!# 中一种时频 !$$%# 信道估计算法
一种水声信道仿真设计方法
一种水声信道仿真设计方法 【摘要】本文提出了一种通过改变脉冲响应估算时间从而进行水声信道仿真（EUAC）的方法，该方法不需要海上试验就能对任一特定信号的通信方案进行信道输出估计，因此节省了时间和资源。这种方法首先需要进行一组海上试验。在每一次试验中，发送特定的窄带自相关信号，然后记录它们的响应，这样可以得到真实信道的冲激响应、多普勒漂移和相移的估计。应用这组海试结果建立一个EUAC数据库，该数据库将有助于在不经过海上试验的条件下对各种通信方法的性能进行评估。 【关键词】水声信道;数学模型;仿真 1.引言 本文描述了一种测量和仿真水声信道的方法，该方法能够用来建立一个仿真信道数据库。研究发现，特定信号的仿真信道响应（ECR）与真实信道响应具有典型的高相关性（大于80%）。适合测量信道冲激响应的波形，其自相关函数几乎接近一个脉冲。这意味着所使用的测试信号应具有尽可能宽的带宽。为了增加测试信号波形的功率，并使其超过极短单脉冲功率，需要用到一个带有高时间带宽积的信号波形。 对于特定信号的水声信道仿真（EUAC），我们假定信道是线性时不变（LTI）系统，因此，在信道冲激响应评估前，应对所有信道的非线性和时变特征进行单独评估和修正。随后，这些特征将被加入到仿真信号。 本论文提出的信道仿真方法包括两个阶段：（1）冲激响应和信道特征评估，仿真处理和数据库建立。（2）挑选及核查被仿真信道，在精选的仿真信道和在任何想要的信噪比的噪声条件下发射一个特定信号。 2.水声信道的特征 水下声信道是具有时变、频率选择性、空间不相关特征的加性有色高斯噪声信道，对特定频率和距离的声波具有较强的吸收，加之多途现象，从而导致信号衰减。水声信道的特征在以下分节中进行描述。 2.1 多普勒频移 接收机与发射机的相对运动或者介质运动（在不可忽略的流动条件下）可以改变声波通过信道的频率。这种在载波信号中频域和时域的明显改变就叫做多普勒频移。 假设声源和观察者的相对速度（v）远小于声速（c），则被观测的声波频率[1]由下式表示：
信道估计算法
LS 信道估计 假设OFDM 系统模型用下式表示： P P P Y X H W =+ （1） 式中H 为信道响应；P X 为已知的导频发送信号；P Y 为接收到的导频信号；P W 为在导频子信道上叠加的A WGN 矢量。 LS 为最小二乘(Least —Square)信道估计， LS 算法就是对（1）式中的参数H 进行估计，使函数（2）最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- （2） 其中P Y 是接收端导频子载波处的接受信号组成的向量；??P P Y X H =是经过信道估计后得到的导频输出信号；?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为： 11,()H H P LS P P P P P P H X X X Y X Y --== 可见，LS 估计只需要知道发送信号P X ，对于待定的参数H ，观测噪声P W ，以及接收信号P Y 的其它统计特征，都不需要其它的信息，因此LS 信道估计算法的最大优点是结构简单，计算量小，仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是，LS 估计算法由于在估计时忽略了噪声的影响，所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时，估计的准确性大大降低，从而影响数据子信道的参数估计。 LMMSE 算法的实现流程： 首先我们得到LMMSE 算法的相关公式： 211??*((()()))P P P P H LMMSE H H H H W LS H R R diag X diag X H σ--=+ 其中=()P P H H H P P R E H H 为信道矢量H 的自相关矩阵， ?LM M SE H 代表采用LMMSE 算法时信道
浅海水声信道模型
浅海水声信道模型 对浅海水声信道建模，一方面可以大致估计水声通信设备在不同水声信道下的性能；另一方面，可以很方便地控制各种不同的输入参数，以便模拟不同的实际环境，大大节省出海实验的费用和时间。 但是，要想获得完全符合实际应用环境的水下通信信道的解析模型在目前是不可能的，我们只能在假设一些理想条件的前提下，针对浅海信道影响信号传输和接收的主要干扰因素加以考虑，建一个半经验的模型。 水声信道尤其是浅海水声信道是典型的变参信道，其特性随时间和空间不断地变化，称为时变多径衰落信道。在水声数字通信系统的研究中，常用图3-3的模型表示： 图3-3 浅海水声信道模型 图中，()i s t 为发射信号，(;)h t τ为水声信道单位冲激响应，()n t 为信道噪声，()r s t 为经过信道后的信号，()r t 为接收信号，其中t 为时间变量，τ为时间延迟。则接收信号可表示为： ()()()(;)()()r i r t s t n t h t s t d n t τττ=+= -+? （3-13） 根据浅海水声信道的特点，浅海水声信道可以建立两类模型[5,27,28]：一是建立一个N 径非时变的确定性模型。二是建立一个随机统计模型，对于近距离的浅海水声信道可以建立莱斯衰落和加性高斯白噪声信道模型；对于中、远距离的浅海水声信道可以建立瑞利衰落和加性高斯白噪声信道模型。 3.2.1 N 径确定性模型 针对浅海水声信道，在建立浅海水声信道N 径确定性传播模型之前，
先假设几个理想条件： 1) 水深为常数； 2) 当声线掠射角小于5°、载波频率小于50KHz 和海底介质的密度大于 3 1.4 /g c m （例如 沙，淤泥，粘土等介质） 时，海底的反射系数b r 近似为1， 同时相位偏移为180°,考虑到浅海海底介质一般由细沙和淤泥构成，同时掠射角总是大于0°，无论怎样，声波由海底反射时，声能总是有所损失的，而且随着掠射角的增大而增加，在这里假设海底的反射系数等于0.9； 3) 海面的粗糙程度可以用瑞利参数R 来描述： ) sin(2?σπc f R = （3-14） 其中，f 为工作频率，c 为声速，σ为海面波浪高度（波峰到波谷）的均方根值，?为声线掠射角。经验数据表明，当瑞利参数1<
基于FBMP算法的水声信道估计
３５ 基于FBMP 算法的水声信道估计 龙旭光 （中国海洋大学信息科学与工程学院，山东青岛266100） 摘要：设计了一种基于贝叶斯压缩感知（bayesian compressing sensing,BCS ）的水声信道（underwater acoustic channel ， UWAC ）估计方法，并具体采用快速贝叶斯匹配追踪算法（fast bayesian matching pursuit ，FBMP ）对水声正交频分复用(OFDM )通信系统下的信道脉冲响应进行估计。在水声信道中，信道的抽头的位置及系数通常分别服从伯努利和复高斯分布，利用这一先验知识，首先对抽头的位置进行检测，然后通过最小均方误差准则得到准确的信道估计。仿真分析了导频数量、信噪比对FBMP 、正交匹配追踪（orthogonal matching pursuit ，OMP ）、变换域（discrete fourier transform,DFT ）、最小二乘法（least square,LS ）信道估计算法的性能的影响，仿真结果表明，在稀疏信道下，基于FBMP 的信道估计方法明显优于OMP 、DFT 、LS 信道估计方法。关键词：水声信道；贝叶斯压缩感知；稀疏多径；正交频分复用中图分类号：TN919.3文献标识码：A 文章编号：1673-1131（2019）02-0035-02 0引言 水下通信系统的性能主要受水声信道的制约，而水声信道具有快速时变以及丰富的多径传播特点。因此，为了获取可靠的水声信道状态信息（CSI ），设计能够准确有效获取信道状态的信道估计方法十分重要。水声正交频分复用（OFDM ）技术作为一种多载波调制技术，因其具有高传输速率和高带宽效率的特点，并且能有效对抗多径衰落和时延[1]，在水声通信中已得到广泛应用。大量的研究及实验结果表明：水声信道在时域上往往呈现稀疏性，即信道脉冲响应的大部分能量只集中在少数几个多径分量上[2]。传统的l 2范数信道估计方法并没有充分利用信道的稀疏性这一先验知识，因此导致了对频谱资源的过度占用。 压缩感知（CS ）理论是信号处理、统计、无线通信领域的一项新兴技术。利用信号的稀疏性和可压缩性，CS 可以从少量的随机映射的观测值中获取并重构原始信号[3]。文献[4]将OFDM 信道估计表达为CS 问题，即通过发射幅度相同，相位随机的导频信号并将信道脉冲响应中的稀疏多径扩展到接收端的观测数据中，因此可以通过稀疏优化可靠地恢复信道脉冲响应。稀疏信道估计另一种方法就是利用贝叶斯方法，作为一种特殊形式的CS 算法，相比于已有的匹配追踪及一系列改进的算法拥有更高的估计精度，又比基于最小范数（MP ，OMP 等）的算法具有更高的效率。所以，本文研究了基于FBMP 算法在水声信道估计的性能，并与LS 、DFT 及OMP 算法进行对比。仿真比较了它们之间的性能差别。 1系统模型 水声信道通常是频率选择性衰落信道，假设水声信道相 干时间足够长，以OFDM 系统的采样周期对信道脉冲响应进行采样， 得到离散信道模： （1） 式中，L 为信道长度。水声信道存在着稀疏结构，假设信道由K 条路径组成，则该信道可称为K 稀疏信道。假定OFDM 采用N 点DFT ，为避免码间串扰和载波间干扰，加入长度为N g 的循环前缀（N g >L ）。设N p 为导频数量，表示在发送端导频位置处的频域调制信号，假定没有干扰，接收端接收到的是发射 端的频域调制信号与信道频域响应的乘积再加上噪声： （2） 其中， 为N p ×N p 的对角 阵，发v 为N p ×1的复加性高斯白噪声向量，即 。 为N p ×L 傅利叶变换矩阵。令 A=X ·F Np×L ，若矩阵A 满足RIP 准则，考虑到h 的稀疏性，那 么多径稀疏信道估计问题就可以转化为稀疏信号重构问题。本文将介绍一种利用稀疏向量的分布作为先验知识的贝叶斯稀疏重建方法，该方法先根据最大后验准则对稀疏模型进行选择，再根据最小均方误差准则完成稀疏量的估计，最终得到正确的稀疏恢复结果。 2快速匹配追踪算法的信道估计 文献[5]指出，水声信道的脉冲响应服从伯努力-高斯分布。设向量h 系数来自高斯混合模型： s 中元素不为零 的数量，由于E {K }=N ·P ，可知向量h 的稀疏程度与p 密切相关，若向量满足稀疏特性， 则有 为依赖矩阵A 的协方差矩 阵。接下来进行模型选择，即在给出接收信号的情况下选择模型向量s 。根据贝叶斯原理， 模型向量选择的后验概率为： （5） 其中，S={0，1}N 为向量s 所有可能的集合 的 估计。由于h 的维度非常大，使得对后验概率和期望计算变得 极其复杂，为降低贝叶斯估计的复杂性，有必要限制可能的集合S 的数量，因此定义S *为个p （s|Y ）的最大值所组成的集合用来近似S 。将上式的分子作为模型选择量并求对数，得到： 2019 （Sum.No 194） 信息通信 INFORMATION &COMMUNICATIONS 2019年第2期（总第194期）
信道估计
寒假信道估计技术相关内容总结 目录 第一章无线信道 (3) 1.1 概述 (3) 1.2 信号传播方式 (3) 1.3 移动无线信道的衰落特性 (3) 1.4 多径衰落信道的物理特性 (5) 1.5 无线信道的数学模型 (7) 1.6 本章小结 (7) 第二章MIMO-OFDM系统 (8) 2.1 MIMO无线通信技术 (8) 2.1.1 MIMO系统模型 (9) 2.1.2 MIMO系统优缺点 (11) 2.2 OFDM技术 (12) 2.2.1 OFDM系统模型 (12) 2.2.2 OFDM系统的优缺点 (14) 2.3 MIMO-OFDM技术 (16) 2.3.1 MIMO、OFDM系统组合的必要性 (16) 2.3.1 MIMO-OFDM系统模型 (16) 2.4 本章小结 (17) 第三章MIMO信道估计技术 (18) 3.1 MIMO信道技术概述 (18) 3.2 MIMO系统的信号模型 (19) 3.3 信道估计原理 (21) 3.3.1 最小二乘（LS）信道估计算法 (21) 3.3.2 最大似然（ML）估计算法 (23) 3.3.3 最小均方误差（MMSE）信道估计算法 (24) 3.3.4 最大后验概率（MAP）信道估计算法 (25) 3.3.5 导频辅助信道估计算法 (26) 3.3.6 信道估计算法的性能比较 (26) 3.4 基于训练序列的信道估计 (28) 3.5 基于导频的信道估计 (28) 3.5.1 导频信号的选择 (29) 3.5.2 信道估计算法 (31) 3.5.3 插值算法 (31) 3.5.3.1 线性插值 (31) 3.5.3.2 高斯插值 (32) 3.5.3.3 样条插值 (33) 3.5.3.4 DFT算法 (33) 3.5.4 IFFT/FFT低通滤波 (33) 3.6 盲的和半盲的信道估计 (34)
基于训练的最小二乘(LS)算法的信道估计
基于训练的最小二乘（LS ）算法的信道估计 一、概述与背景 随着近年来无线通信系统的高速发展，基于阵列的接收机和空时分集方法逐渐成为研究热点。现在无论是在理论分析还是在富散射环境的实地测试中，MIMO （multiple-input multiple-output）系统都能够大幅度提高无线通信系统的容量。 设一个t 发射天线、r 接收天线的MIMO 系统，其接收信号可表示为： i i i v Hp s +=（1） H 表示随机信道复矩阵，i p 表示t×1发送信号复向量，i v 表示零均值白噪声复 向量。 为了估计信道矩阵H ，假设发送的训练信号为N p p ，…,1，其中t N ≥.其对应 的r×N 接收信号矩阵 ] [,1N s s S ，…=可表示为： V HP S +=（2） 其中 ] [,1N p p P ，…=表示t×N 训练矩阵， ] [,1N v v V ，…=表示r×N 噪声矩阵。 。而MIMO 技术的要点在于得到一个精确的信道状态信息（CSI）。而信道估计算法的任务是基于S 和P 的信息来恢复信道矩阵H 的信息. 信道估计有非盲信道估计方法、盲信道估计方法和半盲信道方法。目前使用最为广泛的MIMO 信道估计方法是非盲信道估计方法，也即使用导频信号（又称为训练序列）然后基于接收数据和训练序列的信息来实现信道估计。盲信道估计实质上是利用信道潜在的结构特征或者是输入信号的特征达到信道估计的目的。而半盲信道方法估计是上述两种信道估计方法的综合与平衡。 本文主要讲的是最小二乘算法的信道估计，并用matlab 对LS 算法进行仿真，仿真内容是ZF 下理想信道与LS 估计信道的性能比较和LS 估计信道的不同天线数MIMO 系统的性能比较。
最新LS信道估计算法
L S信道估计算法
LS 信道估计 假设OFDM 系统模型用下式表示： P P P Y X H W =+ （1） 式中H 为信道响应；P X 为已知的导频发送信号；P Y 为接收到的导频信号；P W 为在导频子信道上叠加的AWGN 矢量。 LS 为最小二乘(Least —Square)信道估计， LS 算法就是对（1）式中的参数H 进行估计，使函数（2）最小。 ????()()()()H H P P P P P P P P J Y Y Y Y Y X H Y X H =--=-- （2） 其中P Y 是接收端导频子载波处的接受信号组成的向量；??P P Y X H =是经过信道估计后得到的导频输出信号；?H 是信道响应H 的估计值。 ??{()()}0?H P P P P Y X H Y X H H ?--?=? 由此可以得到LS 算法的信道估计值为： 11 ,()H H P LS P P P P P P H X X X Y X Y --== 可见，LS 估计只需要知道发送信号P X ，对于待定的参数H ，观测噪声 P W ，以及接收信号P Y 的其它统计特征，都不需要其它的信息，因此LS 信道估 计算法的最大优点是结构简单，计算量小，仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征。但是，LS 估计算法由于在孤寂时忽略了噪声的影响，所以信道估计值对噪声干扰以及ICI 的影响比较敏感。在信道噪声较大时，估计的准确性大大降低，从而影响数据子信道的参数估计。
LMMSE 算法的实现流程： 首先我们得到LMMSE 算法的相关公式： 211??*((()()))P P P H LMMSE HH H H W LS H R R diag X diag X H σ--=+ 其中P H 为导频子载波的CFR （振幅因素衰减），P HH R 表示所有子载波与导频子载波的互协 方差，P P H H R 表示导频子载波的自协方差。?LMMSE H 代表信道的阶跃响应。从公式中可以看出LMMSE 使用子载波间的协方差以及SNR 等信息进行信道估计。 因为H -1(diag(X)diag(X))可以作为一个常量。则H -1(diag(X)diag(X))可以替换为其期望值：2H -1E{(diag(x)diag(x))}=I W SNR βσ，其中I 代表单位矩阵。 所以，上式又可变为1??*()P P P LMMSE HH H H LS H R R I H SNR β-=+。 其中，星座因子β与采用的调制方式有关：对于16QAM 调制为17／9；对于 QPSK 调制为1。SNR 是每个符号的信噪比；?LS H 表示参考信号处由LS 估计的信道冲激响应值； 因为要进行求逆运算，所以运算的复杂度较高。如果参考信号的子载波数目较多，则求逆运算会变得很复杂。下面则将对LMMSE 算法进行改进。 在这里我们采用了奇异值分解的方法对估计器进行低阶近似。将信道的自相关函数分解为:H HH R =U U Λ。 则原公式可以化为：0??00n H SVD LMMSE LS H U U H -???= ??? 其中11 1()diag(,....,)N N I SNR SNR SNR λλβββλλ-?=ΛΛ+=++.这样在某种程度上就可以大大减少运算量。
信道估计总结 (2)
信道估计总结LS和半盲信道估计
目录 一、信道估计概述 (3) 二、MIMO系统模型 (4) 三、波束成形半盲信道估计 (4) 3.1波束成形半盲信道估计概述 (4) 3.2传统的最小二乘信道估计 (5) 3.3半盲信道估计 (6) A．正交导频设计 (6) B．接收波束成形估计u1 (6) C．发送波束成形估计v1 (7) 3.4CLSE和半盲信道估计比较 (8) 3.5总结 (10) 四、OPML半盲信道估计 (10) 4.1概述 (10) 4.2W已知的情况下，估计酋矩阵Q (11) A．正交导频ML估计（OPML） (11) B．通用导频的迭代ML估计（IGML） (11) 4.3盲估计W (13) 4.4仿真结果 (13) 4.5总结 (14) 参考文献 (14)
信道估计总结 ------LS和半盲信道估计 一、信道估计概述 移动无线通信系统的发送端所发送的信号经过无线信道传输后，由于无线信道的时变性和多径传播性，会引起传输信号的幅度和相位畸变，同时会产生符号间干扰。如果采用MIMO 系统，则各发送天线间也会互相干扰。在通信系统中，需要信道估计参数进行分集合并、相干解调检测和解码，在MIMO环境下，待估计的信道参数个数随着天线个数的增加线性增加，信道估计成为构建系统的难点。所以，为了在接收端恢复正确的发射信号，找到一种高精度低复杂度的信道估计方法是必要的。 所谓信道估计，就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。MIMO系统实现大容量的前提是接收机能对接收到的来自各发送天线的信号进行很好的去相关处理，而进行这一处理的必要条件是接收端对信道进行比较精确的估计，获得较准确的信道信息，从而能够正确地恢复被干扰和噪声污染的信号。 在MIMO通信系统中，空时信道的估计和跟踪相对于SISO系统更加复杂，同时对系统误码性能和容量有很大的影响。这一复杂性主要表现在两个方面：快速移动通信环境所导致的信道时变特性；多径时延扩展的长度较大使得信道变成频率选择性信道，即一个时变的FIR矩阵信道，此时估计与跟踪的实现是较困难的。 从信道估计算法输入数据的类型来分，MIMO信道估计方案可以划分为时域和频域两个类方法。频域方法主要针对多载波系统；时域方法适用于所有单载波和多载波MIMO系统，它借助于训练序列或发送数据的统计特性，估计衰落信道中各多径分量的衰落系数。从估计算法先验信息的角度，时域方法又可分为一下3类： （1）基于训练序列的估计按一定估计准则确定待估参数，或者按某些准则进行逐步跟踪和调整待估参数的估计值，其特点是需要借助参考信号，即导频或训练序列。在此，我们将基于训练序列和导频序列的估计统称为训练序列估计算法。 基于训练序列的信道估计适用于突发传输方式的系统。通过发送已知的训练序列，在接收端进行初始的信道估计，当发送有用的信息数据时，利用初始的信道估计结果进行一个判决更新，完成实时的信道估计。 基于导频符号的信道估计适用于连续传输的系统。通过在发送有用数据的过程中插入已经的导频符号，可以得到导频位置的信道估计结果；接着利用导频位置的信道估计结果，通过内插得到有用数据位置的信道估计结果，完成信道估计。 （2）盲估计利用调制信号本身固有的、与具体承载信息比特无关的一些特征，或是采用判决反对的方法来进行信道估计的方法。 （3）半盲估计结合盲估计与基于训练序列估计这良好总方法优点的信道估计方法。 一般来讲，通过设计训练序列或在数据中周期性地插入导频符号来进行估计的方法比较常用。而盲估计和半盲估计算法无需或者需要较短的训练序列，频谱效率高，因此获得了广泛的研究。但一般盲估计和半盲估计方法的计算复杂度较高，且可能出现相位模糊（基于子空间的方法）、误码传播（如判决反馈类方法）、收敛慢或陷入局部极小等问题，需要较长的观察数据，这一定程度上限制了它们的实用性。
信道估计
重庆交通大学信息科学与工程学院综合性设计性实验报告 专业：通信工程专业11级 学号：631106040222 姓名：徐国健 实验所属课程：宽带无线接入技术 实验室(中心)：软件与通信实验中心 指导教师：吴仕勋 2014年3月
一、题目 OFDM系统的信道估计技术 二、仿真要求 要求一：OFDM系统的数据传输 ①传输的数据随机产生； ②调制方式采用16QAM； 要求二：要求对BER的性能仿真 设计仿真方案，比较两个信道估计算法（基于LS与基于DFT +LS）的性能，并画出真实估计信道幅度与信道估计的对比图。 三、仿真方案详细设计 信道估计模型: 无线传播信道具有很大的随机性，会引起传输信号幅度、相位和频率的失真。产牛符号|’HJ干扰等，对接收机的设计提出了很大的挑战．这就要求对无线信道进行估计和预测。信道估计器是接收机的一个重要组成部分。在理论研究中。为了更好地描述信道对信号的影响．引入了信道模型统计的方法．通过研究信号在特定环境下的特性来进信道建模。 根据不同的考量标准，产生了不少信道估计算法。总而言之，—个“好”的估计方法就是要使某种估计误差最小化的估计算法。但是通常考虑到具体实现，则要求算法的复杂度要低。因此在设计信道估计算法时，需要权衡算法精准度和设计复杂度间的矛盾。 信道估计一般分为非盲估计、盲估计和半肓估计。在OFDM系统中，由于传输速率较高。并且在接收端需使用相干解调技术获得较高性能，一般采用非盲估计。其基本过程是：在发送端适当位置插入导频，接收端利用导频恢复出导频位置的信道信息。 在OFDM信道估计的各种算法中，典型的有LS和DFT算法。LS的准则是求得接收与发送端的最小平方误差；而DFT算法的准则则是基于LS算法基础上在DFT变换。
基于导频序列的信道估计算法的研究
第一章绪论 1.1 研究背景和意义 现代社会已经进入了信息时代，在各种信息技术中，信息的传输即通信起着支撑作用。由于人类社会生活对通信的需求越来越高，世界各国都在致力于现代通信技术的研究与开发以及现代通信网的建设现代移动通信技二十世纪二十年代，但是一直到20 世纪70 年代中期才迎来了移动通信的蓬勃发展时期。美国贝尔实验室研制成功先进移动电话系统，建成了蜂窝状模拟移动通信网，大大提高了系统容量。从八十年代开始，数字移动通信系统进入了发展和成熟时期，欧洲首先推出了全球移动通信系统（GSM），随后美国和日本也相继制定了各自的数字移动通信体制。90年代初，美国Qualcomm公司推出了窄带码分多址（CDMA）蜂窝通信系统，这是移动通信系统发展中的里程碑。从此码分多址这种新的无线接入技术在移动通信领域占据了越来越重要的地位。这些目前正在广泛使用的数字移动通信系统是第二代移动通信系统。第二代移动通信系统主要是为支持语音和低速率的数据业务而设计的，但是随着人们对通信业务范围和业务速率要求的不断提高，已有的第二代移动通信网将很难满足新的业务需求。为了适应新的市场需求，人们正在研究和设计第三代移动通信系统。尽管目前关于第三代移动通信系统的研究和标准化工作十分引人注目，但是目前第三代移动通信的方案实际只能是第二代移动通信方案的改进，算不上真正意义上的宽带接入网络。而且3G的核心网还没有完全脱离第二代移动通信系统的核心网的结构。目前，人们把越来越多的眼光投向三代以后的（beyond 3G/4G）移动通信系统中新一代移动通信（beyond 3G/4G）将可以提供的数据传输速率高达100Mbit/s，甚至更高，支持的业务从语音到多媒体业务，包括实时的流媒体业务，数据传输速率可以根据这些业务所需的速率不同进行动态调整。新一代移动通信的另一个特点是低成本。因此在有限的频谱资源上实现更高速率和更大容量，需要频谱效率更高的通信技术。MIMO技术充分开发空间资源，利用多个天线实现多发多收，在不需要增加频谱资源和天线发送功率的情况下，可以成倍地提高信道容量。OFDM技术是多载波传输的一种，其多载波之间相互正交，可以高效的利用频谱资源。另外，OFDM将总带宽分割为若干个窄带子载波可以有效的抵抗频率选择性衰落。因此充分研究开发这两种技术的潜力，将两者结合起来成为新一代移动通信核心技术的解决方案。信道估计是无线通信中的关键技术之一，对MIMO-OFDM系统的信道估计算法进行研究和改进，对MIMO-OFDM系统技术的发展有着非同寻常的意义。
实现信道估计算法的MATLAB仿真
clear all; %close all; i=sqrt(-1); Rayleigh=1; AWGN=0; % for AWGN channel MMSE=0; % estimation technique Nsc=64; % Number of subcarriers Ng=16; % Cyclic prefix length SNR_dB=[0 5 10 15 20 25 30 35 40]; % Signal to noise ratio Mt=2; % Number of Tx antennas Mr=2; % Number of Rx antennas pilots=[1:Nsc/Ng:Nsc]; % pilot subcarriers DS=5; % Delay spread of channel iteration_max=200; %%%%%%%%%%%%%%%%%%%%%%%%%%%% % Channel impulse response % %%%%%%%%%%%%%%%%%%%%%%%%%%%% if (Rayleigh) N=50; fm=100; B=20e3; fd=(rand(1,N)-0.5)*2*fm; theta=randn(1,N)*2*pi; c=randn(1,N); c=c/sum(c.^2); t=0:fm/B:10000*fm/B; Tc=zeros(size(t)); Ts=zeros(size(t)); for k=1:N Tc=c(k)*cos(2*pi*fd(k)*t+theta(k))+Tc; Ts=c(k)*sin(2*pi*fd(k)*t+theta(k))+Ts; end r=ones(Mt*Mr,1)*(Tc.^2+Ts.^2).^0.5; index=floor(rand(Mt*Mr,DS)*5000+1); end MEE1=zeros(1,length(SNR_dB)); MEE2=zeros(1,length(SNR_dB)); for snrl=1:length(SNR_dB) snrl