算法

电力无线专网在1.8 GHz频段建设4G TD-LTE网络,正交频分复用(OFDM)是其关键技术之一,OFDM系统对信道产生的载波频率偏移(CFO)很敏感,频率偏移会造成系统性能的严重下降。因此,需要对OFDM系统中的频率载波偏移精确估计并补偿,以保证系统的性能。本文提出了一种用于OFDM系统中基于局部搜索的多重信号分类(MUSIC)盲CFO估计的算法,该算法利用频率偏移矩阵列矢量与噪声子空间的正交性和CFO的单峰特性,构造一个改进空间谱函数,然后通过局部谱峰搜索得到频偏估计值。该算法的CFO估计性能优于传统CFO估计算法,且能够克服传统MUSIC算法低信噪比下谱峰缺失的问题。仿真结果证明了该算法的有效性。

基于深度学习的高维信号信道估计算法

针对大部分基于深度学习(Deep Learning,DL)的信道估计算法估计高维信号时出现的训练开销过大、泛化能力差等问题,提出了一种不需要训练的基于深度学习的高维信号信道估计算法,即UTCENet(Untrained Channel Estimation Network)。在UTCENet中,信道信息上的复杂分布转换为模型参数上的简单分布,即通过神经网络参数化来获得隐式先验知识并将其应用于信道估计。虽然该算法不需要任何训练,但保证了估计的性能,其原因在于专门设计的网络模型可以有效利用时频网格中元素的相关性。仿真结果表明,与传统方法以及现有的深度学习方法相比,所提出的算法在归一化均方误差和误码率方面性能提升明显。