با استفاده از حسگري فشرده مي‎توان سيگنال‎هاي تنك و يا قابل فشرده‎سازي را از تعداد نمونه‎هاي بسيار كمتر از حد نايكوئيست بازيابي كرد. تنك بودن پاسخ ضربه‎ي كانال مخابرات بي‎سيم، قابليت استفاده از حسگري فشرده را در تخمين كانال تنك ايجاد مي‎كند. از طرفي، نظريه‎ي بازيابي تنك با اطلاعات جانبي را مي‎توان جهت استخراج همزمان ويژگي‎هاي سيگنال‎هايي با چندين ساختار به كار گرفت. در اين پايان‎نامه، استفاده از نظريه‎ي بازيابي تنك با اطلاعات جانبي كانال جهت تخمين حوزه‎ي زمان كانال‎هاي تنك ديناميكي در سيستم‎هاي OFDM، مورد توجه قرار مي‎گيرد. ابتدا، ويژگي همبستگي زماني موجود درمدل كانال تنك ديناميكي، با عنوان اطلاعات جانبي در نظر گرفته مي‎شود. سپس جهت تخمين و ردگيري تغييرات زماني كانال تنك ديناميكي در چهارچوب نظريه‎ي بازيابي تنك، تابع هزينه‎اي شامل مساله‎ي حداقل‎سازي نرم l_1-l_1 پيشنهاد مي‎شود. در نهايت نيز با بررسي شرايط يكتايي جواب، فرم بسته‎اي براي معادله‎ي بهينه‎سازي پيشنهادي در تخمين و ردگيري كانال تنك ديناميكي حاصل شده است. نتايج شبيه‎سازي‎ها نيز نشان دهنده‎ي بهبود قابل ملاحظه‎اي در تخمين و ردگيري كانال‎هاي تنك ديناميكي، در معيار متوسط مجذور خطاي نرماليزه‎شده، نسبت به الگوريتم‎هاي BP، DOMP و SMP مي‎باشند. واژه¬هاي كليدي: كانال تنك ديناميكي، بازيابي تنك با اطلاعات جانبي، تركيب نرم‎ها، سيستم OFDM.

1396/08/03

10/25/2017 12:00:00 AM

Using compressed sensing, sparse or compressive signals can be reconstructed from the measurement samples with a number much less than the Nyquist rate. Sparsity of impulse response of wireless communication channels enables us to utilize compressed sensing for sparse channel estimation. Moreover, the theory of sparse recovery with side information can be employed to simultaneously reconstruct signals with multiple structures. In this thesis, the theory of sparse recovery with side information is applied to estimate dynamic sparse channels in the time domain for OFDM systems. To this end, firstly, the time correlation property of the dynamic sparse channel model is considered. Then, in order to estimate and track the time variations in the framework of sparse recovery theory, a cost function including l_1-l_1 norm minimization problem is proposed. Finally, through imposing some conditions, the unique response of the proposed problem is formulated as a closed form solution. Simulation results show that the accuracy of the proposed estimation and tracking method of dynamic sparse channels significantly outperforms that of BP, DOMP and SMP algorithms, in the sense of normalized mean square error. Key words: Dynamic sparse channel, sparse recovery with side information, mixed norms, OFDM systems.