CN104283825B - 一种基于动态压缩感知的信道估计方法 - Google Patents
一种基于动态压缩感知的信道估计方法 Download PDFInfo
- Publication number
- CN104283825B CN104283825B CN201410496061.1A CN201410496061A CN104283825B CN 104283825 B CN104283825 B CN 104283825B CN 201410496061 A CN201410496061 A CN 201410496061A CN 104283825 B CN104283825 B CN 104283825B
- Authority
- CN
- China
- Prior art keywords
- msub
- channel
- mrow
- time delay
- mover
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于动态压缩感知的信道估计方法，其特征在于，该方法包括：对当前时刻的信道多径时延进行初步估计，获得信道多径时延的初步估计值；根据所述信道多径时延的初步估计值，使用降阶的卡尔曼滤波器对信道冲击响应进行恢复，获得信号估计的残差；根据所述信号估计的残差，确定信道多径时延的精确估计值；在所述信道多径时延的精确估计值上对信道冲击响应进行恢复，获得当前时刻的信道冲击响应的估计结果。本发明的基于动态压缩感知的信道估计方法能够大幅减少导频的开销，有助于提高系统的频谱利用率，并且考虑了信道状态变化的时域相关性，有效地提高信道估计的效率和准确性。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种基于动态压缩感知的信道估计方法。
背景技术
在无线通信系统中，无线传播环境非常恶劣且存在极大的随机性。发射信号在传播过程中会经过多次的反射、折射、散射、衍射，这种多样的传播方式将会产生阴影、多径和多普勒效应，从而导致不同的衰落和扩展。为了能够在接收端准确恢复发送信号，可以采用均衡、相干检测、分集等技术抵抗无线信道对发送信号的衰落影响，而上述技术的实现均需要知道无线信道的信道状态信息。
已有的估计信道状态信息的方法可以分为两类：基于参考信号的信道估计和盲信道估计。基于参考信号的信道估计方法是指发送端发送对于接收端是已知的参考信号，接收端根据该参考信号和相应的接收信号来估计信道，其特点是复杂度低、实现简单，因而常用于实际的无线系统中。常见的基于参考信号的信道估计方法有最小二乘法(Least-Square，LS)、最小均方误差法(Minimum Mean-Square Error，MMSE)、变换域信道估计法等。然而，以上信道估计方法均假设信道是密集多径的，需要通过大量的参考信息来进行信道估计，从而导致频谱资源利用率低。
许多研究已经表明无线信道往往呈现稀疏性，即信道中大部分传播路径的能量集中在很小的区域且具有可分辨性，尤其是在传输带宽较大时，这种稀疏性会更加明显。频谱是很稀缺的不可再生的资源，因此，在信道估计计算复杂度可允许的条件下，若能用较少的参考信号获得较高的信道估计准确度，就能极大地提高频谱利用率。压缩感知(CompressedSensing，CS)理论的提出，在理论上为上述问题提供了解决的可能性。根据压缩感知理论，如果一个信号可以在一个特定的空间稀疏表示，那么就可以用远低于奈奎斯特采样率的频率对其进行采样，用最优化方法就可以以很高的概率对信号进行重构。
目前，已有将压缩感知理论应用于信道估计中。但是，现有的基于压缩感知的信道估计方法主要关注于特定时刻的信道估计，并没有考虑信道状态在不同时刻的关联性，即信道的时域相关性。这就使得在每一个时刻的信道估计中，传统的压缩感知信道估计方法都要使用复杂的信号恢复算法独立地去重构信道的状态信息，从而导致信道估计的效率比较低。同时由于没有考虑信道的时域相关性，传统方法的估计准确性也不高。
发明内容
本发明所要解决的技术问题是现有的基于压缩感知的信道估计方法主要关注于特定时刻的信道估计，没有考虑信道状态在不同时刻的关联性，使得在每一个时刻的信道估计中，都要使用复杂的信号恢复算法独立地去重构信道的状态信息，从而导致信道估计的效率比较低。同时由于没有考虑信道的时域相关性，传统方法的估计准确性也不高。
为此目的，本发明提供一种基于动态压缩感知的信道估计方法，其特征在于，该方法包括：
对当前时刻的信道多径时延进行初步估计，获得信道多径时延的初步估计值；
根据所述信道多径时延的初步估计值，使用降阶的卡尔曼滤波器对信道冲击响应进行恢复，获得信号估计的残差；
根据所述信号估计的残差，确定信道多径时延的精确估计值；
在所述信道多径时延的精确估计值上对信道冲击响应进行恢复，获得当前时刻的信道冲击响应的估计结果。
可选的，所述对当前时刻的信道多径时延进行初步估计包括：
对于初始时刻的信号帧，利用压缩感知恢复算法对接收信号进行重构，获得初始时刻信道多径时延的初步估计值；
对于非初始时刻的信号帧，采用上一时刻的信道多径时延的精确估计值作为当前时刻的信道多径时延的初步估计值。
可选的，所述压缩感知恢复算法包括凸优化算法和贪婪算法；
所述凸优化算法包括梯度投影算法、内点法；
所述贪婪算法包括正交匹配追踪算法、压缩采样匹配追踪算法、稀疏度自适应匹配追踪算法、子空间追踪算法。
可选的，所述使用降阶的卡尔曼滤波器对信道冲击响应进行恢复采用如下公式：
Pn|n-1＝aPn-1aT+Q；
其中，表示上一时刻的信道冲击响应的精确估计值，表示当前时刻信道冲击响应的预测值，a表示状态转移矩阵，Φ表示测量矩阵，表示当前时刻的信道多径时延的初步估计值，表示由测量矩阵Φ的部分列组成的局部矩阵，所选择的列由所述所确定，Q表示过程噪声协方差矩阵，R表示信号噪声协方差矩阵，Pn表示当前时刻的误差协方差矩阵，表示求逆，Kn表示当前时刻的卡尔曼增益，I表示单位矩阵，Yn为接收信号中的导频值，表示当前时刻的信道冲击响应的初步估计值。
可选的，所述信号估计的残差的计算如下：
其中，rn为信号估计的残差，Yn为接收信号中的导频值，Φ表示测量矩阵，表示当前时刻的信道冲击响应的初步估计值。
可选的，所述根据所述信号估计的残差，确定信道多径时延的精确估计值，包括：
将所述信号估计的残差与预设的阈值进行比较；
如果信号估计的残差不大于预设的阈值，则信道多径时延的精确估计值为所述信道多径时延的初步估计值；
如果信号估计的残差大于预设的阈值，则根据所述信号估计的残差，更新所述信道多径时延的初步估计值。
可选的，所述根据所述信号估计的残差，更新所述信道多径时延的初步估计值，包括：
利用压缩感知恢复算法对所述信号估计的残差进行重构，获得新增路径的时延信息；
将所述新增路径的时延信息添加到所述信道多径时延的初步估计值中；
检测是否有消失的路径，确定消失的路径后，将所述消失的路径的时延从所述信道多径时延的初步估计值中删除。
可选的，所述压缩感知恢复算法包括凸优化算法和贪婪算法；
所述凸优化算法包括梯度投影算法、内点法；
所述贪婪算法包括正交匹配追踪算法、压缩采样匹配追踪算法、稀疏度自适应匹配追踪算法、子空间追踪算法。
可选的，所述检测是否有消失的路径包括：将多径时延所对应的抽头与预设的门限作比较，若时延所对应的抽头的幅值小于所述预设的门限，则所述时延对应的路径消失。
可选的，所述在所述信道多径时延的精确估计值上对信道冲击响应进行恢复的方法包括最小二乘估计和最小均方误差估计。
相比于现有技术，本发明的基于动态压缩感知的信道估计方法通过压缩感知技术中利用较少测量值就能够恢复稀疏信号的原理，将压缩感知技术应用于信道估计中，能够大幅减少导频的开销，有助于提高系统的频谱利用率。
本发明的基于动态压缩感知的信道估计方法考虑了信道状态变化的时域相关性，在信道估计的过程中，通过降阶的卡尔曼滤波器跟踪信道状态的变化情况，动态自适应地调整信道状态信息。相对于传统的在每个时刻对信道状态信息进行独立恢复的方法，本发明能够有效地提高信道估计的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了稀疏信道时域冲击响应示意图；
图2示出了基于动态压缩感知的信道估计方法流程图；
图3示出了精确估计信道多径时延的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例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，都属于本发明保护的范围。
在信号处理领域，压缩感知(Compressed Sensing)理论指出只要信号在某一个正交空间具有稀疏性，就能以远低于奈奎斯特采样的频率来采样信号，并且可以高概率重构该信号。研究表明，无线信道天生具有很好的稀疏性，一般可以用稀疏的多径信号来建模，这为压缩感知理论应用于信道估计提供了很好的前提。
本实施例公开一种基于动态压缩感知的信道估计方法，在本实施例中，无线信道用抽头时延线模型来描述，如图1所示，时域信道冲击响应可以表示为：
其中，αl和τl分别表示第l条路径的增益和延时；L表示信道模型中抽头时延线的总个数，称为信道长度，在数值上等于τmax/Ts取整后的值(τmax为信道最大多径时延，Ts为系统的采样周期)。
信道的稀疏性表现为只有在少数的路径上有值，且不同路径对应着不同的时延，即信道冲击响应向量hn＝[hn,0,hn,1,…,hn,L-1]T中非零元素的个数很少。此外，无线信道通常是时变的，该时变性表现为在不同时刻向量hn中元素的值会发生变化。
在OFDM系统中，发送信号经过信道到达接收端：
Yn＝XnFnhn+Wn
其中，Yn为第n个时刻所接收到的导频信号，Xn为发送的导频信号，Fn为部分傅里叶变换矩阵，Wn为导频上的噪声。将接收信号写成压缩感知的模式：
Yn＝Φhn+Wn
其中，Φ为压缩感知中的测量矩阵。
本实施例中已知Yn和Φ，基于动态压缩感知的信道估计方法，如图2所示，可包括以下步骤：
S1：对当前时刻的信道多径时延进行初步估计，获得信道多径时延的初步估计值。
对于初始时刻的信号帧，本实施例采用正交匹配追踪(Orthogonal MatchingPursuit,OMP)算法估计信道多径时延对于非初始时刻的信号帧，直接采用上一时刻的信道多径时延的精确估计值作为当前时刻的信道多径时延的初步估计值：
同样的，本实施例也可以采用其他的压缩感知恢复算法，所述算法包括：
凸优化算法：梯度投影算法(Gradient Projection for SparseReconstruction，GPSR)、内点法(Interior Point,IP)；
贪婪算法：压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit,CoSaMP)、稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)、子空间追踪算法(Subspace Pursuit,SP)。
S2：根据所述信道多径时延的初步估计值，使用降阶的卡尔曼滤波器对信道冲击响应进行恢复，获得信号估计的残差。
具体的实现方式如下：
Pn|n-1＝aPn-1aT+Q
其中，表示上一时刻的信道冲击响应的精确估计值，表示当前时刻信道冲击响应的预测值，a表示状态转移矩阵，Φ表示测量矩阵，表示当前时刻的信道多径时延的初步估计值，表示由测量矩阵Φ的部分列组成的局部矩阵，所选择的列由所述所确定，Q表示过程噪声协方差矩阵，R表示信号噪声协方差矩阵，Pn表示当前时刻的误差协方差矩阵，表示求逆，Kn表示当前时刻的卡尔曼增益，I表示单位矩阵，Yn为接收信号中的导频值，表示当前时刻的信道冲击响应的初步估计值。在本实施例中，a的取为单位矩阵。
根据信道冲击响应的初步估计值计算残差：
S3：根据所述信号估计的残差，确定信道多径时延的精确估计值。
由于无线信道是时变的，采用上一时刻的时延信息和当前时刻的接收信号所算得的信号残差反映了信号状态的变化情况。
图3给出了精确估计信道多径时延的示意图。
将信号估计的残差与预设的阈值进行比较，如果信号估计的残差不大于预设的阈值，说明信道时延信息没有变化；如果信号估计的残差大于预设的阈值，说明信道时延信息发生了变化。在本实施例中，所述阈值取为噪声方差
对于残差小于预设阈值的情况，当前时刻的信道多径时延取S1中得到的结果：
对于残差大于预设阈值的情况，则需要对当前时刻的信道多径时延进行更新。更新的过程包括：
利用压缩感知恢复算法对信号估计残差进行重构，获得当前时刻新增路径的时延信息在本实施例中，所述压缩感知恢复算法为稀疏贝叶斯算法(Sparse BayesianLearning,SBL)。
同样的，本实施例也可以采用其他的压缩感知恢复算法，所述算法包括：
凸优化算法：梯度投影算法、内点法；
贪婪算法：正交匹配追踪算法、压缩采样匹配追踪算法、稀疏度自适应匹配追踪算法、子空间追踪算法。
将新增路径的时延添加到时延集中：
检测是否有消失的路径，并将消失路径的时延从时延集中删除：
其中，θ为判断是否有路径消失的门限，如果时延集中对应的某个抽头的幅值小于该门限，则判断该路径消失并将其时延信息删除。
S4：在所述信道多径时延的精确估计值上对信道冲击响应进行恢复，获得当前时刻的信道冲击响应的估计结果。
在本实施例中，采用最小二乘估计得到信道冲击响应的估计结果：
其中， 表示转置。
同样的，本实施例也可以采用最小均方误差估计得到信道冲击响应的估计结果。
对于下一时刻的信道估计，重复S1-S4。
本实施例的基于动态压缩感知的信道估计方法除了保留传统压缩感知信道估计方法所具有的只要使用少量导频就能准确恢复信道状态信息的优点以外，由于充分利用了信道状态变化的时域相关性，通过降阶的卡尔曼滤波器跟踪信道状态的变化情况，动态自适应地调整信道状态信息，使得信道估计的效率和准确性大为提高。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种基于动态压缩感知的信道估计方法，其特征在于，该方法包括：
对当前时刻的信道多径时延进行初步估计，获得信道多径时延的初步估计值；
根据所述信道多径时延的初步估计值，使用降阶的卡尔曼滤波器对信道冲击响应进行恢复，获得信号估计的残差；
根据所述信号估计的残差，确定信道多径时延的精确估计值；
在所述信道多径时延的精确估计值上对信道冲击响应进行恢复，获得当前时刻的信道冲击响应的估计结果；
所述使用降阶的卡尔曼滤波器对信道冲击响应进行恢复采用如下公式：
<mrow>
<msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>a</mi>
<msub>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>;</mo>
</mrow>
Pn|n-1＝aPn-1aT+Q；
<mrow>
<msub>
<mi>K</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>&tau;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>&tau;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>&tau;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<mi>R</mi>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>n</mi>
</msub>
<msub>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>&tau;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
</msub>
<mo>&rsqb;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>&tau;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
</msub>
<msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>|</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，表示上一时刻的信道冲击响应的精确估计值，表示当前时刻信道冲击响应的预测值，a表示状态转移矩阵，Φ表示测量矩阵，表示当前时刻的信道多径时延的初步估计值，表示由测量矩阵Φ的部分列组成的局部矩阵，所选择的列由所述所确定，Q表示过程噪声协方差矩阵，R表示信号噪声协方差矩阵，Pn表示当前时刻的误差协方差矩阵，表示求逆，Kn表示当前时刻的卡尔曼增益，I表示单位矩阵，Yn为接收信号中的导频值，表示当前时刻的信道冲击响应的初步估计值。
2.根据权利要求1所述的方法，其特征在于，所述对当前时刻的信道多径时延进行初步估计包括：
对于初始时刻的信号帧，利用压缩感知恢复算法对接收信号进行重构，获得初始时刻信道多径时延的初步估计值；
对于非初始时刻的信号帧，采用上一时刻的信道多径时延的精确估计值作为当前时刻的信道多径时延的初步估计值。
3.根据权利要求2所述的方法，其特征在于，所述压缩感知恢复算法包括凸优化算法和贪婪算法；
所述凸优化算法包括梯度投影算法、内点法；
所述贪婪算法包括正交匹配追踪算法、压缩采样匹配追踪算法、稀疏度自适应匹配追踪算法、子空间追踪算法。
4.根据权利要求1所述的方法，其特征在于，所述信号估计的残差的计算如下：
<mrow>
<msub>
<mi>r</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<mi>&Phi;</mi>
<msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
</msub>
<mo>;</mo>
</mrow>
其中，rn为信号估计的残差，Yn为接收信号中的导频值，Φ表示测量矩阵，表示当前时刻的信道冲击响应的初步估计值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述信号估计的残差，确定信道多径时延的精确估计值，包括：
将所述信号估计的残差与预设的阈值进行比较；
如果信号估计的残差不大于预设的阈值，则信道多径时延的精确估计值为所述信道多径时延的初步估计值；
如果信号估计的残差大于预设的阈值，则根据所述信号估计的残差，更新所述信道多径时延的初步估计值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述信号估计的残差，更新所述信道多径时延的初步估计值，包括：
利用压缩感知恢复算法对所述信号估计的残差进行重构，获得新增路径的时延信息；
将所述新增路径的时延信息添加到所述信道多径时延的初步估计值中；
检测是否有消失的路径，确定消失的路径后，将所述消失的路径的时延从所述信道多径时延的初步估计值中删除。
7.根据权利要求6所述的方法，其特征在于，所述压缩感知恢复算法包括凸优化算法和贪婪算法；
所述凸优化算法包括梯度投影算法、内点法；
所述贪婪算法包括正交匹配追踪算法、压缩采样匹配追踪算法、稀疏度自适应匹配追踪算法、子空间追踪算法。
8.根据权利要求6所述的方法，其特征在于，所述检测是否有消失的路径包括：将多径时延所对应的抽头与预设的门限作比较，若时延所对应的抽头的幅值小于所述预设的门限，则所述时延对应的路径消失。
9.根据权利要求1所述的方法，其特征在于，所述在所述信道多径时延的精确估计值上对信道冲击响应进行恢复的方法包括最小二乘估计和最小均方误差估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410496061.1A CN104283825B (zh) | 2014-09-24 | 2014-09-24 | 一种基于动态压缩感知的信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410496061.1A CN104283825B (zh) | 2014-09-24 | 2014-09-24 | 一种基于动态压缩感知的信道估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104283825A CN104283825A (zh) | 2015-01-14 |
| CN104283825B true CN104283825B (zh) | 2017-11-03 |
Family
ID=52258317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410496061.1A Active CN104283825B (zh) | 2014-09-24 | 2014-09-24 | 一种基于动态压缩感知的信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104283825B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104702390B (zh) * | 2015-02-04 | 2017-09-29 | 南京邮电大学 | 分布式压缩感知信道估计中的导频分配方法 |
| CN104767704B (zh) * | 2015-03-19 | 2018-04-27 | 深圳市力合微电子股份有限公司 | 一种ofdm信道估计装置和方法 |
| CN104935536B (zh) * | 2015-04-22 | 2018-03-06 | 华为技术有限公司 | 一种数据处理设备及方法 |
| CN105634634B (zh) * | 2016-01-29 | 2018-04-13 | 北京邮电大学 | 一种存在未知定时的异步信道感知方法 |
| CN106534028B (zh) * | 2016-11-07 | 2020-04-17 | 中山大学 | 基于压缩感知的ofdm信道跟踪方法 |
| CN106506415B (zh) * | 2016-11-25 | 2019-05-10 | 重庆邮电大学 | 一种多用户mimo-ofdm系统信道估计的方法 |
| CN107833188B (zh) * | 2017-10-30 | 2021-07-06 | 辽宁工程技术大学 | 一种自适应稀疏型子空间追踪层析成像重构的方法 |
| CN109067502B (zh) * | 2018-09-11 | 2021-01-29 | 无锡北邮感知技术产业研究院有限公司 | 基于动态自适应压缩感知的多用户检测方法及电子设备 |
| CN109561036B (zh) * | 2019-01-15 | 2021-06-18 | 哈尔滨工程大学 | 一种基于凸优化的水声信道盲解卷积方法 |
| CN111478783B (zh) * | 2019-01-23 | 2023-01-13 | 中国移动通信有限公司研究院 | 一种配置无线传输参数的方法和设备 |
| CN110686846B (zh) * | 2019-10-11 | 2021-10-01 | 河海大学常州校区 | 一种冲击监测系统的信号重构方法 |
| CN111398966B (zh) * | 2020-04-02 | 2023-05-05 | 哈尔滨工程大学 | 一种主动声呐目标检测方法 |
| CN112118061A (zh) * | 2020-09-11 | 2020-12-22 | 西安交通大学 | 一种基于快速功率谱估计的稀疏宽带频谱感知方法 |
| CN114465852B (zh) * | 2022-03-17 | 2023-11-28 | 哲库科技(北京)有限公司 | 信号处理方法及相关装置 |
| CN115022133B (zh) * | 2022-05-31 | 2023-08-18 | 厦门大学 | 一种结构分解的多径类型适配水声信道估计方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497337A (zh) * | 2011-12-11 | 2012-06-13 | 天津大学 | 一种基于稀疏度自适应的压缩感知无线通信信道估计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100246920A1 (en) * | 2009-03-31 | 2010-09-30 | Iowa State University Research Foundation, Inc. | Recursive sparse reconstruction |
| US9007260B2 (en) * | 2010-11-22 | 2015-04-14 | The Charles Stark Draper Laboratory, Inc. | Coded filter |
-
2014
- 2014-09-24 CN CN201410496061.1A patent/CN104283825B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497337A (zh) * | 2011-12-11 | 2012-06-13 | 天津大学 | 一种基于稀疏度自适应的压缩感知无线通信信道估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卡尔曼滤波压缩感知的超宽带信道估计;石磊等;《北京理工大学学报》;20120229;第32卷(第2期);第170-183页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104283825A (zh) | 2015-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104283825B (zh) | 一种基于动态压缩感知的信道估计方法 | |
| Djuric et al. | Particle filtering | |
| CN102144377B (zh) | 用于硬限信号的信道估计与均衡 | |
| CN109039960A (zh) | 一种水声稀疏信道估计变步长稀疏度自适应匹配追踪方法 | |
| Hanna et al. | Signal processing-based deep learning for blind symbol decoding and modulation classification | |
| US8295341B2 (en) | Cognitive radio device | |
| CN103701730B (zh) | 信道时域相关性低复杂度压缩感知的信道估计方法及装置 | |
| CN102111360A (zh) | 一种基于实时信噪比估计动态切换信道均衡算法 | |
| Shilong et al. | Particle filtering based single-channel blind separation of co-frequency MPSK signals | |
| CN103428153A (zh) | 卫星移动通信中gmsk信号接收方法 | |
| CN102164110B (zh) | 频域均衡方法和系统 | |
| CN102710564B (zh) | 一种信道时域冲激响应滤波方法及装置 | |
| CN102404044B (zh) | 基于tdma技术的数字无线集群通信系统中对上行信号的一种帧同步检测方法及帧同步检测装置 | |
| Zhang et al. | Joint passive-phase conjugation with adaptive multichannel combining for coherent underwater acoustic communications | |
| CN106385272A (zh) | 基于随机共振和时间反转镜的水下信号增强方法 | |
| Cannelli et al. | Adaptive turbo equalization for underwater acoustic communication | |
| Arunkumar et al. | Soft symbol decoding in sweep-spread-carrier underwater acoustic communications: a novel variational Bayesian algorithm and its analysis | |
| WO2013071759A1 (zh) | 一种相位噪声的估计方法、估计装置、接收机及通信设备 | |
| Jamshidi et al. | Experiential assessment of iteratively residual interference elimination in the passive phase conjugation for acoustic underwater communications | |
| WO2017054339A1 (zh) | 一种迭代信道估计方法及装置、计算机存储介质 | |
| Niazadeh et al. | ISI sparse channel estimation based on SL0 and its application in ML sequence-by-sequence equalization | |
| WO2007076638A1 (fr) | Procede de demodulation 8psk dans un systeme edge | |
| CN102724146B (zh) | 多天线移动信道特征参数的联合估计方法 | |
| CN102882816B (zh) | 一种多路信号均衡的方法及装置 | |
| Yang et al. | Direct path detection using multipath interference cancelation for communication-based positioning system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |