Sparse Channel Estimation in OFDM System - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2014

Sparse Channel Estimation in OFDM System

Estimation de canal parcimonieux pour les systèmes OFDM

Résumé

OFDM is widely used in wireless communications due to its capacity of high data rate transmission over frequency selective channel. For coherent detection of OFDM symbols, channel frequency responses must be estimated, which is usually done with the help of pilot tones. Frequency domain estimation methods are often employed with interpolation methods. Usually, interpolation methods introduce an error floor. The easy solution of increasing the number of pilots decreases the spectral efficiency of the system. Another solution is to work in the time domain. In general, the channel impulse response contains a limited number of significant values having more energy than the noise. In the case of sparse channel, this number is much smaller than that of pilot subcarriers. To improve the sparse channel estimation, some kind of threshold is needed. In this thesis, in the case where the number of pilots is larger than the length of cyclic prefix, a time domain sparse channel estimation method based on an original threshold is proposed. This method with high spectral efficiency, good channel estimation performance, low computational complexity, requires no prior knowledge of both the channel statistics and noise standard deviation. In the case where the channel is sparse with large delay spread, we propose an original channel estimation technique based on compressed sensing theory. The proposed method requires smaller number of pilots than that of classical frequency domain techniques. This work ends with the study of non-sample spaced sparse channel; the idea of smart measurement matrix is proposed to improve the efficiency of the classical CS based estimation methods.
L’OFDM est très présent dans les communications sans-fil dû à sa capacité de transmission haut-débit sur des canaux sélectifs en fréquence. Pour une détection cohérente des symboles OFDM, les réponses fréquentielles du canal sont estimées à partir de sous-porteuses pilotes. Les méthodes d’estimation fréquentielles sont souvent employées avec des méthodes d’interpolation rarement efficaces. La solution simple d’accroitre le nombre de pilotes diminue l’efficacité spectrale du système. Une autre solution est de travailler dans le domaine temporel. En général, la réponse impulsionnelle du canal contient un nombre limité de valeurs significatives. Dans le cas d’un canal parcimonieux, ce nombre est beaucoup plus petit que celui des pilotes. Pour améliorer l’estimation du canal, l’utilisation d’un seuil est nécessaire. Dans cette thèse, si le nombre de pilotes est plus grand que la longueur du préfixe cyclique, une méthode d’estimation de canal parcimonieux basée sur l’utilisation d’un seuil temporel original est proposée. Cette méthode avec une haute efficacité spectrale, de bonnes performances d’estimation, une faible complexité de calcul, requiert aucune connaissance à priori des statistiques du canal et du bruit. Si le canal est parcimonieux avec un grand étalement temporel, une technique d’estimation de canal basée sur la théorie de l’acquisition comprimée est proposée. Cette méthode requiert un plus petit nombre de pilotes que les techniques classiques. Ce travail se termine avec l’étude des canaux dont les trajets sont situés en dehors des instants d’échantillonnage. L’utilisation d’une matrice de mesure intelligente permet d’améliorer l’efficacité des méthodes d’estimation.
Fichier principal
Vignette du fichier
THESE_XIE_FINALE.pdf (1.9 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01104830 , version 1 (19-01-2015)

Licence

Domaine public

Identifiants

  • HAL Id : tel-01104830 , version 1

Citer

Hui Xie. Sparse Channel Estimation in OFDM System. Electronics. UNIVERSITE DE NANTES; SOUTH CHINA UNIVERSITY OF TECHNOLOGY, Guangzhou, Chine, 2014. English. ⟨NNT : ⟩. ⟨tel-01104830⟩
326 Consultations
2318 Téléchargements

Partager

Gmail Facebook X LinkedIn More