基于MIMO的SC-FDE系统研究与实现
这是一篇关于MIMO,SC-FDE,信道估计,频域均衡,FPGA的论文, 主要内容为在无线通信系统中,信息的主要传送载体为无线信道,但无线信道的传播特性会对所传送的信息造成一定的影响。例如,通信系统的可靠性和有效性会因为无线信道中存在多径效应而降低。所以在无线通信系统中,如何去解决多径效应带来的问题是尤为关键的。单载波频域均衡技术(SC-FDE)和正交频分复用技术(OFDM)可以有效地解决多径效应带来的一系列问题。两种技术所构成的通信系统具有相同的处理性能和计算复杂度。由于SC-FDE的峰均功率比较低,所以在LTE系统的工程实现中,SC-FDE适合应用于LTE的上行链路中。而多输入多输出技术(MIMO)是充分地利用了丰富的空间资源,所以极大地提高了无线通信系统的传输效率与质量。本文主要研究的内容是基于MIMO技术的SC-FDE通信系统的研究和实现,其具体的工作内容如下:首先,研究与分析无线信道的特性与理论模型;论述SC-FDE技术与MIMO技术的基本原理,其中包括SC-FDE系统的构成与模型建立,MIMO技术中的分集与复用技术以及STBC块编码。其次,本文针对MIMO-SC-FDE系统内的关键技术展开研究与讨论,并选择相应的关键技术来构建出整个系统的设计方案。针对系统的发射端设计,主要对导频的选择,导频的插入方式,帧结构设计三个方面,展开研究与讨论并且进行相应的技术选取。其中,帧结构设计方面,根据系统设计要求,提出两种帧结构可供选择;由于考虑到工程实现的复杂度,所以最终选择基于导频交叉的帧结构。针对系统的接收端设计,主要对定时同步,频率同步,信道估计,频域均衡四个方面,展开研究与讨论并且进行相应的技术选取。其中,在信道估计方面,由于基于DFT变换域的LS信道估计方法,既可以兼顾抗噪声性能,又可以兼顾算法复杂度,所以最终选择该信道估计方法。在频域均衡方面,由于考虑到系统均衡阶段的抗噪声性能,所以最终选择MMSE均衡。最后,本文根据整个系统的设计方案进行系统的物理层实现。硬件平台采取的是FPGA+DSP架构,FPGA侧的主要实现任务有:发射端整体实现,接收端的定时同步,频率同步,信道估计,FPGA与DSP数据通信接口实现。在对系统的物理层实现完成之后,对硬件系统进行测试,测试方式有可调衰减器测试和信道仿真仪测试。根据测试结果表明,本文设计的MIMO-SC-FDE硬件通信系统工作性能良好,系统的各项指标均达到系统设计要求。
OTFS信号检测与信道估计技术研究
这是一篇关于OTFS,UAMP,低复杂度,信号检测,信道估计,深度学习,FPGA的论文, 主要内容为正交时频空调制技术(Orthogonal Time Frequency Space,OTFS)是一种基于正交频分复用调制技术(Orthogonal Frequency Division Multiplexing,OFDM)发展而来的新型调制技术,其主要变化是利用时频域二维傅里叶变换,构建新的时延-多普勒域,将OFDM系统时频域中的信号重新调制在时延-多普勒域中,从而对抗由于高速移动和高频段带来的OFDM子载波之间正交性的破坏。OTFS调制技术在高速移动场景下具有显著的性能优势,满足第六代移动通信系统(Sixth Generation Mobile Communication System,6G)所要求的太赫兹频段和1000km/h的终端移动速度应用场景,是未来通信领域的一项关键技术,受到学术界广泛关注。本论文针对OTFS接收机中的信号检测和信道估计两个主要内容展开了相关研究。本文首先介绍了OTFS相关背景,频率选择性衰落和时间选择性衰落信道。之后介绍了OTFS发射机、接收机架构和基本原理,并分析得到OTFS时延-多普域信号输入输出关系的具体表达式。其次,针对OTFS接收机中酉近似消息传递(Unitary Approximate Message Passing,UAMP)算法在实际矩阵采样窗口中复杂度较高的问题,提出了基于UAMP算法的低复杂度信号检测算法,通过对等效信道矩阵局部循环重构,使得UAMP算法的输入变量重新具备循环特性而进行简化计算,以达到降低复杂度的目的。接着将基于UAMP算法的低复杂度信号检测算法结合Turbo迭代,把算法自身迭代变为均衡器与译码器之间的软信息交互,从而实现检测性能提升。本文还将单输入单输出(Signal Input Signal Output,SISO)场景下基于UAMP算法的低复杂度信号检测算法拓展到多输入多输出(Multiple Input Multiple Output,MIMO)场景。仿真结果表明基于UAMP算法和Turbo迭代的低复杂度信号检测算法误码率(Bit Error Ratio,BER)性能优异。最后,本文研究了OTFS中的信道估计技术。首先阐述了压缩感知信号重构算法中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)信道估计算法,并针对其存在低信噪比(Signal-to-Noise Ratio,SNR)下原子连续索引错误导致的估计性能下降的问题,提出了基于深度学习的OTFS信道估计技术,通过深度学习中的残差网络(Residual Network,Res Net)来代替OMP算法中的原子选择过程,并将OMP算法串行迭代转变为并行Res Net网络。Res Net网络在低信噪比下具有更高准确率的原子选择,而并行的网络结构排除了迭代带来的误差传递,从而优化了OMP信道估计算法在低信噪比下存在估计性能较差的问题。仿真证明基于深度学习的OTFS信道估计技术比传统OMP信道估计算法有较大的性能提升。此外,为验证OTFS的实际BER性能,本文利用现场可编程门阵列(Field Programmable Gate Array,FPGA)平台设计实现了OTFS的收发机,通过实际工程和相关设备进行模拟测试,证明了OTFS调制技术在高速移动应用场景下具备良好性能。
环境反向散射通信系统中信号检测与信道估计
这是一篇关于环境反向散射通信,共生无线电,信道估计,深度学习,智能反射面,信号检测的论文, 主要内容为随着物联网设备爆炸式的增长,能量受限和频谱资源短缺逐渐成为限制物联网发展的两大因素。环境反向散射通信(Ambient Backscatter Communication,AmBC)是一种新型的低能耗通信技术,它通过将待发送信号调制到周围环境中的射频信号上,实现无源信息传输,不需要昂贵的射频组件,并且不占用额外的频谱。随着AmBC的广泛应用,如何实现高速率、高可靠的反射通信成为国内外研究的热点。由于反射链路受双衰落效应和传统的单天线反射设备(Backscatter Device,BD)影响,导致反射链路信号通常非常弱,这限制了反向散射通信的传输速率和通信覆盖范围。智能反射面(Intelligent Reflecting Surface,IRS)是一种由大量可重构反射单元组成的辅助通信设备,通过控制反射单元的反射系数实现反射信号强度和方向可控的波束赋形。将IRS应用到AmBC中,可以作为BD进行无源信息传输,增强反射链路增益。由于环境射频信号的未知性和不可控性,AmBC中反射链路信号解调时会受到直接链路射频信号的强烈干扰。为此,人们提出了一种新型的共生无线电(Symbiotic Radio,SR)通信技术。在SR系统中,BD将其信号调制到来自主发射机的射频信号上实现无源信息传输,BD信号的传输为直接链路通信提供了额外的多路径增益。SR的接收机采用联合译码实现高可靠性的反向散射通信。近年来,深度学习凭借其处理数据的天然优势和强大的学习能力,成为了解决未来无线通信网络中复杂问题的有力手段。借助于深度学习方法,本文针对基于IRS的AmBC系统中无源波束设计和信号检测问题以及多BD的SR系统中的导频设计和信道估计问题展开深入研究。针对基于IRS的AmBC系统,本文提出了一种基于在线学习的IRS无源波束赋形和信号检测算法。针对IRS作为BD进行无源信息传输的AmBC通信模型,提出了IRS波束赋形设计的优化问题,目标是最小化反向散射符号的检测误码率(Bit Error Rate,BER)。该问题为非凸优化问题,不能用传统的优化问题直接求解。本文基于通信系统模型和期望最大化(Expectation Maximization,EM)检测算法设计了一个数据驱动和模型驱动深度学习方法相结合的IRS无源波束设计和信号检测网络结构,实现IRS反射系数矩阵与BER之间的非线性映射关系。基于在线学习的EM神经网络(Online Learning-based EM Neural Network,OEMNN)由两个子网络组成,第一个子网络是根据信号传输模型构建,通过将待优化的IRS相移量转化为可训练的神经网络参数,有效处理了优化问题中IRS反射单元的单位模约束。第二个子网络通过展开EM检测算法的迭代过程得到,用于获得反向散射符号的估计值。通过训练OEMNN得到优化后的神经网络参数,这些参数就是IRS反射系数矩阵的相移量。仿真实验结果表明,OEMNN的符号检测性能明显优化IRS随机无源反射波束设计方案和无IRS的AmBC方案。针对多BD的SR系统,本文提出了基于深度学习的联合导频设计和信道估计(Joint Pilot Design and Channel Estimation,JPDCE)方案。该系统考虑了BD的开关键控(On-Off Keying,OOK)和高阶反向散射这两种调制模式。JPDCE方案通过构建导频设计器和信道估计器来最小化信道估计的均方误差。在发射端,本文利用自编码器网络结构和信号流图构建了导频设计器,将导频信号模型映射到对应的导频设计网络中,训练完成后的神经网络参数就是所需的导频信号。在接收端,信道估计器首先利用深度残差网络(Deep Residual Network,DRN)对接收信号进行去噪处理,然后基于串行干扰消除(Successive Interference Cancellation,SIC)算法依次对每个信道进行估计,其中信道估计利用所构建的深度神经网络完成。此外,在网络训练的反向传播过程中,分别给出了BD两种调制约束下其对应的梯度更新方法。仿真结果显示,JPDCE方案的信道估计性能优于传统的线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)和没有SIC的深度学习方案,并且在引入DRN的情况下具有更好的估计性能。
基于深度神经网络的无线通信信道估计研究
这是一篇关于无线通信,深度神经网络,信道估计,衰落信道,Concatenate维度转换的论文, 主要内容为随着无线通信技术的发展,OFDM的应用场景更加复杂多样,传输信道环境更加恶劣,这对OFDM信道估计的精度提出了更高的要求。为进一步提升OFDM的信道估计精度,解决以往OFDM系统在复杂信道下估计可靠性差、抗干扰能力弱等问题,主要研究工作如下:(1)构建一种基于深度神经网络的信道估计模型(Dense Residual Network,De Re Net),该模型通过串联深度密集网络和深度残差网络,抑制网络训练中出现的梯度爆炸和消失现象。将De Re Net与最小二乘法(least square,LS)、全连接深度神经网络(Full Connection Dense Neural Network,FC-DNN)和简化深度神经网络(simplified deep neural networks,Sim Net)模型进行仿真实验。对比结果表明,在莱斯衰落环境下De Re Net的信道估计性能更好,能有效提高衰落信道估计的准确性和鲁棒性。(2)提出一种基于1D-Concatenate的信道估计深度神经网络模型优化方法,该方法将Concatenate进行一维数据转换,以跳跃连接的方式引入DNN模型,抑制梯度消失问题;运用1D-Concatenate恢复训练过程中丢失的数据特征,缓解特征丢失问题。为验证优化方法的有效性,选取较典型基于DNN的信道估计模型进行性能对比实验。实验结果表明,本文提出的优化方法估计增益提升可达77.10%,在高信噪比下信噪比增益提升可达3.00d B,有效提高DNN模型在无线通信中的信道估计精度,特别是高信噪比下提升效果显著。
基于软件无线电的GFDM通信系统设计与实现
这是一篇关于广义频分复用,软件无线电,时频同步,信道估计,SNR估计的论文, 主要内容为广义频分复用(Generalized Frequency Division Multiplexing,GFDM)作为B5G的候选波形,以其灵活的时频结构、高频谱效率、低带外辐射和低峰均功率比等优势受到国内外学者的广泛关注。目前,针对GFDM系统的研究主要集中在系统理论分析以及相关的信号处理算法上。而为GFDM技术提供实验平台以及系统设计参考,对于分析和验证GFDM系统信号处理算法具有重要的意义。对此,本文基于具备可重构性的软件无线电实验平台,对GFDM通信系统关键技术的设计与实现进行研究。主要工作如下:(1)针对GFDM系统时频同步,设计了一种GFDM系统的帧结构,并构造了基于帧结构中前导的GFDM时频同步算法。该算法根据前导中训练符号的周期性和相关性,估计载波频率偏移(Carrier Frequency Offset,CFO)和符号时间偏移(Symbol Time Offset,STO)。通过仿真验证了时频同步算法的有效性。(2)针对GFDM系统的信道估计和信噪比(Signal Noise Rate,SNR)估计,提出了一种基于前导的信道估计与信噪比估计算法。信道估计算法利用前导中长训练符号的伪随机特性,通过相关运算估计多径信道脉冲响应中非零抽头的索引,并根据该索引对最小二乘信道估计的结果进行整形操作,从而消除非增益路径上的噪声。SNR估计算法利用短训练符号的周期性与相关性,结合信道脉冲响应函数的估计值,求解SNR估计值。在仿真实验中,通过与最小二乘信道估计、最小均方误差信道估计等信道估计算法,以及频域SNR估计算法进行对比,验证了两种算法的性能。(3)针对GFDM系统实现,设计并实现了基于软件无线电平台的GFDM通信系统关键模块,并给出了辅助模块以及关键模块的设计思路。设计实现的GFDM关键模块包括映射/解映射模块、调制解调模块、时频同步模块以及信道估计模块,通过软件无线电平台对开发的软件进行了实验验证,同时给出了实验中各个关键模块的信号波形图。最后评估了GFDM系统的精度损失、资源消耗和关键模块时延等重要参数。
基于深度迭代网络的智能超表面信道估计研究
这是一篇关于智能超表面,信道状态信息,信道估计,自监督,深度迭代的论文, 主要内容为智能超表面(Reconfigurable Intelligent Surface,RIS)是未来6G无线系统中有前景的候选技术,可经济高效地实现智能无线电环境(Smart Radio Enviroment,SRE)。为了获得RIS带来的好处,RIS辅助无线通信系统需要精确的信道状态信息(Channel State Information,CSI)来控制无线信道。然而,由于下面两个原因导致很难精确估计RIS辅助信道的状态信息:1)由于RIS阵列由无源器件构成,不具备收发和处理导频信号的能力;2)在用户和基站之间加入RIS,导致信道的维度急剧增加,这导致训练开销大和计算复杂度高。一般的传统算法要达到好的信道估计性能通常以更高的计算复杂度为代价。由于深度学习技术强大的非线性映射能力,本文构建深度学习模型以较低的复杂度精确估计信道。主要工作如下:反射模式的RIS辅助无线信道估计。首先本文对RIS辅助的无线通信系统建模,然后将信道估计的领域知识与优化算法逐渐嵌入神经网络,提出了基于LS-Net的信道估计方法、基于有监督网络的信道估计方法和基于自监督网络的信道估计方法。值得注意的是,自监督网络在训练中不需要真实标签信道,也能实现和有监督网络近乎一样的性能。透射和反射模式并存条件下的RIS(Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface,STAR-RIS)辅助无线信道估计。相比单一反射模式的RIS,STAR-RIS可以实现高度灵活的全空间SRE。因此,本文进一步研究了STAR-RIS辅助的无线通信系统的信道估计问题。首先构建了STAR-RIS辅助的通信系统模型。然后将信道估计问题转化为优化问题求解。最后,将物理模型与迭代优化算法融入到深度迭代网络,提出了两种基于GD-Net的深度迭代信道估计方法和基于ALISTA-Net的深度迭代信道估计方法。仿真结果表明,相较于传统算法,本文提出的基于深度迭代网络的信道估计方法不但具有良好的泛化性和鲁棒性,还能以较低的导频开销实现更好的估计性能。
面向高速移动场景的5G NR信道估计研究
这是一篇关于信道估计,5G NR,双选信道,扩展卡尔曼滤波,残差网络的论文, 主要内容为随着应用场景、用户需求和技术演进的需要,5G新空口(New Radio,NR)通信应运而生。信道估计在5G NR通信系统中起着至关重要的作用,准确高效的信道估计算法可以保障通信的可靠性与时效性,确保整个系统的通信性能。针对城市轨道交通、城际高铁和车联网等高速移动环境,无线信道面临频率选择性和时间选择性衰落(双选衰落)的问题,这给信道估计带来了严峻的挑战,使得信道状态信息的准确获取变得困难,影响行车通信质量和驾驶安全。考虑到信道估计在5G NR中的重要性,高效且准确的信道估计研究十分重要。有鉴于此,本文针对高速移动场景下的5G NR信道估计展开研究。本文的主要工作内容如下:第一,对于高速环境下无线信道传播特征进行了分析,主要包括信道的双选衰落特性,并搭建了信道估计系统模型,对不同的衰落信道进行了仿真。分别从导频处和数据处估计出发,对传统的信道估计方法进行了介绍,并由仿真结果分析了传统估计算法所存在的不足。第二,为了解决传统算法无法跟踪快时变信道的问题,本文提出了一种联合判决反馈的扩展卡尔曼滤波-反向递归(Extended Kalman Filter-Backward Recursion,EKF-BR)信道估计算法,对信道响应和时域相关系数进行估计,遵循状态预测与状态更新的迭代循环,实现追踪信道变化。系统仿真结果表明,在不同多普勒场景下,所提EKF-BR算法相比传统信道估计算法可以有效提升信道估计的准确度,具有较优的估计性能。第三,为进一步提升信道估计的准确性和降低算法复杂度,将深度学习与信道估计相结合,由于信道矩阵和图像之间存在一定的相似性,利用深度学习在图像恢复的原理,本文提出了信道估计残差网络(Channel Estimation Residual Networks,CE-Res Net)算法,将信道估计转换为图像恢复问题,在经过LS信道估计后得到低分辨率图像的基础上,用CE-Res Net实现对高分辨率图像的恢复即完整资源网格的恢复。经过CE-Res Net在线估计使得算法复杂度大大降低,且能更为准确地学习信道的变化特征以追踪信道的变化。通过仿真分析,证实了所提算法具有出色的估计性能,能够明显提升系统通信性能,而且具有更强的算法鲁棒性,适用于高速环境下的信道估计。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/48698.html
