CN109150348A - 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 - Google Patents
一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 Download PDFInfo
- Publication number
- CN109150348A CN109150348A CN201810986685.XA CN201810986685A CN109150348A CN 109150348 A CN109150348 A CN 109150348A CN 201810986685 A CN201810986685 A CN 201810986685A CN 109150348 A CN109150348 A CN 109150348A
- Authority
- CN
- China
- Prior art keywords
- rice factor
- signal
- formula
- particle
- factor
- 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
Links
Classifications
-
- 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
- H04B17/3911—Fading models or fading generators
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统。该方法包括对原一、二阶莱斯因子矩估计公式进行化简;确定估计误差表达式;建立估计误差的优化函数;采用PSO类算法求解估计误差优化函数的参数,进而得到关于包络矩的误差公式,最终得到优化的莱斯因子矩估计公式。本发明还包括无线信道莱斯因子矩实现系统。本发明通过PSO类算法能够有效降低莱斯因子的一、二阶矩估计耗时,工作效率高。
Description
技术领域
本发明涉及信道特征提取领域,特别涉及基于PSO类算法和矩估计方法的莱斯因子提取方法及无线信道莱斯因子矩实现系统。
背景技术
无线信道特征参数提取是一种研究信道对信息传输速率、传输质量影响的技术,其基本原理是利用信道测量数据,从理论上对其无线信道传输特性进行计算分析,实现为复杂条件下无线通信信道模拟与监测提供技术支撑和数据支撑。莱斯因子是表征无线信道衰落程度和链路质量的重要参数,广泛应用于信道特性、系统设计、信道建模、信道容量等研究,对通信系统无线信道的精确建模至关重要。因此,莱斯因子的实时与精确估计提取方法就成为信道特征参数提取的关键技术之一。
经过几十年的发展,目前已有多种莱斯因子估计算法,其中研究和应用最多的是基于信号包络的矩估计方法。由于矩估计算法具有简单易实现、健壮优点而被广泛应用,其中主要是利用一、二阶矩的方法和二、四阶矩的方法。基于二、四阶矩的方法估计速度快,但是估计精度难以满足精度要求高的场景。基于一、二阶矩的方法估计精度高,但是耗时长,不能实时计算出莱斯因子,难以满足信道特征参数在线提取、监测信道特性。
粒子群优化算法(Particle Swarm Optimization,PSO),又称微粒子群优化算法,本质是一种随机搜索算法,是一种新兴的智能优化技术。该算法首先生成初始种群,即在可行解空间和速度空间随机初始化粒子的速度和位置,粒子的位置表征问题的可行解,然后通过种群间粒子个体法合作与竞争来求解优化问题。粒子群算法能以较大的概率收敛于全局最优解,适合在动态、多目标环境中寻优,具有较快的计算速度和更好的全局搜索能力,该算法很好的契合了在全局上优化莱斯因子误差估计表达式的要求,提高矩估计算法的计算精度。目前,还没有出现结合矩估计算法与PSO算法,从全局优化莱斯因子计算公式,从而提高算法的效率。
发明内容
本发明要解决的技术问题是,为了更好的提高通信系统无线信道的建模精确度,使得高铁信道模型更为符合实际信号传播环境,提供一种基于PSO类算法的莱斯因子矩估计方法及无线信道莱斯因子矩实现系统,结合PSO优化算法和一二阶矩估计简化法在参数提取中的优势,有利于提高莱斯因子的估计速度和精度,从而实现莱斯因子实时估计。
本发明解决其技术问题所采用的技术方案是:
一种莱斯因子矩估计方法,包括以下步骤:
(1)对原一、二阶莱斯因子矩估计公式进行化简;
(2)确定估计误差表达式;
(3)建立估计误差的优化函数;
(4)采用PSO类算法求解估计误差优化函数的参数,进而得到关于包络矩的误差公式,最终得到优化的莱斯因子矩估计公式。
进一步,所述步骤(1)中,对原一、二阶莱斯因子矩估计公式进行化简,具体步骤为:
1-1)原一二阶莱斯因子矩估计表达式为:
式中,K为莱斯因子理论值,In为n阶第一类修正贝塞尔函数;
1-2)贝塞尔函数的近似表达式如下:
1-3)将步骤1-2中公式代入步骤1-1中,得到:
1-4)求解步骤1-3中函数的根,得到莱斯因子的闭合计算公式:
式中,表示莱斯因子矩估计值,是采样数据的样本矩:
是采样数据的一阶样本矩,是采样数据的二阶样本矩,xs表示采样数据,1≤s≤S,S为采样数据的个数。
进一步,所述步骤(2)中,确定估计误差表达式,具体步骤为:
2-1)计算和理论K的误差值,误差值为||表示绝对值,以理论K为横坐标、计算得到的误差值为纵坐标,在平面绘制误差值散点图;
2-2)将误差值散点图形状与常用的已知函数图形(如:幂函数、指数函数、倒指数函数、对数函数等)作比较,选择一条拟合度最高的曲线拟合散点;
2-3)通过变量代换将曲线化为线性回归,得到莱斯因子理论值K的估计误差表达式:
Em(K)=exp(-0.645K)+0.3,m=1,2,...M,M表示散点数,Em表示第m个估计误差值。
进一步,所述步骤(3)中,建立估计误差的优化函数,具体步骤为:
3-1)莱斯因子矩估计值与理论值之间存在线性关系:
其中a,b为待求参数;
3-2)将步骤3-1中公式代入步骤2-3公式中,得到:
3-3)建立估计误差的优化函数:
m=1,2,...M,M表示散点数。
进一步,所述步骤(4)中,采用PSO类算法求解估计误差优化函数的参数a和b,进而得到关于包络矩的估计误差公式,最终得到优化的莱斯因子矩估计公式,具体步骤为:
4-1)对粒子种群进行初始化,设置粒子种群个数、最大迭代数、局部学习因子和全局学习因子大小;
4-2)构造粒子个体适应度函数,根据适应度函数可获得适应度值,将步骤3-3)建立的估计误差的优化函数作为粒子个体适应度函数;
4-3)确定当前粒子局部最佳位置和当前粒子全局最佳位置,将当前所有粒子中适应度值为最优的个体的最佳位置作为当前全局粒子最佳位置;
4-4)粒子位置、速度更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1);
其中,vi,j(t),xi,j(t)为当前粒子速度和位置,vi,j(t+1),xi,j(t+1)为更新后粒子的速度和位置,ω为惯性权因子,pi为个体极值,pg为全局最优值,rand为[0,1]范围内的均匀随机数;
对于粒子的速度和位置的每一次更新,将进行此次更新前得到的全局最佳位置标记为历史全局最佳位置,更新后得到的全局最佳位置标记为最新全局最佳位置;并将最新全局最佳位置与历史全局最佳位置比较,从最新全局最佳位置和历史全局最佳位置中,选出适应度值为最优的全局最佳位置;
4-5)达到最大迭代次数,粒子群算法结束,将最优的全局最佳位置的粒子的速度和位置分别作为参数a和b带入步骤3-2得到的进而得到:
4-6)将步骤4-5得到作为步骤1-4中的修正项,得到优化的莱斯因子矩估计公式:
一种无线信道莱斯因子矩实现系统,包括参数模拟分析单元、莱斯因子矩估计单元,参数模拟分析单元用于产生采样数据的样本矩,并将采样数据的样本矩传送至莱斯因子矩估计单元;莱斯因子矩估计单元内存储有根据如前所述莱斯因子矩估计方法获得的优化的莱斯因子矩估计公式,莱斯因子矩估计单元接收从参数模拟分析单元传递过来的采样数据的样本矩,根据内部存储的优化的莱斯因子矩估计公式求得优化的莱斯因子。
进一步,所述参数模拟分析单元包括信号模拟单元和信号分析单元,信号模拟单元包括矢量信号发生器、捷变频信号发生器、第一射频开关矩阵和功放机天线阵列,第一射频开关矩阵与功放机天线阵列连接;
信号分析单元包括信号分析仪、实时频谱分析仪、第二射频开关矩阵、开关滤波模块和接收阵列天线,接收阵列天线与开关滤波模块连接,开关滤波模块与第二射频开关矩阵连接,第二射频开关矩阵与信号分析仪连接,第二射频开关矩阵还与实时频谱分析仪连接;
矢量信号发生器产生数字调制信号;捷变频信号发生器接收矢量信号发生器产生的数字调制信号进行频率转换,得到频率捷变信号;第一射频开关矩阵接收从捷变频信号发生器传递过来的频率捷变信号后,进行流向切换,并将流向切换后的信号传输至功放机天线阵列;功放机天线阵列接收从第一射频开关矩阵传递过来的信号后,以电磁波的形式将信号放大传输至接收阵列天线;
接收阵列天线接收从功放机天线阵列传递过来的电磁波信号,并将信号传递至开关滤波模块;通过开关滤波模块对从接收阵列天线传递过来的信号,进行滤除杂波;滤除杂波后的信号传递至第二射频开关矩阵,通过第二射频开关矩阵对信号流向进行切换;经第二射频开关矩阵进行流向切换后的信号传输至信号分析仪和实时频谱分析仪,信号分析仪和实时频谱分析仪对接收到的信号分别进行幅值分析和功率分析,信号分析仪和实时频谱分析仪采用相同的采样频率对接收信号进行采样,通过信号分析仪计算采样数据的一阶样本矩,通过实时频谱分析仪计算采样数据的二阶样本矩,一阶样本矩和二阶样本矩共同构成采样数据的样本矩。
本发明的有益效果是:
本发明通过简化一二阶矩估计方法,降低了方法运行时间,提高了莱斯因子的估计速度;利用PSO类算法对简化矩估计方法进行优化,使得莱斯因子的估计精度得到提高,有利于更好的提高通信系统无线信道的建模精确度。无线信道莱斯因子矩实现系统结构简单、工作可靠。莱斯因子作为表征信道衰落程度的重要参数,对于信道特性研究极具应用价值。随着信道环境越来越复杂,尤其是我国高铁发展迅速,对通信质量提出了更高的要求。莱斯因子估计精度与速度的提高使得高铁信道模型更为符合实际信号传播环境,提供更有效的服务,同时增加高铁的控制信息,包络监视与维护信息等。
附图说明
图1为本发明基于PSO类算法的莱斯因子矩估计方法的流程图;
图2为本发明莱斯因子矩估计系统。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
参照图1,一种基于PSO类算法的莱斯因子矩估计方法,包含以下步骤:
(1)对原一、二阶莱斯因子矩估计公式进行化简,具体步骤如下:
1-1)原一二阶莱斯因子矩估计表达式为:
式中,K为莱斯因子理论值,In为n阶第一类修正贝塞尔函数;
1-2)贝塞尔函数的近似表达式如下:
1-3)将步骤1-2中公式代入步骤1-1中,得到:
1-4)求解步骤1-3中函数的根,得到莱斯因子的闭合计算公式:
式中,表示莱斯因子矩估计值,是采样数据的样本矩:
是采样数据的一阶样本矩,是采样数据的二阶样本矩,xs表示采样数据,1≤s≤S,S为采样数据的个数。
(2)确定估计误差表达式,具体如下:
2-1)计算和理论K的误差值,误差值为||表示绝对值,以理论K为横坐标、计算得到的误差值为纵坐标,在平面绘制误差值散点图;
2-2)将误差值散点图形状与常用的已知函数图形(如:幂函数、指数函数、倒指数函数、对数函数等)作比较,选择一条拟合度最高的曲线拟合散点;
2-3)通过变量代换将曲线化为线性回归,得到莱斯因子理论值K的估计误差表达式:
Em(K)=exp(-0.645K)+0.3。
(3)建立估计误差的优化函数,其步骤如下:
3-1)莱斯因子矩估计值与理论值之间存在线性关系:
其中a,b为待求参数;
3-2)将步骤3-1中公式代入步骤2-3公式中,得到:
3-3)建立估计误差的优化函数:
m=1,2,...M,M表示散点数。
所述步骤(4)中,采用PSO类算法求解估计误差优化函数的参数a和b,进而得到关于包络矩的估计误差公式,最终得到优化的莱斯因子矩估计公式,具体步骤为:
4-1)对粒子种群进行初始化,设置粒子种群个数、最大迭代数、局部学习因子和全局学习因子大小;
粒子群个数:粒子群个数的多少根据问题的复杂程度自行决定。
最大迭代次数:表示粒子群算法运行结束条件的一个参数。
学习因子:学习因子使粒子具有自我总结和向群体中优秀个体学习的能力,从而向群体内最优点靠近。
本实施例选择粒子群个数为100、最大迭代次数为200、局部学习因子c1为1.5、全局学习因子c2为1.5。
4-2)构造个体适应度函数,根据适应度函数可获得适应度值,将步骤3-3)建立的估计误差的优化函数作为个体适应度函数;
4-3)确定当前粒子局部最佳位置和当前粒子全局最佳位置,将当前所有粒子中适应度值为最优的个体的最佳位置作为当前全局粒子最佳位置;
设粒子的群体个数为n:第i(i=1,2,3,...n)个粒子在d维空间的位置表示为矢量xi=(xi1,xi2,...,xid)。飞行速度表示为矢量vi=(vi1,vi2,...,vid),适应度函数值是根据xi代入估计误差的优化函数进行计算得到。
4-4)粒子位置、速度更新:
xi,j(t+1)=xi,j(t)+vi,j(t+1) (1-2)
其中,vi,j(t),xi,j(t)为当前粒子速度和位置,vi,j(t+1),xi,j(t+1)为更新后粒子的速度和位置,ω为惯性权因子,pi为个体极值,pg为全局最优值即全局极值,rand为[0,1]范围内的均匀随机数;
每个粒子用公式(1-3)来更新个体极值;
对所有粒子的全局最优值用公式(1-4)来选取:
pg(t+1)=max(pi,j(t+1)),i=1,2,...n (1-4);
设定的粒子速度范围:[Vqmin,Vqmax]=[-4,4];
惯性权因子:ωmax=0.95,ωmin=0.4,按照迭代次数线性递减。
对于粒子的速度和位置的每一次更新,将进行此次更新前得到的全局最佳位置标记为历史全局最佳位置,更新后得到的全局最佳位置标记为最新全局最佳位置;并将最新全局最佳位置与历史全局最佳位置比较,从最新全局最佳位置和历史全局最佳位置中,选出适应度值为最优的全局最佳位置;
4-5)达到最大迭代次数,粒子群算法结束,将最优的全局最佳位置的粒子的速度和位置分别作为参数a和b带入步骤3-2得到的进而得到:
4-6)将步骤4-5得到作为步骤1-4中的修正项,得到优化的莱斯因子矩估计公式:
参照图2,一种无线信道莱斯因子矩实现系统,包括参数模拟分析单元、莱斯因子矩估计单元,参数模拟分析单元用于产生采样数据的样本矩,并将采样数据的样本矩传送至莱斯因子矩估计单元;莱斯因子矩估计单元内存储有根据如前所述莱斯因子矩估计方法获得的优化的莱斯因子矩估计公式,莱斯因子矩估计单元接收从参数模拟分析单元传递过来的采样数据的样本矩,根据内部存储的优化的莱斯因子矩估计公式求得优化的莱斯因子。
所述参数模拟分析单元包括信号模拟单元和信号分析单元,信号模拟单元包括矢量信号发生器、捷变频信号发生器、第一射频开关矩阵和功放机天线阵列;
所述参数模拟分析单元包括信号模拟单元和信号分析单元,信号模拟单元包括矢量信号发生器、捷变频信号发生器、第一射频开关矩阵和功放机天线阵列,第一射频开关矩阵与功放机天线阵列连接;
信号分析单元包括信号分析仪、实时频谱分析仪、第二射频开关矩阵、开关滤波模块和接收阵列天线,接收阵列天线与开关滤波模块连接,开关滤波模块与第二射频开关矩阵连接,第二射频开关矩阵与信号分析仪连接,第二射频开关矩阵还与实时频谱分析仪连接;
矢量信号发生器产生数字调制信号;捷变频信号发生器接收矢量信号发生器产生的数字调制信号进行频率转换,得到频率捷变信号;第一射频开关矩阵接收从捷变频信号发生器传递过来的频率捷变信号后,进行流向切换,并将流向切换后的信号传输至功放机天线阵列;功放机天线阵列接收从第一射频开关矩阵传递过来的信号后,以电磁波的形式将信号放大传输至接收阵列天线;
接收阵列天线接收从功放机天线阵列传递过来的电磁波信号,并将信号传递至开关滤波模块;通过开关滤波模块对从接收阵列天线传递过来的信号,进行滤除杂波;滤除杂波后的信号传递至第二射频开关矩阵,通过第二射频开关矩阵对信号流向进行切换;经第二射频开关矩阵进行流向切换后的信号传输至信号分析仪和实时频谱分析仪,信号分析仪和实时频谱分析仪对接收到的信号分别进行幅值分析和功率分析,信号分析仪和实时频谱分析仪采用相同的采样频率对接收信号进行采样,通过信号分析仪计算采样数据的一阶样本矩,通过实时频谱分析仪计算采样数据的二阶样本矩,一阶样本矩和二阶样本矩共同构成采样数据的样本矩。
Claims (7)
1.一种莱斯因子矩估计方法,其特征在于,包括以下步骤:
(1)对原一、二阶莱斯因子矩估计公式进行化简;
(2)确定估计误差表达式;
(3)建立估计误差的优化函数;
(4)采用PSO类算法求解估计误差优化函数的参数,进而得到关于包络矩的误差公式,最终得到优化的莱斯因子矩估计公式。
2.根据权利要求1所述的莱斯因子矩估计方法,其特征在于,所述步骤(1)中,对原一、二阶莱斯因子矩估计公式进行化简,具体步骤为:
1-1)原一二阶莱斯因子矩估计表达式为:
式中,K为莱斯因子理论值,In为n阶第一类修正贝塞尔函数;
1-2)贝塞尔函数的近似表达式如下:
1-3)将步骤1-2中公式代入步骤1-1中,得到:
1-4)求解步骤1-3中函数的根,得到莱斯因子的闭合计算公式:
式中,表示莱斯因子矩估计值,是采样数据的样本矩:
是采样数据的一阶样本矩,是采样数据的二阶样本矩,xs表示采样数据,1≤s≤S,S为采样数据的个数。
3.根据权利要求2所述的莱斯因子矩估计方法,其特征在于,所述步骤(2)中,确定估计误差表达式,具体步骤为:
2-1)计算和理论K的误差值,以理论K为横坐标、计算得到的误差值为纵坐标,在平面绘制误差值散点图;
2-2)将误差值散点图形状与常用的已知函数图形作比较,选择一条拟合度最高的曲线拟合散点;
2-3)通过变量代换将曲线化为线性回归,得到莱斯因子理论值K的估计误差表达式:
Em(K)=exp(-0.645K)+0.3,m=1,2,...M,M表示散点数,Em表示第m个估计误差值。
4.根据权利要求1或2所述的莱斯因子矩估计方法,其特征在于,所述步骤(3)中,建立估计误差的优化函数,具体步骤为:
3-1)莱斯因子矩估计值与理论值之间存在线性关系:
其中a,b为待求参数;
3-2)将步骤3-1中公式代入步骤2-3公式中,得到:
3-3)建立估计误差的优化函数:
M表示散点数。
5.根据权利要求4所述的莱斯因子矩估计方法,其特征在于,所述步骤(4)中,采用PSO类算法求解估计误差优化函数的参数a和b,进而得到关于包络矩的估计误差公式,最终得到优化的莱斯因子矩估计公式,具体步骤为:
4-1)对粒子种群进行初始化,设置粒子种群个数、最大迭代数、局部学习因子和全局学习因子大小;
4-2)构造粒子个体适应度函数,根据适应度函数可获得适应度值,将步骤3-3)建立的估计误差的优化函数作为粒子个体适应度函数;
4-3)确定当前粒子局部最佳位置和当前粒子全局最佳位置,将当前所有粒子中适应度值为最优的个体的最佳位置作为当前全局粒子最佳位置;
4-4)粒子位置、速度更新:
vi,j(t+1)=ωvi,j(t)+c1*rand*[pi,j(t)-xi,j(t)]+c2*rand*[Pg,j(t)-xi,j(t)];
xi,j(t+1)=xi,j(t)+vi,j(t+1);
其中,vi,j(t),xi,j(t)为当前粒子速度和位置,vi,j(t+1),xi,j(t+1)为更新后粒子的速度和位置,ω为惯性权因子,pi为个体极值,pg为全局最优值,rand为[0,1]范围内的均匀随机数;
对于粒子的速度和位置的每一次更新,将进行此次更新前得到的全局最佳位置标记为历史全局最佳位置,更新后得到的全局最佳位置标记为最新全局最佳位置;并将最新全局最佳位置与历史全局最佳位置比较,从最新全局最佳位置和历史全局最佳位置中,选出适应度值为最优的全局最佳位置;
4-5)达到最大迭代次数,粒子群算法结束,将最优的全局最佳位置的粒子的速度和位置分别作为参数a和b带入步骤3-2得到的进而得到:
4-6)将步骤4-5得到作为步骤1-4中的修正项,得到优化的莱斯因子矩估计公式:
6.一种无线信道莱斯因子矩实现系统,其特征在于,包括参数模拟分析单元、莱斯因子矩估计单元,参数模拟分析单元用于产生采样数据的样本矩,并将采样数据的样本矩传送至莱斯因子矩估计单元;莱斯因子矩估计单元内存储有根据权利要求1-5任一项所述莱斯因子矩估计方法获得的优化的莱斯因子矩估计公式,莱斯因子矩估计单元接收从参数模拟分析单元传递过来的采样数据的样本矩,根据内部存储的优化的莱斯因子矩估计公式求得优化的莱斯因子。
7.根据权利要求6所述无线信道莱斯因子矩实现系统,其特征在于,所述参数模拟分析单元包括信号模拟单元和信号分析单元,信号模拟单元包括矢量信号发生器、捷变频信号发生器、第一射频开关矩阵和功放机天线阵列,第一射频开关矩阵与功放机天线阵列连接;
信号分析单元包括信号分析仪、实时频谱分析仪、第二射频开关矩阵、开关滤波模块和接收阵列天线,接收阵列天线与开关滤波模块连接,开关滤波模块与第二射频开关矩阵连接,第二射频开关矩阵与信号分析仪连接,第二射频开关矩阵还与实时频谱分析仪连接;
矢量信号发生器产生数字调制信号;捷变频信号发生器接收矢量信号发生器产生的数字调制信号进行频率转换,得到频率捷变信号;第一射频开关矩阵接收从捷变频信号发生器传递过来的频率捷变信号后,进行流向切换,并将流向切换后的信号传输至功放机天线阵列;功放机天线阵列接收从第一射频开关矩阵传递过来的信号后,以电磁波的形式将信号放大传输至接收阵列天线;
接收阵列天线接收从功放机天线阵列传递过来的电磁波信号,并将信号传递至开关滤波模块;通过开关滤波模块对从接收阵列天线传递过来的信号,进行滤除杂波;滤除杂波后的信号传递至第二射频开关矩阵,通过第二射频开关矩阵对信号流向进行切换;经第二射频开关矩阵进行流向切换后的信号传输至信号分析仪和实时频谱分析仪,信号分析仪和实时频谱分析仪对接收到的信号分别进行幅值分析和功率分析,信号分析仪和实时频谱分析仪采用相同的采样频率对接收信号进行采样,通过信号分析仪计算采样数据的一阶样本矩,通过实时频谱分析仪计算采样数据的二阶样本矩,一阶样本矩和二阶样本矩共同构成采样数据的样本矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986685.XA CN109150348B (zh) | 2018-08-28 | 2018-08-28 | 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986685.XA CN109150348B (zh) | 2018-08-28 | 2018-08-28 | 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109150348A true CN109150348A (zh) | 2019-01-04 |
CN109150348B CN109150348B (zh) | 2021-03-16 |
Family
ID=64828496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810986685.XA Active CN109150348B (zh) | 2018-08-28 | 2018-08-28 | 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150348B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416502A1 (en) * | 2009-04-21 | 2012-02-08 | Huawei Technologies Co., Ltd. | Method and apparatus for multiple input multiple output (mimo) downlink transmission control |
CN105306393A (zh) * | 2015-11-18 | 2016-02-03 | 电子科技大学 | 一种多天线多载波系统中莱斯信道方法 |
CN105703812A (zh) * | 2016-01-27 | 2016-06-22 | 西安交通大学 | 一种导频时移大规模mimo系统中的下行预编码与基站功率控制方法 |
CN106707035A (zh) * | 2016-12-19 | 2017-05-24 | 西华大学 | 无线电环境图场强参数估计算法 |
CN108259098A (zh) * | 2018-01-24 | 2018-07-06 | 合肥工业大学 | 一种瑞利-巴特沃斯衰落信道的验证系统 |
-
2018
- 2018-08-28 CN CN201810986685.XA patent/CN109150348B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416502A1 (en) * | 2009-04-21 | 2012-02-08 | Huawei Technologies Co., Ltd. | Method and apparatus for multiple input multiple output (mimo) downlink transmission control |
CN105306393A (zh) * | 2015-11-18 | 2016-02-03 | 电子科技大学 | 一种多天线多载波系统中莱斯信道方法 |
CN105703812A (zh) * | 2016-01-27 | 2016-06-22 | 西安交通大学 | 一种导频时移大规模mimo系统中的下行预编码与基站功率控制方法 |
CN106707035A (zh) * | 2016-12-19 | 2017-05-24 | 西华大学 | 无线电环境图场强参数估计算法 |
CN108259098A (zh) * | 2018-01-24 | 2018-07-06 | 合肥工业大学 | 一种瑞利-巴特沃斯衰落信道的验证系统 |
Non-Patent Citations (1)
Title |
---|
张海洋: "无线携能通信网络系统中新型传输方案的研究", 《中国博士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109150348B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105142177B (zh) | 复数神经网络信道预测方法 | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN103138855B (zh) | 一种基于外场实测数据的无线网络信道模拟装置与方法 | |
CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
CN110221241A (zh) | 一种基于rbf神经网络的低仰角doa估计方法 | |
CN110138459A (zh) | 基于基追踪去噪的稀疏水声正交频分复用信道估计方法及装置 | |
CN105426921B (zh) | 一种rfid标签天线优化方法 | |
CN101982953B (zh) | 宽带无线通信信道频域多维参数化模型及建模方法 | |
CN109257127A (zh) | 一种基于自适应随机共振的通信信号检测方法 | |
CN109547128A (zh) | Massive MIMO端到端性能的快速测试方法 | |
CN111556431A (zh) | 一种基于信号子空间的指纹室内定位方法 | |
CN110300075A (zh) | 一种无线信道估计方法 | |
CN112995892A (zh) | 基于复数神经网络的大规模mimo指纹定位方法 | |
Xun et al. | Depthwise separable convolution based passive indoor localization using CSI fingerprint | |
CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
Zhang et al. | Utilizing CSI and RSSI to achieve high-precision outdoor positioning: A deep learning approach | |
CN106792506A (zh) | 一种WiFi定位方法及服务器 | |
CN116359838A (zh) | 一种面向室内低功耗蓝牙的定位解算模型 | |
CN108900964A (zh) | 基于蓝牙测距的智能开关装置及控制方法 | |
CN110531309A (zh) | 存在幅相误差时基于原子范数的相关信号到达角估计方法 | |
CN106908760B (zh) | 基于阵列自相关矩阵的单站无源定位方法 | |
CN109150348A (zh) | 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现系统 | |
CN109212465A (zh) | 一种基于文化蚁狮机制的特殊阵列动态测向方法 | |
CN107182068A (zh) | 用于无线通信的装置和方法、参数优化装置和方法 | |
CN112867021A (zh) | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |