深度学习在信道估计中的应用 信道估计的方法有哪些 |
您所在的位置:网站首页 › 信道估计算法有哪些 › 深度学习在信道估计中的应用 信道估计的方法有哪些 |
本期目录引言基本假设LS信道估计LS信道估计工程实现MMSE信道估计LMMSE信道估计LMMSE实现 引言 信道估计主要分为非盲信道估计和盲信道估计。顾名思义,非盲信道估计需要使用基站和接收机均已知的导频序列进行信道估计,并使用不同的时频域插值技术来估计导频之间或者符号之间的子载波上的信道响应。目前主要使用的非盲信道估计包括最小二乘(LS)信道估计、最小均方误差(MMSE)信道估计、基于DFT的信道估计以及基于判决反馈信道估计等;而盲信道估计不需要已经已知的导频序列,主要包括基于最大期望的信道估计、基于子空间的信道估计技术等。本文主要介绍非盲信道估计 训练符号可以用于信道估计,通常能够提供较好的性能。然而,除了发射数据符号外,还需要发射前导或导频信号,由此产生的负荷会降低传输效率。当可以获得训练符号时,最小二乘(LS)和最小均方误差(MMSE)技术被广泛应用于信道估计。 基本假设假设所有子载波是正交的,即没有载频间干扰(ICI),那么可以将N个子载波的训练符号表示成矩阵形式: 其中, LS信道估计是根据最小二乘准则的信道估计方法。在无线系统中,接收信号可表示为: 根据最小二乘准则,有如下目标函数: LS信道估计算法,实现比较简单,计算复杂度低,但是忽略了噪声的影响。LS信道估计的均方误差(MSE)为: 从上式可以看出LS估计信道的均方误差MSE与信噪比SNR成反比,意味着LS信道估计增强了噪声,尤其在信道处于深度衰落时,即低SNR的情况下更是如此,信道估计的精度会受到较大影响。虽然如此,但由于实现简单,此方法仍在实际中大规模使用。 LS信道估计工程实现在实际工程应用中,由于矩阵求逆运算量很大,遇到大规模矩阵无法求解,因此可以采取其他求解方法。 方法一: 方法二: 令 MMSE估计是在LS估计的基础上增加了加权矩阵W,改用最小均方误差准则进行优化。 考虑LS估计的最优解,即 根据最小均方误差准则,有如下目标函数: LMMSE信道估计是在MMSE信道估计的基础上做了一次线性平滑。考虑到MMSE需要计算 LMMSE信道估计的协方差矩阵 见最新文章
|
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |