论文部分内容阅读
正交频分复用(OrthogonalFrequencyDivisionMultiplexing，OFDM)是一种高效的多载波并行传输技术，有频谱利用率高，抗多径衰落等优良特性。已经广泛使用在4G，WLAN等技术中。在无线通信系统中，信号的传输受到多方面的影响，要想从接收信号中准确的解调获得发送数据，必需获知无线信道的状态信息。所以准确的信道估计是无线通信的必要条件，有着重要的实际意义。 本论文重点研究OFDM系统中的信道估计技术。采用导频辅助信道估计方法，从时间和频域两个维度上，充分利用时频相关性分别对导频子载波和数据子载波进行了信道估计算法的改进，降低了噪声干扰影响，提高了信道估计准确度。 对于数据子载波，提出使用人工神经网络中的径向基神经网络(RadialBasisFunctionNeuralNetworks，RBFNN)作为信道恢复模型。RBF神经网络具有很好的函数逼近能力，使用三层网络结构，系统模型简单，算法复杂度相对较低，并且可以根据不同的条件自适应地修改网络参数。给出了神经网络与信道估计结合的具体模型和参数计算方法，基于信道估计的特点，对RBF网络模型的输入层进行了简化。 对于导频子载波，使用基于信道时间相关性的卡尔曼滤波，解决噪声和干扰对信道估计准确度的影响。并提出使用小波分析估计噪声方差和调整卡尔曼增益滤除干扰的改进方法。一方面，卡尔曼滤波噪声参数未能及时调整或者不精确，会造成估计精度下降，使用小波分析作为噪声方差的估计工具，具有较高精度且使噪声方差估计独立于滤波过程。另一方面，标准卡尔曼滤波器对于高斯白噪声有着较好的估计结果，但是对于幅值明显过大的强干扰效果很差，本文改进了卡尔曼增益方程，对噪声类型做出判断后对其抑制，达到了去除强干扰的目的。