A Novel Timing Estimation Method for OFDM Systems Byungjoon Park,Student Member,IEEE,Hyunsoo Cheon,Student Member,IEEE, Changeon Kang,Senior Member,IEEE,and Daesik Hong,Member,IEEE Abstract—In this letter,we present a novel timing offset estima-tion method for orthogonal frequency division multiplexing sys-tems.The estimator proposed here is designed to avoid the ambi-guity which occurs in Schmidl’s timing offset estimation method. The performance of the proposed scheme is presented in terms of mean and mean-square error(MSE)obtained by simulations.The simulation results show that the proposed estimator has a signifi-cantly smaller MSE than the other estimators. Index Terms—Orthogonal frequency division multiplexing (OFDM),preamble,timing offset estimation. I.I NTRODUCTION S YNCHRONIZATION has been a major research topic in orthogonal frequency division multiplexing(OFDM)sys-tems due to the sensitivity to symbol timing and carrier fre-quency offset[1].Several approaches have been proposed to estimate time and frequency offset either jointly or individually [2]–[4]. The most popular of the pilot-aided algorithms is the method proposed by Schmidl[5].His method uses a preamble con-taining the same two halves to estimate the symbol timing and frequency offset.Schmidl’s estimator provides simple and ro-bust estimates for symbol timing and carrier frequency offset. However,the timing metric of Schmidl’s method has a plateau, which causes a large variance in the timing estimate. To reduce the uncertainty arising from the timing metric, Minn proposed a method as a modification to Schmidl’s approach[6].Minn’s preamble yields a sharper timing metric and smaller variance than Schmidl’s.While Minn’s estimator provides accurate estimation,the variance of estimation is quite large in ISI channels. This letter contains our proposal for a new timing synchro-nization method for OFDM timing estimation which produces an even sharper timing metric than Schmidl’s and Minn’s. In Section II we introduce the OFDM signal model and de-scribe the existing timing estimation methods.Section III covers the proposed preamble and timing offset estimation method.In Section IV,the performances of the proposed estimator and the other estimators are compared in terms of mean-square error Manuscript received November6,2002.The associate editor coordinating the review of this paper and approving it for publication was Prof.P.Loubaton. This work was supported by the Basic Research Program of the Korea Science and Engineering Foundation under Grant R01-2000-000-00271-0(2002)and by LG Electronics. The authors are with the Information and Telecommunication Laboratory, Department of Electrical and Electronic Engineering,Yonsei University,Seoul, Korea(e-mail:mgballs@itl.yonsei.kr). Digital Object Identifier10.1109/LCOMM.2003.812181using computer simulation results.Finally conclusion is drawn in Section V. II.S YSTEM D ESCRIPTION A.OFDM Signal Description Consider a general case of a OFDM system,using the stan-dard complex-valued baseband equivalent signal model. The is the channel impulse response,whose memory is denoted by (2) where yield the received signal (3) where is the initial phase. B.OFDM Timing Synchronization The goal of OFDM timing synchronization is to estimate where (4) 1089-7798/03$17.00?2003IEEE
OFDM的原理及优缺点 摘要正交频分复用OFDM（OrthogonalFrequencyDivisionMultiplex)是一种多载波调制方式，通过减小和消除码间串扰的影响来克服信道的频率选择性衰落。它的基本原理是将信号分割为N个子信号，然后用N个子信号分别调制N个相互正交的子载波。由于子载波的频谱相互重叠，因而可以得到较高的频谱效率。关键词OFDM; 频分复用；码间串扰 1 前言 无干扰传输的窄带系统与CDMA相比： 优点：用户性能对其他用户的接收功率不敏感 1.不用对功率进行准确控制（同一小区中的用户传输相互正交） 2.不需要对执行严格的功率控制的固定开销。 缺点：存在由频率复用率带来的损失。 由于不进行干扰平均，实际上并不适合于全局频率复用宽带系统OFDM可以将上述两类系统的良好特性结合在一起。 在小区内保持传输的正交性，并且在小区之间进行全局频率复用，还可以进行干扰平均。 2 基本原理或思想 正交频分复用，英文原称Orthogonal Frequency Division Multiplexing，缩写为OFDM，实际上是MCM Multi-CarrierModulation多载波调制的一种。其主要思想是：将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输。正交信号可以通过在接收端采用相关技术来分开，这样可以减少子信道之间的相互干扰 ICI 。每个子信道上的信号带宽小于信道的相关带宽，因此每个子信道上的可以看成平坦性衰落，从而可以消除符号间干扰。而且由于每个子信道的带宽仅仅是原信道带宽的一小部分，信道均衡变得相对容易。 OFDM是一种高效的数据传输方式，其基本思想是在频域内将给定信道分成许多正交子信道，在每个子信道上使用一个子载波进行调制，并且各子载波并行传输。这样，尽管总的信道是非平坦的，具有频率选择性，但是每个子信道是相对平坦的(频带窄)，在每个子信道上进行的是窄带传输，信号带宽小于信道的相应带宽，因此就可以大大消除信号波形间的干扰。OFDM相对于一般的多载波传输的不同之处是它允许子载波频谱部分重叠，只要满足子载波间相互正交，则可以从混叠的子子载波上分离出数据信号。由于OFDM允许子载波频谱混跌，其频谱效率大大提高，因而是一种高效的调制方式。
OFDM频率偏移估计算法分析 摘要 作为一种特殊的多载波调制技术，正交频分复用（OFDM，Orthogonal Frequency Division Multiplexing）因其高频谱利用率、高数据传输速率以及良好的抗多径干扰性能，广泛地应用于数字音视频广播、无线局域网等高速数据传输系统中。OFDM通信系统具备所有这些优势的前提是收发两端子载波均要保持良好的正交性，然而，在实际应用中，晶振的非理想因素以及移动通信中多径信道产生的多普勒频移将会造成OFDM系统发射机与接收机载波中心频率的偏移（CFO，Carrier Frequency Offset），而这将严重破坏子载波之间的正交性，因此OFDM系统接收机必须对载波频偏加以估计并对接收信号进行相应补偿以保证解调数据的准确性。通常，将这一操作称为载波频率同步，也可简称为频偏估计。由于OFDM系统对CFO非常敏感，微小的CFO就能造成系统误码性能的大幅下降，因此，频率同步技术是OFDM 系统的关键技术之一。 本论文首先回顾了OFDM技术发展的历史，然后从基本的OFDM系统的原理出发，阐述了OFDM系统中的同步问题。接着详细阐述了定时同步偏差和载波频率偏差对系统性能的影响。最后，对现有的频率同步技术（即，盲同步算法和非盲同步算法）进行了介绍且重点介绍了三种具有代表性的载波频偏估计算法：子载波间干扰（ICI，Intercarrier interference）自消除方法，高阶子载波间干扰（ICI）自消除方法和频率偏移盲估计方法，并通过仿真比较分析了它们在加性高斯白噪声信道和频率选择性信道下的估计性能。 关键词：正交频分复用；载波频率偏移；子载波间干扰；盲载波频偏估计；自消除
LS 信道估计 假设OFDM 系统模型用下式表示： P P P Y X H W =+ （1） 式中H 为信道响应；P X 为已知的导频发送信号；P Y 为接收到的导频信号；P W 为在导频子信道上叠加的A WGN 矢量。 LS 为最小二乘(Least —Square)信道估计， LS 算法就是对（1）式中的参数H 进行估计，使函数（2）最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- （2） 其中P Y 是接收端导频子载波处的接受信号组成的向量；??P P Y X H =是经过信道估计后得到的导频输出信号；?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为： 11,()H H P LS P P P P P P H X X X Y X Y --== 可见，LS 估计只需要知道发送信号P X ，对于待定的参数H ，观测噪声P W ，以及接收信号P Y 的其它统计特征，都不需要其它的信息，因此LS 信道估计算法的最大优点是结构简单，计算量小，仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是，LS 估计算法由于在估计时忽略了噪声的影响，所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时，估计的准确性大大降低，从而影响数据子信道的参数估计。 LMMSE 算法的实现流程： 首先我们得到LMMSE 算法的相关公式： 211??*((()()))P P P P H LMMSE H H H H W LS H R R diag X diag X H σ--=+ 其中=()P P H H H P P R E H H 为信道矢量H 的自相关矩阵， ?LM M SE H 代表采用LMMSE 算法时信道
寒假信道估计技术相关内容总结 目录 第一章无线信道 (3) 1.1 概述 (3) 1.2 信号传播方式 (3) 1.3 移动无线信道的衰落特性 (3) 1.4 多径衰落信道的物理特性 (5) 1.5 无线信道的数学模型 (7) 1.6 本章小结 (7) 第二章MIMO-OFDM系统 (8) 2.1 MIMO无线通信技术 (8) 2.1.1 MIMO系统模型 (9) 2.1.2 MIMO系统优缺点 (11) 2.2 OFDM技术 (12) 2.2.1 OFDM系统模型 (12) 2.2.2 OFDM系统的优缺点 (14) 2.3 MIMO-OFDM技术 (16) 2.3.1 MIMO、OFDM系统组合的必要性 (16) 2.3.1 MIMO-OFDM系统模型 (16) 2.4 本章小结 (17) 第三章MIMO信道估计技术 (18) 3.1 MIMO信道技术概述 (18) 3.2 MIMO系统的信号模型 (19) 3.3 信道估计原理 (21) 3.3.1 最小二乘（LS）信道估计算法 (21) 3.3.2 最大似然（ML）估计算法 (23) 3.3.3 最小均方误差（MMSE）信道估计算法 (24) 3.3.4 最大后验概率（MAP）信道估计算法 (25) 3.3.5 导频辅助信道估计算法 (26) 3.3.6 信道估计算法的性能比较 (26) 3.4 基于训练序列的信道估计 (28) 3.5 基于导频的信道估计 (28) 3.5.1 导频信号的选择 (29) 3.5.2 信道估计算法 (31) 3.5.3 插值算法 (31) 3.5.3.1 线性插值 (31) 3.5.3.2 高斯插值 (32) 3.5.3.3 样条插值 (33) 3.5.3.4 DFT算法 (33) 3.5.4 IFFT/FFT低通滤波 (33) 3.6 盲的和半盲的信道估计 (34)
OFDM 基本原理概述 设OFDM 信号的符号周期为T ，当N 个子载波的频率之间的最小间 N 表示子信道的个数，T 表示OFDM 符号宽度，i d (i =0,1,…,N-1)是分配给每个子信道的数据符号，0f 是第0个子载波载波频率，则从t=s t 开始的OFDM 符号可以表示为 100exp 2()(),()0,N i s s s i i d j f t t t t t T s t T π-=??? +-≤≤+???=????? ∑其它 它的等效基带信号是 1 ()exp 2(),N i s s s i i s t d j t t t t t T T π-=?? =-≤≤+????∑ 式中实部和虚部分别对应于OFDM 符号的同相和正交分量，是集中可以分别与相应子载波 的余弦分量和正弦分量相乘，构成最终的子信道信号和合成的OFDM 符号。
信号解调，接收第k 路子载波信号 k d 与第k 路解调载波exp[2()]s j t t T π--相乘，得到的结果在符号持续时间T 内进行积分，即可获得相应的发送信号k d 1^ 0101exp 2()exp 2()1exp 2()s s s s N t T k s i s t i N t T i s t i k k i d j t t d j t t dt T T T i k d j t t dt T T d πππ-+=-+=????=---???????? -??=-????=∑?∑? OFDM 复等效基带信号可以采用离散傅立叶逆变化(IFFT)方法来实现。令s t =0，t=/kT N (k=0,1,….,N-1)， 即对s(t)以 T/N 的速率进行抽样可以得到 1 2()(/)exp N i i ki s k s kT N d j N π-=?? == ???∑ 01k N ≤≤- 式中s(k)即为i d 的IDFT 运算。接收端为恢复出原始的数据符号i d ，可以对s(k)进行DFT 运算，得到1 2()exp N i i ki d s k j N π-=? ? = - ?? ? ∑ 01i N ≤≤- OFDM 文章,时间连续系统模型时，发射机发射的第K 个载波波形时,
自适应控制算法综述 定时器Timer0中断服务子程序在整个控制过程中处于最核心地位。振动数据的采样频率就是通过定时器Timer0的中断周期来实现的，实际中中断周期为0.1ms 。程序每隔0.1ms 读取一次A/D 采集并平滑过的数据，调用单点数据的LMS 自适应处理子程序，计算完成后通过D/A 输出控制信号，经功放放大后作用于压电作动器。即实现了在采样频率10KHz 下，智能结构振动控制的实时处理。 参考自适应对消原理图，自适应对消的目的在于利用0v (n)和1v (n)的相关性，使y(n)成为0v (n)的估计值，则e(n)逼近s(n)的估计值。由图可得 e(n)=d(n)-y(n) 又有： d(n)=s(n)+ 0v (n) 所以： e(n)=s(n)+ 0v (n)-y(n) )]()()[(2)]()([)()(02022n y n v n s n y n v n s n e -+-+= 由于)(n y 是)(0n v 的估计值，又)(n s 与)(0n v 不相关，所以有E{2s(n)[v0(n)-y(n)]}为0，即有 E[)(2n e ]=E[)(2n s ]+E[(v0(n)-y(n))2] 显然，当y(n)趋于v0(n)时，有 )]([2n e E 取得最小值。 各信号的对应关系如下： s(n)-实验中振动对象自身所带的噪声信号。
v0(n)-实验中激振器激励振动对象的振动信号。 d(n)-实验中未对振动对象进行振动主动控制时的振动信号。 v1(n)-实验中激振器激励振动对象同时提供的激励参考信号。 y(n)-实验中控制器根据自适应控制算法提供的控制信号。 e(n)-实验中已对振动对象进行振动主动控制后的振动信号。 设自适应滤波器的长度m=64，收敛因子mu=0.005，信号长度n=512。m=64; mu=0.005; n=512; x=zeros(1,n+1); w=zeros(1,m*3); d=zeros(1,n+1); inputsignal=zeros(1,n+1); designsignal=zeros(1,n+1); outputsignal=zeros(1,n+1); errorsignal=zeros(1,n+1); e=0; y=0; for i=1:n ds=sin(2*pi*0.02(i-1))+0.2*WGN(1,1,1,’real’); xs=sin(2*pi*0.02(i-1)); for ii=2:m x(ii-1)=x(ii); end x(m)=xs; y=0; for ii=1:m y=y+x(ii)*w(ii); end e=ds-y;
m1=3;c1=zeros(m1,2048); for zhen1=1:m1 M1=1992; a1=rand(1,7968); a1=sign(a1-0.5); b1=reshape(a1,1992,4); xxx1=2*b1(:,1)+b1(:,2)+j*(2*b1(:,3)+b1(:,4)); xx1=ifft(xxx1')*1992; geshu1=length(xx1); s11=1;s21=56;s31=1; w11=s11:s31:s21; addcp1=ones(1,geshu1+s21); for i1=w11 addcp1(1,i1)=xx1(1992-s21+i1); end w21=1:1:geshu1; for k1=w21 addcp1(1,s21+k1)=xx1(k1); end c1(zhen1,1:2048)=addcp1; c11=c1'; addcp11=reshape(c11,1,6144); end for n=1:3 for m=1:2048 addcp11((n-1)*2048+m)=addcp11((n-1)*2048+m)*exp(i*2*pi*0.5*m/2048); %加入频偏V以后的各样点值 end end %信道模型：带多普勒频移的瑞利衰落信道 fade=[0 0 0.2 0.3]; %多径的幅度 Len=length(addcp11); f_Len=length(fade); sch=addcp11; for m=1:f_Len sch(1+m:Len)=sch(1+m:Len)+fade(m)*addcp11(1:Len-m); end
基于训练的最小二乘（LS ）算法的信道估计 一、概述与背景 随着近年来无线通信系统的高速发展，基于阵列的接收机和空时分集方法逐渐成为研究热点。现在无论是在理论分析还是在富散射环境的实地测试中，MIMO （multiple-input multiple-output）系统都能够大幅度提高无线通信系统的容量。 设一个t 发射天线、r 接收天线的MIMO 系统，其接收信号可表示为： i i i v Hp s +=（1） H 表示随机信道复矩阵，i p 表示t×1发送信号复向量，i v 表示零均值白噪声复 向量。 为了估计信道矩阵H ，假设发送的训练信号为N p p ，…,1，其中t N ≥.其对应 的r×N 接收信号矩阵 ] [,1N s s S ，…=可表示为： V HP S +=（2） 其中 ] [,1N p p P ，…=表示t×N 训练矩阵， ] [,1N v v V ，…=表示r×N 噪声矩阵。 。而MIMO 技术的要点在于得到一个精确的信道状态信息（CSI）。而信道估计算法的任务是基于S 和P 的信息来恢复信道矩阵H 的信息. 信道估计有非盲信道估计方法、盲信道估计方法和半盲信道方法。目前使用最为广泛的MIMO 信道估计方法是非盲信道估计方法，也即使用导频信号（又称为训练序列）然后基于接收数据和训练序列的信息来实现信道估计。盲信道估计实质上是利用信道潜在的结构特征或者是输入信号的特征达到信道估计的目的。而半盲信道方法估计是上述两种信道估计方法的综合与平衡。 本文主要讲的是最小二乘算法的信道估计，并用matlab 对LS 算法进行仿真，仿真内容是ZF 下理想信道与LS 估计信道的性能比较和LS 估计信道的不同天线数MIMO 系统的性能比较。
Vol.14, No.8?2003 Journal of Software 软 件 学 报1000-9825/2003/14(08)1379基于分布均匀度的自适应蚁群算法 ?陈 崚1,2+, 沈 洁1, 秦 玲1, 陈宏建1 1 (扬州大学 计算机科学与工程系,江苏 扬州 225009)2(南京大学 计算机软件新技术国家重点实验室,江苏 南京 210093) An Adaptive Ant Colony Algorithm Based on Equilibrium of Distribution CHEN Ling 1,2+, SHEN Jie 1, QIN Ling 1, CHEN Hong-Jian 1 1 (Department of Computer Science and Engineering, Yangzhou University, Yangzhou 225009, China)2(National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210093, China) + Corresponding author: Phn: 86-514-7978307, Fax: 86-514-7887937, E-mail: lchen@https://www.doczj.com/doc/e011629405.html, https://www.doczj.com/doc/e011629405.html, Received 2002-11-12; Accepted 2003-01-20 Chen L, Shen J, Qin L, Chen HJ. An adaptive ant colony algorithm based on equilibrium of distribution.Journal of Software , 2003,14(8):1379~1387.https://www.doczj.com/doc/e011629405.html,/1000-9825/14/1379.htm Abstract :To settle the contradictory between convergence speed and precocity and stagnation in ant colony algorithm, an adaptive ant colony algorithm, which is based on the equilibrium of the ant distribution, is presented.By dynamically adjusting the influence of each ant to the trail information updating and the selected probabilities of the paths according to the equilibrium of the ant distribution, the algorithm can keep good balance between accelerating convergence and averting precocity and stagnation. Experimental results on symmetric and asymmetric TSP show that the method presented in this paper has much higher convergence speed and stability than that of classical ant colony algorithm, and is more suitable for solving large scale TSP. Key words : ant colony algorithm; optimization; traveling salesman problem 摘 要:针对蚁群算法加速收敛和早熟停滞现象的矛盾,提出一种基于分布均匀度的自适应蚁群算法,以求在加速收敛和防止早熟 ），男,江苏宝应人,博士,教授,主要研究领域为并行算法,计算机体系结构,优化算法.万方数据
自适应滤波算法的研究 第1章绪论 1.1 课题背景 伴随着移动通信事业的飞速发展，自适应滤波技术应用的范围也日益扩大。早在20世纪40年代，就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱)，用线性最小均方误差估计准则设计的最佳滤波器，称为维纳滤波器。这种滤波器能最大程度地滤除干扰噪声，提取有用信号。但是，当输入信号的统计特性偏离设计条件，则它就不是最佳的了，这在实际应用中受到了限制。到60年代初，由于空间技术的发展，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。现在，卡尔曼滤波器己成功地应用到许多领域，它既可对平稳的和非平稳的随机信号作线性最佳滤波，也可作非线性滤波。实质上，维纳滤波器是卡尔曼滤波器的一个特例。 在设计卡尔曼滤波器时，必须知道产生输入过程的系统的状态方程和测量方程，即要求对信号和噪声的统计特性有先验知识，但在实际中，往往难以预知这些统计特性，因此实现不了真正的最佳滤波。 Widrow B等于1967年提出的自适应滤波理论，可使自适应滤波系统的参数自动地调整而达到最佳状况，而且在设计时，只需要很少的或根本不需要任何关于信号与噪声的先验统计知识。这种滤波器的实现差不多象维纳滤波器那样简单，而滤波性能几乎如卡尔曼滤波器一样好。因此，近十几年来，自适应滤波理论和方法得到了迅速发展。[1] 自适应滤波是一种最佳滤波方法。它是在维纳滤波，Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。 自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。
L S信道估计算法
LS 信道估计 假设OFDM 系统模型用下式表示： P P P Y X H W =+ （1） 式中H 为信道响应；P X 为已知的导频发送信号；P Y 为接收到的导频信号；P W 为在导频子信道上叠加的AWGN 矢量。 LS 为最小二乘(Least —Square)信道估计， LS 算法就是对（1）式中的参数H 进行估计，使函数（2）最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- （2） 其中P Y 是接收端导频子载波处的接受信号组成的向量；??P P Y X H =是经过信道估计后得到的导频输出信号；?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为： 11 ,()H H P LS P P P P P P H X X X Y X Y --== 可见，LS 估计只需要知道发送信号P X ，对于待定的参数H ，观测噪声 P W ，以及接收信号P Y 的其它统计特征，都不需要其它的信息，因此LS 信道估 计算法的最大优点是结构简单，计算量小，仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是，LS 估计算法由于在孤寂时忽略了噪声的影响，所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时，估计的准确性大大降低，从而影响数据子信道的参数估计。
LMMSE 算法的实现流程： 首先我们得到LMMSE 算法的相关公式： 211??*((()()))P P P H LMMSE HH H H W LS H R R diag X diag X H σ--=+ 其中P H 为导频子载波的CFR （振幅因素衰减），P HH R 表示所有子载波与导频子载波的互协 方差，P P H H R 表示导频子载波的自协方差。?LMMSE H 代表信道的阶跃响应。从公式中可以看出LMMSE 使用子载波间的协方差以及SNR 等信息进行信道估计。 因为H -1(diag(X)diag(X))可以作为一个常量。则H -1(diag(X)diag(X))可以替换为其期望值：2H -1E{(diag(x)diag(x))}=I W SNR βσ，其中I 代表单位矩阵。 所以，上式又可变为1??*()P P P LMMSE HH H H LS H R R I H SNR β-=+。 其中，星座因子β与采用的调制方式有关：对于16QAM 调制为17／9；对于 QPSK 调制为1。SNR 是每个符号的信噪比；?LS H 表示参考信号处由LS 估计的信道冲激响应值； 因为要进行求逆运算，所以运算的复杂度较高。如果参考信号的子载波数目较多，则求逆运算会变得很复杂。下面则将对LMMSE 算法进行改进。 在这里我们采用了奇异值分解的方法对估计器进行低阶近似。将信道的自相关函数分解为:H HH R =U U Λ。 则原公式可以化为：0??00n H SVD LMMSE LS H U U H -???= ??? 其中11 1()diag(,....,)N N I SNR SNR SNR λλβββλλ-?=ΛΛ+=++.这样在某种程度上就可以大大减少运算量。
１９ 科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ高 新 技 术 ２００７ ＮＯ．３５ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ科技创新导报 现今在自适应滤波器应用中一个重要的问题就是如何调节滤波器参数和改进设计方法使结果达到最优，以及利用这个标准形成实际上可行的算法，而本文通过仿真对比了以上三种算法的优劣性，并综合考虑计算量和滤波效果这两方面的影响，从实际出发，以线性调频信号为例，通过仿真验证了ＮＬＭＳ算法对非平稳信号的有效性，假设的参数和各项指标均能在实践中给出，证明了应用到实践中的可行性。 １ 基本原理 １．１ 自适应谱线增强器 自适应谱线增强器原理图如图１所示。图中，ｘ ＝ｓ ＋ｎ ， ，、 分别是 、经过时延后的值。选择适当的时延，使 与 相关，而 与 不相 关。 则，， 这里、 是和经过自适应滤波器后的信号和噪声。显然、与、不相关，和也不相关。 时刻输入信号，由有用信号和噪声的混 合而成，假设： （１） 则滤波器输出信号： （２） 误差信号： （３） 由于对延迟一个小单位后，噪声没有相关性，而信号还能延续其良好的相关性，所 以当 近似于的宽带噪声时，最接近中的有用信号，此时基本跟 踪上了有用信号［３］ 。１．２ ＮＬＭＳ算法 ＬＭＳ算法的优点在于结构简单，计算量小，但由于其步长固定，导致快的收敛速度和小的稳态失调不能兼得。当输入信号较大时，由于滤波器抽头权向量的修正项与抽头输入向量成正比， ＬＭＳ算法的梯度噪声将被放大。为了解决这个问题，引入了ＮＬＭＳ算法［２］ 。 Ｎ ＬＭ Ｓ 权系数的变化为： （４）其中，为控制失调的固定收敛因子； 参数是为避免过小导致步长值太大而设置的，通常取。通过改变步长使初始收敛时刻获得较大的步长以加快收敛速度，而在稳态阶段提供较小的步长，减小稳态误差。１．３ 线性调频信号 在雷达对抗领域，线性调频雷达信号作为一种成熟的低截获概率雷达信号，在各种体制 的雷达中使用十分广泛。它通过非线性相位调制来获得大的时宽、带宽特性，解决了雷达的探测距离和距离分辨力之间的矛盾，提高了雷达检测目标的能力［１］ 。 设ＬＦＭ信号的幅度为 Ａ，脉宽为，复数表达式为： （５） 为信号中心角频率，为调制 斜率。 ＬＦＭ信号与单频信号不同，它的频率是随时间线性变化的，统计特性是不平稳的。 ２ 系统仿真 ２．１ ＬＭＳ，ＮＬＭＳ和ＮＶＳＳ三种方法性能比较 图２是对ＬＭＳ，ＮＬＭＳ和ＮＶＳＳ三种方法进行收敛速度、时变系统跟踪能力及稳态失调比较的对比图，图中滤波器的阶数为１６阶，取１０００个采样点，从图中可以看出的ＮＬＭＳ收敛速度和稳态失调介于ＮＶＳＳ和ＬＭＳ之间，但由于ＮＶＳＳ算法复杂，不适用于实际应 几种自适应算法性能比较与仿真 富裕 张雯雯 （哈尔滨工程大学信息与通信工程学院 黑龙江哈尔滨 １５０００１） 摘 要：本文对ＬＭＳ、ＮＬＭＳ以及ＮＶＳＳ算法的性能进行了比较，通过仿真发现ＮＬＭＳ算法的运算速度虽略慢于ＬＭＳ算法，但其收敛速度和稳态失调远好于ＬＭＳ算法，同时在性能略低于ＮＶＳＳ算法情况下，ＮＬＭＳ计算简单，更易于在实践中应用，并可以满足实时处理得要求，可应用于处理平稳信号和非平稳信号的领域中。关键词：自适应滤波 最小均方算法 降噪 线性调频信号中图分类号：ＴＮ９５７．５７文献标识码：Ａ文章编号：１６７４－０９８Ｘ（２００７）１２（ｂ）－００１９－０２ 用中，而ＮＬＭＳ与ＬＭＳ相比运算速度略慢于ＬＭＳ，但其收敛速度和稳态失调大大超过了ＬＭＳ算法。所以文章以后的仿真都是利用ＮＬＭＳ进行的。 ２．２ ＮＬＭＳ算法的应用实例 设信号带宽 ＭＨ ｚ，中心频率ＭＨｚ 采样频率 ＭＨｚ，为采样间隔，输入信噪比为 ３ｄＢ。假设线性调频信号参数如下所示： （６） 其中， ， 取 ＭＨｚ。 设信号实部ｓ１（ ｎ），虚部ｓ２（ｎ），则信号相位 ，设ｃ（ｎ）为调整参数， ｃ （１）＝０，首先将相位从 变化到 ， 再通过相位去卷叠的方法，即： （７） 经上述处理后若 ， 。这样就将变化到了。图３，图４ ，图 ５为相位去卷叠后得出的 相位、频率和调制斜率的曲线。 对照上图可以看出线性调频信号经滤波 图 １ 自适应谱线增强的原理图 图２ 算法收敛性和稳定性的比较 图３ 纯信号参数特性图图４ 带噪信号参数特性图 图５ 经滤波后结果
信道估计总结LS和半盲信道估计
目录 一、信道估计概述 (3) 二、MIMO系统模型 (4) 三、波束成形半盲信道估计 (4) 3.1波束成形半盲信道估计概述 (4) 3.2传统的最小二乘信道估计 (5) 3.3半盲信道估计 (6) A．正交导频设计 (6) B．接收波束成形估计u1 (6) C．发送波束成形估计v1 (7) 3.4CLSE和半盲信道估计比较 (8) 3.5总结 (10) 四、OPML半盲信道估计 (10) 4.1概述 (10) 4.2W已知的情况下，估计酋矩阵Q (11) A．正交导频ML估计（OPML） (11) B．通用导频的迭代ML估计（IGML） (11) 4.3盲估计W (13) 4.4仿真结果 (13) 4.5总结 (14) 参考文献 (14)
信道估计总结 ------LS和半盲信道估计 一、信道估计概述 移动无线通信系统的发送端所发送的信号经过无线信道传输后，由于无线信道的时变性和多径传播性，会引起传输信号的幅度和相位畸变，同时会产生符号间干扰。如果采用MIMO 系统，则各发送天线间也会互相干扰。在通信系统中，需要信道估计参数进行分集合并、相干解调检测和解码，在MIMO环境下，待估计的信道参数个数随着天线个数的增加线性增加，信道估计成为构建系统的难点。所以，为了在接收端恢复正确的发射信号，找到一种高精度低复杂度的信道估计方法是必要的。 所谓信道估计，就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。MIMO系统实现大容量的前提是接收机能对接收到的来自各发送天线的信号进行很好的去相关处理，而进行这一处理的必要条件是接收端对信道进行比较精确的估计，获得较准确的信道信息，从而能够正确地恢复被干扰和噪声污染的信号。 在MIMO通信系统中，空时信道的估计和跟踪相对于SISO系统更加复杂，同时对系统误码性能和容量有很大的影响。这一复杂性主要表现在两个方面：快速移动通信环境所导致的信道时变特性；多径时延扩展的长度较大使得信道变成频率选择性信道，即一个时变的FIR矩阵信道，此时估计与跟踪的实现是较困难的。 从信道估计算法输入数据的类型来分，MIMO信道估计方案可以划分为时域和频域两个类方法。频域方法主要针对多载波系统；时域方法适用于所有单载波和多载波MIMO系统，它借助于训练序列或发送数据的统计特性，估计衰落信道中各多径分量的衰落系数。从估计算法先验信息的角度，时域方法又可分为一下3类： （1）基于训练序列的估计按一定估计准则确定待估参数，或者按某些准则进行逐步跟踪和调整待估参数的估计值，其特点是需要借助参考信号，即导频或训练序列。在此，我们将基于训练序列和导频序列的估计统称为训练序列估计算法。 基于训练序列的信道估计适用于突发传输方式的系统。通过发送已知的训练序列，在接收端进行初始的信道估计，当发送有用的信息数据时，利用初始的信道估计结果进行一个判决更新，完成实时的信道估计。 基于导频符号的信道估计适用于连续传输的系统。通过在发送有用数据的过程中插入已经的导频符号，可以得到导频位置的信道估计结果；接着利用导频位置的信道估计结果，通过内插得到有用数据位置的信道估计结果，完成信道估计。 （2）盲估计利用调制信号本身固有的、与具体承载信息比特无关的一些特征，或是采用判决反对的方法来进行信道估计的方法。 （3）半盲估计结合盲估计与基于训练序列估计这良好总方法优点的信道估计方法。 一般来讲，通过设计训练序列或在数据中周期性地插入导频符号来进行估计的方法比较常用。而盲估计和半盲估计算法无需或者需要较短的训练序列，频谱效率高，因此获得了广泛的研究。但一般盲估计和半盲估计方法的计算复杂度较高，且可能出现相位模糊（基于子空间的方法）、误码传播（如判决反馈类方法）、收敛慢或陷入局部极小等问题，需要较长的观察数据，这一定程度上限制了它们的实用性。
重庆交通大学信息科学与工程学院综合性设计性实验报告 专业：通信工程专业11级 学号：631106040222 姓名：徐国健 实验所属课程：宽带无线接入技术 实验室(中心)：软件与通信实验中心 指导教师：吴仕勋 2014年3月
一、题目 OFDM系统的信道估计技术 二、仿真要求 要求一：OFDM系统的数据传输 ①传输的数据随机产生； ②调制方式采用16QAM； 要求二：要求对BER的性能仿真 设计仿真方案，比较两个信道估计算法（基于LS与基于DFT +LS）的性能，并画出真实估计信道幅度与信道估计的对比图。 三、仿真方案详细设计 信道估计模型: 无线传播信道具有很大的随机性，会引起传输信号幅度、相位和频率的失真。产牛符号|’HJ干扰等，对接收机的设计提出了很大的挑战．这就要求对无线信道进行估计和预测。信道估计器是接收机的一个重要组成部分。在理论研究中。为了更好地描述信道对信号的影响．引入了信道模型统计的方法．通过研究信号在特定环境下的特性来进信道建模。 根据不同的考量标准，产生了不少信道估计算法。总而言之，—个“好”的估计方法就是要使某种估计误差最小化的估计算法。但是通常考虑到具体实现，则要求算法的复杂度要低。因此在设计信道估计算法时，需要权衡算法精准度和设计复杂度间的矛盾。 信道估计一般分为非盲估计、盲估计和半肓估计。在OFDM系统中，由于传输速率较高。并且在接收端需使用相干解调技术获得较高性能，一般采用非盲估计。其基本过程是：在发送端适当位置插入导频，接收端利用导频恢复出导频位置的信道信息。 在OFDM信道估计的各种算法中，典型的有LS和DFT算法。LS的准则是求得接收与发送端的最小平方误差；而DFT算法的准则则是基于LS算法基础上在DFT变换。