一、MIMO-OFDM系统的原理及性能分析（论文文献综述）
张瑞齐[1]（2021）在《高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究》文中提出随着高速公路、高速铁路以及城市道路的爆炸式发展,交通系统的安全性、交通管控的有效性和及时性等问题亟待解决。智能交通系统成为未来交通运输系统的发展方向。随着车联网的蓬勃发展,低时延、大容量、高可靠的通信需求日益迫切。但是传统移动通信的设计主要瞄准终端静止或者低速运动场景,当其应用在高速公路和铁路场景时面临诸多的挑战。以第五代移动通信（The Fifth Generation Mobile Communication,5G）标准为例,终端用户在低速运动条件下,比如移动速度不高于30km/h,100MHz系统带宽可提供大于1G比特率（Bit Per Second,bps）数据传输速率。而随着终端用户移动速度的增加,可支持数据传输速率急剧下降,在终端移动速度高于350km/h时,系统的可支持数据传输速率只有50Mbps,该数据吞吐量只有车联网通信所需数据速率的10%。通信系统传输速率严重下降的主要原因是车辆高速运动引起的信道快速时变以及多普勒频偏。因此,克服多普勒效应、提高高速移动场景中的数据传输速率是非常重要的课题,具有重要的科学意义。为了解决高速移动场景中无线通信系统数据传输效率下降的问题,本文充分考虑高速运动场景中的信道快速时变、多普勒效应、用户信道状态信息（Channel State Information,CSI）难以跟踪等典型问题,采用理论分析、数学建模与系统仿真验证相结合的方法,对快速时变信道估计、低复杂度的子载波间干扰抑制以及面向多输入多输出的线性预编码等方向进行了系统研究。论文的创新性工作包括以下四个方面:第一、提出了一种新的基于波束域分解的信道预测方法,解决高速运动状态下,终端反馈的信道状态信息难以跟踪信道变化而带来的系统性能恶化的问题。基于信道状态信息的自适应调制编码技术（Adaptive Modulation and Coding,AMC）在无线移动通信系统中发挥重要的作用。但是当终端用户处于高速运动状态时,无线信道快速变化。终端用户反馈的信道状态信息与被应用时刻的信道失配,导致系统性能严重恶化。针对该问题,本文提出了一种新的信道预测方法。该方法根据扩展Saleh-Valenzuela模型,将无线信道在空域分解为多个簇,每一簇的信道由空间波束角相近的子径组成。通过波束域、频率域分解,无线时变信道被表征为有限个波束域和频域基向量的线性加权。针对加权参数和波束矢量估计复杂度过高的问题,本文提出了改进的快速迭代插值波束赋形（Fast Iterative Interpolated Beamforming,FIIB）算法。针对加权参数的预测问题,本文提出由多项式模型近似。通过向基站反馈多项式系数和波束矢量,基站可以精确的预测未来的信道。本方法提高了时变信道预测的准确性,仿真显示在反馈有限阶系数条件下,本方法已经可以准确的预测信道的变化,同时反馈多项式系数所需的资源也远低于传统方法。第二、提出了基于频率偏移的基扩展模型（Frequency Shifted Basis Expansion Model,FS-BEM）,解决高速时变信道条件下信道估计性能恶化的问题。在正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统中,通过在OFDM符号中插入参考信号（Reference Signal,RS）来做信道估计。在传统的信道估计中,认为信道在一个OFDM符号中保持不变。当终端用户处于高速运动状态的时候,信道在一个OFDM符号中也会发生变化,从而使得传统信道估计方法失效。针对该问题,本文基于基扩展模型（Basis Expansion Model,BEM）的理论,研究了复指数基扩展模型（Complex Exponential BEM,CE-BEM）在建模快速时变信道时存在较大误差的原因,提出了FS-BEM信道估计方法。通过对复指数基向量进行过采样获取过完备基向量集合,采用最小均方误差（Minimum Mean Squared Error,MMSE）或者最大信息率准则（Maximum Information Rate,MIR）全局寻优最佳采样基。仿真显示,本方法很好的克服了传统CE-BEM模型的缺点,在不同的移动速度下均具有较好的性能。第三、提出了一种新的发射端预编码和接收端均衡方法,解决传统子载波间干扰抑制方法存在的复杂度过高、性能不理想等问题。在OFDM通信系统中,当终端处于高速移动的时候会引起子载波间干扰（Inter-Carrier Interference,ICI）,严重的影响了无线移动通信性能。在传统的均衡算法中,通常采用迭代干扰消除的方法来克服ICI带来的影响。这种方法存在复杂度过高、用户移动速度快的情况下性能不理想等问题。本文提出了一种新的发射端预编码和接收端均衡方法。该方法在发射端将发射信号频域分段,并在每个频域分段中添加冗余子载波,从而隔绝了相邻频域分段之间的干扰,将子载波互扰限制在一个频域分段内。在接收端,通过简单的线性变换和一阶均衡就可以抑制频域分段内的ICI。该方法可以大大降低接收端实现复杂度,具有较好的ICI抑制性能。第四、提出了一种新的基于波束域反馈的码本设计方法,解决传统码本设计不能匹配中高速场景、反馈开销过大的问题。在多输入多输出（Multi-Input Multi-Output,MIMO）系统中,预编码矩阵的反馈占用大量的上行无线资源,尤其是当终端处于快速运动的时候,需要配置很短的反馈周期才能跟踪信道状态信息的变化,这会进一步增加反馈开销。针对该问题,本文提出了一种新的基于波束域反馈的码本设计方法。该方法利用矩阵分解理论,将预编码矩阵表征为若干个正交向量的线性加权。用户需要反馈被选择的正交向量的索引以及每个被选择的正交向量对应的复系数。通过联合配置长和短周期反馈,该方法可以在跟踪信道变化的同时,维持较低的反馈开销。仿真结果显示,本文提出的码本结构和反馈方法在获得预编码增益的同时,极大的缩减了反馈信道状态信息的信息量。本方法中的双码本结构以及第一级码本的正交向量设计等方法被5G通信标准‘3GPP TS38.214:NR Physical layer procedures for data’的5.2.2.2.3章节接纳。
黄源[2]（2021）在《基于压缩感知的MIMO系统稀疏信道估计方法研究》文中认为多输入多输出（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[3]（2020）在《基于MIMO系统的压缩感知和干扰抑制方法研究》文中研究指明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。
范聪聪[4]（2020）在《MIMO及MIMO-OFDM系统的信号盲处理研究》文中进行了进一步梳理随着移动通信的快速发展,频谱资源变得日益紧张,用户对通信系统的传输速率和信道容量也有了更加迫切的要求。多输入多输出（Multiple Input Multiple Output,MIMO）通信系统利用空间复用和空间分集技术,能够在不增加额外带宽的情况下,显着提高系统的传输速率和信道容量。正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）通信系统依靠相互正交的子载波传输信息,不仅能够抵抗频率选择性衰落信道的影响,同时也能够改善频谱的效率。将MIMO和OFDM结合的MIMO-OFDM系统能够同时具备两者的优势。随着MIMO及MIMO-OFDM系统应用的日益广泛,非合作通信场景下针对这两个系统的信号盲处理研究变得愈发重要。本文围绕MIMO以及MIMO-OFDM系统中的信号识别与参数估计展开研究,主要工作如下:（1）针对MIMO系统中正交空时分组码（Orthogonal Space-Time Block Codes,OSTBC）的盲识别问题,研究了一种基于特征值矩阵的联合近似对角化（Joint Approximate Diagonalization of Eigenvalue Matrix,JADE）与特征提取的识别方法。利用盲源分离（Blind Source Separation,BSS）的思想,首先将接收的MIMO信号转换成BSS中的线性瞬时混合模型,然后对该模型做信源数估计以及白化处理,接着采用JADE算法对虚拟信道矩阵进行估计。根据OSTBC编码矩阵的正交性,得出OSTBC的虚拟信道矩阵的相关矩阵是一个数量矩阵,最后通过在该数量矩阵中提取特征参数实现了OSTBC的盲识别。（2）针对MIMO系统调制方式的盲识别问题,研究了一种基于JADE与特征提取的识别方法。根据空间复用MIMO系统各发送天线上信号的独立性,首先对接收的信号进行发射天线数估计以及白化处理,然后利用JADE算法从白化的信号中恢复出发射信号,接着利用六阶累积量、循环谱以及四次方谱算法在发射信号中提取4个特征参数,最后将这4个特征参数输入到分层结构的反向传播（Back Propagation,BP）神经网络中来识别信号的调制方式。仿真结果表明,该方法能够实现对MIMO系统中{2PSK,2ASK,2FSK,4PSK,4ASK,MSK,8PSK,16QAM}8种调制方式的识别。（3）针对MIMO-OFDM系统中信号参数的盲估计问题,研究了一种基于循环自相关与四阶循环累积量的多参数估计方法。首先求MIMO-OFDM信号的自相关函数,对其进行傅里叶变换后得到循环自相关函数,通过对循环自相关3维图不同切面的分析,可估计出该信号的符号周期、有用符号周期以及循环前缀长度;然后对MIMO-OFDM的四阶循环累积量进行推导,发现在循环频率取值为子载波频率时,四阶循环累积量会出现峰值,通过检测峰值的数量及其对应的循环频率可估计出MIMO-OFDM信号的子载波数量及子载波频率。
刘珈池[5]（2020）在《MIMO-OFDM系统频率与符号联合同步技术研究》文中研究说明无线移动通信系统高速发展,人们对通信的传输速率、准确度和稳定性的要求逐渐提高。在IEEE的802.11n协议标准的基础上制定了可以工作在5GHz频段的802.11ac协议标准,其中多输入多输出（MIMO）技术被加入802.11ac协议标准中,与正交频分复用系统（OFDM）相结合,MIMO-OFDM系统是5G关键技术之一,MIMO-OFDM系统使MIMO技术的抗多径干扰能力增强,同时也较于OFDM技术信道容量与传输速率显着增强,使系统更加安全稳定,因而优化MIMO-OFDM系统性能成为近几年的热门研究技术。本文主要研究MIMO-OFDM符号和频率联合同步问题,利用训练序列和循环前缀（CP）改进了同步算法,并在仿真软件上进行实现,主要内容包括:首先,对MIMO技术的基本工作原理和技术分类,OFDM系统的正交性原理与工作原理,以及MIMO-OFDM的工作原理和信道模型进行详细的机理剖析和公式推导,并且阐述了MIMO技术、OFDM系统和MIMO-OFDM系统的优缺点,可以得出MIMO技术与OFDM系统结合,使得MIMO-OFDM系统信道容量与传输速率成倍提高,抗多径干扰与抗频率衰落能力增强,但是仍然受同步偏差和峰均功率比的影响。其次,分析MIMO-OFDM工作过程中的样值同步偏差,采样定时偏差,符号同步偏差（STO）,载波频率偏差（CFO）的产生原因和对正常运行的影响,利用仿真对符号定时同步偏差,载波频率偏差影响进行仿真,证明了STO与CFO对系统影响较大,因而本文进行重点研究。然后,本文对传统同步算法进行了改进,将训练序列和循环前缀的结构和数据信息进行改进,并且利用高自相关、低互相关并且振幅恒定的Zadoff-Chu（ZC）序列,实现了OFDM有效数据的部分循环和循环序列的部分数据循环,有效防止了上下行链路数据的干扰,提高MIMO-OFDM系统的符号和频率同步性能。最后,基于改进算法的理论分析,通过在瑞利衰落信道中,16QAM调制解调下,子载波数256,信噪比（SNR）范围为-15d B～25d B,对不同收发天线数进行仿真,证明改进算法在一定条件下,对符号位置估计的精确度和频率偏差的补偿精度有所优化。
陈亚男[6]（2020）在《多天线OFDM系统中的峰均比抑制优化算法研究》文中研究表明多天线正交频分复用（Orthogonal Frequency Division Multiple,OFDM）系统具备高数据传输速度、高通信质量、高可靠性的良好性能,相比于传统单天线系统,能够更好地满足用户对通信体验和服务质量的要求,是进一步发展移动通信系统的关键技术之一。OFDM系统固有的峰均比（Peak to Average Power Ratio,PAPR）问题会影响系统的传输可靠性,导致硬件成本的增加。随着服务用户数和接入连接量的增大,需要在基站部署多根天线以完成大数据量的需求,多天线的使用使得峰均比问题更加严峻。传统的峰均比抑制算法计算量大,峰均比降低程度有限,基于此,本文对多天线OFDM系统中的峰均比抑制优化算法展开研究。本文首先阐述了OFDM系统的基本原理,描述了峰均比问题并概括介绍了几种传统的峰均比抑制技术;随后阐述了多输入多输出（Multiple-Input Multiple-Output,MIMO）技术的相关基础,包括空时分组码（Space-Time Block Coding,STBC）技术和大规模天线技术;接着介绍了建设性干扰（Constructive Interference,CI）的背景知识及其优点;最后重点对STBC-MIMO-OFDM系统和Massive MIMO-OFDM系统下的峰均比抑制优化算法进行了探究。针对STBC-MIMO-OFDM系统,考虑到在调制阶数高、子载波数量大的条件下,采用单一的部分传输序列（Partial Transmission Sequence,PTS）算法计算复杂度高并且抑制峰均比效果有限,本文提出了基于旋转性预编码的改进PTS优化算法,包括串联算法和交织算法。旋转性预编码技术能够实现星座点的扩展,从而改善信号的分布,获得PAPR增益。同时,为了在不增加计算复杂度的情况下进一步优化峰均比抑制性能,本文提出联合矩阵变换的优化算法,传统的改进算法中增加PTS算法分块数会带来的成倍的快速傅里叶逆变换（Inverse Fast Fourier Transform,IFFT）计算,而矩阵变换为线性操作,计算简单,能够避免大量的运算使系统获得更理想的峰均比抑制效果,并且不会产生误码率性能损失。针对Massive MIMO-OFDM系统,考虑到大规模天线下直接应用传统的峰均比抑制算法会造成严重的干扰,本文利用大量天线提供的自由度构建优化模型,寻找使发射信号具有低峰均比的数据传输方案。本文基于大规模MIMO-OFDM系统下行链路模型,提出基于CI的峰均比抑制算法,算法能够充分利用干扰,并将其转变为有效的发射功率,同时,CI的可扩展区域的存在使得信号有着极大的选择空间,能够优化信号分布从而改善信号的峰均比性能。最后,本文使用广义交替方向乘子法（The Generalized Alternating Direction Method of Multipliers,G-ADMM）算法完成了优化模型的求解,仿真结果表明与已有的快速迭代阈值算法（Fast Iterative Soft-ThresholdingAlgorithm,FITRA）相比,G-ADMM算法的峰均比降低效果好,收敛速度快,具备更高的执行效率。
严瑛[7]（2020）在《高速通信系统的物理层技术研究与实现 ——信道估计技术》文中指出MIMO-OFDM系统将MIMO技术和OFDM技术结合起来,具有高稳健性、高数据传输率、高频谱利用率等特点,实现了传统通信领域的重大突破。然而由于无线通信传输环境复杂,接收信号的相位和幅度会出现严重的衰落,必须通过信道估计技术才能恢复出发送数据。因此兼顾准确度和计算复杂度考虑,研究出适合硬件实现的MIMO-OFDM信道估计方案是十分有意义的。本文的主要工作如下:（1）研究了MIMO-OFDM信道估计技术的两个关键点,基于导频的信道估计技术和合适的训练序列的选择。在信道估计技术方面,详细研究了常用的信道估计算法:LS、MMSE、LMMSE和SVD-LMMSE,及插值算法:线性内插、二次内插、三次样条内插的基本原理和硬件实现复杂度,在不同的信道下对信道估计算法、导频方式、和插值方式进行了仿真,验证了在实现复杂度和性能这两个因素下本系统选择块状导频和LS信道估计算法的合理性。在训练序列的选择方面,根据标准802.11ac的物理层帧结构和发射机结构对先导码部分和数据部分设计了不同的信道估计算法并进行仿真,对于先导码部分的估计将两个L-LTF训练序列取平均换来了1dB的性能提升;对于数据部分的处理,采用VHT-LTF训练序列进行LS信道估计后,再对每个OFDM符号插入一定的导频子载波用于相偏校正,仿真证明了该算法在不同MCS、不同帧长和不同信道及不同信道频偏下都能取得很好的性能。再将802.11ac中训练序列的设计方案和信道估计算法应用到本设计的MIMOOFDM系统中,提出了基于训练序列的LS信道估计算法,和对数据部分插入导频符号进行信道跟踪校正相偏的算法,仿真证明了该算法不会随着相偏的增加而性能变差。（2）在40MHz带宽、40MHz采样率、125MHz时钟频率下在FPGA上实现了载荷速率1Gbps的8发8收的MIMO-OFDM系统,重点对组帧模块和信道估计检测模块的FPGA实现方案进行了分析和RTL仿真验证,通过和MATLAB对比分析了信道估计检测模块在FPGA上实现的误差,判断了在高速传输的要求下模块的功能正确性和吞吐量达标与否。在上板测试时,采用了硬软件联合测试的方法,通过LWIP协议栈实现了MATLAB和FPGA之间的数据交互,量化了系统在MIMO信道中的性能表现,验证了其性能要求和目标一致。
朱德宝[8]（2019）在《低精度ADC下的大规模MIMO-OFDM系统信道估计算法研究》文中研究表明基站端配置大量天线的大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术是5G无线通讯实施方案的核心技术之一。结合了MIMO技术和正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术优点的大规模MIMO-OFDM系统能有效提高频谱资源利用率并对抗信道频率选择性衰落,在系统中加入低精度模数转换器（Analog-to-Digital Converters,ADC）可以有效节约成本并降低系统功耗。信道状态信息（Channel State Information,CSI）在无线通信系统中至关重要,准确估计CSI能够提升系统的通信质量。本文致力于研究低精度ADC下的大规模MIMO-OFDM系统信道估计算法。针对低精度ADC下的大规模MIMO-OFDM系统信道估计问题,在量化精度大于1比特的情况下,本文挖掘并利用大规模MIMO-OFDM系统信道呈现的块稀疏特性,提出了一种基于多比特量化压缩感知的信道估计算法。通过构建系统信道等效块稀疏矩阵,结合多比特硬阈值迭代算法中的迭代方式利用训练序列对系统进行信道估计,该算法在低精度ADC下的大规模MIMO-OFDM系统中能够获得良好的信道估计性能。针对1比特ADC下的大规模MIMO-OFDM系统信道估计问题,本文利用大规模MIMO-OFDM系统信道在角度域下呈现的稀疏特性,提出了一种基于1比特量化压缩感知的信道估计算法。在考虑传统1比特量化压缩感知算法恢复信道幅值信息不完整的缺陷下,通过联合交替优化迭代的方式估计出信道丢失的幅值信息,实现信道的准确估计。该算法在多天线阵列的1比特ADC下的大规模MIMO-OFDM系统中获得了良好的信道估计性能。对于本文所提的两种算法,通过Matlab软件针对不同的系统模型分别进行仿真实验,并分别与不同的信道估计算法进行对比,仿真结果验证了本文算法的可行性与优越性。
戴博[9]（2019）在《基于神经网络的大规模MIMO-OFDM系统信道估计和均衡方法研究》文中研究表明大规模多输入多输出（Multi-input Multi-output,MIMO）技术在不增加信号带宽及发射功率的情况下可以显着增强系统容量,并且有效改善频谱利用率,被视为第五代（5th Generation,5G）移动通信系统的关键技术之一。对于大规模MIMO-OFDM系统而言,在接收端准确的信道估计和均衡器设计是两个极具挑战性的难题,尤其当发射端和接收端天线阵列增加时,使用传统基于导频的信道估计、均衡方法会导致严重的导频污染以及算法复杂度的急剧上升。本文介绍了一种新的信道估计、均衡框架,该框架将大规模MIMO-OFDM系统中相关算法与深度神经网络（Deep Neural Network,DNN）相结合,将通信系统产生的数据分为训练集和测试集分别用来训练和学习。该类方法能够突破传统通信系统模块化的局限性,应对更复杂的信道环境,降低算法复杂度的同时获得性能上的提升。基于DNN网络的信道估计方法性能优于传统最小二乘（Least Square,LS）和经典BPNN（Back Propagation Neural Network,BPNN）网络方法,相比最小均方误差算法（Minimum Mean Square Error,MMSE）不需要信道自相关矩阵和噪声方差的先验统计信息以及矩阵求逆的复杂运算。无论信道模型是否考虑到达角发射角或相关性的应用场景下,都可以利用DNN网络,忽略信道详细参数信息的逐一估计,更为简单智能。将基于DNN网络的信道均衡看作分类问题,把输入信号按照调制方式的星座图分为不同的类,接收信号通过DNN网络均衡器恢复出相应的类,进而恢复发送信号。该方法将大规模MIMO-OFDM系统发送端插入的已知导频符号作为DNN网络均衡器的输入数据,并在此基础上充分分析网络输入、输出之间的对应关系,利用数学上分类加权的思路提出优化后的DNN网络代价函数。通过仿真实验表明改进后的DNN网络均衡器不但能提供更好的均衡性能,而且在训练初始阶段大幅度提升网络收敛速度,降低训练所需时间。
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》文中研究说明近年来,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、MIMO-OFDM系统的原理及性能分析（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、MIMO-OFDM系统的原理及性能分析（论文提纲范文）
（1）高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和不足 |
| 1.2.1 高速移动场景对无线通信的需求和挑战 |
| 1.2.2 高速移动场景下信道预测的研究现状和不足 |
| 1.2.3 高速移动场景下信道估计的研究现状和不足 |
| 1.2.4 高速移动场景下预编码技术的研究现状和不足 |
| 1.3 主要创新工作与章节安排 |
| 2 一种基于波束域分解的信道预测方法 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 现有信道预测方法 |
| 2.4 改进的基于波束域的信道预测方法 |
| 2.4.1 基于波束域分解的信道预测方法理论推导 |
| 2.4.2 性能分析 |
| 2.4.3 反馈负载分析 |
| 2.5 仿真结果与分析 |
| 2.5.1 链路仿真参数 |
| 2.5.2 仿真结果 |
| 2.6 本章小结 |
| 3 一种基于频率偏移BEM信道估计方法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 现有时变信道估计方法 |
| 3.4 改进的基于频率偏移基扩展模型的信道估计方法 |
| 3.4.1 频率偏移基扩展模型理论推导 |
| 3.4.2 简化的FS-BEM信道估计方法 |
| 3.4.3 性能分析 |
| 3.4.4 实现复杂度分析 |
| 3.5 仿真结果与分析 |
| 3.5.1 链路仿真条件 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 4 一种发射预编码与接收频域均衡方法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 现有子载波间干扰抑制方法 |
| 4.4 新的发射预编码和接收均衡的联合设计方法 |
| 4.4.1 发射预编码和接收均衡方法的理论推导 |
| 4.4.2 性能分析 |
| 4.4.3 实现复杂度分析 |
| 4.5 仿真结果与分析 |
| 4.5.1 链路仿真条件 |
| 4.5.2 仿真结果 |
| 4.6 本章小结 |
| 5 一种低反馈开销码本设计方法 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 现有码本设计方法 |
| 5.4 新的高性能、低反馈量的码本设计方法 |
| 5.4.1 预编码码本设计理论推导 |
| 5.4.2 性能分析 |
| 5.4.3 反馈负载分析 |
| 5.5 仿真结果与分析 |
| 5.5.1 系统仿真条件 |
| 5.5.2 仿真结果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录A |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）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 |
（3）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 |
（4）MIMO及MIMO-OFDM系统的信号盲处理研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 MIMO系统空时码识别及调制识别研究现状 |
| 1.2.1 MIMO系统空时码盲识别研究现状 |
| 1.2.2 MIMO系统调制识别研究现状 |
| 1.3 MIMO-OFDM信号参数盲估计研究现状 |
| 1.4 论文组织结构及章节安排 |
| 1.4.1 论文组织结构 |
| 1.4.2 章节安排 |
| 第2章 MIMO及 MIMO-OFDM系统原理 |
| 2.1 引言 |
| 2.2 MIMO系统原理 |
| 2.2.1 MIMO系统的信号模型 |
| 2.2.2 空时编码技术 |
| 2.3 OFDM系统原理 |
| 2.4 MIMO-OFDM系统原理 |
| 2.5 本章小结 |
| 第3章 基于JADE和特征提取的OSTBC盲识别 |
| 3.1 引言 |
| 3.2 STBC接收信号模型及变换 |
| 3.2.1 STBC接收信号模型 |
| 3.2.2 STBC接收信号模型的变换 |
| 3.2.3 盲源分离的数学模型 |
| 3.3 JADE算法估计虚拟信道矩阵 |
| 3.3.1 信源数估计以及白化处理 |
| 3.3.2 虚拟信道矩阵的估计 |
| 3.4 特征参数的提取 |
| 3.4.1 OSTBC虚拟信道矩阵的特性 |
| 3.4.2 相关矩阵中特征参数的提取方法 |
| 3.5 仿真实验及分析 |
| 3.6 本章小结 |
| 第4章 空间复用MIMO系统调制方式的盲识别 |
| 4.1 引言 |
| 4.2 空间复用MIMO系统的接收信号模型 |
| 4.3 JADE算法恢复发送信号 |
| 4.4 特征提取算法 |
| 4.4.1 特征参数的计算 |
| 4.4.2 特征参数的提取 |
| 4.5 调制识别分类器的设计 |
| 4.6 仿真实验及分析 |
| 4.7 本章小结 |
| 第5章 MIMO-OFDM信号的参数盲估计 |
| 5.1 引言 |
| 5.2 算法原理 |
| 5.2.1 循环自相关算法 |
| 5.2.2 四阶循环累积量算法 |
| 5.3 MIMO-OFDM的循环自相关与四阶循环累积量分析 |
| 5.3.1 MIMO-OFDM的循环自相关分析 |
| 5.3.2 MIMO-OFDM的四阶循环累积量分析 |
| 5.4 仿真实验及分析 |
| 5.5 本章小结 |
| 第6章 结束语 |
| 6.1 主要工作与创新点 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（5）MIMO-OFDM系统频率与符号联合同步技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文的主要内容及结构安排 |
| 第二章 MIMO-OFDM基本原理 |
| 2.1 MIMO技术 |
| 2.1.1 MIMO技术基本原理 |
| 2.1.2 MIMO技术优缺点 |
| 2.2 OFDM系统 |
| 2.2.1 OFDM系统基本原理 |
| 2.2.2 OFDM系统优缺点 |
| 2.3 MIMO-OFDM系统 |
| 2.3.1 MIMO-OFDM系统基本原理 |
| 2.3.2 MIMO-OFDM系统优缺点 |
| 2.4 本章小结 |
| 第三章 同步偏差对MIMO-OFDM系统影响 |
| 3.1 样值同步偏差对系统影响 |
| 3.2 采样定时偏差对系统影响 |
| 3.3 符号同步偏差对系统影响 |
| 3.4 频率偏差对系统影响 |
| 3.5 本章小结 |
| 第四章 符号与频率联合同步改进算法 |
| 4.1 ZC序列 |
| 4.2 结构设计 |
| 4.3 同步改进算法 |
| 4.3.1 符号同步改进算法 |
| 4.3.2 频率粗同步改进算法 |
| 4.3.3 频率精同步改进算法 |
| 4.4 本章小结 |
| 第五章 改进算法仿真与分析 |
| 5.1 仿真参数 |
| 5.2 符号同步仿真与分析 |
| 5.3 频率粗同步仿真与分析 |
| 5.4 频率精同步仿真与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（6）多天线OFDM系统中的峰均比抑制优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要内容和结构安排 |
| 1.3.1 论文的主要内容 |
| 1.3.2 论文结构安排 |
| 第二章 背景知识 |
| 2.1 引言 |
| 2.2 OFDM基本原理 |
| 2.2.1 OFDM信号模型 |
| 2.2.2 OFDM技术的优缺点 |
| 2.3 峰均比问题基本原理及抑制方法 |
| 2.3.1 PAPR的定义及统计方法 |
| 2.3.2 PAPR抑制技术 |
| 2.4 MIMO系统 |
| 2.4.1 MIMO技术 |
| 2.4.2 STBC-MIMO技术 |
| 2.4.3 Massive MIMO技术 |
| 2.5 建设性干扰CI |
| 2.5.1 CI与DI |
| 2.5.2 相位旋转与可扩展区域 |
| 2.5.3 基于CI的符号级预编码 |
| 2.5.4 CI的优点 |
| 2.6 本章小结 |
| 第三章 基于旋转性预编码的STBC-MIMO-OFDM峰均比抑制技术 |
| 3.1 引言 |
| 3.2 传统峰均比抑制算法 |
| 3.2.1 ISLM算法 |
| 3.2.2 IPTS算法 |
| 3.3 基于旋转性预编码的PTS改进算法 |
| 3.3.1 问题模型 |
| 3.3.2 串联算法 |
| 3.3.3 交织算法 |
| 3.3.4 仿真实验及算法性能分析 |
| 3.4 联合矩阵变换的改进算法 |
| 3.4.1 矩阵变换的基本原理 |
| 3.4.2 联合矩阵变换的改进算法 |
| 3.4.3 仿真实验及算法性能分析 |
| 3.5 本章小结 |
| 第四章 基于CI的 Massive MIMO-OFDM峰均比抑制技术 |
| 4.1 引言 |
| 4.2 基于PMP模型的峰均比抑制算法 |
| 4.2.1 问题模型 |
| 4.2.2 FITRA算法 |
| 4.2.3 算法总结 |
| 4.3 基于CI的 Massive MIMO-OFDM系统峰均比抑制算法 |
| 4.3.1 问题模型 |
| 4.3.2 ADMM算法 |
| 4.3.3 算法总结 |
| 4.4 仿真实验及算法性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）高速通信系统的物理层技术研究与实现 ——信道估计技术（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 信道估计技术的发展和研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 第二章 系统的基本原理及无线信道模型 |
| 2.1 MIMO-OFDM通信系统基本原理 |
| 2.1.1 OFDM技术 |
| 2.1.2 MIMO技术 |
| 2.1.3 典型的MIMO-OFDM通信系统 |
| 2.2 典型的MIMO-OFDM通信信道 |
| 2.2.1 无线信道的基本特点 |
| 2.2.2 小尺度衰落信道模型 |
| 2.2.3 典型的MIMO信道模型 |
| 2.3 本章小结 |
| 第三章 MIMO-OFDM信道估计技术研究 |
| 3.1 引言 |
| 3.2 导频设计准则 |
| 3.3 基于导频的信道估计算法 |
| 3.3.1 基于LS准则的信道估计 |
| 3.3.2 基于MMSE准则的信道估计 |
| 3.3.3 基于LMMSE准则的信道估计 |
| 3.4 数据位置插值算法 |
| 3.4.1 线性内插 |
| 3.4.2 二次内插 |
| 3.4.3 三次样条插值 |
| 3.5 信道估计及插值算法复杂度分析 |
| 3.6 算法仿真与分析 |
| 3.6.1 采用不同信道估计方式的性能对比 |
| 3.6.2 采用不同导频方式的性能对比 |
| 3.6.3 采用不同插值方式的性能对比 |
| 3.7 本章小结 |
| 第四章 基于训练符号的信道估计的研究 |
| 4.1 802.11 ac物理层的帧结构 |
| 4.1.1 802.11 ac标准中的非VHT前导码字段 |
| 4.1.2 802.11 ac标准中的VHT-LTF字段 |
| 4.2 802.11 ac接收机信道估计的设计 |
| 4.2.1 先导码部分信道估计设计 |
| 4.2.2 数据部分信道估计设计 |
| 4.2.3 Cordic算法 |
| 4.3 802.11 ac接收机信道估计的性能仿真 |
| 4.3.1 先导码部分信道估计性能仿真 |
| 4.3.2 数据部分信道估计性能仿真 |
| 4.4 基于已知训练序列的信道估计算法设计 |
| 4.4.1 基于LS准则的MIMO-OFDM信道估计 |
| 4.4.2 相偏校正算法 |
| 4.5 本章小结 |
| 第五章 MIMO-OFDM通信系统软硬件平台搭建及测试 |
| 5.1 MIMO-OFDM通信系统硬件平台方案设计 |
| 5.2 MIMO-OFDM通信系统硬软件平台搭建 |
| 5.2.1 系统硬件平台介绍 |
| 5.2.2 系统的开发的软件平台介绍 |
| 5.2.3 MIMO-OFDM系统的整体结构设计 |
| 5.3 MIMO信道估计与检测模块的实现 |
| 5.3.1 导频的插入与组帧 |
| 5.3.2 先导码部分L-SIG的信道估计与检测 |
| 5.3.3 数据部分信道估计与检测 |
| 5.4 高速MIMO-OFDM通信链路上板测试 |
| 5.4.1 系统在硬件上实现的资源消耗 |
| 5.4.2 系统硬软件联合测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）低精度ADC下的大规模MIMO-OFDM系统信道估计算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 低精度量化通信系统信道估计研究现状 |
| 1.3 大规模MIMO-OFDM系统信道估计研究现状 |
| 1.4 量化压缩感知理论发展与研究现状 |
| 1.5 本文内容与结构安排 |
| 第二章 低精度ADC下的大规模MIMO-OFDM系统信道估计介绍 |
| 2.1 大规模MIMO-OFDM系统原理 |
| 2.1.1 MIMO系统基本原理 |
| 2.1.2 OFDM系统基本原理 |
| 2.1.3 大规模MIMO-OFDM系统模型 |
| 2.2 低精度ADC下的大规模MIMO-OFDM系统 |
| 2.2.1 低精度量化技术 |
| 2.2.2 低精度量化的大规模MIMO-OFDM系统模型 |
| 2.3 量化压缩感知理论 |
| 2.3.1 压缩感知基本原理 |
| 2.3.2 压缩感知重构算法 |
| 2.3.3 量化压缩感知基本原理 |
| 2.3.4 量化压缩感知重构算法 |
| 2.4 低精度ADC下的大规模MIMO-OFDM系统信道估计模型 |
| 2.5 本章小结 |
| 第三章 基于多比特量化压缩感知的信道估计算法 |
| 3.1 经典信道估计方法 |
| 3.1.1 LS算法 |
| 3.1.2 MMSE算法与LMMSE算法 |
| 3.1.3 压缩感知信道估计算法 |
| 3.2 本文提出的基于多比特量化压缩感知的信道估计算法 |
| 3.2.1 B-MIHT算法等效块稀疏信道模型 |
| 3.2.2 B-MIHT算法信道估计 |
| 3.3 算法仿真性能分析 |
| 3.4 本章小结 |
| 第四章 基于1比特量化压缩感知的信道估计算法 |
| 4.1 常见的1比特量化压缩感知信道估计算法 |
| 4.1.1 BIHT算法 |
| 4.1.2 History算法 |
| 4.1.3 EM算法 |
| 4.2 本文提出的基于1比特量化压缩感知的信道估计算法 |
| 4.2.1 O-AE算法原理 |
| 4.2.2 O-AE算法信道估计 |
| 4.3 算法仿真性能分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）基于神经网络的大规模MIMO-OFDM系统信道估计和均衡方法研究（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 信道估计方法国内外研究现状 |
| 1.3 信道均衡方法国内外研究现状 |
| 1.4 神经网络技术应用于无线通信领域研究现状 |
| 1.5 本文内容与结构安排 |
| 第二章 大规模MIMO系统概述和神经网络技术原理 |
| 2.1 无线信道特性 |
| 2.1.1 路径损耗 |
| 2.1.2 大尺度衰落 |
| 2.1.3 小尺度衰落 |
| 2.2 大规模MIMO基本理论 |
| 2.2.1 大规模MIMO技术 |
| 2.2.2 典型的点对点大规模MIMO-OFDM系统模型 |
| 2.2.3 大规模MIMO-OFDM系统信道估计原理 |
| 2.2.4 大规模MIMO-OFDM系统信道均衡原理 |
| 2.3 神经网络技术基本原理 |
| 2.3.1 神经网络的重要特征 |
| 2.3.2 神经元 |
| 2.3.3 激活函数 |
| 2.4 本章小结 |
| 第三章 基于深度神经网络的信道估计方法 |
| 3.1 信道估计基础 |
| 3.1.1 LS算法 |
| 3.1.2 MMSE算法 |
| 3.1.3 LMMSE算法 |
| 3.1.4 基于压缩感知的大规模MIMO-OFDM系统信道估计 |
| 3.2 基于DNN网络信道估计方法 |
| 3.2.1 DNN网络结构 |
| 3.2.2 DNN网络模型训练 |
| 3.2.3 基于DNN网络的大规模MIMO-OFDM系统信道估计算法 |
| 3.3 算法仿真性能分析 |
| 3.3.1 DNN网络相关参数的确定 |
| 3.3.2 DNN网络与传统LS和经典BPNN网络性能对比 |
| 3.4 本章小结 |
| 第四章 基于深度神经网络的信道均衡方法及优化 |
| 4.1 信道均衡基础 |
| 4.1.1 ZF均衡算法 |
| 4.1.2 MMSE均衡算法 |
| 4.1.3 ML均衡算法 |
| 4.2 基于DNN网络信道均衡方法 |
| 4.2.1 DNN网络均衡算法原理 |
| 4.2.2 DNN网络均衡算法描述 |
| 4.3 基于分类加权方法的DNN网络优化 |
| 4.4 均衡算法仿真性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（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、MIMO-OFDM系统的原理及性能分析（论文参考文献）
- [1]高速移动场景中基于MIMO-OFDM的信道估计和预编码方法研究[D]. 张瑞齐. 北京交通大学, 2021(02)
- [2]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
- [3]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)
- [4]MIMO及MIMO-OFDM系统的信号盲处理研究[D]. 范聪聪. 重庆邮电大学, 2020(02)
- [5]MIMO-OFDM系统频率与符号联合同步技术研究[D]. 刘珈池. 东北石油大学, 2020(03)
- [6]多天线OFDM系统中的峰均比抑制优化算法研究[D]. 陈亚男. 西安电子科技大学, 2020(05)
- [7]高速通信系统的物理层技术研究与实现 ——信道估计技术[D]. 严瑛. 电子科技大学, 2020(07)
- [8]低精度ADC下的大规模MIMO-OFDM系统信道估计算法研究[D]. 朱德宝. 天津工业大学, 2019(02)
- [9]基于神经网络的大规模MIMO-OFDM系统信道估计和均衡方法研究[D]. 戴博. 天津工业大学, 2019(02)
- [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)