李晓飞

(武夷学院 数学与计算机学院,武夷山 354300)

(武夷学院 认知计算与智能信息处理福建省高校重点实验室,武夷山 354300)

(华东师范大学 上海可信研究重点实验室,上海 200062)

超宽带(Ultra Wide-Band,UWB)脉冲无线电(Impulse Response,IR)系统引起了学术界和行业的兴趣. UWB-IR实现的主要挑战之一是信道估计[1]. 压缩感知(Compressive Sensing,CS)[2,3]可以应用于UWB信道估计,以克服常规最大似然(Maximum Likelihood,ML)信道估计器的高速率采样问题[4]. 在文献[5]中,采用贝叶斯压缩感知,提出了两种有效的算法,以减少主动传感器节点的数量,同时保持高性能. 在文献[6]中,采用基于贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)的策略来解决入射到天线阵列上的电磁窄带信号(Direction of Arrivals,DoAs)估计问题. 在文献[7]中,主要贡献是利用噪声方差学习在性能改进和适用性增强方面的能力. 在文献[8]中,压缩感测技术应用于数据恢复,模拟通信系统期间对采样率降低进行了分析. 文献[9]提出无线网络通信的实现方法以及对无线各模块具体的实现过程进行探讨.

在文献[10,11]中,BCS框架已被应用于各种UWB信道模式和噪声条件下的信道估计. 多任务CS(Muti-Task Compressive Sensing,MTCS)[12]应用于UWB信道估计中的多个任务. MTCS和隐马尔可夫模型(Hidden Markov Model,HMM)层次Dirichlet过程(Hierarchy Dirichle Processing,HDP)多任务CS(HDPHMM-MTCS)具有共享相似机制,可以利用共享机制执行多任务压缩感知信号. 然而,主要区别在于MTCS使用伽马-高斯先验,而HDP-HMM-MTCS使用层次Dirichlet过程HDP. 在本文中,HDP-HMM-MTCS用于解决多个集群之间的数据共享问题,用于UWB通信中的信道估计和降低计算复杂度. 本文的贡献如下：

(1) 提出了一种新颖的CS框架,表示为HDPHMM-MTCS,用于UWB信道估计. HDP-HMMMTCS的优点是……