CN110198281A - 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 - Google Patents
基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 Download PDFInfo
- Publication number
- CN110198281A CN110198281A CN201910393493.2A CN201910393493A CN110198281A CN 110198281 A CN110198281 A CN 110198281A CN 201910393493 A CN201910393493 A CN 201910393493A CN 110198281 A CN110198281 A CN 110198281A
- Authority
- CN
- China
- Prior art keywords
- matrix
- compressed sensing
- representing
- channel estimation
- antenna
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000013178 mathematical model Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04L25/0204—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
- H04L25/0224—Channel estimation using sounding signals
-
- 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
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于压缩感知稀疏度自适应匹配追踪的信道估计方法,包括将接收端接收到的接收信号转换为向量矩阵形式;提取接收信号中的导频;将提取的导频基于压缩感知数学模型构建测量矩阵和观测向量;计算观测向量与残差之间的相关系数,并挑选出相关系数最大的L个值,根据当前残差的值判断是否满足输出条件,若不满足则根据残差更新步长并返回重新根据残差计算相关系数;本发明与传统估计方法相比,基于压缩感知的信道估计可以通过少量导频来获得精确的估计值,即在有效提高系统频带利用率的前提下,具有较好的估计效果。
Description
技术领域
本发明属于无线通信技术领域,具体涉及基于压缩感知(Compressed Sensing,CS)的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)的信道估计方法。
背景技术
多输入多输出(Multiple Input Multiple Output,MIMO)是无线通信系统中广泛应用的关键技术之一,信道估计作为无线通信中重要组成部分,其性能直接影响整个系统性能。传统估计方法如最小二乘、最小均方误差均需大量导频用于信道估计,但由于不含任何有用信息的导频在传输过程中同样占用频带,因此传统估计方法存在导频对频带资源占用较严重问题,导致频带利用率低。
压缩感知作为一种新兴的采样技术,表明可利用信号稀疏性,仅用少量观测值就能有效恢复原始信号。也就是说,基于压缩感知的信道估计可以通过使用少量导频来获得精确的信道状态信息。相关研究表明,无线多径信道具有稀疏性,进而为压缩感知在信道估计中的应用提供了理论依据。
本发明将压缩感知与信道估计结合起来,首先构建压缩感知数学模型y=Φx中所对应的测量矩阵Φ和观测向量y,其次针对压缩感知SAMP重构方法原子识别准确率低,重构精度与效率无法兼顾的问题,提出一种步长自适应的改进SAMP估计方法;改进方法首先利用相关系数取代内积,降低原子识别错误率,然后利用残差随迭代次数逐渐减小的特点,将每次迭代所得残差与初始残差进行比较,并根据比较结果自适应调整步长,使其达到同时提高重构精度与效率的目的;最后,根据构建的测量矩阵Φ、观测向量y,采用改进SAMP方法迭代计算估计值,完成信道估计。
发明内容
本发明旨在解决以上现有技术的问题,提出一种基于压缩感知稀疏度自适应匹配追踪的信道估计方法,包括:
S1、将接收端接收到的接收信号转换为向量矩阵形式;
S2、提取接收信号中的导频;
S3、基于压缩感知数学模型和提取的导频构建测量矩阵B和观测向量;
S4、进行初始化,即令残差r0=Y,索引集Λ0=φ,步长L=S0,迭代次数t=1;
S5、计算观测向量与残差之间的相关系数μ,按照从大到小的原则,从μ中选择最大的L个值,该L个值在测量矩阵B中的序列号构成集合J0;
S6、更新索引集,表示为:Λt=Λt-1∪J0,令Bt=B(j),(j∈Λt);
S7、根据压缩感知数学模型的最小二乘解求解信道估计值;从求解得到的信道估计值中选出绝对值最大的L项记为将矩阵Βt中该L项对应的列集合记为BtL,选出索引集Λt中该L项对应的L列记为ΛtL;
S8、更新残差,当前迭代的残差记为rnew,若||rnew||2≤ε,停止迭代,并进行步骤S9;若||rnew||2≥||rt-1||2,则更新步长并令L=L+St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;若前两个条件均不满足,令L=St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;
S9、结束迭代,输出迭代值;
其中,rt表示残差,r0表示初始残差且值为Y,Y表示所有天线上的导频序列矩阵;t表示迭代次数,Λt表示t次迭代的索引集合,Λ0为初始索引集合且为φ,φ表示空集;L表示步长,步长的初始值为S0,St表示根据第t次迭代的残差更新的步长;Βt表示按索引Λt选出的矩阵B的列集合,ε表示误差容许项,||·||2表示2范数;Β(j)表示矩阵B中序号为j的值的集合。
进一步的,将接收端接收到的接收信号转换为向量矩阵形式包括:
S11、接收端的信号表示为:
S12、根据接收端的信号,转换为向量形式,表示为:
其中,i=1,2,...nT,j=1,2,...nR,l=1,2,...Ns,k=1,2,...,M,nT为发送天线数量,nR为接收天线数量,Ns为每根天线上的符号数,M为个符号上的子载波数,Xi(l,k)表示第i根天线第l个符号第k个子载波上的发送信号,Hji(l,k)表示第i根发与第j根收间的第l个符号第k个子载波上的频域估计值,Nj(l,k)表示第j根接收天线第l个符号第k个子载波上的噪声,diag(·)表示对角矩阵,Xi表示第i根发送天线上接收信号的向量形式;Hji表示第i根发送与第j根接收天线之间频域估计值的向量形式;Nj表示第j根接收天线上噪声的向量形式;F表示傅里叶变换矩阵,hji=[h(0),h(1),...,h(L-1),0,0...,0]M表示时域冲激响应。
进一步的,提取接收信号中的导频包括:
其中,SP表示从hji中提取导频估计值的选择阵;Yp,j表示第j根接收天线上的导频序列;Xp,i表示第i根发送天线上的导频序列;Np,j表示导频位置的噪声。
进一步的,基于压缩感知数学模型和提取的导频构建测量矩阵Φ、观测向量y包括:令Ai=diag(Xp,i)Fp,可将第j根接收天线上的导频序列表示为Yp,j=Ahj+Np,j;
再令 得到Y=Bh+N,此时,B等效于压缩感知数学模型中的测量矩阵,Y等效于观测向量,完成压缩感知数学模型的构建,其中表示克罗内克积。
进一步的,所述求压缩感知数学模型的最小二乘解表示为:
其中,表示第t次迭代的信道估计值;上标“T”表示转置矩阵,上标“-1”表示矩阵求逆。
进一步的,更新残差包括:
rnew=Y-BtL(BtL TBtL)-1BtL TY。
进一步的,更新步长包括:
其中,α1,α2表示引入的两个阈值参数。
本发明提出的一种基于压缩感知稀疏度自适应匹配追踪的信道估计方法,首先针对SAMP重构方法原子识别准确率低,重构精度与效率无法兼顾的问题进行改进,提出一种步长自适应的改进SAMP估计方法。此外,鉴于压缩感知仅需少量观测值就能有效恢复原始信号的优点,将改进方法应用于信道估计。与传统估计方法相比,基于压缩感知的信道估计可以通过少量导频来获得精确的估计值,即在有效提高系统频带利用率的前提下,具有较好的估计效果。
附图说明
图1是本发明提供的实施例适用的MIMO系统的基本模型;
图2是本发明改进SAMP重构方法信道估计的处理流程。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本发明提出一种基于压缩感知稀疏度自适应匹配追踪的信道估计方法,如图2,包括:
S1、将接收端接收到的接收信号转换为向量矩阵形式;
S2、提取接收信号中的导频;
S3、基于压缩感知数学模型和提取的导频构建测量矩阵B和观测向量;
S4、进行初始化,即令残差r0=Y,索引集Λ0=φ,步长L=S0,迭代次数t=1;
S5、计算观测向量与残差之间的相关系数μ,按照从大到小的原则,从μ中选择最大的L个值,该L个值在测量矩阵B中的序列号构成集合J0;
S6、更新索引集,表示为:Λt=Λt-1∪J0,令Bt=B(j),(j∈Λt);
S7、根据压缩感知数学模型的最小二乘解求解信道估计值;从求解得到的信道估计值中选出绝对值最大的L项记为将矩阵Βt中该L项对应的列集合记为BtL,选出索引集Λt中该L项对应的L列记为ΛtL;
S8、更新残差,当前迭代的残差记为rnew,若||rnew||2≤ε,停止迭代,并进行步骤S9;若||rnew||2≥||rt-1||2,则更新步长并令L=L+St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;若前两个条件均不满足,令L=St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;
S9、结束迭代,输出迭代值;
其中,rt表示残差,r0表示初始残差且值为Y,Y表示所有天线上的导频序列矩阵;t表示迭代次数,Λt表示t次迭代的索引集合,Λ0为初始索引集合且为φ,φ表示空集;L表示步长,步长的初始值为S0,St表示根据第t次迭代的残差更新的步长;Βt表示按索引Λt选出的矩阵B的列集合,ε表示误差容许项,||·||2表示2范数;Β(j)表示矩阵B中序号为j的值的集合。
本发明利用压缩感知仅需少量观测值就能有效恢复原始信号,以及SAMP残差随迭代增加逐渐减小的特点,自适应调整SAMP步长,并将改进SAMP估计方法与信道估计结合起来,完成信道估计。
本发明的估计方法可用于MIMO系统中,即接收端与发送端都配置多根天线,其基本模型如图1所示。假设发射天线数量为nT,接收天线数量为nR,每根天线上的符号数为Ns,每个符号的子载波数为M,每个符号的导频数为N。
构建压缩感知数学模型y=Φx中所对应的测量矩阵Φ,观测向量y,具体包括以下步骤:
S11、将接收端接收到的接收信号转换为向量矩阵形式;
S12、提取接收信号中的导频;
S13、基于压缩感知数学模型和提取的导频构建测量矩阵Φ、观测向量y。
在接收端,接收信号可表示为:
其中,i=1,2,...nT,j=1,2,...nR,l=1,2,...Ns,k=1,2,...,M,Xi(l,k)表示第i根天线第l个符号第k个子载波上的发送信号,Hji(l,k)表示第i根发与第j根收间的第l个符号第k个子载波上的频域估计值,Nj(l,k)表示第j根接收天线第l个符号第k个子载波上的噪声。
将上式接收信号转化为向量矩阵形式,表示为:
其中,diag(Xi)表示对角矩阵,F表示傅里叶变换矩阵,hji=[h(0),h(1),...,h(L-1),0,0...,0]M表示时域冲激响应。
在接收信号中,提取导频,则第j根接收天线上的导频序列Yp,j表示为:
其中,SP表示从hji中提出导频估计值的选择阵;Xp,i表示第i根发送天线上的导频序列;Np,j表示导频位置的噪声。
令Ai=diag(Xp,i)Fp,则上式可表示为:Yp,j=Ahj+Np,j。
令 则上式可表示为:Y=Bh+N。其中,B等效于压缩感知数学模型y=Φx中测量矩阵Φ,Y等效于观测向量y,从而完成信号构建,其中表示克罗内克积。
根据测量矩阵Φ、观测向量y,迭代计算信道估计值处理流程如图2所示,包括:
初始化:残差r0=Y,索引集Λ0=φ,步长L=S0,迭代次数t=1。
迭代过程如下:
(1)计算观测向量与残差之间的相关系数:μ=r(BT,rt-1),按照从大到小的原则,从μ中选择L个值,并这些值对应B中的序列号j构成集合J0;
(2)更新索引集:Λt=Λt-1∪J0,令Bt=B(j),(j∈Λt);
(3)求Y=Βtht的最小二乘解:
(4)从中选出绝对值最大的L项记为对应的Bt中的L列记为BtL,对应B的列序号记为ΛtL,记集合F=ΛtL;
(5)更新残差:rnew=Y-BtL(BtL TBtL)-1BtL TY;
(6)若||rnew||2≤ε,停止迭代,转步骤(7);若||rnew||2≥||rt-1||2,更新步长:并令L=L+St,Λt=F,rt=rnew,t=t+1,返回(1);若前两个条件都不满足,令L=St,Λt=F,rt=rnew,t=t+1,返回(1)。其中,α1,α2表示设置的参数,且满足α1≥α2;|| ||2表示2范数;表示向上取整,保证残差较小时,最小步长为1。
(7)迭代结束,输出估计值。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,包括:
S1、将接收端接收到的接收信号转换为向量矩阵形式;
S2、提取接收信号中的导频;
S3、将提取的导频基于压缩感知数学模型构建测量矩阵B和观测向量;
S4、进行初始化,即令残差r0=Y,索引集Λ0=φ,步长L=S0,迭代次数t=1;
S5、计算观测向量与残差之间的相关系数μ,按照从大到小的原则,从μ中选择最大的L个值,该L个值在测量矩阵B中的序列号构成集合J0;
S6、更新索引集,表示为:Λt=Λt-1∪J0,令Bt=B(j),(j∈Λt);
S7、根据压缩感知数学模型的最小二乘解求解信道估计值;从求解得到的信道估计值中选出绝对值最大的L项记为将矩阵Βt中该L项对应的列集合记为BtL,选出索引集Λt中该L项对应的L列记为ΛtL;
S8、更新残差,并将更新的的残差记为rnew,若||rnew||2≤ε,停止迭代,并进行步骤S9;若||rnew||2≥||rt-1||2,则更新步长并令L=L+St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;若前两个条件均不满足,令L=St,Λt=ΛtL,rt=rnew,t=t+1,返回步骤S5;
S9、结束迭代,输出迭代值;
其中,rt表示残差,r0表示初始残差且值为Y,Y表示所有天线上的导频序列矩阵;t表示迭代次数且1≤t;Λt表示t次迭代的索引集合,Λ0为初始索引集合且为φ,φ表示空集;L表示步长,步长的初始值为S0,St表示根据第t次迭代的残差更新的步长;Βt表示按索引Λt选出的矩阵B的列集合,ε表示误差容许项,||·||2表示2范数;Β(j)表示矩阵B中序号为j的值的集合。
2.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,将接收端接收到的接收信号转换为向量矩阵形式包括:
S11、接收端的信号表示为:
S12、根据接收端的信号,转换为向量形式,表示为:
其中,i=1,2,...nT,j=1,2,...nR,l=1,2,...Ns,k=1,2,...,M,nT为发送天线数量,nR为接收天线数量,Ns为每根天线上的符号数,M为个符号上的子载波数,Xi(l,k)表示第i根天线第l个符号第k个子载波上的发送信号,Hji(l,k)表示第i根发与第j根收间的第l个符号第k个子载波上的频域估计值,Nj(l,k)表示第j根接收天线第l个符号第k个子载波上的噪声,diag(·)表示对角矩阵,Yj表示第j根接收天线接收信号的向量形式;Xi表示第i根发送天线上接收信号的向量形式;Hji表示第i根发送与第j根接收天线之间频域估计值的向量形式;Nj表示第j根接收天线上噪声的向量形式;F表示傅里叶变换矩阵,hji=[h(0),h(1),...,h(L-1),0,0...,0]M表示时域冲激响应。
3.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,提取接收信号中的导频包括:
其中,nT为发送天线数量,nR为接收天线数量,SP表示从信道矩阵hji中提取导频估计值的选择阵;hji表示发射天线i到接收天线j的信道;Yp,j表示第j根接收天线上的导频序列;Xp,i表示第i根发送天线上的导频序列;Np,j表示第j根接收天线上的导频位置的噪声,F表示傅里叶变换矩阵。
4.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,根据提取的导频基于压缩感知数学模型构建测量矩阵、观测向量包括:将第j根接收天线上的导频序列Yp,j表示为Yp,j=Ahj+Np,j,其中A为所有参数Ai的构成的矩阵,i∈{1,2,...,nT},表示为参数Ai表示为Ai=diag(Xp,i)Fp;hj为第i根天线的信道矩阵,表示为
将所有天线上的导频序列表示为所有天线的信道矩阵表示为所有天线的噪声表示为 表示单位阵;令B表示压缩感知数学模型中的测量矩阵,所有天线上的导频序列Y即等效于压缩感知数学模型中的观测向量,压缩感知数学模型的构建为:Y=Bh+N;
其中,nR为接收天线数量,M为每个符号的子载波数,N为每个符号的导频数;表示克罗内克积。
5.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,所述求压缩感知数学模型的最小二乘解表示为:
其中,表示第t次迭代的信道估计值;上标T表示转置矩阵,上标-1表示矩阵求逆,||·||表示绝对值。
6.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,更新残差包括:
rnew=Y-BtL(BtL TBtL)-1BtL TY;
其中,rnew为当前更新的残差,上标T表示转置矩阵,上标-1表示矩阵求逆。
7.根据权利要求1所述的基于压缩感知的稀疏度自适应匹配追踪的信道估计方法,其特征在于,根据第t次迭代的残差更新的步长St包括:
其中,α1为第一阈值参数,α2为第二阈值参数,且α2≤α1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393493.2A CN110198281B (zh) | 2019-05-13 | 2019-05-13 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393493.2A CN110198281B (zh) | 2019-05-13 | 2019-05-13 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110198281A true CN110198281A (zh) | 2019-09-03 |
CN110198281B CN110198281B (zh) | 2021-12-14 |
Family
ID=67752641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910393493.2A Active CN110198281B (zh) | 2019-05-13 | 2019-05-13 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110198281B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111698182A (zh) * | 2020-05-26 | 2020-09-22 | 武汉大学 | 一种基于压缩感知的时频分块稀疏的信道估计方法 |
CN111786717A (zh) * | 2020-06-10 | 2020-10-16 | 东方红卫星移动通信有限公司 | 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统 |
CN111786703A (zh) * | 2020-06-16 | 2020-10-16 | 杭州电子科技大学 | 大规模mimo的自适应双阈值下行信道估计方法 |
CN111800363A (zh) * | 2020-06-30 | 2020-10-20 | 哈尔滨工业大学(威海) | 一种改进的samp水声信道估计算法 |
CN112087235A (zh) * | 2020-09-22 | 2020-12-15 | 中国科学院声学研究所 | 基于伪逆感知字典的稀疏度自适应doa估计方法及系统 |
CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
CN113595680A (zh) * | 2021-06-25 | 2021-11-02 | 西安电子科技大学 | 一种基于广义Jaccard系数的稀疏度和步长自适应匹配追踪算法 |
CN114337743A (zh) * | 2021-12-30 | 2022-04-12 | 南京邮电大学 | 一种改进的samp大规模mimo-ofdm系统信道估计方法 |
CN115865577A (zh) * | 2022-11-30 | 2023-03-28 | 国网山东省电力公司电力科学研究院 | 基于无线通信系统的信道估计方法和装置 |
CN117373600A (zh) * | 2023-12-04 | 2024-01-09 | 邦盛高科特种车辆(天津)有限公司 | 一种医疗检测车数据优化存储方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103780521A (zh) * | 2014-02-28 | 2014-05-07 | 重庆邮电大学 | 一种稀疏度自适应的ofdm系统信道估计方法 |
CN105281780A (zh) * | 2015-11-20 | 2016-01-27 | 重庆大学 | 一种变步长正则化自适应压缩采样匹配追踪方法 |
CN108418769A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 一种分布式压缩感知稀疏度自适应重建方法 |
CN108599820A (zh) * | 2018-05-07 | 2018-09-28 | 东北大学 | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 |
CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
CN109039960A (zh) * | 2018-06-26 | 2018-12-18 | 东南大学 | 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 |
US20190021083A1 (en) * | 2017-07-12 | 2019-01-17 | Qualcomm Incorporated | Narrowband uplink control for wireless communications |
CN109617850A (zh) * | 2019-01-07 | 2019-04-12 | 南京邮电大学 | 基于自适应压缩感知的ofdm稀疏信道估计方法 |
-
2019
- 2019-05-13 CN CN201910393493.2A patent/CN110198281B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103780521A (zh) * | 2014-02-28 | 2014-05-07 | 重庆邮电大学 | 一种稀疏度自适应的ofdm系统信道估计方法 |
CN105281780A (zh) * | 2015-11-20 | 2016-01-27 | 重庆大学 | 一种变步长正则化自适应压缩采样匹配追踪方法 |
US20190021083A1 (en) * | 2017-07-12 | 2019-01-17 | Qualcomm Incorporated | Narrowband uplink control for wireless communications |
CN108418769A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 一种分布式压缩感知稀疏度自适应重建方法 |
CN108599820A (zh) * | 2018-05-07 | 2018-09-28 | 东北大学 | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 |
CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
CN109039960A (zh) * | 2018-06-26 | 2018-12-18 | 东南大学 | 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 |
CN109617850A (zh) * | 2019-01-07 | 2019-04-12 | 南京邮电大学 | 基于自适应压缩感知的ofdm稀疏信道估计方法 |
Non-Patent Citations (3)
Title |
---|
K.VANTHANA: ""analysis of enhanced channel estimation techniques in high mobility ofdm systems"", 《IEEE》 * |
何雪云: ""基于压缩感知的OFDM系统稀疏信道估计新方法研究"", 《南京邮电大学学报自然科学版》 * |
费洪涛: ""基于自适应压缩感知的OFDM稀疏信道估计研究"", 《南京邮电大学学报自然科学版》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111698182A (zh) * | 2020-05-26 | 2020-09-22 | 武汉大学 | 一种基于压缩感知的时频分块稀疏的信道估计方法 |
CN111786717A (zh) * | 2020-06-10 | 2020-10-16 | 东方红卫星移动通信有限公司 | 多波束低轨卫星信道稀疏特征自适应提取方法及通信系统 |
CN111786703A (zh) * | 2020-06-16 | 2020-10-16 | 杭州电子科技大学 | 大规模mimo的自适应双阈值下行信道估计方法 |
CN111800363A (zh) * | 2020-06-30 | 2020-10-20 | 哈尔滨工业大学(威海) | 一种改进的samp水声信道估计算法 |
CN112087235A (zh) * | 2020-09-22 | 2020-12-15 | 中国科学院声学研究所 | 基于伪逆感知字典的稀疏度自适应doa估计方法及系统 |
CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
CN113595680A (zh) * | 2021-06-25 | 2021-11-02 | 西安电子科技大学 | 一种基于广义Jaccard系数的稀疏度和步长自适应匹配追踪算法 |
CN113595680B (zh) * | 2021-06-25 | 2022-12-30 | 西安电子科技大学 | 一种基于广义Jaccard系数的稀疏度和步长自适应匹配追踪方法 |
CN114337743A (zh) * | 2021-12-30 | 2022-04-12 | 南京邮电大学 | 一种改进的samp大规模mimo-ofdm系统信道估计方法 |
CN114337743B (zh) * | 2021-12-30 | 2023-12-15 | 南京邮电大学 | 一种改进的samp大规模mimo-ofdm系统信道估计方法 |
CN115865577A (zh) * | 2022-11-30 | 2023-03-28 | 国网山东省电力公司电力科学研究院 | 基于无线通信系统的信道估计方法和装置 |
CN117373600A (zh) * | 2023-12-04 | 2024-01-09 | 邦盛高科特种车辆(天津)有限公司 | 一种医疗检测车数据优化存储方法 |
CN117373600B (zh) * | 2023-12-04 | 2024-02-20 | 邦盛高科特种车辆(天津)有限公司 | 一种医疗检测车数据优化存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110198281B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110198281B (zh) | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 | |
CN105656819B (zh) | 一种基于压缩感知和大规模mimo的自适应信道估计方法 | |
CN106453162B (zh) | 针对多输入多输出正交频分复用系统的信道估计方法 | |
CN108418769A (zh) | 一种分布式压缩感知稀疏度自适应重建方法 | |
CN109507641B (zh) | 一种合作的mimo雷达和mimo通信系统性能计算方法 | |
CN103780521A (zh) | 一种稀疏度自适应的ofdm系统信道估计方法 | |
CN104869086B (zh) | 基于二维压缩感知的mimo‑ofdm通信系统下行信道估计方法、装置 | |
CN110380997B (zh) | 基于自适应压缩感知的毫米波信道估计方法 | |
CN104320369B (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN106656874A (zh) | 一种基于压缩感知的移动ofdm系统信道估计方法 | |
CN113271269A (zh) | 基于压缩感知的稀疏度自适应信道估计方法 | |
CN107037409B (zh) | 基于压缩感知的mimo雷达波形分离方法 | |
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 | |
KR101375425B1 (ko) | 배열 안테나에서 전파의 도래각 추정 방법 | |
CN106936741A (zh) | 一种基于卡尔曼滤波器的mimo信道估计方法 | |
CN106972875A (zh) | 一种mimo系统下多维联合估计动态稀疏信道的方法 | |
CN111446998B (zh) | 基于深度学习的波达方向估计方法 | |
CN113055317A (zh) | 一种水声ofdm系统正交匹配追踪信道估计方法 | |
CN103346984B (zh) | 基于bsl0的局部聚类稀疏信道估计方法 | |
CN112383492A (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 | |
CN109412984B (zh) | 一种基于Aitken加速法的多天线场景下盲信噪比估算方法 | |
KR102577357B1 (ko) | 레이더 시스템의 신호 개수 추정 방법 및 장치 | |
CN113923085B (zh) | 一种水声通信系统多发射端并行稀疏信道估计方法 | |
CN112565120B (zh) | 一种基于二阶差分的可见光通信系统信道估计方法 | |
CN109407047A (zh) | 一种基于秩损求根的幅相误差校准和波达方向估计方法 |
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 |