一、对信道过模型具有鲁棒性的基于线性组合-子空间法的信道盲辨识(论文文献综述)
白曜铭[1](2014)在《确定性盲信道辨识算法研究》文中提出无线数字通信中,受多径传输等信道因素的影响,接收信号会存在码间干扰,因此需要进行信道辨识以对其引起的信号畸变进行校正。无需或仅需少量已知符号的盲信道辨识技术得到广泛关注,基于二阶统计量(Second-Order Statistics,SOS)的盲信道辨识算法所需数据量小、算法复杂度低,是近年来盲信道辨识领域的研究热点。本文以国防某重大科研项目为依托,深入研究更适于实际应用的SOS确定性盲辨识算法。全文主要工作与成果如下:1.结合SIMO信道模型,本文归纳总结出具有普适性的SOS盲辨识算法可辨识条件,即信道条件、信源条件和数据条件。深入研究信道零点分布与SOS确定性盲辨识算法的可辨识性关系,并进行了相关的理论分析与仿真实验。2.针对SOS确定性全盲辨识算法对信道阶数的估计精度依赖性较高这一特点,本文提出一种基于样本排序的信道阶数估计改进算法,算法通过建立与样本数据对应的连续次序对二维空间,利用阶数欠估计时的特定图形结构估计信道阶数,改进算法有效地提升了原算法在较低信噪比下的估计性能。然后提出一种联合信道辨识与均衡的阶数估计算法,算法首先构造具有凸形结构的辨识代价函数,而后提出新颖的加权最小二乘均衡准则并给出相关的理论分析,联合同样具有凸形结构的辨识代价函数与均衡代价函数,在达到算法全局最优解时完成对信道阶数的估计,仿真实验表明:该算法在不同信道条件下的估计性能明显优于现有的其他阶数估计算法,且性能稳定可靠。3.针对SOS确定性全盲辨识算法对信道阶数误差鲁棒性差的问题,本文首先对信道零点分布与阶数过估计之间的联系进行深入的理论分析,发现并证明了由阶数过估计额外引入的“公零点”具有单位圆聚集特性,利用这一特性提出一种基于信道零点分布的盲辨识算法,该算法简单实用且适用范围广。同时,将“公零点”的单位圆聚集特性与具有较低复杂度的改进CR算法相结合,在频域范围内求解信道响应以提高算法在小样本数据条件下的辨识性能,提出一种采用FFT方法的抗阶数过估计盲辨识算法,仿真实验表明:该算法具有较强的信道阶数误差鲁棒性。4.针对全盲辨识算法无法辨识含公零点信道且对信道阶数误差敏感的问题,本文提出一种采用奇异值分解方法的半盲辨识算法,算法通过奇异值分解将信道矩阵分解为两个矩阵乘积的形式,分别利用接收数据和已知符号实现信道辨识,仿真实验验证了所提算法的有效性。然后提出一种基于信道相关性的半盲辨识算法,算法利用接收数据构造的相关矩阵与信道向量的正交关系建立约束方程,并利用少量已知符号以及改进的最小二乘准则建立额外的约束,最终通过最小二乘法得到信道响应的闭式解,该算法性能稳健且辨识精度高,对信道噪声及信道阶数误差均具有较强的鲁棒性。
孙有铭[2](2013)在《信道阶数估计和确定性盲辨识算法的鲁棒性研究》文中研究说明在无线数字通信中,由于传输带宽有限以及受多径衰落影响,接收信号往往存在较大的码间干扰。为了克服码间干扰的影响,通常需要进行信道估计,利用估计信道信息构建均衡器进行补偿,校正信号畸变以正确恢复出发送序列。传统的信道估计方法需要周期性发送训练序列,占用一定带宽资源,降低了频带利用率。出于对高可靠性和高容量通信的追求,盲信道估计由于无需训练序列而得到广泛研究。基于二阶统计量(Second-OrderStatistics, SOS)的盲信道辨识算法因其低复杂度和快速收敛特性成为近年来盲信号处理领域的研究热点。本文基于单输入多输出(Single Input Multiple Output, SIMO)信道模型,深入研究不受调制方式约束的SOS类确定性信道盲辨识算法,主要研究内容和创新点如下:1.从表征线性时不变信道的SIMO模型展开研究,归纳总结了SOS信道盲辨识问题中的可辨识性条件,并引入了相应信道估计评价准则,为后续研究提供模型基础和理论依据。2.研究基于SOS的确定性盲辨识算法,对比分析了三种经典算法:CR算法、SS算法和TSML算法。针对短突发信号条件下盲信道估计问题,提出了一种改进的低复杂度FFT盲估计方法。在过采样率大于2时,所提算法复杂度较原有FFT算法明显降低,估计性能与其相当。3.研究信道阶数过估计和SIMO信道不满足互质条件时SOS算法失效的原因。在上述两种情况下,SOS算法只能正确估计出信道的互质零点,导致算法失效的原因在于估计信道零点中引入了随机分布的公共零点;介于有噪环境下LSS算法和SS算法在阶数过估计时引入的公零点呈现出单位圆聚集性,提出了一种基于零点聚类分析的盲辨识算法,利用该方法从LSS/SS估计的信道零点中删除位于单元圆附近的公共零点,从而正确估计出真实的信道零点,所提算法较信道阶数已知时性能仍有一定差距,但复杂度低,阶数鲁棒性强且适用范围广。4.针对二阶信道盲辨识问题中信道有效阶数估计问题,深入研究信道阶数估计算法。研究分析了Liavas、NECOE和CMR等阶数估计算法,提出了一种基于子空间信道矩阵迭代的阶数估计算法(SS-CMR)。该算法基于过估计条件下的Q矩阵特殊结构和其解空间向量可等价为真实信道冲激响应与公共零点信道的卷积的前提,构建了基于子空间信道矩阵迭代的阶数估计代价函数。仿真表明,SS-CMR算法较CMR算法性能提升明显,且优于现有其他阶数估计算法,解析表明该算法复杂度较CMR明显降低,对首尾系数很小的信道阶数估计尤为有效。在SS-CMR算法的研究基础上,进一步将其扩展为一种基于EM的联合阶数和信道辨识的子空间方法(EM J-SS),利用EM迭代以低复杂度得到过估计条件下的Q矩阵,构建出可同时估计阶数和信道响应的联合代价函数,仿真表明所提算法联合估计性能较J-LSS算法更稳健。5.针对确定性方法阶数鲁棒性差的问题,研究了不依赖于阶数估计且具有阶数误差鲁棒性强的确定性算法。总结了两种对阶数过估计具有鲁棒性的CR算法,信道过估计时,此两种算法本质上都是通过施加一定约束使信道估计逼近该条件下的理想解形式;基于该思想,结合压缩感知中的FOCUSS算法,将阶数过估计时理想解的求解转化为加权约束下稀疏解求解的问题,提出了一种基于FOCUSS的阶数过估计鲁棒SS算法。在一定的信噪比条件下,选择合适的加权因子可以使所提算法具有很强的阶数鲁棒性,较现有其他同类算法信道估计性能有所提高。
沈祖超[3](2013)在《基于过采样的SIMO系统盲辨识与均衡算法研究》文中研究说明在现代数字通信中,随着数据传输速率的不断提高,码间干扰对通信质量的影响也日趋明显。传统的均衡技术存在的缺陷导致了信道盲辨识和盲均衡技术的产生,并迅速成为通信信号处理领域令人瞩目的研究热点之-本文从盲辨识和盲均衡的发展历史入手,首先总结了盲辨识算法中采用的常见信道模型,接着阐释了信道的可辨识性,然后分析了几种典型的盲辨识算法的原理及其实现流程。最后分析现有子空间法,其在矩阵维数较大时,存在计算复杂的不足。在此基础上,提出了一种基于总体最小二乘的改进子空间算法。算法用总体最小二乘法代替协方差矩阵的特征值分解,减少了运算量,提高了计算效率。同时给出了相应的理论模型和推导,并通过仿真实验,验证了算法的有效性。
杨正举[4](2012)在《时变信道盲辨识算法研究》文中研究表明随着无线通信技术的飞速发展,信道盲辨识技术由于其不需要训练序列、能提高通信效率等优点逐渐成为通信信号处理领域的研究热点之一。通常人们对信道盲辨识的研究是将信道假设为线性时不变信道来处理,而在实际中,信道其实都是时变的。对于变化较慢的信道,在一段时间间隔内把它假设为线性时不变信道是合理的。目前,线性时不变信道盲辨识算法所需数据量最少为几十个符号。但是对于快速变化的信道,当信道的相干时间小于所需的最小数据长度时,线性时不变算法已很难跟踪信道的快速变化。因而研究快时变信道条件下的盲辨识算法具有重要理论意义和应用价值。目前,人们对时变信道盲辨识的研究虽然取得了许多研究成果,但距离真正实用还有较大差距,为了使该技术进一步推向实用,还需要主要解决以下问题:首先是时变信道的描述,什么样的信道模型既能较好表征时变信道特性,又能进行信道盲辨识处理?其次是如何才能在更低信噪比和短数据量下实现时变信道的盲辨识?本文围绕时变信道盲辨识若干关键技术展开研究,主要研究内容与创新点如下:1.从表征时变信道的模型展开研究,分析了统计性模型和确定性模型的特点和应用范围,得出了确定性复指数基展开模型不仅能很好的拟合时变信道的变化,而且有利于进行信道盲辨识处理。信道的统计性模型适合描述信道的全局特性,难以进行盲辨识处理;而复指数基展开模型将时变信道建模为周期变化的信道,模型的参数具有明确的物理意义,基频率分量对应了每一径的多普勒频移。由于它的参数在某一时刻是确知的,因而使时变信道采用盲辨识方法处理成为可能,它为后续的盲辨识算法提供了模型依据。2.在复指数基频率估计中,针对难以根据循环统计量估计值来设定判决门限的问题,提出了采用构造的检测统计量来进行判决的方法。由于循环统计量估计误差的概率分布是未知的,所以不能直接利用循环统计量的估计值来设定判决门限。将构造的检测统计量应用于基频率估计,在给定虚警概率的前提下,就可以得出判决门限。运用该检测统计量来进行判决,提高了基频率估计的准确率。3.从线性时不变信道的阶数估计方法展开研究,利用其与时变信道的内在联系,提出了分别采用信息论准则、Liavas准则和子空间投影的方法来估计时变信道的阶数和径数。信道阶数和径数的准确度直接影响着信道盲辨识的效果,尤其是采用确定性方法时。基于观测数据矩阵的秩特性来进行估计的方法很难在有噪声情形下应用。因而提出了几种不同的方法来估计时变信道的阶数和径数,其中采用子空间投影方法估计信道阶数具有较好的性能,仿真验证了算法的有效性。4.针对复指数基展开系数的盲辨识问题,采用噪声子空间方法来进行辨识,由于在前端引入了阶数精确估计环节,所以比统计性方法具有更好的辨识效果。此外,提出了基于最小二乘平滑思想的时变信道盲辨识算法,该算法有利于进行联合阶数估计的时变信道盲辨识。以线性预测为代表的统计性方法对信道阶数过估计具有较好的鲁棒性,但是它需要假设输入信号的统计特性是白的,且需要较大的观测数据量,限制了算法的应用。确定性噪声子空间方法虽然对阶数比较敏感,但由于在辨识之前首先进行阶数精确估计,大大提高了辨识的性能。此外,提出了基于最小二乘平滑思想的时变信道盲辨识算法,由于其投影误差矩阵同时包含信道的阶数和系数信息,易于进行联合阶数估计和系数盲辨识的处理。
薛江[5](2012)在《基于多通道接收的短波信道盲均衡算法研究》文中研究说明短波通信中,多径传播产生的衰落问题会在接收端产生严重码间干扰(Inter-symbolInterference, ISI),严重影响通信质量。众所周知,分集技术是克服衰落的有效手段。论文立足现有接收阵地和设备的前提下(即接收阵元随机分布的情况下),致力于基于多通道接收的短波信道盲均衡算法研究。通过课题研究,在非合作接收环境中:一方面可以通过接收方主动分集实现多通道接收,发挥分集效果克服衰落影响;另一方面可以补偿接收端码间干扰,有效恢复信号;第三提高小观测数据条件下的盲均衡能力,以应对短波突发信号。本文主要工作及创新点如下:1.针对频率色散信道中,一般分集合并技术难以发挥分集效果的问题,提出基于MMSE准则的分集合并盲均衡算法。该算法原理是将支路信号的合并权值和均衡器系数统一合并于基于MMSE准则的盲均衡算法。同时,重点分析讨论了基于MMSE准则的线性分集合并盲均衡算法和判决反馈分集盲均衡算法具有不受支路信号间相位差影响的特点和对支路信号间延迟具有很好鲁棒性的特点。2.基于二阶统计量的SIMO系统盲均衡算法普遍受信道阶数估计影响,针对此情况提出了不受信道阶数估计影响的直接盲均衡算法。该算法是通过构造一个新的二阶统计量回避了算法对信道阶数估计值的直接或间接依赖。提出的算法不受信道阶数估计影响,对不同调制方式信号都具有很好的均衡效果,可以有效应用于复杂短波信道。3.一般SIMO系统盲均衡算法都受制于“子信道互质”条件,针对此问题提出了适用于含公共零点信道的盲均衡算法。一是通过建立含公共零点SIMO系统模型,提出了可以用IIR (Infinite Impulse Response)盲均衡算法进行该系统均衡的可行性方案;二是根据研究结果提出了一种Two-Step IIR盲均衡算法,可以对含公共零点信道中的不同调制方式信号进行有效盲均衡。4.针对短波突发信号,利用优化方法的半正定规划(Semi-definite Programming, SDP)可以在有限观测数据条件下进行盲均衡,实现盲序列检测。但是该方法研究有限,仅限于BPSK/4QAM等星座图样简单的常模信号。本文通过BPSK/4QAM的半正定规划盲序列检测过程,归纳总结出利用半正定规划进行盲序列检测的一般方法和步骤。根据研究结论,通过引入中间矩阵和适当半正定松驰提出了非常模MPAM/MQAM信号的半正定规划盲序列检测方法。同时,引入一种新的半正定规划求解工具cvx,该工具接口简单、应用方便可以有效实现半正定规划求解。
田营,葛临东,王彬,王露[6](2011)在《一种改进的稀疏多径信道盲辨识算法》文中进行了进一步梳理针对无线多径稀疏信道,利用有效近似思想,提出了一种改进的基于矩阵外积分解的信道盲辨识算法。算法首先采用改进的VIA准则精确估计稀疏信道"有效部分"的阶数;然后使用矩阵外积分解算法估计信道冲激响应的"有效部分",为了降低噪声及信道冲激响应中"零抽头"部分的影响,本文提出一种新的噪声方差估计方法,利用重新构造的自协方差矩阵,能够得到比较精确的噪声方差估计值,提高了外积分解算法在中、低信噪比条件下的盲辨识性能;最后利用盲辨识结果进行反卷积,恢复出发送信号。与现有算法相比,本算法不仅降低了对信噪比的要求,而且克服了子空间算法的相位偏转问题。仿真实验以及对SPIB微波信道测试结果验证了本文算法的有效性。
田营[7](2011)在《无线通信信道盲均衡技术研究》文中指出本文致力于无线通信信道盲辨识与盲均衡关键技术研究,重点研究了不依赖或较少依赖信号调制方式的盲均衡方法,这对于非合作环境下的信号截获与盲接收具有重要意义。本课题是实验室承担的某重点工程项目的子课题。论文主要研究了信道阶数估计方法、基于信道盲辨识子空间方法和自适应方法的间接盲均衡。主要工作和创新点概括如下:1.在信道阶数估计方面,针对Liavas准则对信噪比要求太高的问题,提出了两种改进的信道阶数估计算法。该算法充分利用了接收信号自协方差矩阵的连续三个特征值之间的约束关系,使构造的两个目标函数能够更加准确地确定信号子空间的维数。与经典的Liavas准则相比,两种改进算法较大幅度地降低了对信噪比的要求,而且,当信道冲激响应含有较小的头部和尾部时,第二种改进算法的估计性能优于第一种改进算法。2.在基于信道盲辨识子空间方法的间接盲均衡方面,首先,为了提高无线多径稀疏信道的盲均衡性能,利用有效近似思想,基于本文提出的噪声方差估计算法,提出了一种改进的基于矩阵外积分解的信道盲辨识算法;与原算法相比,改进的OPD算法性能稳定,对信噪比的要求更低,能够获得更好的盲均衡效果。其次,针对TXK算法在过估计阶数较大时均衡结果不理想这一缺点,提出一种改进的盲均衡算法。该算法充分利用过估计信道滤波矩阵的稀疏性,提取信道响应的“有效部分”,去除信道过估计部分对盲均衡的影响,降低了码间干扰。3.在基于自适应信道盲辨识方法的间接盲均衡方面,本文讨论了几种基于各子信道输出之间CR(Cross Relation)性质的自适应信道盲辨识方法。针对归一化多信道频域LMS (NMCFLMS)算法仅适合于辨识阶数较高的信道,本文在其基础上利用频域选择矩阵对校正量进行约束,提出了一种改进的约束型NMCFLMS算法。该算法以增加较小的运算量为代价,很大程度上提高了算法的估计性能,减小了算法的稳态误差。另外,还把数据重用技术应用到自适应LMS算法中,提高了算法的收敛速度。
蒋静,赵金平[8](2010)在《子空间盲辨识的改进算法》文中提出针对单输入多输出(SIMO)系统模型参数的盲辨识问题进行了研究,基于二阶统计量,提出一类改进的子空间辨识算法。依据协方差阵的秩对该矩阵进行分块,在此基础上考虑了实际系统中存在的噪声误差,利用总体最小二乘(TLS)得到一个与噪声子空间相关的量,最后对该量进行标准正交化,得到了噪声子空间。与传统子空间方法相比,改进算法不需要对协方差矩阵进行特征值分解,可以减弱噪声及不确定因素的影响,减少了运算量。仿真实验结果表明了该算法的有效性。
蒋静[9](2010)在《基于子空间的二阶统计量盲信道辨识算法研究》文中研究表明盲信道辨识作为现代信号处理的关键技术,信道参数的估计仅利用接收端的数据就可以完成,最早的盲信道辨识方法主要是通过计算高阶累积量来实现的。Tong算法的提出为信道盲辨识开辟了一条新的发展道路,基于二阶统计量法成为盲信道辨识的主要方法,其中,子空间法由于算法性能好等优点而受到广泛关注。本文主要研究了基于二阶统计量盲辨识方法的子空间算法,取得的研究结果如下:首先,介绍了单输入多输出(SIMO)系统模型,分析了系统的盲可辨识条件,并且讨论了基于二阶统计量子空间算法的原理。其次,讨论了子空间盲辨识的改进算法,研究了SIMO系统模型的子空间盲辨识新算法,依据协方差阵的秩对矩阵进行分块,在此基础上考虑实际系统中噪声误差的存在,然后利用总体最小二乘(TLS)得到一个与噪声子空间相关的量,对此量进行标准正交化得到了噪声子空间。与传统子空间方法相比,改进算法不需要对协方差矩阵进行特征值分解,在不影响辨识效果的基础上,减少了计算量。最后,针对子空间盲辨识算法要求对信道阶数的准确估计,但在实际系统中参数不容易估计这一问题。根据信道阶数过估计的特点,利用信道先验知识得到信道阶数的过估计,提出了一种既允许信道阶数过估计又具有较小计算量的子空间盲辨识算法,仿真结果与分析说明了此算法具有运算效率高这一优点。
王刚[10](2010)在《MIMO-OFDM宽带无线通信系统信道估计技术研究》文中研究说明正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)是实现高速数据传输的重要技术,它能够有效抵抗信道的多径衰落,且具有频谱利用率高、实现简单等一系列优点。而多天线(Multiple Input Multiple Output, MIMO)技术可以在不增加系统带宽和功率的前提下有效提高系统容量。因此,结合两者优势的MIMO-OFDM技术被普遍接受为实现下一代移动通信系统(4G, Fourth Generation)物理层的核心技术。在要求高数据传输速率,高传输质量和高移动性的4G系统中,信道估计是不可缺少的一环。因此,本论文针对MIMO-OFDM系统的信道估计问题展开研究,在几种不同的信道环境下提出了相应的解决方案。主要工作如下:1.针对准静态信道,即CIR在一个OFDM符号内近似不变的情况下,提出一种基于时延子空间跟踪的信道估计方法。算法首先利用MIMO-OFDM系统的最优导频序列在接收端对信道进行LS估计,接着把信道时域响应分成时延与幅度两部分,利用快速数据投影算法对缓慢变化的时延子空间进行跟踪,最后将CIR向时延子空间上投影得到最终的信道估计。时延子空间跟踪信道估计显着提高了LS估计的质量。如果对于CIR快速变化的幅度部分也利用LMS等自适应算法来跟踪,则可以进一步提高信道估计的准确性。2.在某些不便采用导频估计信道或希望提高系统带宽效率的情况下,可以考虑盲信道估计方法。本文研究了基于子空间分解法信道盲辨识的原理及可辨识条件,并推广到静态信道下的MIMO-OFDM系统中。由于MIMO-OFDM系统中用于信道盲辨识的接收信号向量自相关矩阵的维数很高,采用直接SVD分解的方法运算量太大而难以实现,我们转而提出利用子空间跟踪算法自适应的跟踪噪声子空间以降低算法复杂度。提出的FDPM算法具有线性复杂度且能够稳定和鲁棒地跟踪噪声子空间。3.在时频双选择性快衰落信道中,为了减少需要估计的信道参数个数,我们利用基扩展模型建模时变信道,并提出了一种基于BEM的LMMSE信道估计。为了消除快时变信道中ICI对OFDM系统性能的影响,提出了一种基于块的turbo MMSE均衡算法,它在软输出线性MMSE均衡器和MAP译码器之间交换软信息,并通过多次迭代提高均衡性能。更进一步地,我们提出将信道估计也加入到迭代均衡和译码过程中,将turbo均衡器和译码器在迭代过程中产生的软数据做为辅助导频,从而更加有效地提升了信道估计的精度和系统的BER性能。
二、对信道过模型具有鲁棒性的基于线性组合-子空间法的信道盲辨识(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、对信道过模型具有鲁棒性的基于线性组合-子空间法的信道盲辨识(论文提纲范文)
(1)确定性盲信道辨识算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 基于高阶统计量的盲辨识算法 |
1.2.2 基于二阶统计量的盲辨识算法 |
1.3 面临的问题与研究思路 |
1.3.1 面临的问题 |
1.3.2 研究思路 |
1.4 本文主要工作及结构安排 |
第二章 信道模型与可辨识性分析 |
2.1 引言 |
2.2 SIMO信道模型 |
2.2.1 过采样模型 |
2.2.2 多天线模型 |
2.3 可辨识条件 |
2.3.1 信道条件 |
2.3.2 信源条件 |
2.3.3 数据条件 |
2.4 盲信道辨识算法评价准则 |
2.5 本章小结 |
第三章 信道阶数估计算法 |
3.1 引言 |
3.2 信道的有效阶数 |
3.3 基于样本排序的阶数估计算法及改进算法 |
3.3.1 基于样本排序的阶数估计算法 |
3.3.2 改进算法 |
3.3.3 算法复杂度分析 |
3.3.4 仿真实验与性能分析 |
3.4 联合信道辨识与均衡的阶数估计算法(MCIE) |
3.4.1 基于信道辨识的阶数估计代价函数 |
3.4.2 最小二乘均衡准则与加权最小二乘均衡准则原理描述 |
3.4.3 最小二乘均衡准则与加权最小二乘均衡准则性能分析 |
3.4.4 MCIE算法流程 |
3.4.5 仿真实验与性能分析 |
3.5 本章小结 |
第四章 阶数误差鲁棒的确定性全盲辨识算法 |
4.1 引言 |
4.2 基于信道零点分布的盲辨识算法 |
4.2.1 信道零点分布与可辨识性关系 |
4.2.2 阶数过估计情况下的估计信道零点分布 |
4.2.3 基于信道零点分布的盲辨识算法原理 |
4.2.4 仿真实验与性能分析 |
4.3 采用FFT方法的抗阶数过估计盲辨识算法(R-FFT-SCR) |
4.3.1 改进的CR算法(SCR) |
4.3.2 基于FFT变换的SCR算法(FFT-SCR) |
4.3.3 对阶数误差具有鲁棒性的FFT-SCR算法(R-FFT-SCR) |
4.3.4 算法复杂度分析 |
4.3.5 仿真实验与性能分析 |
4.4 本章小结 |
第五章 确定性半盲辨识算法 |
5.1 引言 |
5.2 半盲辨识算法信号结构 |
5.3 采用奇异值分解方法的半盲辨识算法(SVD-SB) |
5.3.1 SVD-SB算法原理 |
5.3.2 仿真实验与性能分析 |
5.4 基于信道相关性的半盲辨识算法(MSBCR) |
5.4.1 基于信道CR相关性的全盲辨识算法 |
5.4.2 基于已知符号的传统LS算法及其改进算法 |
5.4.3 MSBCR算法描述 |
5.4.4 仿真实验与性能分析 |
5.5 本章小结 |
结束语 |
一、全文总结 |
二、工作展望 |
致谢 |
参考文献 |
附录 1 |
附录 2 |
作者简历 攻读硕士学位期间完成的主要工作 |
(2)信道阶数估计和确定性盲辨识算法的鲁棒性研究(论文提纲范文)
摘要 |
Abstract |
图录 |
表录 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 基于 HOS 的盲辨识/均衡算法 |
1.2.2 基于 SOS 的盲辨识/均衡算法 |
1.3 面临的问题和研究思路 |
1.3.1 面临主要问题 |
1.3.2 研究思路 |
1.4 论文主要工作及结构安排 |
第二章 信道模型和盲辨识条件 |
2.1 采样模型 |
2.1.1 波特采样 |
2.1.2 分数采样 |
2.2 SIMO 信道模型 |
2.2.1 过采样模型 |
2.2.2 多天线模型 |
2.3 可辨识性条件 |
2.3.1 信道条件 |
2.3.2 信源条件 |
2.4 信道估计的评价准则 |
2.5 本章小结 |
第三章 基于 SOS 的确定性盲辨识算法 |
3.1 确定性盲估计方法性能界 |
3.2 确定性 SOS 盲方法 |
3.2.1 CR 算法 |
3.2.2 SS 算法 |
3.2.3 TSML 算法 |
3.2.4 仿真分析 |
3.3 短突发条件下的盲信道估计算法 |
3.3.1 F‐MCR 算法描述 |
3.3.2 运算复杂度分析 |
3.3.3 仿真分析 |
3.4 本章小结 |
第四章 稳健的信道阶数估计算法及联合算法 |
4.1 引言 |
4.2 信道的有效阶数 |
4.3 经典的阶数估计算法 |
4.3.1 Liavas 算法 |
4.3.2 NECOE 算法 |
4.3.3 CMR 算法 |
4.4 基于子空间信道矩阵迭代的阶数估计算法(SS‐CMR) |
4.5 联合阶数估计和信道辨识的盲辨识算法 |
4.5.1 联合阶数估计和信道辨识的最小二乘平滑算法(J‐LSS) |
4.5.2 基于 EM 的联合阶数和信道辨识的子空间算法(EM J‐SS) |
4.6 仿真分析 |
4.7 本章小结 |
第五章 阶数误差鲁棒的确定性算法 |
5.1 引言 |
5.2 信道零点分布与可辨识性关系 |
5.2.1 阶数过估计和不满足互质条件时估计信道零点分析 |
5.2.2 有噪情况下的近零点信道 |
5.2.3 LSS/SS 算法阶数过估计时公零点分布 |
5.2.4 基于零点聚类的信道盲辨识算法 |
5.2.5 仿真分析 |
5.3 阶数过估计鲁棒的确定性算法 |
5.3.1 阶数鲁棒性 CR 算法 |
5.3.2 基于 FOCUSS 的阶数鲁棒性 CR 算法 |
5.3.3 基于 FOCUSS 的阶数鲁棒性 SS 算法 |
5.4 仿真分析 |
5.5 本章小结 |
结束语 |
致谢 |
参考文献 |
附录 |
作者简历 |
(3)基于过采样的SIMO系统盲辨识与均衡算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 干扰的产生与均衡的作用 |
1.1.2 传统信道均衡及其缺陷 |
1.1.3 信道盲均衡提出及其意义 |
1.2 盲辨识与盲均衡理论基础 |
1.3 盲均衡发展史 |
1.3.1 SISO系统Bussgang类盲均衡技术 |
1.3.2 SISO系统高阶谱的盲辨识技术 |
1.3.3 SIMO系统辨识技术 |
1.3.4 MIMO系统辨识技术 |
1.4 盲辨识的分类 |
1.5 论文结构与内容安排 |
第2章 信道模型 |
2.1 码间干扰 |
2.2 信道衰弱 |
2.2.1 慢衰弱 |
2.2.2 快衰弱 |
2.3 多径效应 |
2.3.1 多经效应的产生 |
2.3.2 多经效应的数学模型 |
2.4 过采样理论 |
2.4.1 过采样模型 |
2.4.2 过采样的周期平稳性 |
2.5 信道模型 |
2.5.1 多码率模型 |
2.5.2 多信道模型 |
2.5.3 基于过采样的SIMO模型 |
2.6 盲可辨识的信道条件 |
2.6.1 盲辨识的模糊度 |
2.6.2 多码率SISO模型的辨识条件 |
2.6.3 多信道模型的辨识条件 |
2.6.4 堆栈信道模型的辨识条件 |
2.6.5 信道可辨识性通用约束条件 |
2.7 本章小结 |
第3章 几种典型的信道盲辨识算法 |
3.1 矩阵对(MP)法 |
3.1.1 基本原理 |
3.1.2 算法流程 |
3.2 子空间(SS)法 |
3.2.1 基本原理 |
3.2.2 算法流程 |
3.3 交叉相关(CR)法 |
3.3.1 基本原理 |
3.3.2 算法流程 |
3.4 极大似然(ML)法 |
3.4.1 基本原理 |
3.4.2 算法流程 |
3.5 信道可辨识条件 |
3.6 盲辨识、盲均衡算法的评估指标 |
3.7 仿真分析与讨论 |
3.8 本章小结 |
第4章 基于总体最小二乘的改进子空间法 |
4.1 引言 |
4.2 采样模型 |
4.3 信道模型 |
4.4 基于总体最小二乘改进的子空间盲辨识算法 |
4.4.1 标准的子空间(SS)法 |
4.4.2 改进的SUB-TLS算法 |
4.5 算法性能分析 |
4.6 仿真性能分析 |
4.7 本章小结 |
第5章 全文总结与展望 |
5.1 全文总结 |
5.2 技术展望 |
参考文献 |
致谢 |
(4)时变信道盲辨识算法研究(论文提纲范文)
目录 |
表目录 |
图目录 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 线性时不变信道盲辨识研究现状 |
1.2.2 线性时变信道盲辨识研究现状 |
1.3 论文研究思路 |
1.3.1 问题的提出 |
1.3.2 论文研究思路 |
1.4 研究内容及结构安排 |
1.4.1 主要研究内容 |
1.4.2 论文结构安排 |
第二章 信道盲辨识概述 |
2.1 无线衰落信道 |
2.1.1 衰落产生原因 |
2.1.2 衰落信道特性和种类 |
2.1.3 时变衰落信道模型 |
2.2 信道盲辨识基础 |
2.2.1 盲辨识问题描述 |
2.2.2 SIMO 系统模型 |
2.2.3 可辨识性条件 |
2.2.4 时变信道盲辨识 |
2.3 本章小结 |
第三章 基展开模型的时变信道复指数基频率盲估计算法 |
3.1 引言 |
3.2 算法模型 |
3.3 基于循环平稳特性的基频率盲估计算法 |
3.3.1 理论依据 |
3.3.2 基频率估计算法 |
3.4 改进的基频率估计算法 |
3.4.1 判决门限的确定 |
3.4.2 算法流程 |
3.5 仿真与性能分析 |
3.5.1 仿真条件 |
3.5.2 结果分析 |
3.6 本章小结 |
第四章 基展开模型的时变信道阶数和径数盲估计算法 |
4.1 引言 |
4.2 算法模型 |
4.3 基于观测矩阵秩特性的时变信道阶数和径数盲估计算法 |
4.4 基于信息论和 Liavas 准则的时变信道阶数和径数盲估计算法 |
4.4.1 信息论准则 |
4.4.2 Liavas 准则 |
4.5 基于子空间投影的时变信道阶数和径数盲估计算法 |
4.5.1 等效的时不变 MIMO 信道模型 |
4.5.2 输入和输出子空间的同构关系 |
4.5.3 投影误差矩阵的构建 |
4.5.4 阶数和径数估计算法 |
4.6 仿真与性能分析 |
4.6.1 仿真条件 |
4.6.2 结果分析 |
4.7 本章小结 |
第五章 基展开模型的时变信道系数盲辨识算法 |
5.1 引言 |
5.2 基于多步线性预测的时变信道系数盲辨识算法 |
5.2.1 多步线性预测器 |
5.2.2 信道部分抽头系数估计 |
5.2.3 信道其他抽头系数估计 |
5.2.4 观测信号自协方差函数的估计 |
5.2.5 算法流程 |
5.3 基于噪声子空间的时变信道系数盲辨识算法 |
5.3.1 信道基展开系数估计 |
5.3.2 模糊矩阵估计 |
5.3.3 算法流程 |
5.4 基于 LSS 的时变信道系数盲辨识算法 |
5.4.1 信道基展开系数估计 |
5.4.2 模糊矩阵估计 |
5.4.3 算法流程 |
5.5 仿真与性能分析 |
5.5.1 仿真条件 |
5.5.2 结果分析 |
5.6 本章小结 |
结束语 |
参考文献 |
作者简历 攻读硕士学位期间完成的主要工作 |
致谢 |
(5)基于多通道接收的短波信道盲均衡算法研究(论文提纲范文)
表目录 |
图目录 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景和意义 |
1.2 研究现状 |
1.2.1 盲均衡技术 |
1.2.2 多通道接收技术 |
1.2.3 基于多通道接收的盲均衡技术 |
1.3 短波信道特性及多通道接收系统模型 |
1.3.1 短波信道特性 |
1.3.2 多通道接收系统模型 |
1.4 主要工作和内容安排 |
第二章 基于多通道分集合并的盲均衡算法 |
2.1 引言 |
2.2 分集合并技术 |
2.2.1 分集技术 |
2.2.2 分集合并技术 |
2.2.3 性能分析 |
2.3 基于MMSE的分集合并改进盲均衡算法 |
2.3.1 分集合并与均衡技术 |
2.3.2 基于MMSE的合并均衡算法原理 |
2.3.3 基于MMSE的分集合并改进盲均衡算法原理 |
2.3.4 仿真实验和性能分析 |
2.4 基于MMSE的空间分集判决反馈盲均衡算法 |
2.4.1 算法原理 |
2.4.2 仿真实验和性能分析 |
2.5 本章小结 |
第三章 不依赖信道阶数估计的直接盲均衡算法 |
3.1 引言 |
3.2 SIMO系统的盲均衡算法 |
3.2.1 SIMO系统模型 |
3.2.2 基于循环二阶统计量的盲均衡算法 |
3.2.3 仿真实验和性能分析 |
3.3 基于截短协方差矩阵的改进盲均衡算法 |
3.3.1 算法原理 |
3.3.2 改进算法的Batch实现过程 |
3.3.3 改进算法的Adaptive实现过程 |
3.3.4 仿真实验和性能分析 |
3.4 本章小结 |
第四章 含公共零点信道的直接盲均衡算法 |
4.1 引言 |
4.2 含公共零点SIMO信道的均衡问题 |
4.2.1 盲辨识与盲均衡的条件 |
4.2.2 含公共零点SIMO信道的盲均衡原理 |
4.2.3 仿真实验分析 |
4.3 IIR盲均衡算法 |
4.3.1 算法原理 |
4.3.2 性能分析 |
4.3.3 仿真实验分析 |
4.4 适用于含公共零点信道的IIR改进盲均衡算法 |
4.4.1 算法原理 |
4.4.2 仿真实验及性能分析 |
4.5 本章小结 |
第五章 基于半正定规划的突发信号盲均衡算法 |
5.1 引言 |
5.2 盲序列检测基本原理 |
5.2.1 优化理论的一些基本概念 |
5.2.2 基于均衡过程的盲序列检测 |
5.3 BPSK/4QAM信号的SDP盲序列检测 |
5.3.1 实信道BPSK信号的SDP盲序列检测 |
5.3.2 一种新的SDP求解方法 |
5.3.3 复信道 4QAM信号的SDP盲序列检测 |
5.3.4 仿真实验和性能分析 |
5.4 MPAM/MQAM信号的SDP盲序列检测 |
5.4.1 实信道MPAM信号的SDP盲序列检测 |
5.4.2 复信道MQAM信号的SDP盲序列检测 |
5.4.3 仿真实验和性能分析 |
5.5 本章小结 |
结束语 |
参考文献 |
作者简历 攻读硕士学位期间完成的主要工作 |
致谢 |
(6)一种改进的稀疏多径信道盲辨识算法(论文提纲范文)
1 引言 |
2 系统模型 |
3 信道有效盲近似分析 |
4 基于外积分解的稀疏多径信道盲辨识算法 |
4.1 外积分解算法 |
4.2 改进算法 |
4.2.1 构造自协方差矩阵 |
4.2.2 噪声方差的估计 |
5 仿真实验 |
6 结论 |
(7)无线通信信道盲均衡技术研究(论文提纲范文)
表目录 |
图目录 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 信道盲辨识与盲均衡技术的研究历史与现状 |
1.3 本文主要工作及结构安排 |
第二章 信道盲辨识与盲均衡的基本原理 |
2.1 引言 |
2.2 SIMO 信道模型 |
2.2.1 过采样信道模型 |
2.2.2 多信道模型 |
2.2.3 SIMO 系统输出信号的循环平稳性 |
2.3 基于SIMO 模型的信道盲辨识 |
2.3.1 SIMO 信道盲辨识问题描述 |
2.3.2 信道的可辨识性条件 |
2.3.3 信道盲辨识算法估计性能的评估方法 |
2.4 基于SIMO 模型的信道盲均衡 |
2.5 本章小结 |
第三章 信道阶数估计算法 |
3.1 引言 |
3.2 系统模型 |
3.3 自协方差矩阵的构造方法 |
3.4 经典的信道阶数估计算法 |
3.4.1 信息论准则 |
3.4.2 Liavas 准则 |
3.4.3 ID-EQ 算法 |
3.5 改进的信道阶数估计算法 |
3.5.1 改进算法1 |
3.5.2 改进算法2 |
3.6 仿真实验及性能分析 |
3.7 本章小结 |
第四章 基于子空间信道盲辨识的间接盲均衡 |
4.1 引言 |
4.2 确定性子空间方法 |
4.2.1 CR 算法 |
4.2.2 SS 算法 |
4.2.3 实验仿真与性能分析 |
4.3 统计性子空间方法 |
4.3.1 OPD 算法及其改进 |
4.3.2 TXK 算法及其改进 |
4.4 本章小结 |
第五章 基于自适应信道盲辨识的间接盲均衡 |
5.1 引言 |
5.2 时域自适应算法 |
5.2.1 MCLMS 算法 |
5.2.2 MCN 算法 |
5.2.3 实验仿真与性能分析 |
5.3 频域自适应算法 |
5.3.1 MCFLMS 算法 |
5.3.2 NMCFLMS 算法 |
5.3.3 改进的约束型NMCFLMS |
5.3.4 实验仿真与性能分析 |
5.4 本章小结 |
结束语 |
一、全文总结 |
二、课题展望 |
参考文献 |
作者简历 攻读硕士学位期间完成的主要工作 |
致谢 |
(9)基于子空间的二阶统计量盲信道辨识算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 信道盲辨识的发展和研究现状 |
1.2.1 盲辨识的发展历程 |
1.2.2 研究现状 |
1.2.3 存在的问题 |
1.3 本文的结构安排及主要内容 |
第2章 子空间盲辨识的基本原理 |
2.1 引言 |
2.2 SIMO系统模型的建立与分析 |
2.2.1 过采样技术 |
2.2.2 SIMO模型的建立 |
2.2.3 系统模型分析 |
2.3 SIMO系统的盲可辨识条件 |
2.4 基于SIMO系统模型的子空间法 |
2.4.1 子空间分解 |
2.4.2 基于子空间的盲辨识算法 |
2.5 本章小结 |
第3章 一类基于子空间盲辨识的改进算法 |
3.1 引言 |
3.2 系统辨识中的总体最小二乘方法 |
3.2.1 最小二乘法 |
3.2.2 总体最小二乘法 |
3.3 子空间盲辨识的改进算法 |
3.3.1 无噪情况 |
3.3.2 有噪声情况 |
3.4 算法性能分析 |
3.5 仿真研究 |
3.6 本章小结 |
第4章 基于信道模型过估计的最小噪声子空间盲辨识 |
4.1 引言 |
4.2 数学模型 |
4.3 最小噪声子空间的盲辨识算法 |
4.3.1 基于SIMO模型的最小噪声子空间划分 |
4.3.2 基于SIMO模型的最小噪声子空间的具体实现方法 |
4.3.3 基于MIMO模型的最小噪声子空间划分 |
4.3.4 基于MIMO模型的最小噪声子空间的具体实现方法 |
4.4 基于SIMO信道模型过估计的最小噪声子空间盲辨识算法 |
4.4.1 算法实现 |
4.4.2 算法的仿真结果及复杂度分析 |
4.5 基于MIMO信道模型过估计的最小噪声子空间盲辨识算法 |
4.5.1 算法实现 |
4.5.2 复杂度分析 |
4.6 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文与获奖 |
(10)MIMO-OFDM宽带无线通信系统信道估计技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文的研究背景 |
1.1.1 移动通信系统的演进 |
1.1.2 MIMO-OFDM 技术简介 |
1.2 MIMO-OFDM 信道估计综述 |
1.2.1 盲信道估计 |
1.2.2 非盲信道估计 |
1.3 论文的结构安排 |
第2章 无线信道模型及OFDM 基础 |
2.1 引言 |
2.2 无线衰落信道 |
2.2.1 大尺度衰落效应 |
2.2.2 小尺度衰落效应 |
2.2.3 WSSUS 信道统计特性 |
2.2.4 信道模型 |
2.3 OFDM 系统模型 |
2.4 本章小节 |
第3章 基于时延子空间跟踪的 MIMO-OFDM 信道估计算法 |
3.1 引言 |
3.2 FDPM 子空间跟踪算法 |
3.2.1 子空间跟踪算法概述 |
3.2.2 子空间跟踪算法的分类 |
3.2.3 FDPM 算法 |
3.3 MIMO-OFDM 系统的导频设计 |
3.4 MIMO-OFDM 系统及信道模型 |
3.4.1 系统模型 |
3.4.2 信道模型 |
3.5 基于导频的信道估计 |
3.5.1 最小二乘信道估计 |
3.5.2 最优导频序列设计 |
3.6 基于子空间的信道估计方法 |
3.6.1 最大似然(ML)估计 |
3.6.2 子空间跟踪(ST)估计 |
3.6.3 子空间幅度跟踪(SAT)估计 |
3.7 仿真结果及讨论 |
3.8 本章小结 |
第4章 基于快速数据投影噪声子空间跟踪的MIMO-OFDM 系统盲信道估计 |
4.1 引言 |
4.2 子空间分解法分数间隔盲辨识 |
4.2.1 基于循环平稳统计量的信道辨识 |
4.2.2 子空间分解盲信道估计 |
4.2.3 滤波矩阵秩定理 |
4.2.4 盲辨识 |
4.2.5 正交条件公式的其他形式 |
4.2.6 估计信道系数 |
4.3 子空间分解MIMO-OFDM 盲信道估计 |
4.3.1 MIMO-OFDM 系统模型 |
4.3.2 Mt ≤Mr时的MIMO-OFDM 系统 |
Mr时的MIMO-OFDM 系统'>4.3.3 Mt > Mr时的MIMO-OFDM 系统 |
4.4 基于FDPM 噪声子空间跟踪的MIMO-OFDM 盲信道估计 |
4.5 仿真结果及讨论 |
4.6 本章小节 |
第5章 时频双选择性快衰落信道中基于 Turbo 迭代的信道估计 |
5.1 引言 |
5.2 BEM 时变信道建模 |
5.2.1 DKL-BEM |
5.2.2 DPS-BEM |
5.2.3 复指数BEM [(C)CE-BEM] |
5.2.4 过采样CE-BEM [(O)CE-BEM] |
5.2.5 多项式BEM (P-BEM) |
5.2.6 BEM 建模性能比较 |
5.3 LMMSE 信道估计 |
5.3.1 基于BEM 的OFDM 系统模型 |
5.3.2 数据模型 |
5.3.3 LMMSE 信道估计 |
5.4 Turbo 均衡 |
5.5 OFDM 系统中基于Turbo 迭代的信道估计 |
5.5.1 系统模型 |
5.5.2 基于块的turbo MMSE 均衡 |
5.5.3 迭代信道估计 |
5.6 仿真结果及讨论 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 论文的主要工作 |
6.2 论文的创新点 |
6.3 研究展望 |
参考文献 |
在学期间学术成果情况 |
指导教师及作者简介 |
致谢 |
四、对信道过模型具有鲁棒性的基于线性组合-子空间法的信道盲辨识(论文参考文献)
- [1]确定性盲信道辨识算法研究[D]. 白曜铭. 解放军信息工程大学, 2014(07)
- [2]信道阶数估计和确定性盲辨识算法的鲁棒性研究[D]. 孙有铭. 解放军信息工程大学, 2013(02)
- [3]基于过采样的SIMO系统盲辨识与均衡算法研究[D]. 沈祖超. 华东理工大学, 2013(06)
- [4]时变信道盲辨识算法研究[D]. 杨正举. 解放军信息工程大学, 2012(06)
- [5]基于多通道接收的短波信道盲均衡算法研究[D]. 薛江. 解放军信息工程大学, 2012(06)
- [6]一种改进的稀疏多径信道盲辨识算法[J]. 田营,葛临东,王彬,王露. 信号处理, 2011(07)
- [7]无线通信信道盲均衡技术研究[D]. 田营. 解放军信息工程大学, 2011(07)
- [8]子空间盲辨识的改进算法[J]. 蒋静,赵金平. 计算机工程与设计, 2010(22)
- [9]基于子空间的二阶统计量盲信道辨识算法研究[D]. 蒋静. 郑州大学, 2010(06)
- [10]MIMO-OFDM宽带无线通信系统信道估计技术研究[D]. 王刚. 中国科学院研究生院(长春光学精密机械与物理研究所), 2010(10)