学位论文 > 优秀研究生学位论文题录展示

MIMO系统的盲均衡算法研究及其改进

作　者: 曹飞飞
导　师: 刘建霞
学　校: 太原理工大学
专　业: 信号与信息处理
关键词: MIMO系统码间干扰盲均衡恒模盲均衡算法支持向量机
分类号: TN911.5
类　型: 硕士论文
年　份: 2011年
下　载: 65次
引　用: 0次
阅　读: 论文下载

内容摘要

多天线发送和接收的多输入多输出(Multiple Input & Multiple Output,简称MIMO)系统已经广泛应用于现代的通信领域当中,成为了新一代移动通信系统的关键技术。MIMO系统本身具有能充分利用空间资源的独特优势。其次在该系统中不需要增加带宽和天线发送功率,就可以达到成倍提高通信系统容量和频谱利用率的目的。由于MIMO系统的特殊结构,虽然数据速率能够得到提高,但是因为信道存在频率选择性衰落,尤其是多径干扰和多用户干扰将会在接收端产生严重的码间干扰(Inter Symbol Interference,简称ISI)现象。消除码间干扰的传统方法就是采用均衡技术。盲均衡是一种不借助于训练序列,仅依据发送信号的统计特性就可以均衡信道特性,目的是使系统的输出序列尽量逼近发送序列的自适应均衡技术。在MIMO通信系统中利用盲均衡技术可以有效地提高通信效率和通信质量。在盲均衡算法的研究中,曾涌现出了不少经典的理论和方法,它们为盲均衡算法的研究奠定了扎实的理论基础,但也存在其自身难以克服的缺点,例如容易陷入维数灾难、局部最小值等问题。本文所做的主要工作如下：(1)重点研究基于MIMO通信系统的恒模盲均衡算法(ConstantModulus Algorithm,简称CMA),并在此基础上提出了两种改进算法。这两种算法的改进都是基于变步长的思想,一种是基于自适应变步长的盲均衡算法,另一种是基于Sigmoid函数的变步长盲均衡算法。经计算机仿真表明,两种改进后的CMA算法抑制噪声能力增强了并且能够达到快速收敛的目的,改进后的算法明显优于传统算法。(2)在统计学理论基础之上发展起来的支持向量机,目前已经呈现出了大量的优越性,并且广泛的应用于实际当中。这种学习方法可以有效的客服维数灾难和局部极小值等问题。本文将支持向量机的理论应用于盲均衡算法当中,分别从支持向量分类和支持向量回归机两个角度对MIMO系统盲均衡算法的实现进行了理论分析和研究。仿真结果表明,支持向量机盲均衡算法应用于MIMO系统当中具有可行性并且在性能上较传统的算法更具优势。

全文目录

摘要  3-5
ABSTRACT  5-11
第一章绪论  11-15
  1.1 本课题的研究背景  11-12
  1.2 MIMO系统及其均衡技术的研究现状  12-13
    1.2.1 MIMO系统概念及其发展  12
    1.2.2 MIMO系统均衡技术的研究现状  12-13
  1.3 MIMO盲均衡技术的意义  13-14
  1.4 本文的主要研究内容  14-15
第二章 MIMO通信系统及其盲均衡技术  15-27
  2.1 MIMO通信系统  15-17
    2.1.1 MIMO系统模型  15-16
    2.1.2 MIMO信道盲均衡目标  16-17
    2.1.3 MIMO信道均衡的衡量标准  17
  2.2 盲均衡技术基本原理  17-24
    2.2.1 盲均衡基础理论  17-18
    2.2.2 盲均衡的均衡准则  18-22
    2.2.3 盲均衡算法的均衡准则  22-24
  2.3 几种常见盲均衡算法介绍  24-25
    2.3.1 Bussgang类盲均衡算法  24
    2.3.2 高阶或循环统计量盲均衡算法  24-25
    2.3.3 非线性均衡器盲均衡算法  25
    2.3.4 支持向量机盲均衡算法  25
  2.4 本章小结  25-27
第三章基于MIMO系统的恒模盲均衡算法及其改进  27-41
  3.1 BUSSGANG类盲均衡算法  27-30
    3.1.1 Bussgang类盲均衡算法的基本原理  27-29
    3.1.2 典型的Bussgang类盲均衡算法  29-30
  3.2 CMA盲均衡算法  30-34
    3.2.1 CMA盲均衡算法基本理论  30-33
    3.2.2 MIMO系统的恒模盲均衡算法  33-34
  3.3 两种改进的CMA盲均衡算法  34-36
    3.3.1 基于自适应变步长的盲均衡算法  35
    3.3.2 基于Sigmoid函数的变步长盲均衡算法  35-36
  3.4 CMA盲均衡算法仿真  36-40
  3.5 本章小结  40-41
第四章支持向量机基本理论  41-55
  4.1 引言  41
  4.2 支持向量机核心理论  41-43
    4.2.1 VC维理论  42
    4.2.2 结构风险最小化准则  42-43
  4.3 支持向量机  43-48
    4.3.1 最优分类问题  43-45
    4.3.2 对偶理论  45-46
    4.3.3 核函数  46-48
    4.3.4 损失函数  48
  4.4 回归问题理论推导  48-52
    4.4.1 线性回归估计  48-51
    4.4.2 非线性回归估计  51-52
  4.5 本章小结  52-55
第五章支持向量机盲均衡算法  55-67
  5.1 SVM算法设计  55-61
    5.1.1 最优分类算法  55-57
    5.1.2 支持向量回归机盲均衡算法  57-61
  5.2 SVR盲均衡算法在MIMO系统中仿真  61-63
  5.3 SVR算法与传统的CMA算法性能比较  63-65
  5.4 本章小结  65-67
第六章结论与展望  67-69
参考文献  69-73
致谢  73-75
攻读硕士学位期间已发表和录用的学术论文  75

MIMO系统的盲均衡算法研究及其改进

内容摘要

全文目录

相似论文