w**********m
发帖数: 82 | 1 比如在OFDM系统中，接受信号和发送信号的关系是
y(m)=C(m)X(m)+w(m)
这里，m是time index，C(m)是要估计的channel impulse response vector。
w(m)是高斯白噪声。系统的多普勒频移是fd，可以很高。
通常在time domain中用RLS算法估计第n时刻的C(n)是
min sigma [y(m)-C(m)X(m)]^2 lambda^{n-m}
sigma中的m从0到n。lambda是forgetting factor，小于1.
如果引入smoothing算法的话，估计n时刻的C(n)是
min sigma [y(m)-C(m)X(m)]^2 lambda^{abs(n-m)}
m从0到整个Packet的结尾。
现在的simulation 结果是用了smoothing反而效果变差了。
确实比较想不通。那位能解释一下？
再说一下packet的结果。有4个pilot symbol，加上10个data symbol。
后面的data symbol的估计值是通过decision directed方式得到的。 |
w**********m
发帖数: 82 | 2 想知道一下哪些参数会影响smoothing的结果
比如fd，还有就是后面的data symbol的估计准确性等等。
【在 w**********m 的大作中提到】
: 比如在OFDM系统中，接受信号和发送信号的关系是
: y(m)=C(m)X(m)+w(m)
: 这里，m是time index，C(m)是要估计的channel impulse response vector。
: w(m)是高斯白噪声。系统的多普勒频移是fd，可以很高。
: 通常在time domain中用RLS算法估计第n时刻的C(n)是
: min sigma [y(m)-C(m)X(m)]^2 lambda^{n-m}
: sigma中的m从0到n。lambda是forgetting factor，小于1.
: 如果引入smoothing算法的话，估计n时刻的C(n)是
: min sigma [y(m)-C(m)X(m)]^2 lambda^{abs(n-m)}
: m从0到整个Packet的结尾。
|
t********s
发帖数: 5 | 3 introducing forgeting factor hurts the performance if fd = 0, intuitively ..
. but if fd is not zero, forgeting factor may improves or degrades the
performance, still intuitively ... smoothing should have the same effect ..
by the way, you do realize that you are implementing a LS algorithm that is
not optimal if the fd is known or has a known distribution? |
