OFDM稀疏信道估計中基于樹狀隨機搜索導頻設計新方法
發(fā)布時間：2021-06-06 18:11
壓縮感知（CS,Compressed Sensing）是一種以低速率對稀疏信號進行采樣后在接收端重建信號的技術,基于CS的稀疏信道估計具有更小的導頻開銷且具有更好的信道估計性能。針對基于CS的OFDM稀疏信道估計中的導頻設計問題,提出一種基于樹狀隨機搜索算法（TSS,Tree-based Stochastic Search Algorithm）的導頻位置設計新方法,該方法結合了樹的結構,以分支的方式進行隨機搜索從而避免陷入局部最優(yōu)問題。仿真結果表明,與傳統(tǒng)的導頻設計方法相比,使用TSS算法獲得的導頻圖案用于信道估計中能夠獲得更優(yōu)的信道估計性能,而且TSS算法的復雜度更低。
【文章來源】：信號處理. 2019,35(08)北大核心CSCD
【文章頁數(shù)】：7 頁
【部分圖文】：
圖1分支樹Fig．1Branchingtree
IGS算法進行比較，主要性能指標為使用對應算法獲得的導頻圖案后的信道估計均方誤差(MSE，Mean-SquareError)和系統(tǒng)的誤比特率曲線(BEＲ，BitErrorＲatio)。在具有2．8GHz的IntelCorei7-7700HQCPU和8GB內(nèi)存的宏碁筆記本電腦上運行的MATLABＲ2017a。具體仿真參數(shù)設置如下:OFDM子載波數(shù)目N=256，最大時延對應的抽樣時間倍數(shù)L=50，發(fā)射天線的導頻數(shù)Np=16，將生成的導頻圖案應用于系統(tǒng)并使用OMP算法進行信道估計。5．1不同算法迭代過程中所獲μ值比較圖2給出了N=256，Np=16，未優(yōu)化的初始導頻圖案均為［146，120，4，86，41，200，78，132，42，149，65，161，169，182，110，21］的單次外循環(huán)下兩種算法的μ值下降曲線。從圖中可以看出按順序替換16根導頻，兩種算法在替換導頻位置序號較小時，μ值下降趨勢較快，隨著替換導頻位置序號的增大，本文算法仍舊能維持較大的μ值下降趨勢。相比于SSS算法，本算法能夠以更快的速度收斂于更小的μ值。圖2各方案μ值下降曲線Fig．2Declinecurvesofμ-valueindifferentalgorithms5．2信道估計MSE比較表2給出了當N=256，Np=16，SSS算法外循環(huán)次數(shù)U=100，內(nèi)循環(huán)次數(shù)I=3;IGS算法每次減少子載波數(shù)為7;TSS算法根節(jié)點個數(shù)U=100，分支個數(shù)I=3時，各種方案優(yōu)化后的導頻圖案及其μ值。從該表可以看出，本文算法運行時間略低于SSS算法，明顯優(yōu)于IGS算法，且比傳統(tǒng)優(yōu)化算法能搜索到更小的μ值。圖3比較表2中不同算法優(yōu)化?
，231，70，109，169，121TSS60．2260．281314，109，113，58，203，248，9，134，22，199，244，49，230，5，165，189IGS134．5600．5005188，122，74，8，143，150，116，181，41，17，91，89，220，128，235，93隨機導頻0．6719219，35，125，53，1，130，141，95，56，52，170，176，181，9，51，128圖3各算法的MSE性能比較Fig．3MSEperformancecomparisonsfordifferentpilotdesignschemes5．3BEＲ比較將兩種算法獲得的表2中的導頻圖案應用于信道估計，并且基于信道估計的結果進行信號的解調(diào)，采用16QAM調(diào)制，每次仿真循環(huán)次數(shù)為5000次，取平均結果。圖4比較了采用不同導頻圖案時的誤碼率(BEＲ)隨信噪比的變化關系。由圖可見，使用本文提出的TSS算法得到的導頻圖案能夠使得系統(tǒng)的誤碼率明顯低于使用其他導頻圖案時的誤碼率，說明本文提出的導頻優(yōu)化方法可以有效改進系統(tǒng)的誤碼率。圖4各算法的BEＲ性能比較Fig．4BEＲperformancecomparisonsfordifferentpilotdesignschemes6結論本文針對OFDM系統(tǒng)中的稀疏信道估計問題，提出了一種新的導頻優(yōu)化方法TSS算法。該算法通過對μ值下降幅度大的分支更加關注，在每條分支線中采用隨機搜索的方案，并綜合考慮導頻替換時各分支的μ值變化。仿真結果表明，本文提出的算法較傳統(tǒng)優(yōu)化算法能使獲得的導頻圖案具有更小的恢復矩陣互相關值，算法復雜度較傳統(tǒng)優(yōu)化算法低。另外，與SS
【參考文獻】：
期刊論文
[1]壓縮感知在稀疏信道估計中的應用[J]. 何雪云,潘林,彭偉剛. 通信技術. 2011(09)
本文編號：3214891
【文章來源】：信號處理. 2019,35(08)北大核心CSCD
【文章頁數(shù)】：7 頁
【部分圖文】：
圖1分支樹Fig．1Branchingtree
IGS算法進行比較，主要性能指標為使用對應算法獲得的導頻圖案后的信道估計均方誤差(MSE，Mean-SquareError)和系統(tǒng)的誤比特率曲線(BEＲ，BitErrorＲatio)。在具有2．8GHz的IntelCorei7-7700HQCPU和8GB內(nèi)存的宏碁筆記本電腦上運行的MATLABＲ2017a。具體仿真參數(shù)設置如下:OFDM子載波數(shù)目N=256，最大時延對應的抽樣時間倍數(shù)L=50，發(fā)射天線的導頻數(shù)Np=16，將生成的導頻圖案應用于系統(tǒng)并使用OMP算法進行信道估計。5．1不同算法迭代過程中所獲μ值比較圖2給出了N=256，Np=16，未優(yōu)化的初始導頻圖案均為［146，120，4，86，41，200，78，132，42，149，65，161，169，182，110，21］的單次外循環(huán)下兩種算法的μ值下降曲線。從圖中可以看出按順序替換16根導頻，兩種算法在替換導頻位置序號較小時，μ值下降趨勢較快，隨著替換導頻位置序號的增大，本文算法仍舊能維持較大的μ值下降趨勢。相比于SSS算法，本算法能夠以更快的速度收斂于更小的μ值。圖2各方案μ值下降曲線Fig．2Declinecurvesofμ-valueindifferentalgorithms5．2信道估計MSE比較表2給出了當N=256，Np=16，SSS算法外循環(huán)次數(shù)U=100，內(nèi)循環(huán)次數(shù)I=3;IGS算法每次減少子載波數(shù)為7;TSS算法根節(jié)點個數(shù)U=100，分支個數(shù)I=3時，各種方案優(yōu)化后的導頻圖案及其μ值。從該表可以看出，本文算法運行時間略低于SSS算法，明顯優(yōu)于IGS算法，且比傳統(tǒng)優(yōu)化算法能搜索到更小的μ值。圖3比較表2中不同算法優(yōu)化?
，231，70，109，169，121TSS60．2260．281314，109，113，58，203，248，9，134，22，199，244，49，230，5，165，189IGS134．5600．5005188，122，74，8，143，150，116，181，41，17，91，89，220，128，235，93隨機導頻0．6719219，35，125，53，1，130，141，95，56，52，170，176，181，9，51，128圖3各算法的MSE性能比較Fig．3MSEperformancecomparisonsfordifferentpilotdesignschemes5．3BEＲ比較將兩種算法獲得的表2中的導頻圖案應用于信道估計，并且基于信道估計的結果進行信號的解調(diào)，采用16QAM調(diào)制，每次仿真循環(huán)次數(shù)為5000次，取平均結果。圖4比較了采用不同導頻圖案時的誤碼率(BEＲ)隨信噪比的變化關系。由圖可見，使用本文提出的TSS算法得到的導頻圖案能夠使得系統(tǒng)的誤碼率明顯低于使用其他導頻圖案時的誤碼率，說明本文提出的導頻優(yōu)化方法可以有效改進系統(tǒng)的誤碼率。圖4各算法的BEＲ性能比較Fig．4BEＲperformancecomparisonsfordifferentpilotdesignschemes6結論本文針對OFDM系統(tǒng)中的稀疏信道估計問題，提出了一種新的導頻優(yōu)化方法TSS算法。該算法通過對μ值下降幅度大的分支更加關注，在每條分支線中采用隨機搜索的方案，并綜合考慮導頻替換時各分支的μ值變化。仿真結果表明，本文提出的算法較傳統(tǒng)優(yōu)化算法能使獲得的導頻圖案具有更小的恢復矩陣互相關值，算法復雜度較傳統(tǒng)優(yōu)化算法低。另外，與SS
【參考文獻】：
期刊論文
[1]壓縮感知在稀疏信道估計中的應用[J]. 何雪云,潘林,彭偉剛. 通信技術. 2011(09)
本文編號：3214891
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/3214891.html
最近更新
教材專著
