CN109257309B - 一种高性能的大规模mimo下行链路传输信道估计方法 - Google Patents
一种高性能的大规模mimo下行链路传输信道估计方法 Download PDFInfo
- Publication number
- CN109257309B CN109257309B CN201811240965.2A CN201811240965A CN109257309B CN 109257309 B CN109257309 B CN 109257309B CN 201811240965 A CN201811240965 A CN 201811240965A CN 109257309 B CN109257309 B CN 109257309B
- Authority
- CN
- China
- Prior art keywords
- matrix
- pilot
- vector
- dpss
- base station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005540 biological transmission Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000011084 recovery Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- FOXXZZGDIAQPQI-XKNYDFJKSA-N Asp-Pro-Ser-Ser Chemical compound OC(=O)C[C@H](N)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(O)=O FOXXZZGDIAQPQI-XKNYDFJKSA-N 0.000 claims abstract 17
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04L25/0224—Channel estimation using sounding signals
-
- 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
本发明公开了一种高性能的大规模MIMO下行链路传输信道估计方法,主要包括:基站通过波束赋形生成大规模波束集合覆盖整个小区,基站的所有天线同步地向目标用户发送导频序列;用户获取导频信息后,根据设计好的导频矩阵和字典构建压缩感知信道估计问题,依据过完备字典采样后信道增益函数的块稀疏性,使用基于块稀疏性的压缩感知恢复算法进行估计,估计的结果就是需要的信道矢量。本发明通过使用多频带调制DPSS矩阵提高了信道矢量在过完备字典下的稀疏性,提高了信道恢复的性能,减少了算法运算复杂度,并通过非正交导频矩阵的使用,降低了导频开销。
Description
技术领域
本发明属于通信领域,具体涉及一种平坦块衰落信道下基于压缩感知的高性能大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)下行链路传输信道估计方法。
背景技术
大规模MIMO系统中,基站端配置利用大规模天线阵列同时服务多个用户。采用大规模MIMO技术可以有效降低用户间干扰,大幅提高无线通信系统的频谱利用率和功率效率。对于大规模MIMO通信系统,采样后的信道增益函数具有局部稀疏性。因此,可以采用压缩感知算法,来重构信道矢量。
为了获得大规模MIMO技术所带来的性能增益,基站侧需要获取信道状态信息(Channel State Information,CSI)用于下行预编码。在实际应用中,CSI一般通过接收端信道估计获得,即需要考虑由基站侧发送导频信号,用户侧先依据所接收的信号进行信道估计,再将估计结果反馈给基站。传统的下行信道估计方法一般采用正交导频,导频数目会随着基站天线数目线性增长。大规模MIMO系统中基站侧配置天线数目通常比较大,此类信道估计方法将会带来巨大的导频开销,从而导致系统的频谱效率下降。因此,针对大规模MIMO下行链路传输系统,需要探索一种导频开销较小同时保证较高估计性能的信道估计方法。
发明内容
针对现有技术的不足,本发明提供一种高性能的大规模MIMO下行链路传输信道估计方法,一种在平坦块衰落信道下的,利用多频带调制离散椭球序列(Discrete ProlateSpheroidal Sequences,DPSS)矩阵采样后信道增益函数的块稀疏性和非正交导频的高性能的大规模MIMO下行链路传输信道估计方法。
为实现上述发明目的,本发明采用的技术方案为:
一种高性能的大规模MIMO下行链路传输信道估计方法,包括以下步骤:
S1:基站配置大规模天线阵列,通过波束赋形生成大规模波束集合覆盖整个小区,并且在小区内与单天线用户进行通信,基站的所有天线同步向目标用户发送导频序列;
S2:用户获取基站天线发送的导频信号,并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题,利用恢复算法估计信道矢量。
进一步地,所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵。
进一步地,所述非正交导频矩阵的设计步骤为:
S231:利用Zadoff-Chu序列的定义设置基本的导频序列,长度为τ,
其中每个元素为:
其中,i=0,1,…,τ-1,γ为Zadoff-Chu序列的根,而且是一个比τ小并与之互质的整数;
S232:通过循环移位的方式获取其它的导频序列,生成基本的导频矩阵,
考虑基站天线总数M=Pτ+q(q<τ),其中P、q均为整数,则基本的导频矩阵φZC表示为:
φZC=[φ0,φ1,…,φP-1,[φP]q],
其中,φp=[Π0cp,Π2cp,…,Πτcp],p=0,1,…,P,[·]q表示取矩阵的前q列,而c0,c1,…,cP是根分别为γ0,γ1,…,γP的Zadoff-Chu序列,不同根之间互质,并且循环移位矩阵Πn为:
其中,n=0,1,…,τ-1;
S233:依据伯努利矢量对角化矩阵对导频矩阵φZC进行扩展得到非正交导频矩阵A,A=φZCdiag(ξ),其中,矢量是随机伯努利矢量,所有元素在{-1,1}上均匀分布,diag(·)表示将矢量对角化为矩阵。
进一步地,所述步骤S2中的估计信道矢量的步骤具体为:依据字典采样后信道增益函数的块稀疏性,使用基于块稀疏性的压缩感知恢复算法:修正的块稀疏压缩采样匹配追踪法(Modified Block-Based Compressive Sampling Matching Pursuit,M-BBCoSaMP)进行估计,所述字典是利用调制后的DPSS生成的过完备矩阵,即多频带调制DPSS矩阵。
进一步地,所述的步骤S2中的压缩感知信道估计公式为:
y=AΨhA+n
其中,为用户接收到的导频信号,为导频矩阵,M是基站天线总数,为基站第m根天线发送的长度为τ的导频序列,其中m=1,…,M,为多频带调制DPSS矩阵,为稀疏基Ψ下的块稀疏矢量,是独立同分布的高斯白噪声矢量且每一元素服从分布;τ表示导频信号的长度,k表示字典中DPSS子块的列数,J表示字典中DPSS子块的块数,其中,M<kJ。
进一步地,所述多频带调制DPSS矩阵表示为:
Ψ=[Ψ0 Ψ1 … ΨJ-1],
进一步地,所述的基于块稀疏性的压缩感知恢复算法M-BBCoSaMP,具体包括:
S271:依据测量数据的特征和信噪比设计出DPSS参数;
S272:根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性,找出多频带调制DPSS矩阵中最能够准确近似表示信道矢量的子块索引;
S273:利用正交投影和最小二乘法完成信道估计。
DPSS参数k的公式为:
其中,γ0和γ1为信噪比阈值,数值大小依据具体环境设置,SNR是信噪比,c0和β0为根据信噪比SNR设置DPSS参数的线性系数,它们依据Q和导频信号y设置。
进一步地,所述步骤S272中的子块索引的检索公式为:
其中,表示Ψ中最适合近似表示h的K个子块索引集,h=ΨhA,是由索引集合给出的矩阵Ψ相应列构成的子矩阵,表示由张成空间的范围;表示在K维块稀疏信号集上的最准确矢量近似值,并且xl=AHrl表示导频矩阵所有列对残差矢量的贡献度,表示第l次迭代得到的残差矢量。
进一步地,所述步骤S273中最小二乘法的目标函数为:
其中,h是利用选中的DPSS子块和最小二乘法得出的估计值,y为用户接收到的导频信号,A表示导频矩阵,z是在线性空间中的矢量,表示第l次迭代最终选中的子块索引集,是由索引集合给出的矩阵Ψ相应列构成的子矩阵,表示张成空间的范围。
本发明主要利用过完备字典采样后信道增益函数的块稀疏性和压缩感知算法进行信道估计,涉及大规模MIMO信道的建模和所提出的M-BBCoSaMP算法,适用于单小区的大规模MIMO下行系统。系统建模时,依据Zadoff-Chu序列及其循环移位设计非正交导频矩阵,并在信道中添加高斯白噪声。在M-BBCoSaMP算法中,依据测量数据的特征和信噪比设计出DPSS参数,然后根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性,找出字典中最能够准确近似表示信道矢量的子块索引,最后利用正交投影和最小二乘法完成信道估计。
与现有技术相比,本发明的有益效果在于:
1.多频带调制DPSS矩阵的使用,极大地提高了信道矢量在字典下的稀疏性,并且相较于一般的字典,稀疏矢量的能量更加集中,可以通过压缩感知算法进行更好的恢复。
2.导频矩阵采用了确定性测量矩阵,其中Zadoff-Chu序列的使用,相较于一般的高斯随机矩阵,降低了实现成本,进一步减少了大规模MIMO系统中的导频开销。
3.所提出的M-BBCoSaMP算法给出了一种依据信噪比调整DPSS矩阵维度的公式,权衡了噪声误差和近似误差,动态更新字典的规模,提高了估计的准确度,并降低了算法的复杂度。
附图说明
图1为本发明的流程图。
图2为大规模MIMO通信系统示意图。
图3为基于M-BBCoSaMP的信道估计算法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整的描述。
如图1所示,本发明公开的一种高性能的大规模MIMO下行链路传输信道估计方法,主要包括以下步骤:
1)基站配置大规模天线阵列,通过波束赋形方法生成能够覆盖整个小区的大规模波束集合。本步骤中,基站与小区内的单天线用户进行通信。在信道下行链路传输阶段,基站所有天线同步地向目标用户发送导频信号。
2)用户获取基站发送的导频信号,并且根据设计好的非正交导频矩阵,构建一个压缩感知信道估计问题来求解信道矢量,并依据过完备字典采样后信道增益函数的块稀疏性提出M-BBCoSaMP算法解决该信道估计问题。估计得到的矢量即为所需的信道矢量,信道估计完成。
下面以图2所示的大规模MIMO下行链路传输系统为例,考虑单小区场景,基站侧配置M根发射天线的大规模天线阵列(M为102~103数量级),天线间隔为半波长。小区中有N个单天线目标用户。
在信道下行链路传输阶段,基站所有天线同步地向目标用户发送导频信号,等价于发送导频矩阵其中为基站第m根天线发送的长度为τ的导频序列,其中m=1,…,M。对应的下行信道矢量记为则在给定相干时间块内的下行训练阶段,目标用户所接收到的导频信号可表示为:
y=Ah+n (1)
需要注意的是,导频矩阵A是在信道传输之前预先定义的,具体设计方式为:
A=φZCdiag(ξ) (2)
其中,φZC=[φ0,φ1,…,φP-1,[φP]q],φp=[Π0cp,Π2cp,…,Πτcp],p=0,1,…,P,[·]q表示取矩阵的前q列,而c0,c1,…,cP是根分别为γ0,γ1,…,γP的Zadoff-Chu序列,不同根之间互质,Πn为循环移位矩阵,n=0,1,…,τ-1;矢量是随机伯努利矢量,所有元素在{-1,1}上均匀分布,diag(·)表示将矢量对角化为矩阵。
式(1)是一个一般的压缩感知问题,但实际中的信号并不总是稀疏的,而是在某一矩阵Ψ的表示下呈现稀疏性。这意味着存在一个稀疏矢量hA使得信号可以表示为:h=ΨhA。因此,可将标准的压缩感知表达式写为:
y=AΨhA+n (3)
其中,矩阵Ψ在压缩感知领域也称作字典。
Ψ=[Ψ0 Ψ1 … ΨJ-1] (4)
公式(3)是本发明最终需要解决的问题,即根据矢量y、矩阵A和Ψ,估计信道矢量h。
需要注意的是,M-BBCoSaMP算法得到的值就是信道矢量估计值h,即本发明信道估计的最终目标。
本发明基于M-BBCoSaMP算法求解上述整理后的压缩感知问题。其中M-BBCoSaMP算法的思路是:首先依据测量数据的特征和信噪比设计出DPSS参数,然后根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性,找出字典中最能够准确近似表示信道矢量的子块索引,最后利用正交投影和最小二乘法完成信道估计。相较于一般的BBCoSaMP算法,M-BBCoSaMP算法权衡了近似误差和噪声误差,给出了依据信噪比设置字典规模大小的具体公式。
图3示出了本发明实施的基于M-BBCoSaMP算法的压缩感知信道估计方法的实现流程,详细过程如下:
步骤1:输入用户接收到的导频信号y,导频矩阵A,基站天线总数M,稀疏度s和信噪比SNR,迭代阈值δ以及满足如下条件的集合T:
步骤2:令l表示迭代次数,并置零,初始化残差矢量r0=y,估计值h0=0。
步骤3:设计DPSS参数J和k,Q表示集合T中最接近稀疏度s的整数:
利用下面的公式求出不同SNR下所需DPSS参数k:
其中,γ0和γ1为信噪比阈值,数值大小依据具体环境设置,SNR是信噪比,c0和β0为根据信噪比SNR设置DPSS参数的线性系数,它们依据Q和导频信号y设置。
步骤4:依据第l次迭代的残差矢量rl求解导频矩阵所有列对残差的贡献度,即每一列和残差的内积(物理意义上也可以理解为相关性):
xl=AHrl (8)
然后求出矩阵Ψ中最能够准确表示xl的两个子块的块索引:
步骤6:利用最小二乘法和子块索引集求出在该组子块下信道矢量的最准确近似值:
步骤7:利用正交投影计算本轮迭代的最终估计值:
并求出残差矢量:
rl+1=y-Ahl+1 (13)
迭代次数l=l+1。判断是否满足迭代条件:||rl+1||2/||y||2≥δ,如果是则回到步骤4,否则进入步骤8。
步骤8:输出信道矢量估计值h=hl。
在上面提出的基于M-BBCoSaMP算法的压缩感知信道估计方法中,本发明依据多频带调制DPSS矩阵作为字典的优越性,提高了稀疏矢量能量的集中特性,从而降低了信道估计误差;在导频设计方面,采用了确定性导频矩阵,进一步减少了大规模MIMO系统中的导频开销。
应当指出,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种高性能的大规模MIMO下行链路传输信道估计方法,其特征在于:包括以下步骤:
S1:基站配置大规模天线阵列,通过波束赋形生成大规模波束集合覆盖整个小区,并且在小区内与单天线用户进行通信,基站的所有天线同步向目标用户发送导频序列;
S2:用户获取基站天线发送的导频信号,并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题,利用恢复算法估计信道矢量;
所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵;所述非正交导频矩阵的设计步骤为:
S231:利用Zadoff-Chu序列的定义设置基本的导频序列,长度为τ,
其中每个元素为:
其中,i=0,1,…,τ-1,γ为Zadoff-Chu序列的根,而且是一个比τ小并与之互质的整数;
S232:通过循环移位的方式获取其它的导频序列,生成基本的导频矩阵,
考虑基站天线总数M=Pτ+q(q<τ),其中P、q均为整数,则基本的导频矩阵φZC表示为:
φZC=[φ0,φ1,…,φP-1,[φP]q],
其中,φp=[Π0cp,Π2cp,…,Πτcp],p=0,1,…,P,[·]q表示取矩阵的前q列,而c0,c1,…,cP是根分别为γ0,γ1,…,γP的Zadoff-Chu序列,不同根之间互质,并且循环移位矩阵Πn为:
其中,n=0,1,…,τ-1;
S233:依据伯努利矢量对角化矩阵对导频矩阵φZC进行扩展得到非正交导频矩阵A,
A=φZCdiag(ξ),
所述步骤S2中的估计信道矢量的步骤具体为:依据过完备字典采样后信道增益函数的块稀疏性,使用基于块稀疏性的压缩感知恢复算法M-BBCoSaMP进行估计,所述字典是利用调制后的DPSS生成的过完备矩阵,即多频带调制DPSS矩阵;
所述的步骤S2中的压缩感知信道估计公式为:
y=AΨhA+n
其中,为用户接收到的导频信号,为导频矩阵,M是基站天线总数,为基站第m根天线发送的长度为τ的导频序列,其中m=1,…,M,为多频带调制DPSS矩阵,为稀疏基Ψ下的块稀疏矢量,是独立同分布的高斯白噪声矢量且每一元素服从分布;τ表示导频信号的长度,k表示字典中DPSS子块的列数,J表示字典中DPSS子块的块数,其中,M<kJ;
所述多频带调制DPSS矩阵表示为:
Ψ=[Ψ0 Ψ1 … ΨJ-1],
所述的基于块稀疏性的压缩感知恢复算法M-BBCoSaMP,具体包括:
S271:依据测量数据的特征和信噪比设计出DPSS参数;
S272:根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性,找出多频带调制DPSS矩阵中最能够准确近似表示信道矢量的子块索引;
S273:利用正交投影和最小二乘法完成信道估计;
DPSS参数k的公式为:
其中,γ0和γ1为信噪比阈值,数值大小依据具体环境设置,SNR是信噪比,c0和β0为根据信噪比SNR设置DPSS参数的线性系数,它们依据Q和导频信号y设置;
所述步骤S272中的子块索引的检索公式为:
其中,表示Ψ中最适合近似表示h的K个子块索引集,h=ΨhA,为多频带调制DPSS矩阵,为稀疏基Ψ下的块稀疏矢量,M是基站天线总数,k表示字典中DPSS子块的列数,J表示字典中DPSS子块的块数,是由索引集合给出的矩阵Ψ相应列构成的子矩阵,表示由张成空间的范围;表示在K维块稀疏信号集上的最准确矢量近似值,并且xl=AHrl表示导频矩阵所有列对残差矢量的贡献度,表示第l次迭代得到的残差矢量;
所述步骤S273中最小二乘法的目标函数为:
其中,h是利用选中的DPSS子块和最小二乘法得出的估计值,y为用户接收到的导频信号,A表示导频矩阵,z是在线性空间中的矢量,表示第l次迭代最终选中的子块索引集,是由索引集合给出的矩阵Ψ相应列构成的子矩阵,表示张成空间的范围;
利用正交投影计算本轮迭代的最终估计值:
并求出残差矢量:
rl+1=y-Ahl+1
迭代次数l=l+1;判断是否满足迭代条件:||rl+1||2/||y||2≥δ,如果是则回到步骤S272,否则输出信道矢量估计值h=hl。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811240965.2A CN109257309B (zh) | 2018-10-24 | 2018-10-24 | 一种高性能的大规模mimo下行链路传输信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811240965.2A CN109257309B (zh) | 2018-10-24 | 2018-10-24 | 一种高性能的大规模mimo下行链路传输信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109257309A CN109257309A (zh) | 2019-01-22 |
CN109257309B true CN109257309B (zh) | 2021-01-12 |
Family
ID=65045695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811240965.2A Active CN109257309B (zh) | 2018-10-24 | 2018-10-24 | 一种高性能的大规模mimo下行链路传输信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109257309B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11863267B2 (en) * | 2021-04-29 | 2024-01-02 | Industry Academy Cooperation Foundation Of Sejong University | Multi-antenna channel estimation apparatus and method for beamforming |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110061766A (zh) * | 2019-04-18 | 2019-07-26 | 长春通视光电技术有限公司 | 基于鲁棒迭代再加权抑制噪声的信道估计方法 |
CN110429964B (zh) * | 2019-06-14 | 2020-12-29 | 清华大学 | 一种基于二维相控天线阵列的快速精确波束跟踪方法 |
CN111162822B (zh) * | 2019-12-05 | 2021-01-26 | 东南大学 | 大规模mimo波束域统计信道信息获取方法与系统 |
CN111224765B (zh) * | 2020-01-08 | 2021-07-20 | 中国科学院计算技术研究所 | 一种导频序列生成方法及相应的信号发射接收方法和装置 |
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 |
CN112953861B (zh) * | 2021-02-04 | 2023-03-14 | 南京邮电大学 | 基于矩阵恢复的大规模mimo信道估计方法 |
CN112910807B (zh) * | 2021-02-04 | 2022-03-29 | 华中科技大学 | 一种基于空间随机采样的智能超表面信道估计方法及系统 |
CN113179231B (zh) * | 2021-04-15 | 2022-08-16 | 内蒙古大学 | 一种毫米波大规模mimo系统中波束空间信道估计方法 |
CN112953864B (zh) * | 2021-04-15 | 2022-10-14 | 东南大学 | 一种保护隐私的无蜂窝混合大规模mimo系统信道估计方法 |
CN114401171B (zh) * | 2022-01-07 | 2023-07-14 | 南京邮电大学 | 一种基于互质阵列的非对称大规模mimo信道估计方法 |
CN115361258B (zh) * | 2022-07-14 | 2023-06-16 | 鹏城实验室 | 一种大规模mimo稀疏信道估计方法及相关设备 |
CN116015372B (zh) * | 2022-12-29 | 2023-09-12 | 国家工业信息安全发展研究中心 | 大规模mimo数字信息传输方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944702A (zh) * | 2014-04-09 | 2014-07-23 | 清华大学 | 一种多载波Large-Scale MIMO系统的重叠导频方法 |
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 |
CN106452534A (zh) * | 2016-11-23 | 2017-02-22 | 南京邮电大学 | 基于结构化压缩感知的大规模mimo信道估计的导频优化方法 |
CN106656874A (zh) * | 2017-01-10 | 2017-05-10 | 河海大学 | 一种基于压缩感知的移动ofdm系统信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8582674B2 (en) * | 2009-11-24 | 2013-11-12 | Qualcomm Incorporated | Apparatus and method for channel estimation using compressive sensing based on Taylor series expansion |
-
2018
- 2018-10-24 CN CN201811240965.2A patent/CN109257309B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944702A (zh) * | 2014-04-09 | 2014-07-23 | 清华大学 | 一种多载波Large-Scale MIMO系统的重叠导频方法 |
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 |
CN106452534A (zh) * | 2016-11-23 | 2017-02-22 | 南京邮电大学 | 基于结构化压缩感知的大规模mimo信道估计的导频优化方法 |
CN106656874A (zh) * | 2017-01-10 | 2017-05-10 | 河海大学 | 一种基于压缩感知的移动ofdm系统信道估计方法 |
Non-Patent Citations (1)
Title |
---|
基于压缩感知重构算法的MIMO-OFDM稀疏信道估计方法研究;叶新荣;《中国博士学位论文全文数据库 信息科技辑》;20150515;正文第4章 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11863267B2 (en) * | 2021-04-29 | 2024-01-02 | Industry Academy Cooperation Foundation Of Sejong University | Multi-antenna channel estimation apparatus and method for beamforming |
Also Published As
Publication number | Publication date |
---|---|
CN109257309A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109257309B (zh) | 一种高性能的大规模mimo下行链路传输信道估计方法 | |
CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
CN108964726B (zh) | 一种低复杂度的大规模mimo上行链路传输信道估计方法 | |
WO2020034394A1 (zh) | 基于压缩感知的大规模mimo信道反馈重构算法 | |
CN107566305B (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
Huang et al. | Beam-blocked channel estimation for FDD massive MIMO with compressed feedback | |
CN105791186B (zh) | 一种大规模mimo系统中的稀疏低秩信道联合估计方法 | |
Ma et al. | Beamspace channel estimation for millimeter wave massive MIMO system with hybrid precoding and combining | |
CN106487725A (zh) | 一种多用户mimo系统毫米波信道估计方法 | |
Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
CN105846879A (zh) | 一种在毫米波预编码系统中的迭代波束成形方法 | |
Xiao et al. | Channel estimation for movable antenna communication systems: A framework based on compressed sensing | |
WO2010003095A1 (en) | System and method for quantization of channel state information | |
CN111654456B (zh) | 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 | |
CN116248156A (zh) | 基于深度学习的大规模mimo信道状态信息反馈及重建方法 | |
CN105959046A (zh) | 一种波束赋形方法、信号发射设备以及信号接收设备 | |
Zamanipour | A survey on deep-learning based techniques for modeling and estimation of massivemimo channels | |
CN113595944A (zh) | 一种用于毫米波mimo混合预编码系统的信道估计方法 | |
CN114567525A (zh) | 一种信道估计方法及装置 | |
CN106130938B (zh) | Tdd大规模mimo系统多用户联合信道估计方法 | |
CN109951216B (zh) | 一种基于码本辅助的大规模mimo doa估计方法 | |
Palacios et al. | Multidimensional orthogonal matching pursuit: theory and application to high accuracy joint localization and communication at mmWave | |
Shao et al. | A Bayesian tensor approach to enable RIS for 6G massive unsourced random access | |
CN114143896A (zh) | 一种大规模mimo跨频协作鲁棒传输方法 |
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 |