CN107483091B - 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 - Google Patents

一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 Download PDF

Info

Publication number
CN107483091B
CN107483091B CN201710547435.1A CN201710547435A CN107483091B CN 107483091 B CN107483091 B CN 107483091B CN 201710547435 A CN201710547435 A CN 201710547435A CN 107483091 B CN107483091 B CN 107483091B
Authority
CN
China
Prior art keywords
channel
csi
time domain
information
representing
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
Application number
CN201710547435.1A
Other languages
English (en)
Other versions
CN107483091A (zh
Inventor
王丹
叶颂基
周佳
余永坤
李小文
陈发堂
王华华
刘宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710547435.1A priority Critical patent/CN107483091B/zh
Publication of CN107483091A publication Critical patent/CN107483091A/zh
Application granted granted Critical
Publication of CN107483091B publication Critical patent/CN107483091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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
    • H04B7/0417—Feedback systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明请求保护一种5G通信领域中FDD大规模MIMO‑OFDM系统下基于信道的时域稀疏性和卡尔曼信道预测模型的信道压缩和信道预测算法。解决了大规模MIMO‑OFDM下信道状态信息(CSI)反馈量过大，所反馈的CSI过时的问题。在用户设备(UE)接收端反馈CSI时，不是直接反馈，而是先将CSI做反傅里叶变换(IFFT)来进行CSI稀疏，再根据信道的时域稀疏性抽头形成压缩后的CSI，故CSI压缩到较低维度矩阵，从而减少反馈量。同时利用压缩后的CSI，通过卡尔曼滤波理论得到预测CSI，不仅降低预测复杂度，同时克服了反馈的CSI过时问题。

Description

一种FDD大规模MIMO-OFDM系统下的信道信息反馈算法
技术领域
本发明属于5G通信领域，具体涉及到一种FDD大规模MIMO-OFDM系统下基于信道的时域稀疏性和卡尔曼信道预测模型的信道信息反馈算法。
背景技术
近年来，随着智能手机等无线通信终端的迅速普及，处理业务量的增加，如何增大无线通信系统容量引起了人们的高度关注。5G是下一代高速移动通信技术，而大规模MIMO-OFDM是实现5G的关键技术之一。大规模多天线是一种多入多出的通信系统，在系统中基站的天线数远高于终端的天线数目，在整个5G系统中带来一系列优点：相比于传统MIMO-OFDM系统，大规模MIMO-OFDM系统的空间分辨率被极大地提升了；波束赋形技术能够让能量极小的波束集中在一块小型区域，因此干扰能够被极大地减少；相比于单一天线系统，大规模MIMO-OFDM技术能够通过不同的维度提升频谱和能量利用效率。
然而要使基站传输信号的能量能够精确指向期望方向，基站需要准确获取下行CSI。在TDD模式下，由于上下行信道在相干时间内具有互易性，基站通过对上行信道特定导频估计可以获得下行CSI。FDD模式下，上行信道与下行信道不具备互易性，需要通过接收端进行下行信道估计和反馈得到下行CSI。但是CSI的反馈需要占用一定的上行资源，随着基站天线数增多，占用的上行反馈资源随之增大。另外，由于CSI反馈与基站下行发送时的CSI应用存在时延差，过时的CSI会极大降低系统容量。
针对上述问题，目前有部分文献分别针对减小反馈量和克服过时CSI问题独立进行研究，本专利将二者结合起来，在利用压缩感知原理减小反馈量的同时，也减小了信道预测的计算量，同时也通过信道预测克服过时CSI问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种减小了信道预测的计算量，同时也通过信道预测克服过时CSI的FDD大规模MIMO-OFDM系统下的信道信息反馈算法。本发明的技术方案如下：
一种FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其包括以下步骤：
1)、在大规模MIMO-OFDM系统中，接收端对频域信道进行估计，得到CSI信道状态信息H，H即为信道矩阵；
2)、将估计得到H做反傅里叶变换IFFT得到时域稀疏CSI信息h；
3)、再根据信道的时域稀疏性抽头形成压缩后的CSI信息h′，CSI压缩到较低维度矩阵；
4)、使用卡尔曼预测模型对当前时刻n压缩后的CSI信息h′n进行信道预测，得到接收端反馈CSI到基站所需时间之后的CSI信息h′n+1，接收端反馈预测的CSI信息和活跃信道抽头位置指示给基站；
5)、在基站端，进行CSI恢复得到完整的时域CSI信息，并对得到的时域CSI信息做傅里叶变换FFT，得到对应于各子载波的频域CSI信息。
进一步的，步骤1)中接收端使用经典信道估计算法包括LS最小二乘法、MMSE最小均方误差法在内的估计算法进行频域信道估计，得到频域CSI信息H表示为：
H＝{H[0]，...，H[Nt-1]}, (1)
其中
Figure BDA0001343513310000021
表示天线nt对应N个子载波上的频域信道，Nt表示基站端天线的根数，
Figure BDA0001343513310000022
表示Nt根天线对应N个子载波上的频域信道矩阵。
进一步的，所述步骤2)将估计得到H做反傅里叶变换IFFT得到时域稀疏CSI信息h具体包括：在接收端，利用IFFT将得到的频域CSI信息H进行稀疏化，用户将N个子载波上的信道矩阵H做反傅立叶变换：
h＝FHH, (2)
其中F为N×L的离散傅立叶变换矩阵，L为时域信道的长度，h表示为：
h＝{h[0]，...，h[Nt-1]}, (3)
其中
Figure BDA0001343513310000023
表示天线nt对应的L个路径上的时域信道，
Figure BDA0001343513310000024
表示Nt根天线对应的L个路径上的时域信道矩阵。
进一步的，所述步骤3)根据信道的时域稀疏性抽头形成压缩后的CSI信息h′具体包括：从h中抽取d个活跃信道，抽头后形成压缩后的CSI信息为h′，表示为：
h′＝{h′[0]，...，h′[Nt-1]}, (4)
其中
Figure BDA0001343513310000031
表示天线nt对应的d个活跃抽头上的时域信道，
Figure BDA0001343513310000032
表示Nt根天线对应的d个活跃抽头上的时域信道矩阵。
进一步的，，所述d取值为6～8。
进一步的，所述步骤4)使用卡尔曼预测模型对当前时刻n压缩后的CSI信息h′n进行信道预测，得到接收端反馈CSI到基站所需时间之后的CSI信息h′n+1包括：
首先将压缩后的CSI转化为一维向量：
Figure BDA0001343513310000033
vec(h′n)表示将h′n向量化。然后根据卡尔曼预测原理，建立描述状态向量的过程方程和描述观测向量的观测方程分别为时刻n的观测值为：
h′(n)＝A(n)h′(n-1)+W(n), (5)
Z(n)＝Ch′(n)+V(n), (6)
h′(n)表示在时刻n的状态向量，
Figure BDA0001343513310000034
表示已知的系统从时刻n-1的状态到时刻n的状态转移矩阵，d表示抽取的活跃信道个数，Z(n)表示在时刻n的观测向量，
Figure BDA0001343513310000035
表示观测矩阵，W(n)～CN(0，Q(n))和V(n)～CN(0，R(n))分别表示过程噪声和观测噪声，且服从零均值高斯白噪声分布。
经过卡尔曼预测得到预测的CSI为一维向量
Figure BDA0001343513310000036
转化为：
Figure BDA0001343513310000037
其中
Figure BDA0001343513310000038
表示预测的天线nt对应的d个活跃抽头上的时域信道，
Figure BDA0001343513310000039
表示预测的Nt根天线对应的d个活跃抽头上的时域信道矩阵。
进一步的，所述步骤5)中，在基站端，将反馈到基站的CSI信息根据活跃信道抽头位置指示信息放入对应的位置，其余位置补零，即可得到完整的时域CSI信息
Figure BDA0001343513310000041
表示为：
Figure BDA0001343513310000042
其中
Figure BDA0001343513310000043
表示预测的天线nt对应的L个路径上的时域信道，
Figure BDA0001343513310000044
表示预
测的Nt根天线对应的L个路径上的时域信道矩阵。
进一步的，在基站端，对时域CSI信息
Figure BDA0001343513310000045
做FFT变换，得到对应于各个子载波的频域CSI信息
Figure BDA0001343513310000046
Figure BDA0001343513310000047
Figure BDA0001343513310000048
其中
Figure BDA0001343513310000049
表示预测的天线nt对应N个子载波上的频域信道，
Figure BDA00013435133100000410
表示预测的Nt根天线对应N个子载波上的频域信道矩阵。
本发明的优点及有益效果如下：
本发明将接收端估计得到的CSI做反傅里叶变换(IFFT)来进行CSI稀疏，再根据信道的时域稀疏性抽头形成压缩后的CSI，即CSI压缩到较低维度矩阵，从而减少反馈量。同时利用卡尔曼预测模型对压缩CSI信道进行预测，减小预测复杂度的同时，克服了传统算法反馈的CSI过时的问题。将两者相结合，既达到了压缩效果又保证了CSI的精确性。
附图说明
图1是本发明提供优选实施例的实现流程图；
图2是本发明的算法对应的系统模型。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
假设大规模MIMO-OFDM系统中，信道为平坦衰落信道，基站端配置有Nt根天线，在N个子载波上向K个单天线用户同时发送数据。用XT表示矩阵X的共轭转置矩阵，XH表示矩阵X的复共轭转置矩阵。X-1表示矩阵X的逆矩阵。[]i表示向量的第i个元素，diag()表示对角矩阵。具体实施方式：结合图1说明本实施方式，本实施方式步骤如下：
步骤一：在接收端，使用经典信道估计算法(如LS，MMSE等)进行频域信道估计，得到频域CSI信息H，表示为：
H＝{H[0]，..，H[Nt-1]}, (1)
其中
Figure BDA0001343513310000051
表示天线nt对应N个子载波上的频域信道，
Figure BDA0001343513310000052
表示Nt根天线对应N个子载波上的频域信道矩阵。
步骤二：在接收端，利用IFFT将得到的频域CSI信息H进行稀疏化，用户将N个子载波上的信道矩阵H做反傅立叶变换：
h＝FHH, (2)
其中F为N×L的离散傅立叶变换矩阵，L为时域信道的长度，h表示为：
h＝{h[0]，...，h[Nt-1]}, (3)
其中
Figure BDA0001343513310000053
表示天线nt对应的L个路径上的时域信道，
Figure BDA0001343513310000054
表示Nt根天线对应的L个路径上的时域信道矩阵。
步骤三：在接收端，根据信道的时域稀疏性对稀疏化后的CSI进行压缩。时域信道的稀疏性表明信道的总能量集中在少数几个路径中，这些路径对应的时域信道抽头被称为活跃信道抽头，一般取能量最大的6到8个活跃抽头，在本步骤，从h中抽取d(d取值为6～8)个活跃信道，抽头后形成压缩后的CSI信息为h′，表示为：
h′＝{h′[0]，...，h′[Nt-1]}, (4)
其中
Figure BDA0001343513310000055
表示天线nt对应的d个活跃抽头上的时域信道，
Figure BDA0001343513310000056
表示Nt根天线对应的d个活跃抽头上的时域信道矩阵。
步骤四：在接收端，根据卡尔曼预测模型，对当前时刻n压缩后的CSI信息h′n进行信道预测，得到接收端反馈CSI到基站所需时间之后的CSI信息h′n+1。假设当前时刻为n，CSI的反馈所需时间单位化为1，即克服CSI过时的问题转化为根据接收端在n时刻获得的CSI来预测n+1时刻的CSI。为了易于计算，首先将压缩后的CSI转化为一维向量：
Figure BDA0001343513310000061
然后根据卡尔曼预测原理，建立描述状态向量的过程方程和描述观测向量的观测方程分别为刻n的观测值为：
h′(n)＝A(n)h′(n-1)+W(n), (5)
Z(n)＝Ch′(n)+V(n), (6)
h′(n)表示在时刻n的状态向量，
Figure BDA0001343513310000062
表示已知的系统从时刻n-1的状态到时刻n的状态转移矩阵，Z(n)表示在时刻n的观测向量，
Figure BDA0001343513310000063
表示观测矩阵，W(n)～CN(0，Q(n))和V(n)～CN(0，R(n))分别表示过程噪声和观测噪声，且服从零均值高斯白噪声分布。则卡尔曼预测过程为：
Figure BDA0001343513310000064
P(n，n-1)＝A(n)P(n-1)AH(n)+Q(n),(8)
K(n)＝P(n，n-1)CH(CP(n，n-1)CH+R(n))-1,(9)
Figure BDA0001343513310000065
P(n)＝[I-K(n)C]P(n，n-1), (11)
Figure BDA0001343513310000066
其中上述迭代式中各个参数取值为：观测矩阵C为常量，定义为单位阵
Figure BDA0001343513310000067
初始化估计误差的相关矩阵为单位阵
Figure BDA0001343513310000068
状态矩阵定义为一个对角阵：
Figure BDA0001343513310000069
由式(5)、(6)得过程噪声和观测噪声的方差分别为：
Figure BDA00013435133100000610
Figure BDA0001343513310000071
则过程噪声和观测噪声的方差分别为对角阵：
Q(n)＝diag(σ2([W(n)]i)), (16)
R(n)＝diag(σ2([V(n)]i)), (17)
至此，得到预测的CSI为一维向量
Figure BDA0001343513310000072
转化为：
Figure BDA0001343513310000073
其中
Figure BDA0001343513310000074
表示预测的天线nt对应的d个活跃抽头上的时域信道，
Figure BDA0001343513310000075
表示预测的Nt根天线对应的d个活跃抽头上的时域信道矩阵。
步骤五：在接收端，反馈预测得到的CSI信息h′n+1和活跃信道抽头位置指示信息；
步骤六：在基站端，将反馈到基站的CSI信息根据活跃信道抽头位置指示信息放入对应的位置，其余位置补零，即可得到完整的时域CSI信息
Figure BDA0001343513310000076
表示为：
Figure BDA0001343513310000077
其中
Figure BDA0001343513310000078
表示预测的天线nt对应的L个路径上的时域信道，
Figure BDA0001343513310000079
表示预测的Nt根天线对应的L个路径上的时域信道矩阵。
步骤七：在基站端，对时域CSI信息
Figure BDA00013435133100000710
做FFT变换，得到对应于各个子载波的频域CSI信息
Figure BDA00013435133100000711
Figure BDA00013435133100000712
Figure BDA00013435133100000713
其中
Figure BDA00013435133100000714
表示预测的天线nt对应N个子载波上的频域信道，
Figure BDA00013435133100000715
表示预测的Nt根天线对应N个子载波上的频域信道矩阵。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其特征在于，包括以下步骤：
1)、在大规模MIMO-OFDM系统中，接收端对频域信道进行估计，得到CSI信道状态信息H，H即为信道矩阵；
2)、将估计得到H做反傅里叶变换IFFT得到时域稀疏CSI信息h；
3)、再根据信道的时域稀疏性抽头形成压缩后的CSI信息h′，CSI压缩到较低维度矩阵；
4)、使用卡尔曼预测模型对当前时刻n压缩后的CSI信息h′n进行信道预测，得到接收端反馈CSI到基站所需时间之后的CSI信息h′n+1，接收端反馈预测的CSI信息和活跃信道抽头位置指示给基站；
5)、在基站端，进行CSI恢复得到完整的时域CSI信息，并对得到的时域CSI信息做傅里叶变换FFT，得到对应于各子载波的频域CSI信息；
所述步骤3)根据信道的时域稀疏性抽头形成压缩后的CSI信息h′具体包括：从h中抽取d个活跃信道，抽头后形成压缩后的CSI信息为h′，表示为：
h′＝{h′[0]，...，h′[Nt-1]}， (4)
其中
Figure FDA0002709614420000011
表示天线nt对应的d个活跃抽头上的时域信道，
Figure FDA0002709614420000012
表示Nt根天线对应的d个活跃抽头上的时域信道矩阵；所述d取值为6～8；
所述步骤4)使用卡尔曼预测模型对当前时刻n压缩后的CSI信息h′n进行信道预测，得到接收端反馈CSI到基站所需时间之后的CSI信息h′n+1包括：
首先将压缩后的CSI转化为一维向量：
Figure FDA0002709614420000013
vec(h′n)表示将h′n向量化，然后根据卡尔曼预测原理，建立描述状态向量的过程方程和描述观测向量的观测方程分别为时刻n的观测值为：
h′(n)＝A(n)h′(n-1)+W(n)， (5)
Z(n)＝Ch′(n)+V(n)， (6)
h′(n)表示在时刻n的状态向量，
Figure FDA0002709614420000014
表示已知的系统从时刻n-1的状态到时刻n的状态转移矩阵，d表示抽取的活跃信道个数，Z(n)表示在时刻n的观测向量，
Figure FDA0002709614420000021
表示观测矩阵，W(n)～CN(0，Q(n))和V(n)～CN(0，R(n))分别表示过程噪声和观测噪声，且服从零均值高斯白噪声分布。
经过卡尔曼预测得到预测的CSI为一维向量
Figure FDA0002709614420000022
转化为：
Figure FDA0002709614420000023
其中
Figure FDA0002709614420000024
表示预测的天线nt对应的d个活跃抽头上的时域信道，
Figure FDA0002709614420000025
表示预测的Nt根天线对应的d个活跃抽头上的时域信道矩阵。
2.根据权利要求1所述的FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其特征在于，步骤1)中接收端使用经典信道估计算法包括LS最小二乘法、MMSE最小均方误差法在内的估计算法进行频域信道估计，得到频域CSI信息H表示为：
H＝{H[0]，..，H[Nt-1]}， (1)
其中
Figure FDA0002709614420000026
表示天线nt对应N个子载波上的频域信道，Nt表示基站端天线的根数，
Figure FDA0002709614420000027
表示Nt根天线对应N个子载波上的频域信道矩阵。
3.根据权利要求1或2所述的FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其特征在于，所述步骤2)将估计得到H做反傅里叶变换IFFT得到时域稀疏CSI信息h具体包括：在接收端，利用IFFT将得到的频域CSI信息H进行稀疏化，用户将N个子载波上的信道矩阵H做反傅立叶变换：
h＝FHH， (2)
其中F为N×L的离散傅立叶变换矩阵，L为时域信道的长度，h表示为：
h＝{h[0]，...，h[Nt-1]}， (3)
其中
Figure FDA0002709614420000028
表示天线nt对应的L个路径上的时域信道，
Figure FDA0002709614420000029
表示Nt根天线对应的L个路径上的时域信道矩阵。
4.根据权利要求1所述的FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其特征在于，所述步骤5)中，在基站端，将反馈到基站的CSI信息根据活跃信道抽头位置指示信息放入对应的位置，其余位置补零，即可得到完整的时域CSI信息
Figure FDA0002709614420000031
表示为：
Figure FDA0002709614420000032
其中
Figure FDA0002709614420000033
表示预测的天线nt对应的L个路径上的时域信道，
Figure FDA0002709614420000034
表示预测的Nt根天线对应的L个路径上的时域信道矩阵。
5.根据权利要求4所述的FDD大规模MIMO-OFDM系统下的信道信息反馈算法，其特征在于，在基站端，对时域CSI信息
Figure FDA0002709614420000035
做FFT变换，得到对应于各个子载波的频域CSI信息
Figure FDA0002709614420000036
Figure FDA0002709614420000037
Figure FDA0002709614420000038
其中
Figure FDA0002709614420000039
表示预测的天线nt对应N个子载波上的频域信道，
Figure FDA00027096144200000310
表示预测的Nt根天线对应N个子载波上的频域信道矩阵。
CN201710547435.1A 2017-07-06 2017-07-06 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 Active CN107483091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710547435.1A CN107483091B (zh) 2017-07-06 2017-07-06 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710547435.1A CN107483091B (zh) 2017-07-06 2017-07-06 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法

Publications (2)

Publication Number Publication Date
CN107483091A CN107483091A (zh) 2017-12-15
CN107483091B true CN107483091B (zh) 2020-12-22

Family

ID=60596181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710547435.1A Active CN107483091B (zh) 2017-07-06 2017-07-06 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法

Country Status (1)

Country Link
CN (1) CN107483091B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196121A1 (en) * 2018-04-13 2019-10-17 Nokia Shanghai Bell Co., Ltd. Compression of tap location information for time domain explicit channel state information feedback in new radio
WO2020118549A1 (en) * 2018-12-12 2020-06-18 Qualcomm Incorporated Coefficients report for compressed csi feedback
CN109672464B (zh) * 2018-12-13 2021-09-03 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
US10979120B2 (en) 2019-05-30 2021-04-13 Cypress Semiconductor Corporation Method for optimizing channel sounding feedback in MIMO systems
CN110635836A (zh) * 2019-09-12 2019-12-31 重庆大学 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法
CN113438001B (zh) * 2020-03-23 2022-08-19 维沃移动通信有限公司 信道状态信息反馈方法、接收方法、终端及网络侧设备
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
CN113595666B (zh) * 2021-07-13 2022-05-20 华中科技大学 大规模mimo系统基于时频联合相关性的信道预测方法和系统
CN115189990B (zh) * 2022-06-29 2023-05-30 南京邮电大学 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统
US20240030977A1 (en) * 2022-07-20 2024-01-25 Qualcomm Incorporated Partial channel state information reporting

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101834814A (zh) * 2010-05-21 2010-09-15 西安电子科技大学 基于信道预测的时变tdd-mimo通信信道互易性补偿方法
CN103685093A (zh) * 2013-11-18 2014-03-26 北京邮电大学 一种显式反馈方法及设备
CN106059731A (zh) * 2016-05-19 2016-10-26 重庆大学 一种适用于快时变稀疏估计的最优导频图样的设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101834814A (zh) * 2010-05-21 2010-09-15 西安电子科技大学 基于信道预测的时变tdd-mimo通信信道互易性补偿方法
CN103685093A (zh) * 2013-11-18 2014-03-26 北京邮电大学 一种显式反馈方法及设备
CN106059731A (zh) * 2016-05-19 2016-10-26 重庆大学 一种适用于快时变稀疏估计的最优导频图样的设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Joint Channel Training and Feedback for FDD Massive MIMO Systems;Wenqian Shen等;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20161031;第65卷(第10期);全文 *

Also Published As

Publication number Publication date
CN107483091A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107483091B (zh) 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法
Xie et al. Channel estimation for TDD/FDD massive MIMO systems with channel covariance computing
CN107483088B (zh) 大规模mimo鲁棒预编码传输方法
CN109005551B (zh) 一种非理想信道状态信息的多用户noma下行功率分配方法
CN108880774B (zh) 频分双工多用户大规模多天线系统及其下行导频信号长度设计方法
CN107276646B (zh) 大规模mimo-ofdm上行链路迭代检测方法
CN110808765B (zh) 一种基于不完全信道信息的大规模mimo系统频谱效率优化的功率分配方法
JP5666581B2 (ja) Ｍｕ−ｍｉｍｏ通信システムの送信機のためのプリコーディング方法
TW201707394A (zh) 混合波束賦形方法和裝置
CN107086886B (zh) 大规模mimo系统融合迫零与泰勒级数展开的双层预编码设计
CN103475401A (zh) 一种下行波束赋形方法与装置
CN107896125B (zh) 一种全维度多天线swipt系统的物理层安全传输方法
CN105846879A (zh) 一种在毫米波预编码系统中的迭代波束成形方法
CN108365874B (zh) 基于fdd大规模mimo贝叶斯压缩感知信道估计方法
CN104779985A (zh) 一种基于信道空间稀疏特性的迭代波束成形方法
CN105471775B (zh) 一种大规模mimo系统中低复杂度的信道估计方法
CN109905917B (zh) 基于无线携能的noma通信系统中无线资源分配方法
CN104779988A (zh) 一种快速迭代波束成形的方法
CN113411107A (zh) 一种基于波束束的毫米波大规模mimo系统宽带信道估计方法
CN110943767B (zh) Fdd大规模mimo系统中基于信道部分互易性的预编码设计方法
CN108173585B (zh) 一种多用户混合线性非线性预编码方法
CN114143896A (zh) 一种大规模mimo跨频协作鲁棒传输方法
CN102064866B (zh) 多用户下行传输系统中利用信道统计信息的自适应传输方法
CN107659348B (zh) 一种基于slnr和thp混合自适应预编码设计方法
CN107733488B (zh) 一种大规模mimo系统中注水功率分配改进方法及系统

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