论文部分内容阅读
多输入多输出(Multi-input Multi-output,MIMO)技术在不增加信号带宽及信号发射功率的情况下,成倍提高了通信系统容量,被视为无线通信系统设计的关键技术。正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)能有效对抗频率选择性衰落和窄带干扰,且实现复杂度低,是实际系统中应用最广泛的一种多载波调制方案。MIMO-OFDM系统结合二者优势,在下一代移动通信系统的开发过程中,具有广泛的应用前景。信道估计的精度直接影响衰落信道下的系统性能,是MIMO-OFDM系统的物理层关键技术。压缩感知(Compressive Sensing,CS)是于2004诞生的一种新型信号处理技术,能够以较少的采样点,解决稀疏信号重构的问题。由于实际无线信道呈现稀疏的特性,探究基于压缩感知的MIMO-OFDM系统信道估计方法,能有效减少导频开销,实现信道信息的准确恢复。在MIMO-OFDM系统中,不同发送接收天线对之间的子信道具有相同的稀疏支撑集。由于MIMO-OFDM系统需要处理的数据量极大,且实际系统缺少信道稀疏度作为先验信息。本文利用MIMO-OFDM系统信道呈现的联合稀疏特性,在信道稀疏度未知情况下,提出一种稀疏度自适应信道估计算法。通过设置阈值及寻找最大后向差分位置对支撑集原子进行初步选择;通过正则化对原子进行二次筛选,以提高入选原子的准确性。仿真结果表明,该方法能在稀疏度未知情况下,以较低的复杂度获得较好的信道估计性能。在MIMO-OFDM系统中,基于线性最小均方误差算法(Linear Minimum Mean Square Error,LMMSE)具有良好的抗噪性能,但存在计算复杂度过高的问题。本文结合压缩感知理论框架的技术优势,提出了基于压缩感知的线性最小均方误差算法。该方法能够以较少的导频数量,利用压缩感知理论估计出对信道贡献度高的有用信息,计算信道相关矩阵;采用矩阵分解的方法代替大规模的矩阵求逆运算,以提高算法的运行效率。算法在保证估计精度的前提下,较LMMSE算法具有更低的计算复杂度。