改进的快速稀疏贝叶斯学习水声信道估计算法

为了保证水下设备的长期稳定通信,提出了一种基于改进的快速边缘似然最大化的稀疏贝叶斯学习(sparse Bayesian learning based on improved fast marginal likelihood maximization, IFM-SBL)算法,对水声信道进行低复杂度、高性能的估计。特别是在低信噪比情况下,通过阈值去噪和离散傅里叶变换降噪,可以进一步提升算法的性能。
仿真和海试结果表明,所提的IFM-SBL信道估计后的输出误码率与基于期望最大化的稀疏贝叶斯学习(sparse Bayesian learning based on expectation maximization, EM-SBL)算法相似,且验证了算法在低信噪比和快慢时变信道中都具有良好的鲁棒性。在运行速度方面,FM-SBL算法与IFM-SBL算法比EM-SBL算法提高了约90%,大大减少了信道估计时间。