CN109039403A - 大规模mimo系统中基于冗余字典的下行链路信道估计方法 - Google Patents
大规模mimo系统中基于冗余字典的下行链路信道估计方法 Download PDFInfo
- Publication number
- CN109039403A CN109039403A CN201811072050.5A CN201811072050A CN109039403A CN 109039403 A CN109039403 A CN 109039403A CN 201811072050 A CN201811072050 A CN 201811072050A CN 109039403 A CN109039403 A CN 109039403A
- Authority
- CN
- China
- Prior art keywords
- channel
- downlink
- collection
- redundant dictionary
- uplink
- 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.)
- Granted
Links
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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种大规模MIMO系统中基于冗余字典的下行链路信道估计方法,包括:对FDD大规模MIMO的上行链路信道稀疏表示的支持集进行估计得到上行链路支持集;通过冗余字典和所述上行链路支持集,对下行链路空域信道的支持集进行估计得到下行链路支持集;构建FDD大规模MIMO系统的下行链路导频信号接收模型;利用上述下行链路导频信号接收模型,基于贝叶斯推断和下行链路支持集对下行链路空域信道进行信道估计。本发明方法不需要信道的稀疏性信息,同时利用了上行信道信息和冗余字典,来改善信道估计精度,具有良好的信道估计效果。
Description
技术领域
本发明属于无线通信技术领域,更具体地,涉及一种大规模MIMO系统中基于冗余字典的下行链路信道估计方法。
背景技术
大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术是5G无线通信系统的重要核心技术。获得精确的信道状态信息是提升大规模MIMO系统性能的关键。在频分双工(Frequency Division Duplexing,FDD)模式大规模MIMO系统中,采用原有的在长期演进(Long Term Evolution,LTE)系统中的下行链路信道估计方法面临很大挑战,随着天线数目的增加,反馈开销和导频开销也将急剧增加。因此,FDD条件下的大规模MIMO系统的信道估计问题非常重要。
在大规模MIMO系统中,一般基站安装有几十甚至上百根天线,而在实际无线传播环境中占据主要能量的多径数目是有限的,因此,大规模MIMO的信道在空域具有稀疏性。在FDD系统中,由于上下行链路传输使用的频率不同,信道互易性不满足;但是当频率差距不是太大时,传输环境和其中的反射体对上下行链路传输的影响近似是相同的。在2002年COST 273工作组的《Spatial reciprocity of uplink and downlink radio channels infdd systems》文档和2003年European Transactions on Telecommunications的《Geometry-based directional model for mobile radio channels principles andimplementation》文献中分析了FDD条件下的上下行链路的空域互易性,表明上下行链路的主要路径波达方向的角度差异很小,上下行链路的角度功率谱强相关。因此,通过利用这种联系可以进一步提升信道估计效果。在论文《Downlink compressive channel estimationwith support diagnosis in FDD massive MIMO》中提出了利用这种上下行链路空域信道的关系,通过压缩感知的处理框架来进行信道估计;但是由于信道路径传输方向未必能够和正交字典表示的方向一致,存在泄漏效应,并且信道的稀疏度未知,这些因素都会影响信道估计精度。
发明内容
本发明的目的在于提出一种FDD大规模MIMO系统中的下行信道估计方法,即大规模MIMO系统在FDD条件下的基于贝叶斯推断的信道估计方法,该方法利用上下行链路信道的空域相关性,通过将上行链路空域信道估计结果融入到基于贝叶斯推断的下行信道估计过程中,从而改善下行链路信道估计的性能。同时,为了减少由于正交字典表征的信道路径方向与实际传输方向不一致带来的泄漏效应,在本发明中采用冗余字典来代替傅里叶变换矩阵来表征信道来增强信道稀疏性。
为了达到上述目的,本发明提供了一种FDD大规模MIMO系统中的基于上行链路信道信息和冗余字典的贝叶斯推断的下行信道估计方法,包括以下步骤:
步骤1:对大规模MIMO的上行链路信道稀疏表示的支持集进行估计。
假设FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线,用户配备有单根天线。为用户到基站的信道矩阵,且满足其中为上行链路信道的基矩阵,由阵列的导向矢量构成,具有傅里叶变换矩阵的形式;为上行链路信道的空域表示。通过采用估计方法(例如压缩感知或均方误差最小等方法)得到上行链路空域信道的估计值从而可以得到上行链路空域信道的支持集其中supp(·)表示矢量中非零元素索引值构成的集合。
步骤2:通过上行链路支持集和冗余字典,对下行链路空域信道的支持集估计。
在步骤1的上行链路信道的空域表示中,采用的正交基矩阵Du,其每一列为阵列的导向矢量构成,具有二维傅里叶变换矩阵的形式,其第i列可以表示为其角度分辨率为1/N(以cosθ来计算)。通过该正交基矩阵可以将上行链路信道变换为空域表示形式。若采用冗余字典其第i列可以表示为当M>N时,冗余字典Dd中的列向量不再满足正交性,但是其角度分辨率为1/M。因此采用冗余字典角度分辨率更高,信道能够有更加稀疏的空域表示。由于上下行链路在空域具有互易性,假设两者的稀疏基完全相同。我们需要将上行链路信道的在正交基矩阵Du条件下的支持集转化为在冗余字典Dd条件下的支持集。若上行链路的支持集中的第i个索引值为si,则表示在角度方向为si/N处有信号传播,那么在冗余字典Dd条件下的就是对应于(M·si)/N处有信号传播。若(M·si)/N不为整数,我们认为在冗余字典冗余字典Dd的索引值为{floor((M·si)/N),floor((M·si)/N)+1}处都有信号传播,其中floor(·)为向下取整。按照上述方法,可以估计得到下行链路空域信道的支持集(即下行链路信道通过冗余字典Dd表示的空域信道中非零元素索引值构成的集合),表示为Ωd。
步骤3:构建FDD大规模MIMO系统的下行链路导频信号接收模型。
基站向用户发送导频信号下行链路信道为为下行链路信噪比,Td为导频长度,为接收端高斯白噪声,方差为σ2,则接收到的信号为
由于下行链路信道估计采用了冗余字典Dd,因此其中由阵列的导向矢量构成,角度分辨率间隔为1/M;为下行链路信道的空域表示。因此,接收信号可以表示为
其中
步骤4:基于贝叶斯推断和估计支持集对下行链路空域信道进行信道估计。
步骤4a:用户接收信号模型转化成实数模型。
将步骤3中的接收信号表示成实数模型如下:
其中 Re(·)和Im(·)分别表示对复数取实部和虚部。对于接收信号的实数模型而言,其估计支持集为其中si为估计支持集Ωd中的索引值。
步骤4b:利用贝叶斯推断方法对接收信号的实数模型进行参数估计。
假设中的元素满足高斯分布 为中的元素,其中αi为高斯分布的精度,且αi满足伽马分布Gamma(αi|ai,bi),其中ai和bi为变量αi所满足的伽马分布的形状参数和尺度参数。在贝叶斯稀疏学习过程中,一般都是假设ai,bi为极小值来保证对αi无任何先验信息。但是根据大规模MIMO的空域信道互易性,已经获得了下行链路信道的估计支持集可对估计支持集中的索引值对应的αi的超参数bi建模为满足伽马分布Gamma(bi|c,d),c和d为该伽马分布的形状参数和尺度参数。通过这种形式来利用上行信道信息。同时,需要考虑到转换为实数模型后存在结构化稀疏性,对于支持集中的,假设在位置si+M和si处的具有相同的超参数。具体的基于贝叶斯推断的参数估计过程如下:
(4b.1)初始化模型参数ai,bi,c,d和αi。
(4b.2)计算的均值μ和方差φ,和的期望值如下:
其中Λ=diag{αi},μi为均值μ的第i个元素,φi,i为方差矩阵φ第i行第i列的元素。
(4b.3)更新模型隐参数如下:
(4b.4)返回步骤(4b.2)直到满足设定的循环次数或者估计误差满足条件。
步骤4c:恢复估计信道的复数形式。
根据和恢复得到然后,利用恢复得到下行信道。
本发明所述的大规模MIMO在FDD条件下的下行链路信道估计方法中,首先考虑到上下行链路的角度域的互易性,通过上行链路空域信道的支持集和冗余字典来对下行链路空域信道的支持集进行估计;然后根据估计的支持集,将其结合到基于贝叶斯推断的下行链路信道估计中;在贝叶斯估计过程中,采用冗余字典来减少泄漏效应,将接收复信号模型转换为接收实信号模型,对于支持集中的参数假设为一个三层概率模型;在实信号模型中,考虑模型转化后的结构化稀疏形式,假设属于同一个的复参数的两个实参数具有相同的隐参数。本方法不需要信道的稀疏性信息,同时利用了上行信道信息和冗余字典,来改善信道估计精度,具有良好的信道估计效果。
附图说明
图1为本发明实施例提供的一种FDD大规模MIMO系统中的下行链路信道估计方法的流程示意图;
图2为本发明实施例中一种信道估计最小均方误差仿真结果示意图。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,可以利用冗余字典改善信道表示的稀疏性,利用贝叶斯推断的框架来进行信道估计可以减少对于稀疏度信息的依赖,同时利用上下行信道空域互易性来进一步改善信道估计精度。
为了解决现有技术存在的问题,可以考虑利用FDD系统中上下行链路空域信道的相关性,通过上行链路信道估计结果来对下行链路信道的稀疏支持集进行估计,从而改善压缩感知下行链路信道估计的性能。通过利用冗余字典,来减小由于采用傅里叶变换矩阵带来的泄漏效应的影响。利用贝叶斯推断的方法,避免对信道稀疏度信息的需求。
如图1所示,本发明提供了一种FDD大规模MIMO系统中的下行链路信道估计方法,包括:
S1、对大规模MIMO的上行链路信道的支持集进行估计;
S2、通过上行链路支持集和冗余字典,对下行链路空域信道的支持集估计;
S3、构建FDD大规模MIMO系统的下行链路导频信号接收模型;
S4、基于贝叶斯推断和估计支持集的下行链路空域信道估计。
FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线,用户配备有单根天线。为用户到基站的信道矩阵,且满足其中为上行链路信道的基矩阵,由阵列的导向矢量构成,具有傅里叶变换矩阵的形式;为上行链路信道的空域表示。通过上行链路空域信道的估计值可以得到上行链路空域信道的支持集其中supp(·)表示矢量中非零元素索引值构成集合。
在步骤1的上行链路信道的空域表示中,采用的正交基矩阵Du,其角度分辨率为1/N(以cosθ来表示)。若采用冗余字典当M>N时,冗余字典Dd中的列向量不再满足正交性,但是其角度分辨率为1/M。因此采用冗余字典角度分辨率更高,信道能够有更加稀疏的空域表示。由于上下行链路在空域或角度域具有互易性,假设两者的稀疏基完全相同。我们需要将上行链路信道的在正交基矩阵Du条件下的支持集转化为在冗余字典Dd条件下的支持集。若上行链路的支持集中的第i个索引值为si,则表示在角度方向为si/N处有信号传播,那么在冗余字典Dd条件下的就是对应于(M·si)/N处有信号传播。若(M·si)/N不为整数,我们认为在冗余字典冗余字典Dd的索引值为{floor((M·si)/N),floor((M·si)/N)+1}处都有信号传播。按照上述方法,可以估计得到下行链路空域信道的支持集(即下行链路信道通过冗余字典Dd表示的空域信道中非零元素的索引值构成的集合),可以表示为Ωd。
基站向用户发送导频信号下行链路信道为ρd为下行链路信噪比,Td为导频长度,为接收端高斯白噪声,方差为σ2,则接收到的信号为
由于对于下行链路信道估计采用了冗余字典Dd,因此其中由阵列的导向矢量构成,角度分辨率间隔为1/M;为下行链路信道的空域表示。因此,接收信号可以表示为
其中
接收信号表示成实数模型如下:
其中 Re(·)和Im(·)分别表示对复数取实部和虚部。对于接收信号的实数模型而言,其估计支持集为其中si为估计支持集Ωd中的索引值。
假设中的元素满足高斯分布 为中的元素,其中αi为高斯分布的精度,且αi满足伽马分布Gamma(αi|ai,bi),其中ai和bi为变量αi所满足的伽马分布的形状参数和尺度参数。在贝叶斯稀疏学习过程中,一般都是假设ai,bi为极小值来保证对αi无任何先验信息。但是根据大规模MIMO的信道互易性,已经获得了下行链路信道的估计支持集可以对估计支持集中的索引值对应的αi的超参数bi建模为满足伽马分布Gamma(bi|c,d),c和d为该伽马分布的形状参数和尺度参数。通过这种形式来利用上行信道信息。同时,需要考虑对于支持集中的,假设在位置si+M和si处的具有相同的超参数。
具体的基于贝叶斯推断的信道估计过程如下:
(4b.1)初始化模型参数ai,bi,c,d和αi。
(4b.2)计算的均值μ和方差φ,和的期望值如下:
其中Λ=diag{αi},μi为均值μ的第i个元素,φi,i为方差矩阵φ第i行第i列的元素。
(4b.3)更新模型隐参数如下:
(4b.3)返回步骤(4b.2)直到满足设定的循环次数或者估计误差满足条件。
步骤4c:恢复估计信道的复数形式。
根据和恢复得到然后,利用恢复得到下行信道。
为了更好说明本发明的效果,若假设基站端配备有100根天线,用户配备为单天线,上行导频数量为1,下行导频数量为50,冗余字典的大小为150。首先利用压缩感知信道恢复算法对上行链路信道进行估计,然后按照本专利方法对下行链路信道在冗余字典表示下的支持集进行估计。如图2所示,将本方法与加权1范数最小、加权子空间追逐算法、加权迭代加权最小平方和贝叶斯压缩感知算法进行了比较,可以看出本方法采用冗余字典具有更好的信道估计性能。
本领域的技术人员容易理解,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 (10)
1.一种大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,包括如下步骤:
步骤1:对FDD大规模MIMO的上行链路信道稀疏表示的支持集进行估计得到上行链路支持集;
步骤2:通过冗余字典和所述上行链路支持集,对下行链路空域信道的支持集进行估计得到下行链路支持集;
步骤3:构建FDD大规模MIMO系统的下行链路导频信号接收模型;
步骤4:利用上述下行链路导频信号接收模型,基于贝叶斯推断和下行链路支持集对下行链路空域信道进行信道估计。
2.如权利要求1所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤1具体包括:
设FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线,用户配备有单根天线,为用户到基站的信道矩阵,且满足 其中为上行链路信道的基矩阵,该基矩阵具有二维傅里叶变换矩阵形式,为上行链路信道的空域表示,通过估计方法得到上行链路空域信道的估计值从而得到上行链路空域信道的支持集 其中supp(·)表示矢量中非零元素索引值构成集合。
3.如权利要求1或2所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤2具体包括:
将上行链路信道在正交基矩阵Du条件下的支持集转化为在冗余字典Dd条件下的支持集,若上行链路支持集中的第i个索引值为si,则表示在角度方向为si/N处有信号传播,那么在冗余字典Dd条件下就是对应于M·si/N处有信号传播;若M·si/N不为整数,则认为在冗余字典Dd的索引值为{floor(M·si/N),floor(M·si/N)+1}处都有信号传播,其中floor(·)为向下取整;从而估计得到下行链路空域信道的支持集Ωd,即下行链路信道通过冗余字典Dd表示的空域信道中非零元素索引值构成的集合。
4.如权利要求3所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤3具体包括:
设基站向用户发送导频信号下行链路信道为ρd为下行链路信噪比,Td为导频长度,为接收端高斯白噪声,方差为σ2,则接收到的信号为
下行链路信道估计采用了冗余字典Dd,因此其中 由阵列的导向矢量构成,角度分辨率间隔为1/M;为下行链路信道的空域表示,接收信号表示为
其中
5.如权利要求1或2所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤4具体包括:
步骤4a:将用户接收信号模型转化成实数模型;
步骤4b:利用贝叶斯推断方法对接收信号的实数模型进行参数估计;
步骤4c:恢复估计信道的复数形式。
6.如权利要求5所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤4a具体包括:
将步骤3中的接收信号表示成实数模型如下:
其中and Re(·)和Im(·)分别表示对复数取实部和虚部,对于接收信号的实数模型而言,其估计支持集为其中si为下行链路支持集Ωd中的索引值。
7.如权利要求5所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤4b具体包括:
(4b.1)初始化模型参数ai,bi,c,d和αi。
(4b.2)计算的均值μ和方差φ,和的期望值;
(4b.3)更新模型隐参数;
(4b.4)返回步骤(4b.2)直到满足设定的循环次数或者估计误差满足条件;
其中,设中的元素满足高斯分布 为中的元素,其中αi为高斯分布的精度,且αi满足伽马分布Gamma(αi|ai,bi),对估计支持集中的索引值对应的αi的超参数bi建模为满足伽马分布Gamma(bi|c,d)。
8.如权利要求7所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤(4b.2)具体包括:
计算的均值μ和方差φ,和的期望值如下:
其中Λ=diag{αi},μi为均值μ的第i个元素,φi,i为方差矩阵φ第i行第i列的元素。
9.如权利要求7所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤(4b.3)具体包括:
更新模型隐参数如下:
10.如权利要求5所述的大规模MIMO系统中基于冗余字典的下行链路信道估计方法,其特征在于,所述步骤4c具体包括:
根据和恢复得到然后利用恢复得到下行信道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811072050.5A CN109039403B (zh) | 2018-09-14 | 2018-09-14 | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811072050.5A CN109039403B (zh) | 2018-09-14 | 2018-09-14 | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109039403A true CN109039403A (zh) | 2018-12-18 |
CN109039403B CN109039403B (zh) | 2020-08-18 |
Family
ID=64621522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811072050.5A Active CN109039403B (zh) | 2018-09-14 | 2018-09-14 | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039403B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289898A (zh) * | 2019-07-18 | 2019-09-27 | 中国人民解放军空军预警学院 | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 |
CN110650103A (zh) * | 2019-09-18 | 2020-01-03 | 北京理工大学 | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 |
CN112671435A (zh) * | 2020-12-22 | 2021-04-16 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
WO2021238850A1 (zh) * | 2020-05-28 | 2021-12-02 | 维沃移动通信有限公司 | 信道信息的处理方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015096099A1 (zh) * | 2013-12-26 | 2015-07-02 | 华为技术有限公司 | 一种估计到达角的方法、装置及电子设备 |
CN105610477A (zh) * | 2016-01-28 | 2016-05-25 | 西南交通大学 | 基于压缩感知的多发多收系统增强信号复用技术 |
CN105791189A (zh) * | 2016-02-23 | 2016-07-20 | 重庆大学 | 一种提高重构精度的稀疏系数分解方法 |
CN106559361A (zh) * | 2015-09-17 | 2017-04-05 | 清华大学 | 大规模多输入多输出天线系统的信道估计方法及装置 |
CN106772226A (zh) * | 2016-12-26 | 2017-05-31 | 西安电子科技大学 | 基于压缩感知时间调制阵列的doa估计方法 |
US20170332386A1 (en) * | 2016-05-12 | 2017-11-16 | Asustek Computer Inc. | Uplink transmission in shortened transmission time intervals in a wireless communication system |
CN108199987A (zh) * | 2017-12-21 | 2018-06-22 | 中国人民解放军空军预警学院 | 一种fdd大规模mimo系统中的下行链路信道估计方法 |
CN108512787A (zh) * | 2018-04-13 | 2018-09-07 | 电子科技大学 | 大规模mimo系统的超精细信道估计方法 |
-
2018
- 2018-09-14 CN CN201811072050.5A patent/CN109039403B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015096099A1 (zh) * | 2013-12-26 | 2015-07-02 | 华为技术有限公司 | 一种估计到达角的方法、装置及电子设备 |
CN106559361A (zh) * | 2015-09-17 | 2017-04-05 | 清华大学 | 大规模多输入多输出天线系统的信道估计方法及装置 |
CN105610477A (zh) * | 2016-01-28 | 2016-05-25 | 西南交通大学 | 基于压缩感知的多发多收系统增强信号复用技术 |
CN105791189A (zh) * | 2016-02-23 | 2016-07-20 | 重庆大学 | 一种提高重构精度的稀疏系数分解方法 |
US20170332386A1 (en) * | 2016-05-12 | 2017-11-16 | Asustek Computer Inc. | Uplink transmission in shortened transmission time intervals in a wireless communication system |
CN106772226A (zh) * | 2016-12-26 | 2017-05-31 | 西安电子科技大学 | 基于压缩感知时间调制阵列的doa估计方法 |
CN108199987A (zh) * | 2017-12-21 | 2018-06-22 | 中国人民解放军空军预警学院 | 一种fdd大规模mimo系统中的下行链路信道估计方法 |
CN108512787A (zh) * | 2018-04-13 | 2018-09-07 | 电子科技大学 | 大规模mimo系统的超精细信道估计方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289898A (zh) * | 2019-07-18 | 2019-09-27 | 中国人民解放军空军预警学院 | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 |
CN110289898B (zh) * | 2019-07-18 | 2022-05-06 | 中国人民解放军空军预警学院 | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 |
CN110650103A (zh) * | 2019-09-18 | 2020-01-03 | 北京理工大学 | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 |
WO2021238850A1 (zh) * | 2020-05-28 | 2021-12-02 | 维沃移动通信有限公司 | 信道信息的处理方法及装置 |
CN112671435A (zh) * | 2020-12-22 | 2021-04-16 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
CN112671435B (zh) * | 2020-12-22 | 2022-07-22 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109039403B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | An overview of signal processing techniques for RIS/IRS-aided wireless systems | |
Zhou et al. | Joint transmit precoding and reconfigurable intelligent surface phase adjustment: A decomposition-aided channel estimation approach | |
JP6821047B2 (ja) | シンボルを復号する方法及びシンボルを受信し、復号する受信機 | |
CN109039403A (zh) | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 | |
Alexandropoulos et al. | Localization via multiple reconfigurable intelligent surfaces equipped with single receive RF chains | |
Han et al. | Localization and channel reconstruction for extra large RIS-assisted massive MIMO systems | |
CN105577587B (zh) | 一种60GHz室内场景下MIMO系统信道估计方法及装置 | |
US8032184B2 (en) | Method for generating downlink beamforming weighting vectors | |
WO2022165872A1 (zh) | 一种针对毫米波3d mimo信道的路径参数提取方法 | |
CN113992483B (zh) | 可重构表面辅助simo系统中基于叠加导频的信道估计方法 | |
CN105162507A (zh) | 大规模mimo fdd系统中基于信漏噪比的两阶段预编码方法 | |
CN108390836A (zh) | 一种大规模mimo系统上行信道估计方法 | |
US20220393730A1 (en) | Method and system for acquiring massive mimo beam domain statistical channel information | |
Zhou et al. | AoA-based positioning for aerial intelligent reflecting surface-aided wireless communications: An angle-domain approach | |
CN112929962B (zh) | 定位方法、装置、计算机设备和存储介质 | |
US11146316B2 (en) | Channel covariance matrix conversion | |
CN106341169B (zh) | 一种多用户大规模mimo系统上行链路的天线选择方法 | |
CN109768816A (zh) | 一种非高斯噪声3d-mimo系统数据检测方法 | |
CN106291453A (zh) | 一种基于波束空间变换的二维波达角测定方法 | |
Ronquillo et al. | Sequential learning of CSI for mmWave initial alignment | |
CN104158577A (zh) | 一种3d-mimo系统的波束赋形实现方法 | |
CN117614781A (zh) | 基于ris的两阶段超分辨率参数信道估计方法及装置 | |
CN111988069B (zh) | 大规模mimo广义特征向量结构预编码求解方法、装置 | |
CN109787672A (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
Ren et al. | Channel reconstruction for SVD-ZF precoding in massive 3D-MIMO systems: Low-complexity algorithm |
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 |