公开(公告)号：CN119135481A

公开(公告)日：2024-12-13

申请号：CN202310685991.0

申请日：2023-06-12

Applicant: 天津工业大学

Inventor： 赵军发 ,  张慧雪 ,  韩玉莹 ,  徐微 ,  荣锋

IPC: H04L25/02

Abstract: 本发明属于通信技术领域，涉及一种基于OFDM系统的CoSaMP稀疏信道估计的设计方法。该方法采用二次挑选的策略，对原子的支撑集选用先扩充再删减的原子选择方式，当每一次迭代时把不可靠原子选入候选集，后面可以将其删除，提升算法的重构效率。仿真结果验证了该算法的有效性，不仅可以对信道的非零位置和幅值进行准确估计，而且相比于其他传统算法及贪婪算法具有更好的MSE性能。

公开(公告)号：CN119135478A

公开(公告)日：2024-12-13

申请号：CN202310685706.5

申请日：2023-06-12

Applicant: 天津工业大学

Inventor： 赵军发 ,  韩玉莹 ,  张慧雪 ,  徐微

IPC: H04L25/02

Abstract: 本发明公布了一种基于单发单收的OFDM系统的SP稀疏信道估计的设计方法。该方法利用回溯思想对已选原子重新判断，删除错误原子，并保持一定的支撑集原子个数，直至迭代结束，同时利用与线性规划优化方法相近的重构精度实现原始信号的精准重构。仿真实验验证了该算法具有良好的信道估计精度，可以较好地估计出信道的位置。

公开(公告)号：CN119135480A

公开(公告)日：2024-12-13

申请号：CN202310685915.X

申请日：2023-06-12

Applicant: 天津工业大学

Inventor： 赵军发 ,  张慧雪 ,  韩玉莹 ,  徐微 ,  荣锋

IPC: H04L25/02

Abstract: 本发明属于通信技术领域，涉及一种基于LISTA复数网络的OFDM系统信道估计的设计方法。为了进一步提升OFDM系统信道估计的性能，本发明提出了一种基于LISTA复数网络的OFDM系统信道估计方法：首先搭建OFDM系统信道估计的问题模型；其次，将传统迭代阈值算法展开为复数的循环神经网络，将复数的实部和虚部分离表示为逻辑上不同的实值实体，并在内部使用实值算法模拟复数算术，充分利用了实虚部之间的关系；最后使用数据集训练得到最优的复数网络参数，利用最优网络进行信道估计，结果表明复数网络具有较高的信道估计精度和抗噪声性能。

公开(公告)号：CN117240662A

公开(公告)日：2023-12-15

申请号：CN202210627459.9

申请日：2022-06-06

Applicant: 天津工业大学

Inventor： 徐微 ,  张慧雪

IPC: H04L25/02

Abstract: 本发明公布了一种基于深层学习网络LAMP的稀疏信道估计的设计方法。首先将OFDM系统中的稀疏信道估计问题建模为压缩感知理论中的稀疏信道重构问题，并搭建带有训练参数的深度学习网络LAMP。其次，使用训练数据集对神经网络的参数进行训练。最后，用训练好的神经网络进行信道估计。本发明利用深度学习网络易于实现良好的信道估计性能，降低了信道估计的复杂度，在求解速度、重建精度以及抗噪声性能方面都有显著的提高。

公开(公告)号：CN119135479A

公开(公告)日：2024-12-13

申请号：CN202310685806.8

申请日：2023-06-12

Applicant: 天津工业大学

Inventor： 赵军发 ,  韩玉莹 ,  张慧雪 ,  徐微

IPC: H04L25/02

Abstract: 本发明公布了一种基于单发单收的OFDM系统的SAMP稀疏信道估计的设计方法。该方法可以在未知稀疏度的情况下恢复信号，实现信号的精准重构，并通过将线性测量模型转化为贝叶斯推断问题，利用稀疏贝叶斯模型进行信号重构。经过仿真实验得知，与其他几类算法相比，该算法可以实现较好的信道重构，同时也具有更快的收敛速度和更低的计算复杂度。

公开(公告)号：CN117240661A

公开(公告)日：2023-12-15

申请号：CN202210627458.4

申请日：2022-06-06

Applicant: 天津工业大学

Inventor： 徐微 ,  张慧雪

IPC: H04L25/02

Abstract: 本发明公布了一种基于深度学习的OFDM系统信道估计的设计方法。运用普通迭代阈值算法进行OFDM系统的信道估计不需要训练集，直接给出加了噪声的信号以及稀疏矩阵，就可以迭代恢复，但是基于深度学习的算法需要先学习各个参数。本设计方法的基本思想是使用一个前馈的神经网络，采用学习的方法解决OFDM系统信道估计问题，首先设计一个具有固定深度的非线性，参数化的深度神经网络架构，通过使用数据集训练得到最优参数，最后利用最优参数训练的网络进行信道估计。