L波段数字航空通信系统(L-band digital aeronautical communication system,LDACS)作为未来航空数据链的重要技术手段之一,非常容易受到相邻波道的测距机系统信号的干扰。为此,提出一种基于稀疏贝叶斯推断的LDACS波束形成方法。首先,将...L波段数字航空通信系统(L-band digital aeronautical communication system,LDACS)作为未来航空数据链的重要技术手段之一,非常容易受到相邻波道的测距机系统信号的干扰。为此,提出一种基于稀疏贝叶斯推断的LDACS波束形成方法。首先,将LDACS地面站的粗略来向信息作为先验,并根据空域信号来向的稀疏性构建稀疏信号。随后,通过贝叶斯推断估算干扰和噪声的功率,估计各个信源的来向。最后,重构干扰噪声协方差矩阵,获得波束形成权矢量。该方法无需知晓干扰数量、干扰来向等信息。仿真结果表明,该方法在低信噪比和少快拍条件下也能稳定输出波束方向图,表现出较好性能。展开更多
为了保证水下设备的长期稳定通信,提出了一种基于改进的快速边缘似然最大化的稀疏贝叶斯学习(sparse Bayesian learning based on improved fast marginal likelihood maximization, IFM-SBL)算法,对水声信道进行低复杂度、高性能的估...为了保证水下设备的长期稳定通信,提出了一种基于改进的快速边缘似然最大化的稀疏贝叶斯学习(sparse Bayesian learning based on improved fast marginal likelihood maximization, IFM-SBL)算法,对水声信道进行低复杂度、高性能的估计。特别是在低信噪比情况下,通过阈值去噪和离散傅里叶变换降噪,可以进一步提升算法的性能。仿真和海试结果表明,所提的IFM-SBL信道估计后的输出误码率与基于期望最大化的稀疏贝叶斯学习(sparse Bayesian learning based on expectation maximization, EM-SBL)算法相似,且验证了算法在低信噪比和快慢时变信道中都具有良好的鲁棒性。在运行速度方面,FM-SBL算法与IFM-SBL算法比EM-SBL算法提高了约90%,大大减少了信道估计时间。展开更多
针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶...针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶斯学习框架下,结合期望最大化算法(Expectation-Maximization,EM)和卡尔曼滤波与平滑算法实现块时变信道的最大似然估计;基于信道状态信息的估计值进行GFDM符号检测,并通过信道估计与符号检测的迭代处理逐步提高信道估计与符号检测的精度.仿真结果表明,所提算法能够获得接近完美信道状态信息条件下的误码率性能,且具有收敛速度快、对多普勒频移鲁棒性高等优点.展开更多
文摘L波段数字航空通信系统(L-band digital aeronautical communication system,LDACS)作为未来航空数据链的重要技术手段之一,非常容易受到相邻波道的测距机系统信号的干扰。为此,提出一种基于稀疏贝叶斯推断的LDACS波束形成方法。首先,将LDACS地面站的粗略来向信息作为先验,并根据空域信号来向的稀疏性构建稀疏信号。随后,通过贝叶斯推断估算干扰和噪声的功率,估计各个信源的来向。最后,重构干扰噪声协方差矩阵,获得波束形成权矢量。该方法无需知晓干扰数量、干扰来向等信息。仿真结果表明,该方法在低信噪比和少快拍条件下也能稳定输出波束方向图,表现出较好性能。
文摘为了保证水下设备的长期稳定通信,提出了一种基于改进的快速边缘似然最大化的稀疏贝叶斯学习(sparse Bayesian learning based on improved fast marginal likelihood maximization, IFM-SBL)算法,对水声信道进行低复杂度、高性能的估计。特别是在低信噪比情况下,通过阈值去噪和离散傅里叶变换降噪,可以进一步提升算法的性能。仿真和海试结果表明,所提的IFM-SBL信道估计后的输出误码率与基于期望最大化的稀疏贝叶斯学习(sparse Bayesian learning based on expectation maximization, EM-SBL)算法相似,且验证了算法在低信噪比和快慢时变信道中都具有良好的鲁棒性。在运行速度方面,FM-SBL算法与IFM-SBL算法比EM-SBL算法提高了约90%,大大减少了信道估计时间。
文摘针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶斯学习框架下,结合期望最大化算法(Expectation-Maximization,EM)和卡尔曼滤波与平滑算法实现块时变信道的最大似然估计;基于信道状态信息的估计值进行GFDM符号检测,并通过信道估计与符号检测的迭代处理逐步提高信道估计与符号检测的精度.仿真结果表明,所提算法能够获得接近完美信道状态信息条件下的误码率性能,且具有收敛速度快、对多普勒频移鲁棒性高等优点.
