基于小波去噪的OFDM信道估计新方法

该文利用小波变换思想,提出一种基于小波去噪的正交频分复用(OFDM)系统信道估计的新方法,以解决含有噪声的FDM信道的估计问题。该方法首先利用最小二乘(LS)方法进行信道估计,然后对估计后的结果进行小波去噪处理。这个方法不需要预知任何信道统计特性,与一般的最小二乘信道估计方法相比,性能有很大提高。计算机仿真证明了其有效性。     

基于DCT的OFDM信道估计

在宽带移动环境下,由于多普勒频移以及多径的影响,信道是时变的。为了消除信道对传输信号的影响,需要对信道进行估计。给出了2种基于离散余弦变换(DCT)的信道估计方法,可以很好的降低频谱泄露造成的混叠失真,适用于非整数倍的抽样信道。其中一种性能较好,另一种实现更加方便。仿真结果表明,这两种算法的性能均优于基于DFT的信道估计算法。     

信道估计中基于变换域的降噪处理技术

本文讨论了信道估计中的降噪处理技术，根据信道中加性高斯噪声的特点，提出在变换城中抑制噪声能量的方法。大大提高了估计精度。文中分析了两种降噪算法，并从理论上分析了算法一的处理增益。仿真表明．经过降噪算法二处理后信道估计精度得到了大犬的提高。其估计误差时系统误码性能的影响已经极小，单纯靠提高信道估计精度已很难进一步改善系统的误码性能。     

一种新的基于导频信号和离散小波变换的OFDM移动通信系统信道估计方法

针对在时变无线信道条件下工作的正交频分复用通信系统,本文提出了一种通过小波滤波器插值来进行信道传递函数估计的方法.此方法利用离散小波变换消噪以显著地消除接收到的导频信号中的加性白高斯噪声项.本文所提出的方法适用于所有线性调制OFDM系统.     

OFDM系统中基于变换域的信道估计

研究了正交频分复用（OFDM,orthogonal frequency division multiplexing）系统中基于变换域补零的插值方法,深入分析了基于离散余弦变换（DCT）的插值法,利用DCT的能量压缩特性,能有效消除传统基于离散傅里叶变换（DFT,Discrete Fourier Transform）估计算法在信道延时不是采样周期整数倍时产生的频谱能量泄露的问题。针对如何降低导频信道响应估计值中的噪声分量,提出了一种改进的方法,设计了一种适用于DCT变换域的滤波器,通过仿真系统参数变化对改进算法性能的影响,分析和验证了改进算法的有效性。     

一种基于导频的OFDM信道估计优化算法

针对OFDM系统提出了一种新的联合信道估计方法,并在理论上将此方法进行了最优化.仿真结果表明,该方法不仅有效提高了信道估计的准确性,而且可降低信道估计对导频发射功率的依赖性.     

发射分集0FDM系统中基于离散导频的信道估计方法

OFDM技术、空时编码和分集技术的联合可以实现无线数据的高速可靠传输.传统的多天线系统中利用训练序列来实现信道估计.本文给出了一种采用空时编码的发射分集OFDM系统中基于离散导频的信道估计方法,它可以进一步提高系统效率.仿真结果证明该算法具有很好估计性能和鲁棒性.     

基于变换域的OFDM信道估计算法分析

首先对目前OFDM系统中常用的信道估计算法进行了介绍,其次对离散采样信道做出说明,并以此为基础,着重分析传统的基于离散傅里叶变换的信道估计滤波算法,即对接收导频LS(最小二乘)算法估计,通过IDFT转换到时域滤波后,由DFT转换到频域获取信道系数.最后给出了一种基于变换域滤波估计算法.由理论分析和工程实践平台中的仿真验证得出,基于提出的滤波矩阵,此DFT变换域算法性能较传统的DFT滤波方法有较大提升.     

一种时变信道条件下OFDM系统的信道估计方法

针对正交频分复用（OFDM）系统，本文提出了一种时变条件下的信道估计方法。文中假设数据以包为单位进行传输，导频序列以叠加的方式和数据序列相结合，在得到对应于数据包内每帧OFDM信号的信道冲激响应之后，再在一个包内对这些信道冲激响应进行加权平均，从而提高信道估计的精度。     

OFDM系统中基于局部离散余弦变换的信道估计

论述了一种新的基于局部离散余弦变换(LDCT, local discrete cosine transform)的正交频分复用(OFDM, orthogonal frequency division multiplexing)系统信道估计方法.与传统的离散傅里叶变换(DFT)和离散余弦变换(DCT)不同,LDCT基函数具有良好的时域能量集中特性,可迅速捕获信号中的时变成分,有效跟踪信号时频结构的变化,有效地抑制符号间干扰(ISI)和信道加性高斯白噪声.仿真结果表明,该方法优于基于DFT和基于DCT的信道估计,是一种可行而且有效的信道估计方法.     

基于小波变换的噪声消除算法研究

噪声是影响测量结果的重要因素,对被测信号进行消噪处理是测量中必不可少的步骤。小波变换因为有去噪相关性等特征,相对于时域更利于去噪。采用dbN小波基信号进行分解,利用小波变换的阈值来消噪,Matlab进行小波降噪仿真。实验结果表明采用这一消噪方法能消除信号中的无用部分,由于采用了软阈值的处理方法,测量信号有一定程度的损失,但基本能重构原有用信号波形。     

MB-OFDM超宽带系统中基于噪声消除的信道估计

在MB-OFDM超宽带系统中,针对采用时域滤波器算法估计出信道后内部噪声残留的问题,提出一种改进的信道估计算法.首先采用时域滤波器算法对信道进行估计,然后利用最大后验概率准则估计滤波器内部噪声,最后通过消除该噪声得到最终的信道估计.仿真结果表明,该算法相比时域滤波器算法具有更优的性能.     

基于双提升小波的自适应混沌信号降噪

根据信号和噪声的特性不同,本文提出了一种基于双提升小波的自适应混沌信号降噪方法.该方法结合奇异谱和梯度下降算法,分别对双提升小波变换后的近似部分和细节部分进行了分析.一方面,奇异谱分析更大程度的去除了代表噪声的较小奇异值;另一方面,神经网络对非线性阈值的自学习,实现了小波系数的自适应选取,提高了信号的定位精度.通过对Lorenz模型和月太阳黑子时序进行仿真,证实了本文所提方法能够对实际观测的混沌信号进行有效的降噪.     

基于小波变换实现脉搏信号降噪处理

脉搏波形复杂而且测量过程中易受各种噪声影响,因此降噪处理是提取清晰、有效的脉搏信息的关键步骤。在去噪过程中,由于脉搏信号具有非平稳特性且污染噪声分布范围大,限制了传统线性滤波器的使用。这里利用小波变换的多层分解将脉搏信号分成具有不同尺度的小波系数,然后根据小波分解的底层低频系数和各层高频系数进行一维小波重构,在重构的过程中可以剔除与噪声相关的系数,保留信号中的有用成分。     

基于小波包变换的自适应混沌信号降噪算法

为了更好地体现混沌系统的内在特征,该文提出一种基于小波包变换的自适应混沌信号降噪算法。首先,该算法根据不同分解尺度小波包系数的相关性不同,确定了最佳分解层数;以对数能量熵为代价函数,得到了最优小波包基。然后,在局部邻域内对近似系数进行投影分析,利用神经网络梯度下降法对细节系数进行自适应选择。通过最小化损失函数,最大限度降低噪声对混沌信号的影响。最后,通过对来自Rossler混沌模型的状态变量进行仿真分析,证实了该算法对混沌信号降噪的优越性。     

结合Wedgelet和平稳小波变换的SAR相干斑噪声抑制

针对SAR图像提出一种Wedgelet逼近和平稳小波变换相结合的斑点噪声抑制方法.这种方法充分利用了wedgelet变换具有良好逼近线目标,同时平滑面区域的特性,并结合平稳小波变换较强的保持纹理特征的性质.仿真结果表明,与单纯的平稳小波变换相比,该方法不仅可以有效地抑制图像的斑点噪声,而且在很大程度上保持了图像的边缘及细节特征,具有较好的视觉效果.     

非平稳环境下基于小波变换的信号去噪

传统的信号去噪算法往往仅对平稳噪声或缓慢变化的噪声有效,且残留的信号噪声较大。对此,本文研究了一种非平稳环境下基于小波变换的信号去噪算法。该算法对传统的小波阈值法进行了改进,根据信号与噪声在小波域的分布特性以及信号和噪声小波变换模极大值随尺度的变化快慢不同。得到噪声在小波域中的位置以及小波系数大小。实验结果表明:该算法对平稳和非平稳的噪声都能进行较好的去噪。     

小波变换在语音信号降噪技术中的应用

小波变换是一种时频变换方法,它由短时傅立叶变换发展而来,继承了局部化的思想,克服了短时傅立叶变换窗口大小不随频率变化的缺点,并且可以提供随频率改变的时频窗口,是进行信号时频分析和处理的理想工具。文中介绍了小波变换的基本理论及其在语音信号降噪中的具体方法,使用加入高斯白噪声的语音信号作为被处理信号进行小波降噪,并且对比了使用不同阈值小波变换的降噪效果,验证了小波降噪方法在语音信号降噪中的可行性。     

基于信噪比门限判断和小波变换的SAR干涉图滤波法

该文首先研究了一种基于离散小波变换(DWT)的干涉图滤波算法,对该算法的噪声模型和处理流程进行了详细的分析,并在其基础上做了基于静态小波变换(SWT)的改进。接着利用实测数据对这两种方法做了实验,通过对实验结果的分析,提出了一种高噪声环境下,在保证残点数降低率的同时,还能提高干涉条纹质量的滤波方法。在此滤波方法的基础上, 进一步提出了基于信噪比门限判断的干涉图两级处理滤波法,并对其处理流程做了详细的讨论。利用实测数据对该方法进行了仿真,实验结果验证了该方法的有效性。     

基于二进制小波变换和维纳滤波的语音降噪研究

本文综合应用小波变换理论和维纳滤波技术,提出一种语音降噪算法,该算法不仅能够较好地提高信噪比,而且能够有效地抑制传统的维纳滤波所产生的音乐噪声。本文最后提供的实验结果表明,该算法对于受自噪声干扰的语音具有较好的降噪效果。