OFDM系统中常采取将信道估计和均衡分离的方式.首先对信号进行信道估计,再进行均衡.从而方便设计时根据不同的特点和要求进行优化.常用的信道估计算法可以分为辅助数据方法和盲估计方法.在辅助数据方法中,接收端根据已知的辅助数据进行信道估计.盲估计方法中则不发送任何已知数据.该文在讨论移动信道特点和时变多径信道的建模和仿真的基础上,主要研究了基于辅助数据的信道估计算法.这些算法大都需要知道信道的统计信息,因此为了适应移动环境经常变化的特性要求这些算法具有比较好的鲁棒性.同时,这些方法的计算复杂度也比较高,该文提出了一种新的时域信道估计算法,这种算法不需要知道信道的统计特性,只是发送一些形如(c,0,0,..,0)<,Lx1><'T>的序列(其中c为常数),通过在接收端进行递推得到信道估计.通过发送多个辅助数据块实现对信道的多次信道估计和平均,从而得到比较精确的信道估计.该文还详细讨论了算法的实现性问题.OFDM系统具有较好的抵抗多径的能力,这大大简化了系统对均衡器的要求.但是,这些均衡器的简单化是以插入循环前缀CP(Cyclic Prefix,CP)为代价的.CP降低了系统的功率有效性和频带有效性,为此人们引入了另外一种保护间隔零填充ZP(Zero Padding,ZP),与CP-OFDM相比ZP-OFDM提高了系统的功率有效性.该文主要讨论了ZP-OFDM系统中的信道均衡方法.并提出了一种新的用于Rice信道下的时域均衡算法.该均衡算法基于判决反馈方式,可以使系统的频带利用率和功率利用率达到100﹪.同时保证系统实现简单,具有较低的复杂度和较好的均衡效果.同时,在时域上对信号进行处理便于提取帧定时信息.需要说明的是目前对此系统的研究限于K因子比较大的Rice信道,尤其是当信道的直射分量很强的情况.对于非Rice信道的场合,由于此时的线性方程组具有病态而不宜直接处理.以上两种方法都在该文中给出了具体的仿真结果.实际应用中可以结合使用该文提出的这两种方法,从而取得较好效果.
联系：highspeedlogic
QQ ：1224848052
微信：HuangL1121
邮箱：1224848052@qq.com
微信扫一扫：
--------------------------------------------------------------------------------------
人工智能代做，深度学习代做，深度强化学习代做，zynq智能系统FPGA开发，
AI代做，卷积神经网络，Alexnet，GoogleNet，CNN，TensorFlow，
caffe，pointnet，PPO，Qlearning，FasterRCNN，MTCNN，
SPPNet，word2vec，SARASA算法，梯度策略等等
