基于互相关向量估计的自适应盲均衡算法

基于互相关估计的盲MMSE均衡算法以批处理方式估计信道输出向量和信道输入信号之间不同延时的互相关向量,得到MMSE均衡器系数。由于涉及到大型矩阵乘积,若在线实现,计算量较大。根据该算法对信道阶数过估计不敏感特性,推导出基于互相关向量估计的盲MMSE均衡的自适应实现算法。自适应算法将矩阵和矩阵相乘转换为矩阵和向量的相乘,大大减少了均衡系数更新计算量,计算量仅为O(K2)(K为矩阵维数)。仿真结果显示自适应算法的收敛性能远远优于目前存在的自适应算法。     

一种基于高斯-塞得尔迭代的信道均衡算法

由于运算量大,以及对快衰落信道的无能为力,自适应均衡器的使用受到了很大的限制。将高斯-塞得尔迭代用于信道均衡,提出了一种基于信道估值的信道均衡算法,主要分析了小数抽头决策反馈均衡器的性能,并与整数抽头均衡器作了比较。     

自适应盲均衡信道的设计与实现

针对星地高速遥感传输信道中客观存在的码间串扰、信道不确定性等情况，提出采用双模式自适应盲均衡方法，综合了CMA（Constant Modulus Agorithm，恒模算法）均衡器的高稳健性以及LMS（Least Mean Square，最小均方算法）均衡器的高精度等优势。方法在均衡初期，利用CMA均衡器实现快速收敛；在MSE（Mean Square Error，均方误差）较小时切换为LMS均衡器，完成高精度收敛，实现了星地高速传输信道失真信号的快速高精度校正。     

基于短波多径信道的复判决反馈均衡器的改进

在平方根卡尔曼复判决反馈均衡器原理的基础上,针对短波信道经常存在的多径在前主径在后的情况,对应用于短波高速数据传输的均衡器进行了结构上的改进,不立刻对输入均衡器的码元进行判决,而是延迟一定码元时间后再进行判决。MATLAB仿真结果表明,进行延迟判决的均衡器在既不影响均衡器的收敛速度,且算法复杂度增加很少的前提下,比常规结构的复判决反馈均衡器在抗干扰性能上有很大提高。     

Turbo码在慢衰落信道中的性能分析及应用

针对慢衰落信道的特点,提出了在衰落信道中Turbo码的构造方法;分析了慢衰落信道特性及其对Turbo码性能的影响;仿真结果表明,Turbo码在这种信道中可以获得接近极限的性能,适于在慢衰落信道中的应用.     

用于信道盲均衡的基于软判决导向的LS算法

本文提出两种改进的基于软判决导向的最小平方均衡法。一种采用横向结构，另一种采用格式结构。这两种均衡算法的判决误差形式不同于一般的判决误差形式，它们的表达式是一种更为复杂的连续函数形式。通过计算机仿真，我们发现，采用横向结构的这种改进算法无论对于最小相位还是非最小相位信道的均衡均有较好的性能，而采用格形结构的这种改进算法的性能在非最小相位信道下的性能反而不如传统的格形算法。     

临近空间高速飞行器综合信道模型研究

针对临近空间飞行器在高速飞行时所经历的高动态多普勒和等离子鞘套等恶劣通信环境以及其通信中断问题,提出了临近空间高速飞行器的综合信道模型方案,在对综合信道内电波传输信道特性分析的基础上将其建模为频率选择性快衰落信道;同时建立了等离子鞘套信道的数学模型,利用传输矩阵法和FDTD算法计算了表征大尺度衰落的电波传输透射系数,并根据散射信道建模方法给出了小尺度衰落的仿真模型并对其参数的获取进行了分析.仿真计算和定性分析表明了该综合信道模型方案的可行性.     

多径信道下基于恒模算法的遥测信号盲均衡

运载火箭在塔架静态测试时易受多径衰落影响,导致遥测信号产生码间干扰。本文对PCM-FM体制遥测信号的多径信道使用恒模算法(CMA)进行盲均衡研究,针对遥测信道中的码间干扰展开理论分析和Matlab仿真,并搭建盲均衡功能测试平台开展实验验证。结果表明:CMA收敛速度高、误码率低,对多径干扰具有较好的鲁棒性和实用性。     

机载情报侦察数据链中的空地链路建模与仿真

针对机载情报侦察链中空地通信链路的特点,建立了统一的信道模型。模型包括大尺度衰落模型和基于三径信道模型的小尺度衰落模型。在给出了信道衰落模型的具体仿真方法后,分析了飞机飞行距离、工作频率及径向飞行速度等参数对信道特性产生的影响,为进行链路预算和解决多径干扰提供理论上的依据和参考。结果表明：不管信息传输速率多大,由于多径的影响在飞机飞行过程中频率选择性衰落都是不可避免的,但信息传输速率越高,衰落越严重;多普勒频移并不直接影响信道特性,但多径信道下的多普勒频移通过引起多普勒扩展而使信道具有了时变性。     

基于神经网络结构化组合的下行链路SINR预测

针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。