Non-Data-Aided Parameter Estimation in an Additive White Gaussian Noise Channel
针对加性高斯白噪声信道中的二进制相移键控传输，研究了非数据辅助（NDA）参数估计问题。Cramer-Rao下界（CRLB）的信号幅度，噪声方差，信道可靠性常数和比特出错率推导出，它是如何显示这些参数与信噪比（SNR）。迭代最大似然（ML）SNR估计的替代推导提出了一种新的，低复杂度的NDA SNR估计。所提出的估计的性能进行比较，以前建议的估计和CRLB。结果表明，所提出的估计执行接近迭代ML估计，在显着较低的计算复杂性。
2005-09-04 cs.IT math.IT
Robust frequency offset estimator for OFDM over fast varying multipath channel
提出了一种适用于快变多径信道的鲁棒载波频偏估计算法。该算法使用两个精心设计的序列在时域和频域估计CFO。该方法具有估计精度高、估计范围大的特点，在快变信道中也能很好地工作。
2015-12-28 cs.IT math.IT
An Asymptotically Optimal Approximation of the Conditional Mean Channel Estimator based on Gaussian Mixture Models
本文研究了一种基于高斯混合模型的信道估计器。我们拟合GMM到给定的信道样本，以获得近似真实信道概率密度函数（PDF）的解析概率密度函数（PDF）。然后，以封闭形式计算对应于该近似PDF的条件平均信道估计器，并将其用作基于真实信道PDF的最优条件平均估计器的近似。这个最佳估计器不能解析计算，因为真实的信道PDF通常不可用。为了激励基于GMM的估计，我们证明了它收敛到最优条件均值估计的GMM组件的数量增加。在数值实验中，合理数量的GMM分量已经显示出有希望的估计结果。
2021-11-22 cs.IT eess.SP math.IT
Signal Estimation from Nonuniform Samples with RMS Error Bound -- Application to OFDM Channel Estimation
我们提出了一个信道频谱估计的OFDM信号包含导频，假设一个已知的延迟扩展或约束这个参数。该估计器是基于建模的信道的频谱作为一个带限函数，而不是作为一个抽头延迟线（TDL）的离散傅立叶变换。它的主要优点是它的免疫力的截断失配在通常的TDL模型（吉布斯现象）。为了评估估计，我们比较它与著名的TDL最大似然（ML）估计的均方根（RMS）误差。主要结果是，提出的估计改善ML估计显着，每当平均频谱采样率是以上的信道的延迟扩展。这种改善随着频谱过采样率的增加而增加。
2014-05-15 cs.IT math.IT
Primary Channel Gain Estimation for Spectrum Sharing in Cognitive Radio Networks
在认知无线电网络中，主收发机之间的信道增益，即主信道增益，对于认知发射机（CT）控制发射功率和实现频谱共享至关重要。常规地，主信道增益在主系统中被估计，并且因此在CT处不可用。为了解决这个问题，提出了两个估计器，使CT感测主信号。特别地，通过采用最大似然（ML）准则来分析接收到的主信号，ML估计器首先被开发。在证明了ML估计的高计算复杂性之后，提出了一种具有低复杂性的基于中值的（MB）估计。此外，MB估计的估计精度的理论特征。从计算复杂性和估计精度两个方面对ML估计和MB估计进行了比较，揭示了两种估计的优缺点。数值结果表明，ML估计器和MB估计器的估计误差可以分别小到$0.6$ dB和$0.7$ dB。
2016-11-27 cs.IT math.IT
Reduced-Rank Channel Estimation for Large-Scale MIMO Systems
针对大规模多输入多输出（MIMO）系统，提出了两种降秩信道估计器，并分析了它们的均方误差（MSE）性能。利用信道的变换域稀疏性，估计器产生出色的性能，并可以提供额外的平均到达角（AoA）信息。它示出，估计是有效的，一个必须选择一个适当的预定酉基（变换），并能够确定占主导地位的信道秩和相关的子空间。进一步的均方误差分析揭示了阵列大小、信道秩、信噪比和估计器性能之间的关系。它提供了理论基础，提出的秩确定和平均AoA估计算法以及。一个角度对齐操作包括在我们的信道模型被证明是有效的，在进一步降低所需的秩，移动的主导基向量的范围（信道频谱），并提高估计器的性能时，使用合适的基础。我们还得出深刻的类比MIMO信道建模，变换编码，并行空间搜索，接收波束成形。计算机实验结果提供了各种估计器参数的数值效果和建议的信道估计和秩确定方法的优点。
2016-09-08 cs.IT math.IT
Near Maximum-Likelihood Detector and Channel Estimator for Uplink Multiuser Massive MIMO Systems with One-Bit ADCs
在大规模多输入多输出（MIMO）系统中，对于每个天线元件具有高分辨率模数转换器（ADC）可能不是功率高效的。本文提出了一种用于上行链路多用户大规模MIMO系统的近最大似然（nML）检测器，其中每个天线连接到一对1位ADC，即，一个用于基带信号的每个实部和虚部。在所有可能的发送向量的穷举搜索在原来的最大似然（ML）检测问题所需的放松，制定ML估计问题。然后，ML估计问题转化为一个凸优化问题，可以有效地解决。使用该解决方案，基站可以对来自多个用户的发射信号执行简单的逐符号检测。为了进一步提高检测性能，我们还开发了一个两阶段的nML检测器，利用原始ML和建议（一阶段）nML检测器的结构。数值结果表明，所提出的nML检测器是足够有效的，以同时支持多个上行链路用户采用高阶星座，例如，16正交幅度调制。由于我们的检测器利用信道状态信息作为检测的一部分，因此还开发了一种ML信道估计技术，该技术具有与我们提出的nML检测器共享相同结构的一位ADC。所提出的检测器和信道估计器为大规模MIMO系统的上行链路提供了一个完整的低功耗解决方案。
2016-02-11 cs.IT math.IT
Minimum-Variance Importance-Sampling Bernoulli Estimator for Fast Simulation of Linear Block Codes over Binary Symmetric Channels
本文研究了线性分组码在二进制对称信道（BSC）上的重要性采样（IS）Monte-Carlo（MC）模拟中，Bernoulli分布作为有偏分布的选择问题。基于最优IS Bernoulli分布的解析推导，通过显式计算相应IS估计量的方差，提出了两种新的线性分组码快速仿真算法。对于足够高的信噪比（SNR），所提出的算法之一是SNR不变的，即IS估计不依赖于交叉概率的信道。此外，所提出的算法被证明是合适的估计的纠错能力的代码和解码器。最后，通过与标准蒙特卡罗方法的仿真结果比较，验证了算法的有效性。
2013-11-06 cs.IT math.IT
Convolutional Self-Attention-Based Multi-User MIMO Demapper
在基于正交频分复用（OFDM）的无线通信系统中，信道估计的准确性严重影响系统的误码率（BER）性能。对于良好的信道估计器来说，能够处理由于用户的移动性而发生的无线信道条件的变化是重要的。近年来，重点一直放在开发复杂的神经网络（NN）为基础的信道估计，使一个错误的性能接近的基因辅助信道估计。这项工作考虑了另一种替代方案，这是一个简单的信道估计器，但更复杂的NN为基础的解映射器的软信息的生成为每个传输位。特别是，扭转不完美的信道估计器的不利影响的问题得到解决，并提出了一个卷积的基于自我注意的神经解映射器，显着优于基线。
2022-01-27 cs.IT math.IT
Low-Complexity Polynomial Channel Estimation in Large-Scale MIMO with Arbitrary Statistics
本文研究了大规模多输入多输出（MIMO）通信系统中基于导频的信道估计，也称为大规模MIMO，其中在链路的一侧有数百个天线。由于计算复杂性是这类系统的主要挑战之一，本文针对任意信道和干扰统计，提出了一组低复杂度的贝叶斯信道估计器，即多项式扩展信道（Polynomial Expansion Channel，PEACH）估计器。虽然传统的最小均方误差（MMSE）估计具有立方复杂度的协方差矩阵的维度，由于逆运算，我们提出的估计显着降低到平方复杂度通过近似逆的L-度矩阵多项式。多项式的系数被优化以最小化估计的均方误差（MSE）。我们数值计算表明，接近最优的MSE实现低多项式次数。我们还得到了精确的计算复杂性的估计，在浮点运算（FLOPs），我们证明了所提出的估计优于传统的估计在大规模MIMO系统的实际尺寸，同时提供了一个合理的MSE。此外，我们表明，L不需要规模与系统的尺寸，以保持一定的归一化MSE。通过分析不同的干扰情况下，我们观察到，使用低复杂度的PEACH估计的相对MSE损失较小的导频污染的现实场景。另一方面，PEACH估计不太适合高导频功率的噪声限制的情况下，因此，我们还介绍了低复杂度的对角化估计，在这种制度下表现良好。最后，我们...
2014-12-05 cs.IT math.IT
Channel Estimation and Uplink Achievable Rates in One-Bit Massive MIMO Systems
本文考虑了一个大规模的多输入多输出（MIMO）系统的上行链路的信道估计和可达到的速率，其中基站配备了一位模数转换器（ADC）。通过使用线性表达式重写非线性一比特量化，我们首先推导出线性最小均方误差（LMMSE）信道估计器的简单而有见地的表达式。然后，采用这种信道估计器，我们推导出一个封闭形式的表达式的最大比合并器（MRC）接收机的可达速率的下限。数值结果验证了我们的分析，并表明我们提出的LMMSE信道估计优于近最大似然（nML）估计先前提出的。
2016-08-19 cs.IT math.IT
Decentralized Estimation over Orthogonal Multiple-access Fading Channels in Wireless Sensor Networks - Optimal and Suboptimal Estimators
研究了正交多址衰落信道下无线传感器网络（WSNs）中的最优和次优分散估计器。考虑到数字传输前的多比特量化，我们开发了已知和未知信道状态信息（CSI）的最大似然估计器（MLE）。当训练符号是可用的，我们得到一个MLE，这是一个特殊的情况下，未知CSI的MLE。它隐式地使用训练符号来估计信道系数，并以最优的方式利用所估计的CSI。为了减少计算复杂性，我们提出了次优估计。这些估计器利用信号和数据级冗余信息来提高估计性能。建议MLE减少到传统的基于融合或基于多样性的估计时，通信或观测是完美的。通过引入一个通用的消息函数，所提出的估计器可以应用于各种模拟或数字传输方案时，使用。仿真结果表明，在衰落信道中，采用多比特量化数字通信的估计器优于采用模拟转发传输的估计器。当考虑总带宽和能量约束时，在中等和高观测信噪比水平下，使用多比特量化的MLE优于使用二进制量化的MLE。
2010-05-07 cs.IT math.IT stat.ME
Evaluation of a Gaussian Mixture Model-based Channel Estimator using Measurement Data
在这项工作中，我们使用真实世界的数据，以评估和验证基于机器学习（ML）的算法的物理层功能。具体而言，我们应用最近推出的高斯混合模型（GMM）为基础的算法，以估计上行链路信道源于测量活动。对于该估计器，存在初始（离线）训练阶段，其中GMM被拟合到给定的信道（训练）数据上。此后，将拟合的GMM用于（在线）信道估计。我们的实验表明，GMM估计学习的固有特性，一个给定的基站的整个无线电传播环境。本质上，由于初始拟合的GMM的通用近似特性，捕获了该环境信息。对于足够多的GMM分量，GMM估计器被证明可以任意地逼近（未知）均方误差（MSE）最优信道估计器。在我们的实验中，GMM估计器显示出显着的性能增益相比，无法捕获的环境信息的方法。为了验证环境信息被学习的说法，我们使用最先进的信道模拟器生成合成信道数据，并在这些信道上和在真实数据上训练GMM估计器一次，并且我们将估计器一次应用于合成数据，一次应用于真实数据。然后，我们观察如何在训练阶段提供合适的环境信息有益地影响以后的信道估计性能。
2022-07-28 cs.IT eess.SP math.IT
Optimal Bilinear Equalizer Beamforming Design for Cell-Free Massive MIMO Networks with Arbitrary Channel Estimators
本文研究了无蜂窝大规模MIMO网络在Rician衰落信道下的分布式最优双线性均衡器波束成形设计，推导了上下行可达频谱效率的闭式表达式，并发现Rayleigh信道下SE性能与估计器选择无关。
2025-03-02 cs.IT eess.SP math.IT
Data-Aided Channel Estimator for MIMO Systems via Reinforcement Learning
针对多输入多输出通信系统，提出了一种数据辅助的信道估计方法，该方法减小了传统线性最小均方误差（LMMSE）方法的信道估计误差。基本思想是选择性地利用从数据检测获得的检测符号矢量作为附加导频信号。为了优化检测的符号向量的选择，定义了一个马尔可夫决策过程（MDP），它找到最佳选择以最小化信道估计的均方误差（MSE）。然后，开发了一种强化学习算法，以计算高效的方式解决这个MDP。仿真结果表明，与传统的LMMSE方法相比，所提出的信道估计器显著降低了信道估计的均方误差，从而改善了系统的误块率。
2020-03-23 cs.IT eess.SP math.IT
Optimal Augmented-Channel Puncturing for Low-Complexity Soft-Output MIMO Detectors
我们提出了一个计算效率的软输出检测器的多输入多输出信道的基础上增强的信道打孔，以减少树的处理复杂度。建议的检测器，被称为增强WL检测器（AWLD），采用打孔通道与一个特殊的结构，通过三角化的原始通道在增强的形式，然后高斯消除。我们证明了这些打孔信道是最佳的最大限度地提高了下限的可达信息速率（AIR）的基础上新提出的失配检测模型。我们发现，AWLD分解成一个最小均方误差（MMSE）预滤波器和信道增益补偿阶段，其次是一个定期的未增强WL检测器（WLD）。它达到了与现有的AIR部分边缘化（AIR-PM）检测器相同的性能，但处理简单得多。
2020-01-29 cs.IT math.IT
Low-Complexity and Basis-Free Channel Estimation for Switch-Based mmWave MIMO Systems via Matrix Completion
针对毫米波通信中基于开关的混合大规模MIMO系统，提出一种基于矩阵补全的无基低复杂度信道估计方案，可避免基失配问题，复杂度显著低于传统压缩感知类估计器。
2016-11-23 cs.IT math.IT
On Optimal MMSE Channel Estimation for One-Bit Quantized MIMO Systems
本文针对单比特量化MIMO系统，提出基于正交概率计算MMSE信道估计器的新框架，并给出BLMMSE估计器最优的充要条件，推导大维度下的解析表达式以比较两者性能。
2025-01-22 cs.IT eess.SP math.IT
Efficient Channel Estimator with Angle-Division Multiple Access
大规模多输入多输出（M-MIMO）是5G无线通信的使能技术。M-MIMO系统的性能高度依赖于获得信道状态信息（CSI）的速度和准确性。通过利用M-MIMO信道的稀疏性，可以降低M-MIMO系统的信道估计的计算复杂度。本文首次提出了基于角分多址接入（ADMA）的硬件有效信道估计器。还实现了前导码、上行链路（UL）和下行链路（DL）训练。为了进一步考虑硬件效率，已经讨论了关于量化和近似策略的优化。实现技术，如流水线和脉动处理也采用硬件规律性。数值结果和FPGA实现证明了所提出的信道估计器的优点。
2018-04-17 cs.IT eess.SP math.IT
Optimal Detector for Channels with Non-Gaussian Interference
当发射机采用为单用户高斯信道设计的非高斯方案时，解决了高斯干扰信道中的检测问题。被认为是由一个单独的符号的符号检测器和一个硬解码器的结构。给出了这种结构，提出了一种最佳检测器，它与干扰感知的传统检测器，干扰感知的连续干扰消除（SIC）检测器和最小距离检测器进行了比较。分析和仿真表明，最佳检测器优于传统的和SIC检测器，它达到降低符号出错率，即使在存在强干扰。此外，在大多数情况下，最小距离检测器的性能几乎与最佳检测器一样好，并且复杂性明显降低。
2009-07-09 cs.IT math.IT
Linear Programming based Detectors for Two-Dimensional Intersymbol Interference Channels
我们提出并研究了基于线性规划的二维的【形】码间干扰信道检测器。二维的【形】符号间干扰信道的有趣实例是磁存储、光存储和Wyner的蜂窝网络模型。我们表明，在这样的通道中的最佳最大后验概率检测适合于一个自然的线性规划为基础的次优检测器。我们称之为成对线性规划检测器。我们的实验表明，成对线性规划检测器性能不佳。然后，我们提出了两种方法来加强我们的检测器。这些检测器是基于系统地增强成对线性规划。第一个，块线性规划检测器以{ \em穷举}方式将高阶势函数作为约束添加到成对线性规划检测器。实验表明，块线性规划检测器具有接近最优检测器的性能。然后，我们开发了另一个检测器，通过{ \em自适应}增加挫折循环的成对线性规划检测器。经验上，该检测器也具有接近最优的性能，并且比块线性规划检测器更简单。
2011-02-26 cs.IT math.IT
Multichannel group sparsity methods for compressive channel estimation in doubly selective multicarrier MIMO systems (extended version)
我们考虑在双选择性MIMO信道上传输的脉冲成形多载波多输入多输出（MIMO）系统中的信道估计。这种设置包括作为特殊情况的MIMO正交频分复用（MIMO-OFDM）系统。我们发现，在延迟-多普勒域的分量信道往往表现出近似的联合组稀疏结构。然后，我们开发了一个压缩信道估计，利用这种结构，以提高性能。提出的信道估计器使用多通道组稀疏压缩感知的方法，它结合了组稀疏压缩感知和多通道压缩感知的方法。我们推导了信道估计误差的上界，并分析了估计器的计算复杂性。通过引入基础扩展产生增强的联合组稀疏性，以及基础优化算法，该算法能够利用先前的统计信息，如果可用的话，估计器的性能进一步提高。使用基于几何的信道模拟器的模拟表明，由于利用联合组稀疏性和优化的基础的性能增益。
2016-08-01 cs.IT math.IT
Low-Complexity Channel Estimation for Internet of Vehicles AFDM Communications With Sparse Bayesian Learning
Northwestern Polytechnical University（西北工业大学）；Shaanxi University of Science and Technology（陕西科技大学）；Nanyang Technological University（南洋理工大学）；South China University of Technology（华南理工大学）；Xidian University（西安电子科技大学）
本文提出低复杂度的AFDM信道估计方法，通过稀疏贝叶斯学习框架和分布式计算方案，提升信道估计性能与效率。
2025-12-16 cs.IT math.IT
A Low-Complexity MIMO Channel Estimator with Implicit Structure of a Convolutional Neural Network
Technische Universität München（慕尼黑工业大学）
最近提出了一种低复杂度的卷积神经网络估计器，它可以学习单天线用户的最小均方误差信道估计器。我们推广的架构与多天线用户的MIMO信道的估计，并将复杂度降低的假设的基础上的信道模型。在这种情况下，学习是用来对抗假设和假设可能不成立的真实场景之间的不匹配。我们推导出一个高层次的描述的估计任意选择的导频序列。事实证明，所提出的估计器具有两层卷积神经网络的隐式结构，其中导出的量可以被放松为可学习的参数。我们表明，通过使用基于离散傅立叶变换的导频的可学习的网络参数的数量显着减少和在线运行时间的估计大大减少，在那里我们可以实现线性的复杂性的天线数量的顺序。数值结果表明，与来自压缩感知或相同或甚至更高计算复杂性的协方差估计领域的最新算法相比，性能增益。模拟代码可在线获得。
2021-04-26 cs.IT cs.LG math.IT
Asymptotic Analysis of General Multiuser Detectors in MIMO DS-CDMA Channels
我们分析了MIMO DS-CDMA信道与一般的多用户检测器，包括一个非线性多用户检测器，使用副本的方法。在多用户情况下，如果采用空间扩频方案，则多用户检测器将MIMO DS-CDMA信道解耦为一组单用户SIMO高斯信道。另一方面，如果不采用空间扩展方案，则它被解耦成一组单用户MIMO高斯信道。具有空间扩展方案的MIMO DS-CDMA信道的频谱效率与不具有空间扩展方案的使用最优空时分组码的MIMO DS-CDMA信道的频谱效率相当。在QPSK数据调制方案的情况下，具有MMSE检测器的MIMO DS-CDMA信道的频谱效率示出{ \it瀑布}行为，并且当系统负载刚好低于{ \it瀑布}行为的转变点时非常接近于对应的总容量。我们的结果意味着，考虑到数据调制方案的多用户检测器的性能可以远远优于线性多用户检测器。
2007-06-21 cs.IT math.IT
Approximate Maximum a Posteriori Carrier Phase Estimator for Wiener Phase Noise Channels using Belief Propagation
针对BPS算法在概率整形星座下次优的问题，提出基于置信传播的近似最大后验载波相位估计器，并与标准及改进BPS算法比较性能。
2023-10-18 cs.IT eess.SP math.IT
Super-Resolution mmWave Channel Estimation using Atomic Norm Minimization
我们提出了毫米波（mmWave）系统，采用混合模拟和数字波束成形和广义空间调制，分别超分辨率MIMO信道估计。利用毫米波信道的固有稀疏性，信道估计问题被公式化为原子范数最小化，其增强了连续的出发角和到达角中的稀疏性。导频辅助和数据辅助信道估计器的开发，前者制定为一个凸问题，后者作为一个非凸问题。为了解决这些制定的信道估计问题，我们开发了一个计算效率高的共轭梯度下降方法的基础上，非凸分解，限制了搜索空间低秩矩阵。仿真结果表明，与现有的基于压缩感知的估计器相比，所提出的算法对于两种类型的毫米波系统具有优异的信道估计性能，具有精细量化的角度网格。
2018-01-23 cs.IT math.IT
Matrix Completion-Based Channel Estimation for MmWave Communication Systems With Array-Inherent Impairments
针对毫米波混合大规模MIMO系统中阵列固有损伤导致传统信道估计性能下降的问题，提出基于矩阵补全的鲁棒信道估计方案，结合开环训练、广义条件梯度与交替最小化方法，还扩展至归纳矩阵补全场景，在性能、复杂度和鲁棒性上均优于基于OMP的压缩感知估计器。
2018-10-10 cs.IT math.IT
On the Equivalence of Maximum SNR and MMSE Estimation: Applications to Additive Non-Gaussian Channels and Quantized Observations
最小均方误差（MMSE）是贝叶斯估计最常用的准则之一。相反，信噪比（SNR）是通信、雷达和一般检测理论中的典型性能标准。在本文中，我们首先形式化的SNR准则设计的估计，然后我们证明存在一个等价的MMSE和最大信噪比估计，任何统计量。我们还将这种等价性扩展到特定类的次优估计，这是表示的基础扩展模型（BEM）。然后，通过利用一个正交的BEM的估计，我们推导出的MMSE估计约束到一个给定的量化分辨率的噪声观测，我们证明，这种次优MMSE估计往往是最佳的MMSE估计，使用一个无限的分辨率的观察。此外，我们推导出封闭形式的表达式的均方误差（MSE）和SNR的建议的次优估计，我们表明，这些表达式构成紧密的，渐近精确的，最佳MMSE和最大SNR的界限。
2016-05-19 cs.IT math.IT
Variational Autoencoder for Channel Estimation: Real-World Measurement Insights
本文提出仅用含噪观测训练的变分自编码器信道估计器，通过学习条件一阶和二阶矩近似MSE最优估计，在真实测量中显著优于现有方法，并发现合成数据预训练可保持性能且减少实测数据需求。
2024-02-08 cs.IT eess.SP math.IT
On the Uncertainty of a Simple Estimator for Remote Source Monitoring over ALOHA Channels
研究无反馈时隙随机接入信道下跟踪双态马尔可夫源的接收端不确定性，以条件熵为指标解析评估三种接入策略，发现吞吐量优化未必降不确定性，且非对称源需混合策略。
2025-02-03 cs.IT math.IT
Partially-blind Estimation of Reciprocal Channels for AF Two-Way Relay Networks Employing M-PSK Modulation
我们考虑放大转发双向中继的信道估计问题，假设信道互易性和M-PSK调制。在早期的工作中，部分盲最大似然估计是通过将数据视为确定性未知数而得到的。我们证明了该估计器在高信噪比（SNR）下以高概率逼近真实信道，但并不一致。然后，我们提出了一种替代的估计，这是一致的，并具有同样有利的高信噪比性能。我们还得到了无偏估计方差的Cramer-Rao界。
2012-02-15 cs.IT math.IT stat.OT
Learning Channel Capacity with Neural Mutual Information Estimator Based on Message Importance Measure
本文提出基于消息重要性度量的互信息估计器MMIE及广义协作框架，通过生成器与判别器对抗训练同时学习最优码本和估计信道容量，实验表明其在准确性和稳定性上达到最先进水平。
2023-12-04 cs.IT eess.SP math.IT
Beyond MMSE: Rank-1 Subspace Channel Estimator for Massive MIMO Systems
提出秩一子空间信道估计器，以低复杂度近似ML估计，优于线性MMSE，额外增益随天线数对数增长，复杂度线性扩展，扩展精度-复杂度区域。
2024-04-21 cs.IT eess.SP math.IT
Minimax Filtering via Relations between Information and Estimation
研究了极大极小准则下连续时间因果估计问题。令$X^T = \{X_t,0\leq t\leq T\}$由来自由$θ\in Λ$索引的一类可能定律的概率定律$P_θ$支配，并且$Y^T$是可用于估计器的$X^T$的噪声破坏观测。我们刻画了最坏情况下最小化后悔的估计量，其中后悔是估计量的因果估计损失与最优估计量的因果估计损失之间的差异。本文的主要贡献之一是刻画了极大极小估计量，表明它实际上是一个贝叶斯估计量。然后，我们与极小极大遗憾的信道容量时，信道是高斯或泊松。在这种情况下，我们更明确地刻画了极小极大后悔和极小极大估计。如果我们进一步假设不确定性集合由确定性信号组成，则最坏情况下的遗憾恰好等于相应的信道容量，即在信号的不确定性集合上的所有可能分布中跨信道可获得的最大互信息。相应的极小极大估计量是贝叶斯估计量，假设容量实现先验。利用这种关系，我们还表明，能力实现先验与最不利的输入相吻合。此外，我们表明，这种极大极小估计不仅最小化最坏情况下的遗憾，但也基本上最小化遗憾的“大多数”的其他来源的不确定性。我们提出了一对夫妇的例子，通过一个近似的相关容量实现分布的极小极大滤波器的建设。
2014-07-08 cs.IT math.IT
Multi-User Detection Based on Expectation Propagation for the Non-Coherent SIMO Multiple Access Channel
本文研究了空间相关瑞利块衰落信道下的非相干单输入多输出（SIMO）多址信道。我们提出了一种新的软输出多用户检测器，计算每个发射信号的近似边缘后验，只使用有关信道分布的知识。我们的检测器是基于期望传播（EP）的近似推理，并在用户数，接收天线数和信道相干时间的多项式复杂度。我们还提出了两个简化的检测器，降低了复杂性。与格拉斯曼信令，所提出的检测器优于一个国家的最先进的非相干检测器与基于投影的干扰缓解。利用导频辅助信令，EP检测器在符号出错率方面优于一些常规的基于相干导频的检测器，包括球形解码器和联合信道估计-数据检测方案。我们的EP为基础的检测器产生准确的近似的真实后，导致高可实现的总和率。当使用它们的软输出用于turbo信道解码器时，根据比特出错率进一步观察这些检测器的增益。
2020-06-03 cs.IT math.IT
Improved Channel Estimation Methods based on PN sequence for TDS-OFDM
在时域同步正交频分复用（TDS-OFDM）方案中，伪噪声（PN）序列既作为OFDM数据符号的保护间隔（GI），又作为同步/信道估计的训练序列，准确的信道估计是该方案的关键。本文研究了基于PN序列互相关的信道估计方法。对该估计器进行了理论分析，并提出了几种改进的估计器，以减少PN相关估计器所遇到的估计误差地板。通过数学推导和模拟表明，新的估计方法，甚至达到Cramer-Rao界。
2012-12-11 cs.IT cs.NI math.IT
On the Ozarow-Leung Scheme for the Gaussian Broadcast Channel with Feedback
在这项工作中，我们考虑线性反馈方案的两个用户高斯广播信道与无噪声反馈。我们扩展了[Ozarow和梁，1984]的传输方案，通过应用具有记忆的估计量来代替Ozarow和梁（OL）在其原始工作中使用的无记忆估计量。所提出的估计实现的均方误差的递归公式，以及一个不动点的存在性的证明。这使得能够表征扩展方案的可实现速率。最后，通过数值模拟，它表明，扩展的计划可以改善后，原来的OL计划在可实现的速率，以及实现有限数量的信道使用后的错误概率低。
2014-12-21 cs.IT math.IT
Reproducible Evaluation of Neural Network Based Channel Estimators And Predictors Using A Generic Dataset
近年来提出了一种基于神经网络的低复杂度信道估计方法，该方法将信道模型假设引入估计器的设计过程。我们没有像以前的工作那样使用来自测量活动的数据，而是通过使用DeepMIMO数据集的可再现毫米波环境来评估基于卷积神经网络（CNN）的信道估计器的性能。我们进一步提出了一个基于神经网络的预测器，它是通过从线性最小均方误差（LMMSE）预测器。我们首先推导出一个加权和的LMMSE预测，这是出于最佳MMSE预测的结构。该预测器向基于前馈神经网络的预测器提供初始化（权重矩阵、偏置和激活函数）。通过正确学习的神经网络，我们证明了在DeepMIMO数据集的可再现室内场景中，基于基础多普勒频谱的Jakes假设，可以轻松地超越LMMSE预测器。
2019-11-28 cs.IT eess.SP math.IT
Distributed SNR Estimation using Constant Modulus Signaling over Gaussian Multiple-Access Channels
传感器网络用于在单个时间快照中进行分布式联合均值和方差估计。传感器观察嵌入在噪声中的信号，这是相位调制使用一个恒模方案和高斯多址信道传输到一个融合中心，在那里的平均值和方差估计联合，使用渐近最小方差估计，这是解耦成简单的个人估计的平均值和方差。与放大转发方法不同，恒模相位调制方案确保了固定的发射功率、跨几个感测噪声分布的鲁棒估计以及需要从传感器到融合中心的单组传输的SNR估计。的平均值和方差的估计的性能进行评估的渐近方差，这是用来评估的SNR估计的高斯，拉普拉斯和柯西感测噪声分布的情况下的性能。对于每一个感测噪声分布，最佳相位传输参数也被确定。估计的平均值和方差的渐近相对效率进行评估。结果表明，在所考虑的噪声分布中，只有当噪声分布为高斯分布时，估计量才是渐近有效的。仿真结果证实了分析结果。
2011-02-23 cs.IT math.IT
Alternating Markov Chains for Distribution Estimation in the Presence of Errors
本文研究了噪声信道下一类小样本分布估计器。我们的估计器是专为重复通道，并依赖于所观察到的序列的运行的属性。这些运行通过一种特殊类型的马尔可夫链建模，称为交替马尔可夫链。我们表明，交替链的冗余度，规模与序列的长度呈次线性关系，并描述了如何使用的分布估计交替链的分布估计的目的，在重复信道。
2012-02-04 cs.IT math.IT
Massive MIMO with Spatially Correlated Rician Fading Channels
本文考虑多小区大规模MIMO（多输入多输出）系统中的信道是空间相关的莱斯衰落。该信道模型由确定性视线（LoS）路径和随机非视线（NLoS）分量组成，描述了一个实际的空间相关多径环境。我们推导出该模型的最小均方误差（MMSE），元素的MMSE（EW-MMSE），最小二乘（LS）信道估计的统计特性。使用这些估计的最大比（MR）合并和预编码，严格的封闭形式的上行链路（UL）和下行链路（DL）频谱效率（SE）的表达式推导和分析。当使用不同的信道估计的渐近SE行为进行了分析。数值结果表明，当使用MMSE估计器时，SE比其他估计器更高，并且性能差距随着天线数目的增加而增加。
2019-06-13 cs.IT math.IT
Pilot Signal and Channel Estimator Co-Design for Hybrid-Field XL-MIMO
本文针对混合场XL-MIMO信道估计问题，提出基于ADMM的最优导频信号设计与两阶段信道估计方法，通过协同设计显著提升稀疏信道恢复的可靠性。
2024-03-28 cs.IT eess.SP math.IT
Low-Complexity Channel Estimation in Large-Scale MIMO using Polynomial Expansion
本文研究了大规模多输入多输出（MIMO）通信系统中基于导频的信道估计问题。与以前的工作在这个主题上，主要考虑了由于导频重用（所谓的导频污染）的小区间干扰的影响，我们关心的是计算复杂性。传统的最小均方误差（MMSE）和最小方差无偏（MVU）信道估计器依赖于逆协方差矩阵，这在每一侧的天线数量的乘法中具有立方复杂度。由于这是非常昂贵的，当有数百个天线，我们建议近似的反演的L阶矩阵多项式。介绍了一组低复杂度的贝叶斯信道估计器，即多项式扩展信道（PEACH）估计器。多项式的系数被优化以产生小的均方误差（MSE）。我们数值计算表明，接近最佳的性能实现低多项式阶。在实践中，可以选择阶数L以在复杂度和MSE之间进行平衡。有趣的是，导频污染有利于PEACH估计器，因为较小的L可以用于实现接近最优的MSE。
2013-07-17 cs.IT math.IT
Discriminative Mutual Information Estimators for Channel Capacity Learning
University of Klagenfurt（克拉根福大学）
信道容量在现代通信系统的发展中起着至关重要的作用，因为它代表了信息可以在通信信道上可靠传输的最大速率。然而，对于大多数渠道，找到一个封闭的形式的能力表达式仍然是一个开放的挑战。这是因为它需要执行两个艰巨的任务a）计算信道输入和输出之间的互信息，以及b）其关于信道输入处的信号分布的最大化。在本文中，我们解决这两个任务。受隐式生成模型的启发，我们提出了一种新的协作框架，用于自动学习任何类型的无记忆信道的信道容量。特别是，我们首先开发了一种新的方法来估计的互信息直接从一个典型的部署到训练对抗网络，称为歧视性互信息估计（DIME）。其次，我们包括合作信道容量学习框架，称为皮质，其中一个学习区分依赖和独立的信道输入输出样本，而发电机学习产生最佳的信道输入分布，其中的学习表现出最佳的性能。最后，我们证明了一个特定的选择的合作价值函数解决了信道容量估计问题。仿真结果表明，该方法具有较高的精度。
2021-07-07 cs.IT cs.LG math.IT
A Low-Complexity Detector for Memoryless Polarization-Multiplexed Fiber-Optical Channels
针对非线性相位噪声下的偏振复用 M-PSK 光纤信道，提出利用双接收幅度相位补偿和直线判决边界的低复杂度检测器，推广了单偏振结果。
2013-12-11 cs.IT math.IT
Centralized Learning of the Distributed Downlink Channel Estimators in FDD Systems using Uplink Data
在这项工作中，我们提出了一种基于卷积神经网络（CNN）的低复杂度方法，用于频分双工（FDD）系统中的下行链路（DL）信道估计（CE）。与现有的工作相比，我们使用的训练数据，这仅仅源于上行链路（UL）域。这允许学习集中在基站（BS）的CNN。在训练之后，网络参数被卸载到BS的覆盖区域内的移动终端（MT）。然后，MT可以利用低复杂度的CNN估计器获得MIMO信道的信道状态信息（CSI）。这避免了不可行的反馈量的必要性，即，在用户处获取训练数据，以及在每个MT处的离线训练阶段。数值结果表明，仅基于UL数据训练的CNN与基于DL数据训练的网络表现同样好。此外，该方法能够优于最先进的CE算法。
2021-05-25 cs.IT eess.SP math.IT
Robust Distributed Estimation over Multiple Access Channels with Constant Modulus Signaling
一个分布式的估计方案，其中的传感器发送恒模信号在多址信道被认为是。所提出的估计被证明是强一致的任何感测噪声分布在i.i.d.每传感器功率约束和总功率约束的情况。当感测噪声的分布不相同时，方差上的界被示出以建立强一致性。估计是渐近正态的方差（AsV），取决于感测噪声的特征函数。AsV的优化被认为是相对于一个传输相位参数的各种噪声分布表现出不同程度的脉冲行为。的鲁棒性的估计脉冲传感噪声分布，如正过剩峰度，或那些没有有限的时刻。所提出的估计器是有利的放大和转发计划下的脉冲噪声的情况下相比。衰落的影响不影响估计的一致性，但规模的渐近方差由一个恒定的衰落处罚取决于衰落统计。模拟证实了我们的分析结果。
2009-09-29 cs.IT math.IT
Sparse mmWave OFDM Channel Estimation Using Compressed Sensing in OFDM Systems
提出并分析了一种基于正交匹配追踪（OMP）算法的OFDM系统毫米波稀疏信道估计技术。这种贪心算法每次迭代检索一个附加的多径分量（MPC），直到满足停止条件。我们得到一个解析近似的OMP估计误差方差的增长与检索MPC（迭代）的数量。OMP信道估计器误差方差优于经典的最大似然（ML）非稀疏信道估计器，其系数约为$2\hat{L}/M$，其中$\hat{L}$是检索到的MPC（迭代）的数目，而$M$是离散等效信道的抽头的数目。当MPC幅度分布是重尾时，信道功率集中在主导MPC的子集中。在这种情况下，OMP执行较少的迭代，因为它只检索这些占主导地位的大MPC。因此，对于该MPC幅度分布，OMP相对于ML的估计误差优势得到改善。特别地，对于具有对数正态分布幅度的MPC的信道，OMP估计器在典型的毫米波信道中恢复大约5-15个主导MPC，其中15-45个弱MPC保持未检测到。
2018-12-18 cs.IT math.IT
Channel Estimation for Diffusive Molecular Communications
在分子通信（MC）系统中，在发射机瞬时释放分子之后，在接收机处随时间观察到的分子的\textit{expected}数量被称为信道脉冲响应（CIR）。CIR的知识对于检测和均衡方案的设计是需要的。在本文中，我们提出了一个基于训练的CIR估计框架的MC系统，其目的是在估计CIR的基础上的\textit{observed}数量的分子在接收器由于发射的\textit{sequence}已知数量的分子的发射器。因此，我们区分两种情况下，取决于统计信道知识是否可用。特别是，我们推导出最大似然（ML）和最小平方误差和（LSSE）估计，不需要任何知识的信道统计。对于这种情况，当统计信道知识是可用的，相应的最大后验概率（MAP）和线性最小均方误差（LMMSE）估计。作为性能界，我们推导出经典的克拉默-拉奥（CR）下界，有效的任何无偏估计，不利用统计信道知识，和贝叶斯CR下界，有效的任何无偏估计，利用统计信道知识。最后，我们提出了最优和次优的训练序列设计所考虑的MC系统。仿真结果证实了分析和比较所提出的估计技术与各自的CR下界的性能。
2016-08-12 cs.IT math.IT
Low-Rank Covariance-Assisted Downlink Training and Channel Estimation for FDD Massive MIMO Systems
研究了频分双工（FDD）大规模MIMO系统中的下行链路训练和信道估计问题，在该系统中，配备大量天线的基站（BS）同时为多个单天线用户提供服务。在FDD系统中，为了在基站处获得信道状态信息（CSI），用户必须通过下行链路训练来估计下行链路信道，然后将其反馈给基站。对于FDD大规模MIMO系统，用于下行链路训练和CSI上行链路反馈的开销可能非常高，这提出了重大挑战。本文研究了当信道协方差矩阵具有低秩或近似低秩结构时，最小均方误差（MMSE）估计器的性能。我们的理论分析表明，利用信道协方差矩阵的低秩特性，可以大大减少训练开销。特别是，我们表明，MMSE估计是能够实现精确的信道恢复在渐近低噪声制度，只要在时间上的导频符号的数量不小于秩的信道协方差矩阵。我们还提出了一个最佳的单用户情况下的导频设计，和一个渐进的最佳导频设计的多用户场景。最后，我们提出了一个简单的基于模型的方案来估计信道协方差矩阵，基于此MMSE估计器可以用来估计信道。所提出的方案不需要任何额外的训练开销。仿真结果验证了我们的理论结果，并说明了所提出的估计协方差辅助MMSE估计器的有效性。
2016-07-29 cs.IT math.IT
On Conditions for Linearity of Optimal Estimation
什么时候最优估计是线性的？众所周知，当高斯源被高斯噪声污染时，线性估计器使均方估计误差最小化。本文较一般地分析了最优估计量线性的条件。给定一个噪声（或源）分布和一个特定的信噪比（SNR），我们导出了一个源（或噪声）分布的存在性和唯一性条件，使得$L_p$最优估计是线性的.然后，我们表明，如果噪声和源的方差是相等的，那么匹配的源必须分布相同的噪声。此外，我们证明了高斯源通道对是唯一的意义上说，它是唯一的源通道对的均方误差（MSE）的最佳估计是线性在一个以上的SNR值。此外，我们显示的渐近线性的MSE最优估计低SNR，如果信道是高斯的源，反之亦然，对于高SNR，如果源是高斯的，不管信道。向量的情况下的扩展也被认为是除了从标量的情况下继承的条件，必须满足额外的约束，以确保线性的最佳估计。
2012-02-27 cs.IT math.IT
Estimating Channel Parameters from the Syndrome of a Linear Code
在这封信中，我们分析的性质的最大似然信道估计的基础上的线性码的伴随式。对于二进制对称信道和二进制输入加性高斯白噪声信道的两个例子，我们推导出的偏差和均方误差的表达式，并比较它们的Cramér-Rao界。解析表达式示出了估计器性质与线性码的参数之间的关系，即，校验节点数和校验节点度。
2013-10-23 cs.IT math.IT
Capacity of Continuous Channels with Memory via Directed Information Neural Estimator
Ben Gurion University（本·古里安大学）；Cornell University（康奈尔大学）
计算具有记忆和连续字母表的通道的容量（有或没有反馈）是一项具有挑战性的任务。它需要在所有信道输入分布上优化有向信息（DI）速率。目标是一个多字母的表达式，其解析解仅在少数特定情况下已知。当没有解析解或信道模型未知时，没有统一的框架来计算甚至近似容量。这项工作提出了一种新的容量估计算法，把信道作为一个“黑盒子”，无论是当反馈或不存在。该算法有两个主要成分：（i）神经分布Transformer（NDT）模型，它将噪声变量整形为信道输入分布，我们能够对其进行采样，以及（ii）DI神经估计器（DINE），它估计当前NDT模型的通信速率。这些模型通过交替最大化过程来训练，以估计信道容量并获得最佳输入分布的NDT。该方法被证明在移动平均加性高斯噪声信道，其中它示出的容量和反馈容量估计没有知识的信道过渡内核。建议的估计框架打开了大门，无数的容量近似结果连续字母表通道，到现在为止是无法访问的。
2020-05-16 cs.IT cs.LG math.IT
