基于压缩感知的自适应加权匹配追踪算法

压缩感知（compressed sensing,CS）技术通过减少发射导频数来提高频谱的利用率。将CS技术应用于导频辅助的稀疏度未知的正交频分复用（orthogonal frequency division multiplexing,OFDM）信道估计中,提出一种自适应加权匹配追踪（CS-based adaptive weighting ＆matching pursuit,AWMP）算法。该算法使用自适应加权、匹配追踪的方法估计信道时域脉冲响应,按照估计信噪比和匹配原则,利用多次迭代进行自适应加权和寻找最佳稀疏度,实现未知信道稀疏度与信噪比的情况下,准确估计信道信息。仿真验证表明,与传统的信道估计算法相比,采用基于AWMP的信道估计方法,能够利用较少的导频信息获得更低的误码率和均方误差。     

基于压缩感知的非线性OFDM系统迭代信道估计算法

针对因非线性失真引起的正交频分复用（orthogonal frequency division multiplexing,OFDM）系统信道估计性能下降的问题,提出了一种基于压缩感知的非线性OFDM系统迭代信道估计算法。在算法实现过程中,利用信道与非线性噪声的双重稀疏性,将导频信息作为观测矩阵进行压缩感知信道估计,再将所得信道信息看作观测矩阵进行压缩感知非线性失真估计,进而对信号进行非线性补偿,并逐步循环迭代至算法收敛。仿真表明,在稀疏信道下,该算法在较少的迭代次数下即可有效减小非线性失真对信道估计的影响,且比现有方法性能更优,仿真证明了该方法在性能上的优越性。     

基于用户集合势估计的认知无线电合作频谱感知

频谱感知技术是认知无线电系统的基本功能,是实现已授权频段的次级动态接入和共享的前提。提出基于用户集合势估计的合作频谱感知方案,旨在通过GEEF（gerschgorin exponentially embedded families）,SPEEF（sam-pled power exponentially embedded families）等算法估计出用户的集合势,即适合参与合作频谱感知的最优用户个数,再从全部合作用户中筛选出相应的频谱观测数据生成全局检测统计量,通过与判决门限进行对比,最终对授权用户状态做出判决。理论分析与实验结果表明,提出的方案能够有效地提高频谱感知的性能。