logo资料库

非高斯噪声环境下基于RLS的稀疏信道估计算法.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书 资料大小：0.52M 资料格式：pdf 举报 版权申诉
第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
资料共7页，全文预览结束
    非高斯噪声环境下基于RLS的稀疏信道估计算法 非高斯噪声环境下基于 的稀疏信道估计算法 现有的信道估计算法大多是基于高斯噪声模型假设。然而在实际无线通信环境中，常常出现脉冲噪声使得噪声 不再满足高斯模型，而是满足一种广义高斯分布（GGD）噪声模型。采用传统的自适应信道估计算法（如递归 最小二乘（RLS）算法）无法抑制这种非高斯噪声的干扰。对此提出一种可抑制非高斯噪声干扰的RLS信道估计 算法。该算法通过在标准RLS算法中引入两种稀疏约束函数（L1-范数和L0-范数）来有效地挖掘稀疏结构信息。 通过蒙特卡罗仿真，验证了提出的信道估计算法的估计性能比标准RLS算法更好。 0 引言引言 为了挖掘无线通信信道的稀疏结构特性，已经提出了各种稀疏LMS信道估计算法[1-3]、稀疏LMF信道估计算法[4-6]以及稀疏 LMS/F信道估计算法[7-9]。由于这些算法都是基于LMS、LMF以及LMS/F的误差标准函数，因此相对应的算法会保持相同的收 敛速度。实际上，跟这些算法相比，标准RLS算法具有更快的收敛速度[10]。为了尽可能地提高实际无线通信系统中的快 速[1]以及近似零范数稀疏约束函数[11]，提出两种自适应稀疏信道估计算法：零吸引RLS（RLS using zero-attracting，RLS- ZA）和零范数RLS（RLS using L0-norm，RLS-L0）信道估计算法。 本文提出两种适合非高斯噪声环境的稀疏RLS信道估计算法。首先，该算法具有比稀疏LMS信道估计算法更简单的计算复 杂度。另外，该算法利用了多径信道具有的稀疏特性，提高信道估计性能。最后，通过计算机仿真验证，在不同形状参数的非 高斯噪声环境下，该算法都具有较好的信道估计性能以及收敛速度。 1 系统模型和广义高斯噪声模型 系统模型和广义高斯噪声模型 1.1 系统模型 系统模型 假设系统是一个宽带无线通信系统的自适应信号模型，输入为一个长度为N的训练信号序列，在加性非高斯噪声w(n)的干扰 下，接收信号y(n)可以表示为： 1.2 广义高斯分布模型 广义高斯分布模型 式(1)中的w(n)指的是非高斯加性噪声，在本文中采用的是GGD模型。GGD模型是当前认知无线电网络中三种常用的非高斯 噪声模型之一，另外两种分别是高斯混合分布模型和对称α稳定分布模型。 GGD模型的主要思想是保留形如高斯噪声的指数型衰减，通过改变指数参数来获得不同程度的衰减速率，从而模拟实际中 不同类型的噪声。GGD在拟合非高斯噪声方面有重要的应用，Chen和G.Gonzalez-Farias等提出GGD可以很好地拟合大气噪 声和脉冲噪声[12，13]。 广义高斯分布的概率密度函数为[14]：
    实际环境中，非高斯噪声的大样本规模比高斯噪声的高，即非高斯噪声概率密度函数的衰减速率比高斯噪声的低。因此非 高斯模型的一个重要特征是比高斯噪声具有更厚重的拖尾。 比高斯的衰减快；当0<α<2时，拖尾比高斯的衰减慢，拖尾较厚重，能够拟合实际非高斯噪声。 GGD的密度函数曲线如图1。通过改变α值，可得到不同形状的拖尾，当α>2时，拖尾 2 标准标准RLS和稀疏和稀疏RLS信道估计算法 信道估计算法 2.1 标准标准RLS估计算法 估计算法 先介绍一种标准RLS信道估计算法，代价函数可以写成：
    通过式(11)可以看出，标准RLS信道估计算法不能挖掘信道的结构信息。为了有效地挖掘信道结构信息和提高信道估计性 能，有必要发展稀疏RLS信道估计算法。 2.2 稀疏稀疏RLS估计算法 估计算法 其中γ表示一个非负的正则化参数，主要用于均衡信道估计误差和稀疏信道的可挖掘稀疏度。通常情况下，针对不同稀疏信 道，为了最大限度地挖掘信道的稀疏结构信息，选取γ参数的大小可能会不一样。因此，在实际通信系统中的稀疏信道估计， 合理地选取γ也是有效提高自适应稀疏信道估计性能的重要步骤。根据代价函数式(13)，并利用式(8)～(10)，可以推导出稀疏 RLS信道估计算法的升级方程为：
    3 实验仿真 实验仿真 3.1 仿真环境 仿真环境 该文主要通过改变背景噪声的形状参数(α)，仿真RLS-L0/RLS-ZA和标准RLS，比较其性能。为了达到尽可能平均的信道估 计性能，采用1 000次蒙特卡罗仿真次数。仿真环境采用典型的宽带无线通信系统。信号传输带宽为60 MHz，载波中心频率为 2.1 GHz。最大信号传输时延为1.06 μs。最大信道时延长度N=128，非零抽头系数个数K=8。为了评估信道的估计性能，均方 偏差标准定义为： 其中E(·)表示数学期望算子。针对实际的信道矢量w，信道抽头系数满足随机高斯分布且 接收信噪比定义为 其中P0表示接收信号功率， 表示噪声方差。
    3.2 稀疏信道估计性能与形状参数 稀疏信道估计性能与形状参数?琢之间的关系 琢之间的关系 针对3种不同的形状参数，α∈{1.5，2，2.5}，信道稀疏度K=8，遗忘因子λ=0.995，在信噪比分别为10 dB和20 dB的情况 下，图2和图3评估RLS-ZA算法的信道估计性能，图4和图5评估RLS-L0算法的信道估计性能。从图2~图5可以看出，针对不同 的形状参数，稀疏RLS算法可以达到不同的信道估计性能。本文提出的两种稀疏RLS算法的估计性能都优于标准RLS算法，且 形状参数越小，信道估计性能越好。
    观察图2和图3可得到：形状参数α一致时零范数RLS曲线在标准RLS的下方，说明零范数RLS算法估计性能优于标准RLS； 以图2中α=1.5的两条曲线为例，当迭代次数从400增加到800时，两条曲线的差值从1.7 dB上升到3.5 dB左右。随着迭代次数 的增加，零范数RLS相较于标准RLS的估计性能优势愈发明显；图3的曲线相较于图2更加平滑且纵坐标数值更小，说明算法在 20 dB信噪比的环境下性能更优。 观察图4和图5可得到：α一致时零吸引RLS算法估计性能优于标准RLS；随着迭代次数的增加，零吸引RLS相较于标准RLS 的估计性能优势愈发明显；算法在20 dB环境下性能更优。 再分别对比同一信噪比下的图2和图4、图3和图5可以得到，随着迭代次数的增加，同一形状参数α下的零范数RLS算法的信 道估计性能比零吸引RLS更好。 4 结论结论 本文提出一种适合非高斯噪声环境的基于 参考文献 参考文献 [1] CHEN Y，GU Y，HERO A O.Sparse LMS for system identification[C].Acoustics：Speech and Signal Processing，2009：3125-3128. [2] GUI G，PENG W，ADACHI F.Improved adaptive sparse channel estimation based on the least mean square algorithm[C].In Wireless Communications and Networking Conference(WCNC)，2013. [3] TAHERI O，VOROBYOV S.Sparse channel estimation with L P-norm and reweighted L 1-norm penalized least mean squares[C].Acoustics：Speech and Signal Processing(ICASSP)，2011. [4] GUI G，MEHBODNIYA A，ADACHI F.Adaptive sparse channel estimation using re-weighted zero-attracting normalized least mean fourth[C].In Communications in China(ICCC)，2013. [5] GUI G，XU L，ADACHI F.Extra gain: Improved sparse channel estimation using reweighted l1-norm penalized LMS/F algorithm[C].China：ICCC，2014. [6] GUI G，XU L，ADACHI F.RZA-NLMF algorithm-based adaptive sparse sensing for realizing compressive sensing[J].EURASIP Journal on Advances in Signal Processing，2014(1)：1-10. [7] GUI G，ADACHI F.Sparse least mean fourth filter with zero-attracting l1-norm constraint[C].In Information，Communications and Signal Processing(ICICS)，2013. [8] GUI G，MEHBODNIYA A，ADACHI F.Sparse LMS/F algorithms with application to adaptive system identification[C].Wireless Communications and Mobile Computing，2013. [9] GUI G，MEHBODNIYA A，ADACHI F.Least mean square/fourth algorithm for adaptive sparse channel estimation[C].In Personal Indoor and Mobile Radio Communications(PIMRC)，2013. [10] EKSIOGLU E M.Group sparse RLS algorithms[J]. International Journal of Adaptive Control and Signal Processing，2014，28(12)：1398-1412. [11] GU Y，JIN J，MEI S.l_0 Norm constraint LMS algorithm for sparse system identification[J].IEEE Signal Processing Letters，2009，16(9)：774-777. [12] CHEN Y，BEAULIEU N C.Novel low-complexity estimators for the shape parameter of the generalized Gaussian distribution[J].Vehicular Technology，2009，58(4)：2067-2071. [13] GONZALEZ-FARIAS G，MOLINA J，RODRIGUEZ-DAGNINO R M.Efficiency of the approximated shape parameter estimator in the generalized gaussian distribution[J].Vehicular Technology，2009，58(8)：4214-4223.
    [14] ZAHABI S J，TADAION A.Local spectrum sensing in non-Gaussian noise[C].In Telecommunications(ICT)，2010 IEEE 17th International Conference on，2010.
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料