طراحي مدل بسط پايه‌اي براي تخمين كانال‌هاي دوگانه‌گزين تنك به كمك فراگيري واژه‌نامه

‌Basis Expansion Model Design for Sparse Doubly Selective Channel Estimation Using Dictionay Learning

در اين مقاله تخمين كانال دوگانه‌گزين تنك در سيستم‌ OFDM با استفاده از نظريۀ حسگري فشرده(CS) بررسي شده است. اين نظريه كمك مي‌كند تا در تخمين كانال براي دست‌يابي به ميانگين مربعات خطاي ثابت، نسبت سمبل‌ راهنماي مورد نياز را كاهش و به‌طور معادل راندمان طيفي را افزايش داد. اين موضوع در كانال‌هاي دوگانه‌گزين، اهميت زيادي دارد. در كانال‌هاي دوگانه‌گزين، در مدل‌كردن كانال به تعداد متغير بيشتر و درنتيجه، تعداد سمبل راهنماي بيشتر نياز است. مدل بسط پايه‌اي (BEM) قبلاً در تخمين و همسان‌سازي كانال‌هاي دوگانه‌گزين استفاده ‌شده است. براي بهره‌گيري بيشتر از مزاياي حسگري فشرده، پيشنهاد مي‌شود در طراحي BEM براي استفاده در تخمين كانال‌هاي دوگانه‌گزين تنك، به بهبود تنكي ضرايب اين بسط توجه شود. براي اين منظور، در اين مقاله پيشنهاد مي‌شود از الگوريتم K-SVD استفاده ‌شود كه از محبوب‌ترين روش‌هاي فراگيري واژه‌نامه است. در اين مقاله با ساختار خوشه‌اي براي سمبل‌هاي راهنما، از تداخل بين - زيرحاملي اجتناب شده است. همچنين،‌ ضرايب مربوط به تداخل بين - زيرحاملي تخمين زده مي‌شوند تا در همسان‌سازي استفاده شوند. نتايج شبيه‌سازي بهبود عملكرد ازنظر ميانگين مربع خطاي نرماليزه‌شده و ميزان خطاي بيت سيستم در حضور تخمين‌گر مبتني بر حسگري فشرده با پايه‌هاي پيشنهادي نسبت به تخمين‌گر متناظر مبتني بر پايه‌هاي DFT-DPSS را نشان مي‌دهند.

In this paper, sparse double selective channel estimation using compressed sensing (CS) theory for OFDM systems is investigated. This theory helps to reduce the required pilot ratio and equivalently increases the spectral efficiency to achieve a constant mean square error. This is of great importance especially for double selective channels in which the required number of unknowns to be estimated and also the required number of pilot symbols are high. To take the advantage of compressed sensing, it is proposed that the sparsity enhancement of the coefficients of basis expansion model (BEM) should be considered in BEM design. It is also proposed to use K-SVD algorithm that is one of the most popular dictionary learning algorithms. Moreover, in this paper clustered pilot symbols are used to avoid inter-carrier interference. It is noteworthy that the channel coefficients representing inter-carrier interference are also estimated to be used in equalization. Numerical experiments have shown that the compressed sensing estimator employing the proposed basis, outperforms the one employing DFT-DPSS in terms of NMSE and system BER.