تخمین کانال محوشدگی بر مبنای مدل اوتورگرسیو نویزی و فیلتر کالمن

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه شهید چمران اهواز - گروه برق - دانشکده مهندسی

چکیده

در این مقاله روشی جدید برای تخمین کانال محوشدگی مسطح پیشنهاد شده است. در این روش ابتدا کانال به صورت یک فرآیند اوتورگرسیو (AR) نویزی مدل‌سازی می‌گردد و با استفاده از الگوریتم ژنگ مربوط به تخمین پارامتر مدل AR نویزی، پارامترهای مدل تخمین زده می‌شود. سپس، با استفاده از تخمین‌های به‌دست‌آمده و فیلتر کالمن، کانال تخمین زده می‌شود. با استفاده از شبیه‌سازی، عملکرد الگوریتم پیشنهادی بر حسب خطای موجود در تخمین و نرخ خطای بیت در آشکارسازی مورد بررسی قرار می‌گیرد. نتایج حاصل از شبیه‌سازی برتری عملکرد روش پیشنهادی را در مقایسه با روش‌های پیشین نشان می‌دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Fading Channel Estimation Based on Noisy Autoregressive Model and Kalman Filter

نویسندگان [English]

  • Shahla Alidadi
  • Alimorad Mahmoudi
  • Karim Ansari-Asl
Electrical Engineering Department, Shahid Chamran University of Ahvaz
چکیده [English]

In this paper, a new method for estimation of flat fading is proposed. First, the channel is modeled by a noisy autoregressive (AR) model and then Zheng method is used to estimate the AR model parameters. After the model is determined, the channel is estimated using Kalman filter. Using simulations the performance of the proposed method is evaluated and compared with the other existing methods in terms of estimation accuracy and bit error rate (BER). Simulation results show that the proposed method outperforms the other existing methods.

کلیدواژه‌ها [English]

  • Noisy AR model
  • Kalman filter
  • least-squares method
  • channel estimation
  • fading

مراجع

[1] Kalofonos, D. N., Stojanovic, M., Proakis, J. G., “Performance of adaptive MC- CDMA detectors in rapidly fading Rayleigh channels”, IEEE Trans. On Wireless Communications, vol. 2, pp. 229–239, March 2003.
[2] Baddour, K. E., Beaulieu, N. C., “Autoregressive modeling for fading channel simulation. IEEE Trans. on Wireless Communications”, vol. 4, pp.1650–1662, July 2005.
[3] Komninakis, C., Fragouli, C., Sayed, A. H. and Wesel, R. D., “Multi-input multi- output fading channel tracking and equalization using Kalman estimation”, IEEE Trans. On Signal Processing, vol. 50, pp. 1065-1076, May 2002.
[4] Cai, J., Shen, X. Mark, J., “Robust channel estimation for OFDM wireless communication systems - an H∞ approach”, IEEE Trans. on Wireless Communications, vol. 3, pp. 2060–2071, November 2004.
[5] Labarre, D., Grivel, E., Najim, M., “Dual H∞ algorithms for signal processing, application to speech enhancement”, IEEE Trans. on Signal Processing, vol. 55, no. 11, pp. 5195-5208, Nov. 2007.
[6] Jamoos, Ali, Abdo, Ahmad and Abdel Nour, Hanna. “Estimation of OFDM Time- Varying Fading Channels Based on Two-Cross-Coupled Kalman Filters”, Proc. Spring Science, 2008.
[7] Jakes, W. C., Microwave Mobile Communications, Wiley, New York, 1974.
[8] Zheng, W. X., “Autoregressive parameter estimation from noisy data”, IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, vol. 47, no. 1, pp. 71–75, 2000.
[9] MN Ali, MA Zohdy, “Interactive Kalman Filtering for Differential and Gaussian Frequency Shift Keying Modulation with Application in Bluetooth”, Journal of Signal and Information Processing, 2012.
[10] Aldababseh, Mahmoud, Jamoos, Ali. “Estimation of FBMC/OQAM fading channels using dual Kalman filters”, The Scientific World Journal, 2014.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار