无线通信系统稀疏信道信息获取技术研究/张爱华

第1章绪论1

1.1引言1

1.1.1移动通信发展概览1

1.1.25G技术发展情况3

1.2信道估计技术5

1.2.1协同无线通信系统信道估计技术6

1.2.2密集信道下协同中继系统信道估计算法7

1.2.3基于压缩感知的稀疏协同信道估计9

1.3信号检测技术10

1.3.1基于传统算法的信号检测方法10

1.3.2基于深度学习的信号检测方法12

1.4信道反馈技术12

1.4.1基于传统方法的信道反馈算法12

1.4.2基于深度学习的信道反馈算法13

第2章稀疏信号重建15

2.1引言15

2.2压缩感知理论15

2.3信号的稀疏表示16

2.4观测矩阵的特性17

2.5压缩感知重建算法18

2.5.1常用范数的定义18

2.5.2重建算法19

2.6基于凸分析的稀疏正则化21

第3章基于期望*大化算法的MIMO中继系统信道估计24

3.1引言24

3.2MIMO协同通信技术24

3.2.1MIMO通信技术24

3.2.2MIMOOFDM技术25

3.2.3MIMO协同技术25

3.3MIMO协同单向中继系统稀疏信道估计26

3.4基于EM的稀疏度自适应压缩感知信道估计算法29

3.4.1自适应压缩感知算法29

3.4.2稀疏信道估计30

3.4.3仿真与分析31

3.5本章小结35





第4章零吸引*小均方协同通信系统信道估计36

4.1引言36

4.2系统模型与LMS算法37

4.2.1单中继协同通信系统的信道模型37

4.2.2标准LMS算法38

4.3基于稀疏度感知的稀疏信道估计39

4.4仿真与分析40

4.5本章小结43

第5章加权lp范数约束的自适应滤波信道估计算法44

5.1引言44

5.2系统模型和LMS算法45

5.3加权lp范数LMS算法的信道估计算法46

5.4计算复杂度分析48

5.5加权lpLMS算法的性能分析49

5.5.1均值特性分析49

5.5.2均方误差收敛性能分析50

5.6仿真实验分析50

5.7本章小结58

第6章变步长lpLMS算法的稀疏系统辨识60

6.1引言60

6.2稀疏约束LMS算法回顾61

6.3变步长lp范数LMS算法62

6.4算法收敛性能分析63

6.5仿真实验64

6.6本章小结67

第7章基于LogSum LMS的稀疏信道估计算法68

7.1LMS算法及超均方误差表示68

7.2对数和约束LMS算法69

7.3收敛性分析69

7.4仿真与分析71

第8章基于深度神经网络的MIMO软判决信号检测算法75

8.1引言75

8.2MIMO信号检测的原理76

8.3系统模型77

8.4深度神经网络与Dropout层78

8.5基于深度神经网络联合训练的MIMO信号检测79

8.6基于深度神经网络联合训练的MIMO软判决信号检测80

8.7仿真与分析81

8.8计算复杂度分析86

8.9本章小结86

第9章基于长短时注意力机制的大规模MIMO信道反馈87

9.1引言87

9.2信道状态信息反馈原理88

9.3深度学习理论90

9.3.1典型的神经网络结构91

9.3.2训练方法94

9.4基于深度学习的大规模MIMO信道反馈模型96

9.5LSTMAttention CsiNet及其轻量级网络97

9.5.1LSTMAttention CsiNet97

9.5.2轻量级网络Reduced LSTMAttention CsiNet101

9.6基于自动编码器的信道状态信息反馈算法102

9.7仿真与讨论104

9.7.1算法的NMSE性能104

9.7.2算法的余弦相似度性能106

9.8复杂度分析108

9.9本章小结109

参考文献110

附录129

附录A式（45）的证明129

附录B式(517)和式(518)的证明129

附录C式（612）的证明130

附录D式（613）的推导过程132