论文部分内容阅读
目前在移动通信系统中正交频分复用(OFDM, Orthogonal Frequency Division Multiplexing)技术因为其突出的优越性正在广泛的被使用。考虑到无线通信系统的传输特性和OFDM系统本身的带宽较宽的性质,对OFDM技术来说信道估计技术是非常关键的一个步骤。对于现有的OFDM系统信道估计方法来说在分配导频数据时普遍都需要满足奈奎斯特准则,这就导致导频分配灵活性的降低。在这种情况下,考虑将可以突破奈奎斯特采样准则局限的压缩感知(CS, Compressed Sensing)技术应用到OFDM系统的信道估计中。利用无线信道所展现出的稀疏特性,建立模型将OFDM系统信道估计的问题利用压缩感知技术来解决,通过这种方法信道估计的有效性和精度可以大大提高。本文首先简单介绍了测量矩阵的分类和区别,在随机测量矩阵中着重介绍了Toeplitz测量矩阵,之后对其进行如下改进:将Toeplitz矩阵等间隔取行,然后为了增强其列相关性对其进行正交化变换,实验结果表明优化的Toeplitz测量矩阵在恢复残差方面有所下降,而在信号的精确重构概率方面有所提升。但是Toeplitz矩阵因为它的随机性具有不稳定的弊端,所以本文考虑利用混沌序列来构造测量矩阵,因为混沌系统产生的序列具有良好的伪随机性质,可以提高稳定性,而且实现起来简单一些。本文选择利用Logistic映射产生的混沌序列来构造测量矩阵,并提出奇异值分解方法对其进行如下改进:对Logistic测量矩阵进行奇异值分解之后,根据均值更改特征值,之后得到优化的测量矩阵,实验结果表明这种优化可以显著提高Logistic测量矩阵的精确重构概率。之后本文在信号重构过程中对OMP算法进行了改进,由于OMP算法中在每次更新迭代的索引集合时,只单独选择一个与残差相关性最大的元素,所以本文考虑在每次更新时选择两个与残差相关性最大的元素,实验结果表明这种优化在重构概率上相比于OMP算法有了很大的提高。最后本文构造了基于压缩感知的OFDM信道估计模型,结合对测量矩阵的改进和重构算法的改进进行信道估计,经过仿真分析证明,首先基于压缩感知技术的信道估计方法要优于传统的信道估计方法,在此基础上结合改进的Toeplitz测量矩阵、Logistic测量矩阵及其奇异值分解的改进测量矩阵以及选择改进的OMP重构算法时,都可以进一步提高基于压缩感知的OFDM系统信道估计的精度。