CN105847192B - 一种动态稀疏信道的联合估计方法 - Google Patents
一种动态稀疏信道的联合估计方法 Download PDFInfo
- Publication number
- CN105847192B CN105847192B CN201610152382.9A CN201610152382A CN105847192B CN 105847192 B CN105847192 B CN 105847192B CN 201610152382 A CN201610152382 A CN 201610152382A CN 105847192 B CN105847192 B CN 105847192B
- Authority
- CN
- China
- Prior art keywords
- channel
- sparse
- rarefication
- bem
- ofdm symbol
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/022—Channel estimation of frequency response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0226—Channel estimation using sounding signals sounding signals per se
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
Abstract
一种动态稀疏信道的联合估计方法,基于OFDM无线通信系统,采用基于导频的信道估计方法,包括步骤1)构造动态稀疏信道模型;2)利用复指数基扩展模型对时间频率双选信道进行建模;3)对于在J个不同时刻发送的J个不同的OFDM符号,利用离散随机优化算法求得最优导频位置分布,设计稀疏导频模式,推导信道估计模型;4)利用联合微分正交匹配追踪(DSOMP)算法估计当前第j个时刻的稀疏度K(j);5)根据SOMP算法以及稀疏度K(j)估计在第j个时刻时动态信道的信道特征。本发明能够有效对抗时间频率双重选择性衰落,估计得到动态信道的信道特征,提高信道估计的准确度和频谱利用率。
Description
技术领域:
本发明涉及在时频双重选择性衰落环境中,基站与移动终端进行上下行链路通信时,接收机进行信道估计的方法,具体是一种动态稀疏信道的联合估计方法,属于无线通信技术领域。
背景技术:
在无线通信系统中,正交频分复用(OFDM)系统可以有效的消除频率选择性衰落,克服多径衰落的影响。但是对于时频双选信道,提供一种准确的信道信息估计方案至关重要。
基于信道的稀疏性,越来越多的研究将压缩感知(CS)理论用于稀疏信道估计,CS理论突破了奈奎斯特采样定理的限制,用很少的测量值就能恢复原始信号。和CS相比,分布式压缩感知(DCS)用于恢复一组联合稀疏的信号,能更准确的找到稀疏信号的非零位置,所以能提高恢复精度,例如正交匹配追踪(OMP)和联合正交匹配追踪(SOMP),可以用较少的取样更准确地恢复原始的发射信号。
但是对于动态的稀疏信道来说,信道的时延特性会随着时间发生动态变化,增益非零的信道抽头在某一时刻可能产生或消失,导致信道的稀疏度随之发生变化。之前提出的基于CS、DCS的信道估计方案忽视了这一动态变化,将信道稀疏度作为一个固定值,将会严重影响信道估计的准确度。
发明内容:
本发明的目的在于针对上述现有技术存在的问题,提出一种动态稀疏信道联合估计的方法,对时间频率双选信道进行合理建模,根据信道的时间相关性,估计出不同时刻的信道稀疏度,利用分布式压缩感知理论,采用SOMP方案,提高接收机信道估计的精度。
本发明的主要原理是:
宽带无线通信系统中,增益非零的信道抽头随着时间会发生动态变化。利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模,从而将信道系数hl (j)的估计问题转换为对CE-BEM系数的估计问题。在不同的时刻发送不同的符号,每个OFDM符号内部具有联合稀疏性,利用信道的时间相关性,采用微分联合正交匹配追踪算法(D-SOMP),联合估计非零信道抽头的这一动态变化,得到当前时刻的稀疏度,然后利用SOMP算法求解CE-BEM系数,估计动态稀疏信道的信道特征。
本发明的技术解决方案如下:
一种动态稀疏信道的联合估计方法,适用于正交频分复用系统中信道动态变化,信道时延及信道稀疏特性随之发生变化的情况。利用符号内部的联合稀疏特性,基于压缩感知理论对信道进行估计,该方法包括如下步骤:
(1)构造动态稀疏信道的模型。对于宽带无线通信信道而言,信道增益变化非常缓慢,可以忽略不计,而信道时延则会发生显著地变化,在不同的时刻,非零信道抽头可能产生或者消失,如图1所示。在模型中,用二进制的代表在第j个OFDM符号发送时刻信道的第l条路径上信道抽头是否为零,则信道的L条路径上表示为代表第j个OFDM符号所对应的动态稀疏信道的非零信道抽头下标集合,此时信道的稀疏度表示为K(j)=|ζ(j)|,它将会发生动态变化。将看作一个离散的马尔可夫过程,信道抽头根据两个转化概率进行变化,其中初始化服从伯努利分布,即:
(2)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下:
其中,j代表第j个OFDM符号,Q代表CE-BEM阶数,L代表路径数,表示第l条路径对应的抽头系数,bq(0≤q≤Q-1)代表CE-BEM基函数,c(j)[q,l]代表CE-BEM系数,代表CE-BEM建模误差,为了计算的简便,建模误差将被忽略。基函数bq表示为:
其中,N表示一个OFDM符号子载波的个数。对于连续J个OFDM符号,每个符号对应的CE-BEM基函数相同,BEM系数不同。
考虑到信道的延时域具有稀疏性,只有一小部分的信道抽头增益为零,即根据其中CE-BEM系数向量也是稀疏的,即第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K(j),并且具有联合稀疏性,不仅稀疏度相同,而且非零元素下标集也相同。
(3)对于连续J个OFDM符号,利用离散随机最优化(DSO)算法确定导频位置,设计稀疏导频模式。导频序列包括G个有效导频和(2Q-2)G个保护导频,其中K(j)<G<<L,K(j)表示第j个OFDM符号发送时刻无线信道延时域的稀疏度;有效导频和保护导频幅度分别取1和0,有效导频序列记为Pe={p0,···,pG-1},(0≤p0<···<pG-1≤N-1),保护导频序列记为Pg={Pe-Q+1}∪···∪{Pe-1}∪{Pe+1}∪···∪{Pe+Q-1},保护导频位于有效导频两侧,防止数据子载波对有效导频的干扰。将导频分为Q个子序列:
其中表示所有有效导频构成的子序列。
在接收端,第j个OFDM符号对应的接收信号可以表示为:
R(j)=H(j)T(j)+W(j)=FNh(j)INT(j)+W(j) (4)
其中,T(j)代表发送信号,W(j)包括建模和噪声误差,FN代表N点离散傅里叶变换(DFT)矩阵,IN代表N点离散傅里叶反变换(IDFT)矩阵。
信道的频域表示为:
式中,D{bq}代表bq作为对角元素的对角矩阵,VL代表(离散傅里叶变换矩阵)的前L列构成的矩阵。
信道的时域表示为:那么信道的频域以CE-BEM的形式表示为:
因此,接收信号表示如下:
结合CE-BEM的特性和设计的导频模式,得到信道估计模型如下:
式中,测量矩阵代表对角矩阵,第j个OFDM符号的有效导频子载波为对角元素,由于CE-BEM系数向量具有联合稀疏性,所以向量具有联合稀疏性,其中Λq是一个对角矩阵,表示如下:
考虑到的联合稀疏性,式(9)中的等式共用相同的测量矩阵Φ(j),式(9)可以表述成更加简洁的形式:
(4)对于式(10)所示模型,采用联合微分正交匹配追踪(DSOMP)算法得到当前时刻的稀疏度K(j)。根据动态稀疏信道的时间相关性,利用对前一时刻的估计结果获得当前时刻的信道信息,然后充分挖掘接收信号的联合稀疏性,估计非零信道抽头发生的动态变化,降低计算复杂度,提高估计的准确度。设输入为接收信号测量矩阵Φ=[Φ0,...ΦL-1],阈值Fth,输出为信道稀疏度估计值K=(K(1),...,K(J))。DSOMP算法步骤如下
a)设置初始值:迭代次数j=1,信道稀疏度K(1)=3,路径时延下标集ζ(1)={1,2,3},稀疏向量
b)迭代次数增加j=2;
c)计算接收信号残差
d)计算增加的支持向量
e)更新路径时延下标集
f)更新稀疏向量
g)估计当前时刻消失的非零信道抽头下标:
将所对应的稀疏向量中的元素置为零:获得最终的稀疏向量
h)更新路径时延下标集
i)计算当前时刻的信道稀疏度:
j)更新迭代次数:j=j+1;
k)重复步骤c)到j)直到j=J。
(5)计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K(j)后,将其应用于SOMP算法可以更加准确地估计出稀疏向量S(j),恢复CE-BEM系数公式如下:
其中对角矩阵
根据式(1)得到信道抽头系数进而得到信道系数h(j),实现OFDM系统的动态稀疏信道估计。
通过以上步骤,可以得到每个OFDM符号对应的每个时刻n,每条路径j的信道系数,实现OFDM系统在高速移动环境下的信道估计。
与现有的信道估计方法相比,本发明对动态稀疏信道的联合估计能够有效解决信道的动态变化问题,同时提高信道估计的准确度和频谱利用率。
附图说明:
图1信道时延的动态变化图
具体实施方式:
下面结合附图和具体实施例对本发明做进一步的描述。本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
LTE是一项基于OFDM传输系统的无线通信协议。采用7.68MHz带宽按照LTE协议进行下行链路无线通信时,取CE-BEM阶数Q=3,信道路径数L=20,子载波数目N=128,初始时刻信道稀疏度K(1)=3,发送的OFDM符号个数J=5。本发明的动态稀疏信道的联合估计的具体步骤如下:
(1)构造动态稀疏信道的模型。用二进制的代表在第j个符号发送时刻信道的第l条路径上信道抽头是否为零,则信道的20条路径表示为 代表第j个符号所对应的动态稀疏信道的非零信道抽头下标集合,此时信道的稀疏度可以表示为K(j)=|ζ(j)|,它将会发生动态变化。将看作一个离散的马尔可夫过程,信道抽头根据两个转化概率进行变化,其中初始化服从伯努利分布,即:
(2)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下:
其中,j代表OFDM符号的序号,表示第l条路径对应的抽头系数,bq(0≤q≤2)代表CE-BEM基函数,c(j)[q,l]代表CE-BEM系数,基函数bq表示为:
对于连续5个OFDM符号,每个符号对应的CE-BEM基函数相同,BEM系数不同。
考虑到信道的延时域具有稀疏性,只有一小部分的信道抽头增益为零,即 根据其中 CE-BEM系数向量也是稀疏的,即第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K(j),并且具有联合稀疏性,不仅稀疏度相同,而且非零元素下标集也相同。
(3)对于连续5个OFDM符号,利用离散随机最优化(DSO)算法确定导频位置,导频序列包括16个有效导频和64个保护导频,有效导频和保护导频幅度分别取1和0,有效导频序列记为Pe={p0,p1,p2},(0≤p0<p1<p2≤127),保护导频序列记为Pg={Pe-2}∪{Pe-1}∪{Pe+1}∪{Pe+2},保护导频位于有效导频两侧,防止数据子载波对有效导频的干扰。将导频分为3个子序列:
{P0,P1,P2}={Pe-1,Pe,Pe+1} (14)
其中P1表示所有有效导频构成的子序列。
在接收端,第j个OFDM符号对应的接收信号可以表示为:
R(j)=H(j)T(j)=F128h(j)I128T(j) (15)
其中,F128代表128点离散傅里叶变换(DFT)矩阵,I128代表128点离散傅里叶反变换(IDFT)矩阵。
信道的频域表示为:
式中,D{bq}代表bq作为对角元素的对角矩阵,V20代表(离散傅里叶变换矩阵)的前20列构成的矩阵。
信道的时域表示为:那么信道的频域以CE-BEM的形式表示为:
因此,接收信号表示如下:
结合CE-BEM的特性和设计的导频模式,得到信道估计模型如下:
式中,测量矩阵代表对角矩阵,第j个OFDM符号的有效导频子载波为对角元素,由于CE-BEM系数向量具有联合稀疏性,所以向量具有联合稀疏性,其中Λq是一个对角矩阵,表示如下:
考虑到的联合稀疏性,式(19)中的等式共用相同的测量矩阵Φ(j),式(19)可以表述成更加简洁的形式:
(4)对于式(21)所示模型,采用联合微分正交匹配追踪(DSOMP)算法,设输入为接收信号测量矩阵Φ=[Φ0,...Φ19],阈值Fth,输出为信道稀疏度估计值K=(K(1),...,K(5))。DSOMP算法步骤如下
a)设置初始值:迭代次数j=1,信道稀疏度K(1)=3,路径时延下标集
ζ(1)={1,2,3},稀疏向量
b)迭代次数增加j=2;
c)计算接收信号残差
d)计算增加的支持向量
e)更新路径时延下标集
f)更新稀疏向量
g)估计当前时刻消失的非零信道抽头下标:
将所对应的稀疏向量中的元素置为零:获得最终的稀疏向量
h)更新路径时延下标集
i)计算当前时刻的信道稀疏度:
j)更新迭代次数:j=j+1;
k)重复步骤c)到j)直到j=5。
(5)计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K(j)后,将其应用于SOMP算法可以更加准确地估计出稀疏向量S(j),恢复CE-BEM系数公式如下:
其中j=1,···,5对角矩阵
根据式(13)得到信道抽头系数实现OFDM系统的动态稀疏信道估计。
通过以上步骤,可以得到每个OFDM符号对应的每个时刻,每条路径的信道系数,实现7.68MHz带宽下以LTE协议为标准的动态稀疏信道的联合估计。
Claims (2)
1.一种动态稀疏信道的联合估计方法,其特征在于,该方法包括如下步骤:
①构造动态稀疏信道的模型:
代表在第j个OFDM符号发送时刻信道的第l条路径上信道抽头是否为零,则信道的L条路径表示为
代表第l条路径第j个OFDM符号所对应的动态稀疏信道的非零信道抽头下标集合,则信道的稀疏度表示为K(j)=|ζ(j)|;
表示信道抽头根据两个转化概率进行变化,其中初始化服从伯努利分布,即:
②利用复指数基扩展模型CE-BEM对时频双选信道进行建模:
其中,j代表第j个OFDM符号,Q代表CE-BEM阶数,L代表信道路径数,表示第l条路径对应的抽头系数,bq(0≤q≤Q-1)代表CE-BEM基函数,c(j)[q,l]代表CE-BEM系数,代表CE-BEM建模误差,忽略不计;
CE-BEM基函数bq表示为:
其中,N表示一个OFDM符号子载波的个数,对于连续发送的J个OFDM符号,每个符号对应的CE-BEM基函数相同,BEM系数不同;
根据 c(j)[0,m]代表第j个OFDM符号的第1列第m条路径对应的CE-BEM系数,第j个OFDM符号的第q列CE-BEM系数向量表示为其中每一个系数向量都具有相同的稀疏度K(j),并且具有联合稀疏性,即稀疏度相同,非零元素下标集相同;
③对于连续发送的J个OFDM符号,利用离散随机最优化算法确定导频位置,设计稀疏导频模式,导频序列包括G个有效导频和(2Q-2)G个保护导频,其中K(j)<G<<L,K(j)表示第j个符号发送时刻无线信道延时域的稀疏度;有效导频和保护导频幅度分别取1和0,有效导频序列记为Pe={p0,···,pG-1},(0≤p0<···<pG-1≤N-1),保护导频序列记为Pg={Pe-Q+1}∪···∪{Pe-1}∪{Pe+1}∪···∪{Pe+Q-1},保护导频位于有效导频两侧;
将导频分为Q个子序列:
其中表示所有有效导频构成的子序列;
在接收端,第j个OFDM符号对应的接收信号表示为:
其中,T(j)代表发送信号,W(j)包括建模和噪声误差,FN代表N点离散傅里叶变换矩阵,IN代表N点离散傅里叶反变换矩阵, D{bq}代表bq作为对角元素的对角矩阵,VL代表离散傅里叶变换矩阵的前L列构成的矩阵;
结合CE-BEM的特性和设计的导频模式,得到信道估计模型如下:
式中,测量矩阵 代表对角矩阵,第j个OFDM符号的有效导频子载波为对角元素,Λq是一个对角矩阵,表示如下:
④采用联合微分正交匹配追踪算法得到当前时刻的稀疏度K(j);
⑤计算出第j个OFDM符号所对应的第j个时刻的信道稀疏度K(j)后,将其应用于SOMP算法估计出稀疏向量S(j),恢复CE-BEM系数公式如下:
其中对角矩阵
根据式(1)得到信道抽头系数实现OFDM系统的动态稀疏信道估计。
2.根据权利要求1所述的动态稀疏信道的联合估计方法,其特征在于,所述的步骤④利用联合微分正交匹配追踪算法得到第j个OFDM符号所对应的第j个时刻的信道稀疏度K(j),具体步骤为:
设输入为接收信号测量矩阵Φ=[Φ0,...ΦL-1],阈值Fth,输出为信道稀疏度估计值K=(K(1),...,K(J));
DSOMP算法步骤如下:
a)设置初始值:迭代次数j=1,初始信道稀疏度K(1)=3,初始路径时延下标集ζ(1)={1,2,3},稀疏向量
b)迭代次数增加j=2;
c)计算接收信号残差
d)计算增加的支持向量
e)更新路径时延下标集
f)更新稀疏向量
g)估计当前时刻消失的非零信道抽头下标:将所对应的稀疏向量中的元素置为零:获得最终的稀疏向量
h)更新路径时延下标集
i)计算当前时刻的信道稀疏度:
j)更新迭代次数:j=j+1;
k)重复步骤c)到j)直到j=J。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152382.9A CN105847192B (zh) | 2016-03-17 | 2016-03-17 | 一种动态稀疏信道的联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152382.9A CN105847192B (zh) | 2016-03-17 | 2016-03-17 | 一种动态稀疏信道的联合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105847192A CN105847192A (zh) | 2016-08-10 |
CN105847192B true CN105847192B (zh) | 2019-02-26 |
Family
ID=56588108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610152382.9A Active CN105847192B (zh) | 2016-03-17 | 2016-03-17 | 一种动态稀疏信道的联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105847192B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106972875B (zh) * | 2017-02-26 | 2020-12-04 | 上海交通大学 | 一种mimo系统下多维联合估计动态稀疏信道的方法 |
CN108566347B (zh) * | 2018-04-04 | 2021-10-29 | 南京邮电大学 | 一种多用户ofdm系统双选择稀疏信道的导频设计方法 |
CN116016051B (zh) * | 2022-12-28 | 2023-10-10 | 哈尔滨工程大学 | 基于基扩展模型的fbmc-oqam系统信道拟合与估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158440A (zh) * | 2011-04-12 | 2011-08-17 | 电子科技大学 | 一种基于最优遗忘因子的半盲rls信道估计方法 |
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 |
CN104022977A (zh) * | 2014-06-17 | 2014-09-03 | 东南大学 | 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 |
CN105227505A (zh) * | 2015-10-10 | 2016-01-06 | 上海交通大学 | 一种高速移动环境下的多符号联合信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8300742B1 (en) * | 2007-11-21 | 2012-10-30 | Bromberg Matthew C | Systems and methods for channel based beamforming for stacked carrier multiple access |
-
2016
- 2016-03-17 CN CN201610152382.9A patent/CN105847192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158440A (zh) * | 2011-04-12 | 2011-08-17 | 电子科技大学 | 一种基于最优遗忘因子的半盲rls信道估计方法 |
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 |
CN104022977A (zh) * | 2014-06-17 | 2014-09-03 | 东南大学 | 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 |
CN105227505A (zh) * | 2015-10-10 | 2016-01-06 | 上海交通大学 | 一种高速移动环境下的多符号联合信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105847192A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103780521B (zh) | 一种稀疏度自适应的ofdm系统信道估计方法 | |
CN101056302B (zh) | Ofdm系统中基于ukf的信道与载波频率偏移估计方法 | |
CN102111205B (zh) | 具有多个发射天线的通信系统的信道估计 | |
CN102387115B (zh) | 一种ofdm导频方案设计及信道估计方法 | |
JP5709774B2 (ja) | 無線多入力多出力(mimo)ネットワークにおいて送信機と受信機との間のチャネルのためのチャネル行列を推定するための方法 | |
CN106130939B (zh) | 一种迭代的mimo-ofdm系统中快时变信道估计方法 | |
US20160315791A1 (en) | Methods and devices for channel estimation and ofdm receiver | |
CN104767587B (zh) | 基于ofdm系统下联合信道编译码的压缩感知信道估计方法 | |
CN102804719B (zh) | 用于无线通信系统中增强信道估计的方法和设备 | |
CN104320369B (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN105915473B (zh) | 一种基于压缩感知技术的ofdm系统参数化信道估计及均衡方法 | |
CN103051578B (zh) | 带有ici消除的迭代差错扩散判决ofdm信道估计方法 | |
CN107222438B (zh) | 高速移动sc-fdma系统的简化bem信道估计方法 | |
CN108156101B (zh) | 一种mimo-scfde系统联合迭代信道估计与迭代均衡方法 | |
CN108712353A (zh) | 软迭代信道估计方法 | |
CN105227505A (zh) | 一种高速移动环境下的多符号联合信道估计方法 | |
CN105847192B (zh) | 一种动态稀疏信道的联合估计方法 | |
CN103338168A (zh) | 基于加权分数傅立叶变换的双弥散信道下的迭代时域最小均方误差均衡方法 | |
CN107171988A (zh) | 可见光通信中基于压缩感知的omp稀疏信道估计方法 | |
CN106972875B (zh) | 一种mimo系统下多维联合估计动态稀疏信道的方法 | |
CN105337906A (zh) | 信道估计方法及装置 | |
CN103873406A (zh) | 水声正交频分复用通信系统帧间干扰消除方法 | |
CN104836770A (zh) | 一种基于相关平均与加窗的定时估计方法 | |
CN106789791A (zh) | 基于共轭对称训练序列的移动通信系统载波频偏估计方法 | |
CN102790746A (zh) | Ofdm系统的信道估计方法 |
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 |