高速鐵路場(chǎng)景無(wú)線信道參數(shù)萃取方法研究.pdf

1、隨著我國(guó)高速鐵路的快速發(fā)展，其在人們的生活中所扮演的角色越來(lái)越重要。了解高速鐵路無(wú)線信道環(huán)境并對(duì)高速鐵路信道建模是當(dāng)前中國(guó)鐵路迫切需要解決的問(wèn)題。在確定高速鐵路信道模型的時(shí)候首先應(yīng)該確定無(wú)線信道的參數(shù)，包括信道的幅度、時(shí)延、多普勒頻移、離開(kāi)角、到達(dá)角等信道參數(shù)信息，這個(gè)過(guò)程需要比較先進(jìn)的高分辨率的無(wú)線信道參數(shù)萃取方法。
　　本文首先研究了基礎(chǔ)的三類(lèi)無(wú)線信道參數(shù)萃取算法，第一類(lèi)是多重信號(hào)分類(lèi)法（Multiple Signal Cla

2、ssification，MUSIC），該方法充分利用了信號(hào)子空間和噪聲子空間之間的正交特性，可以單獨(dú)對(duì)非相干信號(hào)的入射水平角進(jìn)行萃取。第二類(lèi)是旋轉(zhuǎn)不變技術(shù)估計(jì)信號(hào)參數(shù)(Estimating Signal Parameters via RotationalInvariance Techniques，ESPRIT)算法，該算法把接收陣列分為兩個(gè)子陣，并運(yùn)用了信號(hào)子空間的旋轉(zhuǎn)不變特性，可以對(duì)相干信號(hào)的水平角進(jìn)行萃取。不足之處在于以上兩種算法都

3、是針對(duì)角度參數(shù)萃取提出的。而第三類(lèi)期望最大(ExpectationMaximization，EM)算法和空間交替廣義期望最大(Space-Alternating GeneralizedExpectation Maximization， SAGE)算法，它們都是基于最大似然算法，通過(guò)求期望最大化，可以對(duì)時(shí)延、離開(kāi)角、到達(dá)角、多普勒頻移、幅度等多維參數(shù)進(jìn)行聯(lián)合萃取。文中同時(shí)給出了相關(guān)算法的仿真分析。
　　之后，本文研究了基于WINNE

4、RⅡ信道模型的D2a高速移動(dòng)場(chǎng)景下的無(wú)線信道參數(shù)萃取方法。在D2a場(chǎng)景下，信道由8個(gè)簇組成，每個(gè)簇由空間位置相對(duì)集中的20個(gè)散射體的反射信號(hào)組合而成。對(duì)于20條徑的到達(dá)角來(lái)說(shuō)，彼此之間非常接近。因此單純的使用SAGE算法不能滿(mǎn)足精確的角度萃取的要求。因此本文創(chuàng)新性地提出了改進(jìn)的SIC-SAGE算法，即首先通過(guò)ESPRIT算法得到角度估計(jì)值，再引入連續(xù)干擾消除(Serial Interference Cancellation)的概念，從而