發(fā)布時(shí)間：2025-01-17 15:15

　　 針對(duì)現(xiàn)有的正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing,OFDM）頻偏估計(jì)算法普遍存在估計(jì)范圍小,估計(jì)精度不高的問(wèn)題,提出了一種新的訓(xùn)練序列頻率同步算法.首先采用縮短訓(xùn)練序列和周期性發(fā)送序列的方式,增大了頻偏估計(jì)的范圍,但頻偏范圍的增大會(huì)導(dǎo)致性能的損失;然后又提出一種通過(guò)對(duì)短周期重復(fù)樣式的估計(jì)值取平均的方法,在保持估計(jì)范圍不變的情況下,進(jìn)一步的提高了頻偏估計(jì)的性能.最后仿真結(jié)果表明,改進(jìn)的算法頻偏估計(jì)范圍大,并且估計(jì)精度較高,均方誤差（Mean Square Error,MSE）可以達(dá)到10^-6.

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1ML算法的頻偏估計(jì)圖Fig.1FrequencyoffsetestimationgraphofMLalgorithm

為估計(jì)出的歸一化頻偏.圖2表明隨著循環(huán)前綴長(zhǎng)度的增加，估計(jì)的均方誤差（MeanSquareError，MSE）精度在減小，并且在循環(huán)前綴長(zhǎng)度保持不變的前提下提高系統(tǒng)的信噪比（SNR）能提升估計(jì)性能.但是隨著循環(huán)前綴的增加會(huì)出現(xiàn)閥值效應(yīng)，即隨著循環(huán)前綴的增加估計(jì)精度將不會(huì)增加.表1....

圖2ML算法循環(huán)前綴長(zhǎng)度和信噪比對(duì)CFO估計(jì)的影響Fig.2Effectofcyclicprefixlengthandsignal-to-noiseratio

偏估計(jì)范圍擴(kuò)大到，但是此時(shí)的估計(jì)精度有所下降.當(dāng)采用新的訓(xùn)練序列時(shí)，在估計(jì)范圍保持不變的情況下，提高了估計(jì)精度，估計(jì)精度在，而采用PN序列時(shí)，估計(jì)精度在.104～105105～106圖6中比較了新的訓(xùn)練序列的CFO估計(jì)范圍和MSE的性能.當(dāng)采用本文設(shè)計(jì)的訓(xùn)練序列時(shí)MSE的精度較P....

圖3Moose算法的估計(jì)精度與ε的關(guān)系εFig.3TherelationshipbetweentheestimationaccuracyofMoosealgorithmand

捎?PN序列時(shí)，估計(jì)精度在.104～105105～106圖6中比較了新的訓(xùn)練序列的CFO估計(jì)范圍和MSE的性能.當(dāng)采用本文設(shè)計(jì)的訓(xùn)練序列時(shí)MSE的精度較PN序列的精度要高.為了解決估計(jì)范圍增大時(shí)估計(jì)性能下降的問(wèn)題，通過(guò)對(duì)具有更短周期重復(fù)樣式的估計(jì)值取平均，MSE的精度進(jìn)一步的得到....

圖4Moose算法的估計(jì)精度與SNR的關(guān)系Fig.4RelationshipbetweenestimationaccuracyandSNRofMoosealgorithm

的性能.當(dāng)采用本文設(shè)計(jì)的訓(xùn)練序列時(shí)MSE的精度較PN序列的精度要高.為了解決估計(jì)范圍增大時(shí)估計(jì)性能下降的問(wèn)題，通過(guò)對(duì)具有更短周期重復(fù)樣式的估計(jì)值取平均，MSE的精度進(jìn)一步的得到提升，估計(jì)精度由原來(lái)的提升到.圖2ML算法循環(huán)前綴長(zhǎng)度和信噪比對(duì)CFO估計(jì)的影響Fig.2Effecto....

本文編號(hào)：4028233