CN115987721A - 一种基于变分贝叶斯学习的信道脉冲噪声估计方法 - Google Patents
一种基于变分贝叶斯学习的信道脉冲噪声估计方法 Download PDFInfo
- Publication number
- CN115987721A CN115987721A CN202211586036.3A CN202211586036A CN115987721A CN 115987721 A CN115987721 A CN 115987721A CN 202211586036 A CN202211586036 A CN 202211586036A CN 115987721 A CN115987721 A CN 115987721A
- Authority
- CN
- China
- Prior art keywords
- backward
- iteration
- noise
- kth
- data block
- 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
Images
Landscapes
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种基于变分贝叶斯学习的信道脉冲噪声估计方法,该估计方法在时域上对信道的冲激响应以及环境中存在的脉冲噪声与高斯噪声进行联合估计;根据信道冲激响应对信号进行时域均衡,得到期望信号。在基于引入脉冲噪声的接收数据模型的基础上,推导了该模型的前向、后向EM算法的接收数据的似然函数期望,并以该期望为基础推导出模型隐藏变量的更新公式,准确地估计出前向信道冲击响应、前向脉冲噪声、后向信道冲激响应、后向脉冲噪声。相比于传统贝叶斯信道估计方法,该方法能够准确估计出在海洋环境中存在的脉冲噪声与信道冲激响应,有效对抗脉冲噪声与高斯白噪声的干扰,显著提高译码性能。
Description
技术领域
本发明涉及水声通信领域,特别是一种基于软信息的迭代均衡单载波信号传输系统,同时适用于快速时变多径衰落信道,具体涉及一种基于变分贝叶斯学习的信道脉冲噪声估计方法。
背景技术
水声环境非常复杂,水声信道有严重的多径效应,快时变以及带宽受限等特点,水下也存在复杂的噪声,导致通信更为困难。在水声通信中,脉冲噪声会影响低频带(10Hz-500Hz)与中频带(500Hz-25KHz),特别是中频带,是水声通信中较为常用的频率范围。因此降低脉冲噪声对接收信号的影响也尤为重要。
在目前的通信系统中,Turbo均衡迭代结构由于能够通过软信息迭代的方式获得更多编码增益,对抗ISI,提升整体性能,从而被广泛应用于水声通信系统中。而Turbo均衡迭代结构通常分为两种,一种是基于直接自适应的均衡技术,另一种是基于信道估计的均衡技术。两种方法各有优缺点,对于基于信道估计的均衡技术,虽然计算复杂度较高,但是有很好的对抗码间串扰的效果。
目前基于信道估计的Turbo均衡迭代算法少有考虑脉冲噪声对接收信号的影响,因此在信道估计的过程中联合估计脉冲噪声,能够提高信道估计的精度,同时消除脉冲噪声对均衡的影响,从而提高系统的误码性能。为此,目前亟待针对受脉冲噪声干扰的快速时变多径衰落信道条件下的基于信道估计的软信息迭代均衡无线通信接收,提出一种基于变分贝叶斯学习估计脉冲噪声方法。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于变分贝叶斯学习的信道脉冲噪声估计方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于变分贝叶斯学习的信道脉冲噪声估计方法,所述信道脉冲噪声估计方法包含以下步骤:
S1、从接收信号帧r中提取第k个数据块rk,其中k=1,2,…,K,K为每一帧的数据块数,从数据块rk中提取前向接收数据yk,1、后向接收数据yk,2分别构建前向接收数据模型与后向接收数据模型;
S2、分别基于前向接收数据、前向信道冲激响应、前向脉冲噪声和前向高斯噪声构建前向参数概率模型;
S3、利用前向EM算法迭代估计接收信号帧r中第k个数据块前向信道冲激响应第k个数据块前向脉冲噪声第k个数据块在前向EM算法第p次迭代中待估计参数分别为:第k个数据块前向EM算法第p次迭代的前向冲激响应期望第k个数据块前向EM算法第p次迭代的前向脉冲噪声期望第k个数据块前向EM算法第p次迭代的前向高斯噪声方差倒数首先初始化p=1、的第一隐藏变量 的第二隐藏变量和
S4、使用前向EM算法计算与若迭代次数p达到迭代上限阈值pmax或者前向信道冲激响应期望更新变化小于预设阈值Δ,则输出第k个数据块最后一次迭代的前向信道冲激响应期望前向脉冲噪声期望前向高斯噪声方差倒数结束迭代并执行步骤S6;
S6、分别基于后向接收数据、后向信道冲激响应、后向脉冲噪声和后向高斯噪声构建后向参数概率模型;
S7、利用后向EM算法迭代估计接收信号帧r中第k个数据块后向信道冲激响应第k个数据块后向脉冲噪声第k个数据块后向EM算法第q次迭代中待估计参数分别为:第k个数据块后向EM算法第q次迭代的后向冲激响应期望第k个数据块后向EM算法第q次迭代的后向脉冲噪声期望第k个数据块后向EM算法第q次迭代的后向高斯噪声方差倒数首先初始化q=1、的第一隐藏变量的第二隐藏变量和
S8、使用后向EM算法计算与若迭代次数q达到迭代上限阈值qmax或者后向信道冲激响应更新变化小于预设阈值Δ,则输出第k个数据块最后一次迭代的后向信道冲激响应期望后向脉冲噪声期望后向高斯噪声方差倒数结束迭代并执行步骤S10;
S10、由步骤S4得到作为第k个数据块前向信道冲激响应估计值作为第k个数据块前向脉冲噪声估计值由步骤S8得到作为第k个数据块后向信道冲激响应估计值作为第k个数据块后向脉冲噪声估计值将和等增益合并得到第k个数据块的信道冲激响应将和等增益合并得到第k个数据块的脉冲噪声
进一步地,在步骤S2中,根据前向信道冲激响应、前向脉冲噪声稀疏的特性,将这两个参数的概率模型建模为多维复高斯分布,能够更好地拟合真实环境中的前向信道冲激响应、前向脉冲噪声,同时EM算法针对稀疏信号的估计效果极佳,因此将前向信道冲激响应与前向脉冲噪声建模为多维复高斯分布以适配后续步骤的EM算法估计。同理,所述步骤S6中,基于同样的理由,后向信道冲激响应、后向脉冲噪声建模为多维复高斯分布。
进一步地,在步骤S3中,由于无法获得前向信道冲激响应与前向脉冲噪声的先验信息,因此将与初始化为零向量。而前向高斯噪声的方差可以通过帧间保护间隔的零符号估计得到,从而初始化从而能够提高前向EM算法的收敛速度,减少迭代次数,减少估计所用时间。
进一步地,在步骤S4中,通过计算第p次前向EM算法迭代中前向接收数据yk,1的对数似然函数的期望,为前向EM算法的E步,该对数似然函数的期望的表达式为:
进一步地,在步骤S5中,根据步骤S4计算得到的分别对 求偏导,令偏导数为0,即:该计算过程为前向EM算法的M步,得到第p+1次迭代的前向EM算法的更新值,在迭代的过程中,每一次更新的方向都向着yk,1的最大后验概率逼近,保证最大,保证了前向EM算法收敛速度与估计精度。
进一步地,在步骤S7中,由于无法获得后向信道冲激响应与后向脉冲噪声的先验信息,因此将与初始化为零向量。而后向高斯噪声的方差可以通过帧间保护间隔的零符号估计得到,从而初始化从而能够提高后向EM算法的收敛速度,减少迭代次数,减少估计所用时间。
进一步地,在步骤S8中,通过计算第q次后向EM算法迭代中后向接收数据yk,2的对数似然函数的期望,为后向EM算法的E步,该对数似然函数的期望的表达式为:
进一步地,在步骤S9中,根据步骤S8计算得到的分别对 求偏导,令偏导数为0,即:该计算过程为后向EM算法的M步,得到第q+1次迭代的后向EM算法的更新值,在迭代的过程中,每一次更新的方向都向着yk,2的最大后验概率逼近,保证最大,保证了后向EM算法收敛速度与估计精度。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明采用前向与后向估计信道冲激响应与脉冲噪声,充分地利用前向、后向接收数据以及译码器输出的软信息,一定程度上克服水声信道的时变性;
(2)本发明在接收数据模型中引入脉冲噪声,使得模型更加真实地拟合了水声环境噪声,相比于传统方法,该方法在复杂水声环境中能够取得更高的估计精度与更低的误码率,仿真结果显示误码率约为传统方法的二分之一到三分之一,即使在简单水声环境中,例如水池,平静的湖泊等不存在明显脉冲噪声的水声环境,相比于传统模型,也不会造成估计精度下降与性能损失;
(3)本发明在基于引入脉冲噪声的接收数据模型的基础上,推导了该模型的前向、后向EM算法的接收数据的似然函数期望,并以该期望为基础推导出模型隐藏变量的更新公式,相比于传统方法,信道冲激响应估计的均方误差下降约一个数量级。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法的步骤流程图;
图2是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中发送帧结构示意图;
图3是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中接收帧结构示意图;
图4是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中发送帧结构示意图;
图5是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法中接收帧结构示意图;
图6是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法第1次Turbo均衡迭代性能仿真图;
图7是本发明实施例1公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法第10次Turbo均衡迭代性能仿真图;
图8是本发明实施例2公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法桂山岛一发八收通信实验误码率对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例1
为了便于对后续接收方法的理解,先对通信系统的信号模型作一个简要的说明。该实施例的调制系统如下:信息比特dk经过编码、交织、基带调制、16倍上采样和脉冲成形滤波后,生成传输信号:
式中,信息比特经过比特编码交织,与基带调制后得到发射星座点xn,本实施例采用QPSK调制;g(t)为成型滤波器,本实施例采用升根余弦滚降滤波器,滚降系数0.25,符号周期为T;Es为符号的能量。发射符号经过载波调制后发送出去。
在接收端,信号经过同步、匹配滤波和16倍降采样后得到基带信号。
本实施例公开的一种基于变分贝叶斯学习的信道脉冲噪声估计方法,正是基于如上所述信号模型所提出的。
如图2所示,为本实施例所使用的发射帧结构,每帧由1个数据块组成,即K=1,其中,这一个数据块的前向训练序列、后向训练序列均为t、x代表这一个数据块的发送数据、Nt代表训练序列的长度,Nd代表发送数据的长度,本实施例中各个参数取值如下:
如图3所示,为本实施例的每一帧的接收数据结构,r1代表前向训练序列经过仿真信道与加噪处理后的接收信号、rd代表x经过仿真信道与加噪处理后的接收信号、r2代表后向训练序列经过仿真信道与加噪处理后的接收信号。
本实施例中选择的水声信道是实测于广东河源万绿湖的真实水声信道(H.Zhao,F.Ji,M.Wen,H.Yu and Q.Guan,"Multi-Task Learning Based Underwater AcousticOFDM Communications,"2021IEEE International Conference on Signal Processing)。由于该信道比较复杂,加上高斯噪声与脉冲噪声的影响,导致传统方法难以获得精确的信道估计值,无法准确地均衡。本发明通过联合估计脉冲噪声与信道冲激响应,获得更精确的信道估计值。
一种基于变分贝叶斯学习的信道脉冲噪声估计方法的算法流程和系统结构图如图1和图4所示,具体包含以下步骤:
S1、若T=1,则前向接收数据yk,1=r1,前向字典矩阵构建为:
后向接收数据yk,2=r2,后向字典矩阵Xk,2=Xk,1;
S2、分别基于前向接收数据、前向信道冲激响应、前向脉冲噪声和前向高斯噪声构建前向参数概率模型;
令p=p+1,转至步骤S4开始下一轮前向EM算法迭代;
S6、分别基于后向接收数据、后向信道冲激响应、后向脉冲噪声和后向高斯噪声构建后向参数概率模型
令q=q+1,转至步骤S7开始下一轮后向EM算法迭代;
S11、若T>1,则将接收数据扣除脉冲噪声:
本实施例在消除估计出的脉冲噪声后采用基于MMSE的Turbo均衡迭代算法进行后续的接收处理。若译码无误或者达到迭代次数上限Tmax则跳出Turbo均衡迭代,否则译码器输出本次迭代的软符号传递回步骤S1进行下一次Turbo均衡迭代,T=T+1。
上述实施例公开了一种基于变分贝叶斯学习的信道脉冲噪声估计方法,该实施例使用一发一收的仿真通信结构,首先构造前向与后向接收数据模型,可以真实地还原水声环境,降低误码率,随后使用前向EM算法估计得到前向信道冲激响应与前向脉冲噪声,估计的准确性相比于传统算法更高,并且能够消除环境中的脉冲噪声。利用估计出来的两个参数传至均衡器,能够明显降低通信误码率。
实施例2
本实施例公开的另一种基于变分贝叶斯学习的信道脉冲噪声估计方法,该方法使用一发八收的通信结构,实验地址位于广东省珠海市桂山岛,通信距离1.9km,符号速率8kbps,载波频率12kHz,采样率128kHz,带宽10kHz。该方法基于实施例1公开的基于变分贝叶斯学习的信道脉冲噪声估计方法中各个步骤。
其中,在本实施例的调制方法与实施例1相同,调制后的符号经过真实的水声信道后被8个接收端采集,每个通道分别进行基于变分贝叶斯学习的信道脉冲噪声估计运算。每一帧的发送帧结构如图4所示,其中每一个数据块的前向、后向训练序列相同,表示为t,xk表示第k个发射数据块。每一帧的接收帧结构如图5所示,其中表示第k个数据块的前向训练序列经过真实水声信道至接收端的接收数据、表示第k个数据块的后向训练序列经过真实水声信道至接收端的接收数据、表示xk经过真实水声信道传输至接收端的接收数据。本实施例中,每一帧有10个数据块,即K=10、Nt=256、Nd=1026、L=120、Tmax=5、pmax=10、qmax=10、Δ=10-4。
其中,在本实施例步骤S2至步骤S10中进行前向、后向信道冲激响应与脉冲噪声的估计、合并的方法与实施例1中相同。
本实施例在消除估计出的脉冲噪声后采用基于MMSE的Turbo均衡迭代算法进行后续的接收处理。若译码无误或者达到迭代次数上限T=Tmax,则跳出Turbo均衡迭代,令k=k+1,返回步骤S1开始处理下一个数据块,否则译码器输出本次迭代的软符号传递回步骤S1进行下一次Turbo均衡迭代,T=T+1。
在实施例1与实施例2中给出的效果图可以看出,不管是使用仿真信道模拟真实水声通信环境得到的误码结果,还是进行实测的通信数据得到的误码结果,本发明所提出的一种基于变分贝叶斯学习的信道脉冲噪声估计方法的误码性能均要比传统算法更优。在仿真结果中,第1次Turbo均衡迭代与第10次Turbo均衡迭代,本发明的误码率大约是传统算法误码率的三分之一;在实验数据的误码结果中,本发明的误码率大约是传统算法误码率的二分之一。
综上所述,本发明提出的一种基于变分贝叶斯学习的信道脉冲噪声估计方法,针对水声环境的噪声问题,引入脉冲噪声模型,提升了信道估计的准确性,降低了均衡算法的误码率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于变分贝叶斯学习的信道脉冲噪声估计方法,其特征在于,所述信道脉冲噪声估计方法包含以下步骤:
S1、从接收信号帧r中提取第k个数据块rk,其中k=1,2,...,K,K为每一帧的数据块数,从数据块rk中提取前向接收数据yk,1、后向接收数据yk,2分别构建前向接收数据模型与后向接收数据模型;
S2、分别基于前向接收数据、前向信道冲激响应、前向脉冲噪声和前向高斯噪声构建前向参数概率模型;
S3、利用前向EM算法迭代估计接收信号帧r中第k个数据块前向信道冲激响应第k个数据块前向脉冲噪声第k个数据块在前向EM算法第p次迭代中待估计参数分别为:第k个数据块前向EM算法第p次迭代的前向冲激响应期望第k个数据块前向EM算法第p次迭代的前向脉冲噪声期望第k个数据块前向EM算法第p次迭代的前向高斯噪声方差倒数首先初始化p=1、的第一隐藏变量 的第二隐藏变量和
S4、使用前向EM算法计算与若迭代次数p达到迭代上限阈值pmax或者前向信道冲激响应期望更新变化小于预设阈值Δ,则输出第k个数据块最后一次迭代的前向信道冲激响应期望前向脉冲噪声期望前向高斯噪声方差倒数结束迭代并执行步骤S6;
S6、分别基于后向接收数据、后向信道冲激响应、后向脉冲噪声和后向高斯噪声构建后向参数概率模型;
S7、利用后向EM算法迭代估计接收信号帧r中第k个数据块后向信道冲激响应第k个数据块后向脉冲噪声第k个数据块后向EM算法第q次迭代中待估计参数分别为:第k个数据块后向EM算法第q次迭代的后向冲激响应期望第k个数据块后向EM算法第q次迭代的后向脉冲噪声期望第k个数据块后向EM算法第q次迭代的后向高斯噪声方差倒数首先初始化q=1、的第一隐藏变量的第二隐藏变量和
S8、使用后向EM算法计算与若迭代次数q达到迭代上限阈值qmax或者后向信道冲激响应更新变化小于预设阈值Δ,则输出第k个数据块最后一次迭代的后向信道冲激响应期望后向脉冲噪声期望后向高斯噪声方差倒数结束迭代并执行步骤S10;
2.根据权利要求1所述的一种基于变分贝叶斯学习的信道脉冲噪声估计方法,其特征在于,在步骤S1中,提取接收信号帧r,若T=1,第k个数据块的前向接收数据yk,1由数据块rk的前向训练序列构成,第k个数据块的后向接收数据yk,2由数据块rk的后向训练序列构成,其中,T表示Turbo均衡迭代的次数;若T>1,前向接收数据yk,1由数据块rk的前向训练序列与数据部分构成,后向接收数据yk,2由数据块rk的数据部分与后向训练序列构成;前向接收数据模型表达式如下:
yk,1=Xk,1hk,1+ek,1+ωk,1
后向接收数据模型表达式如下:
yk,2=Xk,2hk,2+ek,2+ωk,2
其中,Xk,1为第k个数据块的前向字典矩阵,hk,1为第k个数据块的真实前向信道冲激响应,ek,1为第k个数据块的真实前向脉冲噪声,ωk,1为第k个数据块的真实前向高斯白噪声;Xk,2为第k个数据块的后向字典矩阵,hk,2为第k个数据块的真实后向信道冲激响应,ek,2为第k个数据块的真实后向脉冲噪声,ωk,2为第k个数据块的真实后向高斯白噪声。
3.根据权利要求2所述的一种基于变分贝叶斯学习的信道脉冲噪声估计方法,其特征在于,在步骤S2中,构建前向参数概率模型:
其中,P(ωk,1;βk,1)表示在βk,1已知的情况下ωk,1的条件概率,P(hk,1;αk,1)表示在αk,1已知的情况下hk,1的条件概率,P(ek,1;vk,1)表示在vk,1已知的情况下ek,1的条件概率,P(yk,1;hk,1,ek,1,ωk,1)表示在yk,1的边际似然概率,CN(x|μ,σ)表示变量x服从均值为μ、方差为σ的复高斯分布,hk,1[l]、ek,1[n]分别表示向量hk,1、ek,1的第l、n个元素,I为单位矩阵,L为信道抽头数目,αk,1为hk,1的隐藏变量,αk,1用于控制hk,1的稀疏度,表示αk,1第l个元素的倒数,n为信号长度,vk,1为ek,1的隐藏变量,vk,1用于控制ek,1的稀疏度,表示vk,1第n个元素的倒数,βk,1为ωk,1的方差倒数。
7.根据权利要求2所述的一种基于变分贝叶斯学习的信道脉冲噪声估计方法,其特征在于,在步骤S6中,构建后向接收数据模型的后向参数概率模型:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211586036.3A CN115987721A (zh) | 2022-12-06 | 2022-12-06 | 一种基于变分贝叶斯学习的信道脉冲噪声估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211586036.3A CN115987721A (zh) | 2022-12-06 | 2022-12-06 | 一种基于变分贝叶斯学习的信道脉冲噪声估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115987721A true CN115987721A (zh) | 2023-04-18 |
Family
ID=85960413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211586036.3A Pending CN115987721A (zh) | 2022-12-06 | 2022-12-06 | 一种基于变分贝叶斯学习的信道脉冲噪声估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115987721A (zh) |
-
2022
- 2022-12-06 CN CN202211586036.3A patent/CN115987721A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242189B (zh) | 一种结合信道估计的自适应均衡软信息迭代接收方法 | |
CN109246039B (zh) | 一种基于双向时域均衡的软信息迭代接收方法 | |
CN108712353B (zh) | 软迭代信道估计方法 | |
CN112866151B (zh) | 基于信道盲估计的水声MPSK信号盲Turbo均衡方法 | |
CN111106877B (zh) | 一种基于Farrow滤波与码字匹配的水声通信传输方法 | |
CN106549888B (zh) | 一种基于gamp的联合双选信道估计与ftns检测方法 | |
US7974335B2 (en) | Apparatus for equalizing decision feedback based on channel properties change and method therefor | |
CN113242190B (zh) | 一种基于后验软符号的多通道通信最小误码率Turbo均衡方法 | |
Pukkila | Channel estimation modeling | |
CN109981501B (zh) | 一种水声直接自适应mimo通信方法 | |
CN105553903B (zh) | 一种自适应turbo均衡方法及均衡器,水声通信系统 | |
WO2004107691A1 (en) | Channel estimation for frequency selective multipath channels with long delay spreads | |
CN115208483B (zh) | 一种极地脉冲干扰下的水声通信方法 | |
CN115987721A (zh) | 一种基于变分贝叶斯学习的信道脉冲噪声估计方法 | |
CN116016055A (zh) | 一种基于向量近似消息传递的自适应水声信道均衡方法 | |
CN115883298A (zh) | 一种基于Haar分布域编码分集的水声通信方法 | |
CN111682924B (zh) | 一种采用期望传播的双向频域Turbo均衡方法 | |
CN115225437A (zh) | 用于水声协作通信的联合智能均衡与译码方法 | |
CN112039809B (zh) | 基于混合软信息的块迭代均衡器及双向块迭代均衡器 | |
CN118158034A (zh) | 一种基于块间相关的稀疏贝叶斯时变信道双向估计方法 | |
JP4187968B2 (ja) | 適応等化方法及び適応等化器 | |
CN115208482B (zh) | 一种极地脉冲干扰下的水声通信方法 | |
CN115996065B (zh) | 应用于时变水声信道的稳健自适应turbo均衡方法和装置 | |
CN110912651A (zh) | 一种ftn索引调制信号检测方法 | |
Jing et al. | A Learned Denoising-Based Sparse Adaptive Channel Estimation for OTFS Underwater Acoustic Communications |
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 |