CN110636635B - 一种在大规模mimo蜂窝网中海量设备接入的通信方法 - Google Patents

一种在大规模mimo蜂窝网中海量设备接入的通信方法 Download PDF

Info

Publication number
CN110636635B
CN110636635B CN201911098694.6A CN201911098694A CN110636635B CN 110636635 B CN110636635 B CN 110636635B CN 201911098694 A CN201911098694 A CN 201911098694A CN 110636635 B CN110636635 B CN 110636635B
Authority
CN
China
Prior art keywords
mtd
communication
htd
base station
factor graph
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
CN201911098694.6A
Other languages
English (en)
Other versions
CN110636635A (zh
Inventor
袁晓军
蒯小燕
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911098694.6A priority Critical patent/CN110636635B/zh
Publication of CN110636635A publication Critical patent/CN110636635A/zh
Application granted granted Critical
Publication of CN110636635B publication Critical patent/CN110636635B/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
    • H04B7/0413—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0808—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明属于信息与通信技术领域，具体涉及一种在大规模MIMO蜂窝网中海量设备接入的通信方法。本发明提供了在大规模MIMO蜂窝网中海量设备接入的通信方法，其特征在于，人际型通信(HTC)与大规模机器类通信(mMTC)共存的场景下，具有低传输时延，且信号检测方法具有可扩展性。其中，大规模机器类通信比人际型通信具有更低的数据率，采用短包传输，并基于非时隙免调度的方式接入，降低了传输时延；接收端通过大规模MIMO的空间复用能力，探究信道和信号的稀疏性，无需发送导频序列来估计信道，基于因子图设计，利用近似消息传递方法同时识别活跃机器类设备、估计信道以及检测信号，随着海量设备接入，该检测方法无需指数增长的资源开销，因此具有可扩展性。

Description

一种在大规模MIMO蜂窝网中海量设备接入的通信方法
技术领域
本发明属于信息与通信技术领域，具体涉及一种在大规模MIMO蜂窝网中海量设备接入的通信方法。
背景技术
大规模机器类通信(massive machine type communication，mMTC)是5G的重要应用场景之一，主要面向以传感器和数据采集为目标的应用场景。通常大规模部署的物联网(internernet of thing，IoT)以少量数据和低速率为主，无线传输技术能够将遍布IoT的传感器全部连接起来，而IoT对无线传输技术的需求主要体现在距离范围、数据速率、带宽、安全和成本等方面，其对能耗方面的要求也非常严格。传统用于人际型通信(human-typecommunication，HTC)的蜂窝网具有无处不在的覆盖范围，非常适合用于大规模机器类通信(machine-type communication，MTC)的海量连接。
从技术层面看，大规模MIMO适合用于蜂窝通信中。由于其潜在的空间复用能力，大规模MIMO具有潜力，实现HTC与MTC共存。然而信道状态信息的获取是大规模MIMO通信的巨大挑战。研究表明，通过利用大规模天线系统信道本身的特性，即在角度域上信道系数只有很少的非零值，信道在角度域(angular domain，AD)上呈现出稀疏结构。利用压缩感知(compressed sensing，CS)方法，结合大规模天线系统中信道本身的稀疏结构进行信道估计，可以降低系统所需的导频序列数。
考虑大规模MIMO蜂窝网中，HTC与MTC共存的上行通信传输技术。机器类通信引入将对传统蜂窝移动通信网产生重要的影响。传统的蜂窝移动通信主要是针对人际型通信。机器类的通信与传统人际型的通信有着巨大的差异，比如机器类通信具有低时延、低能耗、低移动性、长期空闲而突发传输等特征。与此同时，机器类通信的连接需求数量级比人际型通信大得多。由于它们通信特征的差异性，传统用于HTC或MTC的传输技术都不适用于二者共存的场景。
发明内容
本发明的目的是针对上述问题，从机器类设备(machine type device，MTD)与人际型设备(human-type device，HTD)的接入方式，以及接收机设计方法上，提出一种适合HTC与MTC共存的通信方法。
本发明提出的一种大规模MIMO蜂窝网中海量设备接入的通信方法，针对HTC与MTC共存的场景，其具有低传输时延，且信号检测方法具有可扩展性。为了达到上述目的，本发明的技术方案是提供一种基于非时隙免调度的大规模机器类设备接入方式，接收机能同时识别活跃MTD、估计活跃MTD到基站的信道、估计HTD到基站的信道，检测MTD发送的信号，以及检测HTD发送的信号，其特征在于，机器类通信是基于非时隙免调度的大规模接入，而人际型的通信是基于调度控制的传输，相比之下，机器类通信具有低数据率，它发送的信号具有短包结构。具体的通信方法包括以下步骤：
本发明的技术方案如下：
(1)HTD与MTD同时向基站发送信号，发送的信号中包括数据，参考符号与标签，其中每个设备有不同的标签。MTD是非时隙免调度接入的，可以在任意时隙发送信号，在同一时隙，只有少量的设备同时接入，可以减少传输时延。而HTD是基于调度接入的，同时向基站发送信号。
(2)基站接收到HTD与MTD发送的信号后，利用信道和信号的稀疏性，通过仿射稀疏矩阵分解(affine sparse matrix factorization,ASMF)得到关于HTD与MTD的信道
Figure BDA0002269162690000022
和信号
Figure BDA0002269162690000023
估计。由于精确的求解存在较高的复杂度，本发明采用一种基于Turbo消息传递(message passing，MP)的估计方法。首先，基于联合概率密度设计因子图，该因子图包括两部分，左边部分用于从接收信号中估计出信道和信号，右边部分是推测业务类型，也就是推测数据块是机器类设备发送的还是人际型设备发送的，然后设计因子图上的消息传递方法，通过左右两边的迭代消息传递，最终获得信道和信号的估计量。
(3)由于直接分解得到的信道
Figure BDA0002269162690000024
和信号
Figure BDA0002269162690000025
估计量存在相位与排序的模糊性，也就是
Figure BDA0002269162690000021
其中Π是排序矩阵，∑是相位模糊矩阵。然而基站根据接收到的参考符号可以确定相位模糊矩阵∑，并根据设备编号确定置换矩阵Π，从而在估计量中去除相位模糊及置换模糊，得到信道及信号的估计量。最后，接收机通过观察每个机器类设备的标签，可以识别出活跃的机器类设备。
本发明的有益效果分别体现在大规模机器类设备接入方式与接收机的可扩展性信号检测方法。在接入方式上，本发明采用非时隙免调度的接入方式，从而达到低传输时延的效果；在接收端，通过设计基于因子图的盲信号检测方法，不需要导频序列，能同时识别活跃设备，估计信道，检测信号，具有可扩展性；此外，通过仿真表明本发明的信号检测方法，误码率优于用作比较的算法，同时与理论最佳曲线的差距也非常小。
附图说明
图1是HTC与MTC共存的通信系统示意图，包括机器类设备和人际型设备向基站发送信号，其中机器类设备远多于人际型设备，但在同一时隙只有少量机器类设备同时激活；
图2是基于非时隙免调度接入的数据结构示意图，机器类设备可以在任意时隙发送数据，且具有低数据率，短包传输；
图3为因子图示意图，其中圆圈表示变量节点，黑色的方块表示校验节点，每个校验节点与它相关联的变量节点连接起来；
图4是不同方法的BER性能比较图，其中系统中基站天线数为128，机器类设备数为200，人际型设备数为5，每个设备配置单根天线，机器类设备的激活率为0.075，相干时间为50。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图做详细说明如下。
本发明主要解决蜂窝网中海量机器类设备接入的低时延传输与可扩展信号处理的问题。
首先，简要介绍HTC与MTC共存的大规模MIMO通信系统。如图1所示，假设系统中存在K个设备，每个设备配置单根天线，基站配置M根天线。根据通信业务类型，将这些设备划分成HTD与MTD，分别有Kh和Km个设备。通常，Km＞＞Kh。不同的业务类型，从数据结构上看，存在着差异，如图2所示，HTD发送的数据包是稠密的，而MTD是短包发送，可以在任意时隙接入，因此从整个数据块周期看，大部分时隙是处于空闲状态，没有发送信号，存在稀疏性。具体地，它们发送的数据包结构如下：
假设HTD发送的数据包用
Figure BDA0002269162690000032
表示，其中每个元素是随机独立地从星座映射表
Figure BDA0002269162690000031
中抽取得到，该数据包中包括1个参考符号xrcf、设备标签Th，p-1个符号以及信息符号T-Th，p个，其中Th，p表示人际型设备发送的导频长度，T表示人际型设备发送的数据包长度。对应地，MTD发送的数据包用
Figure BDA0002269162690000046
表示，
Figure BDA0002269162690000047
表示开始发送数据的时间间隔，
Figure BDA0002269162690000048
个连续的符号是发送的短包数据，其中Tm，p表示机器型设备发送的导频长度，
Figure BDA0002269162690000049
表示机器型设备发送的非零短包数据的长度，其中非零符号是由1个参考符号xrcf、设备标签Tm，p-1个符号以及
Figure BDA00022691626900000410
个信息符号构成。可以从图2中看出，
Figure BDA00022691626900000411
中包含大部分零值。
假设基站天线采用间隔为半波长的线性阵列，则从第k个设备到基站的多天线多径非选择性物理信道可以建模如下：
Figure BDA0002269162690000041
上式中，Lc，k和Lp，k分别表示第k个设备到基站的信道簇个数和每个信道簇中的路径数；
Figure BDA00022691626900000412
是第i个簇内第j条路径的幅度；
Figure BDA00022691626900000413
表示在基站端到角为θk(i，j)的导向量。基于广泛使用的虚拟表示法，上述信道可以重新表示如下：
Figure BDA0002269162690000042
上式中，
Figure BDA00022691626900000414
是信道在角度域内的表示系数，其中第q个元素表示为sk(q)，
Figure BDA0002269162690000043
基于上述讨论，基站端的接收信号Y可以写成：
Figure BDA0002269162690000044
上式中，
Figure BDA00022691626900000415
和
Figure BDA00022691626900000416
分别是从第kh个HTD和第km个MTD发送到基站的信号；
Figure BDA00022691626900000417
和
Figure BDA00022691626900000418
分别对应第kh个HTD和第km个MTD到基站的信道在角度域的系数；
Figure BDA00022691626900000419
是加性高斯白噪声；
Figure BDA00022691626900000420
表示第km个MTD的活跃状态，也就是
Figure BDA0002269162690000045
其中，
Figure BDA0002269162690000054
表示MTD是活跃的，反之亦然。
由于同时激活的MTD数量是非常少的，本发明将接收到的信号重新表示为如下形式：
Figure BDA00022691626900000511
其中S和X分别定义为
Figure BDA0002269162690000051
Figure BDA0002269162690000052
基站在接收到信号Y后，需要识别哪些MTD是活跃的，估计MTD的信道，估计HTD的信道，检测MTD和HTD发送的信号。为了实现这个目的，基站采用ASMF方法。同时从接收信号Y中得到估计量
Figure BDA0002269162690000055
和
Figure BDA0002269162690000059
由于精确的求解存在较高的复杂度，本发明采用一种基于Turbo消息传递(message passing，MP)的估计方法。具体步骤如下：
首先，基于联合概率密度设计因子图，联合概率密度为
Figure BDA0002269162690000053
上式中，Am，q是
Figure BDA00022691626900000512
中的第(m，q)个元素，W＝SX和
Figure BDA00022691626900000513
C表示信号矩阵的支撑集，b表示业务类别，即b＝1表示数据块是HTD发送的信号，反之b＝0表示数据块为MTD发送的信号。图3是因子图表示，其中变量节点包括{zm，t}，{wk，t}，{sq，k}，{xk，t}，{ck，t}，{bk}；校验节点包括{fq，t}，{gm，t}，{p(sq，k)}，{p(qm，t|zm，t)}，p(xk，t|ck，t)，p(ck，t|bk，Δk)，p(Δk)和p(bk)。该因子图包括两部分，左边部分用于从接收信号中估计出信道和信号，右边部分是推测业务类型，也就是推测数据块是机器类设备发送的还是人际型设备发送的。
然后，设计因子图上的消息传递方法，包括因子图左右两部分的消息传递方法。
a)左边因子图的消息传递：左边的推理问题是为了从接收信号Y中得到估计量
Figure BDA0002269162690000057
和
Figure BDA00022691626900000510
可以采用ASMF方法解决，具体细节可以参考“H.Liu,X.Yuan,and Y.-J.A.Zhang,“Super-resolution blind channel-and-signal estimation for massive MIMO witharbitrary array geometry,”arXiv preprint arXiv:1810.01059,2018”。
b)右边因子图的消息传递：右边的推理问题是为了判断数据包的业务类型，也就是HTD发送的还是MTD发送的。主要的消息传递过程为：
Figure BDA0002269162690000067
从变量节点xk，t到校验节点p(xk，t|ck，t)的消息传递：
Figure BDA0002269162690000061
其中
Figure BDA0002269162690000068
和
Figure BDA0002269162690000069
分别是变量xk，t从左边传递到右边的均值和方差。
Figure BDA00022691626900000610
从校验节点p(xk，t|ck，t)到变量节点ck，t的消息传递：
Figure BDA0002269162690000062
其中
Figure BDA0002269162690000063
Figure BDA00022691626900000611
从校验节点p(ck，t|bk)到变量节点ck，t的消息传递：
Figure BDA0002269162690000064
Figure BDA00022691626900000612
从校验节点p(xk，t|ck，t)到变量节点xk，t的消息传递：
Figure BDA0002269162690000065
其中
Figure BDA0002269162690000066
最后，通过左右两边的迭代消息传递，最终获得信道和信号的估计量。
注意到直接进行稀疏矩阵分解得到的估计量不唯一，也就是
Figure BDA0002269162690000071
也是原问题的解，其中∏是排序矩阵，∑是相位模糊矩阵。为了消除相位模糊∑，通过发送的参考符号xref可以用来估计∑，具体的方法可参考“J.Zhang,X.Yuan,and Y.J.Zhang,“Blind signal detection in massive MIMO:Exploiting the channel sparsity,”IEEETrans.Commun.,vol.66,no.2,pp.700-712,Feb.2018”和“T.Ding,X.Yuan,and S.C.Liew,“Sparsity learning based multiuser detection in grant-free massive-devicemultiple access,”IEEE Trans.on Wireless Communi.,vol.18,no.7,pp.3569–3582,July 2019”，然后Π是可以通过加入的设备标签消除排序模糊的，最后，接收机通过观察每个机器类设备的编号，可以识别出活跃的机器类设备。
将本发明的方案与其它方案的性能比较结果如图4所示。从图中可以看出，本发明的方案在BER性能上明显好于其它方案。同时，本发明方案的性能是靠近已知业务类型的性能界。

Claims (2)

1.一种在大规模MIMO蜂窝网中海量设备接入的通信方法，定义大规模MIMO蜂窝网为人际型通信HTC和大规模机器类通信MTC共存的通信系统，将用于HTC的设备定义为人际型设备HTD，用于MTC的设备定义为机器类设备MTD，其特征在于，所述通信方法包括：
S1、HTD与MTD同时向基站发送信号，发送的信号中包括数据，参考符号与标签，其中每个设备有不同的标签；
S2、基站接收到HTD与MTD发送的信号后，利用信道和信号的稀疏性，通过仿射稀疏矩阵分解ASMF得到关于HTD与MTD的信道
Figure FDA0003924043260000011
和信号
Figure FDA0003924043260000012
具体方法包括：
S21、根据联合概率密度设计因子图，因子图的左边部分从接收信号Y中得到估计信道
Figure FDA0003924043260000013
和信号
Figure FDA0003924043260000014
因子图的右边部分是为了判断数据包的业务类型，也就是判断该数据包是HTD发送的还是MTD发送的；
S22、根据因子图设计消息传递算法，因子图的左边部分采用仿射稀疏矩阵分解ASMF方法获取，因子图的右边通过近似消息传递方法获取；
S23、基于因子图设计，利用消息传递算法能同时识别出活跃MTD、估计活跃MTD到基站端的信道、估计HTD到基站端的信道、检测MTD发送的信号以及检测HTD发送的信号；
S3、得到的信道
Figure FDA0003924043260000015
和信号
Figure FDA0003924043260000016
存在相位与排序的模糊性，即
Figure FDA0003924043260000017
其中Π是排序矩阵，∑是相位模糊矩阵，基站根据接收到的参考符号确定相位模糊矩阵∑，并根据标签确定置换矩阵Π，从而在估计值中去除相位模糊及置换模糊，得到信道及信号的估计值；接收机通过观察每个MTD的标签，识别出活跃的机器类设备。
2.根据权利要求1所述的一种在大规模MIMO蜂窝网中海量设备接入的通信方法，其特征在于，步骤S1中，MTD是非时隙免调度接入的，可以在任意时隙发送信号，即在同一时隙，只有少量的设备同时接入；HTD是基于调度接入的，同时向基站发送信号。
CN201911098694.6A 2019-11-12 2019-11-12 一种在大规模mimo蜂窝网中海量设备接入的通信方法 Active CN110636635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911098694.6A CN110636635B (zh) 2019-11-12 2019-11-12 一种在大规模mimo蜂窝网中海量设备接入的通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911098694.6A CN110636635B (zh) 2019-11-12 2019-11-12 一种在大规模mimo蜂窝网中海量设备接入的通信方法

Publications (2)

Publication Number Publication Date
CN110636635A CN110636635A (zh) 2019-12-31
CN110636635B true CN110636635B (zh) 2023-02-03

Family

ID=68979481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911098694.6A Active CN110636635B (zh) 2019-11-12 2019-11-12 一种在大规模mimo蜂窝网中海量设备接入的通信方法

Country Status (1)

Country Link
CN (1) CN110636635B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018043560A1 (ja) * 2016-08-31 2018-03-08 株式会社Ｎｔｔドコモ ユーザ端末及び無線通信方法
CN110249696A (zh) * 2017-01-26 2019-09-17 摩托罗拉移动有限责任公司 资源配置优先级

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10749580B2 (en) * 2017-05-12 2020-08-18 Telefonaktiebolaget Lm Ericsson (Publ) Virtualized massive MIMO in multi-operator wireless networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018043560A1 (ja) * 2016-08-31 2018-03-08 株式会社Ｎｔｔドコモ ユーザ端末及び無線通信方法
CN110249696A (zh) * 2017-01-26 2019-09-17 摩托罗拉移动有限责任公司 资源配置优先级

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Kamil Senel ; Erik G. Larsson.《Grant-Free Massive MTC-Enabled Massive MIMO: A Compressive Sensing Approach》.《IEEE Transactions on Communications 》.2018, *
Zhilin Chen ; Foad Sohrabi ; Wei Yu.《Multi-Cell Sparse Activity Detection for Massive Random Access: Massive MIMO Versus Cooperative MIMO》.《 IEEE Transactions on Wireless Communications 》.2019, *
基于免调度非正交多址系统的稀疏多用户检测方法;范彬等;《广东通信技术》;20180115(第01期);全文 *

Also Published As

Publication number Publication date
CN110636635A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
Yang et al. Cooperative ambient backscatter communications for green Internet-of-Things
Liang et al. Vehicular communications: A physical layer perspective
CN108957396A (zh) 一种基于5g信号的ofdm定位系统及定位方法
de Almeida et al. Overview of tensor decompositions with applications to communications
US10873947B2 (en) Internet of things (IoT) device location tracking using midambles
US8831128B2 (en) MIMO communication system signal detection method
El-Keyi et al. MIMO VANETs: Research challenges and opportunities
WO2012093333A1 (en) Method of channel estimation, method of selecting pilot information, user equipment, and base station
CN115118566B (zh) 改进无线通信中信息的发送
Wu et al. Reliable frequency-hopping MIMO radar-based communications with multi-antenna receiver
Gong et al. Block pilot based channel estimation and high-accuracy signal detection for GSM-OFDM systems on high-speed railways
Joung et al. Over-the-air computation strategy using space–time line code for data collection by multiple unmanned aerial vehicles
CN110636635B (zh) 一种在大规模mimo蜂窝网中海量设备接入的通信方法
CN103516484A (zh) 双向中继信道模型的正交差分空时网络编码方法
Djapic et al. Synchronization and packet separation in wireless ad hoc networks by known modulus algorithms
Ren et al. Position-based interference elimination for high-mobility OFDM channel estimation in multicell systems
Raoof et al. Advanced MIMO systems
Alqahtani et al. Unlocking the power of recalling enhanced recurrent neural network: channel estimation and data analysis for 5G MIMO communication system
EP2070212A2 (en) Wireless transceiver
Tolba et al. A meta learner autoencoder for channel state information feedback in massive MIMO systems
Sharma et al. Recent developments in MIMO channel estimation techniques
Kaitovic et al. Advanced collision recovery receiver for RFID
de Almeida et al. Estimation of frequency-selective block-fading MIMO channels using PARAFAC modeling and alternating least squares
Bavarva et al. Improve the channel performance of Wireless Multimedia Sensor Network using MIMO properties
Duan et al. A modified deep learning based MIMO communication for integrated sensing, communication and computing systems

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