论文部分内容阅读
压缩感知(Compressed Sensing,CS)理论的提出为传统的信号处理技术带来了新的思路。CS理论指出,只要信号是稀疏的或在某个变换域是稀疏的,就可以在不丢失原信号信息的情况下用最少的观测次数来采样信号,接收端通过求解一个最优化问题就可以重构出原信号。 研究表明无线信道具有稀疏性,即大部分信道系数为零或接近于零,而传统的信道估计算法如最小二乘(Least Square,LS)算法、最小均方误差估计(MinimumMean-Squared Error,MMSE)等均假设信道是密集多径的,为准确估计信道信息,需要插入大量的导频,频谱利用率不高。 本文介绍了传统的基于导频的信道估计理论及压缩感知的基本理论,结合无线信道的稀疏性,以频域选择性信道为研究对象,针对传统的LS算法需要导频数多而估计精度却不高的问题,分别采用正交匹配算法(Orthogonal Matching Pursuit,OMP)算法和压缩采样匹配追踪(Compressed Sampling Matching Pursuit,CoSaMP)算法来估计OFDM系统中的稀疏信道响应。仿真结果表明,相比于LS算法,基于压缩感知的信道估计算法可以在使用较少导频的情况下获得更好的估计效果。在此基础上,将一种基于动态门限的改进OMP算法应用到OFDM系统的信道估计中,该算法可以减少OMP算法中寻找匹配原子时向量运算的次数。仿真结果表明,在取合适的门限值时,该算法可以在牺牲少许精度的情况下减少计算复杂度和运算时间,对于硬件实现具有一定的指导意义。 本文还研究了OFDM稀疏信道估计中的导频设计算法,在假设导频符号功率相同的情况下将导频的优化问题转化为如何从N个子载波中提取出P个位置作为导频子载波的问题。然后介绍了导频设计的测量矩阵互相关最小化准则和测量矩阵列相关平方和最小化准则,结合测量矩阵互相关最小化准则的计算速度优势和测量矩阵列相关平方和最小化准则的精确性提出了一种基于测量矩阵互相关和列相关平方和最小化的联合算法。仿真结果表明,联合算法具有优于穷举随机搜索算法的性能,对于实际应用具有一定的指导意义。