CN104038317B - 基于特征提取和分集技术的空频码模式盲识别方法 - Google Patents
基于特征提取和分集技术的空频码模式盲识别方法 Download PDFInfo
- Publication number
- CN104038317B CN104038317B CN201410280370.5A CN201410280370A CN104038317B CN 104038317 B CN104038317 B CN 104038317B CN 201410280370 A CN201410280370 A CN 201410280370A CN 104038317 B CN104038317 B CN 104038317B
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- characteristic value
- space
- signal
- 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.)
- Active
Links
Landscapes
- Radio Transmission System (AREA)
Abstract
本发明公开一种基于特征提取和分集技术的空频码模式盲识别方法。主要解决现有技术在小样本,低信噪比条件下性能差的问题。其实现步骤为:(1)构造单载波和双载波解调矩阵;(2)计算协方差矩阵,并分解该矩阵生成特征值矩阵;(3)对特征值矩阵进行迭代生成迭代特征值矩阵;(4)利用迭代特征值矩阵,采用比值法获得估计符号向量;(5)利用估计符号向量和候选集的理论符号向量,求出距离判决和向量;(6)取距离判决和向量中取值最小的元素对应的码型为判决码型。本发明充分利用了OFDM系统中每一个子载波的信息,克服了现有技术在小样本、低信噪比条件下性能差的缺点,满足了空频码盲识别的工程要求。
Description
技术领域
本发明属于通信技术领域,更进一步涉及信号检测技术领域的空频编码模式盲识别方法,可用于多输入多输出正交频分复用(MIMO-OFDM)系统中,对空频码模式进行盲识别。
背景技术
多输入多输出正交频分复用(MIMO-OFDM)系统是下一代无线通信的关键技术,它能够有效地获得空间分集,同时对抗多径衰落。空频码是MIMO-OFDM系统的重要组成部分,空频码的盲识别是通信对抗领域迫切需要研究的领域,它能够为MIMO-OFDM系统对抗技术提供基础和技术支撑,具有重要的理论意义和应用价值。
所述空频码也称为空频编码,它是指空间传输信号和频率传输信号的结合,实质上就是空间和频率二维的处理相结合的方法,是一种用于多发射天线正交频分复用系统的编码技术。该编码在多根发射天线和不同频率上的发射信号之间能够产生空域和频域的相关性。这种空频相关性可以使接收机克服MIMO信道衰落和减少发射误码。对于空间未编码系统,空频编码可以在不牺牲带宽的情况下起到发射分集和功率增益作用。
盲识别就是指在接收端不知道发送端的任何信息,只从接收信号中识别需要的信息。而空频码模式的盲识别就是指从接收信号中识别空频编码的模式,空频码的盲识别是一个新兴的课题,目前还没有已知的算法。但现有的空时分组码识别算法可以通过改进推广到频域,从而盲识别空频码。这些算法大都建立在传统概率论基础上,主要是基于模式选择的方法。
文献[V.Choqueuse,M.Marazin et al.,Blind recognition of linear spacetime block codes:A likelihoodbased approach.IEEE Trans.Signal Processing,58(3),2010,1290-1299]中引入模式选择方法,其设计思想是基于信息论准则的最小描述长度(Minimum Description Length,MDL)和Akaike信息论准则(Akaike InformationCriterion,AIC),对频域接收信号的协方差矩阵进行特征值分解,将得到的特征值和待估识别参数带入到模式选择地似然函数中去,计算与待估识别参数可能取值相对应的似然函数值,找出使似然函数最大的参数值,通过该参数值可进一步确定发射端使用的空频编码模式。但是该方法存在的不足是:一方面需要大规模的数据样本来完成空频码模式的估计,不适用于较快衰落的通信场景;另一方面,在低信噪比的环境下识别性能差,无法满足空频码模式盲识别的工程要求;
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于特征提取和分集技术的空频码模式盲识别方法,对接收信号的自相关矩阵进行特征提取,并利用分集技术提高空频码模式识别方法在小样本,低信噪比下的性能,以满足空频码模式盲识别的工程要求。
实现本发明目的地技术思路是:首先,对频域接收信号的自相关矩阵进行特征值分解,然后利用分集技术迭代特征值,增大信号特征值和噪声特征值之间的差距,最后通过比值判决法得到发送空频码的估计符号数向量,与候选集中码型的理论符号数向量求距离差,得出最终的识别码型。具体方案包括如下步骤:
S1、接收端通过多根天线接收到发射端发送的信号序列,解调之后得到解调信号矩阵X,计算解调信号矩阵X中每一个子载波的特征值向量,构成特征值矩阵:ψ=[λ1,λ2,...λN];
S2、对该特征值矩阵进行迭代得到迭代特征值矩阵:
其中,ζ为迭代步长,特征值矩阵的列向量为迭代特征值向量;
S3、利用比值判决法,估计迭代特征值矩阵Ψ中每一个迭代特征值向量包含的信号特征值个数,构成单载波估计向量其中,对应迭代特征值矩阵中第j个迭代特征值向量的信号特征值个数,1≤j≤ζ;
S4、利用解调矩阵X,取相邻子载波上的侦听信号,构成双载波解调矩阵Pv,计算双载波解调信号矩阵Pv中每一个子载波的特征值向量,构成特征值矩阵并利用比值判决法得到双载波估计向量其中,为双载波解调矩阵对应的迭代特征值矩阵第i个特征值向量的信号特征值个数,1≤i≤ζ;
S5、利用所有需要识别的空频码组成码型集合Ω,提取Ω中每种码型的单载波符号向量△=[n1,n2,...nζ]和双载波符号向量Λ=[m1,m2,...,mζ],其中nα为空频码第α个子载波的理论符号数,1≤α≤ζ,mβ为空频码第β个子载波和第和β+1子载波的联合符号数,1≤β≤ζ;所述每种码型的单载波符号向量和双载波符号向量均预先存储在空频码组成码型集合Ω中;
S6、利用得到的单载波估计向量和双载波估计向量计算空频码组成码型集合Ω中所有码型的符号向量与估计向量的距离判决和:其中数值最小的距离判决和所对应的码型为判决码型,完成空频码模式盲识别。
所述步骤S1包括以下步骤:
1)接收端通过r根接收天线接收到发射端发送的长度为Σ的信号序列,得到r×Σ的接收信号矩阵X',其中Σ≥1260,r>2;
2)去除接收信号矩阵中的循环前缀CP,对其进行OFDM解调后,得到r×(N×C)维解调信号矩阵X:
其中,x(n,l)为解调后第n个OFDM符号中第l个子载波上的接收信号向量,1≤n≤N,1≤l≤C,N为接收到的OFDM符号数,N≥10,C为每个OFDM符号中的子载波个数,C≥32;
3)取解调信号矩阵X中第k个子载波对应的接收信号,构成r×N维单载波解调矩阵Yk:Yk=[x(1,k),x(2,k),...,x(N,k)],其中,1≤k≤C;
4)计算特征值向量
4a)将单载波解调矩阵Yk的实部和虚部并联,得单载波并联矩阵
其中,Re(·)表示取实部运算,Im(·)表示取虚部运算;
4b)计算单载波并联矩阵的自相关矩阵:其中,E[·]表示求期望运算,[·]T表示求转置运算;
4c)对单载波自相关矩阵Rk做特征值分解,将得到的特征值按降序排列,构成特征值向量λk=[ρ1,ρ2,...ρη...],其中,ρη为单载波自相关矩阵Rk的特征值,ρ1≥ρ2≥,...ρη≥...,η=1,2,...2r;
5)重复步骤4),计算得到解调信号矩阵中每一个子载波的特征值向量,构成特征值矩阵:ψ=[λ1,λ2,...λN]。
所述步骤S4包括以下步骤:
6)利用X,取相邻子载波上的侦听信号,构成2r×N维双载波解调矩阵Pv:
Pv=[x(1,v),x(1,v+1),x(2,v),x(2,v+1),...,x(N,v),x(N,v+1)],
其中,1≤v≤C;
7)计算双载波解调信号矩阵Pv中每一个子载波的特征值向量,构成特征值矩阵并利用比值判决法得到双载波估计向量其中,为双载波解调矩阵对应的迭代特征值矩阵第i个特征值向量的信号特征值个数,1≤i≤ζ。
所述步骤2)中的中的OFDM解调采用的是64点的FFT变换。
所述步骤4c)中的特征值分解,采用正交对角分解法,即先在自相关矩阵Rk两边分别乘以正交矩阵Q及其转置矩阵,得到特征值对角矩阵Φ=QTRkQ;再从特征值对角矩阵Φ中提取自相关矩阵Rk的特征值。
所述步骤5)中的迭代特征值矩阵的迭代步长为空频码码长的整数倍。
所述步S3中的比值判决法的运算步骤为:首先,计算迭代特征值矩阵Ψ中迭代特征值向量相邻特征值的比值,得到对应的特征值比值向量
然后,取特征值比值向量γ中最大元素的序号为估计信号数,其中,σ为迭代特征值向量中的特征值,σ1≥σ2≥,...,≥σ2r。
所述步骤S5中的空频分组码为空时分组码在OFDM系统中应用时,利用频域传输的别称,两者具有相同的编码矩阵,码型集合Ω包括了正交空频分组码,准正交空频分组码和非正交空频分组码。
本发明与现有技术相比具有以下优点:
第一、由于本发明采用了特征提取和分集技术,使得OFDM符号中每一个子载波的信息都得到了有效利用,从而能够在小样本数据条件下取得良好的识别效果,提高了估计的实时性。
第二、由于本发明采用了特征提取和分集技术,增大了信号特征值和噪声特征值之间的差值,从而可以通过比值法有效地判决空频码的载波符号数,提高了低信噪比条件下的估计性能,满足了空频码盲识别的工程需要。
附图说明
图1是本发明使用的系统框图;
图2是本发明的实现流程图;
图3是不同接收帧数下本发明与现有两种方法的识别正确率图对比图;
图4是不同信噪比下本发明与现有两种方法的识别正确率对比图。
具体实施方式
参照图1,本发明使用的系统包括:t根发射天线,r根接收天线,调制方式为4QAM。在发射端,调制后串行发送序列经空频编码后转换为并行发送序列,再将并行序列进行OFDM调制后发送出去。在接收端,通过r根接收天线得到接收信号矩阵为X',其中,t≥2,r>t,本实例中t=4。图1就是一种多输入多输出的正交频分复用系统。
本发明就是根据接收信号矩阵X',盲识别出发送端使用的空频编码模式。
参照图2,本发明的具体实现步骤如下:
步骤1 接收端通过r根接收天线接收到发射端发送的长度为Σ的信号序列,得到r×Σ的接收信号矩阵X',其中Σ≥1260,r>2,本实例中,Σ=1680,r=8。
步骤2 去除接收信号矩阵中的循环前缀CP,对其进行64点FFT变换,完成OFDM解调后,得到r×(N×C)维解调信号矩阵X:
X=[x(1,1),…,x(1,C),x(2,1),…,x(2,C),……,x(N,1),…,x(N,C)]
其中,x(n,l)为解调后第n个OFDM符号中第l个子载波上的接收信号向量,1≤n≤N,1≤l≤C,N为接收到的OFDM符号数,N≥10,C为每个OFDM符号中的子载波个数,C≥32,本实例中N=20,C=64。
步骤3 取解调信号矩阵X中第k个子载波对应的接收信号,构成r×N维单载波解调矩阵Yk:Yk=[x(1,k),x(2,k),...,x(N,k)],其中,1≤k≤C。
步骤4 计算特征值向量
4a)将单载波解调矩阵Yk的实部和虚部并联,得单载波并联矩阵Yk:
其中,Re(·)表示取实部运算,Im(·)表示取虚部运算;
4b)计算单载波并联矩阵的协方差矩阵:其中,E[·]表示求期望运算,[·]T表示转置运算;
4c)采用正交对角分解法对单载波协方差矩阵Rk做特征值分解,将得到的特征值按降序排列,构成特征值向量λk=[ρ1,ρ2,...ρη...],其中,ρη为单载波协方差矩阵Rk的特征值,ρ1≥ρ2≥,...ρη≥...,η=1,2,...2r。
步骤5 重复步骤4),计算得到解调信号矩阵中每一个子载波的特征值向量,构成特征值矩阵:ψ=[λ1,λ2,...λN],取迭代特征值矩阵为:
其中,ζ为迭代步长,迭代步长需要为空频码码长的整数倍,称特征值矩阵的列向量为迭代特征值向量。
步骤6 计算Ψ中第j个迭代特征值向量相邻特征值的比值,得到其对应的特征值比值向量取特征值比值向量中最大元素的序号为估计信号数其中σ为第j个迭代特征值向量中的特征值,σ1≥σ2≥,...,≥σ2r;
步骤7 重复步骤6,计算每一个迭代特征值向量的估计信号数,构成单载波估计信
号向量1≤j≤ζ。
步骤8 利用步骤2)中的X,取相邻子载波上的侦听信号,构成2r×N维双载波解调矩阵Pv:Pv=[x(1,v),x(1,v+1),x(2,v),x(2,v+1),...,x(N,v),x(N,v+1)],其中,1≤v≤C;
步骤9 对步骤2)中X的所有相邻子载波重复步骤4)到步骤7),得到双载波估计向量其中,为双载波解调矩阵对应的迭代特征值矩阵第i个特征值向量的信号特征值个数,1≤i≤ζ。
步骤10 利用所有需要识别的空频码组成码型集合Ω,提取Ω中每种码型的单载波符号向量△=[n1,n2,...nζ]和双载波符号向量Λ=[m1,m2,...,mζ],其中nα为空频码第α个子载波的理论符号数,1≤α≤ζ,mβ为空频码第β个子载波和第和β+1子载波的联合符号数,1≤β≤ζ;
步骤11 计算距离判决和向量
11a)利用步骤(6)中的单载波估计向量和步骤8)中的双载波估计向量计算符号向量与估计向量的距离判决和:
11b)重复步骤(10a),计算码型集合Ω中每种空频码对应的距离判决和,构成距离判决和向量Π=[θ1,θ2...θT],T为空频码集合Ω中的码型个数。也就是说将得到单载波估计向量和双载波估计向量均与码型集合中的符号向量做对比,最接近的一个符号向量所对应的码型就为该空频码的码型。
步骤12 取距离判决和向量Π中数值最小的元素对应的码型为判决码型,完成空频码模式盲识别。从判决码型中就可以得到空频编码的模式。
本发明的效果可通过以下仿真进一步详细说明。
仿真1:在不同的接收帧数下,用本发明与现有两种盲识别方法对空频码集合Ω进行识别。
文献[V.Choqueuse,M.Marazin et al.,Blind recognition of linear spacetime block codes:A likelihoodbased approach.IEEE Trans.Signal Processing,58(3),2010,1290-1299]中引入模式选择方法,其设计思想是基于信息论准则的最小描述长度(Minimum Description Length,MDL)和Akaike信息论准则(Akaike InformationCriterion,AIC),对频域接收信号的协方差矩阵进行特征值分解,将得到的特征值和待估识别参数带入到模式选择地似然函数中去,计算与待估识别参数可能取值相对应的似然函数值,找出使似然函数最大的参数值,通过该参数值可进一步确定发射端使用的空频编码模式,在本仿真中将使用MDL准则的方法简记为MDL算法,将使用AIC准则的方法简记为AIC算法。
设仿真信噪比为10dB,接收天线为8,接收帧数范围为10~200,每隔10帧仿真1000次蒙特卡洛实验,每次蒙特卡洛实验将空频码集合Ω中的空频码依次发送识别,记录下每个接收帧数下的正确识别次数,进而得到每个接收帧数下的识别正确率,即可识别码型占空频码集合Ω的比例,仿真结果如图3。其中实线代表本发明的识别正确率,带圈实线代表AIC算法的识别正确率,虚线代表MDL算法的识别正确率。
从图3可以看出:当接收帧数小于40时,带框实线在带圈实线和虚线之上,且远高于虚线,说明本发明的算法在小样本情况下的识别性能要优于AIC算法,同时远远超过MDL算法。
从图3还可以看出:当接收帧数大于40时,带框实线和带圈实线接近重合,且依然远大于虚线,说明即使在大样本下,本发明算法的识别正确率同样不差于现有的两种盲识别方法。
仿真2:在不同的信噪比下,用本发明与现有两种盲识别方法对空频码集合Ω进行识别。
设仿真中接收帧数为20,接收天线为16,信噪比范围为5dB~30dB,每隔1dB仿真1000次蒙特卡洛实验,每次蒙特卡洛实验将空频码集合Ω中的空频码依次发送识别,记录下每个信噪比下的正确识别次数,进而得到每个信噪比下的识别正确率,即可识别码型占空频码集合Ω的比例,仿真结果如图4。其中带框实线代表本发明的识别正确率,带圈实线代表AIC算法的识别正确率,虚线代表MDL算法的识别正确率。
从图4可以看出:带框实线远远在带圈实线和虚线之上,说明在同信噪比下,本发明对空频码集合Ω的识别正确率远高于现有的两种盲识别方法。
从图中还可以看出:本发明算法在信噪比大于12dB的时候,即可达到码型识别正确率>90%,而MDL算法需要大于23dB,AIC算法无法达到,说明本发明大幅度提高了系统在小样本,低信噪比通信条件下的性能,极大地满足了空频码盲识别的工程需要。
Claims (7)
1.一种基于特征提取和分集技术的空频码模式盲识别方法,包括如下步骤:
1)接收端通过r根接收天线接收到发射端发送的长度为Σ的信号序列,得到r×Σ的接收信号矩阵X',其中Σ≥1260,r>2;
2)去除接收信号矩阵中的循环前缀CP,对其进行OFDM解调后,得到r×(N×C)维解调信号矩阵X:
X=[x(1,1),…,x(1,C),x(2,1),…,x(2,C),……,x(N,1),…,x(N,C)]
其中,x(n,l)为解调后第n个OFDM符号中第l个子载波上的接收信号向量,1≤n≤N,1≤l≤C,N为接收到的OFDM符号数,N≥10,C为每个OFDM符号中的子载波个数,C≥32;
3)取解调信号矩阵X中第k个子载波对应的接收信号,构成r×N维单载波解调矩阵Yk:Yk=[x(1,k),x(2,k),...,x(N,k)],其中,1≤k≤C;
4)计算特征值向量
4a)将单载波解调矩阵Yk的实部和虚部并联,得单载波并联矩阵
其中,Re(·)表示取实部运算,Im(·)表示取虚部运算;
4b)计算单载波并联矩阵的自相关矩阵:其中,E[·]表示求期望运算,[·]T表示转置运算;
4c)对单载波自相关矩阵Rk做特征值分解,将得到的特征值按降序排列,构成特征值向量λk=[ρ1,ρ2,...ρη...],其中,ρη为单载波自相关矩阵Rk的特征值,ρ1≥ρ2≥,...ρη≥...,η=1,2,...2r;
5)重复步骤4),计算得到解调信号矩阵中每一个子载波的特征值向量,构成特征值矩阵:ψ=[λ1,λ2,...λN],取迭代特征值矩阵为:
其中,ζ为迭代步长,称特征值矩阵的列向量为迭代特征值向量;
6)利用比值判决法,估计迭代特征值矩阵Ψ中每一个迭代特征值向量包含的信号特征值个数,构成单载波估计向量其中,对应迭代特征值矩阵中第j个迭代特征值向量的信号特征值个数,1≤j≤ζ;
7)利用步骤2)中的X,取相邻子载波上的侦听信号,构成2r×N维双载波解调矩阵Pv:
Pv=[x(1,v),x(1,v+1),x(2,v),x(2,v+1),...,x(N,v),x(N,v+1)],
其中,1≤v≤C;
8)对步骤2)中X的所有相邻子载波重复步骤4)到步骤6),得到双载波估计向量其中,为双载波解调矩阵对应的迭代特征值矩阵第i个特征值向量的信号特征值个数,1≤i≤ζ;
9)利用所有需要识别的空频码组成码型集合Ω,提取Ω中每种码型的单载波符号向量△=[n1,n2,...nζ]和双载波符号向量Λ=[m1,m2,...,mζ],其中nα为空频码第α个子载波的理论符号数,1≤α≤ζ,mβ为空频码第β个子载波和第和β+1子载波的联合符号数,1≤β≤ζ;
10)计算距离判决和向量
10a)利用步骤(6)中的单载波估计向量和步骤8)中的双载波估计向量计算符号向量与估计向量的距离判决和:
10b)重复步骤(10a),计算码型集合Ω中每种空频码对应的距离判决和,构成距离判决和向量Π=[θ1,θ2...θT],T为空频码集合Ω中的码型个数;
11)取距离判决和向量Π中数值最小的元素对应的码型为判决码型,完成空频码模式盲识别。
2.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤(2)中的中的OFDM解调采用的是64点的FFT变换。
3.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤4c)中的特征值分解,采用正交对角分解法,即先在自相关矩阵Rk两边分别乘以正交矩阵Q及其转置矩阵,得到特征值对角矩阵Φ=QTRkQ;再从特征值对角矩阵Φ中提取自相关矩阵Rk的特征值。
4.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤5)中的迭代特征值矩阵的迭代步长需要为空频码码长的整数倍。
5.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤(6)中的比值判决法的运算步骤为:首先,计算迭代特征值矩阵Ψ中迭代特征值向量相邻特征值的比值,得到对应的特征值比值向量
然后,取特征值比值向量γ中最大元素的序号为估计信号数,其中,σ为迭代特征值向量中的特征值,σ1≥σ2≥,...,≥σ2r。
6.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤(8)中双载波估计向量的计算过程中,利用了OFDM系统相邻子载波信道近似相等的特性。
7.根据权利要求1所述的基于特征提取和分集技术的空频码模式盲识别方法,其特征在于,所述步骤(9)中的空频分组码为空时分组码在OFDM系统中应用时,利用频域传输的别称,两者具有相同的编码矩阵,码型集合Ω包括了正交空频分组码,准正交空频分组码和非正交空频分组码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410280370.5A CN104038317B (zh) | 2014-06-21 | 2014-06-21 | 基于特征提取和分集技术的空频码模式盲识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410280370.5A CN104038317B (zh) | 2014-06-21 | 2014-06-21 | 基于特征提取和分集技术的空频码模式盲识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104038317A CN104038317A (zh) | 2014-09-10 |
CN104038317B true CN104038317B (zh) | 2019-12-03 |
Family
ID=51468922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410280370.5A Active CN104038317B (zh) | 2014-06-21 | 2014-06-21 | 基于特征提取和分集技术的空频码模式盲识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104038317B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018110B (zh) * | 2017-02-28 | 2020-06-16 | 西安电子科技大学 | 一种基于主成分序列的空频编码盲识别方法 |
CN112600594B (zh) * | 2020-12-08 | 2022-02-08 | 中国人民解放军海军航空大学航空作战勤务学院 | 空频分组码识别方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1791084A (zh) * | 2004-12-17 | 2006-06-21 | 清华大学 | 时域同步正交频分复用空频编码时频联合信道估计方法 |
CN101325419A (zh) * | 2007-06-11 | 2008-12-17 | 华为技术有限公司 | 一种空频编码的构造方法与装置 |
US7995455B1 (en) * | 2004-01-21 | 2011-08-09 | Marvell International Ltd. | Scalable MIMO-OFDM PHY for high throughput WLANs |
CN103368700A (zh) * | 2013-07-11 | 2013-10-23 | 西安电子科技大学 | 基于特征量预估计的时滞相关空时码模式盲识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7010053B2 (en) * | 2000-11-06 | 2006-03-07 | Hesham El-Gamal | Method and system for utilizing space-time and space-frequency codes for multi-input multi-output frequency selective fading channels |
-
2014
- 2014-06-21 CN CN201410280370.5A patent/CN104038317B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995455B1 (en) * | 2004-01-21 | 2011-08-09 | Marvell International Ltd. | Scalable MIMO-OFDM PHY for high throughput WLANs |
CN1791084A (zh) * | 2004-12-17 | 2006-06-21 | 清华大学 | 时域同步正交频分复用空频编码时频联合信道估计方法 |
CN101325419A (zh) * | 2007-06-11 | 2008-12-17 | 华为技术有限公司 | 一种空频编码的构造方法与装置 |
CN103368700A (zh) * | 2013-07-11 | 2013-10-23 | 西安电子科技大学 | 基于特征量预估计的时滞相关空时码模式盲识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104038317A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104393963B (zh) | 基于循环平稳特性的空时分组码mc‑cdma信号盲识别方法 | |
CN110071881A (zh) | 一种自适应开销的活跃用户检测和信道估计方法 | |
JP5122428B2 (ja) | 移動通信システム、受信装置及び方法 | |
KR100918717B1 (ko) | 다입다출력 직교주파수분할다중화 이동통신 시스템에서의신호 시퀀스 추정 방법 및 장치 | |
CN101494528B (zh) | 发射分集块传输系统的训练序列设计及其信道估计方法 | |
CN106357311A (zh) | 一种基于载波索引调制的mimo‑ofdm系统的检测方法 | |
CN107018110B (zh) | 一种基于主成分序列的空频编码盲识别方法 | |
CN100571098C (zh) | 通信系统中低复杂度的极大似然检测方法及装置 | |
CN108512795A (zh) | 一种基于低精度adc的ofdm接收机基带处理方法和系统 | |
CN110086743A (zh) | 一种基于差分编码的短突发mimo-ofdm通信系统及方法 | |
CN106385308A (zh) | 基于k‑s检测的stbc‑ofdm信号盲识别算法 | |
CN106506427A (zh) | 一种基于folp的stbc‑ofdm信号盲识别方法 | |
Gao et al. | Blind identification of SFBC-OFDM signals using subspace decompositions and random matrix theory | |
CN103368700B (zh) | 基于特征量预估计的时滞相关空时码模式盲识别方法 | |
CN104301281A (zh) | 频率选择性衰落信道下mimo-ofdm系统的发射天线数目估计方法 | |
CN101322365B (zh) | 多载波系统中的噪声功率插值 | |
CN104038317B (zh) | 基于特征提取和分集技术的空频码模式盲识别方法 | |
CN109861793A (zh) | 一种基于二阶统计量的空频分组码信号盲识别方法 | |
Gao et al. | Blind identification of SFBC-OFDM signals using two-dimensional space-frequency redundancy | |
CN108768475A (zh) | 用于mimo-ofdm-im的低复杂度ml接收机算法 | |
CN104618297A (zh) | Ofdm-dcsk通信系统 | |
CN105429925B (zh) | 基于快速独立分量分析的多天线ofdma信号解码方法 | |
CN109660325A (zh) | 数据处理方法及装置 | |
CN107483376A (zh) | 一种用于mimo‑ofdm系统的信号检测方法 | |
Kurniawan et al. | Antenna selection technique for MIMO-OFDM systems over frequency selective Rayleigh fading channel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |