CN102215186A - 基于ls-svm的时变tdd-mimo信道互易性补偿方法 - Google Patents

Abstract

本发明公开了一种采用LS-SVM信道预测的时变TDD-MIMO通信信道互易性补偿方法，使得时变TDD-MIMO通信系统上、下行链路的信道互易性得以保持。在该方法中，基站根据通过信道估计得到的上行链路子帧的信道状态信息CSI，存储CSI并生成用于LS-SVM信道预测的训练序列，求解预测模型及参数，预测随后的下行链路子帧的CSI；基站再对随后的下行链路子帧进行预编码处理，补偿信道互易性的损失。该方法建立预测模型，不需要专门的反馈链路，基站即可获知TDD-MIMO系统下行链路信道状态信息，降低了系统开销，同时预测结果极大的提高系统容量，实现了时变TDD-MIMO通信信道互易性的补偿。

Description

基于LS-SVM的时变TDD-MIMO信道互易性补偿方法

技术领域

本发明属于通信技术领域，更进一步涉及时分双工-多输入多输出(TDD-MIMO)通信系统的信道互易性补偿方法。本发明针对TDD-MIMO系统中由信道时变引起的信道互易性损失提出一种基于最小二乘-支持向量机(LS-SVM)预测的补偿方法，从而提高系统容量，可应用于存在信道时变的TDD-MIMO移动通信中。

背景技术

为了能够利用有限的频谱资源，实现高速率的数据传输并保证一定的服务质量，MIMO技术作为一种有效的手段被广泛应用，成为宽带移动通信系统中所采用的关键技术之一。在TDD-MIMO系统中，若发端准确地知道发射信道状态信息(CSI)，则发端就可以利用CSI对系统进行优化，提供更高的链路容量，改善链路性能，并且上、下行链路使用同一频点，上、下行链路信道特征一致，具有信道互易性。但是，现实情况中，由于收发机本身因素和外部环境对通信链路影响等外部因素，会导致信道互易性无法保持。比如因为上下行链路引入的干扰功率或干扰类型不同、器件的非理想特性引起的不对称，信道时变而引起的多普勒扩展都会导致信道互易性的丧失，从而无法发挥TDD特有的优势。为了能够重新获得信道互易性，需要针对不同的影响采取相应的补偿，弥补互易性的损失，从而实现系统容量的最大化。

展讯通信(上海)有限公司申请的专利《一种MIMO系统中射频通道参数估计方法和装置》申请专利号CN200810038910.3，公开号CN101604991)，提出了一种MIMO系统中射频通道参数估计方法和参数估计装置，使得同一站点接收矩阵和发送矩阵满足转置对应关系，即信道的互易性成立。该方法包括基站控制终端发射上行信号，基站通过上行信号估计上行信道参数，基站控制终端测量下行信道参数，终端通过下行信号估计下行信道参数，终端将估计的下行信道参数上报给基站，简化MIMO通信系统中的信道估计信息的反馈，减少系统中控制信号的比例，提高系统容量。

艾利森电话股份有限公司的专利《实现双向通信信道互易性的校准方法》(申请专利号CN200480039474.1，公开号为CN1910879)，提出了一种发射机-接收机链非理想情况下对发射接收链中的误差和差异进行补偿的方法，包括一种校准无线通信网络中节点的发射部分的方法，其中该通信网络至少包括可以被配置为彼此之间进行无线电通信的第一无线电节点和一个第二无线电节点。该校准方法是基于无线电信道特性的至少一个表示，其中该至少一个表示已经从一个无线电节点交换到其它的无线电节点。使得信道的互易性可以被应用，保证有价值的信道资源不会浪费在不必要的信号传输上，提高容量增益。

上述两件专利所采用的方法只适应于信道特征不发生变化的情形，即信道时不变。当信道时变时，由于上行链路的信道和下行链路的数据传输间存在时延，发端所掌握的CSI已经过时，因此当前时刻估计出的上行链路CSI与下一时刻的下行链路CSI不满足互易性关系。若基站此时仍用过时的上行链路CSI进行发端预处理，非但不能提高系统容量，还会导致收端数据产生大的误差。这种情况下，必须考虑时变TDD-MIMO系统的信道互易性损失进行补偿，否则TDD的互易性不但不能有效应用，还会严重影响系统性能。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于最小二乘-支持向量机(LS-SVM)信道预测的时变TDD-MIMO通信信道补偿方法，使得时变TDD-MIMO系统的上、下行链路的信道互易性得以保持，基站(BS)仍旧可以依据上行估计得到的上行链路信道状态信息(UL-CSI)进一步预测所需观测的下行链路子帧的(DL-CSI)而避免使用专门的反馈链路，降低系统开销，提高系统容量，使TDD系统的固有优势得以保持。

实现本发明目的的技术思路是，基站估计出当前上行链路子帧的信道状态信息，组成训练序列，利用LS-SVM线性方程组求解，求得LS-SVM预测模型及相应参数，从而带入LS-SVM预测模型得到相邻下行链路子帧的信道状态信息，进一步通过递推求得所需观测的下行链路子帧的信道状态信息，并根据此预测结果进行发端预处理，从而补偿时变TDD-MIMO导致的信道互易性损失，其具体实现步骤如下：

(1)信道估计：移动台发射数据帧到基站，基站利用接收到的当前数据帧进行信道估计，得到每对收发天线间的当前数据帧时刻对应的上行链路各条路径的信道状态信息；

(2)存储信道状态信息：基站将多个数据帧时刻估计得到的上行信道状态信息按数据帧时刻到来的先后顺序存储，得到每对天线多个上行链路子帧时刻对应的上行链路的各条路径的信道状态信息；

(3)生成训练序列：将每对天线间多个上行链路子帧时刻对应的各条路径的信道状态信息生成训练序列及测试点；

(4)生成预测模型：对生成的训练序列，通过求解LS-SVM线性方程组得到预测模型函数及模型系数；

(5)预测

5a)一步预测：将当前信道状态信息生成的训练点带入LS-SVM预测函数得到与当前上行链路子帧相邻的第1个下行链路子帧信道的状态信息；

5b)递推多步预测：按照3GPP标准中的帧结构预测每对天线间各条路径后多个链路子帧时刻的信道状态信息，通过LS-SVM方法对已知的每对天线间各条路径的上行链路信道状态信息及前几步预测得到的各条路径的下行链路子帧信道状态信息递归预测得到下一个下行链路子帧的各条路径信道状态信息；

(6)信道补偿：基站端根据LS-SVM预测方法得到要预测的下行链路子帧信道状态信息，通过做奇异值分解(SVD)得到预编码矩阵，用于对即将到来时刻的下行链路发送信号进行预编码处理，终端根据接收到的该时刻下行信道矩阵得到的解预编码矩阵做解预编码处理。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用LS-SVM方法建立预测模型，克服了现有技术中时变造成的TDD-MIMO通信信道的互易性损失，从而避免了使用专门的反馈链路，降低系统开销，提高整个通信系统性能。

第二，由于本发明在应用LS-SVM进行信道预测的基础上，在训练过程中遵循结构风险最小化原则，通过求解LS-SVM线性方程组得到最优参数，克服了现有技术中信道预测不准确的问题，预测的结果能极大的提高系统容量。

附图说明

图1为本发明的流程图；

图2为本发明步骤(5)中LS-SVM信道预测过程图；

图3为本发明步骤(6)中奇异值分解的传输原理示意图；

图4为本发明与传统方法的比较图。

具体实施方式

参照图1，对本发明提出的信道互易性补偿方法做进一步描述，其步骤如下：

步骤1，信道估计：移动台发射数据帧到基站，基站利用接收到的当前数据帧进行信道估计，得到每对收发天线间的当前数据帧时刻对应的上行链路各条路径的信道状态信息。信道估计采用MMSE方法估计得到的信道作为跟踪的初始值，在发射数据期间，采用卡尔曼滤波或LMS算法进行信道跟踪，得到第(i，j)对天线间第k(k＝0，1，…，∞)个数据帧对应的上行链路的信道状态信息为

步骤2，存储信道状态信息：基站将多个数据帧时刻估计得到的上行信道状态信息按数据帧时刻到来的先后顺序存储，得到基站估计得到的第(i，j)对天线间先前K(K≥3)个上行链路子帧分别对应的所有P条路径的信道状态信息

(k＝0，1，...，(K-1))。本发明的实施例中，对第(1，1)对收发天线间当前3个上行链路子帧分别对应的第p条路径的信道状态信息为

(k＝0，1，2)。

步骤3，生成训练序列：将每对天线间多个上行链路子帧时刻对应的第p条路径的信道状态信息组成训练序列(x_n，y_n)，n＝1…N。

$x_n=[h_{U(-K+n,p)}^{(i,j)},h_{U(-K+n+1,p)}^{(i,j)},...,h_{U(-K+n+m-1,p)}^{(i,j)}]$

$y_n=h_{U(-K+n+m,p)}^{(i,j)}$

其中，N(N≥2)为由上行链路子帧对应一对收发天线间信道状态信息组成的训练序列的个数；

为第(i，j)对天线的当前k个上行链路子帧分别对应的第p条路径的信道状态信息；(i，j)(i＝1，…，N_r；j＝1，…N_t)表示第(i，j)对收发天线、N_r和N_t分别是收端和发端的天线数；k＝0，1，...，(K-1)为当前第k个上行链路子帧对应时刻、K＝N+m为存储信道状态信息长度、m为输入数据维数；p(p＝0，1，...，(P-1))为第p条路径数、P为总路径数；x_n为由

组成的m维输入数据(m≥1)。

本发明的实施例取训练序列个数N＝5，m＝3，第(1，1)收发天线间上行链路的第1条路径的训练序列为{(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，(x₄，y₄)，(x₅，y₅)}；

$x_n=[h_{U(-8+n,1)}^{\left(\mathrm{1,1}\right)},h_{U(-7+n,1)}^{\left(\mathrm{1,1}\right)},h_{U(-6+n,1)}^{\left(\mathrm{1,1}\right)}]$ n＝1，…，5

$y_n=h_{U(-5+n,1)}^{\left(\mathrm{1,1}\right)}$

步骤4，生成预测模型：由步骤3得到的训练序列(x_n，y_n)，n＝1…N，通过求解LS-SVM线性方程组得到预测模型函数f(·)及模型系数a，b；

$f\left(x_{N+l}\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{n}K(x_n,x_{N+l})+b$

其中，(x_n，y_n)，n＝1…N为训练序列；a＝[α₁，α₂，...，α_N]^T和b为模型系数；x_N+l为输入测试点；K(x_i，x_j)为径向基核函数

σ为径向基核函数宽度；γ为惩罚系数。

本发明的实施例取LS-SVM辅助参数为σ＝100，γ＝10¹⁴，通过将已知训练序列带入LS-SVM方程求解，得到LS-SVM模型系数a＝[α₁，α₂，...，α₅]^T和b。

步骤5，预测：根据预测步数l的取值，确定第(i，j)对天线间第p条路径的信道状态信息。参照图2，本发明步骤5的LS-SVM信道预测过程如下：

5a)l＝1，则利用LS-SVM进行一步预测，得到第(i，j)对天线间与上行链路信道状态信息相邻的第p条路径的第1个下行链路子帧的信道状态信息：

${\tilde{h}}_{D(1,p)}^{(i,j)}=f\left(x_{N+1}\right)$

$x_{N+1}=[h_{U(-K+N+1,p)}^{(i,j)},h_{U(-K+N+2,p)}^{(i,j)},...,h_{U(0,p)}^{(i,j)}]$

其中，x_N+1为测试点；f(·)为预测模型函数；a＝[α₁，α₂，...，α₅]^T和b为模型系数。

本发明的实施例中，预测第(1，1)对天线间第1条路径的相邻上行链路子帧的第1个下行链路子帧的信道状态信息：

${\tilde{h}}_{D\left(\mathrm{1,1}\right)}^{\left(\mathrm{1,1}\right)}=f\left(x_6\right)$

$x_6=[h_{U(-\mathrm{2,1})}^{\left(\mathrm{1,1}\right)},h_{U(-\mathrm{1,1})}^{\left(\mathrm{1,1}\right)},h_{U\left(\mathrm{0,1}\right)}^{\left(\mathrm{1,1}\right)}]$

$f\left(x_6\right)=\underset{n=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\α}}_{n}K(x_n,x_6)+b$

5b)若2≤l≤L，L为帧长，则利用LS-SVM进行多步预测。由选用的3GPP标准中的帧结构决定，根据已知的第(i，j)对天线间第p条路径的上行链路信道状态信息

及预测得到的第1个至第(l-1)个下行链路子帧的信道状态信息

递归预测得到第l个下行链路子帧的信道状态信息

当l≥2时，即多步预测，第(i，j)对天线间第l个下行链路子帧的信道状态信息可通过下式递归预测得到：

${\tilde{h}}_{D(l,p)}^{(i,j)}=f\left(x_{N+l}\right)$

$x_{N+l}=[h_{U(-K+N+l,p)}^{(i,j)},h_{U(-K+N+l+1,p)}^{(i,j)},...,h_{U(0,p)}^{(i,j)},{\tilde{h}}_{D(1,p)}^{(i,j)},...,{\tilde{h}}_{D(l-1,p)}^{(i,j)}]$

$f\left(x_{N+l}\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{n}K(x_n,x_{N+l})+b$

其中，x_N+l为测试点；f(·)为预测模型函数；a＝[α₁，α₂，...，α₅]^T和b为模型系数。

本发明的实施例取中，预测第(1，1)对天线间第1条路径的相邻上行链路子帧的第2个下行链路子帧的信道状态信息：

${\tilde{h}}_{D\left(\mathrm{2,1}\right)}^{\left(\mathrm{1,1}\right)}=f\left(x_7\right)$

$x_7=[h_{U(-\mathrm{1,1})}^{\left(\mathrm{1,1}\right)},h_{U\left(\mathrm{0,1}\right)}^{\left(\mathrm{1,1}\right)},{\tilde{h}}_{D\left(\mathrm{1,1}\right)}^{\left(\mathrm{1,1}\right)}]$

进而递推预测到第(1，1)对天线间第1条路径的相邻上行链路子帧的第8个下行链路子帧的信道状态信息：

${\tilde{h}}_{D\left(\mathrm{8,1}\right)}^{\left(\mathrm{1,1}\right)}=f\left(x_{13}\right)$

$x_{13}=[{\tilde{h}}_{D\left(\mathrm{5,1}\right)}^{\left(\mathrm{1,1}\right)},{\tilde{h}}_{D\left(\mathrm{6,1}\right)}^{\left(\mathrm{1,1}\right)},{\tilde{h}}_{D\left(\mathrm{7,1}\right)}^{\left(\mathrm{1,1}\right)}]$

步骤6，信道补偿

参照图3，本发明步骤6中奇异值分解的传输原理如下：

移动台发射数据帧到基站后，基站利用接收到的当前数据帧进行信道估计，得到信道状态矩阵H_t，进而得到每条路径的信道状态信息

基站端根据LS-SVM预测方法得到要预测的Δt时刻信道状态信息

从而得到包含P条路径的要预测的Δt时刻下行链路子帧信道状态信息组成的信道状态矩阵

通过做奇异值分解(SVD)得到预编码矩阵

用于到来的Δt时刻下行链路发送信号的预编码处理，终端根据Δt时刻下行信道矩阵H_t+Δt得到的解预编码矩阵U_t+Δt作解预编码处理，从而实现了时变信道条件下的信道互易性补偿。

本发明的实施例中，发端根据信道状态信息

组成信道状态矩阵

至此，可认为收发两端的信道状态信息均已知，发端可根据发端已知的信道状态信息

对于相邻上行链路子帧的第8个下行链路子帧进行预编码处理，从而实现了时变信道条件下的信道互易性补偿。

本发明的效果可通过以下仿真进一步说明：

以MIMO 2×2天线为例，取MS速度为30km/h，信噪比SNR＝10dB，预测下行链路子帧个数l＝8，训练序列个数N＝5，维数m＝3进行了仿真，并对信道容量进行仿真：

由BS获知上行链路子帧时刻的信道状态信息H_U(0)，通过LS-SVM预测得到时变系统中所需观测的第l＝8个下行链路子帧的信道状态矩阵

进行SVD分解得：

${\tilde{H}}_{D\left(8\right)}={\tilde{U}}_{D\left(8\right)}{\tilde{D}}_{D\left(8\right)}{{\tilde{V}}_{D\left(8\right)}}^H$

其中，U和V分别为酉阵，D为对角阵，且对角元素为H的特征值，并按从大到小的顺序排列。

此时BS发送符号向量x，用预编码矩阵

进行发端预编码，通过实际信道H_D(8)，在收端叠加上加性高斯白噪声AWGN向量n，收端MS用解预编码矩阵U_D(8) ^H解预编码，最终得到所需观测的第l＝8个下行链路的MS接收到的符号向量y：

$y={U_{D\left(8\right)}}^H(H_{D\left(8\right)}{\tilde{V}}_{D\left(8\right)}x+n)$

其中，n为零均值的复高斯噪声，且每根接收天线上噪声独立：

$E\left({\mathrm{nn}}^H\right)=I_{N_t},$ nH为n的共轭转置

通过LS-SVM预测方法，使得实际信道状态的变化不会引起预编码矩阵和解预编码矩阵U_D(8)之间结合产生偏差过大，因而针对信道变化进行了相应的互易性补偿，使信道变化对传输性能的影响完全消除，系统容量得以提高。

若不进行互易性补偿，发端先对x用过时的上行链路状态信息得到的预编码矩阵V_U(0)进行预编码，通过实际信道H_D8，再在收端用U_D8 ^H解预编码，最终得到：

y＝U_D8 ^H(H_D8V_U(0)x+n)

此时的下行链路与估计出信道状态的上行链路相差8T时间，即8个子帧长度。信道互易性损失，容量降低。结果如图4所示，图中虚线表示传统不进行信道互易性补偿的系统容量分布，实线表示进行LS-SVM预测的信道互易性补偿的系统容量分布。

本发明采用LS-SVM的信道预测进行信道互易性补偿之后系统容量明显提高，因而有效实现了时变信道条件下的信道互易性补偿。

Claims (6)

1.基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，包括如下步骤：

(1)信道估计：移动台发射数据帧到基站，基站利用接收到的当前数据帧进行信道估计，得到每对收发天线间的当前数据帧时刻对应的上行链路各条路径的信道状态信息；

(2)存储信道状态信息：基站将多个数据帧时刻估计得到的上行信道状态信息按数据帧时刻到来的先后顺序存储，得到每对天线多个上行链路子帧时刻对应的上行链路的各条路径的信道状态信息；

(3)生成训练序列：将每对天线间多个上行链路子帧时刻对应的各条路径的信道状态信息生成训练序列及测试点；

(4)生成预测模型：对生成的训练序列，通过求解LS-SVM线性方程组得到预测模型函数及模型系数；

(5)预测

5a)一步预测：将当前信道状态信息生成的训练点带入LS-SVM预测函数得到与当前上行链路子帧相邻的第1个下行链路子帧信道的状态信息；

5b)递推多步预测：按照3GPP标准中的帧结构预测每对天线间各条路径后多个链路子帧时刻的信道状态信息，通过LS-SVM方法对已知的每对天线间各条路径的上行链路信道状态信息及前几步预测得到的各条路径的下行链路子帧信道状态信息递归预测得到下一个下行链路子帧的各条路径信道状态信息；

(6)信道补偿：基站端根据LS-SVM预测方法得到要预测的下行链路子帧信道状态信息，通过做奇异值分解(SVD)得到预编码矩阵，用于对即将到来时刻的下行链路发送信号进行预编码处理，终端根据接收到的该时刻下行信道矩阵得到的解预编码矩阵做解预编码处理。

2.根据权利要求1所述的基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，其中步骤1中所述的基站利用接收到的当前数据帧进行信道估计是指，基站采用MMSE方法估计得到的跟踪信道的初始值，在发射数据期间，采用卡尔曼滤波或LMS算法进行信道跟踪，得到第(i，j)对天线间第k(k＝0，1，…，∞)个数据帧对应的上行链路的信道状态信息为

3.根据权利要求1所述的基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，其中步骤3的训练序列(x_n，y_n)，n＝1…N按下式确定：

$x_n=[h_{U(-K+n,p)}^{(i,j)},h_{U(-K+n+1,p)}^{(i,j)},...,h_{U(-K+n+m-1,p)}^{(i,j)}]$

$y_n=h_{U(-K+n+m,p)}^{(i,j)}$

其中，N(N≥2)为由上行链路子帧对应一对收发天线间信道状态信息

组成的训练序列的个数；

为第(i，j)对天线的当前k个上行链路子帧分别对应的第p条路径的信道状态信息，(i，j)(i＝1，…，N_r；j＝1，…N_t)表示第(i，j)对收发天线、N_r和N_t分别是收端和发端的天线数、k＝0，1，...，(K-1)为当前第k个上行链路子帧对应时刻、K＝N+m为存储信道状态信息长度、m为输入数据维数、p(p＝0，1，...，(P-1))为第p条路径数、P为总路径数；x_n为由

组成的m维输入数据(m≥1)。

4.根据权利要求1所述的基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，其中步骤4的预测模型通过求解LS-SVM线性方程组得到预测模型函数f(·)及模型系数a，b：

$f\left(x_{N+l}\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{n}K(x_n,x_{N+l})+b$

其中，(x_n，y_n)，n＝1…N为训练序列；a＝[α₁，α₂，...，α_N]^T和b为模型系数；x_N+l为输入测试点；K(x_i，x_j)为径向基核函数

σ为径向基核函数宽度；γ为惩罚系数。

5.根据权利要求1所述的基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，其中步骤(5a)中所述的第1个下行链路子帧的信道状态信息

通过以下公式确定：

${\tilde{h}}_{D(1,p)}^{(i,j)}=f\left(x_{N+1}\right)$

$x_{N+1}=[h_{U(-K+N+1,p)}^{(i,j)},h_{U(-K+N+2,p)}^{(i,j)},...,h_{U(0,p)}^{(i,j)}]$

其中，x_N+1为测试点；f(·)为预测模型函数；N(N≥2)为由上行链路子帧对应一对收发天线间信道状态信息

组成的训练序列的个数；

为第(i，j)对天线的当前k个上行链路子帧分别对应的第p条路径的信道状态信息，(i，j)(i＝1，…，N_r；j＝1，…N_t)表示第(i，j)对收发天线、N_r和N_t分别是收端和发端的天线数、k＝0，1，...，(K-1)为当前第k个上行链路子帧对应时刻、K＝N+m为存储信道状态信息长度、m为输入数据维数、p(p＝0，1，...，(P-1))为第p条路径数、P为总路径数。

6.根据权利要求1所述的基于LS-SVM的时变TDD-MIMO信道互易性补偿方法，其中步骤(5b)中所述的下一个下行链路子帧的各条路径信道状态信息是通过以下公式确定：

${\tilde{h}}_{D(1,p)}^{(i,j)}=f\left(x_{N+l}\right)$

$x_{N+l}=[h_{U(-K+N+l,p)}^{(i,j)},h_{U(-K+N+l+1,p)}^{(i,j)},...,h_{U(0,p)}^{(i,j)},{\tilde{h}}_{D(1,p)}^{(i,j)},...,{\tilde{h}}_{D(l-1,p)}^{(i,j)}]$

其中，2≤l≤L，L为帧长，由选用的3GPP标准中的帧结构决定；x_N+l为测试点；f(·)为预测模型函数；N(N≥2)为由上行链路子帧对应一对收发天线间信道状态信息组成的训练序列的个数；

为第(i，j)对天线的当前k个上行链路子帧分别对应的第p条路径的信道状态信息；

为要预测的第(i，j)对天线间第l个下行链路子帧的信道状态信息；

为通过预测得到的第1个至第(l-1)个下行链路子帧的信道状态信息；(i，j)(i＝1，…，N_r；j＝1，…N_t)表示第(i，j)对收发天线、N_r和N_t分别是收端和发端的天线数；k＝0，1，...，(K-1)为当前第k个上行链路子帧对应时刻、K＝N+m为存储信道状态信息长度、m为输入数据维数；p(p＝0，1，...，(P-1))为第p条路径数、P为总路径数。

Images