CN111865375B - 一种针对频分双工系统的多传播路径三维波束成形方法 - Google Patents
一种针对频分双工系统的多传播路径三维波束成形方法 Download PDFInfo
- Publication number
- CN111865375B CN111865375B CN202010590171.XA CN202010590171A CN111865375B CN 111865375 B CN111865375 B CN 111865375B CN 202010590171 A CN202010590171 A CN 202010590171A CN 111865375 B CN111865375 B CN 111865375B
- Authority
- CN
- China
- Prior art keywords
- propagation path
- channel
- fourier transform
- amplitude
- discrete fourier
- 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
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
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种针对频分双工系统的多传播路径三维波束成形方法,本发明根据频分双工系统中上下行信道传播路径角度和条数上的互易性,利用离散傅里叶变换,将其上行信道的空间能量分布进行分析和判断,确定传播路径的角度和条数,并在傅里叶变换域上对传播路径进行分离和重建。重建后的一组单传播路径信道基本保留了原始信道的空间能量分布,可以作为深度神经网络的训练数据。当深度神经网络训练完成后,输入某实际信道对应的一组单传播路径信道,即能够以极低的计算复杂度获得用于下行信道的一组波束成形向量。本发明的有益效果是:本发明能够以较低的计算复杂度,直接根据上行信道选择适合下行信道的波束成形向量。并且能够适应多条路径共存时的信道,选择多个波束成形向量以提高波束成形增益。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种针对频分双工系统的多传播路径三维波束成形方法。
背景技术
频分双工毫米波通信系统的上下行信道处于不同频率,实验表明它们的信道增益和相位滞后均不相同。因此当基站端捕获了用户发送的导频信号时,通常不能够直接用估计的上行信道选择用于下行数据传输的最优波束成形向量。而需要一个单独额外的下行信道估计过程,大幅增加了建立连接所需的时间。由于毫米波信道存在稀疏性,即它是由少数几条传播路径组成的,在此之上S.Imtiaz等人的实验表明,尽管上下行信道不完全相同,它们的传播路径方向及条数可以认为是相同的。因此,目前大多数的频分双工毫米波通信系统,通常采用基于预定义码本的波束成形方法。即码本中包含所有可供选择的波束成形向量,每一个向量对应了一个空间中的路径传播方向。当上行信道的路径传播方向被确定后,其对应的最优波束成形向量由于上下行信道的传播路径方向相同,也可以用于下行信道,从而规避了单独的下行信道估计过程。
常见的频分双工波束成形方法,利用了上下行信道传播路径方向的互易性,规避了额外的下行信道估计开销。对于毫米波通信系统,由于其通常装备有大规模的天线阵列,其波束较为狭窄,如果使用基于路径传播方向的预定义码本,码本中的波束成形向量数目仍然较大。因此有必要针对在码本中搜索最优波束成形向量的过程,提出一种具有较低计算复杂度的算法。
另一方面,大多数的既有最优波束成形向量搜索方法,执行完毕后得出的是单一的最优波束成形向量。而实际上,尽管毫米波信道具有稀疏性,但在大多数情况下其传播路径并非唯一,而是由几条不同的传播路径组成。当这些传播路径的方向在空间中相差较大时,仅仅使用单一的最优波束成形向量往往并不能够获得最大的信道增益。此时应当对于每一条传播路径单独选择对应的最优波束成形向量,使用它们的组合作为系统的波束成形向量。然而由于基站获取的上行信道是这些传播路径的组合,传播路径的个数及它们各自对应的方向角度难以直接确定,给上述多条传播路径共存时的波束成形方法带来了一定的困难。
发明内容
本发明涉及通信技术领域(频分双工毫米波通信系统),用于解决频分双工(Frequency Division Duplexing,FDD)毫米波通信系统中包含多个天线的大规模天线阵列的三维波束成形问题。频分双工系统中上下行信道不完全相同,无法直接从上行信道获取用于下行信道的最优波束成形向量,且经常存在多条难以辨别的传播路径,难以确定最优波束成形向量。为解决以上技术难题,本发明提出一种基于深度神经网络的波束成形方法。本发明根据频分双工系统中上下行信道传播路径角度和条数上的互易性,利用离散傅里叶变换,将其上行信道的空间能量分布进行分析和判断,确定传播路径的角度和条数,并在傅里叶变换域上对传播路径进行分离和重建。重建后的一组单传播路径信道基本保留了原始信道的空间能量分布,可以作为深度神经网络的训练数据。当深度神经网络训练完成后,输入某实际信道对应的一组单传播路径信道,即能够以极低的计算复杂度获得用于下行信道的一组波束成形向量。
本发明提供了一种针对频分双工系统的多传播路径三维波束成形方法,包括如下步骤:
作为本发明的进一步改进,在所述步骤1中,设基站装备有一个由M×N个天线组成的大规模均匀面阵,由用户导频估计的上行信道向量为h,由毫米波信道的稀疏性,信道的定义式为
其中L代表传播路径的条数,αi是第i条传播路径的增益,θi,φi是传播路径的方向角度,其中θi是高度角,φi是方位角,a(θi,φi)是大规模均匀面阵的导引向量;
其中变换辅助向量ζi和ψi由下式给出
aM(ζi)和aN(ψi)各自代表两个含有M和N个天线的均匀线阵的导引向量
其中d是天线的间距,λ为波长;
aM(ψi)对应的离散傅里叶变换矩阵FM的形式为
其中FMaM(ψi)和FNaN(ζi)又分别是含有M和N个天线的两个均匀线阵的离散傅里叶变换,以FMαM(ψi)为例对其进行分析,它的第q个元素可以表示为
上式给出了在离散傅里叶变换域上,FMαM(ψi)的分布特征,在本发明中定义为多路径幅度判别式;即仅仅在或者的邻域附近的q有比较大的值,在其他的q值上式的幅度都较小;只考虑某一峰值q相邻的另外两点q-1和q+1,判断它们属于独立的传播路径,还是由于q取整时的截断误差导致的功率泄露。
作为本发明的进一步改进,在所述步骤1中,传播路径判决方法包括:相距较远的L个傅里叶变换点有比较大的值,此时从FMαM(ψi)中可以直接判断出L的值,它们互相之间不存在功率泄露问题,L即为真实的传播路径条数。
作为本发明的进一步改进,在所述步骤1中,传播路径判决方法包括:某个具有较大值的离散傅里叶变换点q的相邻点q′=q±1,此时需要根据多路径幅度判别式,计算q′点上的幅度是否大于q点功率泄露导致的最大值,如果大于所述最大值,那么意味着q′点代表一条独立的传播路径,否则q′点仅仅是q点所代表路径的功率泄露引起的,不记作单独的传播路径。
作为本发明的进一步改进,在所述步骤1中,传播路径判决方法包括:若干连续的离散傅里叶变换点都具有较大的值,此时应当进行连续判定,即从第一个具有较大值的q起,根据多路径幅度判别式计算由q+2和q点幅度,共同作用在q+1点上的理论最大能量泄露;如果q+1大于最大值,那么计q+1为一个独立的传播路径,否则忽略;如果q+1为独立传播路径,再向右移动,计算q+3和q+1点幅度共同作用在q+2上的理论最大能量泄露,对q+2进行判断;如果q+1不是独立传播路径,那么直接向右移动2个数据点,计算q+4和q+2点幅度共同作用在q+3上的理论最大能量泄露,对q+3进行判断;持续如此做,直到这些傅里叶变换点都得到了判定。
这里相邻的能量泄漏点的幅度近似为最大理论值当能量泄露较小时(或者),虽然此近似误差变大,但因为能量泄露较小,峰值点上的幅度远大于能量泄露点上的幅度,因此对最终结果影响不大;经过以上的信道重建过程,由L条路径组成的离散傅里叶变换域将被分解并重建为一组lM个单传播路径的离散傅里叶变换域而对于而言,可以进行同样的操作,以分离出lN个单传播路径信道
作为本发明的进一步改进,在所述步骤7中,在深度神经网络的训练过程中,使用监督学习的方式,即预先通过穷尽搜索方式,对于每个单路径信道得到对应的最佳码字假设深度神经网络的输出为Cl,使用它们二者之间的欧几里得距离作为损失函数进行训练,即训练过程在线下完成,当训练完成后,深度神经网络即可转为线上预测状态,根据输入的单传播路径离散傅里叶变换域信道给出一组最佳码字将其进行归一化处理
之后根据上下行信道波长的不同,对C*进行波长修正,使之符合下行信道的波长;修正后即可用作频分双工系统的下行信道波束成形向量,从而实现低复杂度的三维多路径波束成形。
本发明的有益效果是:本发明能够以较低的计算复杂度,直接根据上行信道选择适合下行信道的波束成形向量。并且能够适应多条路径共存时的信道,选择多个波束成形向量以提高波束成形增益。
附图说明
图1是本发明的原理示意图;
图2是本发明的步骤3的原理示意图。
具体实施方式
如图1所示,本发明公开了一种针对频分双工系统的多传播路径三维波束成形方法,包括:
一.多传播路径毫米波信道路径识别与分离算法
本发明针对多传播路径共存的毫米波信道三维波束成形问题,首先提出了一种基于离散傅里叶变换的路径识别算法。设基站装备有一个由M×N个天线组成的大规模均匀面阵(Uniform Planar Array,UPA),由用户导频估计的上行信道向量为h,由毫米波信道的稀疏性,信道的定义式为
其中L代表传播路径的条数,αi是第i条传播路径的增益,θi,φi是传播路径的方向角度,其中θi是高度角,φi是方位角,a(θi,φi)是大规模均匀面阵的导引向量,由下式给出
其中d是天线的间距,λ为波长。在本发明中为了简化问题,大规模均匀面阵的导引向量被分解为各自含有M和N个天线的两个均匀线阵(Uniform Linear Array,ULA)导引向量的克罗内克积形式,即
其中变换辅助向量ζi和ψi由下式给出
αM(ζi)和aN(ψi)各自代表两个含有M和N个天线的均匀线阵的导引向量
此时问题将简化为两个均匀线阵的波束成形问题。为了实现多条路径的识别,本发明使用离散傅里叶变换(Discrete Fourier Transform,DFT)矩阵,对两个导引向量分别进行处理。以aM(ψi)为例,其对应的离散傅里叶变换矩阵FM的形式为
其中FMaM(ψi)和FNaN(ζi)又分别是含有M和N个天线的两个均匀线阵的离散傅里叶变换。以FMaM(ψi)为例对其进行分析,它的第q个元素可以表示为
上式给出了在离散傅里叶变换域上,FMaM(ψi)的分布特征,在本发明中定义为多路径幅度判别式。即仅仅在或者的邻域附近的q有比较大的值,在其他的q值上式的幅度都较小。在本发明中,只考虑某一峰值q相邻的另外两点q-1和q+1,判断它们属于独立的传播路径,还是由于q取整时的截断误差导致的功率泄露。由于q取整的误差本方法最大误差不大于|2×2π-1|2≈0.75%。
二.基于深度神经网络的低复杂度最优波束成形向量搜索方法
为了实现一种低复杂度的最优波束成形向量搜索方法,本发明借助于深度神经网络(Deep Neural Network,DNN)。为了增加深度神经网络识别成功率,在本发明提出的搜索方法中,深度神经网络的输入向量为一组经过重建的单路径信道向量。当信道向量h中的路径数量L在前述路径识别算法中被成功识别后,在其离散傅里叶变换域上,那些峰值点不与其他路径相邻的路径被率先重建。以aM(ψi)为例,设有对应lM个在离散傅里叶变换域上可独立分离的单路径信道,它们在离散傅里叶变换域上的重建信道是由其在对应的峰值点q1,...,ql,及其相邻点的值,同时其他点置零所构成的。即对于而言
而对于某些在离散傅里叶变换域上相邻的传播路径,则根据幅度判别式构建相应线性方程组进行求解。具体而言,设相邻的lo个传播路径,它们离散傅里叶变换域上各自的峰值点为如果不考虑其他路径的能量泄露,这些路径在峰值点上的幅度记作则根据幅度判别式可以构建一个含有lo个未知数的线性方程组进行估计,即
这里相邻的能量泄漏点的幅度近似为最大理论值当能量泄露较小时(或者),虽然此近似误差变大,但因为能量泄露较小,峰值点上的幅度远大于能量泄露点上的幅度,因此对最终结果影响不大。经过以上的信道重建过程,由L条路径组成的离散傅里叶变换域将被分解并重建为一组lM个单传播路径的离散傅里叶变换域而对于而言,可以进行同样的操作,以分离出lN个单传播路径信道至此分离出L=lM×lN条单传播路径信道,利用即可获得
假设码本C中包含了所有可供选择的波束成形向量(码字)Ci∈C,每个码字都指向空间中特定方向Ci=a(θi,φi)。因此对于每个单路径信道可以找到一个最佳的使得其对此信道的波束成形增益最大。由于频分双工系统的上下行传播路径方向角相同,此最佳码字可直接用于下行信道的数据传输。
为了进一步减小查找最佳码字的复杂度,本发明使用了深度神经网络作为分类器。即码本中的每一个码字作为一个单独的类别,对于输入深度神经网络的单路径信道其最佳码字即为这个信道的所属类别。在深度神经网络的训练过程中,使用监督学习的方式,即预先通过穷尽搜索方式,对于每个单路径信道得到对应的最佳码字假设深度神经网络的输出为Cl,使用它们二者之间的欧几里得距离作为损失函数进行训练,即训练过程在线下完成,因此穷尽搜索的复杂度可以不纳入考虑。当训练完成后,深度神经网络即可转为线上预测状态,根据输入的单传播路径离散傅里叶变换域信道给出一组最佳码字将其进行归一化处理
之后根据上下行信道波长的不同,对C*进行波长修正,使之符合下行信道的波长。修正后即可用作频分双工系统的下行信道波束成形向量,从而实现低复杂度的三维多路径波束成形。
综上,本发明公开了一种针对频分双工系统的多传播路径三维波束成形方法,包括:
本发明能够以较低的计算复杂度,直接根据上行信道选择适合下行信道的波束成形向量。并且能够适应多条路径共存时的信道,选择多个波束成形向量以提高波束成形增益
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种针对频分双工系统的多传播路径三维波束成形方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的多传播路径三维波束成形方法,其特征在于,在所述步骤1中,设基站装备有一个由M×N个天线组成的大规模均匀面阵,由用户导频估计的上行信道向量为h,由毫米波信道的稀疏性,信道的定义式为
其中L代表传播路径的条数,αi是第i条传播路径的增益,θi,φi是传播路径的方向角度,其中θi是高度角,φi是方位角,a(θi,φi)是大规模均匀面阵的导引向量;
其中变换辅助向量ζi和ψi由下式给出
aM(ζi)和aN(ψi)各自代表两个含有M和N个天线的均匀线阵的导引向量
其中d是天线的间距,λ为波长;
aM(ψi)对应的离散傅里叶变换矩阵FM的形式为
其中FMaM(ψi)和FNaN(ζi)又分别是含有M和N个天线的两个均匀线阵的离散傅里叶变换,以FMaM(ψi)为例对其进行分析,它的第q个元素可以表示为
3.根据权利要求2所述的多传播路径三维波束成形方法,其特征在于,在所述步骤1中,传播路径判决方法包括:相距较远的L个傅里叶变换点有比较大的值,该比较大的值是幅度大于其左右相邻数据点π倍,此时从FMαM(ψi)中可以直接判断出L的值,它们互相之间不存在功率泄露问题,L即被可认为基本反映了真实的传播路径条数,路径增益小于最大路径增益1/(2π-1)的路径忽略不计。
4.根据权利要求2所述的多传播路径三维波束成形方法,其特征在于,在所述步骤1中,传播路径判决方法包括:某个具有较大值的离散傅里叶变换点q的相邻点q′=q±1,此时需要根据多路径幅度判别式,计算q′点上的幅度是否大于q点功率泄露导致的最大值,如果大于所述最大值,那么意味着q′点代表一条独立的传播路径,否则q′点仅仅是q点所代表路径的功率泄露引起的,不记作单独的传播路径。
5.根据权利要求2所述的多传播路径三维波束成形方法,其特征在于,在所述步骤1中,传播路径判决方法包括:若干连续的离散傅里叶变换点都具有较大的值,此时应当进行连续判定,即从第一个具有较大值的q起,根据多路径幅度判别式计算由q+2和q点幅度,共同作用在q+1点上的理论最大能量泄露;如果q+1大于最大值,那么计q+1为一个独立的传播路径,否则忽略;如果q+1为独立传播路径,再向右移动,计算q+3和q+1点幅度共同作用在q+2上的理论最大能量泄露,对q+2进行判断;如果q+1不是独立传播路径,那么直接向右移动2个数据点,计算q+4和q+2点幅度共同作用在q+3上的理论最大能量泄露,对q+3进行判断;持续如此做,直到这些傅里叶变换点都得到了判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590171.XA CN111865375B (zh) | 2020-06-24 | 2020-06-24 | 一种针对频分双工系统的多传播路径三维波束成形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590171.XA CN111865375B (zh) | 2020-06-24 | 2020-06-24 | 一种针对频分双工系统的多传播路径三维波束成形方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111865375A CN111865375A (zh) | 2020-10-30 |
CN111865375B true CN111865375B (zh) | 2022-03-25 |
Family
ID=72988087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010590171.XA Active CN111865375B (zh) | 2020-06-24 | 2020-06-24 | 一种针对频分双工系统的多传播路径三维波束成形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111865375B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218984A (zh) * | 2014-08-27 | 2014-12-17 | 电子科技大学 | 利用压缩感知的双端频域波束搜索方法 |
CN104506224A (zh) * | 2015-01-11 | 2015-04-08 | 复旦大学 | 一种基于角度域变换的低复杂度3d波束成形算法 |
CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 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 |
CN110166087A (zh) * | 2019-05-13 | 2019-08-23 | 东南大学 | Iq失衡下导频复用大规模mimo-ofdm无线通信方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7551547B2 (en) * | 2005-01-28 | 2009-06-23 | At&T Intellectual Property I, L.P. | Delay restricted channel estimation for multi-carrier systems |
CN105577587B (zh) * | 2016-02-03 | 2018-07-24 | 清华大学 | 一种60GHz室内场景下MIMO系统信道估计方法及装置 |
CN109327918B (zh) * | 2018-11-19 | 2021-09-28 | 东南大学 | 一种低开销的fdd大规模mimo下行信道重建方法 |
-
2020
- 2020-06-24 CN CN202010590171.XA patent/CN111865375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218984A (zh) * | 2014-08-27 | 2014-12-17 | 电子科技大学 | 利用压缩感知的双端频域波束搜索方法 |
CN104506224A (zh) * | 2015-01-11 | 2015-04-08 | 复旦大学 | 一种基于角度域变换的低复杂度3d波束成形算法 |
CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 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 |
CN110166087A (zh) * | 2019-05-13 | 2019-08-23 | 东南大学 | Iq失衡下导频复用大规模mimo-ofdm无线通信方法 |
Non-Patent Citations (3)
Title |
---|
"Exploiting Wireless Channel State Information Structures Beyond Linear Correlations: A Deep Learning Approach";Zhiyuan Jiang等;《IEEE Communications Magazine》;20190311;第57卷(第3期);全文 * |
"MIMO-OFDM关键技术的研究和完整仿真平台的建立";瞿逢重;《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》;20050615;全文 * |
"Neural Network-Based Fading Channel Prediction: A Comprehensive Overview";Wei Jiang;《IEEE Access 》;20190826;第7卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111865375A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230352847A1 (en) | Large intelligent surfaces with sparse channel sensors | |
Bao et al. | Deep CNN and equivalent channel based hybrid precoding for mmWave massive MIMO systems | |
CN110138427B (zh) | 基于部分连接的大规模多输入多输出混合波束赋形算法 | |
Hung et al. | Low-complexity hybrid precoding algorithm based on orthogonal beamforming codebook | |
CN110611526A (zh) | 基于改进黎曼流形优化的毫米波混合模/数波束成形方法 | |
Qian et al. | Algebraic channel estimation algorithms for FDD massive MIMO systems | |
CN112468202A (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
CN112636794A (zh) | 一种基于贪心算法的波束赋形方法 | |
Destino et al. | Leveraging sparsity into massive MIMO channel estimation with the adaptive-LASSO | |
CN111865375B (zh) | 一种针对频分双工系统的多传播路径三维波束成形方法 | |
Ullah et al. | Beyond traditional beamforming: Singular vector projection techniques for mu-mimo interference management | |
CN110719127B (zh) | 一种具有恒模约束的毫米波mimo系统波束成形方法 | |
Chen et al. | Hybrid beamforming in mmwave MIMO-OFDM systems via deep unfolding | |
Peng et al. | Channel estimation for extremely large-scale massive MIMO systems in hybrid-field channel | |
CN114726686B (zh) | 一种均匀面阵毫米波大规模mimo信道估计方法 | |
CN115883297A (zh) | 一种基于信源参数估计的超大规模mimo混合场信道估计方法 | |
Liu et al. | Deep Learning Aided Two-Stage Multi-Finger Beam Training in Millimeter-Wave Communication | |
CN114629533A (zh) | 大规模mimo信道估计的信息几何方法及系统 | |
Chiew et al. | Low-Complexity Successive Decision-Aided Estimation for Hybrid mmWave Systems | |
Fang et al. | Sparse angular reciprocity learning for massive MIMO channel estimation | |
Zhang et al. | Multi-layer sparse bayesian learning for mmwave channel estimation | |
Cheng et al. | Deep Active Learning for Multi-Source AoA Tracking in mmWave-Based ISAC Systems | |
WO2022241600A9 (en) | Methods, apparatuses, and computer readable media for precoding in multiple-input multiple-output system based on array of subarray architecture | |
Wang et al. | New Environment Adaptation with Few Shots for OFDM Receiver and mmWave Beamforming | |
Chiew et al. | Channel Estimation for Hybrid mmWave Systems Using Generalized Kronecker Compressive Sensing (G-KCS) with Successive Decision-Aided Recovery |
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 |