一、无线OFDM系统中的信道估计算法研究（论文文献综述）
隋永波[1]（2021）在《基于回声状态网络的自适应OFDM系统非线性信道预测方法研究》文中进行了进一步梳理在宽带无线通信系统中,发射系统可以通过具有自适应传输技术的OFDM（Orthogonal Frequency Division Multiplexing）系统实现用户数据的高效率传输。然而,当接收端将估计的信道状态信息反馈到发射端时,由于接收端的计算开销和信道状态信息的反馈时延,发射端接收到的信道状态信息往往是过期的。为了降低过期信道状态信息对自适应OFDM通信系统的影响,发射端可以利用过期信道状态信息进行信道预测,以获取将来的信道状态信息。因此,信道预测是自适应OFDM系统中一项重要的技术。然而,在自适应OFDM系统中,自回归等传统线性信道预测方法对具有时频空特性的信道状态信息的泛化能力有限,导致这些方法的信道预测精度较低。回声状态网络作为一种新型储蓄池计算类神经网络,可以有效地提取频域、时域和空域信道状态信息的潜在动态特征,高精度地拟合信道状态信息的变化趋势,实现自适应OFDM系统中信道状态信息的准确预测。因此,本论文基于回声状态网络,在频域、时域和空域提出了一系列的非线性信道预测方法,对自适应OFDM无线通信系统的发展具有重要的意义。本论文对OFDM系统的时频空特性进行了深入研究,基于回声状态网络提出了一系列的非线性信道预测方法。本论文的主要研究内容包括:1)提出了基于改进自适应弹性回声状态网络的OFDM系统频域信道预测方法。针对于自适应OFDM系统中频域信道状态信息的预测问题,本文研究了自适应弹性回声状态网络,并提出了一种基于改进自适应弹性回声状态网络的OFDM系统频域信道预测方法。该方法利用改进自适应弹性网络估计回声状态网络的输出权重,可以有效地解决由于回声状态网络隐含层中大量神经元导致的输出权重病态解问题。因此,该方法不仅具有oracle属性和良好的信道预测性能,而且还可以快速地产生稀疏输出权重矩阵。在仿真结果中,改进自适应弹性回声状态网络表现出了很好的单步预测性能、多步预测性能和鲁棒性性能。2)提出了基于递归量化分析的重要时延抽头辨识方法。针对于OFDM系统时域信道预测中信道脉冲响应重要时延抽头和其他非重要时延抽头难以区分和辨识的问题,本论文提出了一种基于递归量化分析的重要时延抽头辨识方法。该方法利用递归量化分析对信道脉冲响应中各个时延抽头增益的局部可预测性进行估计和量化,通过局部可预测性实现了信道脉冲响应中重要时延抽头的准确辨识。仿真结果表明,本论文提出的重要时延抽头辨识方法具有很好的辨识精度。3)提出了基于联合回声状态网络的OFDM系统时域信道预测方法。在信道脉冲响应中,重要时延抽头比其他非重要时延抽头具有较高的信噪比。为了解决OFDM系统时域信道预测中信道脉冲响应重要时延抽头的预测问题,本论文提出了一种基于联合回声状态网络的OFDM系统时域信道预测方法。在该方法中,本论文利用基于l1/2正则化的双层收缩网络估计回声状态网络的输出权重矩阵。该双层收缩网络可以有效地均衡l1/2正则化的稀疏能力和泛化能力,有效地解决回声状态网络输出权重病态解的问题。本文介绍了联合回声状态网络的计算过程,并着重介绍了基于l1/2正则化的双层收缩网络的实现过程。仿真结果表明,联合回声状态网络比自回归等经典方法具有更好的单步预测性能和多步信道预测性能。4)提出了基于宽度回声状态网络的MIMO-OFDM系统空域信道预测方法。为了解决单一储蓄池对MIMO-OFDM系统中具有时空相关性信道状态信息动态特征提取能力有限的问题,本论文提出了一种基于宽度回声状态网络的MIMO-OFDM系统空域信道预测方法。该方法利用宽度学习对回声状态网络的储蓄池进行横向扩展,提高了回声状态网络对具有时空相关性信道状态信息中潜在动态特征的提取能力,达到了对MIMO-OFDM系统信道状态信息准确预测的目的。在3GPP LTE的不同标准场景、不同最大多普勒频移、不同天线配置和不同空间相关性的仿真结果中,宽度回声状态网络表现出了很好的单步预测和多步预测性能。
乔元健[2]（2021）在《基于深度学习的MIMO-OFDM自适应传输技术研究》文中进行了进一步梳理由于通信业务的快速增加,如何提高信息传输速率和通信质量一直是研究的热点。随着人工智能技术的发展,智能通信逐渐成为移动通信研究领域的主要发展趋势,目前该方面研究正在向物理层快速推进,其中数据驱动网络和模型驱动网络是当前智能通信研究中两大代表性模型。自适应传输技术提升信号传输效率或可靠性的方法是根据接收信号的多种参数信息改变发送策略。近年来,深度学习技术的发展为各个领域的研究创造了新的机遇,论文将深度学习与自适应传输技术相结合,实现了自适应传输系统性能的提升,为MIMO-OFDM自适应传输技术的发展提供了理论依据。全文的主要工作如下:（1）研究可应用于无线通信系统的自适应集成深度学习模型。首先给出了现有的典型深度学习模型,比如FC-DNN、LSTM和CNN,并推导了该类深度学习算法的实现过程。然后介绍了论文中所提出的自适应集成深度学习模型,同时采用不同路径延时下的接收功率作为自适应因子对集成网络中每个子网络的输出进行自适应集成,并推导了自适应集成深度学习算法的实现过程。理论分析和仿真结果表明,所提出的模型能够根据信道信息调整自适应因子大小或发送策略,相比于现有的深度学习模型具有更高的分类性能和自适应性。（2）研究基于数据驱动网络的OFDM系统自适应信号检测方案。首先对传统的检测与估计算法,比如LS和MMSE算法进行介绍,分析了实现复杂度等级以及BER性能。然后给出了基于深度学习的自适应信号检测与估计方案,描述了深度学习模型训练所需特征的提取和标签分配方法以及不同路径下接收功率与延时的关系。利用离线训练阶段得到的信号检测模型完成信道估计和均衡过程的在线测试。仿真结果验证了该方案的有效性,并通过对比实验表明该方案具有更优的BER性能。（3）研究基于模型驱动网络的MIMO-OFDM系统自适应传输方案。首先介绍了自适应传输方案的实现技术和常用准则,然后给出基于模型驱动深度学习算法的自适应传输方案,采用提出的AMNet和ADNet来替代系统的调制和调制识别过程。提出了采用信道秩信息、信道标记信息、估计的SNR和均衡信息作为AM模型的特征向量,并根据对信号检测性能的综合分析分配标签。分析了调制方式的循环谱特征并通过CNN的空间变换能力提取降维特征完成接收信号的AMR。仿真结果表明,在特定BER的情况下,基于模型驱动深度学习算法的自适应传输方案具有更高的数据吞吐量和调制识别准确率。
王莉杰[3]（2021）在《无线通信中的信道估计方法研究》文中指出信号在无线信道中传输会受到诸多不良影响,为了在系统的接收端有效地恢复发送信号,提高无线信道参数估计的精度显得至关重要。由于压缩感知理论可以重构稀疏信号,可以采用该方法实现无线信道参数估计。深度学习网络有很强的处理数据的能力,深度学习网络也可以实现无线信道参数估计。本文研究内容如下:（1）论述了无线通信的发展历程,介绍了发展过程中每代移动通信使用的主要技术,总结了信道估计方法。（2）介绍了无线信道特征和无线通信系统的数据传输原理,用数学表达式完整的描述了整个系统的数据传输过程。将2×2 Alamouti编码器模型和OFDM技术结合起来组成了一个2×2 MIMO-OFDM通信系统。（3）设计了一个2×2 MIMO-OFDM通信系统实验平台,分别采用LS算法、OMP算法、GOMP算法和Co Sa MP算法实现该系统的信道估计。通过归一化均方误差比较了数据重构精度,实验结果表明,以上三种压缩感知类算法重构精度均优于LS算法。通过误码率比较了上述三种压缩感知类算法数据传输误差,当SNR?12d B时系统的误码率就小于1%,因此压缩感知类算法能有效地降低系统的误码率。（4）从神经元结构、网络模型、传播算法和代价函数设置等方面介绍了深度神经网络。详细介绍了基于深度神经网络训练的系统整体框图和该网络的离线训练方法,使用梳状导频,比较深度学习方式和结合三种不同插值方法的LS算法在不同导频数目下的BER。实验结果表明,基于深度学习的方式可以减少导频的开销并获取更好的BER性能。
周琦[4]（2021）在《UFMC系统信道估计与均衡技术的研究》文中研究表明通用滤波多载波（Universal Filtered Multi-Carrier,UFMC）是第五代移动通信系统（5G）备选波形技术之一,有着频谱效率高、带外泄漏低和良好的抗频偏性能等优点,能够较好地运用于物联网（Internet ofThings,IoT）与机器类通信（Machine Type Communication,MTC）等场景中。与正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统相比,UFMC系统中没有添加循环前缀（Cyclic Prefix,CP）,在通过多径信道时,滤波后的UFMC符号有着上升沿与下降沿,这对系统抵抗符号间干扰（Inter-Symbol Interference,ISI）提供了一种“软保护”。当信道时延扩展较大时,这种保护显得有点不足,同时系统正交性遭到了破坏,系统会遭受载波间干扰（Inter-Carrier Interference,ICI）与子带间干扰（Inter-Band Interference,IBI）。UFMC系统在进行信道估计与均衡的时候会受到多径信道的干扰。现有的大部分关于UFMC系统的信道估计和信道均衡算法并没有考虑系统中的ISI、ICI和IBI,因此本文针对UFMC系统中的信道估计与信道均衡算法中干扰问题展开了研究。1.研究了传统的最小二乘（Least Squares,LS）信道估计算法、最小均方误差（Minimum Mean Square Error,MMSE）信道估计算法以及基于离散傅里叶变换（Discrete Fourier Transform,DFT）信道估计算法在UFMC系统中的使用。并针对LS信道估计算法没有考虑噪声的问题,提出了基于小波阈值去噪的信道估计算法。该算法利用有用信号与噪声在小波域中不同的特性,将噪声部分区分出来并进行一定的抑制。首先把LS信道估计算法得到的估计值变换到小波域中,设置阈值并对每个分解尺度下的细节系数进行处理,最终达到抑制噪声的效果。仿真结果表明,提出的改进算法可以降低噪声对估计值的影响,从而提升系统性能。2.设计了一种适用于UFMC系统的信道估计算法。本算法采用具有相同部分的导频序列,导频的前半部分作用相当于OFDM系统中的CP,并用导频的后半部分在时域中进行信道估计。得到信道估计值后,对信道长度进行估计,去除信道长度以外以及信道长度以内的噪声干扰。仿真结果显示,提出的信道估计算法有着较低的均方误差（Mean Square Error,MSE）,估计出的信道值较为准确。3.参考OFDM系统CP不足情况下的均衡算法,将基于判决反馈均衡的时域迫零算法（Force Zero,ZF）与MMSE均衡算法在UFMC系统中使用。并针对OFDM中符号循环移位均衡算法没法在UFMC系统中直接使用的问题,对该算法进行改进,使其在UFMC系统中能够使用。仿真表明,改进的算法降低了 ISI、ICI与IBI带来的影响,系统的误比特率得到降低。
梁耕[5]（2021）在《基于5G NR下行信道高精度估计算法研究》文中认为5GNR（New Radio）作为最新型的移动通信系统,近年来迅速发展,逐步开始投入商用,成为了社会中的聚焦领域。其中信道估计是NR系统下行解调流程中的重要模块,因为无线信道会引起信号衰落,从而影响通信系统的性能,而信道估计的准确度对信号检测的质量起决定性作用。现有的信道估计都有自己的局限,比如低信噪比（SNR）时LS（Least-Squre）算法估计精度差,而 MMSE（Minimum Mean Square Error）算法复杂度高,不利于5G设备的解调效率;另外,NR系统在其物理层设计中,给SSB（Synchronization Signal Block）分配了很少的解调参考信号,且参考信号的分布不像其在LTE（Long Term Evolution）系统中的均匀,造成NR信道估计器性能下降。针对以上两点问题,本文根据NR特性,研究并设计适用于5G的高精度信道估计方案。主要工作内容如下:提出了一种面向5G物理广播信道（Physical Broadcast Channel,PBCH）的低信噪比低复杂度的信道估计算法。本文基于解调参考信号在时域中相邻并在频域中相隔的分布特点,设计了一去噪声的算法,在保证低运算复杂度的前提下,减轻信道中噪声对信道估计器性能的影响,从而更精确地估计了信道衰落。从性能仿真和时间复杂度两个角度和现有信道估计方法对比,在信噪比为0dB时的低信噪比情况下,提出算法比同等时间复杂度的LS算法,得到的误比特率降低了12%,说明该信道估计方法具有复杂度低、精度较高的优势。提出一种解调参考信号和同步信号联合使用的信道估计优化方案。在基于参考信号的信道估计算法的基础上,利用同步信号对于信道衰落进行二次估计,以达到对NR系统中的信道估计器的优化。仿真验证了该方案对于LS、LMMSE和本文第三章介绍的方法均有性能增益,在信噪比为0dB时,信道衰落的均方误差分别降低了1.7%、2.5%和1.6%,证明该优化方案具有普适性,并与前文工作勾连到一起。搭建实测平台,完成了从小区搜索到循环冗余校验（Cyclic Redundancy Check,CRC）部分的NR下行解调过程,用NR实际信号对本文提出的信道估计方法和优化方案进行测试,证明了本文研究内容具有可实际应用的意义。
黄源[6]（2021）在《基于压缩感知的MIMO系统稀疏信道估计方法研究》文中进行了进一步梳理多输入多输出（Multiple-Input Multiple-Output,MIMO）系统通过在发射端和接收端分别部署多个天线阵列,可以显着地提升信道容量和传输速率,被认为是未来无线通信的关键使能技术之一。然而,在MIMO系统中,随着基站端天线数目的增加,导致产生大量的未知信道参数和巨大的导频开销,使得无线信道估计成为一项极具挑战性的难题。因此,研究MIMO系统的信道估计技术,对未来无线通信技术的发展具有十分重要的意义。在无线通信系统中,无线多径信道通常为稀疏信道,传统的信道估计算法没有利用信道的稀疏性。基于压缩感知（Compressed Sensing,CS）的信道估计方法通过充分利用信道的稀疏特性,可以使用很少的导频序列获得更好的信道估计性能。本文针对复杂环境下MIMO-OFDM（Multi-Input Multi-Output Orthogonal Frequency Division Multiplexing）和大规模MIMO系统,提出了一系列基于压缩感知的稀疏信道估计方法。本文的主要研究内容如下:（1）提出了一种基于压缩感知的MIMO-OFDM系统改进的稀疏信道估计算法。针对MIMO-OFDM系统无线信道模型,考虑到现有的基于稀疏度自适应匹配追踪信道估计算法在低信噪比下存在着重构性能不稳定的问题,本文提出了一种新的自适应匹配追踪（New Adaptive Matching Pursuit,NAMP）稀疏信道估计算法。该方法在不需要信道稀疏度先验知识的情况下,通过固定步长的方式,对迭代过程中的支撑集原子进行选取,提高算法的收敛效率。此外,该方法采用奇异熵定阶的机制来防止引入不相关的原子,提高算法的收敛精度。实验结果表明,该方法的计算复杂度较小和具有更稳定的性能。（2）提出了一种基于压缩感知的TDD大规模MIMO系统改进的稀疏信道估计算法。针对时分双工（Time Division Duplex,TDD）大规模MIMO系统上行链路模型,本文探讨了导频污染问题,提出了一种有效的半正交导频设计方案。此外,考虑到现有算法在重构过程中存在着对稀疏信道抽头能量不够敏感以及重构精度不高的缺点,本文提出了一种优化的自适应匹配追踪（Optimized Adaptive Matching Pursuit,OAMP）算法。该方法采用基于能量熵的排序方法对支撑集原子进行筛选,提高算法的估计性能。然后,该方法利用分段自适应变步长的方法,提高算法的泛化能力。理论分析和仿真结果表明,本文提出的OAMP算法进一步减少了导频污染,且以较小的时间复杂度为代价提高了信道估计的精度,其综合性能优于其它信道估计算法。（3）提出了一种基于结构化压缩感知的FDD大规模MIMO系统改进的稀疏信道估计算法。针对频分双工（Frequency Division Duplex,FDD）大规模MIMO系统下行链路模型难以确定信道稀疏度和重构算法阈值参数的问题,本文提出了一种基于结构化压缩感知的时频分块稀疏信道估计方法,即广义分块自适应匹配追踪（Generalized Block Adaptive Matching Pursuit,g BAMP）算法。首先,该算法利用大规模MIMO系统的时频联合分块稀疏性,实现对索引集的优化选取,从而提高算法的稳定性。然后,该算法在没有阈值参数的情况下,利用残差的F范数确定算法自适应迭代的停止条件,证明了该算法的有效性。仿真结果表明,本文提出的g BAMP算法能够快速、准确地估计出FDD大规模MIMO系统信道的状态信息,且性能优于同类算法。（4）提出了一种基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法。在FDD大规模MIMO系统中,随着无线信道矩阵规模的增大,该迭代优化的密集计算和不能保证解全局最优的缺点已成为压缩感知在信道估计应用中的瓶颈。为了解决这个问题,本文提出了一种新型的基于深度学习的压缩感知稀疏信道估计方法,即卷积重构网络（Convolutional Compressive Sensing Network,Con CSNet）。在不需要信道稀疏度的情况下,本文通过Con CSNet算法求解由接收信号得到信道状态信息的逆变换过程,从而解决压缩感知框架下的欠定最优化问题,实现对原始稀疏信道的重构。实验结果表明,与基于传统贪婪算法的压缩感知信道估计方法相比,本文提出的Con CSNet算法的精度更高,且运算速度更快。
李佳伶[7]（2020）在《基于MIMO系统的压缩感知和干扰抑制方法研究》文中进行了进一步梳理在发送端和接收端部署大量天线的MIMO系统当中,频分双工的模式下,用户侧和基站端在通信时会形成上、下行链路,压缩感知能够解决该系统中信道状态信息的反馈问题。同时,压缩感知也是目前无线通信系统信道反馈的重要发展趋势,在现有的研究中,第五代无线通信的发展也不断对压缩感知提出了新的需求。压缩感知可以对稀疏信号进行良好的重构,将其应用于MIMO系统中可以提升信道估计的准确性。另外,信号在信道中传输时往往会受到干扰等因素影响,因此对于干扰抑制方法的研究也格外重要。应用压缩感知解决信道估计问题以及利用波束成形技术处理干扰抑制问题,是目前国内外研究的热点。论文研究了 MIMO系统中信道估计方法和预编码技术,解决了无线通信系统中存在的信道反馈性能差以及存在干扰的问题。本文重点研究MIMO-OFDM系统中信道估计方法以及大规模MIMO系统的波束成形技术。主要的研究内容和创新点如下:首先,本文研究了信道估计方法中的非盲估计、盲估计、半盲估计,并对几种传统信道估计算法的优势和劣势进行分析,提出了PCA-MMSE信道估计算法,该方案采用PCA降维方法来做主成分分析,和最小化均方误差代价函数进行求解,解决了 MIMO-OFDM系统中信道估计准确度不高的问题。仿真研究了该系统的均方误差性能,研究结果表明本论文运用机器学习算法,结合降维算法与最小均方误差算法,提出新的系统性能优化方式与传统的LS算法、MMSE算法相比,信道估计的精度有所提升,同时可以提高一定的效率,减少导频开销,实现在一定程度节约带宽资源,使频谱得到充分利用,并使系统各部分达到平衡。其次,研究了压缩感知的重构算法原理以及大规模MIMO系统的信道依赖稀疏性假设的性能,提出了基于深度学习的RA-NET网络信道反馈模型。本方案采用深度学习中注意力模型的方法,在编码器和解码器处分别对信号权重进行分析,同时集合深度学习中的卷积神经网络知识,在系统中加入残差网络,使网络性能不会受到影响,解决了信道反馈效率低的问题。仿真研究了本系统中的误码性能等,研究结果表明,很多实际情况下信道并不会完全稀疏。研究表明,在基于深度学习的信道反馈算法中,一个网络深度越深,它在训练集上训练的效率就会有所减弱,与LASSO算法、TVAL3算法相比,本论文运用深度学习中的注意力模型,在编码器和解码器处分别对信号权重进行分析,使得信道状态信息反馈性能有所提高,同时集合深度学习中的卷积神经网络知识,在系统中加入残差网络,使网络性能不会受到影响,能够有效地甚至可以提高效率。最后,研究了大规模MIMO系统中下行链路波束成形的预编码问题。本论文提出了一种基于RZF-SVD-LA算法的波束成形预编码技术处理算法。该算法采用正则化迫零波束成形方法做预编码,并针对高维度的预编码矩阵进行奇异值分解处理,最后通过拉格朗日对偶的性质做最优化处理,解决了小区间信号传输干扰存在的问题。仿真研究了小区无线通信环境中信号传输的误差性能,研究表明本论文所提出的RZF-SVD-LA算法与传统的ZF算法、RZF算法相比,能够有效降低用户间干扰问题,并达到降低复杂度和提高计算的可行性的目的。
王舒彻[8]（2020）在《基于水声OFDM系统的信道估计和干扰消除研究》文中认为海洋环境中蕴藏着丰富的资源,在陆地资源日益匮乏的当今,各国开始对海洋资源进行充分地开发和利用。为保证安全、可靠、有效的资源勘探与开发,需建立可靠的水下通信系统。较之无线电波和光波,声波由于在水下衰减小和传输距离远的优势,成为水下通信系统的首选方式。但是水声信道极其有限的带宽、严重的衰落与噪声以及多径效应等因素,使其成为了最复杂的无线通信信道之一。本文的主要研究内容是高速水声正交频分复用（OFDM）通信系统中的信道估计和干扰消除。影响水声通信系统可靠性的因素很多,本文主要关注的是水中强干扰,即脉冲噪声。虽然使用OFDM技术可以减小码间干扰,但是脉冲噪声会极大地降低OFDM系统的质量,因此本文的研究目的是实现高精度的水声通信系统信道估计和干扰（脉冲噪声）消除。具体来看,本文主要包括以下四点创新性工作:第一,利用水声信道响应和脉冲噪声干扰的稀疏性,基于最大期望（EM）的稀疏贝叶斯学习（SBL）算法,提出面向水声OFDM系统的联合信道估计和脉冲噪声抵消方案。第二,考虑到水声信道的时变特性,将SBL算法与前后向卡尔曼滤波器相结合,提出联合时变信道追踪和估计方案。第三,为了进一步提高系统性能,在水声OFDM系统频谱资源有限的条件下,利用所有子载波信息,提出联合符号检测和信道响应及脉冲噪声估计方案。第四,在上述研究方案的基础上,结合SBL算法和卡尔曼滤波器并利用所有载波信息,设计联合符号检测和时变信道追踪方案。最后,为了测试本文提出算法的性能,通过仿真系统以及2015年12月在西澳大利亚Swan River入海口进行海洋实验采集得到的数据进行验证。结果表明,与现有算法相比,本文中提出的算法较之现有算法均能够获得更好的系统误码率和误帧率性能。
王艳艳[9]（2019）在《基于非均匀子带叠加的传输技术研究》文中进行了进一步梳理随着物联网、云计算、车联网等新兴领域的飞速发展,人们对无线通信网络的传输速率、解码实时性、应用灵活性和终端高移动性的要求进一步提高。以空口波形设计为核心的调制解调技术是无线通信网络的重要部分,对无线网络的上述性能起到关键性支撑作用。正交频分复用（OFDM）作为一种经典的多载波波形方案具有抗多径衰落性能优异、实现复杂度低等优势,在无线通信领域得到广泛应用。但是,面向5G或后5G（B5G）应用的需求,OFDM却存在如下局限性:时域信号矩形加窗带来的带外能量泄露（OOBE）高和传输频带内统一的子载波间隔带来的应用灵活性不足等。针对上述OFDM波形的缺陷,如何设计新的波形方案以支撑5G/B5G多样化应用场景的需求,具有重要理论意义和应用价值。本文在比较研究现有5G/B5G多载波波形方案的基础上,针对传统OFDM方案的不足,提出了一种非均匀子带叠加的传输方案,该方案各子带根据不同应用场景的需求可以荷载单载波或多载波波形。具体研究内容和主要贡献如下:第一,针对当前5G/B5G多载波方案应用灵活性和计算复杂度不能很好折中的问题,提出了可变粒度（VG）资源分配模型和非均匀子带叠加的OFDM（NSSOFDM）方案。根据业务需求将传输频带划分成若干独立的子带,每个子带参数独立配置,进而建立了基于VG分配模型的异步传输架构,可以满足移动大数据时代通信多样化应用的需求。当子带荷载多载波波形时,基于VG资源分配模型,提出了NSS-OFDM方案,并创新性地设计了时域叠加与多级滤波的子带信号生成方法,有效抑制了OOBE,在满足灵活性的同时降低了计算复杂度。第二,由于NSS-OFDM系统的子带信号具有较低的OOBE,子带之间的FGI开销可以忽略不计。本文利用该特征,设计了一种提升传统OFDM系统频谱效率的方法:把传输频带划分为多个子带,每个子带信号设计相同的调制参数,通过分析系统的频带利用率和边缘保护带开销、子带划分个数之间的关系,获得一种最优的子带分配方案,在增加一定计算复杂度的前提下,大大降低了传输频带两端FGI的开销,以此提高了频带利用率。将本方案应用于4G长期演进计划（LTE）、数字地面多媒体广播（DTMB）和欧洲数字地面电视广播（DVB-T）标准中,系统的频带利用率达到99%左右。第三,针对超高速移动场景稳定接收这一挑战性问题,深入分析了基于经典离散导频结构下信道估计算法的性能极限,并提出了一种改进的信道内插算法。该算法基于最小均方误差准则估计内插系数,然后利用更多的导频信息估计数据处的信道值,有效提高了信道估计精度。为了适应车联网、高铁（相对移动速度为500 km/h）等超高速移动场景,提出了一种基于块状导频的时域信道估计算法。该算法利用Slepian序列分段内插出数据符号处的信道冲激响应,提高了信道估计精度,可以很好地满足超高速移动场景的需求。第四,针对超高速移动场景下传统信道均衡算法解调性能差的问题,利用每个子带带宽较小的特性,提出了一种低复杂度的子带判决前馈和反馈均衡器（SDFFE）算法,并在单天线和多输入多输出NSS-OFDM系统中进行了研究。该方法利用子带的过采样信息可以同时获得多普勒分集和多径分集增益,有效降低了NSS-OFDM系统的BER,极大改善了超高速移动场景下系统的解调性能。另外,由于SDFFE算法的计算复杂度和快速傅里叶变换（FFT）点数有关,通过子带划分,子带带宽减小,降低了每个子带FFT点数,进而降低了SDFFE算法的计算复杂度。第五,针对低功耗应用场景,某些子带荷载单载波波形,称为非均匀子带叠加的单载波（NSS-SC）方案。为了进一步提升NSS-SC系统的数据传输速率,本文提出了一种基于功率域信息辅助的分离接收机结构。该结构利用射频功率分离器把接收信号分成两路,然后这两路信号分别进入相干接收机和非相干接收机,最后联合进行信息检测。通过添加非相干接收机这一支路,分离接收机可以额外获得功率域的自由度,使得系统的可达速率优于只有相干接收机或非相干接收机方案。基于该分离接收机结构,研究了互信息的联合处理增益和低复杂度的信号检测方案。通过理论分析和实验表明,相对于传统的相干和非相干接收机结构,分离接收机有效提升了系统的传输速率。
郭庭秀[10]（2019）在《LTE-R下MIMO-OFDM系统信道估计及检测技术的研究》文中研究指明近年来,高速铁路凭借超强的运载能力、日益提高的行驶速度等优势得以迅速发展,这对铁路通信质量提出了更高的要求,因此推进LTE移动通信技术在高速铁路无线宽带通信系统中应用已成为当下研究的焦点。但当列车高速行驶时,LTE-R系统通信性能仍会受到多普勒频移、噪声等不利因素影响,故进行有效的信道估计及准确的信号检测是解决上述问题的关键。本文首先通过对LTE-R通信网络架构及物理层关键技术的研究,完成了MIMO-OFDM系统的构建,并针对此系统中的信道估计算法进行了重点分析,提出了一种联合多普勒频偏估计的信道估计方案以实现消除多普勒频偏干扰及提高信道估计精度的目的。其次,对已消除多普勒频偏干扰系统中的信号检测技术进行研究,将分层空时结构下的信号检测算法应用于高铁环境中。通过分析最优检测、线性检测、非线性检测三类检测技术,选择性能最佳的OSIC信号检测算法,并通过高铁WINNER Ⅱ信道模型进行仿真对比,验证其性能。最后,本文借助NI-USRP硬件实验平台,利用LabVIEW模拟WINNER Ⅱ高铁信道模型并搭建2×2MIMO-OFDM系统,通过运行实验结果验证其系统可行,并在此基础上进行不同速度性能测试。其结果表明,本文提出的信道估计及信号检测算法可应用在LTE-R,且列车在不同行驶速度下系统误码率性能稳定,有效提高系统通信质量,为未来铁路通信系统物理实现提供参考建议。
二、无线OFDM系统中的信道估计算法研究（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、无线OFDM系统中的信道估计算法研究（论文提纲范文）
（1）基于回声状态网络的自适应OFDM系统非线性信道预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究工作的背景以及意义 |
| 1.2 OFDM信道预测概述 |
| 1.2.1 自适应OFDM无线通信系统 |
| 1.2.2 信道预测的基本方法 |
| 1.2.3 OFDM系统信道预测的研究现状 |
| 1.3 回声状态网络在自适应OFDM系统信道预测中的可行性分析 |
| 1.4 待攻克的问题 |
| 1.5 本文的主要研究内容以及结构安排 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的结构安排 |
| 第2章 自适应OFDM系统信道估计与回声状态网络的实现方法 |
| 2.1 引言 |
| 2.2 自适应OFDM系统结构 |
| 2.2.1 子载波正交特性 |
| 2.2.2 基于OFDM技术的数据传输方案 |
| 2.2.3 保护间隔与循环前缀 |
| 2.3 OFDM系统的导频结构和信道估计算法 |
| 2.3.1 子载波与导频符号 |
| 2.3.2 信道估计算法 |
| 2.4 回声状态网络 |
| 2.4.1 回声状态网络的相关参数 |
| 2.4.2 回声状态网络的有监督训练过程 |
| 2.5 本章小结 |
| 第3章 自适应OFDM系统的非线性频域信道预测研究 |
| 3.1 引言 |
| 3.2 自适应弹性回声状态网络的信道预测 |
| 3.2.1 自适应弹性回声状态网络 |
| 3.2.2 基于自适应弹性网络的输出权重估计方法 |
| 3.2.3 计算复杂度分析 |
| 3.2.4 仿真与讨论 |
| 3.3 改进的自适应弹性回声状态网络的信道预测 |
| 3.3.1 改进的自适应弹性回声状态网络 |
| 3.3.2 计算复杂度分析 |
| 3.3.3 仿真与讨论 |
| 3.4 本章小结 |
| 第4章 自适应OFDM系统的非线性时域信道预测研究 |
| 4.1 引言 |
| 4.2 自适应OFDM系统的时域预测 |
| 4.3 基于联合回声状态网络的自适应OFDM系统时域信道预测策略 |
| 4.3.1 信道脉冲响应中重要时延抽头辨识方法 |
| 4.3.2 联合回声状态网络的信道预测方法 |
| 4.3.3 计算复杂度分析 |
| 4.4 仿真与讨论 |
| 4.4.1 不同重要时延抽头辨识方法的时域信道预测 |
| 4.4.2 单步预测 |
| 4.4.3 多步预测 |
| 4.5 本章小结 |
| 第5章 自适应MIMO-OFDM系统的非线性空域信道预测研究 |
| 5.1 引言 |
| 5.2 MIMO-OFDM系统中基于时空相关性的一般预测框架 |
| 5.2.1 MIMO-OFDM系统的信道估计 |
| 5.2.2 MIMO-OFDM系统中的空间相关性 |
| 5.2.3 基于时空相关性的一般预测框架 |
| 5.3 基于宽度回声状态网络的MIMO-OFDM系统信道预测方法 |
| 5.3.1 宽度学习系统 |
| 5.3.2 基于宽度回声状态网络的信道预测方法 |
| 5.3.3 基本的 BESN和群组前向变量选择的 BESN |
| 5.3.4 参数微调算法 |
| 5.3.5 回声状态属性 |
| 5.3.6 计算复杂度分析 |
| 5.4 仿真与讨论 |
| 5.4.1 EVA场景 |
| 5.4.2 ETU场景 |
| 5.5 本章小结 |
| 第6章 论文的总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）基于深度学习的MIMO-OFDM自适应传输技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 自适应传输技术概述 |
| 1.2.1 自适应传输技术概念 |
| 1.2.2 自适应传输关键技术 |
| 1.3 国内外研究现状 |
| 1.3.1 自适应传输技术研究现状 |
| 1.3.2 深度学习在无线通信领域的研究现状 |
| 1.4 本文的主要内容与整体结构 |
| 第2章 MIMO-OFDM系统自适应传输理论 |
| 2.1 OFDM系统 |
| 2.1.1 OFDM基本原理 |
| 2.1.2 OFDM优缺点 |
| 2.2 MIMO系统 |
| 2.2.1 MIMO技术原理 |
| 2.2.2 MIMO系统的信道容量 |
| 2.2.3 MIMO均衡技术 |
| 2.3 MIMO-OFDM系统 |
| 2.4 自适应传输准则 |
| 2.4.1 信道容量最大准则 |
| 2.4.2 输出功率最小准则 |
| 2.4.3 误比特率最优准则 |
| 2.5 本章小结 |
| 第3章 深度学习算法及改进研究 |
| 3.1 深度学习概念和发展历程 |
| 3.2 全连接深度神经网络 |
| 3.2.1 神经元 |
| 3.2.2 激活函数 |
| 3.2.3 BP算法 |
| 3.3 卷积神经网络 |
| 3.3.1 卷积神经网络模型 |
| 3.3.2 基于图像复杂度的集成卷积神经网络算法 |
| 3.3.3 实验与性能分析 |
| 3.4 循环神经网络 |
| 3.4.1 LSTM神经网络模型 |
| 3.4.2 自适应集成LSTM算法 |
| 3.4.3 实验与性能分析 |
| 3.5 本章小结 |
| 第4章 基于数据驱动网络的OFDM自适应信号检测方案 |
| 4.1 基于LSTM深度学习算法的OFDM信号检测 |
| 4.1.1 LSTM信号检测模型 |
| 4.1.2 离线训练和在线测试 |
| 4.2 基于自适应集成深度学习算法的OFDM信号检测 |
| 4.2.1 多径信道延时与功率特性分析 |
| 4.2.2 自适应集成信号检测算法 |
| 4.3 仿真实验与性能分析 |
| 4.3.1 LSTM信号检测模型性能分析 |
| 4.3.2 自适应集成信号检测模型性能分析 |
| 4.4 本章小结 |
| 第5章 基于模型驱动网络的MIMO-OFDM自适应传输方案 |
| 5.1 基于模型驱动网络的自适应传输系统 |
| 5.1.1 模型驱动深度学习网络特点 |
| 5.1.2 基于模型驱动网络的自适应传输系统结构 |
| 5.2 基于反馈信道信息的自适应调制算法 |
| 5.2.1 基于AMNet的自适应调制模型 |
| 5.2.2 仿真实验与性能分析 |
| 5.3 基于循环谱特征的自适应解调算法 |
| 5.3.1 循环谱特征分析 |
| 5.3.2 基于ADNet的自适应调制识别模型 |
| 5.3.3 仿真实验与性能分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文和专利 |
| 二、其它科研成果 |
（3）无线通信中的信道估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 无线通信的发展及现状 |
| 1.2.2 信道估计研究现状 |
| 1.3 论文结构安排 |
| 第二章 MIMO-OFDM系统信道估计 |
| 2.1 无线信道特征 |
| 2.1.1 多径传输效应 |
| 2.1.2 多径衰落 |
| 2.2 MIMO系统和OFDM系统 |
| 2.2.1 MIMO系统 |
| 2.2.2 MIMO系统数据传输原理 |
| 2.2.3 OFDM系统 |
| 2.2.4 OFDM系统数据传输原理 |
| 2.3 MIMO-OFDM系统 |
| 2.3.1 MIMO-OFDM系统及传输原理 |
| 2.3.2 2×2Alamouti编码器模型 |
| 2.3.3 2×2MIMO-OFDM通信系统 |
| 2.4 本章小结 |
| 第三章 基于CS的MIMO-OFDM系统信道估计研究 |
| 3.1 压缩感知模型 |
| 3.1.1 信号的稀疏表示 |
| 3.1.2 观测矩阵的构造 |
| 3.1.3 信道估计问题转化 |
| 3.2 典型的压缩感知理论算法 |
| 3.2.1 OMP算法 |
| 3.2.2 GOMP算法 |
| 3.2.3 CoSaMP算法 |
| 3.3 CS算法在MIMO-OFDM系统信道估计的应用 |
| 3.3.1 2×2MIMO-OFDM通信实验平台设计 |
| 3.3.2 编译码方法 |
| 3.3.3 导频图案设计 |
| 3.3.4 2×2MIMO-OFDM系统信道估计的实现 |
| 3.4 本章小结 |
| 第四章 基于深度学习的OFDM系统信道估计研究 |
| 4.1 深度学习的发展 |
| 4.2 深度神经网络 |
| 4.2.1 神经元结构 |
| 4.2.2 深度神经网络模型 |
| 4.2.3 前向传播算法 |
| 4.2.4 代价函数的设置 |
| 4.2.5 反向传播算法 |
| 4.3 LS算法在OFDM系统信道估计中的应用 |
| 4.3.1 梳状导频 |
| 4.3.2 LS信道估计算法 |
| 4.3.3 基于梳状导频的OFDM系统信道估计 |
| 4.3.4 LS算法实现OFDM系统信道估计 |
| 4.4 深度神经网络在OFDM系统信道估计中的应用 |
| 4.4.1 系统整体框图 |
| 4.4.2 DNN网络离线训练方法 |
| 4.5 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 今后工作展望 |
| 参考文献 |
| 攻读硕士学位期间出版或发表的论着、论文 |
| 致谢 |
（4）UFMC系统信道估计与均衡技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 UFMC技术研究现状 |
| 1.2.2 UFMC系统信道估计技术研究现状 |
| 1.2.3 UFMC系统信道均衡技术研究现状 |
| 1.3 本文的研究内容及章节安排 |
| 第2章 UFMC的原理及性能 |
| 2.1 引言 |
| 2.2 UFMC系统模型 |
| 2.3 无线信道特性 |
| 2.3.1 多径效应 |
| 2.3.2 多普勒效应 |
| 2.3.3 信道模型 |
| 2.4 UFMC与OFDM性能对比 |
| 2.5 信道估计技术与信道均衡技术 |
| 2.5.1 UFMC系统信道估计技术 |
| 2.5.2 UFMC系统信道均衡技术 |
| 2.6 本章小结 |
| 第3章 基于小波阈值去噪的UFMC系统信道估计算法 |
| 3.1 引言 |
| 3.2 信道估计算法 |
| 3.2.1 LS信道估计算法 |
| 3.2.2 MMSE信道估计算法 |
| 3.2.3 DFT信道估计算法 |
| 3.3 基于小波阈值去噪的信道估计算法 |
| 3.3.1 小波变换的基本原理 |
| 3.3.2 小波去噪 |
| 3.3.3 改进的信道估计算法 |
| 3.4 仿真性能与分析 |
| 3.5 本章小节 |
| 第4章 基于干扰消除的UFMC信道估计算法 |
| 4.1 引言 |
| 4.2 多径信道的影响 |
| 4.3 导频设计 |
| 4.4 干扰消除的信道估计算法 |
| 4.5 仿真与分析 |
| 4.6 本章小结 |
| 第5章 基于干扰消除的UFMC信道均衡 |
| 5.1 前言 |
| 5.2 均衡算法分析 |
| 5.2.1 ZF/MMSE时域均衡 |
| 5.2.2 符号循环移位均衡 |
| 5.3 UFMC系统算法设计 |
| 5.3.1 基于DFE算法的ZF/MMSE均衡 |
| 5.3.2 基于干扰消除的均衡算法 |
| 5.4 仿真与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文的研究工作和成果总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 攻读硕士学位期间完成的科研成果 |
| 致谢 |
（5）基于5G NR下行信道高精度估计算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景介绍 |
| 1.2 NR系统中的信道估计现状 |
| 1.3 论文内容及结构安排 |
| 第二章 传统信道估计与NR物理层设计 |
| 2.1 无线信道简介 |
| 2.1.1 无线信道中的大尺度衰落 |
| 2.1.2 多径效应 |
| 2.1.3 多普勒效应 |
| 2.1.4 无线信道模型 |
| 2.2 三种传统的信道估计 |
| 2.2.1 最小平方算法(LS) |
| 2.2.2 线性最小均方误差算法(LMMSE) |
| 2.2.3 降秩LMMSE算法(LR_LMMSE) |
| 2.3 NR系统中的SSB(Synchronization Signal Block) |
| 2.3.1 NR中的SSB设计 |
| 2.3.2 解调参考信号(DMRS) |
| 2.3.3 小区标识号 |
| 2.3.4 主同步序列 |
| 2.3.5 辅同步序列 |
| 2.4 PBCH的承载内容 |
| 第三章 一种适用于5G系统的低复杂度的去噪声信道估计算法 |
| 3.1 一种低复杂度的去噪声信道估计算法 |
| 3.2 时间复杂度 |
| 3.3 基于NR系统的仿真平台的搭建 |
| 3.4 仿真结果与分析 |
| 3.4.1 信噪比对于不同信道估计方法性能的影响 |
| 3.4.2 多径信道中信道数量对于不同方法性能的影响 |
| 3.4.3 多径信道中延迟间隔对于不同方法性能的影响 |
| 3.5 本章小结 |
| 第四章 结合同步信号的NR系统信道估计优化方法 |
| 4.1 结合同步信号的NR信道估计器设计 |
| 4.2 算法实现的时间复杂度 |
| 4.3 仿真结果及分析 |
| 4.4 本章小结 |
| 第五章 5G数据实测平台搭建和实测结果 |
| 5.1 实测系统的搭建 |
| 5.2 实测流程设计 |
| 5.3 NR系统下行信道解调的关键技术 |
| 5.3.1 小区搜索 |
| 5.3.2 解调 |
| 5.3.3 解扰 |
| 5.3.4 基于Polar码的速率匹配 |
| 5.3.5 Polar码译码 |
| 5.3.6 CRC校验 |
| 5.4 系统的实测操作和结果 |
| 第六章 总结与期望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文及申请的专利 |
（6）基于压缩感知的MIMO系统稀疏信道估计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状和挑战 |
| 1.2.1 MIMO-OFDM系统稀疏信道估计研究现状 |
| 1.2.2 大规模MIMO系统稀疏信道估计研究现状 |
| 1.2.3 面临的挑战 |
| 1.3 论文研究主要内容 |
| 1.4 论文结构安排 |
| 第2章 MIMO无线通信系统及压缩感知技术 |
| 2.1 引言 |
| 2.2 MIMO-OFDM系统 |
| 2.2.1 MIMO技术 |
| 2.2.2 OFDM技术 |
| 2.3 大规模MIMO系统 |
| 2.3.1 多用户大规模MIMO系统 |
| 2.3.2 大规模MIMO系统上行链路 |
| 2.3.3 大规模MIMO系统下行链路 |
| 2.4 压缩感知 |
| 2.4.1 信号的稀疏表示 |
| 2.4.2 信号的观测矩阵设计 |
| 2.4.3 信号的重构 |
| 2.4.4 基于压缩感知稀疏信道估计方法的可行性分析 |
| 2.5 本章小结 |
| 第3章 基于自适应匹配追踪的MIMO-OFDM系统信道估计算法 |
| 3.1 引言 |
| 3.2 慢时变频率选择性衰落信道的MIMO-OFDM系统模型 |
| 3.3 基于导频符号的传统信道估计方法 |
| 3.3.1 导频结构 |
| 3.3.2 LS信道估计方法 |
| 3.3.3 MMSE信道估计方法 |
| 3.4 基于导频符号的压缩感知信道估计方法 |
| 3.4.1 压缩感知稀疏信道估计模型 |
| 3.4.2 基于SAMP算法的MIMO-OFDM稀疏信道估计 |
| 3.4.3 基于NAMP算法的MIMO-OFDM稀疏信道估计 |
| 3.4.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第4章 基于稀疏度自适应匹配追踪的TDD大规模MIMO系统信道估计算法 |
| 4.1 引言 |
| 4.2 TDD大规模MIMO系统上行链路稀疏信道模型 |
| 4.3 导频污染与导频设计 |
| 4.3.1 TDD大规模MIMO信道估计基本原理 |
| 4.3.2 导频污染 |
| 4.3.3 导频设计 |
| 4.4 基于稀疏度自适应匹配追踪的信道估计算法 |
| 4.5 信道估计算法的性能分析 |
| 4.5.1 MSE性能分析 |
| 4.5.2 CRLB性能分析 |
| 4.6 仿真结果与分析 |
| 4.7 本章小结 |
| 第5章 基于广义分块自适应匹配追踪的FDD大规模MIMO系统稀疏信道估计算法 |
| 5.1 引言 |
| 5.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
| 5.3 FDD大规模MIMO系统信道估计与导频设计 |
| 5.3.1 FDD大规模MIMO信道估计基本原理 |
| 5.3.2 FDD大规模MIMO系统下行链路导频设计 |
| 5.4 结构化压缩感知技术 |
| 5.4.1 多测量向量模型 |
| 5.4.2 结构化压缩感知 |
| 5.5 FDD大规模MIMO系统信道估计算法 |
| 5.5.1 基于结构化压缩感知的信道估计 |
| 5.5.2 广义分块自适应匹配追踪算法 |
| 5.6 仿真结果与分析 |
| 5.7 本章小结 |
| 第6章 基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法 |
| 6.1 引言 |
| 6.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
| 6.3 卷积神经网络 |
| 6.4 基于传统贪婪算法的压缩感知稀疏信道估计方法 |
| 6.5 基于深度学习的压缩感知稀疏信道估计方法 |
| 6.5.1 线性映射网络 |
| 6.5.2 卷积学习网络 |
| 6.5.3 Con CSNet网络训练参数配置 |
| 6.6 仿真与实验结果分析 |
| 6.6.1 评估标准 |
| 6.6.2 实验结果 |
| 6.7 本章小结 |
| 第7章 论文总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（7）基于MIMO系统的压缩感知和干扰抑制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知技术的国内外研究现状 |
| 1.2.2 干扰抑制技术的国内外研究现状 |
| 1.3 论文主要内容及组织结构 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 MIMO-OFDM系统及Massive MIMO系统 |
| 2.1 MIMO-OFDM系统 |
| 2.2 Massive MIMO系统 |
| 2.3 基于导频的信道估计 |
| 2.4 信号重构算法 |
| 2.5 波束成形预编码基础 |
| 2.6 本章小结 |
| 第三章 基于导频的MIMO-OFDM系统信道估计算法研究 |
| 3.1 基于PCA-MMSE算法的MIMO-OFDM系统信道模型 |
| 3.2 传统线性信道估计算法 |
| 3.3 基于导频的PCA-MMSE信道估计算法 |
| 3.3.1 PCA-MMSE算法原理 |
| 3.3.2 PCA-MMSE算法机制 |
| 3.4 PCA-MMSE算法性能仿真分析 |
| 3.5 本章小结 |
| 第四章 基于压缩感知的Massive MIMO系统的信号重构算法研究 |
| 4.1 Massive MIMO系统的信道反馈模型 |
| 4.2 压缩感知 |
| 4.2.1 压缩感知原理 |
| 4.2.2 压缩感知的信号重构算法 |
| 4.3 RA-NET信号重构算法研究 |
| 4.3.1 RA-NET网络模型结构 |
| 4.3.2 RA-NET网络模型算法机制 |
| 4.4 RA-NET模型仿真性能分析 |
| 4.5 本章小结 |
| 第五章 基于压缩感知的Massive MIMO系统的信号重构算法研究 |
| 5.1 多用户MIMO系统的波束成形模型与干扰抑制 |
| 5.1.1 多用户MIMO系统的波束成形模型 |
| 5.1.2 常用波束成形算法 |
| 5.2 基于RZF-SVD-LA的干扰抑制算法研究 |
| 5.2.1 基于RZF-SVD-LA算法的预编码系统模型 |
| 5.2.2 RZF-SVD-LA算法结构 |
| 5.2.3 RZF-SVD-LA算法机制 |
| 5.3 RZF-SVD-LA算法仿真性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于水声OFDM系统的信道估计和干扰消除研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及其意义 |
| 1.1.1 水声通信的发展历程 |
| 1.1.2 水声通信系统信道估计和脉冲噪声消除的研究现状 |
| 1.1.3 课题研究的实际意义 |
| 1.2 课题研究内容 |
| 1.3 论文章节安排 |
| 第二章 水声通信系统信道估计和干扰消除关键技术 |
| 2.1 水声信道特征 |
| 2.2 水声多载波通信系统 |
| 2.3 压缩感知技术 |
| 2.4 贝叶斯框架及稀疏贝叶斯学习 |
| 2.4.1 贝叶斯框架 |
| 2.4.2 共轭先验 |
| 2.4.3 最大期望(EM)算法 |
| 2.4.4 稀疏贝叶斯学习 |
| 2.5 卡尔曼滤波技术 |
| 2.6 本章小结 |
| 第三章 联合信道响应和脉冲噪声估计算法研究 |
| 3.1 水声OFDM系统模型 |
| 3.1.1 水声信道模型 |
| 3.1.2 水声通信系统噪声建模 |
| 3.1.3 水声OFDM系统收发端系统模型 |
| 3.2 接收信号预处理 |
| 3.2.1 裁剪-消除(Clipping-Blanking)算法 |
| 3.2.2 基于空载波的载波频偏估计和补偿 |
| 3.3 现有信道估计算法 |
| 3.3.1 基于最小二乘(LS)的信道估计算法 |
| 3.3.2 基于压缩感知的信道估计 |
| 3.4 基于稀疏贝叶斯学习的联合信道响应和脉冲噪声估计 |
| 3.4.1 算法描述 |
| 3.4.2 复杂度分析 |
| 3.5 脉冲噪声消除 |
| 3.5.1 基于最小二乘(LS)算法的脉冲噪声消除 |
| 3.5.2 基于离散傅立叶变换(DFT)算法的脉冲噪声消除 |
| 3.6 本章小结 |
| 第四章 联合动态时变信道估计和符号检测算法研究 |
| 4.1 动态时变信道和脉冲噪声估计 |
| 4.1.1 系统模型 |
| 4.1.2 算法描述 |
| 4.1.3 复杂度分析 |
| 4.2 联合水声信道估计和符号检测 |
| 4.2.1 算法描述 |
| 4.2.2 复杂度分析 |
| 4.3 联合时变信道追踪和符号检测 |
| 4.3.1 算法描述 |
| 4.3.2 复杂度分析 |
| 4.4 提出算法的讨论 |
| 4.5 本章小结 |
| 第五章 仿真和海试数据结果分析 |
| 5.1 仿真结果分析 |
| 5.1.1 仿真参数设置 |
| 5.1.2 脉冲噪声位置估计的阈值选择 |
| 5.1.3 残余载波频偏对性能的影响 |
| 5.1.4 不同算法的仿真性能比较 |
| 5.2 海试数据结果分析 |
| 5.2.1 实验环境及参数 |
| 5.2.2 实测水声信道特征 |
| 5.2.3 不同估计算法在实测数据上的性能比较 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 下一步工作方向及展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（9）基于非均匀子带叠加的传输技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状及挑战性问题 |
| 1.2.1 面向5G/B5G空口波形技术研究现状 |
| 1.2.2 面向5G/B5G空口波形技术挑战性问题 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 新型多载波波形技术比较研究 |
| 2.1 引言 |
| 2.2 多载波调制系统模型 |
| 2.3 OFDM原理 |
| 2.4 W-OFDM原理 |
| 2.5 子载波级滤波的多载波波形设计 |
| 2.5.1 FBMC原理 |
| 2.5.2 GFDM原理 |
| 2.6 子带级滤波的多载波波形设计 |
| 2.6.1 UFMC原理 |
| 2.6.2 F-OFDM原理 |
| 2.7 现有多载波波形技术比较 |
| 2.8 本章小结 |
| 第三章 NSS-OFDM系统设计与性能分析 |
| 3.1 引言 |
| 3.2 基于可变粒度(VG)的资源分配模型 |
| 3.3 NSS-OFDM系统原理 |
| 3.3.1 基于子带信号时域叠加的设计方案 |
| 3.3.2 NSS-OFDM系统接收机设计 |
| 3.4 基于子带叠加的频带利用率提升方法 |
| 3.5 NSS-OFDM系统收发端滤波器设计 |
| 3.5.1 发射端多级多相内插器设计 |
| 3.5.2 接收端多级多相抽取器设计 |
| 3.6 NSS-OFDM系统性能分析 |
| 3.6.1 不同原型滤波器的性能分析 |
| 3.6.2 频带利用率分析 |
| 3.6.3 计算复杂度分析 |
| 3.6.4 能量效率分析 |
| 3.7 NSS-OFDM系统BER性能分析 |
| 3.8 本章小结 |
| 第四章 NSS-OFDM系统均衡算法研究 |
| 4.1 引言 |
| 4.2 双选择性衰落信道下NSS-OFDM系统模型 |
| 4.3 多普勒域-频域等效信道增益矩阵构建 |
| 4.4 基于过采结构的SDFFE算法 |
| 4.5 MIMO-NSS-OFDM系统解调 |
| 4.6 BER性能分析 |
| 4.7 本章小结 |
| 第五章 NSS-OFDM系统信道估计研究 |
| 5.1 引言 |
| 5.2 基于频域导频内插估计算法 |
| 5.2.1 信道估计过程 |
| 5.2.2 基于统计特性的内插算法 |
| 5.2.3 基于固定系数的内插算法 |
| 5.2.4 基于低通滤波的内插算法 |
| 5.3 高速移动场景LTE增强信道估计算法 |
| 5.3.1 高精度导频处的信道估计算法 |
| 5.3.2 时间方向改进的信道估计算法 |
| 5.4 频域导频内插算法的局限性 |
| 5.5 基于块状导频时域信道估计算法 |
| 5.5.1 NSS-OFDM系统块状导频设计 |
| 5.5.2 导频符号处的信道估计方案 |
| 5.5.3 基于Slepian序列的分段插值 |
| 5.6 仿真分析 |
| 5.6.1 基于离散导频的信道估计算法仿真 |
| 5.6.2 基于块状导频的信道估计算法仿真 |
| 5.7 本章小结 |
| 第六章 NSS-SC接收机设计 |
| 6.1 引言 |
| 6.2 分离接收机系统模型 |
| 6.3 分离接收机互信息性能分析 |
| 6.3.1 互信息定义 |
| 6.3.2 互信息增益分析 |
| 6.3.3 互信息增益来源解释 |
| 6.4 分离接收机信号检测方案 |
| 6.4.1 最优检测准则 |
| 6.4.2 低复杂度的检测方案 |
| 6.5 分离接收机SER性能分析 |
| 6.5.1 QAM下的SER性能 |
| 6.5.2 APSK下的SER性能 |
| 6.6 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的成果 |
（10）LTE-R下MIMO-OFDM系统信道估计及检测技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 MIMO-OFDM信道估计技术研究现状 |
| 1.2.2 MIMO-OFDM信号检测技术研究现状 |
| 1.3 本文研究内容及结构安排 |
| 本章小结 |
| 第二章 LTE-R通信系统概述及无线信道模型 |
| 2.1 LTE-R系统架构 |
| 2.2 LTE-R关键技术 |
| 2.2.1 正交频分复用技术 |
| 2.2.2 多输入多输出技术 |
| 2.3 LTE-R移动无线信道 |
| 2.3.1 无线信道特征 |
| 2.3.2 无线信道统计模型 |
| 2.3.3 高铁信道特征 |
| 2.3.4 本文高铁信道模型 |
| 本章小结 |
| 第三章 高铁场景下MIMO-OFDM系统信道估计 |
| 3.1 MIMO-OFDM系统 |
| 3.1.1 MIMO-OFDM系统模型 |
| 3.1.2 MIMO-OFDM系统信息处理 |
| 3.1.3 MIMO-OFDM系统信道估计 |
| 3.2 基于导频的经典信道估计 |
| 3.2.1 导频结构设计与选择 |
| 3.2.2 导频处信道估计算法 |
| 3.2.3 数据载波处插值算法 |
| 3.2.4 性能仿真及分析 |
| 3.3 高铁场景下MIMO-OFDM信道估计 |
| 3.3.1 高铁场景下信道估计方案 |
| 3.3.2 基于循环前缀的频偏估计算法 |
| 3.3.3 方案算法分析及仿真性能对比 |
| 本章小结 |
| 第四章 高铁场景下系统信号检测算法选择 |
| 4.1 基于V-BLAST的MIMO-OFDM系统 |
| 4.2 最优检测方案 |
| 4.3 线性检测 |
| 4.3.1 迫零(ZF)检测 |
| 4.3.2 最小均方误差(MMSE)线性检测 |
| 4.3.3 线性检测性能仿真分析 |
| 4.4 非线性检测 |
| 4.4.1 干扰消除检测(IC) |
| 4.4.2 基于QR分解检测 |
| 4.4.3 非线性检测性能仿真分析 |
| 4.5 三类不同检测算法性能及仿真比较 |
| 本章小结 |
| 第五章 信道估计及检测算法的实现与测试 |
| 5.1 2×2 MIMO-OFDM系统实现 |
| 5.1.1 实验平台搭建与配置 |
| 5.1.2 系统发射模块 |
| 5.1.3 系统接收模块 |
| 5.2 信道估计模块实现 |
| 5.3 信号检测模块实现 |
| 5.4 系统在高铁环境下的验证与测试 |
| 5.4.1 实验平台验证 |
| 5.4.2 系统性能测试 |
| 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
四、无线OFDM系统中的信道估计算法研究（论文参考文献）
- [1]基于回声状态网络的自适应OFDM系统非线性信道预测方法研究[D]. 隋永波. 合肥工业大学, 2021
- [2]基于深度学习的MIMO-OFDM自适应传输技术研究[D]. 乔元健. 齐鲁工业大学, 2021(10)
- [3]无线通信中的信道估计方法研究[D]. 王莉杰. 淮北师范大学, 2021(12)
- [4]UFMC系统信道估计与均衡技术的研究[D]. 周琦. 扬州大学, 2021(08)
- [5]基于5G NR下行信道高精度估计算法研究[D]. 梁耕. 北京邮电大学, 2021(01)
- [6]基于压缩感知的MIMO系统稀疏信道估计方法研究[D]. 黄源. 合肥工业大学, 2021
- [7]基于MIMO系统的压缩感知和干扰抑制方法研究[D]. 李佳伶. 北京邮电大学, 2020(04)
- [8]基于水声OFDM系统的信道估计和干扰消除研究[D]. 王舒彻. 北京邮电大学, 2020(04)
- [9]基于非均匀子带叠加的传输技术研究[D]. 王艳艳. 电子科技大学, 2019(04)
- [10]LTE-R下MIMO-OFDM系统信道估计及检测技术的研究[D]. 郭庭秀. 大连交通大学, 2019(08)