CN109818887B - 基于evd-ilsp的半盲信道估计方法 - Google Patents

基于evd-ilsp的半盲信道估计方法 Download PDF

Info

Publication number
CN109818887B
CN109818887B CN201910173040.9A CN201910173040A CN109818887B CN 109818887 B CN109818887 B CN 109818887B CN 201910173040 A CN201910173040 A CN 201910173040A CN 109818887 B CN109818887 B CN 109818887B
Authority
CN
China
Prior art keywords
matrix
channel estimation
cell
ambiguity
signal
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
CN201910173040.9A
Other languages
English (en)
Other versions
CN109818887A (zh
Inventor
刘毅
肖玲玲
秦凡
崔頔
南海涵
张海林
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201910173040.9A priority Critical patent/CN109818887B/zh
Publication of CN109818887A publication Critical patent/CN109818887A/zh
Application granted granted Critical
Publication of CN109818887B publication Critical patent/CN109818887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于EVD‑ILSP的半盲信道估计方法，主要解决传统半盲信道估计方法使用有限数量的样本数据对信道估计造成误差的问题。其实现方案是，1)目标小区基站接收数据信号和导频信号，并求解数据信号的协方差矩阵；2)采用EVD算法对协方差矩阵进行特征值分解，计算带有模糊度的信道估计值；3)利用目标小区基站接收各用户的导频信号求解模糊度因子估计值，得到目标小区的初始信道估计值；4)根据2)和3)的结果，用ILSP算法得到最终的信道估计值。本发明提高了系统的频带利用效率，减小了因有限样本接收数据信号带来的信道估计误差，可用于在多小区多用户大规模MIMO系统中进行基站信号与用户之间的信道估计。

Description

基于EVD-ILSP的半盲信道估计方法
技术领域
本发明属于无线通信技术领域，特别涉及一种半盲信道估计方法，可用于在多小区多用户大规模MIMO系统中进行基站信号与用户之间的信道估计。
背景技术
随着现代社会移动数据量和接入设备数的激增以及物联网IoT、电子银行、电子商务等新业务出现，人们对于通信的需求越来越大，要求也越来越高。传输速度更高、容量更大、时延更小、能耗更低、安全性更高的通信技术成为当前通信研究领域的关注热点。大规模MIMO具有高频谱利用率、低功耗、少延迟等优势，因此成为下一代移动通信的核心技术之一。
在多小区多用户大规模MIMO系统中各小区用户之间导频复用导致的导频污染问题是该系统的瓶颈问题，有效的信道估计方法可以有效的抑制导频污染。信道估计方法可以分为基于导频或训练序列的信道估计方法、半盲估计方法和盲信道估计方法。前者由于需要将大量的导频信号加入到传输信号中，占用了频带资源，引起冗余，降低了数据传输速率。因此对盲信道估计和半盲信道估计方法的研究成为了对大规模MIMO系统研究的热点问题。盲信道估计方法是利用信道的输入、输出信号的统计信息在无需导频或训练数据的情况下估计信道参数。虽然该方法的频谱利用率高，但是计算复杂度也较高，算法收敛速度慢，且估计精度与传输信号的统计特性有关。所以半盲信道估计方法作为一种折中的方法，利用少量的短导频信号，以及输入、输出信号的统计信息优化跟踪信道参数。比如基于子空间的半盲信道估计方法，通过接收数据信号的二阶统计特性，通过特定的算法进行分解得到初步信道估计矩阵，再利用少量接收导频信号解决初步估计值的模糊问题得到最终的信道估计值。也有的半盲信道估计方法是对接收数据信号子空间进行分区信道估计，或者通过子空间投影法进行信道估计，获取信道状态信息。
2007年，B.Muquet提出了基于EVD算法的半盲信道估计方法，但是在实际的大规模MIMO系统中，由于空间上的基站天线数目受限造成系统信道不完全正交，以及使用有限的样本接收数据代替真实信道数据，使得该方法对多小区多用户大规模MIMO系统的信道估计存在较大误差。
发明内容
本发明的目的在于针对上述新技术的不足，提供一种在多小区多用户大规模MIMO系统中基于EVD-ILSP的半盲信道估计方法，以减小估计误差，提高信道估计精度。
为实现上述目的，本发明的实现方案包括如下：
(1)在第j小区的接收端接收第j小区信号和临近小区干扰的数据信号
Figure BDA0001988699880000021
和导频信号
Figure BDA0001988699880000022
1≤j≤L，其中，L为小区总数；
(2)设定接收数据符号的长度为N，计算接收数据符号
Figure BDA0001988699880000023
的协方差矩阵
Figure BDA0001988699880000024
其中，N为任意非零正整数；
(3)对协方差矩阵
Figure BDA0001988699880000025
进行特征值分解,求出左特征值向量矩阵Uj、特征值矩阵∑j和右特征值向量矩阵Vj，取特征值矩阵∑j的所有特征值中最大的前K个特征值在左特征值向量矩阵Uj中所对应的K列，组成特征向量矩阵
Figure BDA0001988699880000026
其中K为小区内用户数；
(4)根据通信理论，将初始信道估计值表示为
Figure BDA0001988699880000027
其中，C为表示信道估计模糊度的模糊度矩阵，然后利用接收到的导频符号
Figure BDA0001988699880000028
计算模糊度矩阵C的估计值
Figure BDA0001988699880000029
(5)用模糊度矩阵的估计值
Figure BDA00019886998800000210
代替(4)中的C，计算出初始信道估计值
Figure BDA00019886998800000211
(6)将初始信道估计值
Figure BDA00019886998800000212
作为ILSP算法的迭代初始值，设定两次相邻迭代结果之间的误差的阈值为s，其中，0≤s≤1，将两次相邻迭代结果的误差小于s时的后一次迭代结果，作为最终信道估计值
Figure BDA00019886998800000213
本发明与现有技术相比具有以下优点：
1)本发明是在多小区多用户大规模MIMO系统中采用基于EVD半盲信道估计方法，所用导频或训练序列较少并且比较短，提高了系统的频带利用效率。
2)本发明采用了将EVD分解算法与ILSP迭代算法相结合的方法，与现有的基于子空间的半盲信道估计算法相比，避免了因有限样本接收数据信号带来的信道估计误差的问题，具有更高的准确度。
3)本发明在传统半盲信道估计算法中引进了迭代思想，提升了估计的精度。
附图说明
图1为本发明的实现流程图；
图2为本发明中使用的多小区多用户大规模MIMO系统模型图；
图3为本发明中使用的时分双工TDD模式下数据传输示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图2，本发明中使用的多小区多用户大规模MIMO系统，包括：L个小区，L≥2，每个小区内包含一个基站和K个用户，K≥1，每个基站配置M根天线，M＞＞K，每个用户均使用单天线接收和发送信号。第j小区的基站在接收来自本小区K个用户的发射信号外，还会接收到来自相邻小区的各个用户发射的干扰信号，造成导频污染。
参照图3，本发明中使用的时分双工TDD模式，在数据传输过程中，同一频段内的不同时隙上分别发射上行链路导频信号、处理信号、下行链路数据信号以及上行链路数据信号。
参照图1，本发明提出的基于EVD-ILSP的半盲信道估计方法，主要对小区基站接收的数据信号以及导频信号进行相关处理得到信道矩阵，其详细步骤如下：
步骤1，在第j小区的接收端接收第j小区信号和临近小区干扰的数据信号
Figure BDA0001988699880000031
和导频信号
Figure BDA0001988699880000032
接收到的数据信号表示为：
Figure BDA0001988699880000033
其中，pu为信号传输的功率，Gjl为l小区各用户到j小区基站的信道矩阵,l＝1,2,…,L，L表示小区总数，Xj表示第j小区接收到的数据符号信息，
Figure BDA0001988699880000034
表示第j小区接收到的数据符号噪声。
接收到的导频信号表示为：
Figure BDA0001988699880000035
其中，pu为信号传输的功率，Np为导频符号的长度，Gjl为l小区各用户到j小区基站的信道矩阵,l＝1,2,…,L，L表示小区总数，
Figure BDA0001988699880000036
表示第j小区接收到的导频符号信息，
Figure BDA0001988699880000037
是第j小区接收到的导频符号噪声。
步骤2，计算接收数据符号
Figure BDA0001988699880000038
的协方差矩阵
Figure BDA0001988699880000039
设定接收数据符号的长度为N，根据下式计算接收数据符号
Figure BDA00019886998800000310
的协方差矩阵
Figure BDA00019886998800000311
Figure BDA00019886998800000312
其中，N为任意非零正整数，[·]H表示矩阵的共轭转置。
步骤3，对协方差矩阵
Figure BDA00019886998800000313
进行特征值分解,求出特征向量矩阵
Figure BDA00019886998800000314
现有对
Figure BDA0001988699880000041
进行特征值分解的算法有SVD算法和EVD算法，本实例采用但不限于EVD算法，其实现如下：
(3a)设第j小区的信道矩阵为Gjj，将协方差矩阵
Figure BDA0001988699880000042
右乘Gjj，得到
Figure BDA0001988699880000043
的特征值方程：
Figure BDA0001988699880000044
其中，M是小区基站的天线数，pu为信号传输的功率，IK为K阶单位矩阵，K表示小区内用户数。
(3b)求解该特征值方程在数字域上的全部根：λ0＝[λ1,λ2,…,λn]，λ0中的元素即为
Figure BDA0001988699880000045
的所有特征值，再利用λ0构成特征值矩阵∑j：
Figure BDA0001988699880000046
其中，n为
Figure BDA0001988699880000047
的秩；
(3c)将所有的特征值逐个带入如下方程：
Figure BDA0001988699880000048
(3d)从(3c)的方程中解出矩阵
Figure BDA0001988699880000049
所有线性无关的特征向量[ξ1ξ2…ξn]，将这些特征向量构成左特征值向量矩阵Uj，再对Uj求逆后得到右特征值向量矩阵Vj；
(3e)取特征值矩阵∑j的所有特征值中最大的前K个特征值在左特征值向量矩阵Uj中所对应的K列，K表示小区内用户数，组成特征向量矩阵
Figure BDA00019886998800000410
步骤4，计算模糊度矩阵C的估计值
Figure BDA00019886998800000411
(4a)根据通信理论，将初始信道估计值表示为
Figure BDA00019886998800000412
其中，C为表示信道估计模糊度的模糊度矩阵；
(4b)根据下式计算模糊度系数计算矩阵An：
Figure BDA00019886998800000413
其中，Dj为第j小区的大尺度衰落因子，
Figure BDA00019886998800000414
为导频符号的对角线上的所有符号组成的对角矩阵，pu为信号传输的功率；
(4c)根据下式计算模糊度复数矩阵
Figure BDA0001988699880000051
(4c1)根据下式计算An的分解矩阵
Figure BDA0001988699880000052
Figure BDA0001988699880000053
其中，(·)I表示取矩阵中元素的虚部，(·)R表示取矩阵中元素的实部。
(4c2)根据下式计算模糊度矩阵
Figure BDA0001988699880000054
Figure BDA0001988699880000055
其中，yj(n)为接收导频符号
Figure BDA0001988699880000056
的第n列，(·)T表示矩阵的转置，
Figure BDA0001988699880000057
表示将矩阵内的元素用虚数表示；
(4d)根据下式计算模糊度对角矩阵
Figure BDA0001988699880000058
Figure BDA0001988699880000059
其中，K为小区内用户数，IK为K阶单位矩阵，i为虚数单位；
(4e)根据下式计算模糊度矩阵的估计值
Figure BDA00019886998800000510
Figure BDA00019886998800000511
其中，diag(·)为构造一个只含括号内矩阵的对角线元素的对角矩阵，||·||F表示矩阵的F范数。
步骤5，计算最终信道估计值
Figure BDA00019886998800000512
(5a)用模糊度矩阵的估计值
Figure BDA00019886998800000513
代替步骤4中的C，计算出初始信道估计值
Figure BDA00019886998800000514
(5b)根据初始信道估计值
Figure BDA00019886998800000515
利用ILSP算法计算最终信道估计值
Figure BDA00019886998800000516
(5b1)设定两次相邻迭代结果之间的误差阈值s的值；
(5b2)设发射端发射符号为Xj，根据下式，利用初始信道估计值
Figure BDA00019886998800000517
进行信号检测得到
信号检测值
Figure BDA00019886998800000518
Figure BDA00019886998800000519
其中，Sj为
Figure BDA0001988699880000061
的可能取值集合，Sj∈χ，χ为
Figure BDA0001988699880000062
计算后的所有可能结果的集合，[·]H表示矩阵的共轭转置；
(5b3)将信号检测值
Figure BDA0001988699880000063
作为接收到的数据信号，根据下式用最小二乘法进行信道估计，得到基于EVD-ILSP算法的信道估计值
Figure BDA0001988699880000064
Figure BDA0001988699880000065
(5b4)用
Figure BDA0001988699880000066
替代
Figure BDA0001988699880000067
执行(5b2)和(5b3)，得到第m次循环迭代后的信道估计值
Figure BDA0001988699880000068
Figure BDA0001988699880000069
(5b5)判断第m次得到的信道估计值
Figure BDA00019886998800000610
与第m-1次信道估计值
Figure BDA00019886998800000611
之间的误差是否小于设定的阈值s，如果是，则迭代结束，
Figure BDA00019886998800000612
即为最终的信道估计值
Figure BDA00019886998800000613
否则返回(5b4)。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本分明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于特征值分解-最小二乘投影算法EVD-ILSP的半盲信道估计方法，其特征在于，包括如下：
(1)在第j小区的接收端接收第j小区信号和临近小区干扰的数据信号
Figure FDA0003148485440000011
和导频信号
Figure FDA0003148485440000012
1≤j≤L,其中L为小区总数；
(2)设定接收数据信号的长度为N，计算接收数据信号
Figure FDA0003148485440000013
的协方差矩阵
Figure FDA0003148485440000014
其中，N为任意非零正整数；
(3)对协方差矩阵
Figure FDA0003148485440000015
进行特征值分解,求出左特征值向量矩阵Uj、特征值矩阵∑j和右特征值向量矩阵Vj，取特征值矩阵∑j的所有特征值中最大的前K个特征值在左特征值向量矩阵Uj中所对应的K列，组成特征向量矩阵
Figure FDA0003148485440000016
其中K为小区内用户数；所述对协方差矩阵
Figure FDA0003148485440000017
进行特征值分解，按如下步骤进行：
(3a)设第j小区的信道矩阵为Gjj，将协方差矩阵
Figure FDA0003148485440000018
右乘Gjj，得到
Figure FDA0003148485440000019
的特征值方程：
Figure FDA00031484854400000110
其中，M是小区基站的天线数，pu为信号传输的功率，IK为K阶单位矩阵，K表示小区内用户数；Dj为第j小区的大尺度衰落因子；
(3b)求解该特征值方程在数字域上的全部根：λ0＝[λ1,λ2,…,λn]，λ0中的元素即为
Figure FDA00031484854400000111
的所有特征值，再利用λ0构成特征值矩阵∑j：
Figure FDA00031484854400000112
其中，n为
Figure FDA00031484854400000113
的秩；
(3c)将所有的特征值逐个带入如下方程：
Figure FDA00031484854400000114
(3d)解出矩阵
Figure FDA00031484854400000115
的全部线性无关的特征向量[ξ1 ξ2 … ξn]，将这些特征向量构成左特征值向量矩阵Uj，再对Uj求逆后得到右特征值向量矩阵Vj；I表示单位矩阵；
(4)根据通信理论，将初始信道估计值表示为
Figure FDA0003148485440000021
其中，C为表示信道估计模糊度的模糊度矩阵，然后利用接收到的导频信号
Figure FDA0003148485440000022
计算模糊度矩阵C的估计值
Figure FDA0003148485440000023
(5)用模糊度矩阵的估计值
Figure FDA0003148485440000024
代替(4)中的C，计算出初始信道估计值
Figure FDA0003148485440000025
(6)将初始信道估计值
Figure FDA0003148485440000026
作为最小二乘投影算法ILSP算法的迭代初始值，设定两次相邻迭代结果之间的误差的阈值为s，其中，0≤s≤1，将两次相邻迭代结果的误差小于s时的后一次迭代结果，作为最终信道估计值
Figure FDA0003148485440000027
2.根据权利要求1所述的方法，其中(1)中的数据信号
Figure FDA0003148485440000028
表示如下：
Figure FDA0003148485440000029
其中，pu为信号传输的功率，Gjl为l小区各用户到j小区基站的信道矩阵,l＝1,2,…,L，L表示小区总数，Xj表示第j小区接收到的数据信号信息，
Figure FDA00031484854400000210
表示第j小区接收到的数据信号噪声。
3.根据权利要求1所述的方法，其中(1)中的导频信号
Figure FDA00031484854400000211
表示如下：
Figure FDA00031484854400000212
其中，pu为信号传输的功率，Np为导频信号的长度，Gjl为l小区各用户到j小区基站的信道矩阵,l＝1,2,…,L，L表示小区总数，
Figure FDA00031484854400000213
表示第j小区接收到的导频信号信息，
Figure FDA00031484854400000214
是第j小区接收到的导频信号噪声。
4.根据权利要求1所述的方法，其中(2)中计算接收数据信号
Figure FDA00031484854400000215
的协方差矩阵
Figure FDA00031484854400000216
通过如下公式计算：
Figure FDA00031484854400000217
其中，[·]H表示矩阵的共轭转置。
5.根据权利要求1所述的方法，其中(4)中计算模糊度矩阵C的估计值
Figure FDA0003148485440000031
按如下步骤进行：
(4a)根据下式计算模糊度系数计算矩阵An：
Figure FDA0003148485440000032
其中，Dj为第j小区的大尺度衰落因子，
Figure FDA0003148485440000033
为导频信号的对角线上的所有符号组成的对角矩阵，
Figure FDA0003148485440000034
表示导频矩阵的第n列，pu为信号传输的功率；
(4b)计算模糊度复数矩阵
Figure FDA0003148485440000035
(4b1)根据下式计算An的分解矩阵
Figure FDA0003148485440000036
Figure FDA0003148485440000037
其中，(·)I表示取矩阵中元素的虚部，(·)R表示取矩阵中元素的实部；
(4b2)根据下式计算模糊度复数矩阵
Figure FDA0003148485440000038
Figure FDA0003148485440000039
其中，yj(n)为接收导频信号
Figure FDA00031484854400000310
的第n列，(·)T表示矩阵的转置，
Figure FDA00031484854400000311
表示将矩阵内的元素用虚数表示；v表示导频序列的长度；
(4c)根据下式计算模糊度对角矩阵
Figure FDA00031484854400000312
Figure FDA00031484854400000313
其中，K为小区内用户数，IK为K阶单位矩阵，i为虚数单位；
(4d)根据下式计算模糊度矩阵的估计值
Figure FDA00031484854400000314
Figure FDA00031484854400000315
其中，diag(·)为构造一个只含括号内矩阵的对角线元素的对角矩阵，
Figure FDA00031484854400000316
表示第j小区接收到的导频信号信息；∧表示K×K对角矩阵的集合。
6.根据权利要求1所述的方法，其中(6)中根据初始信道估计值
Figure FDA0003148485440000041
计算最终信道估计值
Figure FDA0003148485440000042
按如下步骤进行：
(6a)设发射端发射符号为Xj，根据下式，利用初始信道估计值
Figure FDA0003148485440000043
进行信号检测得到信号检测值
Figure FDA0003148485440000044
Figure FDA0003148485440000045
其中，Sj为
Figure FDA0003148485440000046
的可能取值集合，Sj∈χ，χ为
Figure FDA0003148485440000047
计算后的所有可能结果的集合，[·]H表示矩阵的共轭转置；
(6b)将信号检测值
Figure FDA0003148485440000048
作为接收到的数据信号，根据下式用最小二乘法进行信道估计，得到基于EVD-ILSP算法的信道估计值
Figure FDA0003148485440000049
Figure FDA00031484854400000410
其中，pu为信号传输的功率；
(6c)用
Figure FDA00031484854400000411
替代
Figure FDA00031484854400000412
执行(6a)和(6b)，得到第m次循环迭代后的信道估计值
Figure FDA00031484854400000413
m≥2；
(6d)判断第m次得到的信道估计值
Figure FDA00031484854400000414
与第m-1次信道估计值
Figure FDA00031484854400000415
之间的误差是否小于设定的阈值s，如果是，则迭代结束，
Figure FDA00031484854400000416
即为最终的信道估计值
Figure FDA00031484854400000417
否则返回(6c)。
CN201910173040.9A 2019-03-07 2019-03-07 基于evd-ilsp的半盲信道估计方法 Active CN109818887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910173040.9A CN109818887B (zh) 2019-03-07 2019-03-07 基于evd-ilsp的半盲信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910173040.9A CN109818887B (zh) 2019-03-07 2019-03-07 基于evd-ilsp的半盲信道估计方法

Publications (2)

Publication Number Publication Date
CN109818887A CN109818887A (zh) 2019-05-28
CN109818887B true CN109818887B (zh) 2021-09-28

Family

ID=66608427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910173040.9A Active CN109818887B (zh) 2019-03-07 2019-03-07 基于evd-ilsp的半盲信道估计方法

Country Status (1)

Country Link
CN (1) CN109818887B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111082902B (zh) * 2019-11-12 2022-05-17 杭州电子科技大学 基于大数据统计特性的大规模天线系统的信号检测方法
CN111262802B (zh) * 2020-01-14 2021-06-25 西安电子科技大学 非合作通信下基于信源特性的盲信道估计模糊度消除方法
WO2024007299A1 (en) * 2022-07-08 2024-01-11 Huawei Technologies Co., Ltd. A signal processing device and method for a non-stationary dynamic environment

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1767514A (zh) * 2005-11-07 2006-05-03 中国人民解放军理工大学 一种基于叠加导频的联合半盲信道估计和数据检测方法及其装置
CN106453166A (zh) * 2016-12-08 2017-02-22 桂林电子科技大学 一种大规模mimo信道估计方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374854B2 (en) * 2008-03-28 2013-02-12 Southern Methodist University Spatio-temporal speech enhancement technique based on generalized eigenvalue decomposition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1767514A (zh) * 2005-11-07 2006-05-03 中国人民解放军理工大学 一种基于叠加导频的联合半盲信道估计和数据检测方法及其装置
CN106453166A (zh) * 2016-12-08 2017-02-22 桂林电子科技大学 一种大规模mimo信道估计方法和系统

Also Published As

Publication number Publication date
CN109818887A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109818887B (zh) 基于evd-ilsp的半盲信道估计方法
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
CN112436872B (zh) 一种多用户大规模mimo信道估计方法与装置
CN107332599B (zh) 一种基于功率和码字联合域的上行非正交多址接入方法
CN105071843B (zh) 大规模mimo系统低复杂度多项式展开矩阵求逆方法及应用
CN110505643B (zh) 基于模拟退火算法的大规模mimo系统上行能效优化方法
CN108833060B (zh) 一种基于ep-nsa算法的大规模mimo系统检测方法
CN114285444B (zh) 一种去蜂窝大规模mimo系统的功率优化方法
CN107276933B (zh) 用于上行多用户mimo系统中基于二阶统计量的信道估计方法
CN113114313A (zh) 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质
Gao et al. Energy efficiency of massive random access in MIMO quasi-static Rayleigh fading channels with finite blocklength
CN114567358B (zh) 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
Hu et al. Pilot decontamination in multi-cell massive MIMO systems via combining semi-blind channel estimation with pilot assignment
CN112769462B (zh) 一种基于联合参数学习的毫米波mimo宽带信道估计方法
CN108600125B (zh) 一种基于迭代的信道估计方法
CN106878225B (zh) 一种设备指纹与信道分离的方法及装置
CN106911367B (zh) 基于迭代干扰消除的多小区大规模mimo信道估计方法和装置
CN110912588B (zh) 一种基于改进Prony方法的下行时变信道预测方法
CN109495147B (zh) 大规模mimo系统中基于空间复用的叠加导频方法
Hawej et al. Pilot decontamination in massive multiuser MIMO systems based on low‐rank matrix approximation
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Man et al. Massive MIMO pre-coding algorithm based on improved Newton iteration
CN115201759A (zh) 一种基于奇异值分解的雷达嵌入式通信波形设计方法
CN108063656A (zh) 一种适用于大规模mimo蜂窝网络的新型导频分配方法
Chawla et al. Sparse Bayesian learning assisted decision fusion in millimeter wave massive MIMO sensor networks

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