CN107395535A - 一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 - Google Patents
一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 Download PDFInfo
- Publication number
- CN107395535A CN107395535A CN201710554672.0A CN201710554672A CN107395535A CN 107395535 A CN107395535 A CN 107395535A CN 201710554672 A CN201710554672 A CN 201710554672A CN 107395535 A CN107395535 A CN 107395535A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- value
- particle
- msub
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013535 sea water Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 108010003272 Hyaluronate lyase Proteins 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法，该方法在粒子群优化算法PSO的基础上，通过创建一个多径列表来记录局部最优粒子的位置和适应度值，并用于迭代中粒子速度的更新。算法结束时，根据多径列表的记录值，可以同时估计出每一径的多普勒扩展、时延和幅度参数。本发明提出的改进粒子群优化算法MPSO的估计精度优于匹配追踪MP算法和分数阶傅里叶变换FrFT算法。
Description
技术领域
本发明涉及水声信道参数估计技术领域，尤其是一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法。
背景技术
近年来水声通信受到了广泛的关注和研究，然而，水声信道严重的多径扩展和多普勒效应却限制了水声通信的性能。在陆地无线通信中，多普勒效应可以近似为多普勒频移，而在水声通信中，由于信号带宽与声波频率相当，水声信道呈现出宽带特性，不同频率受到的多普勒效应影响不同，因而将多普勒效应处理为多普勒扩展。另外，水下实验发现，不同路径的多普勒扩展因子不同，因而MSML信道模型可以较好的描述水声信道特点。
在MSML信道模型中，每一条路径被参数化为幅度、时延和多普勒扩展因子三个参数。现有的信道参数估计算法主要是基于压缩感知(compressed-sensing，CS)和FrFT。CS常用的贪婪算法包括基追踪(basis pursuit，BP)和MP算法。MP算法在每一次迭代中找出字典中与接收信号相关值最大的列，作为一条路径的参数，并减去该径以更新接收信号；在MP算法的基础上，通过使剩余信号与已选出的每一列正交，提出了正交匹配追踪(orthogonalmatching pursuit，OMP)算法，OMP算法具有更优的估计精度和收敛速度；同时，也有一些算法提出自适应估计路径数，如稀疏自适应匹配追踪(sparsity adaptive matchingpursuit，SaMP)算法和自适应步长SaMP算法。然而，所有基于CS的算法都有一个共同的缺点：使用预定义的字典来近似目标信号，估计精度受限于字典的大小和计算量的要求。
基于FrFT的算法采用线性调频(linear frequency modulation，LFM)信号作为前导，因为选取合适的阶数，LFM信号可以变换为FrFT域上的一个冲激信号。根据发射的LFM信号与接收的LFM信号对应的最佳阶数的变化可以计算出多普勒扩展因子。在此基础上，利用迭代的方式可以估计MSML信道参数，在每一次迭代中，依次估计出多普勒扩展因子、时延和幅度，并更新接收信号。基于FrFT的算法的主要缺点在于LFM的时间分辨率较差，因而导致时延和多普勒扩展估计精度的降低。
因而本发明提出了MPSO算法进行水声信道参数估计，该算法适用于基于训练序列进行信道估计的水声系统。仿真结果显示所提算法的估计性能优于MP算法和FrFT算法。
发明内容
本发明所要解决的技术问题在于，提供一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法，能够同时估计出各条路径的多普勒扩展、时延和幅度参数。
为解决上述技术问题，本发明提供一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法，包括如下步骤：
(1)用每一个粒子的位置表示一个可能的多普勒扩展因子，时延参数对，在问题空间中进行初始化，计算相应的适应度值，并将大于阈值thr1的粒子位置及其适应度值记录在多径列表中；
(2)对每一个粒子，从多径列表中找出与其最邻近的时延值，若该时延点对应的适应度较大，则用该适应度值更新粒子速度，记作式1，否则仅用粒子自身适应度值更新速度，记作式2；
(3)更新粒子的位置并重新计算适应度值；
(4)对于适应度值大于列表中最小值的粒子，从列表中选取与其时延值最近的点，计算时延差值；
(5)若时延差值大于阈值Δpeak，将该粒子添加进多径列表，否则比较两者的适应度值，取较大者作为列表中记录值；
(6)循环执行直至算法结束，从列表中选取适应度值大于阈值thr2的粒子位置，即为多普勒扩展因子和时延估计值，相应的适应度值为幅度估计值。
优选的，步骤(1)中，问题空间即为路径参数可能的取值空间，包括时延和多普勒扩展因子的取值范围，一般认为最大时延扩展为训练序列的时间长度，最大多普勒扩展为收发端最大相对运动速度与声波在海水中的速度的比值。
优选的，步骤(1)中，粒子i适应度值的计算公式为：
其中r(t)为接收信号，s(t)为训练序列，xi为粒子i的位置，为以xi为参数的时延-多普勒训练序列。
优选的，步骤(2)中，式1的定义为：
其中ωk为惯性权重，r1和r2为0～1之间的随机数，c1和c2为常数，通常取值为2。为粒子i在k次迭代中的最优值，为选取的列表中的点对应的适应度值，和分别为粒子i在第k次迭代中的位置和速度，为粒子i在第k+1次迭代中的速度。
优选的，步骤(2)中，式2的定义为：
优选的，步骤(3)中，粒子的位置的更新方法是：
其中，和分别为粒子i在第k+1次迭代中的位置和速度，为粒子i在第k次迭代中的位置。
优选的，步骤(4)中，时延差值的计算公式为：
|τi-τl|>Δpeak
其中，Δpeak是设定的阈值，τi为粒子i的时延值，τl为选取的列表中的点对应的时延值。
本发明的有益效果为：本发明提供的一种水声信道参数估计方案，可以同时估计出各条路径的多普勒扩展、时延和幅度参数，适用于MSML信道模型；仿真实验表明，对于时延扩展函数、多普勒扩展因子以及路径时延的估计，MPSO算法的性能均优于MP算法和FrFT算法。
附图说明
图1为本发明的时延扩展函数估计的归一化均方误差随信噪比的变化而变化的仿真曲线示意图。
图2为本发明的多普勒扩展因子估计的归一化均方误差随信噪比的变化而变化的仿真曲线示意图。
图3为本发明的时延估计误差随信噪比的变化而变化的仿真曲线示意图。
具体实施方式
为了解决利用现有的多扩展多时延水声信道参数估计精度不理想的问题，本发明提供一种适用于多扩展多时延水声信道的信道参数估计方案，通过创建一个多径列表来记录局部最优粒子的位置和适应度值，并用于迭代中粒子速度的更新。算法结束时，根据多径列表的记录值，可以同时估计出每一径的多普勒扩展、时延和幅度参数。与MP方法和FrFT方法相比，估计精度也有较大的提升。一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法，包括如下步骤：
(1)用每一个粒子的位置表示一个可能的多普勒扩展因子，时延参数对，在问题空间中进行初始化，计算相应的适应度值，并将大于阈值thr1的粒子位置及其适应度值记录在多径列表中；
(2)对每一个粒子，从多径列表中找出与其最邻近的时延值，若该时延点对应的适应度较大，则用该适应度值更新粒子速度，记作式1，否则仅用粒子自身适应度值更新速度，记作式2；
(3)更新粒子的位置并重新计算适应度值；
(4)对于适应度值大于列表中最小值的粒子，从列表中选取与其时延值最近的点，计算时延差值；
(5)若时延差值大于阈值Δpeak，将该粒子添加进多径列表，否则比较两者的适应度值，取较大者作为列表中记录值；
(6)循环执行直至算法结束，从列表中选取适应度值大于阈值thr2的粒子位置，即为多普勒扩展因子和时延估计值，相应的适应度值为幅度估计值。
步骤(1)中，问题空间即为路径参数可能的取值空间，包括时延和多普勒扩展因子的取值范围，一般认为最大时延扩展为训练序列的时间长度，最大多普勒扩展为收发端最大相对运动速度与声波在海水中的速度的比值。
步骤(1)中，粒子i适应度值的计算公式为：
其中r(t)为接收信号，s(t)为训练序列，xi为粒子i的位置，为以xi为参数的时延-多普勒训练序列。
步骤(2)中，式1的定义为：
其中ωk为惯性权重，r1和r2为0～1之间的随机数，c1和c2为常数，通常取值为2。为粒子i在k次迭代中的最优值，为选取的列表中的点对应的适应度值，和分别为粒子i在第k次迭代中的位置和速度，为粒子i在第k+1次迭代中的速度。
步骤(2)中，式2的定义为：
步骤(3)中，粒子的位置的更新方法是：
其中，和分别为粒子i在第k+1次迭代中的位置和速度，为粒子i在第k次迭代中的位置。
步骤(4)中，时延差值的计算公式为：
|τi-τl|>Δpeak
其中，Δpeak是设定的阈值，τi为粒子i的时延值，τl为选取的列表中的点对应的时延值。
正交频分复用(orthogonal frequency division multiplexing，OFDM)技术将频率选择性衰落信道划分为多个正交子信道，每个子信道频率平坦衰落，以避免符号间干扰，能较好的抵抗水声信道中严重的多径干扰。令B为信道带宽，N为子载波个数，则子载波间隔为Δf＝B/N，一个OFDM符号持续时间为T＝1/Δf，每个OFDM符号的循环前缀时间长度为Tg。
令s＝{s0,s1,…,sN-1}T为发送数据序列,则基带发射信号为
式中,q(t)为成形滤波器。如采用矩形脉冲成形器：
经频率为fc的载波上变频，得到的带通信号为：
MSML信道模型为
式中，L为信道抽头数，δ()为单位冲激函数,Al(t)和τl(t)分别为第l条路径的增益和时延。在一帧信号持续时间内，假定路径增益恒定，即：Al(t)≈Al；且路径时延可以用该路径的多普勒扩展因子al表示为
τl(t)＝τl-(al-1)t
式中，τl为初始时延。
信号经过上述信道，到达接收端为
式中，是高斯白噪声。
在接收端，采用MPSO算法进行水声信道参数估计。在MPSO算法中，通过时延差值来区分两条路径，即两条不同路径i和j的时延差值需满足：
|τi-τj|>Δpeak；i≠j
式中Δpeak是设定的阈值。选取被划分为同一径的粒子中的最大适应度值作为该路径的适应度值。
令共有p个粒子，每个粒子的位置表示一个可能的{al,τl}参数对，详细的算法步骤如下:
(1)初始化
①设置常量值c1,c2,ωk，最大迭代次数kmax，设置迭代计数器k＝0。
②初始化粒子的二维位置值和速度值
③计算粒子的适应度值且当时，和相应的将被加入多径列表中，并分别记作和lbest(i)。
④设置粒子i的最优值和最位置
(2)优化
⑤对每一个粒子，从多径列表中找出与其最邻近的τl，如果执行下一步，否则，跳至⑦。
⑥根据更新粒子速度，式中是局部最优值lbest(l)对应的位置。
⑦根据更新粒子速度。
⑧根据更新粒子位置，设置i＝0。
⑨计算粒子i的适应度值
⑩如果执行下一步，否则，设置i＝i+1，并跳至⑨。
更新和从多径列表中选取与粒子i时延值距离最近的τl，并计算差值Δτ＝|τi-τl|。
如果Δτ>Δpeak，将及对应的添加进多径列表，跳至否则执行下一步。
如果更新lbest。
如果i>p，设置k＝k+1，执行下一步，否则，设置i＝i+1，跳至
循环执行步骤⑤～直至k>kmax。
选取多径列表中lbest(l)>thr2的粒子位置值{al,τl}，即为第l条路径的多普勒扩展因子和时延，相应的适应度值即为第l条路径的估计幅值Al。
注：Δpeak，thr1和thr2是MPSO算法中需要设定的三个阈值，Δpeak为可以区分两条路径的最小时延差值；thr1和thr2都是归一化能量门限，一般取thr1∈[0.05,0.15]，thr2∈[0.4,0.6]。
图1—图3给出了信道时延扩展函数估计的归一化均方误差、多普勒扩展因子估计的归一化均方误差和时延估计误差随信噪比的变化而变化的仿真曲线，并与MP算法和FrFT算法做了比较。仿真参数设置如下：信道带宽为9.77KHz，子载波数目为1024，OFDM符号持续时间为104.86ms，循环前缀时间长度为24.6ms，载波频率为13KHz；多径数目设置为L＝8，各径归一化幅度均匀分布，多普勒扩展因子al(l＝1,2,…L)在al∈[1,1.02]均匀分布，时延在一个符号持续时间内随机分布。MPSO算法参数设置为：惯性权重为1，粒子数为200，最大迭代次数为30，阈值Δpeak，thr1和thr2分别为3.07ms，0.1和0.4。仿真采用零相关带(zonecorrelation zone,ZCZ)序列作为训练序列。
从仿真图可见，在所有的实施例中本发明的性能都明显优于MP算法和FrFT算法。图1中，MP算法的性能最差；信噪比(signal to noise ratio,SNR)低于-4dB时，MPSO算法较之于FrFT算法可获得约4dB的性能增益，随着SNR的增加，MPSO算法的优势更加明显。图2中，MPSO算法的估计性能明显优于其他两种算法，在-10dB时的估计精度与FrFT算法在较高的SNR下的估计精度相当。图3中，MP算法的估计误差在2.6个采样点附近波动，性能较差；FrFT算法的估计误差随着SNR的增加略有降低，但仍然远大于MPSO算法的估计误差；相比之下，在-5dB时，MPSO算法的估计误差就接近于0，估计精度极高。
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。
Claims (7)
1.一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，包括如下步骤：
(1)用每一个粒子的位置表示一个可能的多普勒扩展因子，时延参数对，在问题空间中进行初始化，计算相应的适应度值，并将大于阈值thr1的粒子位置及其适应度值记录在多径列表中；
(2)对每一个粒子，从多径列表中找出与其最邻近的时延值，若该时延点对应的适应度较大，则用该适应度值更新粒子速度，记作式1，否则仅用粒子自身适应度值更新速度，记作式2；
(3)更新粒子的位置并重新计算适应度值；
(4)对于适应度值大于列表中最小值的粒子，从列表中选取与其时延值最近的点，计算时延差值；
(5)若时延差值大于阈值Δpeak，将该粒子添加进多径列表，否则比较两者的适应度值，取较大者作为列表中记录值；
(6)循环执行直至算法结束，从列表中选取适应度值大于阈值thr2的粒子位置，即为多普勒扩展因子和时延估计值，相应的适应度值为幅度估计值。
2.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(1)中，问题空间即为路径参数可能的取值空间，包括时延和多普勒扩展因子的取值范围，一般认为最大时延扩展为训练序列的时间长度，最大多普勒扩展为收发端最大相对运动速度与声波在海水中的速度的比值。
3.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(1)中，粒子i适应度值的计算公式为：
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>s</mi>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>s</mi>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
</mrow>
其中r(t)为接收信号，s(t)为训练序列，xi为粒子i的位置，为以xi为参数的时延-多普勒训练序列。
4.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(2)中，式1的定义为：
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mrow>
<mi>l</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中ωk为惯性权重，r1和r2为0～1之间的随机数，c1和c2为常数，通常取值为2。为粒子i在k次迭代中的最优值，为选取的列表中的点对应的适应度值，和分别为粒子i在第k次迭代中的位置和速度，为粒子i在第k+1次迭代中的速度。
5.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(2)中，式2的定义为：
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(3)中，粒子的位置的更新方法是：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
</mrow>
1
其中，和分别为粒子i在第k+1次迭代中的位置和速度，为粒子i在第k次迭代中的位置。
7.如权利要求1所述的基于改进粒子群算法的多扩展多时延水声信道参数估计方法，其特征在于，步骤(4)中，时延差值的计算公式为：
|τi-τl|>Δpeak
其中，Δpeak是设定的阈值，τi为粒子i的时延值，τl为选取的列表中的点对应的时延值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710554672.0A CN107395535A (zh) | 2017-07-10 | 2017-07-10 | 一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710554672.0A CN107395535A (zh) | 2017-07-10 | 2017-07-10 | 一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107395535A true CN107395535A (zh) | 2017-11-24 |
Family
ID=60335412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710554672.0A Pending CN107395535A (zh) | 2017-07-10 | 2017-07-10 | 一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107395535A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109361631A (zh) * | 2018-10-15 | 2019-02-19 | 中国人民解放军战略支援部队信息工程大学 | 稀疏度未知的水声正交频分复用信道估计方法及装置 |
| CN111741520A (zh) * | 2020-06-22 | 2020-10-02 | 中国海洋大学 | 一种基于粒子群的认知水声通信系统功率分配方法 |
| CN112910808A (zh) * | 2021-04-22 | 2021-06-04 | 集美大学 | 一种短保护间隔的多载波浅海水声通信方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105490974A (zh) * | 2015-12-15 | 2016-04-13 | 江苏科技大学 | 一种mimo-ofdm水声通信系统的多普勒估计方法 |
-
2017
- 2017-07-10 CN CN201710554672.0A patent/CN107395535A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105490974A (zh) * | 2015-12-15 | 2016-04-13 | 江苏科技大学 | 一种mimo-ofdm水声通信系统的多普勒估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| XING ZHANG，KANG SONG，CHUNGUO LI，LUXI YANG.: "Parameter Estimation for Multi-Scale Multi-Lag Underwater Acoustic Channels Based on Modified Particle Swarm Optimization Algorithm", 《2017 IEEE ACCESS》 * |
| 黄梅，孙海信等: "水声OFDM系统多普勒频移和信道的联合估计", 《厦门大学学报(自然科学版)》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109361631A (zh) * | 2018-10-15 | 2019-02-19 | 中国人民解放军战略支援部队信息工程大学 | 稀疏度未知的水声正交频分复用信道估计方法及装置 |
| CN109361631B (zh) * | 2018-10-15 | 2021-02-09 | 中国人民解放军战略支援部队信息工程大学 | 稀疏度未知的水声正交频分复用信道估计方法及装置 |
| CN111741520A (zh) * | 2020-06-22 | 2020-10-02 | 中国海洋大学 | 一种基于粒子群的认知水声通信系统功率分配方法 |
| CN112910808A (zh) * | 2021-04-22 | 2021-06-04 | 集美大学 | 一种短保护间隔的多载波浅海水声通信方法 |
| CN112910808B (zh) * | 2021-04-22 | 2022-07-08 | 集美大学 | 一种短保护间隔的多载波浅海水声通信方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gizzini et al. | Deep learning based channel estimation schemes for IEEE 802.11 p standard | |
| KR101893622B1 (ko) | 무선 통신 시스템에서 다중 경로 신호 추정 | |
| CN103107969B (zh) | 一种快变ofdm系统的渐进迭代时变信道估计和ici消除方法 | |
| CN111147407B (zh) | 基于信道预测的tmsbl水声ofdm时变信道估计方法 | |
| CN107395535A (zh) | 一种基于改进粒子群算法的多扩展多时延水声信道参数估计方法 | |
| CN107359904A (zh) | 基于压缩感知、高速移动的ufmc系统无线信道估计方法 | |
| CN113676289B (zh) | 一种基于变换域最大比合并的otfs调制信号检测方法 | |
| CN110048972B (zh) | 一种水声正交频分复用信道估计方法及系统 | |
| CN108848043B (zh) | 基于压缩感知的低复杂度水声稀疏时变信道估计方法 | |
| CN102291363A (zh) | 一种用于ofdm系统的信道估计及数据检测方法 | |
| CN109787924B (zh) | 一种基于压缩感知的LoRa信道估计方法 | |
| TW202139626A (zh) | 用於經預編碼通道的通道估計的方法及系統 | |
| CN114895251B (zh) | 基于多变量优化的ofdm雷达通信一体化信号设计方法 | |
| WO2010140101A1 (en) | Improved mobile radio channel estimation | |
| CN106301691B (zh) | 基于变换域的低密度奇偶校验码干扰抑制方法 | |
| CN102790746B (zh) | Ofdm系统的信道估计方法 | |
| CN102340466A (zh) | 基于支持向量机的自适应判决反馈均衡器设计方法 | |
| CN112383492B (zh) | 应用于短波ofdm双选天波信道估计的递归压缩感知方法及系统 | |
| CN106911621B (zh) | 一种基于v-ofdm的信道均衡和跟踪方法 | |
| CN107171987B (zh) | 一种适用于时变稀疏信道的估计方法 | |
| TWI300657B (zh) | ||
| Zhou et al. | Low complexity ICI mitigation in OFDM based RadCom systems | |
| CN107171986B (zh) | 一种适用于多普勒失真水声信道的估计方法 | |
| Tang et al. | An enhanced LMMSE channel estimation under high speed railway scenarios | |
| CN108259395B (zh) | 一种信道估计方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
| RJ01 | Rejection of invention patent application after publication |