论文部分内容阅读
随着通信行业的快速发展,通信速率的需求越来越大,对于通信的有效性和可靠性的要求也越来越高,为了获得更好的通信质量,MIMO-OFDM技术受到越来越多的关注,而在MIMO-OFDM通信系统中,信道估计的结果和复杂度对整个通信过程有着很大的影响,这意味着需要强有力的方法来实现信道估计,提取接收信号与发送信号之间的非线性关系,并准确恢复出原始信号。MIMO-OFDM通信系统的信道估计主要面临以下挑战:首先信号在传输过程中会受到不确定性噪声的影响,以及信号可能会有不同程度的衰落,造成接收信号与发送信号之间的非线性关系更加复杂,这将导致误码率升高,通信可靠性降低;其次,由于信道估计算法是基于导频序列来实现的,而在MIMO系统中导频开销过大,占用了大量的通信资源,导致通信有效性降低,如何利用更少的导频序列来完成信道估计步骤也是当前面临的一大挑战。因此,本文主要围绕以上问题,对MIMO-OFDM系统的信道估计过程导致的通信可靠性和有效性降低的问题展开深入研究。针对MIMO-OFDM通信系统中信道估计不准确导致可靠性降低的问题,本章提出了一种基于BP神经网络的信道估计方法,首先利用导频信号作为训练数据完成对神经网络的训练;然后利用得到的神经网络模型对除导频外的数据信号进行补偿恢复。此外,通过对神经网络采用附加动量和自适应学习速率的改进,可有效缩短训练时间,提升神经网络模型的性能。最后,结合Matlab仿真软件对该方法的性能进行验证和分析,结果表明相较于传统方法该方法不仅能降低误码率,有效提高了通信系统的可靠性,而且在实现过程中没有涉及到信道的先验信息。针对MIMO-OFDM通信系统中用于信道估计的导频开销过大造成通信有效性降低的问题,本章提出一种基于集成神经网络的信道估计方法,该方法实现了在确保可靠性的前提下利用更少的导频信号来完成信道估计。首先结合Bagging集成的思想,利用自助采样法来得到多个训练子集,将导频序列作为初始训练数据集,做有放回的随机抽样,确保每个训练子集中有足够的样本,重复多次以获取多个训练子集;然后,利用这些子集对集成神经网络内部每个神经网络做并行训练,并结合差异度限制得到集成神经网络模型,进而可利用该集成模型对除导频序列外的信号进行恢复。最后在Matlab仿真软件上对该方法进行验证和分析,结果表明,相较于传统算法,在达到相同误码率的条件下,该方法使用的导频序列更少,提升了通信系统的有效性,并且该方法与单个神经网络模型相比具有更好的稳定性。