CN104022977A - 一种适用于mimo-ofdm系统的信道矩阵与干扰协方差矩阵估计方法 - Google Patents

一种适用于mimo-ofdm系统的信道矩阵与干扰协方差矩阵估计方法 Download PDF

Info

Publication number
CN104022977A
CN104022977A CN201410270623.0A CN201410270623A CN104022977A CN 104022977 A CN104022977 A CN 104022977A CN 201410270623 A CN201410270623 A CN 201410270623A CN 104022977 A CN104022977 A CN 104022977A
Authority
CN
China
Prior art keywords
mrow
msub
matrix
msup
interference covariance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410270623.0A
Other languages
English (en)
Other versions
CN104022977B (zh
Inventor
高西奇
潘云强
孟鑫
江彬
金石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201410270623.0A priority Critical patent/CN104022977B/zh
Publication of CN104022977A publication Critical patent/CN104022977A/zh
Application granted granted Critical
Publication of CN104022977B publication Critical patent/CN104022977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Radio Transmission System (AREA)

Abstract

本发明提出一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法,其特征在于,基于最大后验概率准则,联合估计每个子载波上的信道矩阵与干扰协方差矩阵。所述方法具体为:1)采用最小二乘(LS)准则,获得信道矩阵的初始估计;2)将干扰协方差矩阵用一个低维度的矩阵表示,利用当前信道矩阵的估计值,得到低维度矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数获得干扰协方差矩阵的估计;3)利用步骤2)中干扰协方差矩阵的估计值,得到信道矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数获得信道矩阵的估计;4)迭代进行步骤2)和步骤3)直至收敛。其特点是,所给出的方案能有效提高信道矩阵和干扰协方差矩阵的估计精度。

Description

一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法
技术领域
本发明涉及MIMO-OFDM系统,特别涉及考虑同信道干扰时MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法。 
背景技术
多输入多输出(MIMO)技术在发射端和接收端配置多副天线,通过与复用技术或分集技术等的结合,充分利用散射信道的多径特性,在空间传输多路独立、并行的数据流,在不增加系统带宽的情况下,成倍地提高无线通信系统容量和链路可靠性,提高了系统的传输速率。因此,MIMO技术受到广泛关注,被认为是现代无线通信的一个重大突破和未来无线通信必然采用的关键技术之一。 
正交频分复用(OFDM)是一种正交多载波调制技术,具有高效的频谱利用率。随着无线通信的发展,为了满足人们对高速率业务日益增长的需求,系统带宽不断增加,信道的频率选择性愈发突出,传统的均衡技术不仅复杂度高,而且难以完全消除多径衰落信道所引起的码间干扰。OFDM系统将宽带频率选择性衰落信道转换成一系列窄带平坦衰落信道,有效的解决码间串扰的问题,在实现高速数据传输等方面具有独特的优势。因此,基于MIMO和OFDM的系统构架应运而生。 
为了满足用户日益增长的通信需求,现代蜂窝通信系统通常在小区间进行频率复用以提高频谱效率,诸如LTE及LTE-Advanced。这样的系统将受到来自邻小区严重的同信道干扰(CCI),特别是在小区边沿,用户服务质量(QoS)难以得到保证。因此,设计好的干扰抑制的算法能有效的提高系统性能,对于干扰受限的现代通信系统具有十分重要的意义。传统的信道估计方法,如最小二乘估计,将干扰作为白噪声处理,严重降低了信道估计的性能,因此有必要考虑存在CCI下的信道估计问题。同时为了提高系统性能,有必要研究干扰受限系统的抗干扰技术。在多天线系统中,采用诸如干扰抑制合并(IRC)等技术将有效的提高系统的信干噪比(SINR)。这种干扰抑制技术将干扰建模为高斯有色噪声,需要估计干扰加噪声的协方差矩阵。因此,如何有效的估计信道和干扰协方差矩阵值得研究。 
发明内容
本发明要解决的技术问题是,在MIMO-OFDM通信系统中提供一种信道矩阵与干扰协方差矩阵的高精度估计方法。 
所述的一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法,其特征在于该方法具体为: 
1)采用最小二乘(LS)准则,获得信道矩阵的初始估计。 
2)将干扰协方差矩阵用一个低维度的矩阵表示。利用当前信道矩阵的估计值,得到低维度矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数获得低维度矩阵的估计,从而得到干扰协方差矩阵的估计。 
3)利用步骤2)中干扰协方差矩阵的估计值,得到信道矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数获得信道矩阵的估计。 
4)迭代进行步骤2)和步骤3)直至收敛。 
所述步骤1)的详细步骤为:在导频数据段,利用LS准则,获得信道矩阵的初始估计。 
所述步骤2)的详细步骤为:将干扰协方差矩阵用一个低维度的矩阵表示,其具体方法为,首先,将每个子载波上的干扰协方差矩阵表示为一个低阶矩阵与该低阶矩阵共轭转置的乘积,其中低阶矩阵由干扰协方差矩阵的特征值与特征向量构成,其阶数可通过最小描述长度(MDL)算法获得。其次,将所有子载波上的低阶矩阵做时域平滑,其时域平滑阶数可通过MDL算法获得。最后,将这两个处理过程结合起来,则所有子载波上的干扰协方差矩阵均可用同一个低维度矩阵表示,不仅使得每个子载波上的干扰协方差矩阵满足半正定性,而且减少了待估计参数个数,有利于估计精度的提高。根据系统模型和当前信道矩阵估计值,求得低维度矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数,得到低维度矩阵的估计值,从而获得干扰协方差矩阵的估计。 
所述步骤3)的详细步骤为:根据系统模型和当前干扰协方差矩阵的估计值,求得信道矩阵关于接收数据的后验概率密度函数,最大化该后验概率密度函数,得到信道矩阵的估计值。 
所述步骤4)的详细步骤为:根据步骤2)和步骤3)迭代估计干扰协方差矩阵和信道矩阵,直至收敛。 
相对于现有技术,本发明提供的一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法具有如下优点: 
1、本方法估计的信道结果优于LS估计。 
2、本方法估计的干扰协方差矩阵在OFDM每个子载波上是半正定的。 
3、本方法所估计的干扰协方差矩阵精度高。 
附图说明
图1为本发明实例提供的MIMO-OFDM系统导频和数据发送格式。 
图2为本发明实例提供的MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计实施步骤流程图。 
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图1和图2对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。 
具体实施实例如下: 
1、系统模型 
为简化场景,考虑一个拥有Nt根发送天线、Nr根接收天线以及Nc个子载波的单用户MIMO-OFDM系统。导频采用训练模式,数据分块传输,每个块内共发射Np个导频符号,Nd个数据符号。假定信道响应在每个块内恒定不变,则导频部分的接收数据为 
yk,n=Hkxk,n+zk,n,0≤k≤Nc-1,0≤n≤Np-1     (1)其中分别表示第k个子载波、第n个OFDM符号上的接收导频信号与发送导频信号,表示第k个子载波上的MIMO信道矩阵, 表示第k个子载波、第n个OFDM符号上同信道干扰与噪声的叠加,假设本实施实例主要目的是估计每个子载波上的信道矩阵Hk与干扰协方差矩阵Σk。在多径信道中,不同子载波信道矩阵Hk(k=0,…,Nc-1)之间具有相关性,为了减少估计的参数,将信道频率响应(CFR)傅里叶逆变换得信道时域响应(CIR),有如下关系 
H k = Σ l = 0 L - 1 Φ l e - j 2 πkl / N c = [ Φ 0 , . . . , Φ L - 1 ] · ( f k ⊗ I N t ) - - - ( 2 )
其中Φl为第l径的时域信道矩阵,L为用户信道多径数目。由于通常L<<Nc,通过该变换,待估计的信道参数个数有效的从NrNtNc个减少到了NrNtL个。将式(2)代入式(1)化简得 
yk,n=Xk,nh+zk,n       (3)其中, h = vec { [ Φ 0 , . . . , Φ L - 1 ] } , x k , n = ( x k , n T ⊗ I N r ) ( f k T ⊗ I N r N t ) . 接下来,我们将通过式(3)来完成信道矩阵和干扰协方差矩阵的估计。 
2、基于最大后验概率准则的估计方案 
首先从(3)式得h与Σk关于接收数据y的似然函数为 
f ( y | h , Σ k ) = Π k = 0 N c - 1 Π n = 0 N p - 1 | π Σ k | - 1 exp [ - ( y k , n - X k , n h ) H Σ k - 1 ( y k , n - X k , n h ) ] - - - ( 4 )
其中,表示所有子载波上接收到的导频数据。不妨假设信道其中为h的均值向量,Rh为h的相关矩阵。将Σk视为与h独立的均匀分布的随机矩阵,则接收数据y关于h与Σk的后验概率密度函数为: 
f ( h , Σ k | y ) = f ( y | h , Σ k ) · f ( h ) · f ( Σ k ) f ( y ) ∝ f ( y | h , Σ k ) · f ( h ) = Π k = 0 N c - 1 Π n = 0 N p - 1 | π Σ k | - 1 exp [ - ( y k , n - X k , n h ) H Σ k - 1 ( y k , n - X k , n h ) ] · | π R h | - 1 exp [ - ( h - h ‾ ) H R h - 1 ( h - h ‾ ) ] - - - ( 5 )
由于Σk是正定的,最大化后验概率密度函数得h与Σk的估计为 
{ h ^ , Σ ^ k } max h , Σ k ln f ( h , Σ k | y ) s . t . Σ k ≥ 0 , k = 1 , . . . , N c - - - ( 6 )
接下来,通过求解式(6)获得估计量首先,本方案给出Σk的一种分解方法 
Σ k = G k G k H + σ 2 I N r , k = 0,1 , . . . , N c - 1 - - - ( 7 )
其中,为Σk较大的d个特征值及其所对应的特征向量组成的低阶矩 阵,其阶数为d,可通过最小描述长度(MDL)算法估计得到。这里假设d≤Nr,当d>Nr时,则Gk的维数为Nr×Nr。σ2为噪声方差,可以通过热噪声的长时统计量估计得到。将所有子载波上的低阶矩阵Gk(k=0,…,Nc-1)做时域平滑,即 
G k = Σ n = - L I + 1 L I - 1 A n e - j 2 πkn / N c = A ( f L I , k ⊗ I d ) - - - ( 8 )
其中, A = [ A - L I + 1 , . . . , A 0 , . . . , A L I - 1 ] , f L I , k = [ e j 2 πk ( L I - 1 ) / N c , . . . 1 , . . . , e - j 2 πk ( L I - 1 ) / N c ] T , 为时域平滑阶数,可通过MDL算法估计。将式(8)代入式(7)得 
Σ k = A Q k A H + σ 2 I N r - - - ( 9 )
其中,显然,此时Σk是半正定阵,则式(6)可化简为无约束优化问题 
{ h ^ , A ^ } = min h , A { Σ k = 0 N c - 1 Σ n = 0 N p - 1 ln | A Q k A H + σ 2 I N r | + ( y k , n - X k , n h ) H ( AQ k A H + σ 2 I N r ) - 1 ( y k , n - X k , n h ) } - - - ( 10 )
本方案提出的Σk的分解方案,不仅保证了的Σk正定性,简化了式(6)的求解,而且有效的减少了待估计参数的数目待估计未知量的个数由NrNrNc减少为低维度矩阵A中未知量的个数Nrd(2LI-1)),从而提高了估计精度。 
3、迭代算法 
对于式(10)中h与A的求解,本方案通过固定一个量再求另一个量的方法,循环迭代求解。首先,采用LS准则,由式(3)获得信道的初始估计为 
h ~ = ( X H X ) - 1 X H y - - - ( 11 )
其中, y = [ y 0,0 T , . . . , y N c - 1 , N p - 1 T ] T , X = [ X 0 , 0 T , . . . , X N c - 1 , N p - 1 T ] T . 看做已知量,式(10)化简为 
A ^ = min A { Σ k = 0 N c - 1 Σ n = 0 N p - 1 ln | AQ k A H + σ 2 I N r | + ( y k , n - X k , n h ~ ) H ( AQ k A H + σ 2 I N r ) - 1 ( y k , n - X k , n h ~ ) } - - - ( 12 )
将上式等号右边对A求导,并令为0,得 
vec ( A ) = [ Σ k = 0 N c - 1 Q k T ⊗ ( AQ k A H + σ 2 I N r ) - 1 ] - 1 × vec Σ k = 0 N c - 1 ( AQ k A H + σ 2 I N r ) - 1 [ 1 N p Σ n = 0 N p - 1 ( y k , n - X k , n h ~ ) ( y k , n - X k , n h ~ ) H ] × ( AQ k A H + σ 2 I N r ) - 1 AQ k - - - ( 13 )
由于式(13)等号左右两边均包含待求量A,可以采用迭代法、牛顿梯度法等完成式(13)的求解,获得估计量接下来将看做已知量,式(10)化简为 
h ^ = min h { Σ k = 0 N c - 1 Σ n = 0 N p - 1 ln | A ^ Q k A ^ H + σ 2 I N r | + ( y k , n - X k , n h ) H ( A ^ Q k A ^ H + σ 2 I N r ) - 1 ( y k , n - X k , n h ) } - - - ( 14 )
将式(14)等号右边对h求导,并令为0,得信道h的估计为 
h ^ = ( Σ k = 0 N c - 1 Σ n = 0 N p - 1 X k , n H ( A ^ Q k A ^ H + σ 2 I N r ) - 1 X k , n + R h - 1 ) - 1 × ( Σ k = 0 N c - 1 Σ n = 0 N p - 1 X k , n H ( A ^ Q k A ^ H + σ 2 I N r ) - 1 y k , n + R h - 1 h ‾ ) - - - ( 15 )
迭代求解式(13)和式(15),仿真结果表明一次迭代即可收敛。本方案提出的基于最大后验概率密度函数的信道矩阵与协方差矩阵的估计方案能有效的提高估计精度。当迭代获得估计量后,每个子载波上的信道矩阵估计为 
H ^ k = Σ l = 0 L - 1 Φ ^ l e - j 2 πkl / N c
其中,得到,满足关系每个子载波上的干扰协方差矩阵估计为 
Σ ^ k = A ^ Q k A ^ H + σ 2 I N r
4、参量估计 
在步骤2中将干扰协方差矩阵Σk用低维度矩阵A表示需要已知低阶矩阵Gk的阶数d和时域滤波阶数LI。本方案采用MDL算法来完成这对阶数的估计。MDL算法由下式给出 
MDL ( n ) = - ln f ( y | θ ) + n 2 ln ( N ) - - - ( 16 )
其中,y为观测数据向量,其长度为N。θ为实值参数向量,其维数为n。f(y|θ)为观测向量y关于参数向量θ的似然函数。假设待估计的参数为m,且n可表示为m的函数,即n=g(m),则m的估计为 
m ^ = arg min m { - ln f ( y | θ ) + 1 2 g ( m ) ln ( N ) } - - - ( 17 )
接下来,我们将给出两种参数估计下的似然函数和参数向量(实数值)的维数。 
4.1时域平滑阶数LI的估计 
首先写出观测信号y关于参数{h,Σk}的对数似然函数为: 
ln f ( y | h , Σ k ) = - Σ k = 0 N c - 1 Σ n = 0 N p - 1 [ ln | π Σ k | + ( y k , n - X k , n h ) H Σ k - 1 ( y k , n - X k , n h ) ] - - - ( 18 )
其中,y为观测数据,长度为NcNp。h,Σk为参数,显然,向量h的维数为2NrL。由于矩阵Σk的元素不是独立的,且不同载波间的Σk具有相关性,故考虑其傅里叶变换对求其维数。通过IFFT变换到时域后,得相关矩阵其中,R0对角元素为实数,故维数为 总维数为因此,参数h,Σk的总维数为 
n = 2 N r L + 2 N r 2 L I - N r - - - ( 19 )
将式(18)和式(19)代入式(17)即可得到时域平滑阶数LI的估计。 
4.2低阶矩阵阶数d的估计 
令Ψk=AQkAH。首先写出观测信号y关于参数{h,Ψk}的对数似然函数为: 
ln f ( y | h , Ψ k ) = - Σ k = 0 N c - 1 Σ n = 0 N p - 1 ln | π ( Ψ k + σ 2 I N r ) | + ( y k , n - X k , n h ) H ( Ψ k + σ 2 I N r ) - 1 ( y k , n - X k , n h ) - - - ( 20 )
其中且Ψk的秩为d。现在来确定的维数。由于Ψk可以做LU分解,即Ψk=LLH,其中,L为对角元素非负的Nr×d的下三角矩阵,其维数为2Nrd-d2。因此,的总维数为(2Nrd-d2)LI,故参数h,Ψk的总维数为 
n=2NrL+(2Nrd-d2)LI      (21) 将式(20)和式(21)代入式(17)即可得到低阶矩阵阶数d的估计。 
下面根据式(3)给出h,Σk和Ψk的初始估计值: 
h ~ = ( Σ k = 0 N c - 1 Σ n = 0 N p - 1 X k , n H X k , n ) - 1 · ( Σ k = 0 N c - 1 Σ n = 0 N p - 1 X k , n H y k , n )
Σ ~ k = 1 N p Σ n = 0 N p - 1 ( y k , n - X k , n h ~ ) ( y k , n - X k , n h ~ ) H , k = 0 , . . . , N C - 1
Ψk的初始估计可由变换得到。将代入式(18)和式(20)可计算出相应的对数似然函数。 
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。 

Claims (2)

1.一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法,其特征在于,基于最大后验概率准则,设计迭代算法,联合估计每个子载波上信道矩阵与干扰协方差矩阵,所述方法具体为
采用最小二乘(LS)准则,获得信道矩阵的初始估计;
将干扰协方差矩阵用一个低维度的矩阵表示,利用当前信道矩阵的估计值,得到低维度矩阵关于接收数据的后验概率密度函数,最大化所述低维度矩阵关于接收数据的后验概率密度函数,获得低维度矩阵的估计,从而得到干扰协方差矩阵的估计;
利用b)中干扰协方差矩阵的估计值,得到信道矩阵关于接收数据的后验概率密度函数,最大化所述信道矩阵关于接收数据的后验概率密度函数,获得信道矩阵的估计;
迭代进行步骤b)和步骤c)直至收敛。
2.根据权利要求1所述的一种适用于MIMO-OFDM系统的信道矩阵与干扰协方差矩阵估计方法,其特征在于,将干扰协方差矩阵用一个低维度的矩阵表示,其具体方法为:
首先,将每个子载波上的干扰协方差矩阵表示为一个低阶矩阵与该低阶矩阵共轭转置的乘积,其中低阶矩阵由干扰协方差矩阵的特征值与特征向量构成,其阶数可通过最小描述长度(MDL)算法获得;
其次,将所有子载波上的低阶矩阵做时域平滑,其平滑阶数可通过MDL算法获得;
最后,将这两个处理过程结合起来,则所有子载波上的干扰协方差矩阵均可用同一个低维度矩阵表示。
CN201410270623.0A 2014-06-17 2014-06-17 一种适用于mimo‑ofdm系统的信道矩阵与干扰协方差矩阵估计方法 Active CN104022977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410270623.0A CN104022977B (zh) 2014-06-17 2014-06-17 一种适用于mimo‑ofdm系统的信道矩阵与干扰协方差矩阵估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410270623.0A CN104022977B (zh) 2014-06-17 2014-06-17 一种适用于mimo‑ofdm系统的信道矩阵与干扰协方差矩阵估计方法

Publications (2)

Publication Number Publication Date
CN104022977A true CN104022977A (zh) 2014-09-03
CN104022977B CN104022977B (zh) 2017-03-08

Family

ID=51439550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410270623.0A Active CN104022977B (zh) 2014-06-17 2014-06-17 一种适用于mimo‑ofdm系统的信道矩阵与干扰协方差矩阵估计方法

Country Status (1)

Country Link
CN (1) CN104022977B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104320369A (zh) * 2014-10-21 2015-01-28 北京工业大学 一种基于信道估计误差和数据检测误差的迭代方法
CN105471775A (zh) * 2015-05-06 2016-04-06 南京邮电大学 一种大规模mimo系统中低复杂度的信道估计方法
CN105847192A (zh) * 2016-03-17 2016-08-10 上海交通大学 一种动态稀疏信道的联合估计方法
CN107276646A (zh) * 2017-07-03 2017-10-20 东南大学 大规模mimo‑ofdm上行链路迭代检测方法
CN107483088A (zh) * 2017-08-31 2017-12-15 东南大学 大规模mimo鲁棒预编码传输方法
CN108400947A (zh) * 2017-02-08 2018-08-14 华为技术有限公司 干扰噪声协方差矩阵估计方法、装置及系统
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN114830561A (zh) * 2019-12-20 2022-07-29 奥兰治 实施多个发送和接收天线的发送和接收方法和设备及对应计算机程序

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499840A (zh) * 2008-01-29 2009-08-05 株式会社Ntt都科摩 多入多出系统的迭代检测方法
US20100002789A1 (en) * 2008-07-07 2010-01-07 Karabinis Peter D Increased capacity communications systems, methods and/or devices
US20110142181A1 (en) * 2009-11-09 2011-06-16 Amir Leshem Communication system
CN103259574A (zh) * 2013-04-18 2013-08-21 东南大学 一种mimo信号的协方差矩阵估计方法
CN103475602A (zh) * 2013-09-16 2013-12-25 东南大学 一种考虑同频干扰的mimo-ofdm信道估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499840A (zh) * 2008-01-29 2009-08-05 株式会社Ntt都科摩 多入多出系统的迭代检测方法
US20100002789A1 (en) * 2008-07-07 2010-01-07 Karabinis Peter D Increased capacity communications systems, methods and/or devices
US20110142181A1 (en) * 2009-11-09 2011-06-16 Amir Leshem Communication system
CN103259574A (zh) * 2013-04-18 2013-08-21 东南大学 一种mimo信号的协方差矩阵估计方法
CN103475602A (zh) * 2013-09-16 2013-12-25 东南大学 一种考虑同频干扰的mimo-ofdm信道估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN HEE JANG等: "ML-based iterative channel and spatial covariance estimation in asynchronous interference environment for OFDMA system", 《CONSUMER ELECTRONICS, 2009. ICCE "09. DIGEST OF TECHNICAL PAPERS INTERNATIONAL CONFERENCE ON》 *
JUNG SU HAN等: "Enhanced Spatial Covariance Matrix Estimation for Asynchronous Inter-Cell Interference Mitigation in MIMO-OFDMA System", 《VEHICULAR TECHNOLOGY CONFERENCE, 2009. VTC SPRING 2009. IEEE 69TH》 *
王艳丽: "MIMO-OFDM 系统多用户检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104320369B (zh) * 2014-10-21 2019-03-22 北京工业大学 一种基于信道估计误差和数据检测误差的迭代方法
CN104320369A (zh) * 2014-10-21 2015-01-28 北京工业大学 一种基于信道估计误差和数据检测误差的迭代方法
CN105471775A (zh) * 2015-05-06 2016-04-06 南京邮电大学 一种大规模mimo系统中低复杂度的信道估计方法
CN105471775B (zh) * 2015-05-06 2018-11-23 南京邮电大学 一种大规模mimo系统中低复杂度的信道估计方法
CN105847192A (zh) * 2016-03-17 2016-08-10 上海交通大学 一种动态稀疏信道的联合估计方法
CN105847192B (zh) * 2016-03-17 2019-02-26 上海交通大学 一种动态稀疏信道的联合估计方法
CN108400947B (zh) * 2017-02-08 2020-08-14 华为技术有限公司 干扰噪声协方差矩阵估计方法、装置及系统
CN108400947A (zh) * 2017-02-08 2018-08-14 华为技术有限公司 干扰噪声协方差矩阵估计方法、装置及系统
CN107276646A (zh) * 2017-07-03 2017-10-20 东南大学 大规模mimo‑ofdm上行链路迭代检测方法
CN107276646B (zh) * 2017-07-03 2020-12-11 东南大学 大规模mimo-ofdm上行链路迭代检测方法
CN107483088A (zh) * 2017-08-31 2017-12-15 东南大学 大规模mimo鲁棒预编码传输方法
CN107483088B (zh) * 2017-08-31 2021-05-04 东南大学 大规模mimo鲁棒预编码传输方法
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN109617847B (zh) * 2018-11-26 2021-04-06 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN114830561A (zh) * 2019-12-20 2022-07-29 奥兰治 实施多个发送和接收天线的发送和接收方法和设备及对应计算机程序

Also Published As

Publication number Publication date
CN104022977B (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN104022977B (zh) 一种适用于mimo‑ofdm系统的信道矩阵与干扰协方差矩阵估计方法
EP1757000B1 (en) Frequency domain equalization of frequency-selective mimo channels
US8731038B2 (en) Method and apparatus for determining channel state information
Xu et al. Analysis and design of channel estimation in multicell multiuser MIMO OFDM systems
CN101841375A (zh) 一种多输入多输出单载波分块传输系统的检测方法及装置
Lin et al. Linear precoding assisted blind channel estimation for OFDM systems
CN106506415B (zh) 一种多用户mimo-ofdm系统信道估计的方法
CN109600327B (zh) 一种基于虚部干扰利用的信道估计方法
Pan et al. MIMO antenna system for multi-user multi-stream orthogonal space division multiplexing
Shin et al. Blind channel estimation for MIMO-OFDM systems using virtual carriers
Zaier et al. Blind channel estimation enhancement for MIMO-OFDM systems under high mobility conditions
Cheng et al. Precoder and equalizer design for multi-user MIMO FBMC/OQAM with highly frequency selective channels
Zhang et al. Robust multi-branch space–time beamforming for OFDM system with interference
Tran et al. Superimposed training designs for spatially correlated MIMO-OFDM systems
Diallo et al. On improved DCT based channel estimation with very low complexity for MIMO-OFDM systems
CN102487368B (zh) Per-tone均衡器的设计方法及实现装置
Diallo et al. DFT based channel estimation methods for MIMO-OFDM systems
CN103415080A (zh) 一种基于置换的低复杂度多用户调度方法
Kahlon et al. Channel estimation techniques in MIMO-OFDM systems–review article
Fei et al. A new noise variance and post detection SNR estimation method for MIMO OFDM systems
De Candido et al. Downlink precoder and equalizer designs for multi-user MIMO FBMC/OQAM
Dhivagar et al. An iterative MIMO-DFE receiver with MLD for uplink SC-FDMA
Zhang et al. Whitening-rotation-based semi-blind estimation of MIMO FIR channels
Aliyu et al. Fast Subspace-Based Semi-Blind Channel Estimation for MIMO-OFDM Communications
Du et al. Adaptive blind channel identification and equalization for OFDM-MIMO wireless communication systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant