CN107248877B - 基于实测数据的MassiveMIMO信道建模方法 - Google Patents
基于实测数据的MassiveMIMO信道建模方法 Download PDFInfo
- Publication number
- CN107248877B CN107248877B CN201710360824.3A CN201710360824A CN107248877B CN 107248877 B CN107248877 B CN 107248877B CN 201710360824 A CN201710360824 A CN 201710360824A CN 107248877 B CN107248877 B CN 107248877B
- Authority
- CN
- China
- Prior art keywords
- cluster
- scattering
- base station
- clusters
- antenna
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于多输入多输出系统技术领域,公开了一种基于实测数据的Massive MIMO信道建模方法;建立共焦椭圆模型,设置基站和偶极子的参数;依据实测数据获得散射簇的生灭速率,得到9状态马尔科夫链状态转移概率矩阵,利用马尔科夫链描述天线阵列轴上散射簇的演进过程,分配每个散射簇特征参数;最后根据各个参数之间的几何位置关系,计算视距和非视距情况下的相位和多普勒频率,生成信道冲激响应。本发明能够准确的描述散射簇在天线阵列上生灭过程,刻画了Massive MIMO信道的非平稳特征,能够描述球面波特征;同时计算量较小,能够在较少的时间内生成信道冲激响应,提高了信道的仿真效率。
Description
技术领域
本发明属于多输入多输出系统技术领域,尤其涉及一种基于实测数据的 MassiveMIMO信道建模方法。
背景技术
随着智能手机和平板电脑等智能终端的大范围普及,互联网高清业务和多媒体业务的不断推广使用,对无线数据业务的需求呈现爆发式增长,对无线通信系统的频谱效率、功率效率以及容量性能提出了更高要求。据权威机构预测,未来十年移动无线通信数据量将增加几百倍。在这样的应用背景下,传统的多输入多输出(MIMO)技术已经不能满足呈指数上涨的无线数据需求,Massive MIMO技术应运而生。Massive MIMO技术是指在基站端放置远多于现今系统中所使用的天线数量的一种天线架设模式,比如使用几十或者上百根基站天线来同时服务一定数量的用户终端,它可以使得阵列增益大大增加,从而有效地降低发射端的功率消耗,使得系统总能效能够提升多个数量级,进一步提升系统容量,有效地解决无线数据业务对系统容量的需求。虽然Massive MIMO技术呈现出极具吸引力的性能提升,但是也存在着很多的难题和挑战。对于5G Massive MIMO通信系统来说,建立一个准确的信道模型是非常重要的。在传统的MIMO 技术中,信道建模的方法有基于几何的随机建模(GBSM)、参数化统计建模 (PSM)、基于相关的空时相关特征的建模方法(CBSM)等,但是这些信道建模方法不能直接用于Massive MIMO信道建模,因为Massive MIMO技术有与传统MIMO技术明显不同的特征。在Massive MIMO技术中,随着天线数目的增多和天线尺寸的变化,发射端和接收端或者散射簇之间的距离将小于瑞利距离,因而传统MIMO技术中的远场效应和波前为平面波假设不再成立,所以Massive MIMO技术中为近场效应和波前是球面波。还有在Massive MIMO技术中,每个天线阵元能观察到不同的簇集合,即在天线阵列上有些簇是可见的,有些簇是不可见的,存在散射簇的出现和消失,这也是与传统MIMO技术所不同的地方,所以Massive MIMO技术中天线阵列上信道响应宽平稳特性不再成立。对于 MassiveMIMO存在特征,我们需要建立合适的模型来描述球面波和刻画簇在阵列上非平稳的特性。
发明内容
针对现有技术存在的问题,本发明提供了一种基于实测数据的Massive MIMO信道建模方法。
本发明是一种基于实测数据的Massive MIMO信道建模方法,所述基于实测数据的Massive MIMO信道建模方法包括以下步骤:
步骤一,建立共焦椭圆模型,设置基站和偶极子的参数,基站设置大规模的均匀线性天线阵列,天线阵元都是全向天线,阵元间距为δT,为半波长,另一端是一个偶极子,也是全向天线;建立共焦椭圆模型,基站天线阵列中心和偶极子连线组成X轴,两个天线阵列中心分别位于共焦椭圆的两个焦点上,距离为2f,基站阵列倾角为βT,散射簇分布在共焦椭圆上,设第1个散射簇所对应的椭圆的长轴为2a1,第n个散射簇所对应的椭圆的长轴为2an,散射簇n与基站阵列中心和偶极子的距离分别为
步骤二,依据实测数据获得散射簇的生灭速率,计算基站端天线阵列散射簇新生成的概率和生存概率,得到9状态马尔科夫链状态转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程,得到散射簇集后,根据 WINNER II模型分配每个散射簇特征参数;
将(i,j)作为状态,其中i表示相邻阵元间新生成的散射簇数量,j表示相邻阵元间灭亡的散射簇数量,其中,0≤i≤2,0≤j≤2,共有9种状态,(i,j)所对应的状态设为sij;从状态sij变成si′j′的状态转移概率为p(ij,i′j′),则转移概率矩阵为:
步骤三,根据共焦椭圆模型中基站天线阵列倾斜角、阵元间距、散射簇的 AOA、AOD和时延、偶极子运动方向、基站和偶极子之间的距离参数等及他们之间的几何位置关系,确定椭圆的大小和位置,计算视距和非视距情况下的相位和多普勒频率,生成Massive MIMO信道冲激响应。
进一步,所述步骤二具体过程为:
(1)对于两个相邻的天线阵元Antk-1和Antk,如果散射簇n在天线阵元Antk-1可见,而在天线阵元Antk不可见,则散射簇n是灭亡的;如果散射簇n在天线阵元Antk-1和天线阵元Antk都可见,则散射簇n是生存下来的;若散射簇n在天线阵元Antk-1不可见,而在天线阵元Antk可见,则散射簇n是新生成的;
(2)在散射簇演进过程中,一个新生成的散射簇到另一个新生成的散射簇出现的时间间隔ρG和一个散射簇的生命周期ρR分别服从指数分布,具体为:
时间间隔ρG和生命周期ρR的期望分别为:
其中,λG是簇的生成速率,λR是簇的灭亡速率;
(3)结合COST2100模型,引入簇可视区域概念,即在天线阵列上簇的可视区域,有些簇的基站端可视区域完全在天线阵列以内,而部分簇的基站端可视区域超出阵列一端或两端均超出。如图3所示,对于区域①,簇基站端可视区域完全在天线阵列以内,在阵列上能观测到的簇可视区域长度Δ就是簇的真实可视区域长度a;对于区域②,簇基站端可视区域超过了阵列的两端,在阵列上能观测到的簇可视区域长度就是阵列长度L,Δ=L;而区域③和区域④中阵列上观测到的簇可视区域长度小于真实的簇可视区域长度,这时簇可视区域观测长度是簇可视区域真实长度和簇可视区域中心位置Xc的函数,Δ=(L+a)/2-Xc,Δ=(L+a)/2+Xc。假设簇可视区域中心位置Xc是均匀分布的,上界和下界分别为则可视区域的观测长度的累计分布函数为:
(4)设置5G Massive MIMO测量设备和测量环境,依据该实测数据以及簇中心位置、簇可视区域真实长度和簇可视区域观测长度之间的关系,选取合适的分布函数来描述簇可视区域真实长度的统计特性,然后得到簇可视区域观测长度CDF曲线,对簇可视区域观测长度求均值即为簇平均生命周期,对簇平均生命周期求倒数即为簇的灭亡速率λR;
(5)利用KPowerMeans算法估计出散射簇数目的平均值,簇数目的平均值也是簇生灭速率的比值,然后得到散射簇生成速率λG,具体为:
(6)在基站端天线阵列上,原有散射簇存活下来的概率为Psurvival,服从指数分布;新生成的散射簇的概率为Pnew,服从泊松分布,具体为:
其中,j表示生成j个散射簇,E[Nnew]为基站端相邻天线阵元间平均生成散射簇的数量,具体为:
(7)计算9状态马尔科夫链转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程;
(8)得到天线阵元的散射簇集后,每个散射簇都有自己的特征参数,如时延、功率、到达角AOA/离开角AOD,散射簇的时延和功率根据WINNER II模型生成,时延和功率服从指数分布,功率作归一化处理。
设第一个天线阵列上可见散射簇的初始个数是N,并进行编号,则初始簇集为C1,此时的状态为s00,然后产生服从转移概率的随机数,假设根据得到的转移概率确定马尔科夫链转移到的下一状态为s01,所以有一个簇灭亡,没有新簇产生,则从C1中删除这个散射簇得到第2个阵元的簇集合C2,然后执行下一次演进,此过程不断重复,直到基站端阵列上所有阵元的簇集合都演进完毕。
进一步,所述步骤三具体包括:
(1)对于LOS的情况:从基站天线k到偶极子的距离为:
从基站天线k到偶极子的相位为:
(2)对于NLOS的情况:设AOA服从Von-Mises分布,在椭圆模型中, AOA和AOD是相互依赖的,他们的关系是:
已知第一个椭圆的半长轴是a1,an由a1和时延τn共同决定,则:
an=cτn+a1;
散射簇n和基站天线k之间的距离为:
经过簇n,多普勒频率变为:
(3)从基站天线k到偶极子的信道冲激响应表示为:
其中τn(t)表示散射簇n的时延。当簇n在基站可见时:
其中,K是莱斯K因子;当簇n在基站不可见时,hk,n(t)=0。
本发明的另一目的在于提供一种应用所述基于实测数据的Massive MIMO 信道建模方法的多输入多输出系统。
本发明的优点及积极效果为:利用9状态马尔科夫链进行簇演进的共焦椭圆模型,不仅能够准确的描述散射簇在天线阵列上生灭过程,刻画Massive MIMO信道的非平稳特征,而且能够描述球面波特征,为Massive MIMO信道建模提供一个有效的方法,同时计算量较小,能够在较少的时间内生成信道冲激响应,提高了信道的仿真效率。
附图说明
图1是本发明实施例提供的基于实测数据的Massive MIMO信道建模方法流程图。
图2是本发明实施例提供的Massive MIMO共焦椭圆模型示意图。
图3是本发明实施例提供的簇可视区域观测长度、簇可视区域真实长度和簇可视区域中心位置的关系示意图。
图4是本发明实施例提供的5G Massive MIMO测量活动所使用的测量设备示意图。
图5是本发明实施例提供的基站端簇可视区域观测长度示意图。
图6是本发明实施例提供的基于实测数据的9状态马尔科夫链的簇演进过程。
图7是本发明实施例提供的相邻天线的空间互相关系数(CCF)示意图。
图8是本发明实施例提供的生成一次信道冲激响应所需时间示意图。
图9是本发明实施例提供的基于实测数据的Massive MIMO信道建模流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
基于实测数据获得散射簇的生灭速率,计算基站天线阵列散射簇新生成的概率和生存概率,建立马尔科夫链状态转移概率矩阵,利用马尔科夫链对散射簇进行演进,来描述簇在阵列上非平稳的特性,同时,建立Massive MIMO信道模型来描述球面波特征。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于实测数据的Massive MIMO信道建模方法包括以下步骤:
S101:建立共焦椭圆模型,设置基站端和偶极子的参数;
S102:依据实测数据获得散射簇的生灭速率,得到9状态马尔科夫链状态转移概率矩阵,利用马尔科夫链描述天线阵列轴上散射簇的演进过程,分配每个散射簇特征参数;
S103:根据各个参数之间的几何位置关系,计算视距和非视距情况下的相位和多普勒频率,生成信道冲激响应。
下面结合附图对本发明的应用原理作进一步的描述。
本发明提供的簇生灭速率,需要建立基于实测数据利用9状态马尔科夫链进行簇演进的Massive MIMO共焦椭圆模型,具体包括如下步骤:
步骤一:建立共焦椭圆模型,设置基站和偶极子的参数。基站设置大规模的均匀线性天线阵列,这些天线阵元都是全向天线,数量为MT=128,阵元间距为δT,为半波长,波长取0.12米,则δT=0.06米,另一端是一个偶极子,也是全向天线;建立共焦椭圆模型,基站天线阵列中心和偶极子连线组成X轴,这两个天线阵列中心分别位于共焦椭圆的两个焦点上,距离为2f=160米,基站阵列倾角为βT=π/2,散射簇分布在共焦椭圆上,设第1个散射簇所对应的椭圆的长轴为2a1,第n个散射簇所对应的椭圆的长轴为2an,散射簇n与基站阵列中心和偶极子的距离分别为如图2所示。
步骤二:依据实测数据获得散射簇的生灭速率,计算基站端天线阵列散射簇新生成的概率和生存概率,得到9状态马尔科夫链状态转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程,得到散射簇集后,根据 WINNERII模型分配每个散射簇特征参数。
(1)由于Massive MIMO天线阵列的非平稳特性,有的簇在天线阵列上可见,有的簇在天线阵列上不可见,对于两个相邻的天线阵元Antk-1和Antk,如果散射簇n在天线阵元Antk-1可见,而在天线阵元Antk不可见,则散射簇n是灭亡的;如果散射簇n在天线阵元Antk-1和天线阵元Antk都可见,则散射簇n是生存下来的;若散射簇n在天线阵元Antk-1不可见,而在天线阵元Antk可见,则散射簇n是新生成的。
(2)在散射簇演进过程中,一个新生成的散射簇到另一个新生成的散射簇出现的时间间隔ρG和一个散射簇的生命周期ρR分别服从指数分布,具体为:
时间间隔ρG和生命周期ρR的期望分别为:
其中,λG是簇的生成速率,λR是簇的灭亡速率。
(3)结合COST2100模型,引入簇可视区域概念,即在天线阵列上簇的可视区域,有些簇的基站端可视区域完全在天线阵列以内,而部分簇的基站端可视区域超出阵列一端或两端均超出。如图3所示,对于区域①,簇基站端可视区域完全在天线阵列以内,在阵列上能观测到的簇可视区域长度Δ就是簇的真实可视区域长度a;对于区域②,簇基站端可视区域超过了阵列的两端,在阵列上能观测到的簇可视区域长度就是阵列长度L,Δ=L;而区域③和区域④中阵列上观测到的簇可视区域长度小于真实的簇可视区域长度,这时簇可视区域观测长度是簇可视区域真实长度和簇可视区域中心位置Xc的函数,Δ=(L+a)/2-Xc,Δ=(L+a)/2+Xc。假设簇可视区域中心位置Xc是均匀分布的,上界和下界分别为则可视区域的观测长度的累计分布函数为:
其中,KΔ(y)是观察到的簇可视区域累积分布函数(CDF),fa(v)是可视区域真实长度概率密度函数 (PDF),Δ0为簇可视区域的最小观察长度,依赖于实际测量的设置,Δ0=0.5米 L=7.68米,。
(4)设置测量设备和环境。所使用的的5G Massive MIMO测量设备是由几个单独的功能模块组成,例如滤波器、功率和低噪声功率放大器;对于信号生成方面,使用Rohde-Schwarz SMBV100A获得不同长度的PN码序列 (127~1023),这里PN码序列长度是511,每帧发送8个PN码序列,相邻PN 码序列间的时间间隔为5us,对于接收信号,使用TektronixTDS6604B抽样信号,然后发送记录下来的数据到外部存储器。通过发送周期性的扩频信号和分析所获得的信道冲激响应,可以得到Massive MIMO时延域和空间域的传播特征,为了实现同步,利用全球定位系统(GPS)触发发射端和接收端;载波频率为 2.065GHz,带宽为20MHz。所测量的环境使用的是城市宏小区。如图4所示为测量设备、基站和偶极子。
(5)依据实测数据以及簇中心位置、簇可视区域真实长度和簇可视区域观测长度之间的关系,选取合适的分布函数来描述簇可视区域真实长度的统计特性,如对数正态分布,然后得到簇可视区域观测长度CDF曲线,如图5所示;再依据簇观测长度曲线,以簇的观测长度和对应这点长度的斜率相乘,整体相加求解出观测长度的均值,即为簇平均生命周期,对簇平均生命周期求倒数即为簇的灭亡速率,如LOS情况下,λR=0.3125/米。
(6)利用KPowerMeans算法估计出散射簇数目的平均值,簇数目的平均值也是簇生灭速率的比值,然后得到散射簇生成速率λG,具体为:
(7)天线阵元Antk-1上簇集合中的每个散射簇在演进到天线阵元Antk时有可能继续存活下来,也有可能灭亡,也有可能新的散射簇生成,每个散射簇存活的概率还与具体场景有关。设在基站端天线阵列上,原有散射簇存活下来的概率为Psurvival,服从指数分布;新生成的散射簇的概率为Pnew,服从泊松分布,具体为:
其中,j表示生成j个散射簇,E[Nnew]为基站端相邻天线阵元间平均生成散射簇的数量,具体为:
其中是与场景相关的因子,取30米,得到Psurvival=0.999。由于相邻阵元的距离较近,它们之间簇的存活概率是比较高的,原有簇的消亡概率是较低,通过分析实测数据,得到相邻阵元间最多有2个簇生成或灭亡,依据上述公式,可以得到新生成一个簇的概率Pnew(1)=0.0118、新生成两个簇的概率Pnew(2)=0.0001,然后根据归一化得到没有新簇生成的概率Pnew(0)=1-Pnew(1)-Pnew(2)=0.9881。
(8)计算9状态马尔科夫链转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程。
①假设将(i,j)作为状态,其中i表示相邻阵元间新生成的散射簇数量,j表示相邻阵元间灭亡的散射簇数量,其中,0≤i≤2,0≤j≤2,共有9种状态,(i,j) 所对应的状态设为sij。设从状态sij变成si′j′的状态转移概率为p(ij,i′j′),则转移概率矩阵为:
设在上一个状态,阵元上散射簇的数量为N,这里具体说P(00,00)、P(00,01)、P(00,02);
P(00,00)=Pnew(0)×(Psurvial)N;
②利用9状态马尔科夫链模型进行簇演进,得到天线阵元上散射簇集。在演进过程中,有的散射簇存活下来,有的散射簇灭亡了,有的又生成新的散射簇,用符号表示散射簇从天线Antk-1到Antk的演进过程,可以表示为:
设第一个天线阵列上初始可见散射簇的个数是20,并对他们进行1~20编号,则初始簇集为C1={1,2,...,20},此时的状态为s00,然后产生服从转移概率的随机数,假设根据得到的转移概率确定马尔科夫链转移到的下一状态为s01,所以有一个簇灭亡(簇编号16),没有新簇产生,则从C1中删除这个散射簇得到第2个阵元的簇集合C2={1,2,...,15,17,...,20},然后执行下一次演进,此过程不断重复,直到基站端阵列上所有阵元的簇集合都演进完毕。如图6所示天线阵元可见散射簇集。
(9)得到天线阵元的散射簇集后,每个散射簇都有自己的特征参数,如时延、功率、到达角(AOA)/离开角(AOD),散射簇的时延和功率根据WINNER II模型生成,时延和功率服从指数分布,功率作归一化处理。
步骤三:如图2,根据共焦椭圆模型中基站天线阵列倾斜角、阵元间距、散射簇的AOA、AOD和时延、偶极子运动方向、基站和偶极子之间的距离参数等及他们之间的几何位置关系,确定椭圆的大小和位置,计算视距和非视距情况下的相位和多普勒频率,生成Massive MIMO信道冲激响应。
(1)对于LOS的情况:从基站天线k到偶极子的距离为:
从基站天线k到偶极子的相位为:
(2)对于NLOS的情况:设AOA服从Von-Mises分布,在椭圆模型中, AOA和AOD是相互依赖的,他们的关系是:
已知第一个椭圆的半长轴是a1,an由a1和时延τn共同决定,则:
an=cτn+a1;
散射簇n和基站天线k之间的距离为:
经过簇n,多普勒频率变为:
(3)从基站天线k到偶极子的信道冲激响应可以表示为:
其中τn(t)表示散射簇n的时延。当簇n在基站可见时:
其中,K是莱斯K因子,为3dB;当簇n在基站不可见时,hk,n(t)=0。
为了考察方法的有效性,基于实测数据,利用共焦椭圆模型,生成信道冲激响应,计算相邻天线阵元之间的空间互相关系数的关系,如图7。图7中“△”、“▽”、“□”、“○”标记的曲线分别表示相邻天线对(1,2)、(7,8)、(15,16)、(31,32) 的空间互相关系数(CCF)。从图中可以看出,随着归一化天线空间的增大,相邻天线阵元之间的CCF逐渐减小;不同阵列位置的相邻阵元之间的相关性是不同的;相关函数不仅取决于天线阵元之间的距离,而且取决于参考天线阵元的位置,这说明了Massive MIMO系统信道的非平稳特性。
图6中初始簇的数目是20个,然后根据9状态马尔科夫链进行簇演进,从图6中可以观察到散射簇1、3、5、7、12、16和18在演进的过程中灭亡了,簇16在从第1个天线阵元到第2个天线阵元演进的过程中灭亡了,簇1在从第 15个天线阵元到第16个天线阵元演进的过程中灭亡了;散射簇21和22在演进过程中新生成了,从第7个天线阵元到第8个天线阵元演进的过程中新生成了簇21,从第23个天线阵元到第24个天线阵元演进的过程中新生成了簇22,所以,在簇演进的过程中不同的天线阵元可能看到不同的散射簇集。
因为使用马尔科夫链进行簇演进比使用生灭过程进行簇演进的方法有较低的复杂度,所以本发明还比较了该信道模型与ShangbinWu等所提出的Massive MIMO系统信道模型的仿真效率,以生成一次信道冲激响应所需的时间为比较对象,如图8所示。从图8中可以看出当天线数目为30时,本发明所提出的方法比ShangbinWu等所提出的信道模型节省了大约10%的仿真时间,当天线数目增多时,节省的时间更多,因而本发明更节省时间,仿真效率更高。
本发明提出的基于实测数据,利用9状态马尔科夫链进行簇演进的共焦椭圆模型,不仅能够准确的描述散射簇在天线阵列上生灭过程,刻画了Massive MIMO信道的非平稳特征,而且能够描述球面波达到特征,为Massive MIMO 信道建模提供一个有效的方法,同时该建模方法的计算量较小,能够在较少的时间内生成信道冲激响应,提高了信道的仿真效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于实测数据的Massive MIMO信道建模方法,其特征在于,所述基于实测数据的Massive MIMO信道建模方法包括以下步骤:
步骤一,建立共焦椭圆模型,设置基站和偶极子的参数,基站设置大规模的均匀线性天线阵列,天线阵元都是全向天线,阵元间距为δT,为半波长,另一端是一个偶极子,也是全向天线;建立共焦椭圆模型,基站天线阵列中心和偶极子连线组成X轴,两个天线阵列中心分别位于共焦椭圆的两个焦点上,距离为2f,基站阵列倾角为βT,散射簇分布在共焦椭圆上,设第1个散射簇所对应的椭圆的长轴为2a1,第n个散射簇所对应的椭圆的长轴为2an,散射簇n与基站阵列中心和偶极子的距离分别为
步骤二,依据实测数据获得散射簇的生灭速率,计算基站端天线阵列散射簇新生成的概率和生存概率,得到9状态马尔科夫链状态转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程,得到散射簇集后,根据WINNERII模型分配每个散射簇特征参数;
将(i,j)作为状态,其中i表示相邻阵元间新生成的散射簇数量,j表示相邻阵元间灭亡的散射簇数量,其中,0≤i≤2,0≤j≤2,共有9种状态,(i,j)所对应的状态设为sij;从状态sij变成si′j′的状态转移概率为p(ij,i′j′),则转移概率矩阵为:
步骤三,根据共焦椭圆模型中基站天线阵列倾斜角、阵元间距、散射簇的AOA、AOD和时延、偶极子运动方向、基站和偶极子之间的距离等参数及他们之间的几何位置关系,确定椭圆的大小和位置,计算视距和非视距情况下的相位和多普勒频率,生成Massive MIMO信道冲激响应。
2.根据权利要求1中所述的基于实测数据的Massive MIMO信道建模方法,其特征在于,所述步骤二具体过程为:
(1)对于两个相邻的天线阵元Antk-1和Antk,如果散射簇n在天线阵元Antk-1可见,而在天线阵元Antk不可见,则散射簇n是灭亡的;如果散射簇n在天线阵元Antk-1和天线阵元Antk都可见,则散射簇n是生存下来的;若散射簇n在天线阵元Antk-1不可见,而在天线阵元Antk可见,则散射簇n是新生成的;
(2)在散射簇演进过程中,一个新生成的散射簇到另一个新生成的散射簇出现的时间间隔ρG和一个散射簇的生命周期ρR分别服从指数分布,具体为:
时间间隔ρG和生命周期ρR的期望分别为:
其中,λG是簇的生成速率,λR是簇的灭亡速率;
(3)结合COST2100模型,引入簇可视区域概念,即在天线阵列上簇的可视区域,有些簇的基站端可视区域完全在天线阵列以内,而部分簇的基站端可视区域超出阵列一端或两端均超出;对于区域①,簇基站端可视区域完全在天线阵列以内,在阵列上能观测到的簇可视区域长度Δ就是簇的真实可视区域长度a;对于区域②,簇基站端可视区域超过了阵列的两端,在阵列上能观测到的簇可视区域长度就是阵列长度L,Δ=L;而区域③和区域④中阵列上观测到的簇可视区域长度小于真实的簇可视区域长度,这时簇可视区域观测长度是簇可视区域真实长度和簇可视区域中心位置Xc的函数,Δ=(L+a)/2-Xc,Δ=(L+a)/2+Xc;假设簇可视区域中心位置Xc是均匀分布的,上界和下界分别为则可视区域的观测长度的累计分布函数为:
(4)设置5G Massive MIMO测量设备和测量环境,依据该实测数据以及簇中心位置、簇可视区域真实长度和簇可视区域观测长度之间的关系,选取合适的分布函数来描述簇可视区域真实长度的统计特性,然后得到簇可视区域观测长度CDF曲线,对簇可视区域观测长度求均值即为簇平均生命周期,对簇平均生命周期求倒数即为簇的灭亡速率λR;
(5)利用KPowerMeans算法估计出散射簇数目的平均值,簇数目的平均值也是簇生灭速率的比值,然后得到散射簇生成速率λG,具体为:
(6)在基站端天线阵列上,原有散射簇存活下来的概率为Psurvival,服从指数分布;新生成的散射簇的概率为Pnew,服从泊松分布,具体为:
其中,j表示生成j个散射簇,E(Nnew)为基站端相邻天线阵元间平均生成散射簇的数量,具体为:
(7)计算9状态马尔科夫链转移概率矩阵,利用马尔科夫链模型描述天线阵列轴上散射簇的演进过程;
(8)得到天线阵元的散射簇集后,每个散射簇都有自己的特征参数,如时延、功率、到达角AOA/离开角AOD,散射簇的时延和功率根据WINNER II模型生成,时延和功率服从指数分布,功率作归一化处理。
4.根据权利要求1中所述的基于实测数据的Massive MIMO信道建模方法,其特征在于,所述步骤三具体包括:
(1)对于LOS的情况:从基站天线k到偶极子的距离为:
其中,MT为阵元个数;
从基站天线k到偶极子的相位为:
(2)对于NLOS的情况:设AOA服从Von-Mises分布,在椭圆模型中,AOA和AOD是相互依赖的,他们的关系是:
已知第一个椭圆的半长轴是a1,an由a1和时延τn共同决定,则:
an=cτn+a1;
散射簇n和基站天线k之间的距离为:
经过簇n,多普勒频率变为:
(3)从基站天线k到偶极子的信道冲激响应表示为:
其中τn(t)表示散射簇n的时延;当簇n在基站可见时:
其中,K是莱斯K因子;当簇n在基站不可见时,hk,n(t)=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710360824.3A CN107248877B (zh) | 2017-05-22 | 2017-05-22 | 基于实测数据的MassiveMIMO信道建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710360824.3A CN107248877B (zh) | 2017-05-22 | 2017-05-22 | 基于实测数据的MassiveMIMO信道建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248877A CN107248877A (zh) | 2017-10-13 |
CN107248877B true CN107248877B (zh) | 2020-06-16 |
Family
ID=60016787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710360824.3A Active CN107248877B (zh) | 2017-05-22 | 2017-05-22 | 基于实测数据的MassiveMIMO信道建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248877B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365903B (zh) * | 2018-01-29 | 2021-02-02 | 哈尔滨工程大学 | 一种基于随机散射簇的三维Massive MIMO信道建模方法 |
CN109975775B (zh) * | 2019-04-03 | 2022-12-23 | 西安邮电大学 | 一种雷达回波半实测数据仿真方法 |
CN110086525B (zh) * | 2019-04-29 | 2021-10-01 | 北京邮电大学 | 一种s波段卫星移动通信系统的性能指标评估方法及装置 |
CN111245480B (zh) * | 2020-01-16 | 2021-12-07 | 南京信息工程大学 | 一种基于三维空间的双簇几何信道建模方法 |
CN112162238B (zh) * | 2020-09-21 | 2022-07-19 | 南昌大学 | 一种基于大规模天线阵的多普勒频偏测量方法 |
CN112187388B (zh) * | 2020-09-25 | 2021-11-19 | 北京邮电大学 | 一种对大规模天线阵列非平稳特性的建模方法 |
CN112737653B (zh) * | 2020-12-28 | 2022-03-25 | 重庆邮电大学 | 一种利用球面波模型的非均匀天线阵列系统设计方法 |
TWI765523B (zh) | 2021-01-11 | 2022-05-21 | 國立陽明交通大學 | 仿真用戶之高移動性資源分配系統及其方法 |
CN113541836B (zh) * | 2021-07-21 | 2022-06-10 | 北京航空航天大学 | 一种车联网信道冲激响应确定方法及系统 |
CN113746533B (zh) * | 2021-09-10 | 2022-04-29 | 北京航空航天大学 | 一种无人机通信信道冲激响应确定方法及系统 |
CN114124261B (zh) * | 2021-11-19 | 2022-07-15 | 江南大学 | 工业物联网信道的几何随机建模方法及系统 |
CN114584237B (zh) * | 2022-03-04 | 2024-01-26 | 东南大学 | 大规模天线阵列通信的空域非平稳无线信道容量计算方法 |
CN114665998B (zh) * | 2022-03-22 | 2023-02-21 | 北京大学 | 空时一致性下的三重非平稳无线通信信道建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103560985A (zh) * | 2013-11-05 | 2014-02-05 | 北京工业大学 | 一种空时相关信道大尺度mimo传输方法 |
CN105490763A (zh) * | 2015-12-04 | 2016-04-13 | 南京航空航天大学 | 一种端到端的宽带移动mimo传播信道模型及建模方法 |
CN105656527A (zh) * | 2015-12-03 | 2016-06-08 | 中国计量学院 | 一种基于大规模mimo系统的满分集vblast快速译码方法 |
CN106059734A (zh) * | 2016-05-30 | 2016-10-26 | 西安科技大学 | 基于边缘用户干扰度量值的Massive MIMO系统导频分配方法 |
CN106230575A (zh) * | 2016-09-14 | 2016-12-14 | 重庆邮电大学 | 一种基于大规模mimo系统中减轻导频污染的导频分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9831963B2 (en) * | 2014-06-06 | 2017-11-28 | Sony Corporation | MIMO communication method, terminal, and base station apparatus for transmitting and receiving pilot signals to estimate a channel |
-
2017
- 2017-05-22 CN CN201710360824.3A patent/CN107248877B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103560985A (zh) * | 2013-11-05 | 2014-02-05 | 北京工业大学 | 一种空时相关信道大尺度mimo传输方法 |
CN105656527A (zh) * | 2015-12-03 | 2016-06-08 | 中国计量学院 | 一种基于大规模mimo系统的满分集vblast快速译码方法 |
CN105490763A (zh) * | 2015-12-04 | 2016-04-13 | 南京航空航天大学 | 一种端到端的宽带移动mimo传播信道模型及建模方法 |
CN106059734A (zh) * | 2016-05-30 | 2016-10-26 | 西安科技大学 | 基于边缘用户干扰度量值的Massive MIMO系统导频分配方法 |
CN106230575A (zh) * | 2016-09-14 | 2016-12-14 | 重庆邮电大学 | 一种基于大规模mimo系统中减轻导频污染的导频分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248877A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248877B (zh) | 基于实测数据的MassiveMIMO信道建模方法 | |
Sun et al. | A novel millimeter-wave channel simulator and applications for 5G wireless communications | |
Samimi et al. | Ultra-wideband statistical channel model for non line of sight millimeter-wave urban channels | |
CN108365903B (zh) | 一种基于随机散射簇的三维Massive MIMO信道建模方法 | |
US11611404B2 (en) | Four-dimensional over the air performance test method for dynamic scene channel | |
CN112968743B (zh) | 基于可见区域划分的时变去蜂窝大规模mimo信道建模方法 | |
Jiang et al. | Three-dimensional geometry-based stochastic channel modeling for intelligent reflecting surface-assisted UAV MIMO communications | |
Xia et al. | Generative neural network channel modeling for millimeter-wave UAV communication | |
Lu et al. | A discrete environment-driven GPU-based ray launching algorithm | |
CN108199794B (zh) | 一种新型Massive MIMO信道模型的统计性建模方法 | |
CN110620627B (zh) | 一种车辆到车辆多天线系统的非平稳信道建模方法及装置 | |
Lee et al. | Path loss exponent prediction for outdoor millimeter wave channels through deep learning | |
CN112995892B (zh) | 基于复数神经网络的大规模mimo指纹定位方法 | |
Li et al. | Simulation and modeling of millimeter-wave channel at 60 GHz in indoor environment for 5G wireless communication system | |
Pang et al. | Investigation and comparison of 5G channel models: From QuaDRiGa, NYUSIM, and MG5G perspectives | |
Khatun et al. | Millimeter wave systems for airports and short-range aviation communications: A survey of the current channel models at mmwave frequencies | |
CN110212955A (zh) | 一种基于射线的3d mimo信道建模的方法 | |
Li et al. | Millimeter-Wave channel simulation and statistical channel model in the cross-corridor environment at 28 GHz for 5G wireless system | |
Qiu et al. | Pseudo ray-tracing: Deep leaning assisted outdoor mm-wave path loss prediction | |
Zaman et al. | A millimeter wave channel modeling with spatial consistency in 5G systems | |
He et al. | Investigation and comparison of QuaDRiGa, NYUSIM and MG5G channel models for 5G wireless communications | |
Tamaddondar et al. | Plane wave against spherical wave assumption for non-uniform linear massive MIMO array structures in LOS condition | |
Colpaert et al. | 3D non-stationary channel measurement and analysis for MaMIMO-UAV communications | |
Sun et al. | Channel modeling by RBF neural networks for 5G mm-wave communication | |
Gao et al. | A 3GPP-like channel simulation framework considering near-field spatial non-stationary characteristics of massive MIMO |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210204 Address after: 510000 3rd floor, building B2, No. 11, Kaiyuan Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangdong Province Patentee after: GUANGZHOU ITS COMMUNICATION EQUIPMENT Co.,Ltd. Address before: 710071 Xi'an Electronic and Science University, 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right |