论文部分内容阅读
压缩感知（Compressive Sensing，CS）是信息获取技术领域中的一种新颖的采样理论，它解决了传统的信号处理系统中存在的许多技术难题。无线多径信道固有的稀疏性使得基于压缩感知的信道估计中需要的导频数或训练序列的长度大为减少，在提高频谱利用率的同时也改善了信道估计性能。本文对OFDM系统中基于压缩感知的稀疏信道估计算法展开了分析和研究。主要工作如下：（1）首先采用经典的正交匹配追踪（Orthogonal Matching Pursuit，OMP）算法估计频选信道，分析了导频对压缩感知信道估计的影响，并将其与传统的最小二乘（Least Squares，LS）信道估计方法进行了比较。然后对时延-多普勒域双选择性稀疏多径信道下的OFDM系统进行建模，为了克服信道的时延-多普勒双选择性衰落特性对信道估计造成的不稳定性，鉴于OMP算法的不稳定性，采用了正则正交匹配追踪（Regularized Orthogonal Matching Pursuit，ROMP）算法估计信道，并通过仿真证实了ROMP算法较OMP算法在重构性能上有较明显的改善和提升。（2）利用时域和频域的相关性，在时频二维群稀疏信道上设计了一种改进的二维压缩信道估计算法。该算法按行（OFDM符号间）和按列（子载波间）同时进行搜索，提取出能量集中的抽样点和多普勒频移点，以恢复所有的信道参数。此方法比传统的压缩感知算法降低了系统的复杂度，提升了系统的性能和效率。（3）在准静态信道中本文提出了一种基于差分压缩感知的OFDM跟踪估计方法。通过处理差分信道响应得到帧内信道的变更，达到降低处理信号的稀疏度进而降低算法重建复杂度的目的。仿真实验表明本文提出的方法能大幅降低迭代次数，减少计算量，同时能提高信道估计性能。