CN111698182B - 一种基于压缩感知的时频分块稀疏的信道估计方法 - Google Patents

一种基于压缩感知的时频分块稀疏的信道估计方法 Download PDF

Info

Publication number
CN111698182B
CN111698182B CN202010454893.2A CN202010454893A CN111698182B CN 111698182 B CN111698182 B CN 111698182B CN 202010454893 A CN202010454893 A CN 202010454893A CN 111698182 B CN111698182 B CN 111698182B
Authority
CN
China
Prior art keywords
channel
matrix
compressed sensing
index
index set
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
Application number
CN202010454893.2A
Other languages
English (en)
Other versions
CN111698182A (zh
Inventor
何怡刚
黄源
何鎏璐
张朝龙
杜博伦
张慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010454893.2A priority Critical patent/CN111698182B/zh
Publication of CN111698182A publication Critical patent/CN111698182A/zh
Priority to US17/161,628 priority patent/US11190377B1/en
Application granted granted Critical
Publication of CN111698182B publication Critical patent/CN111698182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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
    • H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
    • 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
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0003—Two-dimensional division
    • H04L5/0005—Time-frequency
    • H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于压缩感知的时频分块稀疏的信道估计方法，该方法包括以下步骤：步骤1：建立信道模型；步骤2：根据步骤1得到的信道模型，用压缩感知的方法求解稀疏信号估计值，进而计算索引集；步骤3：根据步骤2得到的索引集，求解出信道矩阵估计值；该方法提出了一种广义分块自适应gBAMP算法，利用大规模MIMO系统的时频联合分块稀疏性，进一步优化算法迭代过程中索引集的选择，以提高算法的稳定性；然后，在未给定阈值参数下，基于F范数，通过残差确定了自适应迭代停止条件，并证明了该方法的有效性。仿真表明，本发明的方法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。

Description

一种基于压缩感知的时频分块稀疏的信道估计方法
技术领域
本发明涉及无线通信系统导频辅助的信道估计领域，尤其涉及一种基于压缩感知的时频分块稀疏的信道估计方法。
背景技术
大规模MIMO是下一代5G移动蜂窝网通信中的关键技术，能提高系统容量和频谱利用率。然而，在大规模MIMO系统中，基站侧天线数以及小区内用户数目的增加，导致信道状态信息的获取及准确性成为关键性问题。与TDD系统相比，FDD系统可以在低延迟的情况下提供更高效的通信，并且主导了当前的无线通信，因此研究FDD系统更为有效的信道估计很有必要。
在大规模MIMO系统中，信道存在具有的时域、频域和空域分块稀疏性。针对这种稀疏性结构，近年来，大量学者将压缩感知理论应用于导频辅助的信道估计中，以取得更好的性能。然而，这些算法均需要给定阈值条件以保证算法重构精度，对于不同的场景，该阈值也不同，所以如何确定阈值的大小也成为一个难题。
发明内容
本发明要解决的技术问题在于针对现有技术中难以解决FDD下行链路大规模MIMO系统信道估计的问题，提供一种基于压缩感知的时频分块稀疏的信道估计方法，能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于压缩感知的时频分块稀疏的信道估计方法，初始化下行频分双工FDD大规模MIMO信道模型的正交频分复用OFDM系统，假设基站端配置M根天线，同时向U个单天线的用户服务；令OFDM系统有N个子载波，其中NP个子载波用于发送导频信号；L为最大路径时延，考虑在相邻的R个OFDM符号内进行观测；
基于大规模MIMO信道的时频分块稀疏性和压缩感知框架，该方法包括以下步骤：
步骤1：输入发送端的导频信号和接收信号，根据该信号建立信道模型为Y＝ΨH+V；
其中，
Figure BDA0002508875850000021
为接收信号矩阵，
Figure BDA0002508875850000022
为信道矩阵，
Figure BDA0002508875850000023
为导频矩阵，
Figure BDA0002508875850000024
为噪声矩阵；
步骤2：根据步骤1得到的信道模型，用压缩感知的方法求解稀疏信号估计值
Figure BDA0002508875850000025
进而计算索引集
Figure BDA0002508875850000026
步骤3：根据步骤2得到的索引集
Figure BDA0002508875850000027
则可求解出信道矩阵估计值
Figure BDA0002508875850000028
即
Figure BDA0002508875850000029
其中，上标
Figure BDA00025088758500000224
表示伪逆，即
Figure BDA00025088758500000210
表示关于
Figure BDA00025088758500000211
的伪逆，根据得到的信道矩阵估计值
Figure BDA00025088758500000212
在基带信号解调后，输出发送端数据信息。
进一步地，本发明的步骤1中还包括以下方法：
建立信道模型后，由于NP＜＜LM，判断该信道模型为欠定方程，由于大规模MIMO信道中存在联合稀疏性结构，判断采用基于压缩感知的信道估计方法从低维向量Y中重构出高维的信道H。
进一步地，本发明的步骤2中的压缩感知方法具体为：
输入参数为测量值Y，感知矩阵Ψ，步长S，最大路径时延L；初始化残差矢量v0＝Y，重构信号的估计值
Figure BDA00025088758500000213
索引集
Figure BDA00025088758500000214
令初始迭代次数k＝1，更新步长次数I＝1；该方法包括以下步骤：
步骤201：计算感知矩阵的每列在残差矢量上的投影系数，即Z＝ΨHvk-1；
步骤202：由信道的联合稀疏特性，将矩阵
Figure BDA00025088758500000215
转换为L×RM的矩阵
Figure BDA00025088758500000216
并对
Figure BDA00025088758500000217
按行求和得
Figure BDA00025088758500000218
步骤203：更新索引集：
Figure BDA00025088758500000219
步骤204：将索引集
Figure BDA00025088758500000220
扩展至
Figure BDA00025088758500000221
1≤i≤M,合并索引集，
Figure BDA00025088758500000222
步骤205：利用最小二乘法求解信道H的估计值:
Figure BDA00025088758500000223
步骤206：将矩阵
Figure BDA0002508875850000031
转换为L×RM的矩阵
Figure BDA0002508875850000032
并对
Figure BDA0002508875850000033
按行求和得
Figure BDA0002508875850000034
步骤207：求得索引集：
Figure BDA0002508875850000035
步骤208：将索引集
Figure BDA0002508875850000036
扩展至
Figure BDA0002508875850000037
1≤i≤M,合并索引集，
Figure BDA0002508875850000038
步骤209：利用最小二乘法求解信道H的估计值:
Figure BDA0002508875850000039
步骤210：更新残差：
Figure BDA00025088758500000310
步骤211：若‖ν′k‖F>‖vk-1‖F,则
Figure BDA00025088758500000311
停止；
步骤212：若‖v′k‖F＝‖vk-1‖F,则I＝I+1，S＝S×I，
Figure BDA00025088758500000312
步骤213：若‖v′k‖F<‖vk-1‖F，则vk＝v′k，
Figure BDA00025088758500000313
步骤214：k＝k+1；重复步骤201-214，直到满足停止条件。
本发明产生的有益效果是：本发明的基于压缩感知的时频分块稀疏的信道估计方法，对于FDD下行链路大规模MIMO系统，利用信道时频分块稀疏性，在没有阈值参数和稀疏度未知的情况下，通过残差自适应地确定了迭代停止条件，比传统的匹配追踪算法实现了更精确的信道估计性能；仿真表明，该算法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例和对比实施例在不同信噪比下的归一化均方误差示意图。
图2为本发明实施例和对比实施例在不同数目的发射天线下的归一化均方误差示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例中，考虑FDD下行大规模MIMO系统，该系统基站的天线数为M＝20，同时向U＝6个单天线的用户服务。OFDM符号的子载波总数为N＝4096，其中NP＝100个子载波用于发送导频信号。所有导频放置的方法相同，均为随机分布且不同天线间导频互相正交。信道长度L为160，采取TU-6信道模型，其中路径数S＝6，路径时延分别为0.0、0.2、0.5、1.6、2.3、5，路径增益分别为-3、0、-2、-6、-8、-10。令信道的相干时间T＝4个OFDM符号。基于大规模MIMO信道的时频分块稀疏性和压缩感知框架，所述信道估计方法包括以下步骤：
步骤1：输入发送端的导频信号和接收信号，根据该信号建立信道模型为Y＝ΨH+V；
其中，
Figure BDA0002508875850000041
为接收信号矩阵，
Figure BDA0002508875850000042
为信道矩阵，
Figure BDA0002508875850000043
为导频矩阵，
Figure BDA0002508875850000044
为噪声矩阵；由于NP＜＜LM，意味着该信道模型为欠定方程，但是大规模MIMO信道中存在联合稀疏性结构，基于压缩感知的信道估计方法可以从低维向量Y中重构出高维的信道H。
步骤2：根据步骤1得到的信道模型，用压缩感知的方法求解稀疏信号估计值
Figure BDA0002508875850000045
进而计算索引集
Figure BDA0002508875850000046
步骤2中的压缩感知方法具体为：
输入参数为测量值Y，感知矩阵Ψ，步长S，最大路径时延L；初始化残差矢量v0＝Y，重构信号的估计值
Figure BDA0002508875850000047
索引集
Figure BDA0002508875850000048
令初始迭代次数k＝1，更新步长次数I＝1；该方法包括以下步骤：
步骤201：计算感知矩阵的每列在残差矢量上的投影系数，即Z＝ΨHvk-1；
步骤202：由信道的联合稀疏特性，将矩阵
Figure BDA0002508875850000049
转换为L×RM的矩阵
Figure BDA00025088758500000410
并对
Figure BDA00025088758500000411
按行求和得
Figure BDA00025088758500000412
步骤203：更新索引集：
Figure BDA00025088758500000413
步骤204：将索引集
Figure BDA00025088758500000414
扩展至
Figure BDA00025088758500000415
1≤i≤M,合并索引集，
Figure BDA00025088758500000416
步骤205：利用最小二乘法求解信道H的估计值:
Figure BDA00025088758500000417
步骤206：将矩阵
Figure BDA00025088758500000418
转换为L×RM的矩阵
Figure BDA00025088758500000419
并对
Figure BDA00025088758500000420
按行求和得
Figure BDA0002508875850000051
步骤207：求得索引集：
Figure BDA0002508875850000052
步骤208：将索引集
Figure BDA0002508875850000053
扩展至
Figure BDA0002508875850000054
1≤i≤M,合并索引集，
Figure BDA0002508875850000055
步骤209：利用最小二乘法求解信道H的估计值:
Figure BDA0002508875850000056
步骤210：更新残差：
Figure BDA0002508875850000057
步骤211：若‖v′k‖F>‖vk-1‖F,则
Figure BDA0002508875850000058
停止；
步骤212：若‖v′k‖F＝‖vk-1‖F,则I＝I+1，S＝S×I，
Figure BDA0002508875850000059
步骤213：若‖v′k‖F<‖vk-1‖F，则vk＝v′k，
Figure BDA00025088758500000510
步骤214：k＝k+1；重复步骤201-214，直到满足停止条件。
步骤3：根据步骤2得到的索引集
Figure BDA00025088758500000511
则可求解出信道矩阵估计值
Figure BDA00025088758500000512
即
Figure BDA00025088758500000513
其中，上标
Figure BDA00025088758500000518
表示伪逆，即
Figure BDA00025088758500000514
表示关于
Figure BDA00025088758500000515
的伪逆，根据得到的信道矩阵估计值
Figure BDA00025088758500000516
在基带信号解调后，输出发送端数据信息。
为了评估本发明的性能，当天线数M为16，步长s为2，算法重构精度的阈值参数μ均为0.001下，计算不同信噪比下各信道估计算法的归一化最小均方误差，结果如图1所示。
为了进一步验证本发明的性能，当信噪比为20dB，步长s为2，算法重构精度的阈值参数μ均为0.001，计算不同基站发射天线下各信道估计算法的归一化最小均方误差，结果如图2所示。
其中，归一化最小均方误差的定义如下：
Figure BDA00025088758500000517
其中，Ne表示算法在每一个信噪比下的运行次数，本文取Ne为20。
由图1可知，在本发明实施例中，所提出的gBAMP算法因为引入了广义自适应的机制，在无需阈值参数μ的约束下能检测到重构达到的最小精度而自动结束重构过程。由实验结果可知，该算法达到了接近于exact-LS算法的良好性能，并且优于其他的算法。
由图2可知，随着天线数的增多，会影响到信道重构的精度，其原因在于天线数增加会导致导频不足。SAMP-Block算法在该阈值参数下重构失败。然而，在本发明实施例中，所提出的gBAMP算法在天线数为16以上时，表现出较好的性能，其精度和稳定性均表现最佳，甚至超过了exact-LS算法。
本发明实施例的基于压缩感知的时频分块稀疏的信道估计方法，即广义分块自适应gBAMP算法，具有良好的重构性能的特点，适用于需要对无线通信系统导频辅助的信道估计的场合。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种基于压缩感知的时频分块稀疏的信道估计方法，其特征在于，初始化下行频分双工FDD大规模MIMO信道模型的正交频分复用OFDM系统，假设基站端配置M根天线，同时向U个单天线的用户服务；令OFDM系统有N个子载波，其中NP个子载波用于发送导频信号；L为最大路径时延，考虑在相邻的R个OFDM符号内进行观测；
该方法包括以下步骤：
步骤1：输入发送端的导频信号和接收信号，根据该信号建立信道模型为Y＝ΨH+V；
其中，
Figure FDA0003180260650000011
为接收信号矩阵，
Figure FDA0003180260650000012
为信道矩阵，
Figure FDA0003180260650000013
为导频矩阵，
Figure FDA0003180260650000014
为噪声矩阵；
步骤2：根据步骤1得到的信道模型，用压缩感知的方法求解稀疏信号估计值
Figure FDA0003180260650000015
进而计算索引集
Figure FDA0003180260650000016
步骤3：根据步骤2得到的索引集
Figure FDA0003180260650000017
则可求解出信道矩阵估计值
Figure FDA0003180260650000018
即
Figure FDA0003180260650000019
其中，上标
Figure FDA00031802606500000110
表示伪逆，即
Figure FDA00031802606500000111
表示关于
Figure FDA00031802606500000112
的伪逆，根据得到的信道矩阵估计值
Figure FDA00031802606500000113
在基带信号解调后，输出发送端数据信息；
步骤2中的压缩感知方法具体为：
输入参数为测量值Y，感知矩阵Ψ，步长S，最大路径时延L；初始化残差矢量v0＝Y，重构信号的估计值
Figure FDA00031802606500000114
索引集
Figure FDA00031802606500000115
令初始迭代次数k＝1，更新步长次数I＝1；该方法包括以下步骤：
步骤201：计算感知矩阵的每列在残差矢量上的投影系数，即Z＝ΨHvk-1；
步骤202：由信道的联合稀疏特性，将矩阵
Figure FDA00031802606500000116
转换为L×RM的矩阵
Figure FDA00031802606500000117
并对
Figure FDA00031802606500000118
按行求和得
Figure FDA00031802606500000119
步骤203：更新索引集：
Figure FDA00031802606500000120
步骤204：将索引集
Figure FDA00031802606500000121
扩展至
Figure FDA00031802606500000122
合并索引集，
Figure FDA00031802606500000123
步骤205：利用最小二乘法求解信道H的估计值：
Figure FDA00031802606500000124
步骤206：将矩阵
Figure FDA0003180260650000021
转换为L×RM的矩阵
Figure FDA0003180260650000022
并对
Figure FDA0003180260650000023
按行求和得
Figure FDA0003180260650000024
步骤207：求得索引集：
Figure FDA0003180260650000025
步骤208：将索引集
Figure FDA0003180260650000026
扩展至
Figure FDA0003180260650000027
合并索引集，
Figure FDA0003180260650000028
步骤209：利用最小二乘法求解信道H的估计值：
Figure FDA0003180260650000029
步骤210：更新残差：
Figure FDA00031802606500000210
步骤211：若||v′k||F＞||vk-1||F，则
Figure FDA00031802606500000211
停止；
步骤212：若||v′k||F＝||vk-1||F，则I＝I+1，S＝S×I，
Figure FDA00031802606500000212
步骤213：若||v′k||F＜||vk-1||F，则vk＝v′k，
Figure FDA00031802606500000213
步骤214：k＝k+1；重复步骤201-214，直到满足停止条件。
2.根据权利要求1所述的基于压缩感知的时频分块稀疏的信道估计方法，其特征在于，步骤1中还包括以下方法：
建立信道模型后，由于NP＜＜LM，判断该信道模型为欠定方程，由于大规模MIMO信道中存在联合稀疏性结构，判断采用基于压缩感知的信道估计方法从低维向量Y中重构出高维的信道H。
CN202010454893.2A 2020-05-26 2020-05-26 一种基于压缩感知的时频分块稀疏的信道估计方法 Active CN111698182B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010454893.2A CN111698182B (zh) 2020-05-26 2020-05-26 一种基于压缩感知的时频分块稀疏的信道估计方法
US17/161,628 US11190377B1 (en) 2020-05-26 2021-01-28 Time-frequency block-sparse channel estimation method based on compressed sensing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010454893.2A CN111698182B (zh) 2020-05-26 2020-05-26 一种基于压缩感知的时频分块稀疏的信道估计方法

Publications (2)

Publication Number Publication Date
CN111698182A CN111698182A (zh) 2020-09-22
CN111698182B true CN111698182B (zh) 2021-10-08

Family

ID=72478154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010454893.2A Active CN111698182B (zh) 2020-05-26 2020-05-26 一种基于压缩感知的时频分块稀疏的信道估计方法

Country Status (2)

Country Link
US (1) US11190377B1 (zh)
CN (1) CN111698182B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362794B (zh) * 2020-10-13 2023-04-14 中国移动通信集团设计院有限公司 宽带毫米波大规模多天线系统信道确定方法和装置
CN113542162B (zh) * 2021-06-02 2023-05-23 杭州电子科技大学 基于块稀疏贝叶斯算法的上下链路通信感知一体化方法
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
CN114363124B (zh) * 2021-11-25 2023-05-16 南京信息工程大学 一种压缩感知稀疏信号恢复方法及系统
CN113923085B (zh) * 2021-12-14 2022-03-15 中国地质大学（北京） 一种水声通信系统多发射端并行稀疏信道估计方法
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
CN114330455B (zh) * 2022-01-05 2022-10-11 哈尔滨工业大学 一种基于压缩感知的钢轨声发射信号快速高精度重构方法
CN114567525B (zh) * 2022-01-14 2023-07-28 北京邮电大学 一种信道估计方法及装置
CN114465642A (zh) * 2022-01-18 2022-05-10 清华大学 信道估计方法、装置、电子设备及存储介质
CN114978818B (zh) * 2022-01-20 2023-05-26 南京邮电大学 一种基于压缩感知的自适应信道估计方法及估计系统
CN114884775A (zh) * 2022-03-31 2022-08-09 南京邮电大学 一种基于深度学习的大规模mimo系统信道估计方法
CN114978821B (zh) * 2022-05-18 2024-04-23 西安交通大学 面向6g智能反射表面辅助通信系统的协同信道估计方法
CN114866110B (zh) * 2022-05-25 2023-06-09 电子科技大学 一种基于弹性网络模型与广义admm结合的跳频信号参数估计方法
CN115112061B (zh) * 2022-06-28 2023-07-25 苏州大学 一种钢轨波磨检测方法及系统
CN115118559A (zh) * 2022-08-30 2022-09-27 西南交通大学 一种稀疏信道的估计方法、装置、设备及可读存储介质
CN116032699B (zh) * 2022-12-28 2024-05-14 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法
CN117113013A (zh) * 2023-07-19 2023-11-24 石家庄铁道大学 一种基于结构化压缩感知的轴承振动缺失数据修复方法
CN117278367B (zh) * 2023-11-23 2024-01-23 北京中关村实验室 一种分布式压缩感知稀疏时变信道估计方法
CN117318730B (zh) * 2023-11-30 2024-02-23 山东大学 电离层数据实时采集压缩方法、装置、芯片及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105652273B (zh) * 2016-03-17 2018-10-26 哈尔滨工程大学 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法
CN105656819B (zh) * 2016-03-21 2018-12-18 电子科技大学 一种基于压缩感知和大规模mimo的自适应信道估计方法
US10594459B2 (en) * 2017-04-26 2020-03-17 Ntt Docomo, Inc. Method and apparatus for extracting large-scale features in propagation channels via non-orthogonal pilot signal designs
WO2019103454A1 (ko) * 2017-11-21 2019-05-31 엘지전자 주식회사 피드백 정보를 전송하는 방법 및 이를 위한 단말
CN108599820B (zh) * 2018-05-07 2021-10-15 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
CN109560841B (zh) * 2018-12-13 2021-06-15 东北大学 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法
CN110198281B (zh) * 2019-05-13 2021-12-14 重庆邮电大学 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
US20210377079A1 (en) 2021-12-02
US11190377B1 (en) 2021-11-30
CN111698182A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111698182B (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN109560841B (zh) 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法
KR100918717B1 (ko) 다입다출력 직교주파수분할다중화 이동통신 시스템에서의신호 시퀀스 추정 방법 및 장치
CN108599820B (zh) 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
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN107276646B (zh) 大规模mimo-ofdm上行链路迭代检测方法
CN111865843B (zh) 大规模mimo-ofdm系统混合消息传递信道估计方法
CN108259397B (zh) 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
Sun et al. Joint channel-estimation/decoding with frequency-selective channels and few-bit ADCs
Jamali et al. A low-complexity recursive approach toward code-domain NOMA for massive communications
CN111901069A (zh) 一种基于神经网络与近似消息传递算法的多用户检测方法
CN114205203B (zh) 一种基于ofdm的卫星物联网大规模接入设计方法
US20240089152A1 (en) Angular domain channel estimation method based on matrix reconstruction for symmetrical nonuniform array
WO2008151518A1 (fr) Procédé et dispositif de détection d&#39;information dans un système ofdm
KR100934170B1 (ko) 다중 안테나 무선통신 시스템에서 채널 추정 장치 및 방법
CN110149285B (zh) 一种在低比特量化的高阶调制中降低相位误差的方法
Jiang et al. AcsiNet: Attention-based deep learning network for CSI prediction in FDD MIMO systems
CN115412416B (zh) 一种面向高速移动场景的低复杂度otfs信号检测方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN113055061B (zh) 一种大规模mimo系统的低复杂度预编码方法
US9614632B2 (en) Devices and methods for processing one or more received radio signals
CN110492956B (zh) 一种用于musa系统的误差补偿多用户检测方法及装置
CN114268346A (zh) 非高斯噪声下电力线载波通信压缩感知信道估计方法

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