| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-13页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 基于压缩感知的信道估计国内外研究现状 | 第9-11页 |
| 1.3 课题主要研究工作 | 第11-12页 |
| 1.4 本文的结构安排 | 第12-13页 |
| 第二章 系统概述 | 第13-21页 |
| 2.1 LTE物理层 | 第13-18页 |
| 2.1.1 物理层帧结构 | 第13-14页 |
| 2.1.2 物理层时隙结构和资源网格 | 第14-15页 |
| 2.1.3 下行参考信号 | 第15-18页 |
| 2.2 LTE系统模型 | 第18-20页 |
| 2.2.1 无线信道特性 | 第18-19页 |
| 2.2.2 信道与系统模型 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 有限等距特性研究 | 第21-36页 |
| 3.1 压缩感知的提出 | 第21-22页 |
| 3.2 压缩感知模型 | 第22-24页 |
| 3.3 压缩感知 | 第24-27页 |
| 3.3.1 信号的稀疏表示 | 第24-25页 |
| 3.3.2 传感矩阵的设计 | 第25-26页 |
| 3.3.3 信号重构算法 | 第26-27页 |
| 3.4 托普利兹矩阵有限等距特性研究 | 第27-35页 |
| 3.4.1 基础理论 | 第27-29页 |
| 3.4.2 托普利兹矩阵有限等距特性研究图论方法 | 第29-32页 |
| 3.4.3 托普利兹矩阵有限等距特性证明盖尔圆盘法 | 第32-35页 |
| 3.4.3.1 零均值高斯分布的Toeplitz矩阵RIP证明 | 第33-34页 |
| 3.4.3.2 零均值其他分布的Toeplitz矩阵RIP证明 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 稀疏贝叶斯学习算法 | 第36-48页 |
| 4.1 机器学习相关算法 | 第36-38页 |
| 4.1.1 贝叶斯学习算法 | 第36-37页 |
| 4.1.2 相关向量机算法 | 第37页 |
| 4.1.3 期望最大化算法 | 第37-38页 |
| 4.2 稀疏贝叶斯学习 | 第38-45页 |
| 4.2.1 稀疏贝叶斯分类算法 | 第39-41页 |
| 4.2.2 稀疏贝叶斯回归算法 | 第41-45页 |
| 4.3 快速RVM | 第45-47页 |
| 4.3.1 快速RVM模型 | 第45-46页 |
| 4.3.2 快速RVM算法 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于压缩感知的信道估计 | 第48-69页 |
| 5.1 块稀疏贝叶斯学习算法 | 第48-59页 |
| 5.1.1 块稀疏贝叶斯学习框架 | 第48-50页 |
| 5.1.2 时序稀疏贝叶斯学习算法 | 第50-54页 |
| 5.1.3 时序多重稀疏贝叶斯学习算法 | 第54-59页 |
| 5.2 基于压缩感知的信道估计模型 | 第59-60页 |
| 5.3 块稀疏贝叶斯学习算法应用于信道估计 | 第60-68页 |
| 5.3.1 传统压缩感知算法比较 | 第60-62页 |
| 5.3.2 块稀疏贝叶斯学习算法 | 第62-67页 |
| 5.3.2.1 测量矩阵对信道估计性能的影响 | 第64-66页 |
| 5.3.2.2 测量值数目Q的大小对信道估计性能的影响 | 第66-67页 |
| 5.3.2.3 二者综合对信道估计性能的影响 | 第67页 |
| 5.3.3 算法复杂度分析 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-78页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第78页 |
