论文部分内容阅读
MIMO-OFDM系统结合了MIMO技术和OFDM技术的优点,可以利用有限的频谱为移动通信系统提供更高的传输速率和系统容量,从而成为4G移动通信的核心技术。MIMO系统采用空间复用和空间分集方案,在提高信道容量和可靠性的同时,不可避免地增加了接收端均衡器设计的复杂度；OFDM技术抗多径干扰与频率选择性衰落能力强,通过加循环前缀的方法可以有效消除符号间干扰,但由于信道的时变特性引起的子载波问干扰会造成误码率平台效应。因此,MIMO-OFDM的系统的信道均衡成为一个值得研究的问题。本文介绍了MIMO和OFDM技术的原理,给出了MIMO-OFDM系统模型。阐述了MIMO-OFDM系统下传统的最小二乘、最小均方误差以及最大似然均衡算法,并基于MATLAB仿真平台,针对2×2的MIMO-OFDM系统,在时变的频率衰落信道模型COST207TU下比较了3种传统均衡算法的性能。考虑到MIMO-OFDM系统信道的非线性以及神经网络良好的非线性处理能力,本文重点研究了基于神经网络的MIMO-OFDM系统的信道均衡方法。在本文中,信道均衡被看作是分类问题。输入信号采用同一种调制方式,可以把输入信号按照调制方式的星座图分为不同的类,接收信号通过神经网络均衡器恢复出相应的类,进而恢复发送信号。论文给出了基于神经网络的MIMO-OFDM系统的均衡原理框图,在上述同样的仿真环境下,研究了基于传统的前馈BP网络和RBF网络的均衡器的性能,并与传统均衡器的性能进行了比较,仿真结果表明传统前馈神经网络均衡器可获得相对较低的误码率。针对传统前馈神经网络设计中参数难以确定、迭代收敛慢以及局部极小问题,本文提出采用极端学习机来解决MIMO-OFDM系统的信道均衡问题。极端学习机是近年来发展起来的一种单隐层前馈神经网络,与传统前馈神经网络相比,具有结构简单、计算速度快、全局最优的特点,广泛的应用于回归和分类问题。本文建立了基于极端学习机的MIMO-OFDM系统信道均衡算法,并通过仿真实验比较了新算法与传统前馈神经网络均衡器的误码率性能和计算时间,结果表明,本文提出的基于极端学习机的均衡器比传统前馈神经网络均衡器具有更低的误码率,且均衡时间更短。