精华内容
下载资源
问答
  • 基于压缩感知的MIMO信道估计算法,使用了CoSaMP算法,GBP算法,OMP算法,CE算法,还有ls信道估计算法,MMSE算法,MIMO信道模型,等很全面
  • 大规模MIMO信道估计

    2021-03-29 21:39:58
    请问在大规模MIMO信道估计问题中,对于不同的导频开销怎么表示?谢谢回答~</p>
  • Chpater 5 大规模MIMO信道估计与导频设计

    千次阅读 多人点赞 2020-04-30 15:46:31
    大规模MIMO信道估计

    本文内容摘录自《大规模MIMO传输理论与关键技术》与《MIMO-OFDM无线通信技术及MATLAB实现》

    5.1 大规模MIMO信道估计与导频设计基本原理

    信道状态信息(CSI) 是一种笼统的概念,它包括信道矩阵。只要是反应Channel的都叫信道状态信息。信道矩阵只是MIMO系统中百的一种信道状态信息。其他的比如Channel profile,多径时延,多普勒频偏,MIMO信道的秩,波束形成向量等等,都属于信道状态信息。当前的信道矩阵H只能算是一种信道状态信息,但是是最常用的。

    在大规模MIMO中,接收端的信道均衡和符号检测都需要精确的CSI。并且,只有在准确知道传播环境的情况下才可以实现空间的高分辨率。因此,准确的信道估计成为限制大规模MIMO系统性能的一个主要因素信道估计是指接收端根据一定的准则,从接收数据中将某个信道模型的模型参数估计出来的过程。传统的基于导频的信道估计方法有最小二乘法(Least Square,LS)、MMSE、线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)法和极小方差无偏(Minimum Variance Unbiased,MVU)估计等,这些方法一般都包括矩阵求逆的过程。在大规模MIMO中,由于信号的维度较大,传统的信道估计方法计算复杂度过高,因此需要采用复杂度较低的信道估计方法。

    5.1.1 信道估计原理

    在TDD模式下,上行通信和下行通信采用相同的频段,并假设上行信道和下行信道具有互易性。以一个小区为例,小区内的各个用户采用同步方式通过上行链路发送导频序列,小区内的基站接收这些导频序列并进行相应的处理得到上行信道的信道估计,然后再由下行链路传输信道信息与数据信息 [ 1 ] ^{[1]} [1]
    在这里插入图片描述
    FDD模式下上行通信和下行通信分别采用不同的频段,因此上行信道与下行信道不具有互易性。由于FDD模式是3G通信系统和4G通信系统中的主流模式,如果在FDD模式下运用大规模MIMO,将有利于大规模MIMO在5G通信系统中的推广。
    在这里插入图片描述

    5.1.2 导频设计基本原理

    理论研究发现,当基站(Base Station,BS)的天线数无限增加时,热噪声和小区内其他用户干扰对信道估计和符号检测的影响均会消失,限制性能的唯一因素是在其他小区复用了期望小区的导频序列而引起的同频干扰,这一现象称为导频污染(Pilot Contamination,PC) [ 2 ] ^{[2]} [2]

    当前用于大规模MIMO技术中的导频设计为 [ 3 , 4 ] ^{[3,4]} [3,4]:小区内采用正交导频,相邻小区采用非正交导频(即导频复用)。该导频设计方法使得同一小区内各个用户的导频序列正交,消除了多用户干扰;而同一组导频序列可被不同小区采用,从而提高频谱效率。

    由于FDD模式下进行信道估计需要占用较多的频谱资源,目前针对大规模MIMO的信道估计研究主要集中在TDD模式下。当天线数量无限增大时,导频污染问题成为制约系统性能的唯一因素。如何解决导频污染问题亦成为导频设计与信道估计的关键。

    5.2 传统信道估计方法

    训练符号可以用于信道估计,通常能够提供较好的性能。然而,除了发射数据符号外, 还需要发射前导或导频信号,由此产生的负荷会降低传输效率.当可以获得训练符号时,最小二乘( LS )和线性最小均方误差(LMMSE) 技术被广泛应用于信道估计。

    5.2.1 LS信道估计

    假设所有子载波是正交的,即没有ICl,那么可以将N 个子载波的训练符号表示成矩阵形式:
    X = [ X [ 0 ] 0 ⋯ 0 0 X [ 1 ] ⋮ ⋮ ⋱ 0 0 ⋯ 0 X [ N − 1 ] ] \mathbf{X}=\left[\begin{array}{cccc} X[0] & 0 & \cdots & 0 \\ 0 & X[1] & & \vdots \\ \vdots & & \ddots & 0 \\ 0 & \cdots & 0 & X[N-1] \end{array}\right] X=X[0]000X[1]000X[N1]

    其中 X [ k ] X[k] X[k] 表示第 k k k 个子载波上的导频信号,满足 E { X [ k ] } = 0 , Var ⁡ { X [ k ] } = σ 2 , k = 0 , 1 , 2 , ⋯   , N − 1 , E\{X[k]\}=0,\operatorname{Var}\{X[k]\}=\sigma^{2},k=0,1,2, \cdots, N-1, E{X[k]}=0,Var{X[k]}=σ2,k=0,1,2,,N1, 因为假设所有的子载波都是正交的,所以 X \mathbf X X 是一个对角矩阵。给定策 k k k 个载波的信道增益 H [ k ] H[k] H[k],接收到的训练信号 Y [ k ] Y[k] Y[k]能的表示为
    Y ≜ [ Y [ 0 ] Y [ 1 ] ⋮ Y [ N − 1 ] ] = [ X [ 0 ] 0 ⋯ 0 0 X [ 1 ] ⋮ ⋮ ⋱ 0 0 ⋯ 0 X [ N − 1 ] ] [ H [ 0 ] H [ 1 ] ⋮ H [ N − 1 ] ] + [ Z [ 0 ] Z [ 1 ] ⋮ Z [ N − 1 ] ] = X H + Z \begin{array}{rl} \mathbf{Y} & \triangleq \left[\begin{array}{c} Y[0] \\ Y[1] \\ \vdots \\ Y[N-1] \end{array}\right] \\ \end{array}= \left[\begin{array}{cccc} X[0] & 0 & \cdots & 0 \\ 0 & X[1] & & \vdots \\ \vdots & & \ddots & 0 \\ 0 & \cdots & 0 & X[N-1] \end{array}\right]\left[\begin{array}{c} H[0] \\ H[1] \\ \vdots \\ H[N-1] \end{array}\right]+\left[\begin{array}{c} Z[0] \\ Z[1] \\ \vdots \\ Z[N-1] \end{array}\right] =\mathbf{X} \mathbf{H}+\mathbf{Z} YY[0]Y[1]Y[N1]=X[0]000X[1]000X[N1]H[0]H[1]H[N1]+Z[0]Z[1]Z[N1]=XH+Z

    其中,信道向量 H = [ H [ 0 ] , H [ 1 ] , ⋯   , H [ N − 1 ] ] T \mathbf{H}=[H[0], H[1], \cdots, H[N-1]]^{T} H=[H[0],H[1],,H[N1]]T;噪声向量 Z = [ Z [ 0 ] , Z [ 1 ] , ⋯ Z [ N − 1 ] ] T , \mathbf{Z}=[{Z}[0], Z[1], \cdots Z[N-1]]^{T}, Z=[Z[0],Z[1],Z[N1]]T, 满足 E { Z [ k ] } = 0 , Var ⁡ { Z [ k ] } = σ z 2 , k = 0 , 1 , 2 , ⋯   , N − 1 E\{Z[k]\}=0, \operatorname{Var}\{Z[k]\}=\sigma_{z}^{2},k=0,1,2, \cdots, N-1 E{Z[k]}=0,Var{Z[k]}=σz2,k=0,1,2,,N1,在接下来的讨论中, 令 H ^ \hat{\mathbf H} H^表示对信道 H \mathbf {H} H 的估计。

    假设所有子载波是正交的,即没有ICI。

    ICI:多载波通信系统对载波频率偏移十分敏感,尤其对于多用户并行传输的无线通信上行链路,不同用户的发射信号具有不同的频率偏移,这种由多个独立频偏导致的子载波间干扰(Inter-Carrier Interference,ICI)问题较为严重,必须设计出高效的信号处理方法加以抑制。此外,在高速移动的无线信道下,由于多普勒扩展很大,信道将在一个多载波符号内产生时变,由此引起的 ICI 问题也将十分严重。

    为了得到信道估计 H ^ \hat {\mathbf H} H^,LS 信道估计法需要最小化下面的代价的数:
    J ( H ^ ) = ∥ Y − X H ^ ∥ 2 = t r { ( Y − X H ^ ) H ( Y − X H ^ ) } = t r { Y H Y − Y H X H ^ − H ^ H X H Y + H ^ H X H X H ^ } \begin{aligned} J(\hat{\mathbf{H}}) &=\|\mathbf{Y}-\mathbf{X} \hat{\mathbf{H}}\|^{2} \\ &=tr\{(\mathbf{Y}-\mathbf{X} \hat{\mathbf{H}})^{{H}}(\mathbf{Y}-\mathbf{X} \hat{\mathbf{H}}) \}\\ &=tr\{\mathbf{Y}^{{H}} \mathbf{Y}-\mathbf{Y}^{{H}} \mathbf{X} \hat{\mathbf{H}}-\hat{\mathbf{H}}^{{H}} \mathbf{X}^{{H}} \mathbf{Y}+\hat{\mathbf{H}}^{{H}} \mathbf{X}^{{H}} \mathbf{X} \hat{\mathbf{H}}\} \end{aligned} J(H^)=YXH^2=tr{(YXH^)H(YXH^)}=tr{YHYYHXH^H^HXHY+H^HXHXH^}

    令上面的代价函数关于 H ^ \hat{\mathbf H} H^的偏导数等于 0,即
    ∂ J ( H ^ ) ∂ H ^ = − 2 ( X H Y ) + 2 ( X H X H ^ ) = 0 \frac{\partial J(\hat{\mathbf{H}})}{\partial \hat{\mathbf{H}}}=-2\left(\mathbf{X}^{{H}} \mathbf{Y}\right)+2\left(\mathbf{X}^{{H}} \mathbf{X} \hat{\mathbf{H}}\right)=0 H^J(H^)=2(XHY)+2(XHXH^)=0

    然后可以得到 X H X H ^ = X H Y \mathbf X^H\mathbf X\hat{\mathbf H}=\mathbf{X}^{{H}} \mathbf{Y} XHXH^=XHY,由此得到 LS 信道估计的解为
    H ^ L S = ( X H X ) − 1 X H Y = X − 1 Y \hat{\mathbf{H}}_{{LS}}=\left(\mathbf{X}^{{H}} \mathbf{X}\right)^{-1} \mathbf{X}^{{H}} \mathbf{Y}=\mathbf{X}^{-1} \mathbf{Y} H^LS=(XHX)1XHY=X1Y

    注意上式中, X − 1 \mathbf{X}^{-1} X1表示导频信号矩阵 X \mathbf{X} X的逆或伪逆。

    H ^ L S [ k ] \hat{H}_{{LS}}[k] H^LS[k] 表示 H ^ L S \hat{\mathbf{H}}_{{LS}} H^LS 中的元素, k = 0 , 1 , 2 , ⋯   , N − 1 k=0,1,2, \cdots, N-1 k=0,1,2,,N1,由无ICI 的假设条件可知 X \mathbf X X为对角矩阵,因此每个子载波上的 LS信道估计可以表示为
    H ^ L S [ k ] = Y [ k ] X [ k ] , k = 0 , 1 , 2 , ⋯   , N − 1 \hat{H}_{{LS}}[k]=\frac{Y[k]}{X[k]}, \quad k=0,1,2, \cdots, N-1 H^LS[k]=X[k]Y[k],k=0,1,2,,N1

    LS 信道估计的均方误差(MSE) 为
    MSE ⁡ L S = E { t r { ( H − H ^ L S ) H ( H − H L S ) } } = E { t r { ( H − X − 1 Y ) H ( H − X − 1 Y ) } } = E { t r { ( X − 1 Z ) H ( X − 1 Z ) } } = E { t r { Z H ( X X H ) − 1 Z } } = σ z 2 σ x 2 \begin{aligned} \operatorname{MSE}_{{LS}} &=E\left\{tr\left\{ \left(\mathbf{H}-\hat{\mathbf{H}}_{{LS}}\right)^{{H}}\left(\mathbf{H}-\mathbf{H}_{{LS}}\right)\right\} \right\}\\ &=E\left\{tr\left\{ \left(\mathbf{H}-\mathbf{X}^{-1} \mathbf{Y}\right)^{{H}}\left(\mathbf{H}-\mathbf{X}^{-1} \mathbf{Y}\right)\right\} \right\} \\ &=E\left\{tr\left\{\left(\mathbf{X}^{-1} \mathbf{Z}\right)^{H}\left(\mathbf{X}^{-1} \mathbf{Z}\right)\right\} \right\}\\ &=E\left\{tr\left\{\mathbf{Z}^{{H}}\left(\mathbf{X X}^{{H}}\right)^{-1} \mathbf{Z}\right\} \right\} \\ &=\frac{\sigma_{z}^{2}}{\sigma_{x}^{2}} \end{aligned} MSELS=E{tr{(HH^LS)H(HHLS)}}=E{tr{(HX1Y)H(HX1Y)}}=E{tr{(X1Z)H(X1Z)}}=E{tr{ZH(XXH)1Z}}=σx2σz2

    注意,上式中的MSE 与信噪比 σ x 2 / σ z 2 {\sigma_{x}^{2}}/{\sigma_{z}^{2}} σx2/σz2成反比, 这意味着LS 估计增强了噪声,在信道处于深度衰落时更是如此。然而, LS 方法由于简单而被广泛应用于信道估计。

    5.2.2 LMMSE信道估计

    考虑5.2.1中的LS 解,即 H ^ L S = X − 1 Y ≜ H ~ \hat{\mathbf H}_{{LS}}=\mathbf X^{-1} \mathbf Y \triangleq \tilde{\mathbf H} H^LS=X1YH~,利用加权矩阵 W \mathbf W W,定义LMMSE估计为 H ^ ≜ W H ~ \hat{\mathbf H} \triangleq \mathbf W \tilde{\mathbf H} H^WH~。根据图6.4 ,LMMSE 信道估计 H ^ \hat{\mathbf H} H^的MSE可以表示为
    J ( H ^ ) = E { ∥ e ∥ 2 } = E { ∥ H − H ^ ∥ 2 } J(\hat{\mathbf H})=E\left\{\|\mathbf e\|^{2}\right\}=E\left\{\|\mathbf H-\hat{\mathbf H}\|^{2}\right\} J(H^)=E{e2}=E{HH^2}
    在这里插入图片描述
    在LMMSE信道估计中, 通过选择 W \mathbf W W最小化上式中的MSE ,可以证明估计误差向量 e = H − H ^ \mathbf e=\mathbf{H}-\hat{\mathbf{H}} e=HH^ H ~ \tilde{\mathbf {H}} H~ 正交,即满足
    E { e H ~ H } = E { ( H − H ^ ) H ~ H } = E { ( H − W H ~ ) H ~ H } = E { H H ~ H } − W E { H ~ H ~ H } = R H H ~ − W R H ~ H ~ = 0 \begin{aligned} E\left\{\mathbf e \tilde{\mathbf{H}}^{H}\right\} &=E\left\{(\mathbf{H}-\hat{\mathbf{H}}) \tilde{\mathbf{H}}^{\mathrm{H}}\right\} \\ &=E\left\{(\mathbf{H}-\mathbf{W} \tilde{\mathbf{H}}) \tilde{\mathbf{H}}^{\mathrm{H}}\right\} \\ &=E\left\{\mathbf{H} \tilde{\mathbf{H}}^{\mathrm{H}}\right\}-\mathbf{W} E\left\{\tilde{\mathbf{H}} \tilde{\mathbf{H}}^{\mathrm{H}}\right\} \\ &=\mathbf {R}_{\mathbf{H} \tilde{\mathbf{H}}}-\mathbf W \mathbf R_{\tilde{\mathbf{H}} \tilde{\mathbf H}}=\mathbf {0} \end{aligned} E{eH~H}=E{(HH^)H~H}=E{(HWH~)H~H}=E{HH~H}WE{H~H~H}=RHH~WRH~H~=0

    其中, R A B \mathbf{R}_{A B} RAB为矩阵 A \mathbf{A} A B \mathbf{B} B的互相关矩阵,即 R A B = E { A B H } \mathbf{R}_{\mathbf A \mathbf B}=E\left\{\mathbf A \mathbf{B}^{{H}}\right\} RAB=E{ABH} H ~ \tilde {\mathbf{H}} H~为LS信道估计:
    H ~ = X − 1 Y = H + X − 1 Z \tilde{\mathbf{H}}=\mathbf{X}^{-1} \mathbf{Y}=\mathbf{H}+\mathbf{X}^{-1} \mathbf{Z} H~=X1Y=H+X1Z

    于是可得,
    W = R H H ~ R H ~ H ~ − 1 \mathbf{W}=\mathbf{R}_{\mathbf{H} \tilde{\mathbf{H}}} \mathbf{R}_{\tilde{\mathbf{H}} \tilde{\mathbf{H}}}^{-1} W=RHH~RH~H~1

    其中, R H ~ H ~ \mathbf{R}_{\tilde{\mathbf{H}} \tilde{\mathbf{H}}} RH~H~ H ~ \tilde{\mathbf {H}} H~的自相关矩阵,即
    R H ~ H ~ = E { H ~ H ~ H } = E { X − 1 Y ( X − 1 Y ) H } = E { ( H + X − 1 Z ) ( H + X − 1 Z ) H } = E { H H H + X − 1 Z H H + H Z H ( X − 1 ) H + X − 1 Z Z H ( X − 1 ) H } = E { H H H } + E { X − 1 Z Z H ( X − 1 ) H } = E { H H H } + σ z 2 σ x 2 I \begin{aligned} \mathbf{R}_{\tilde{\mathbf H} \tilde{\mathbf H}} &=E\left\{\tilde{\mathbf{H}} \tilde{\mathbf{H}}^{\mathrm{H}}\right\} \\ &=E\left\{\mathbf{X}^{-1} \mathbf{Y}\left(\mathbf{X}^{-1} \mathbf{Y}\right)^{\mathrm{H}}\right\} \\ &=E\left\{\left(\mathbf{H}+\mathbf{X}^{-1} \mathbf{Z}\right)\left(\mathbf{H}+\mathbf{X}^{-1} \mathbf{Z}\right)^{\mathrm{H}}\right\} \\ &=E\left\{\mathbf{H H}^{\mathrm{H}}+\mathbf{X}^{-1} \mathbf{Z} \mathbf{H}^{\mathrm{H}}+\mathbf{H} \mathbf{Z}^{\mathrm{H}}\left(\mathbf{X}^{-1}\right)^{\mathrm{H}}+\mathbf{X}^{-1} \mathbf{Z} \mathbf{Z}^{\mathrm{H}}\left(\mathbf{X}^{-1}\right)^{\mathrm{H}}\right\} \\ &=E\left\{\mathbf{H H}^{\mathrm{H}}\right\}+E\left\{\mathbf{X}^{-1} \mathbf{Z Z}^{\mathrm{H}}\left(\mathbf{X}^{-1}\right)^{\mathrm{H}}\right\} \\ &=E\left\{\mathbf{H H}^{\mathrm{H}}\right\}+\frac{\sigma_{z}^{2}}{\sigma_{x}^{2}} \mathbf{I} \end{aligned} RH~H~=E{H~H~H}=E{X1Y(X1Y)H}=E{(H+X1Z)(H+X1Z)H}=E{HHH+X1ZHH+HZH(X1)H+X1ZZH(X1)H}=E{HHH}+E{X1ZZH(X1)H}=E{HHH}+σx2σz2I

    R H H ~ \mathbf{R}_{\mathbf{H} \tilde{\mathbf{H}}} RHH~是频域上真实信道向量和临时信道估计向量之间的互相关矩阵,根据上式,LMMSE信道估计可以表示为
    H ^ L M M S E = W H ~ = R H H ~ R H ~ H ~ − 1 H ~ = R H H ~ ( R H H + σ z 2 σ x 2 I ) − 1 H ~ \begin{aligned} &\hat{\mathbf{H}}_{LMMSE}=\mathbf{W} \tilde{\mathbf{H}}=\mathbf{R}_{\mathbf{H} \tilde{\mathbf{H}}} \mathbf{R}_{\tilde{\mathbf{H}} \tilde{\mathbf H}}^{-1} \tilde{\mathbf{H}}\\ &=\mathbf{R}_{\mathbf{H} \tilde{\mathbf{H}}}\left(\mathbf{R}_{\mathbf{H} {\mathbf{H}}}+\frac{\sigma_{z}^{2}}{\sigma_{x}^{2}}\mathbf I\right)^{-1} \tilde{\mathbf H} \end{aligned} H^LMMSE=WH~=RHH~RH~H~1H~=RHH~(RHH+σx2σz2I)1H~

    5.3 低复杂度的大规模MIMO信道估计

    基于导频的信道估计算法如LS算法、MMSE算法、LMMSE算法和MVU算法等都包括矩阵求逆的过程。如果发射天线与接收天线均不存在相干性,则信道的协方差矩阵为对角矩阵,矩阵求逆的复杂度较低。然而,由于大规模MIMO天线数量大,天线之间的间隔距离难以满足半波长要求,加上复杂的电波传播环境,使得天线之间具有明显的相关性,因此信道的协方差矩阵不能近似为对角矩阵。基于以上原因,大规模MIMO的信道估计中,矩阵求逆的计算复杂度非常大,因此传统的信道估计方法不能直接应用在大规模MIMO中,必须采用低复杂度的大规模MIMO信道估计方法。

    参考文献

    [1] Ngo H Q, Larsson E G, Marzetta T L. Energy and spectral efficiency of very large multiuser MIMO systems[J]. Communications, IEEE Transactions on, 2013, 61(4): 1436-1449.
    [2] Jose J, Ashikhmin A, Marzetta T L, et al. Pilot contamination and precoding in multi-cell TDD systems[J]. Wireless Communications, IEEE Transactions on, 2011, 10(8): 2640-2651.
    [3] H. Q. Ngo, M. Matthaiou, T. Q. Duong, E. G. Larsson. ‘‘Uplink performance analysis of multicellmu- mimo systems with zf receivers.” IEEE Trans. Veh. Technol., vol. 62, no. 9, Nov. 2013.
    [4] H. Q. Ngo, E. G. Larsson, T. L. Marzetta. ‘‘The Multicell Multiuser MIMO Uplink with Very Large Antenna Arrays and a Finite-Dimensional Channel.” Communications, IEEE Trans. Commun., vol. 61, no.6, pp.2350-2361, June 2013.


      博主不定期发布『保研/推免、C/C++、5G移动通信、Linux、生活随笔』系列文章,如果觉得本文对你有帮助,可以『点赞+关注』支持一下哦!

    展开全文
  • 给出了一种基于Kalman滤波的自适应MIMO信道估计方法,分析了算法的剩余误差能量随迭代次数增加的变化情况,对饱和MIMO系统和欠饱和MIMO系统,分别采用Kalman自适应 MIMO信道估计方法和最大似然信道估计方法,进行了...
  • 基于深度学习的毫米波Massive MIMO信道估计.pdf
  • 为降低大规模MIMO 信道估计的复杂度,提出一种基于Kapteyn 级数展开的信道估计方法。通过Taylor级数把协方差逆矩阵展开,从而降低信道估计的复杂度。为提高Taylor-MMSE估计的收敛速度,采用Kapteyn级数对协方差矩阵...
  • 本文在现有 MIMO 信道估计方法的基础上,提出一种基于实际测量工作的 MIMO信道估计方法。在 LTE-A的MIMO系统中可以用该方法进行信道估计和数据检测并跟踪信道变化。通过半实物仿真验证,该算法可以实现信道参数的测量...
  • 大规模MIMO信道估计的改进的二维压缩传感方案
  • MIMO信道估计研究及发射机的DSP实现
  • 基于IEEE802.16m的MIMO信道估计研究,王彩芬,李平安,本文给出了基于IEEE802.16m的MIMO信道估计算法。首先对WIMAX在国内外的发展情况作了简要的介绍;然后文章主体部分介绍了三种基本的信道�
  • 有关mimo系统的导频设计问题,信道模型的建立以及信道估计
  • 通过矩阵完成的毫米波系统大规模MIMO信道估计 作者:Evangelos Vlachos上次修改时间:2020年4月 如果您在任何出版物中使用此代码或其任何部分(可能已修改),请引用该论文:E. Vlachos,GC Alexandropoulos和J. ...
  • 文中通过在发送端加入隐性训练序列的方法介绍了一种MIMO信道估计的方法
  • 对于MIMO信道估计技术的研究,论文,中文,通过重构观测信号。
  • 为了优化总功率约束下的训练序列,我们将信道估计的均方误差视为品质因数,它是MIMO信道的二阶统计量(即信道协方差矩阵)的函数。 在实际应用中,通道协方差矩阵并不是很清楚。 因此,我们设计的主要方面是针对...
  • 信道编码matlab代码通过随机空间采样的混合波束成形毫米波系统的宽带MIMO信道估计 作者:Evangelos Vlachos上次修改时间:2019年10月 如果您在任何出版物中使用此代码或其任何部分(可能已修改),请引用以下文章:E...
  • 针对大规模 MIMO系统信道估计精度低及反馈方案较为复杂的问题,在差分信道估计及反馈方案上提出了一种基于系数相关性的压缩采样匹配追踪(BCC-CoSAMP)算法。该算法将CoSAMP算法中衡量两个向量之间关系的内积替换为...
  • 东南大学 硕士学位论文   MIMO信道估计及频域均衡的研究与实现   姓名: 刘澍 申请学位级别: 硕士 专业: 信号与信息处理 指导教师: 杨绿溪
  • 在本文中,我们提出了两种稳定的稀疏可变步长NLMS(VSS-NLMS)算法,以提高MIMO信道估计器的精度。 首先,在MIMO-OFDM系统中制定ASCE。 其次,针对ASCE的VSS-NLMS算法引入了不同的稀疏惩罚。 此外,还解释了稀疏ISS...
  • 提出一种基于叠加训练的单载波非合作多用户/MIMO系统的迭代信道估计与检测方案。首先利用变换域方法构造具有零周期互相关特性的训练序列,从而消除多天线间的相互干扰,实现基于一阶统计量的信道估计。然后采用联合...
  • 难得一见的好文,主要系统的讲解了OFDM-MIMO信道估计的理论和未来研究方向。
  • 针对毫米波大规模多入多出系统在射频链路数量有限时,波束域信道估计是一个有挑战性的问题,提出一种基于优化BM3D的信道估计方案。利用基于三维透镜的多入多出系统信道矩阵可被视为二维自然图像的结构特性,将图像...
  • 针对毫米波大规模多入多出系统为取得可靠信道估计需要高计算复杂度的缺陷,结合毫米波信道固有的低秩性提出一种低复杂度的毫米波波束域信道估计算法。该算法联合利用毫米波信道波束域稀疏性和天线域低秩性以更短训练...
  • 针对MIMO系统,基于训练序列的信道估计方法,详细推导出ML、LS和LMMSE方法的估计值,并进行了性能比较。在一定条件下,信道系数矩阵的ML、LS估计值具有相同的表达形式。计算机仿真表明,LMMSE方法和ML、LS方法的估计...
  • 在无线的MIMO(多输入多输出)通信系统中,使用高...介绍了FIR MIMO盲信道估计的数学模型和3种典型的基于高阶累积量的盲信道估计算法,并对这3种算法进行比较和分析,得出仿真结果,提出其中存在的缺陷和能够改进之处。
  • 正在学习信道估计,对一些概念不太清楚,有大神帮我解答一下吗? 信道估计中的频域加窗、时域加窗、频域平滑滤波器,这些是什么,有什么作用呢? 以及TA estimation、phase noise estimation又是什么呢?
  • #资源达人分享计划#
  • 最近在学习毫米波大规模MIMO背景下的,基于压缩感知的信道估计算法,在此进行一些总结。从奈奎斯特采样率开始引入压缩感知,并且简单介绍压缩感知的步骤以及在mmWave Massive MIMO中信道估计部分的应用

    最近在学习毫米波大规模MIMO背景下的,基于压缩感知的信道估计算法,在此进行一些总结。

    1 奈奎斯特采样率

    我们知道,模拟信号转化为数字信号要进行抽样,量化,编码。因此,采样过程必不可少,且十分关键。大家熟悉的采样时奈奎斯特采样定律,即fs=2fm。就可以无失真的恢复出原始信号。这种往往针对于低通信号,而对于带通信号而言,再采用如此的采样频率会造成频谱资源的浪费。因此,也有了带通信号的采样频率,即2fH/n+1 小于等于 fs 小于等于 2fL/n。但是在某些特殊情况下,这样的采样率也会对频谱资源进行浪费。因此,提出压缩感知理论。

    2 压缩感知(Compressed Sensing)理论简介

    上面介绍到,在某些特殊情况下,即使是带通采样率也会造成频谱资源的浪费,因此引入压缩感知理论。据我所了解,压缩感知理论最开始主要运用于图像压缩中,图像压缩中,先进行像素进行全采样,(采用的是等距采样)然后再舍去携带信息量较少的分量,从而实现压缩。再根据较大携带较大信息量的分量,恢复出原始像素。
    在信号采用中,我们也是借鉴于此。主要是在采样过程中,直接就舍去携带信息量较少的分量,实现压缩。往往通过亚采样,(采样的是非等距采样)。再根据携带较大信息量的分量恢复出原始信号。

    3 压缩感知的前提条件

    压缩感知理论的应用需要具备两个前提条件:
    第一:信号必须具有稀疏性。
    第二:信号必须满足RIP(约束等距性),

    压缩感知理论的相关符号解释

    1 x为原始信号,它携带我们所要的信息
    2 Φ为观测矩阵,表示压缩感知的采样过程
    3 y=Φx,即表示CS采样后的信号

    前面提到了CS的前提条件:第一个便是要满足稀疏性。然而,在自然界中,信号往往不表现稀疏性。幸运的是,我们可以对信号进行某种变换(常用的变换为FT),使其在变换域表现稀疏性。

    4 x=Ψs,Ψ为稀疏基矩阵,s为稀疏度;与3式子联立,可得
    5 y=ΦΨs。

    此时,我们已知y,Φ,Ψ三个变量,可以求出稀疏度s。
    再根据x=Ψs,恢复出原始信号x。

    以上便是压缩感知矩阵的所有符号,以及简单的主要思路

    4 CS在mmWave Massvie MIMO中应用介绍

    5G通信系统中,根据3Gpp最新的R15标准。我们可以将频段分为两个部分,一个是sub 6GHz,另一个是above 6GHz。根据我们实验室现在的应对情况,对sub 6GHz的频段,我们采用常规的信道估计算法;above 6GHz 以上的频段,信道稀疏性较为明显,我们采用压缩感知,匹配追踪的信道估计算法。

    如下图所示:
    mmWave Massive MIMO背景下的混合预编码示意图

    混合预编码是目前5G通信系统中,折中的一个预编码方案。我们知道,通常,有模拟预编码方案和数字预编码方案;模拟预编码方案特点是开销较小,成本较低,但是精度不高,特别是针对above 6GHz的高频段部分,元器件设计困难。。数字预编码方案特点是开销大,费用高,但精度高。为此采用混合预编码的方案,如上图所示,在基带部分使用模拟预编码,经过RF射频链路(5G中采用混合互联的方式),采用数字预编码,再经过多天线发送出去。在RF预编码,目前研究关注于采用压缩感知的方法,采用码本对AoA/AoD进行划分。再在接收端用观测矩阵对发送信号进行接收。

    本文主要对压缩感知的相关总结,在Above 6Ghz中的应用,不详细展开,将在下一篇文章中,进行详细阐述。

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,472
精华内容 588
关键字:

mimo信道估计