基于OFDM技術(shù)的無線通信系統(tǒng)的信道估計的研究畢業(yè)論文-

基于OFDM技術(shù)的無線通信系統(tǒng)的信道估計的研究目錄1緒論 [14]：在算法中使用漢寧窗，加快帶外衰減。信息處理過程如圖4.1所示。圖4.1改進(jìn)的DFT估計算法框圖在信道估計時，先將頻域轉(zhuǎn)換為時域，使用漢寧(Hanning)窗使帶外噪聲迅速衰減，然后補(bǔ)零達(dá)到循環(huán)前綴長度，之后去窗再轉(zhuǎn)換到頻域。主要步驟如下：對進(jìn)行M點離散傅里葉逆變換，得到：(4-1)用漢寧(Hanning)窗對信號進(jìn)行處理，即：(4-2)(4-3)其中式(4-2)為漢寧窗的表達(dá)式。接著在時域?qū)π盘栃盘栠M(jìn)行補(bǔ)零操作，使信號長度達(dá)到N維，之后去窗，得到：(4-4)(4-5)(4-6)最后將轉(zhuǎn)換到頻域，得到改進(jìn)算法的信號估計H：(4-7)4.2性能仿真在S-V模型的四種信道環(huán)境中，分別在64子載波數(shù)，128子載波數(shù)條件下，用MATLAB對改進(jìn)算法的估計性能進(jìn)行仿真分析。其中信道參數(shù)設(shè)置如表4-1，仿真參數(shù)設(shè)置如表4-2：表4-1四種信道環(huán)境參數(shù)信道模型CM-1CM-2CM-3CM-4視距分量視距非視距非視距非視距多徑數(shù)/10dB12.814.925.340.6平均附加時延/ns6.18.916.429.9多徑數(shù)/85%21.334.263.9124.1均方根附加時延/ns5.08.215.325.5表4-2OFDM信號估計仿真參數(shù)調(diào)制方式BPSK信道噪聲類型AWGN子載波間隔(MHz)4.125導(dǎo)頻插入比4(64載波)，8(128載波)導(dǎo)頻數(shù)(個)16碼元周期(ns)312.5保護(hù)間隔(ns)70.3子載波速率(Baud/s)320M循環(huán)前綴周期(ns)66.7第一組：64子載波下的仿真結(jié)果：圖4.2CM-1信道，64子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.3CM-2信道，64子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.4CM-3信道，64子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.5CM-4信道，64子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.664子載波下LS、DFT、改進(jìn)DFT算法的MSE比較第二組：128子載波下的仿真結(jié)果：圖4.7CM-1信道，128子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.8CM-2信道，128子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.9CM-3信道，128子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.10CM-4信道，128子載波下LS、DFT、改進(jìn)DFT算法的SER比較圖4.11128子載波下LS、DFT、改進(jìn)DFT算法的MSE比較表4-3各算法在64子載波和128子載波下的誤碼率比較估計算法載波數(shù)LS算法DFT算法改進(jìn)的DFT算法640.05320.02610.02241280.10980.05110.0400表4-4各算法在64子載波和128子載波下的均方誤差比較估計算法載波數(shù)LS算法DFT算法改進(jìn)的DFT算法640.08400.00980.00581280.08780.01240.0071信號在64子載波數(shù)下，經(jīng)過CM-1信道傳輸后，系統(tǒng)誤碼率性能如圖4.2所示。由此可知，DFT算法由于時域能量集中在少數(shù)抽樣點上，減少了頻譜泄露，因而信道估計性能較好；而改進(jìn)DFT算法，由于漢寧窗的加入和線性變換，使得帶外噪聲迅速衰減，在低SNR下估計性能較DFT算法有所提高。CM-2信道環(huán)境傳輸后系統(tǒng)的誤碼率曲線如圖4.3所示，同樣地，即使是在非視距環(huán)境下，改進(jìn)算法能夠?qū)⑾到y(tǒng)誤碼率降到最低。圖4.4和圖4.5分別是CM-3信道和CM-4信道環(huán)境下的系統(tǒng)誤碼率曲線，由圖4.4可得，相同誤碼率下，改進(jìn)算法的SNR較DFT算法有4dB的提升，較LS算法有9.5dB的提升；同樣，在圖4.5中，相同誤碼率下，改進(jìn)算法的SNR較DFT算法有2.5dB的提升，較LS算法有8dB的提升?？梢钥闯觯珻M-4環(huán)境下的系統(tǒng)性能較CM-3有所下降，原因是CM-4信道環(huán)境更復(fù)雜，多徑時延最大。圖4.6是LS、DFT、改進(jìn)DFT算法的均方誤差比較圖，該圖直觀地反映了改進(jìn)算法在降低MSE的優(yōu)越性。由圖可得，當(dāng)SNR均為6dB時，改進(jìn)DFT算法的均方誤差較傳統(tǒng)DFT算法有了0.35dB的提升，較LS算法有0.51dB的提升。圖4.7至圖4.11是在128子載波下的仿真結(jié)果。由圖可得，同一算法，隨著子載波數(shù)的增加，估計性能略有下降，表4-3與表4-4也說明了這一點，例如在64子載波與128子載波下，DFT算法的誤碼率增加了2.50%，均方誤差增加了0.26%；改進(jìn)算法的誤碼率增加了1.76%，均方誤差增加了0.13%。因此，隨著子載波數(shù)的增加，改進(jìn)算法的估計性能會降低。5結(jié)論與展望答謝部分程序：clc;clearall;%=======================生成訓(xùn)練序列，采用BPSK調(diào)制========================%N=64;d=rand(N,1);fori=1:Nif(d(i)>=0.5)d(i)=1;elsed(i)=-1;endendfori=1:NX(i,i)=d(i);end%========================計算信道向量G和信道特性========================%tau=[0.53.5];fork=1:Ns=0;form=1:2s=s+(exp(-j*pi*(1/N)*tau(m))*((sin(pi*tau)/sin(pi*(1/N)*(tau(m)-k)))));endg(k)=s/sqrt(N);endG=g';%信道向量H=fft(G);%頻域XFG=X*H;n1=ones(N,1);n1=n1*0.000000000000000001i;%加入復(fù)高斯白噪聲noise=zero(n1,5);%設(shè)置SNR為5dBNo=fft(noise);Y=XFG+No;%=============================計算誤碼率================================%forn=1:8SNR_send=2*n;error_count_l=0;%清空error_counterror_count_ls=0;error_count_mmse=0;error_count_smmse=0;error_count_dft=0;%=================求H_mmse===================%u=rand(N,N);F=fft(u)*inv(u);%DFT矩陣I=eye(N,N);Rgy=Rgg*F'*X';fori=1:Nyy(i,i)=Y(i);endH_mmse=fft(Gmmse);fori=1:N Hmmse(i,i)=H_mmse(i);end%================求H_lmmse===================%u=rand(N,N);F=fft(u)*inv(u);%DFT矩陣I=eye(N,N);fori=1:NHsmmse(i,i)=H_smmse(i);end%==================求H_dft====================%u=rand(N,N);F=fft(u)*inv(u);%DFT矩陣I=eye(N,N);fori=1:NHdft(i,i)=H_dft(i);end%=============================生成隨機(jī)序列=============================%forc=1:1000X=zeros(N,N);d=rand(N,1);fori=1:Nif(d(i)>=0.5)d(i)=+1;elsed(i)=-1;endend fori=1:NX(i,i)=d(i);endXFG=X*H;n1=ones(N,1);n1=n1*0.000000000000000001i;%加入復(fù)高斯白噪聲noise=awgn(n1,SNR_send);variance=var(noise);No=fft(noise);Y=XFG+No;%================================接收機(jī)=================================%%===============無估計的接收=================% I=inv(Hl)*Y;fork=1:N if(real(I(k))>0)%判決I(k)=1;elseI(k)=-1;endend fork=1:N if(I(k)~=d(k)) error_count_l=error_count_l+1; end end%==============LS估計器的接收================%I=inv(Hls)*Y;fork=1:Nif(real(I(k))>0)%判決I(k)=1;elseI(k)=-1;endendfork=1:Nif(I(k)~=d(k))error_count_ls=error_count_ls+1;endend%===============DFT估計器的接收=================%I=inv(Hdft)*Y;fork=1:Nif(real(I(k))>0)%判決I(k)=1;elseI(k)=-1;endendfork=1:Nif(I(k)~=d(k))error_count_dft=error_count_dft+1;endendendser_l(n)=error_count_l/128000;ser_ls(n)=error_count_ls/64000;ser_mmse(n)=error_count_mmse/64000;ser_smmse(n)=error_count_smmse/128000;ser_dft(n)=error_count_dft/96000;SNR(n)=SNR_send;end;%===================================作圖===============================%semilogy(SNR,ser_l,'-vk');axis([2,16,0.5*0.01,0.5*1]);gridon;holdon;semil