摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号说明 | 第11-12页 |
第1章 绪论 | 第12-18页 |
1.1 研究背景与意义 | 第12-14页 |
1.2 国内外研究现状 | 第14-16页 |
1.3 论文的研究内容与结构 | 第16-18页 |
第2章 信道估计相关理论 | 第18-32页 |
2.1 信道估计基础 | 第18-21页 |
2.1.1 信道估计常用算法 | 第18-20页 |
2.1.2 信道互易性与信道估计 | 第20-21页 |
2.2 压缩感知与信道估计 | 第21-27页 |
2.2.1 压缩感知基础 | 第21-24页 |
2.2.2 基于压缩感知的信道估计建模 | 第24-27页 |
2.3 深度学习基础 | 第27-32页 |
2.3.1 深度学习基本概念 | 第27-29页 |
2.3.2 循环神经网络 | 第29-32页 |
第3章 单用户MIMO上行信道估计 | 第32-47页 |
3.1 系统模型 | 第32-35页 |
3.1.1 信道模型 | 第32-34页 |
3.1.2 二维格点失配模型 | 第34-35页 |
3.2 基于稀疏贝叶斯学习的信道估计方案 | 第35-42页 |
3.2.1 贝叶斯推断 | 第35-37页 |
3.2.2 基于EM的超参数更新 | 第37-39页 |
3.2.3 基于稀疏贝叶斯学习的算法 | 第39-40页 |
3.2.4 基于稀疏贝叶斯学习的算法改进 | 第40-41页 |
3.2.5 算法复杂度分析 | 第41-42页 |
3.3 仿真结果与分析 | 第42-45页 |
3.4 本章小结 | 第45-47页 |
第4章 多用户MIMO上行信道估计 | 第47-61页 |
4.1 系统模型 | 第47-48页 |
4.2 基于循环神经网络的低复杂度信道估计方案 | 第48-50页 |
4.3 基于稀疏贝叶斯学习的MMV角域估计方案 | 第50-56页 |
4.3.1 一维格点失配模型 | 第50-51页 |
4.3.2 基于稀疏贝叶斯学习的角域信道估计推导 | 第51-54页 |
4.3.3 算法复杂度分析 | 第54-56页 |
4.4 仿真结果与分析 | 第56-60页 |
4.4.1 基于循环神经网络的低复杂度信道估计方案 | 第56-59页 |
4.4.2 基于稀疏贝叶斯学习的MMV角域估计方案 | 第59-60页 |
4.5 本章小结 | 第60-61页 |
第5章 总结与展望 | 第61-63页 |
5.1 论文总结 | 第61页 |
5.2 不足与展望 | 第61-63页 |
参考文献 | 第63-68页 |
附录 | 第68-69页 |
致谢 | 第69-70页 |
在读期间发表的学术论文与取得的研究成果 | 第70页 |