论文部分内容阅读
MIMO(多输入多输出)技术即就是在发送端和接收端分别使用多根天线，因此可以提高无线通信系统容量及可靠性；OFDM(正交频分复用)技术即将整个带宽划分为多个子载波，每一个子载波之间保持正交性，因此可以使整个通信系统有较高的信息传输速率，并能抑制频率选择性信道带来的干扰。因此，对于未来更大的系统容量，更高的传输速率的下一代(4G)通信系统而言，将MIMO和OFDM两种技术结合起来就成为未来通信系统发展的必然趋势。对于MIMO-OFDM系统而言，要准确的获取接收端的数据，信道估计是通信系统中一个非常关键的环节，各种信道估计算法的目的都在于降低算法的复杂度，提高算法的性能。信道估计算法主要分为两种：基于导频的信道估计方法和盲估计方法。基于导频的信道估计方法计算复杂度低，估计精度高，但是频谱利用率比较低；而盲估计方法频谱效率很高，但是计算复杂度比较高，估计精度比较低。
本文首先介绍了MIMO-OFDM的基本原理及信道模型。在分析MIMO-OFDM原理的基础上，介绍了一种常用的基于导频的信道估计算法：LS(最小二乘)信道估计算法。为了降低LS算法的计算复杂度，对LS算法进行QR分解。其次，研究了两种自适应信道估计算法：LMS(最小均方)和RLS(递归最小二乘)算法。LMS算法对输入矢量有很大的依赖性，因此造成LMS算法极其不稳定，为了提高它的稳定性，需要对LMS算法进行归一化，即NLMS算法。分析RLS算法时，发现RLS算法的计算复杂度较高，因此，利用QR分解对RLS算法进行简化，即QRD-RLS算法，利用QRD-RLS算法估计信道时需要一个回代过程，因此，增加了信道估计的时延，为了消除时延，又提出了一种新的信道估计算法，IQRD-RLS算法。第三，对KALMAN滤波算法及迭代KALMAN算法进行了分析研究。最后，利用MATLAB对这些算法的性能进行仿真比较。仿真结果表明，QRD-LS算法的性能和LS算法类似，NLMS算法性能好于LMS算法，QRD-RLS算法和IQRD-RLS算法性能好于RLS算法，迭代KALMAN滤波算法性能好于KALMAN滤波算法。