面向物联网环境的高效通信接收机设计

物联网(IoT)通信系统具有活跃用户数低、数据帧短等特性,而信道估计和多用户识别所需的导频和用户识别码会显著降低IoT系统的通信效率和响应速度。针对上述问题,提出了一种基于非正交多址接入(NOMA)的盲信道估计和多用户检测算法。首先,利用码分多址(CDMA)系统中的扩频矩阵对每个用户所占用载波进行分配,并采用差分编码解决盲估计所引发的星座点旋转问题;其次,根据用户所分配载波具有的稀疏性,引入伯努利-高斯(B-G)分布作为先验分布,利用变量间的隐马尔可夫特性进行因式分解和建模,由用户数据的稀疏特征进行多用户识别;最后,应用消息传递算法对上述模型进行推导,解决NOMA引起的多用户干扰,得到面向IoT环境的联合信道估计和检测接收算法。仿真结果表明,相对于块稀疏单测量向量(BS-SMV)算法和块稀疏自适应子空间求解(BSASP)算法,所提算法能够在不提高复杂度的条件下获得约1 dB的性能增益。

基于隐聚类和狄利特雷过程的大规模MIMO-OFDM接收机设计

本文首先讨论了大规模MIMO-OFDM(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing)系统信道的空间相关性,提出了一种基于隐聚类假设的信道建模方法,利用概率参数模拟不同的传播环境.然后,将机器学习领域的狄利特雷过程(Dirichlet Process,DP)引入到稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)模型中,建立了DP-SBL结构,在信道估计的同时挖掘并利用大规模MIMO系统所特有的隐聚类特征.接着,将DP-SBL结构应用于大规模MIMO-OFDM系统中,在因子图上利用消息传递算法推导了一种基于隐聚类和狄利特雷过程的接收机算法.最后,将本文提出的接收机算法和现有算法进行对比分析.结果表明,本文提出的接收机算法充分利用了大规模MIMO-OFDM系统特有的空间相关性,能够以较低的计算复杂度获得较强的鲁棒性和显著的性能增益.