专利交易市场

一种改进的SAMP大规模MIMO‑OFDM系统信道估计方法，方法包括如下步骤：信号初始化；计算传感矩阵A与残差的内积的绝对值；正则化处理，优化原子集；求解最小二乘解，更新残差；残差与双阈值比较大小；重构信号，应用到大规模MIMO‑OFDM系统中。本方法相比于SAMP算法误码率和均方误差都大幅度降低，这极大的提升了在信道稀疏度未知的情况下的信道估计性能。

本发明提供一种基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法及系统，涉及无线通信技术领域，该方法包括设计MIMO‑OFDM信号发射模型；利用最小描述长度准则估计出MIMO系统的发射天线数；对接收信号数据进行PCA白化处理，利用JADE算法恢复源信号；生成训练数据集；构建CLDNN卷积神经网络模型，完成卷积神经网络的训练，得到训练好的CLDNN神经网络模型；将多天线的接受信号通过训练好的CLDNN神经网络模型获取各类调制方式概率，依据置信决策理论得到最终调制方式类型。本发明实现低信噪比下MIMO‑OFDM系统子载波调制信号的调制识别。并且本发方法准确性较高，具有良好的有效性。

本发明公开了一种基于改进YOLO网络的MIMO‑OFDM水声信道估计方法，包括生成上行导频稀疏幅值图像；标注图像并根据标注框得到合适的先验框，修改原有YOLOv4网络与策略并训练；时分双工系统下，水下接收机发送导频信号到UWA浮标站；浮标站对收到的信号进行域转换并生成稀疏图像，利用改进后的YOLOv4网络提取上行链路信道参数，并根据信道模型合成信道矩阵；UWA浮标站根据海洋流速传感器的监测结果调整估计频率，并在下行链路将信道参数发送给水下接收机；接收机端利用信道参数重构出下行信道矩阵以高效实现信道均衡、译码等后续操作，并根据信道估计频率调整下一次发送上行导频的时间，能够实现高质量水声通信。

本发明公开了一种适用于降低MIMO‑OFDM系统峰均比的低复杂度方法，包括如下步骤：设定基站配置数据，定义用于数据传输的子载波集合以及信号向量sn；对信号向量sn进行处理得到频域发射信号；通过频域发射信号获取到时域发射信号，对时域发射信号填加CP，定义OFDM调制后的基带发射信号；采用PAPR来衡量基带发射信号的波动，采用互补累积分布函数衡量PAPR；利用设计好的加速近端梯度算法将消除多用户间干扰、OFDM调制和降低PAPR联合成凸优化问题，求解该凸优化问题。本发明能够减少多用户间的干扰且有效地降低PAPR值，并且使用APGM方法只需很少的迭代次数就可以降低发送信号的PAPR，提高了系统运行效率，且不会影响系统的SER性能，更符合工程实际中的应用。

本发明公开了一种基于卷积神经网络的3D MIMO‑OFDM系统信道估计方法，其包括采用3D MIMO‑OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示；将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；以及对实部数据和虚部数据进行拼接，得到3D MIMO‑OFDM系统完整的信道响应值。

本发明涉及一种多用户MIMO‑OFDM系统信道估计的方法，包括以下步骤S1：获得每个用户余差和测量矩阵的前Sk个最大相关值的索引；S2：利找出所有用户共同的索引值确定为共同稀疏支撑集Ωc，计算初始信道矩阵估计，并重新更新用户余差；S3：每个用户再次计算其余差和测量矩阵的相关性，结合改进的LMMSE算法计算各个用户的信道估计值；S4：判定用户余差值是否小于预设值或者上述S3步骤是否进行了(Sk‑SC)次，其中SC为共同稀疏支撑集的个数；如果未达到条件则返回S3重复以上步骤，直至满足迭代终止条件，并最终得到信道状态信息矩阵的估计值。本发明不仅考虑了无线多径信道的稀疏特性，另外还考虑了多个用户信道矩阵之间的关联性，因此具有共同稀疏支撑集的特点。

本发明请求保护一种5G通信领域中FDD大规模MIMO‑OFDM系统下基于信道的时域稀疏性和卡尔曼信道预测模型的信道压缩和信道预测算法。解决了大规模MIMO‑OFDM下信道状态信息(CSI)反馈量过大，所反馈的CSI过时的问题。在用户设备(UE)接收端反馈CSI时，不是直接反馈，而是先将CSI做反傅里叶变换(IFFT)来进行CSI稀疏，再根据信道的时域稀疏性抽头形成压缩后的CSI，故CSI压缩到较低维度矩阵，从而减少反馈量。同时利用压缩后的CSI，通过卡尔曼滤波理论得到预测CSI，不仅降低预测复杂度，同时克服了反馈的CSI过时问题。