壓縮感知（CS,Compressed Sensing）是一種以低速率對(duì)稀疏信號(hào)進(jìn)行采樣后在接收端重建信號(hào)的技術(shù),基于CS的稀疏信道估計(jì)具有更小的導(dǎo)頻開(kāi)銷(xiāo)且具有更好的信道估計(jì)性能。針對(duì)基于CS的OFDM稀疏信道估計(jì)中的導(dǎo)頻設(shè)計(jì)問(wèn)題,提出一種基于樹(shù)狀隨機(jī)搜索算法（TSS,Tree-based Stochastic Search Algorithm）的導(dǎo)頻位置設(shè)計(jì)新方法,該方法結(jié)合了樹(shù)的結(jié)構(gòu),以分支的方式進(jìn)行隨機(jī)搜索從而避免陷入局部最優(yōu)問(wèn)題。仿真結(jié)果表明,與傳統(tǒng)的導(dǎo)頻設(shè)計(jì)方法相比,使用TSS算法獲得的導(dǎo)頻圖案用于信道估計(jì)中能夠獲得更優(yōu)的信道估計(jì)性能,而且TSS算法的復(fù)雜度更低。 

【文章來(lái)源】：信號(hào)處理. 2019,35(08)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1分支樹(shù)Fig．1Branchingtree

IGS算法進(jìn)行比較，主要性能指標(biāo)為使用對(duì)應(yīng)算法獲得的導(dǎo)頻圖案后的信道估計(jì)均方誤差(MSE，Mean-SquareError)和系統(tǒng)的誤比特率曲線(BEＲ，BitErrorＲatio)。在具有2．8GHz的IntelCorei7-7700HQCPU和8GB內(nèi)存的宏碁筆記本電腦上運(yùn)行的MATLABＲ2017a。具體仿真參數(shù)設(shè)置如下:OFDM子載波數(shù)目N=256，最大時(shí)延對(duì)應(yīng)的抽樣時(shí)間倍數(shù)L=50，發(fā)射天線的導(dǎo)頻數(shù)Np=16，將生成的導(dǎo)頻圖案應(yīng)用于系統(tǒng)并使用OMP算法進(jìn)行信道估計(jì)。5．1不同算法迭代過(guò)程中所獲μ值比較圖2給出了N=256，Np=16，未優(yōu)化的初始導(dǎo)頻圖案均為［146，120，4，86，41，200，78，132，42，149，65，161，169，182，110，21］的單次外循環(huán)下兩種算法的μ值下降曲線。從圖中可以看出按順序替換16根導(dǎo)頻，兩種算法在替換導(dǎo)頻位置序號(hào)較小時(shí)，μ值下降趨勢(shì)較快，隨著替換導(dǎo)頻位置序號(hào)的增大，本文算法仍舊能維持較大的μ值下降趨勢(shì)。相比于SSS算法，本算法能夠以更快的速度收斂于更小的μ值。圖2各方案μ值下降曲線Fig．2Declinecurvesofμ-valueindifferentalgorithms5．2信道估計(jì)MSE比較表2給出了當(dāng)N=256，Np=16，SSS算法外循環(huán)次數(shù)U=100，內(nèi)循環(huán)次數(shù)I=3;IGS算法每次減少子載波數(shù)為7;TSS算法根節(jié)點(diǎn)個(gè)數(shù)U=100，分支個(gè)數(shù)I=3時(shí)，各種方案優(yōu)化后的導(dǎo)頻圖案及其μ值。從該表可以看出，本文算法運(yùn)行時(shí)間略低于SSS算法，明顯優(yōu)于IGS算法，且比傳統(tǒng)優(yōu)化算法能搜索到更小的μ值。圖3比較表2中不同算法優(yōu)化?

，231，70，109，169，121TSS60．2260．281314，109，113，58，203，248，9，134，22，199，244，49，230，5，165，189IGS134．5600．5005188，122，74，8，143，150，116，181，41，17，91，89，220，128，235，93隨機(jī)導(dǎo)頻0．6719219，35，125，53，1，130，141，95，56，52，170，176，181，9，51，128圖3各算法的MSE性能比較Fig．3MSEperformancecomparisonsfordifferentpilotdesignschemes5．3BEＲ比較將兩種算法獲得的表2中的導(dǎo)頻圖案應(yīng)用于信道估計(jì)，并且基于信道估計(jì)的結(jié)果進(jìn)行信號(hào)的解調(diào)，采用16QAM調(diào)制，每次仿真循環(huán)次數(shù)為5000次，取平均結(jié)果。圖4比較了采用不同導(dǎo)頻圖案時(shí)的誤碼率(BEＲ)隨信噪比的變化關(guān)系。由圖可見(jiàn)，使用本文提出的TSS算法得到的導(dǎo)頻圖案能夠使得系統(tǒng)的誤碼率明顯低于使用其他導(dǎo)頻圖案時(shí)的誤碼率，說(shuō)明本文提出的導(dǎo)頻優(yōu)化方法可以有效改進(jìn)系統(tǒng)的誤碼率。圖4各算法的BEＲ性能比較Fig．4BEＲperformancecomparisonsfordifferentpilotdesignschemes6結(jié)論本文針對(duì)OFDM系統(tǒng)中的稀疏信道估計(jì)問(wèn)題，提出了一種新的導(dǎo)頻優(yōu)化方法TSS算法。該算法通過(guò)對(duì)μ值下降幅度大的分支更加關(guān)注，在每條分支線中采用隨機(jī)搜索的方案，并綜合考慮導(dǎo)頻替換時(shí)各分支的μ值變化。仿真結(jié)果表明，本文提出的算法較傳統(tǒng)優(yōu)化算法能使獲得的導(dǎo)頻圖案具有更小的恢復(fù)矩陣互相關(guān)值，算法復(fù)雜度較傳統(tǒng)優(yōu)化算法低。另外，與SS

【參考文獻(xiàn)】：
期刊論文
[1]壓縮感知在稀疏信道估計(jì)中的應(yīng)用[J]. 何雪云,潘林,彭偉剛.  通信技術(shù). 2011(09)



本文編號(hào)：3214891