一、OFDM中利用导频的一种信道估计方法（论文文献综述）
隋永波[1]（2021）在《基于回声状态网络的自适应OFDM系统非线性信道预测方法研究》文中提出在宽带无线通信系统中,发射系统可以通过具有自适应传输技术的OFDM（Orthogonal Frequency Division Multiplexing）系统实现用户数据的高效率传输。然而,当接收端将估计的信道状态信息反馈到发射端时,由于接收端的计算开销和信道状态信息的反馈时延,发射端接收到的信道状态信息往往是过期的。为了降低过期信道状态信息对自适应OFDM通信系统的影响,发射端可以利用过期信道状态信息进行信道预测,以获取将来的信道状态信息。因此,信道预测是自适应OFDM系统中一项重要的技术。然而,在自适应OFDM系统中,自回归等传统线性信道预测方法对具有时频空特性的信道状态信息的泛化能力有限,导致这些方法的信道预测精度较低。回声状态网络作为一种新型储蓄池计算类神经网络,可以有效地提取频域、时域和空域信道状态信息的潜在动态特征,高精度地拟合信道状态信息的变化趋势,实现自适应OFDM系统中信道状态信息的准确预测。因此,本论文基于回声状态网络,在频域、时域和空域提出了一系列的非线性信道预测方法,对自适应OFDM无线通信系统的发展具有重要的意义。本论文对OFDM系统的时频空特性进行了深入研究,基于回声状态网络提出了一系列的非线性信道预测方法。本论文的主要研究内容包括:1)提出了基于改进自适应弹性回声状态网络的OFDM系统频域信道预测方法。针对于自适应OFDM系统中频域信道状态信息的预测问题,本文研究了自适应弹性回声状态网络,并提出了一种基于改进自适应弹性回声状态网络的OFDM系统频域信道预测方法。该方法利用改进自适应弹性网络估计回声状态网络的输出权重,可以有效地解决由于回声状态网络隐含层中大量神经元导致的输出权重病态解问题。因此,该方法不仅具有oracle属性和良好的信道预测性能,而且还可以快速地产生稀疏输出权重矩阵。在仿真结果中,改进自适应弹性回声状态网络表现出了很好的单步预测性能、多步预测性能和鲁棒性性能。2)提出了基于递归量化分析的重要时延抽头辨识方法。针对于OFDM系统时域信道预测中信道脉冲响应重要时延抽头和其他非重要时延抽头难以区分和辨识的问题,本论文提出了一种基于递归量化分析的重要时延抽头辨识方法。该方法利用递归量化分析对信道脉冲响应中各个时延抽头增益的局部可预测性进行估计和量化,通过局部可预测性实现了信道脉冲响应中重要时延抽头的准确辨识。仿真结果表明,本论文提出的重要时延抽头辨识方法具有很好的辨识精度。3)提出了基于联合回声状态网络的OFDM系统时域信道预测方法。在信道脉冲响应中,重要时延抽头比其他非重要时延抽头具有较高的信噪比。为了解决OFDM系统时域信道预测中信道脉冲响应重要时延抽头的预测问题,本论文提出了一种基于联合回声状态网络的OFDM系统时域信道预测方法。在该方法中,本论文利用基于l1/2正则化的双层收缩网络估计回声状态网络的输出权重矩阵。该双层收缩网络可以有效地均衡l1/2正则化的稀疏能力和泛化能力,有效地解决回声状态网络输出权重病态解的问题。本文介绍了联合回声状态网络的计算过程,并着重介绍了基于l1/2正则化的双层收缩网络的实现过程。仿真结果表明,联合回声状态网络比自回归等经典方法具有更好的单步预测性能和多步信道预测性能。4)提出了基于宽度回声状态网络的MIMO-OFDM系统空域信道预测方法。为了解决单一储蓄池对MIMO-OFDM系统中具有时空相关性信道状态信息动态特征提取能力有限的问题,本论文提出了一种基于宽度回声状态网络的MIMO-OFDM系统空域信道预测方法。该方法利用宽度学习对回声状态网络的储蓄池进行横向扩展,提高了回声状态网络对具有时空相关性信道状态信息中潜在动态特征的提取能力,达到了对MIMO-OFDM系统信道状态信息准确预测的目的。在3GPP LTE的不同标准场景、不同最大多普勒频移、不同天线配置和不同空间相关性的仿真结果中,宽度回声状态网络表现出了很好的单步预测和多步预测性能。
涂岳[2]（2021）在《基于深度学习的OTFS信号解调技术研究》文中研究表明正交时频空（OTFS）有望解决未来无线通信中高速移动场景的通信问题。但是OTFS信道矩阵太大,加之其实际应用时会存在符号间干扰和子载波间干扰,使得OTFS的信号解调成为一个挑战。已有许多针对OTFS解调的研究。OTFS信号的解调由信道估计和信号检测组成。OTFS的信道估计通常采用冲激函数作为导频,使用基于阈值的方法直接估计信道,可能导致较高的均方误差（MSE）;在OTFS信号检测中,常用的线性检测算法会进行矩阵求逆运算,时间复杂度和空间复杂度大并且检测性能也不佳,非线性检测如消息传递（MP）算法也存在复杂度太大的问题。深度学习最近几年在通信中的应用越来越广泛。研究表明,深度学习可以表现出不弱于传统方法的性能,并且具有更快的执行速率,这为OTFS解调提供了一种新思路。本文使用深度学习方法对OTFS的信道估计和信号检测进行优化。在信道估计部分,通过分析借鉴已有的用于信道估计的深度学习方法,我们引入了图像处理中的图像恢复（IR）网络对二维信道图像进行优化,根据OTFS信道特点简化去噪卷积神经网络（DnCNN）,并将其作为IR网络,仿真表明,使用简化后的DnCNN可以获得比传统方法更低的MSE,从而降低系统整体的误比特率（BER）。在信号检测部分,我们分析了传统线性检测方法的实现,提出了一个简化的线性检测器,可以实现在一定性能损失下极大降低所消耗的存储空间和需要的运算复杂度。接着我们研究了已有的适用于大规模多输入多输出（MIMO）的信号检测网络,通过分析OTFS信号的特点,设计了适合OTFS的基于深度学习的信号检测网络。通过对比仿真,验证了所提出的信号检测网络比已有的信号检测网络性能更佳,并且与MP算法相比,极大减少了运行时间,实现了复杂度与解调性能的良好折衷。
郑凯航[3]（2021）在《基于高铁大规模MIMO系统的信道状态信息获取技术研究》文中进行了进一步梳理随着高速铁路的发展,人们对于高机动性场景中的通信服务质量提出了更高的要求,这需要获取精准的信道状态信息（Channel State Information,CSI）。大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术因其具备显着提升信道容量和频谱效率的优势,减弱多普勒效应影响的潜力被考虑为主要解决方案。然而显着的多普勒频移和庞大的天线阵列仍严重制约着CSI的获取效果。为了克服高机动性场景带来的挑战,本文从时频（Time-Frequency,TF）域和多普勒-时延（Doppler-Delay,DD）域两个角度进行研究,提出了两种适用于高机动性场景下的信道估计算法,并给出了收敛性理论分析以及仿真验证。所提算法在各种通信环境下都有着精准的信道估计精度,可以适应不同速度的通信场景。论文主要内容如下:（1）从TF域角度出发,针对高多普勒效应对信道带来的快时变影响提出了一种空间信息辅助的上下行联合信道参数跟踪方案。首先构建了接收信号的稀疏模型,使得观测矩阵的每一列对应于一条信道。然后,将实时CSI获取问题转化为稀疏贝叶斯学习（Sparse Bayes Learning,SBL）形式的信道参数跟踪问题,并利用MM算法迭代求解每个信道参数。最后提出了一种基于显着梯度的快速收敛方案,解决角度相关替代函数的多峰值优化问题。（2）从DD域角度出发,基于DD域信道相对稳定且具有循环矩阵形式的特征,提出了一种联合信道估计及信号检测的方案。首先,本文利用正交时频空间调制方式（Orthogonal Time Frequency Space,OTFS）将信道调制到DD域并给出了 DD域信号输入输出关系。随后,利用免疫算法求解初始信道估计结果并提出了基于信息传递（Message Passing,MP）的信号检测方案。最后利用DD域信道的循环矩阵特性,提出了低复杂度的检测信号和信道估计的联合优化方案。
黄源[4]（2021）在《基于压缩感知的MIMO系统稀疏信道估计方法研究》文中研究指明多输入多输出（Multiple-Input Multiple-Output,MIMO）系统通过在发射端和接收端分别部署多个天线阵列,可以显着地提升信道容量和传输速率,被认为是未来无线通信的关键使能技术之一。然而,在MIMO系统中,随着基站端天线数目的增加,导致产生大量的未知信道参数和巨大的导频开销,使得无线信道估计成为一项极具挑战性的难题。因此,研究MIMO系统的信道估计技术,对未来无线通信技术的发展具有十分重要的意义。在无线通信系统中,无线多径信道通常为稀疏信道,传统的信道估计算法没有利用信道的稀疏性。基于压缩感知（Compressed Sensing,CS）的信道估计方法通过充分利用信道的稀疏特性,可以使用很少的导频序列获得更好的信道估计性能。本文针对复杂环境下MIMO-OFDM（Multi-Input Multi-Output Orthogonal Frequency Division Multiplexing）和大规模MIMO系统,提出了一系列基于压缩感知的稀疏信道估计方法。本文的主要研究内容如下:（1）提出了一种基于压缩感知的MIMO-OFDM系统改进的稀疏信道估计算法。针对MIMO-OFDM系统无线信道模型,考虑到现有的基于稀疏度自适应匹配追踪信道估计算法在低信噪比下存在着重构性能不稳定的问题,本文提出了一种新的自适应匹配追踪（New Adaptive Matching Pursuit,NAMP）稀疏信道估计算法。该方法在不需要信道稀疏度先验知识的情况下,通过固定步长的方式,对迭代过程中的支撑集原子进行选取,提高算法的收敛效率。此外,该方法采用奇异熵定阶的机制来防止引入不相关的原子,提高算法的收敛精度。实验结果表明,该方法的计算复杂度较小和具有更稳定的性能。（2）提出了一种基于压缩感知的TDD大规模MIMO系统改进的稀疏信道估计算法。针对时分双工（Time Division Duplex,TDD）大规模MIMO系统上行链路模型,本文探讨了导频污染问题,提出了一种有效的半正交导频设计方案。此外,考虑到现有算法在重构过程中存在着对稀疏信道抽头能量不够敏感以及重构精度不高的缺点,本文提出了一种优化的自适应匹配追踪（Optimized Adaptive Matching Pursuit,OAMP）算法。该方法采用基于能量熵的排序方法对支撑集原子进行筛选,提高算法的估计性能。然后,该方法利用分段自适应变步长的方法,提高算法的泛化能力。理论分析和仿真结果表明,本文提出的OAMP算法进一步减少了导频污染,且以较小的时间复杂度为代价提高了信道估计的精度,其综合性能优于其它信道估计算法。（3）提出了一种基于结构化压缩感知的FDD大规模MIMO系统改进的稀疏信道估计算法。针对频分双工（Frequency Division Duplex,FDD）大规模MIMO系统下行链路模型难以确定信道稀疏度和重构算法阈值参数的问题,本文提出了一种基于结构化压缩感知的时频分块稀疏信道估计方法,即广义分块自适应匹配追踪（Generalized Block Adaptive Matching Pursuit,g BAMP）算法。首先,该算法利用大规模MIMO系统的时频联合分块稀疏性,实现对索引集的优化选取,从而提高算法的稳定性。然后,该算法在没有阈值参数的情况下,利用残差的F范数确定算法自适应迭代的停止条件,证明了该算法的有效性。仿真结果表明,本文提出的g BAMP算法能够快速、准确地估计出FDD大规模MIMO系统信道的状态信息,且性能优于同类算法。（4）提出了一种基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法。在FDD大规模MIMO系统中,随着无线信道矩阵规模的增大,该迭代优化的密集计算和不能保证解全局最优的缺点已成为压缩感知在信道估计应用中的瓶颈。为了解决这个问题,本文提出了一种新型的基于深度学习的压缩感知稀疏信道估计方法,即卷积重构网络（Convolutional Compressive Sensing Network,Con CSNet）。在不需要信道稀疏度的情况下,本文通过Con CSNet算法求解由接收信号得到信道状态信息的逆变换过程,从而解决压缩感知框架下的欠定最优化问题,实现对原始稀疏信道的重构。实验结果表明,与基于传统贪婪算法的压缩感知信道估计方法相比,本文提出的Con CSNet算法的精度更高,且运算速度更快。
姚坤[5]（2021）在《基于压缩感知的OFDM信道估计研究》文中提出随着6G研究的开展,将正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术应用于天地一体化网络的呼声越来越高。OFDM技术具有较高的频谱利用率和易实现调制解调外,还可以有效地对抗信号波形间的干扰,适用于多径环境和衰落信道中的高速率数据传输,这些优点使得OFDM技术在移动通信领域得到了广泛地应用。为了保证高速率的信息传输,同时保持较高的频谱利用率,接收端需要进行相干解调,而信道状态信息的获取需要通过信道估计来实现。通过大量的研究证明,无线信道由于多径效应的存在,使得信道在时域上表现出稀疏特性。同样,卫星信道也具有很强的稀疏特性。研究发现压缩感知理论可以通过少量的测量值高概率恢复出原始稀疏信号,从而为信道估计提供了一种新的理论研究方向。本文研究的内容主要是基于压缩感知的信道估计方法,提出了一种新的导频图样优化设计方法和具有一定抗噪声性能的恢复算法。主要工作如下:第一,对OFDM的信道估计问题进行建模,并与压缩感知的模型进行对比和分析,得到了用于信道估计的压缩感知模型。第二,导频图样优化方法。对于传统导频图样在压缩感知中效果不佳的问题,提出了一种基于混沌反向学习策略、自适应权重因子和局部搜索的樽海鞘群算法（Chaotic opposition learning、adaptive Weighing factor and local search based Salp Swarm Algorithm,CWSSA）用于导频图样优化。仿真结果表明,在不同的信道场景下,本文提出的算法在进行导频图样设计时比其它算法更容易收敛,获得的列相干系数也最小,且获得的导频图样用在通信系统中进行信道估计时具有更小的误码率（Bit Error Rate,BER）和均方误差（Mean Square Error,MSE）。第三,基于信道估计的压缩感知的重构算法研究。本文首先分析了不同压缩感知重构算法的优缺点,稀疏度自适应匹配追踪（Sparsity Adaptive Matching Pursuit,SAMP）算法的优点在于不需要重构信号的稀疏信息,而是利用步长的增加来逐步向稀疏度靠近,从而重构出稀疏信号。然而在SAMP算法中并没有考虑噪声对于重构结果的影响,这在一定程度上会给重构的结果带来误差。本文在SAMP算法之上提出了一种基于去噪和模糊门限的稀疏度自适应匹配追踪算法（Denoising and fuzzy Thresholds Sparsity Adaptive Matching Pursuit,DT-SAMP）,有效的改善了 SAMP算法的抗噪声能力和迭代过程中的原子选择问题。通过实验验证,本文所提的算法在稀疏度未知的信道估计中,有着比OMP、SAMP等算法更好的重构精度。最后总结了全文,并提出了本文在技术上所存在一些问题以及后续的研究方向。
曹梦硕[6]（2021）在《双选衰落信道下OFDM系统信道估计技术研究》文中研究指明未来无线通信系统应能满足高速移动场景下的宽带无线通信需求。针对此种时频双选衰落信道,单载波通信系统需要复杂的自适应均衡算法来抵抗衰落信道中的符号间干扰,在此背景下,凭借频谱资源利用效率高、抗多径能力好等方面的优势,正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术的关注度显着提升。它通过插入循环前缀可以有效抑制多径效应造成的频率选择性衰落,却对多普勒效应造成的时间选择性衰落十分敏感,少许的多普勒频移便会破坏OFDM系统子载波间的正交性,产生严重的子载波间干扰（Inter-carrier Interference,ICI）。传统的信道估计技术应用到双选衰落信道下的OFDM系统中时,需要占用大量的导频资源,而且性能较差,尤其系统的时变性较强时,性能恶化严重。针对以上问题,本文首先研究了基于压缩感知的信道响应估计方法,分析了由多普勒扩展引起的子载波间干扰的统计特性以及其在子载波间的分布规律,指出某个子载波受到的ICI主要来自于邻近的少数几个子载波。为了抑制ICI,在有效导频两侧插入保护导频;使用基扩展模型对双选衰落信道进行建模,减少了待估参数;利用分布式压缩感知理论对联合稀疏的基系数向量进行恢复并使用离散长椭球序列对其进行平滑处理,通过仿真验证了算法的优越性。其次研究了基于深度学习的信道响应估计方法。首先,针对学习网络进行离线训练,并使用鲸鱼优化算法搜索网络的最佳学习率,然后将训练过的网络用于在线的信道估计。通过离线训练与在线估计,修正了由于线性插值未考虑信道时变性带来的估计误差,进而使得系统误码性能以及信道估计精度获得显着改善。最后在FPGA上进行了上述信道估计算法的部分顶层设计与实现,进一步验证了算法的有效性。
程龙[7]（2021）在《毫米波大规模MIMO信道估计和波束对准技术研究》文中研究说明随着未来移动通信需求的发展、高速率通信场景的增加,以及低频段资源的短缺,毫米波通信技术,由于其具有更多的频谱资源,更大通信带宽,并且能够有效的利用空间域的资源,越来越受到学术界和工业界的重视。因此,毫米波通信技术也成为了5G通信的重要技术之一。本论文从毫米波通信中实际存在的问题出发,首先研究了毫米波通信的信道特性、通过实际测量和大量经典文献的整理,基于前期研究的毫米波信道特性成果,使用不同的毫米波大规模多入多出（Multiple Input Multiple Output,MIMO）收发信机结构,利用毫米波MIMO信道在空间体现的稀疏性,针对毫米波大规模MIMO中可能存在的三个核心问题:天线孔径、高机动性、宽带性,研究了实际应用场景中存在的宽带信道估计问题,移动态信道估计问题,以及波束对准问题等。全文的工作以及创新主要包括以下几个方面:首先,整理总结现有文献中关于毫米波信道特性的研究,并且在毫米波室外传室内（Outdoor to Indoor,O2I）场景进行了信道测量,并分析结果。然后,结合毫米波MIMO信道在空间体现的稀疏性,研究了波束域的概念,讨论毫米波信道稀疏化过程中的格点失配问题,研究了格点失配问题的本质,仿真相应的波束空间图展示,同时针对本论文使用的三个核心数学工具压缩感知（Compressive Sensing,CS）技术,张量分解技术,以及稀疏编码技术进行了阐述。其次,基于毫米波大规模MIMO的基础架构,重点研究了毫米波宽带信道的空间参数以及时延参数提取问题,进一步研究了存在空间-宽带效应下的波束倾斜问题。一方面,针对传统的毫米波宽带信道模型,提出一种基于维度叠加的信道估计方法,仿真表明,所提算法能够有效的估计宽带信道同时避免了格点失配现象的发生。另一方面,针对毫米波通信带宽足够宽,天线孔径足够大的情况,研究了新的信道模型,仿真分析了具体的现象和规律,然后基于无格点的联合参数提取算法提出了一种低复杂度的毫米波空间宽带信道估计算法,提升了系统的估计效率和降低了复杂度。并且,针对未来车联网,高速移动穿戴,高铁等移动场景下的毫米波时变信道估计问题,提出了相应的信道估计算法。首先,分析毫米波时变信道与低频段时变信道的区别,基于毫米波信道测量结果确定时变信道模型。其次,充分利用毫米波时变信道的时间维度信息,提出了基于张量分解的毫米波时变信道估计方法。最后,研究毫米波时变信道存在的块稀疏和低秩特性,联合块正交匹配算法（Block Orthogonal Matching Pursuit,BOMP）和平行因子分解（ANDECOMP/PARAFAC,CP）方法,提出一种联合估计算法,同时,基于这种三维结构,推导了时变信道的所有参数的理论界限,也就是通常所用的克拉美罗下限（Cramer-Rao Lower Bound,CRLB）,仿真结果表明其所提出算法创新点在于同时优于传统基于压缩感知和张量分解的方法,同时固定角度信息条件下逼近理论下限。为了研究宽带时变信道下毫米波通信的性能,仿真研究了最新的正交空时频（Orthogonal Time Frequency Space,OTFS）在毫米波频段的性能,并且分析了毫米波MIMO-OTFS系统可能的信道估计方案。最后,研究毫米波通信中的波束对准问题。首先,建立了分层的稀疏编码矩阵的模型,推导基于消息传递算法（Message Passing,MP）基本模型的peeling off算法的成功概率,将其应用到毫米波多用户上行场景中获得了一定的性能提升。然后,基于稀疏编码解码的波束对准框架,提出了时变信道下毫米波波束对准算法,其能够单独提取最大径的多普勒频移参数,相对基于压缩感知时变信道估计算法,降低了复杂度,同时具有很强的鲁棒性。
曾晖[8]（2021）在《基于5G NR的高频段星地通信物理层关键技术研究》文中研究说明低轨卫星通信与地面5G移动通信的融合是未来通信网络发展的重要方向之一。同时,随着低频段可用频谱资源的逐步耗尽,卫星通信也在逐步向高频毫米波频段发展。由于低轨卫星具有很高的运动速度,在高频段通信场景下,多普勒频偏将高达700kHz,是同频5G地面高速移动场景下多普勒频偏的几十倍。大多普勒频偏会严重破坏正交频分复用（orthogonal frequency division multiplexing,OFDM）系统子载波之间的正交性,产生子载波间干扰（inter-carrier interference,ICI）,影响信道估计精度。与此同时,低轨卫星的高速运动还会使信道产生严重的时间选择性衰落,导致信道估计的导频开销大,算法复杂度高。因此,如何针对星地通信网络中的这种高时变信道进行多普勒频偏补偿和高效的信道估计就成为了当前星地通信网络中的研究热点。本文首先针对低轨卫星通信场景,分析了卫星信道的传输特性,并给出了信道模型。接下来分析了多普勒频偏对星地通信链路传输性能的影响,并针对大频偏估计算法复杂度过高的问题设计了一种两级频偏补偿方案。该方案首先基于卫星的星历信息对多普勒频偏进行简单估计和预补偿,以较低的算法复杂度将多普勒频偏校正到一个较小的范围;进一步地,通过基于导频互相关和自相关的方法补偿残留的多普勒频偏。研究表明所提算法可以在SNR=15dB时,保证频偏估计均方误差为1%左右,同时算法复杂度降低为同类算法的1/4。其次,本文研究了对星地通信链路中高时变性信道的估计问题。针对高频段低轨卫星信道的低频率选择性和高时间选择性衰落特征,通过优化导频符号的时频插入密度,提高了信道估计精度;进一步地,结合信道的高时变性提出了一种基于导频簇和基扩展模型的信道估计算法,该算法在保持导频开销基本不变的条件下可获得较好的信道估计性能。
李然[9]（2021）在《基于智能反射面的无线通信系统关键技术研究》文中认为第五代（5th Generation,5G）移动通信技术的应用令无线设备、应用程序和各类服务的数量得到了飞速增长。虽然5G的物理层技术通常能够适应无线环境随时间空间的变化,但信号在传播过程中本质上是随机的,环境中存在诸多不可控制的因素。由于无线电波与周围环境之间的不可控的相互作用,接收信号的质量会受到较大影响。如果可以人为控制环境中的随机因素,无线通信的可靠性便可以增强。智能反射面（Intelligent Reflecting Surface,IRS）具有控制电磁波传输的物理特性,因此可以改变入射信号的幅度、相位、频率以及极化方式等。当前多数的研究工作考虑其部署在环境中,既可以人为地改善通信环境,又无需复杂的编译码和射频（Radio Frequency,RF）处理操作。IRS的应用主要有波束赋形、单射频多流发射机、非常规反射和联合编码等。本文以基于IRS的无线通信系统为背景,研究信道估计技术和协议流程的应用和改进,并搭建模型对提出的方法进行仿真验证。首先,本文分析了基于IRS的无线通信系统模型,包括IRS的物理特性、数学模型和整个链路的架构。重点分析了IRS在反射信号时的衰落和相移模型,另外还分析了不同传输信道的时变性和平坦性,得出了经过IRS反射之后的信号模型。最后确定了整个系统的优化目标:通过设计并改变IRS的反射相位,实现接收机处信噪比的最大化。其次,本文依照5G新空口（New Radio,NR）的帧结构标准,根据基于IRS的通信系统模型和正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统特点,设计了一种基于导频的信道估计方式,来进行信道估计和相位调整,并通过理论分析获得了调整相位的表达式。随后,本文将单个超表面单元参与的信道估计扩展到整个IRS,并且在可接受的信道估计误差条件下,使用分组的方式,节省了导频符号的开销。另外本文还理论分析了信道估计的误差,得到了结论:在信道估计帧阶段,使用二维快速傅里叶变换（Fast Fourier Transform,FFT）矩阵作为预设估计矩阵能减小估计误差。最后,本文在利用二进制相移键控（Binary Phase Shift Keying,BPSK）和四相移键控（Quadrature Phase Shift Keying,QPSK）调制方式的链路中进行了系统性能仿真。仿真结果证明了IRS可以有效提升接收机的接收信噪比,同时提升系统的吞吐量性能,并且FFT预设矩阵能够提升信道估计的准确性。最后,本文考察了IRS在四种经典标准信道场景中的应用,包括小尺度城市街道建筑,大尺度城市环境,乡村室外到室内场景和城市室外到室内场景。随后,针对系统在较大多普勒频移的信道环境下出现的性能下降问题,重点对帧结构的设计进行了改进,并使用改进后的结构和参数进行了链路仿真,结果证明了提出帧结构对性能提升的有效性。接下来分析了多用户IRS系统的通信流程,并且分析了三种不同时延长度场景下系统总吞吐量性能,得到了不同比例的用户数量与系统总吞吐量的关系。最后得到结论:IRS可以提升标准信道下的系统误码率和吞吐量性能,并且在较大多普勒频移场景下,改进的帧结构能够减小信道估计的误差,从而提升系统吞吐量性能,另外IRS对于长时延扩展的用户吞吐量性能提升更为明显。
强奇[10]（2021）在《基于设备—环境物理特征的物理层安全技术研究》文中进行了进一步梳理随着第五代移动通信系统（5th generation wireless systems,5G）的商用和其在物联网、车路协同等领域的融合发展,无线通信中承载着越来越多的用户信息以及越来越重要的机密信息。由于无线通信广播的特点,这些信息被窃听和受到干扰的风险大大增加,信息安全问题越来越突出。基于加密和解密协议的信息安全技术依赖于计算复杂性,随着通信终端数目的指数级增加,密钥管理和分发的复杂度也迅速增加,传统的信息安全技术越来越难以满足当前至未来一段时间内的安全需求。本文以时分双工正交频分多址技术（Time Division Duplex-Orthogonal Frequency Division Multiplexing,TDD-OFDM）为基础,分别从单用户单天线和多用户多天线的角度对基于信道特征的物理层安全技术进行了研究,并利用通用软件无线电外围设备（Universal Software Radio Peripheral,USRP）搭建了硬件测试平台,验证了基于设备-环境物理特征的物理层加密系统的可行性。首先,本文基于单天线TDD-OFDM系统单用户密钥生成模型,提出了一种改进的联合相位和幅度的量化区间设计以及自适应的参数优化算法。仿真结果显示,本文提出的改进量化区间设计以及自适应算法可以有效提升密钥长度性能,多普勒频移的增大则会降低密钥长度性能,但是会增强密钥比特速率性能,导频插值间隔的增加会微小增加密钥长度性能,多普勒频移越低效果越明显,不同量化阶数对相位信息损失比的性能影响很大,凸显了自适应算法的必要性。从攻击场景的仿真可以看出,本文的密钥生成算法在牺牲0.4d B的误码率代价下,换取了窃听者0.5的误码率性能,可以有效抵御窃听攻击;在重放攻击的功率与发送信号的功率相同的攻击场景下,相比于-10d B的低功率重放攻击,平均密钥长度性能降低近50%,难以有效抵御高功率重放攻击。其次,本文将密钥生成模型引入了多天线多用户场景,推导了多天线模型下系统的安全容量,讨论了系统保密容量与收发天线数的关系;同时,在传统多天线多用户密钥生成模型的基础上,本文提出了一种基于多天线系统信道降维的密钥生成模型,设计了基于波束域信道的预编码和接收矩阵。仿真分析了不同导频复用方案和波束重叠方案下密钥生成速率情况,在用户数为4,基站发射波束与用户接收波束均为4的情况下,采用波束域导频和非重叠波束的方案可以获得最高的密钥速率。最后,本文利用Simulink驱动USRP设备的方式,搭建了硬件测试平台,对提出的单天线TDD-OFDM系统中单用户密钥生成模型进行了实验验证。本平台分别设计了两种不同窃听能力的窃听者,一种窃听者是具有密钥生成模块的解密Eve,一种是不具有密钥生成模块的不解密Eve。测试结果表明,本文提出的密钥生成算法可以在微弱牺牲合法信道误码率性能的情况下,显着提升合法信道通信的安全性,但是在窃听者与合法用户的距离很近的情况下,窃听者可以通过相同的密钥生成算法生成与合法用户相同的密钥,此时的窃听者可以完美地窃听到合法用户的信息。
二、OFDM中利用导频的一种信道估计方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、OFDM中利用导频的一种信道估计方法（论文提纲范文）
（1）基于回声状态网络的自适应OFDM系统非线性信道预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究工作的背景以及意义 |
| 1.2 OFDM信道预测概述 |
| 1.2.1 自适应OFDM无线通信系统 |
| 1.2.2 信道预测的基本方法 |
| 1.2.3 OFDM系统信道预测的研究现状 |
| 1.3 回声状态网络在自适应OFDM系统信道预测中的可行性分析 |
| 1.4 待攻克的问题 |
| 1.5 本文的主要研究内容以及结构安排 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的结构安排 |
| 第2章 自适应OFDM系统信道估计与回声状态网络的实现方法 |
| 2.1 引言 |
| 2.2 自适应OFDM系统结构 |
| 2.2.1 子载波正交特性 |
| 2.2.2 基于OFDM技术的数据传输方案 |
| 2.2.3 保护间隔与循环前缀 |
| 2.3 OFDM系统的导频结构和信道估计算法 |
| 2.3.1 子载波与导频符号 |
| 2.3.2 信道估计算法 |
| 2.4 回声状态网络 |
| 2.4.1 回声状态网络的相关参数 |
| 2.4.2 回声状态网络的有监督训练过程 |
| 2.5 本章小结 |
| 第3章 自适应OFDM系统的非线性频域信道预测研究 |
| 3.1 引言 |
| 3.2 自适应弹性回声状态网络的信道预测 |
| 3.2.1 自适应弹性回声状态网络 |
| 3.2.2 基于自适应弹性网络的输出权重估计方法 |
| 3.2.3 计算复杂度分析 |
| 3.2.4 仿真与讨论 |
| 3.3 改进的自适应弹性回声状态网络的信道预测 |
| 3.3.1 改进的自适应弹性回声状态网络 |
| 3.3.2 计算复杂度分析 |
| 3.3.3 仿真与讨论 |
| 3.4 本章小结 |
| 第4章 自适应OFDM系统的非线性时域信道预测研究 |
| 4.1 引言 |
| 4.2 自适应OFDM系统的时域预测 |
| 4.3 基于联合回声状态网络的自适应OFDM系统时域信道预测策略 |
| 4.3.1 信道脉冲响应中重要时延抽头辨识方法 |
| 4.3.2 联合回声状态网络的信道预测方法 |
| 4.3.3 计算复杂度分析 |
| 4.4 仿真与讨论 |
| 4.4.1 不同重要时延抽头辨识方法的时域信道预测 |
| 4.4.2 单步预测 |
| 4.4.3 多步预测 |
| 4.5 本章小结 |
| 第5章 自适应MIMO-OFDM系统的非线性空域信道预测研究 |
| 5.1 引言 |
| 5.2 MIMO-OFDM系统中基于时空相关性的一般预测框架 |
| 5.2.1 MIMO-OFDM系统的信道估计 |
| 5.2.2 MIMO-OFDM系统中的空间相关性 |
| 5.2.3 基于时空相关性的一般预测框架 |
| 5.3 基于宽度回声状态网络的MIMO-OFDM系统信道预测方法 |
| 5.3.1 宽度学习系统 |
| 5.3.2 基于宽度回声状态网络的信道预测方法 |
| 5.3.3 基本的 BESN和群组前向变量选择的 BESN |
| 5.3.4 参数微调算法 |
| 5.3.5 回声状态属性 |
| 5.3.6 计算复杂度分析 |
| 5.4 仿真与讨论 |
| 5.4.1 EVA场景 |
| 5.4.2 ETU场景 |
| 5.5 本章小结 |
| 第6章 论文的总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）基于深度学习的OTFS信号解调技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 OTFS相关研究进展 |
| 1.2.2 深度学习在信号解调中的应用现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第二章 OTFS信号接收相关技术 |
| 2.1 OTFS收发系统 |
| 2.2 无线通信中的深度学习方法 |
| 2.2.1 DNN基本原理 |
| 2.2.2 CNN基本原理 |
| 2.2.3 基于数据驱动的深度学习方法 |
| 2.2.4 基于模型驱动的深度学习方法 |
| 2.3 基于深度学习的OTFS信号接收 |
| 2.4 本章小结 |
| 第三章 基于深度学习的OTFS信号检测 |
| 3.1 引言 |
| 3.2 传统OTFS信号检测方法 |
| 3.2.1 ZF算法 |
| 3.2.2 LMMSE算法 |
| 3.2.3 简化的线性检测算法 |
| 3.2.4 MP算法 |
| 3.3 基于深度学习的信号检测算法 |
| 3.3.1 基于数据驱动的深度学习信号检测算法 |
| 3.3.2 基于模型驱动的深度学习信号检测算法 |
| 3.4 改进的信号检测神经网络 |
| 3.5 性能评估 |
| 3.6 本章小结 |
| 第四章 基于深度学习的OTFS信道估计 |
| 4.1 引言 |
| 4.2 OTFS导频设计及信道估计 |
| 4.3 基于深度学习的OTFS信道估计方法 |
| 4.3.1 基于深度学习的信道估计神经网络 |
| 4.3.2 适用于OTFS的信道估计神经网络 |
| 4.4 性能评估 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）基于高铁大规模MIMO系统的信道状态信息获取技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 高机动性挑战及关键理论技术 |
| 2.1 高机动性场景挑战概述 |
| 2.2 大规模MIMO信道估计算法 |
| 2.2.1 传统信道估计算法 |
| 2.2.2 基于压缩感知算法 |
| 2.3 OTFS调制 |
| 2.3.1 OTFS简介 |
| 2.3.2 OTFS调制解调方式 |
| 2.4 本章小结 |
| 第三章 基于空间知识的联合上下行信道估计 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 信道模型 |
| 3.2.2 接收信号模型 |
| 3.2.3 空间互异性与导频设计 |
| 3.3 稀疏贝叶斯问题建模 |
| 3.3.1 动机 |
| 3.3.2 联合上下行接收信号模型 |
| 3.3.3 参数先验与问题建模 |
| 3.4 基于MM算法的迭代优化方案 |
| 3.4.1 MM算法简介 |
| 3.4.2 凸替代函数迭代规则 |
| 3.4.3 角度替代函数优化算法 |
| 3.5 仿真验证 |
| 3.5.1 收敛性能 |
| 3.5.2 联合估计性能 |
| 3.5.3 与其他算法性能比较 |
| 3.6 本章小结 |
| 第四章 基于OTFS调制的联合信道估计与信号检测 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 时域信道模型 |
| 4.2.2 OTFS输入输出分析 |
| 4.2.3 DD域信道稀疏性分析 |
| 4.3 初始信道估计 |
| 4.3.1 优化问题建模 |
| 4.3.2 OTFS导频设计 |
| 4.3.3 初始信道估计算法 |
| 4.4 联合信道估计与信号检测方案 |
| 4.4.1 基于MP的信道检测算法 |
| 4.4.2 优化信道估计方案 |
| 4.5 仿真验证 |
| 4.5.1 收敛性能 |
| 4.5.2 联合估计与检测性能 |
| 4.5.3 不同环境下的性能比较 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未解决的问题及研究方向 |
| 附录 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 附录5 |
| 附录6 |
| 缩略语 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（4）基于压缩感知的MIMO系统稀疏信道估计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状和挑战 |
| 1.2.1 MIMO-OFDM系统稀疏信道估计研究现状 |
| 1.2.2 大规模MIMO系统稀疏信道估计研究现状 |
| 1.2.3 面临的挑战 |
| 1.3 论文研究主要内容 |
| 1.4 论文结构安排 |
| 第2章 MIMO无线通信系统及压缩感知技术 |
| 2.1 引言 |
| 2.2 MIMO-OFDM系统 |
| 2.2.1 MIMO技术 |
| 2.2.2 OFDM技术 |
| 2.3 大规模MIMO系统 |
| 2.3.1 多用户大规模MIMO系统 |
| 2.3.2 大规模MIMO系统上行链路 |
| 2.3.3 大规模MIMO系统下行链路 |
| 2.4 压缩感知 |
| 2.4.1 信号的稀疏表示 |
| 2.4.2 信号的观测矩阵设计 |
| 2.4.3 信号的重构 |
| 2.4.4 基于压缩感知稀疏信道估计方法的可行性分析 |
| 2.5 本章小结 |
| 第3章 基于自适应匹配追踪的MIMO-OFDM系统信道估计算法 |
| 3.1 引言 |
| 3.2 慢时变频率选择性衰落信道的MIMO-OFDM系统模型 |
| 3.3 基于导频符号的传统信道估计方法 |
| 3.3.1 导频结构 |
| 3.3.2 LS信道估计方法 |
| 3.3.3 MMSE信道估计方法 |
| 3.4 基于导频符号的压缩感知信道估计方法 |
| 3.4.1 压缩感知稀疏信道估计模型 |
| 3.4.2 基于SAMP算法的MIMO-OFDM稀疏信道估计 |
| 3.4.3 基于NAMP算法的MIMO-OFDM稀疏信道估计 |
| 3.4.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第4章 基于稀疏度自适应匹配追踪的TDD大规模MIMO系统信道估计算法 |
| 4.1 引言 |
| 4.2 TDD大规模MIMO系统上行链路稀疏信道模型 |
| 4.3 导频污染与导频设计 |
| 4.3.1 TDD大规模MIMO信道估计基本原理 |
| 4.3.2 导频污染 |
| 4.3.3 导频设计 |
| 4.4 基于稀疏度自适应匹配追踪的信道估计算法 |
| 4.5 信道估计算法的性能分析 |
| 4.5.1 MSE性能分析 |
| 4.5.2 CRLB性能分析 |
| 4.6 仿真结果与分析 |
| 4.7 本章小结 |
| 第5章 基于广义分块自适应匹配追踪的FDD大规模MIMO系统稀疏信道估计算法 |
| 5.1 引言 |
| 5.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
| 5.3 FDD大规模MIMO系统信道估计与导频设计 |
| 5.3.1 FDD大规模MIMO信道估计基本原理 |
| 5.3.2 FDD大规模MIMO系统下行链路导频设计 |
| 5.4 结构化压缩感知技术 |
| 5.4.1 多测量向量模型 |
| 5.4.2 结构化压缩感知 |
| 5.5 FDD大规模MIMO系统信道估计算法 |
| 5.5.1 基于结构化压缩感知的信道估计 |
| 5.5.2 广义分块自适应匹配追踪算法 |
| 5.6 仿真结果与分析 |
| 5.7 本章小结 |
| 第6章 基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法 |
| 6.1 引言 |
| 6.2 FDD大规模MIMO系统下行链路稀疏信道模型 |
| 6.3 卷积神经网络 |
| 6.4 基于传统贪婪算法的压缩感知稀疏信道估计方法 |
| 6.5 基于深度学习的压缩感知稀疏信道估计方法 |
| 6.5.1 线性映射网络 |
| 6.5.2 卷积学习网络 |
| 6.5.3 Con CSNet网络训练参数配置 |
| 6.6 仿真与实验结果分析 |
| 6.6.1 评估标准 |
| 6.6.2 实验结果 |
| 6.7 本章小结 |
| 第7章 论文总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（5）基于压缩感知的OFDM信道估计研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 研究现状 |
| 1.2.1 信道估计技术的发展 |
| 1.2.2 压缩感知理论的研究与发展 |
| 1.3 研究内容与创新点 |
| 1.4 论文组织结构 |
| 第二章 OFDM技术原理和压缩感知技术 |
| 2.1 引言 |
| 2.2 OFDM技术原理 |
| 2.2.1 OFDM的基本原理 |
| 2.2.2 循环前缀 |
| 2.2.3 OFDM系统的基本模型 |
| 2.3 压缩感知技术原理 |
| 2.3.1 信号的稀疏表达 |
| 2.3.2 观测矩阵的设计 |
| 2.3.3 信号重构算法 |
| 2.4 卫星信道模型 |
| 2.4.1 信道特性 |
| 2.4.2 信道模型 |
| 2.5 信道估计技术 |
| 2.5.1 导频图样 |
| 2.5.2 信道估计算法 |
| 2.6 本章小结 |
| 第三章 基于压缩感知的OFDM信道估计导频图样研究 |
| 3.1 引言 |
| 3.2 约束性等距性质 |
| 3.3 相干性 |
| 3.4 基于压缩感知的OFDM信道估计模型 |
| 3.5 优化算法 |
| 3.5.1 樽海鞘群算法 |
| 3.5.2 CWSSSA算法 |
| 3.6 仿真实验及分析 |
| 3.6.1 导频图样优化 |
| 3.6.2 信道估计性能 |
| 3.7 本章小结 |
| 第四章 压缩感知重构算法在信道估计中的研究 |
| 4.1 引言 |
| 4.2 基于信道估计的重构算法模型 |
| 4.3 重构算法 |
| 4.4 DT-SAMP算法 |
| 4.5 仿真实验及分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）双选衰落信道下OFDM系统信道估计技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基扩展模型研究现状 |
| 1.2.2 压缩感知信道估计研究现状 |
| 1.2.3 深度学习信道估计研究现状 |
| 1.3 本文的主要内容安排 |
| 1.4 创新点 |
| 第二章 无线信道与信道估计方法 |
| 2.1 无线衰落信道 |
| 2.1.1 大尺度衰落 |
| 2.1.2 小尺度衰落 |
| 2.2 OFDM技术及信道估计方法 |
| 2.2.1 系统模型 |
| 2.2.2 传统信道估计方法 |
| 2.2.3 基于基扩展模型的信道估计方法 |
| 2.3 本章小结 |
| 第三章 基于压缩感知的信道估计方法 |
| 3.1 压缩感知理论概述 |
| 3.1.1 信号的稀疏表示 |
| 3.1.2 观测矩阵的设计 |
| 3.1.3 信号重构算法 |
| 3.1.4 分布式压缩感知 |
| 3.2 OFDM系统在双选衰落信道中的ICI分析 |
| 3.2.1 系统模型 |
| 3.2.2 ICI分析 |
| 3.3 导频结构 |
| 3.4 稀疏CE-BEM信道模型 |
| 3.5 基系数向量恢复算法 |
| 3.6 复杂度分析 |
| 3.7 仿真分析 |
| 3.8 本章小结 |
| 第四章 基于深度学习的信道估计方法 |
| 4.1 神经网络基本结构 |
| 4.1.1 神经元模型 |
| 4.1.2 激活函数 |
| 4.1.3 深度神经网络结构 |
| 4.1.4 正向传播和反向传播 |
| 4.1.5 损失函数 |
| 4.2 本文的DNN结构 |
| 4.3 鲸鱼优化算法 |
| 4.4 复杂度分析 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 基于FPGA的信道估计实现 |
| 5.1 系统设计 |
| 5.1.1 硬件平台选择 |
| 5.1.2 算法总体设计 |
| 5.2 关键模块FPGA设计 |
| 5.2.1 导频数据分离模块 |
| 5.2.2 导频符号处信道估计模块 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及取得的研究成果 |
（7）毫米波大规模MIMO信道估计和波束对准技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 毫米波通信技术的研究现状 |
| 1.2.1 毫米波信道建模技术研究 |
| 1.2.2 毫米波硬件架构研究 |
| 1.2.3 毫米波预编码技术研究 |
| 1.2.4 毫米波信道估计技术研究 |
| 1.2.5 毫米波波束对准技术研究 |
| 1.3 本文主要创新和贡献 |
| 1.3.1 研究问题创新 |
| 1.3.2 研究算法创新 |
| 1.4 本论文的结构安排 |
| 第二章 毫米波信道特性及基础理论研究 |
| 2.1 引言 |
| 2.2 传统毫米波信道特性研究 |
| 2.2.1 毫米波信道传播特性研究 |
| 2.2.2 毫米波信道实测研究 |
| 2.3 毫米波大规模MIMO信道特性研究 |
| 2.3.1 毫米波MIMO信道模型 |
| 2.3.2 毫米波MIMO信道的波束域表示 |
| 2.4 本文相关理论基础 |
| 2.4.1 压缩感知技术 |
| 2.4.2 张量分解技术 |
| 2.4.3 稀疏编码技术 |
| 2.5 本章小结 |
| 第三章 毫米波大规模MIMO系统中的宽带信道估计算法 |
| 3.1 引言 |
| 3.2 基于张量分解的毫米波宽带信道估计算法 |
| 3.2.1 系统模型 |
| 3.2.2 宽带信道数据处理方法设计 |
| 3.2.3 基于张量分解的平行因子分解法 |
| 3.2.4 宽带信道参数提取方法设计 |
| 3.2.5 分解唯一性和复杂度分析 |
| 3.2.6 仿真结果 |
| 3.3 基于联合参数估计的毫米波空间宽带信道估计算法 |
| 3.3.1 系统模型 |
| 3.3.2 空间-宽带效应现象分析 |
| 3.3.3 联合参数学习的信道估计算法 |
| 3.3.4 复杂度分析 |
| 3.3.5 仿真结果 |
| 3.4 本章小结 |
| 第四章 毫米波大规模MIMO系统中的移动态信道估计算法 |
| 4.1 引言 |
| 4.2 基于三维低秩特性的毫米波时变信道估计 |
| 4.2.1 系统模型 |
| 4.2.2 基于CP分解的AOA/AOD估计方案 |
| 4.2.3 CP分解方法 |
| 4.2.4 信道增益和多普勒估计方法 |
| 4.2.5 复杂度分析 |
| 4.2.6 仿真结果 |
| 4.3 基于块稀疏和低秩结构的毫米波时变信道估计 |
| 4.3.1 系统模型 |
| 4.3.2 时变信道块稀疏特性研究 |
| 4.3.3 时变信道低秩特性研究 |
| 4.3.4 两阶段时变信道估计算法 |
| 4.3.5 简单的基于张量分解的拓展算法 |
| 4.3.6 改进的基于张量分解的算法 |
| 4.3.7 理论分析 |
| 4.3.8 仿真结果 |
| 4.4 毫米波SISO-OTFS系统 |
| 4.4.1 时延-多普勒域调制解调模型 |
| 4.4.2 性能仿真 |
| 4.5 毫米波MIMO-OTFS信道估计技术研究 |
| 4.5.1 MIMO-OTFS系统框架 |
| 4.5.2 MIMO OTFS信道估计技术分析 |
| 4.6 本章小结 |
| 第五章 毫米波多天线系统中基于稀疏编码的波束对准算法 |
| 5.1 引言 |
| 5.2 基于稀疏编码的波束对准算法架构 |
| 5.3 基于稀疏编码的上行多用户波束对准算法 |
| 5.3.1 系统模型 |
| 5.3.2 上行多用户波束对准方案 |
| 5.3.3 无噪声多用户波束对准算法 |
| 5.3.4 鲁棒性的多用户波束对准算法 |
| 5.3.5 计算复杂度分析 |
| 5.3.6 仿真结果 |
| 5.4 基于稀疏编码的时变信道波束对准算法 |
| 5.4.1 系统模型 |
| 5.4.2 时变信道波束对准算法 |
| 5.4.3 性能分析 |
| 5.4.4 仿真结果 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（8）基于5G NR的高频段星地通信物理层关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多普勒频偏补偿 |
| 1.2.2 卫星信道估计 |
| 1.3 研究目标和成果 |
| 1.4 论文章节安排 |
| 第二章 星地通信链路关键技术 |
| 2.1 卫星信道 |
| 2.1.1 卫星信道特性 |
| 2.1.2 卫星信道建模 |
| 2.2 OFDM技术 |
| 2.2.1 OFDM基本原理 |
| 2.2.2 OFDM时频同步 |
| 2.2.3 OFDM信道估计 |
| 2.3 5G NR协议概述 |
| 2.3.1 帧结构 |
| 2.3.2 物理上行共享信道(PUSCH) |
| 2.3.3 同步信号块(SSB) |
| 2.4 本章小结 |
| 第三章 基于星历和相关性分析的两级多普勒频偏补偿 |
| 3.1 多普勒频偏模型以及对OFDM系统影响 |
| 3.1.1 多普勒频偏模型 |
| 3.1.2 载波频率偏差对系统性能影响 |
| 3.1.3 5G NR中的频率同步 |
| 3.2 基于星历和相关性分析的两级多普勒频偏补偿算法 |
| 3.2.1 基于星历的频偏预补偿 |
| 3.2.2 基于相关性分析的频偏细补偿 |
| 3.2.3 仿真结果 |
| 3.3 本章小结 |
| 第四章 基于导频簇和基扩展模型的信道估计 |
| 4.1 星地通信链路模型 |
| 4.2 基于BEM的信道估计 |
| 4.2.1 BEM基函数分类 |
| 4.2.2 星地通信链路BEM模型 |
| 4.3 导频图案优化 |
| 4.3.1 导频插入结构 |
| 4.3.2 导频插入密度设计 |
| 4.3.3 导频簇结构设计 |
| 4.4 仿真及性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来工作展望 |
| 附录A 缩略语表 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）基于智能反射面的无线通信系统关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 智能反射面的研究现状 |
| 1.2.1 理论和算法工作现状 |
| 1.2.2 硬件实现工作现状 |
| 1.2.3 其他场景的研究现状 |
| 1.3 本文主要研究内容以及创新点 |
| 1.4 章节安排介绍 |
| 第二章 智能反射面无线通信系统的系统模型 |
| 2.1 引言 |
| 2.2 智能反射面的物理模型 |
| 2.2.1 智能反射面的物理特性和功能 |
| 2.2.2 相位偏移分析 |
| 2.3 基于智能反射面无线通信链路模型 |
| 2.3.1 系统架构总体设计 |
| 2.3.2 系统的信道和信号模型 |
| 2.4 本章总结 |
| 第三章 基于智能反射面无线通信系统的信道估计和帧结构设计 |
| 3.1 引言 |
| 3.2 信道估计分析 |
| 3.2.1 基于超表面单元的信道估计方法 |
| 3.2.2 基于智能反射面的信道估计方法 |
| 3.3 系统的帧结构设计 |
| 3.3.1 基于分组方法的帧结构设计 |
| 3.3.2 导频序列和预设相位设计 |
| 3.4 性能仿真与结果分析 |
| 3.4.1 仿真系统模型 |
| 3.4.2 分组信道估计方法的系统性能仿真 |
| 3.4.3 设计预设相位的性能验证 |
| 3.4.4 不同IRS分组数的系统性能仿真 |
| 3.5 本章小结 |
| 第四章 不同信道与多用户场景协议分析 |
| 4.1 引言 |
| 4.2 不同信道条件分析 |
| 4.2.1 新空口标准信道 |
| 4.2.2 移动性场景的分析 |
| 4.3 多用户场景协议分析 |
| 4.3.1 多用户系统模型 |
| 4.3.2 多用户IRS系统性能仿真 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文贡献 |
| 5.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历 |
| 攻读硕士学位期间参加的科研项目及研究成果 |
| 附件 |
（10）基于设备—环境物理特征的物理层安全技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外物理层安全技术研究现状 |
| 1.2.1 基于射频指纹的物理层安全技术 |
| 1.2.2 基于无线信道特征的物理层安全技术 |
| 1.3 主要研究内容及贡献 |
| 1.4 论文结构及内容安排 |
| 第二章 TDD-OFDM系统单用户密钥生成研究 |
| 2.1 引言 |
| 2.2 单天线TDD-OFDM单用户密钥生成系统模型 |
| 2.3 无线信道相位特征量化设计 |
| 2.3.1 传统的基于相位和幅度的量化区间设计 |
| 2.3.2 改进的联合相位和幅度的量化区间设计 |
| 2.4 性能仿真与结果分析 |
| 2.4.1 无攻击场景性能仿真与结果分析 |
| 2.4.2 攻击场景性能仿真与结果分析 |
| 2.5 本章小结 |
| 第三章 多天线TDD-OFDM系统多用户密钥生成研究 |
| 3.1 引言 |
| 3.2 多天线TDD-OFDM系统安全传输模型 |
| 3.2.1 多天线系统窃听信道模型 |
| 3.2.2 多天线系统保密容量仿真结果分析 |
| 3.3 多天线TDD-OFDM系统多用户密钥生成模型 |
| 3.3.1 传统多天线多用户密钥生成模型 |
| 3.3.2 基于CDR的密钥生成方案 |
| 3.3.3 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 物理层密钥生成硬件测试平台搭建 |
| 4.1 引言 |
| 4.2 测试链路设计 |
| 4.2.1 Alice端测试链路设计 |
| 4.2.2 Bob端测试链路设计 |
| 4.2.3 Eve端测试链路设计 |
| 4.3 硬件测试平台的测试及结果 |
| 4.3.1 硬件测试平台测试方案 |
| 4.3.2 测试结果及分析 |
| 4.4 本章小结 |
| 第五章 全文总结 |
| 5.1 本文贡献 |
| 5.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历 |
| 攻读硕士学位期间参加的科研项目及研究成果 |
四、OFDM中利用导频的一种信道估计方法（论文参考文献）
- [1]基于回声状态网络的自适应OFDM系统非线性信道预测方法研究[D]. 隋永波. 合肥工业大学, 2021(02)
- [2]基于深度学习的OTFS信号解调技术研究[D]. 涂岳. 北京邮电大学, 2021(01)
- [3]基于高铁大规模MIMO系统的信道状态信息获取技术研究[D]. 郑凯航. 北京邮电大学, 2021(01)
- [4]基于压缩感知的MIMO系统稀疏信道估计方法研究[D]. 黄源. 合肥工业大学, 2021
- [5]基于压缩感知的OFDM信道估计研究[D]. 姚坤. 北京邮电大学, 2021(01)
- [6]双选衰落信道下OFDM系统信道估计技术研究[D]. 曹梦硕. 中国电子科技集团公司电子科学研究院, 2021
- [7]毫米波大规模MIMO信道估计和波束对准技术研究[D]. 程龙. 电子科技大学, 2021(01)
- [8]基于5G NR的高频段星地通信物理层关键技术研究[D]. 曾晖. 北京邮电大学, 2021(01)
- [9]基于智能反射面的无线通信系统关键技术研究[D]. 李然. 电子科技大学, 2021(01)
- [10]基于设备—环境物理特征的物理层安全技术研究[D]. 强奇. 电子科技大学, 2021(01)