OFDM系统中基于贝叶斯学习的联合稀疏信道估计与数据检测

发布时间：2024-04-20 21:14

　　众所周知,一个宽带无线信道的冲击响应是近似稀疏的,从某种意义上,相对于时延扩展来讲,它仅有一小部分重要的组成成分。针对正交频分复用系统,基于稀疏贝叶斯学习方法,提出两种稀疏信道估计算法:稀疏贝叶斯算法和联合稀疏贝叶斯算法。在信道测量矩阵未知的情况下,所提算法仍能够有效地估计出信道抽头。蒙特卡洛仿真显示,与经典正交匹配追踪算法和变分消息传递算法相比,所提算法在均方误差和误码率相同的情况下,信噪比有3～5 dB的提升。

【文章页数】：5 页

【部分图文】：

图1SBL算法流程图

在E-步中利用导频处的观测变量yp计算h的后验概率密度的期望值,采用最大似然(ML)准则:在M-步中对E-步进行最大化。算法的核心流程如图1所示。算法1SBL算法

图2J-SBL算法流程图

在E-步中计算h的后验概率密度的期望值,采用最大似然(ML)准则:在M-步中对E-步进行联合最大化。具体分为两个独立的最大化过程:1)对参数γ的最大化;2)对发送数据X的最大化。算法核心流程如图2所示。算法2J-SBL算法

图3信道估计MSE性能的比较

考虑3GPP组织的5G标准参数,使用3MHzOFDM系统,256个载波。采样频率fs=3.84MHz。一个OFDM符号间隔83.3μs,循环前缀(CP)16.67μs(64个子载波)。a-稀疏信道的长度与CP长度一致,为L。每一个OFDM帧信号包含K=7个OFDM符号....

图4误码率BER性能的比较

图4显示了各种算法经过编码后在不同信噪比下的BER性能,同时对比了SBL和VMP-3L算法性能。在编码情况下,J-SBL的性能优于SBL和OMP算法;在SNR>10dB时,J-SBL算法和SBL算法的误码率小于1×10-3。与当前较好的VMP-3L分块算法和传统经典的OMP算法....

本文编号：3959971