论文部分内容阅读
压缩感知(Compressed Sensing, CS)技术是近年来信号处理领域最热门的研究方向之一,其打破了奈奎斯特采样定理的框架,将对信号的采样转变为对信息的采样,可利用远低于奈奎斯特采样要求的速率对信号进行采样,同时又可以高效的实现原信号的重构。因此,在雷达成像、无线传感器网络、通信系统、医学成像等领域,压缩感知技术得到了非常广泛的应用。 在正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统中,信号经过频率选择性衰落后,在接收端需要进行均衡和相干信号的检测,所以准确的信道估计必不可少。同时,由于无线宽带多径信道固有的稀疏性,其抽头分布分布通常满足稀疏特性,因此使得压缩感知应用于无线宽带多径信道成为可能。已有研究表明,与传统的信号估计算法(LS算法、MMSE算法等)相比,基于压缩感知的信道估计技术在获得同样的信道估计精确度的前提下,所需的导频符号数目会明显降低,从而提高了系统的频谱利用率。 压缩感知技术的实现包括三个关键步骤:信号的稀疏表示、观测矩阵的构造及稀疏信号重构。将压缩感知技术运用于 OFDM稀疏信道估计时,这三个步骤也是需要重点考虑的问题。本论文将从观测矩阵的构造及稀疏信号重构两个方面进行研究,论文的创新主要集中在以下三个方面: 1.压缩感知观测矩阵的构造与导频符号在子载波的分布是紧密联系的,本文根据观测矩阵的相关性从理论上推导出一种有效的导频分布图案设计方法,并仿真验证该设计方法的有效性。本文提出的导频分布图案设计方法的基本原理为从理论上寻找列相关性最小的观测矩阵作为 OFDM信道估计所采用的观测矩阵。计算机仿真表明:在相同的仿真环境下,本文提出的导频分布图案相比其它导频分布图案相比,信道估计均方误差(MSE)降低2-4dB,系统的误码率也显著降低降低。 2.着重介绍了几种压缩感知的重构算法,具体包括 OMP算法、ROMP算法、CoSAMP算法、SP算法、SAMP算法、贝叶斯压缩感知技术等。其中,由于稀疏度自适应匹配追踪算法(SAMP)不需要以信号稀疏度为先验信息,所以非常适合应用在CS-OFDM稀疏信道估计问题中。然而,该算法的算法复杂度相对于其它算法复杂度较高。在此基础上,本文提出了一种自适应阈值 SAMP算法,该算法根据信噪比算法的迭代阈值发生变化,并且迭代步长在每次迭代中也是变化的,从而降低算法的复杂度。计算机仿真表明:本文提出的算法相比于未改进的 SAMP算法,在较低信噪比下也能达到不错的效果,并且CPU运行时间降低大约一半。 3.从时延域-多普勒域-角度域出发分析了多径信道的稀疏性,将压缩感知信道估计技术应用于MIMO-OFDM双选择信道的估计中。为了克服双选择信道多普勒频率泄漏效应,着重介绍了基优化算法的基本原理。除此之外,还介绍了多天线的联合稀疏性,其作为利用分布式压缩感知(DCS)的理论基础。本文创新性的将SAMP算法应用在MIMO-OFDM双选择信道的估计中,并仿真验证算法的有效性。