CN112671435B - 一种fdd大规模天线中基于字典迭代的信道估计方法 - Google Patents
一种fdd大规模天线中基于字典迭代的信道估计方法 Download PDFInfo
- Publication number
- CN112671435B CN112671435B CN202011526702.5A CN202011526702A CN112671435B CN 112671435 B CN112671435 B CN 112671435B CN 202011526702 A CN202011526702 A CN 202011526702A CN 112671435 B CN112671435 B CN 112671435B
- Authority
- CN
- China
- Prior art keywords
- channel
- channel estimation
- sparse
- pilot signal
- dictionary
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种FDD大规模天线中基于字典迭代的信道估计方法，包括步骤：S1.发送导频信号，并经过信道接收发送的导频信号；S2.根据接收到的导频信号利用信道稀疏的特性进行信道估计，得到稀疏信道；S3.在初步估计的基础上更新稀疏表示的字典；S4.通过稀疏算法提高信道估计的准确度。本发明基于字典迭代的信道估计方法与传统的信道估计方法相比，能够在发送较少导频信号的情况下，估计出更加准确地信道，且能提高信道估计从而进一步提升系统性能。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种FDD大规模天线中基于字典迭代的信道估计方法。
背景技术
在大规模天线系统中，基站配备着几十根到几百根天线，由于基站的大规模天线，使得数据传送速率和能量效率都可以得到很大的提高。大规模天线系统是一个在发送端和接收端都有很多数量天线的系统。大规模天线系统在发送端上使用多个天线来传输信息，通过各种信号路径，接收器也通过多个天线来得到信息。这些多天线被用来产生更好的网络吞吐量性能。大规模天线系统具有较高的频谱效率，它优化了频谱或带宽的使用，使数据传输量最大，误差较小，与传统方案的单输入单输出相比，大规模天线系统能够获得更高的频谱效率。
大规模天线系统是下一代通信系统的发展方向。通过在基站部署大型天线阵列，可以用窄波束执行接收合并和发射波束形成，从而消除多用户干扰并提高小区吞吐量。进行有效的上行链路合并和下行链路预编码，在基站处必须要很好的获得信道状态信息(CSI)。大规模天线系统中的常见假设是每个用户设备只有少量的天线，因此由于上行训练开销仅与用户数量成比例，因此获得上行的信道状态信息相对容易。在时分双工(TDD)系统中，利用上下行信道的互易性也可以很容易的获得下行信道状态信息。但是信道的互易性在频分双工(FDD)系统中不再有效，由于上行和下行的传输在不同的频率下工作。为了获得下行的信道状态信息，基站必须进行下行的训练，然后用户需要估计、量化和反馈信道状态信息。当使用传统的信道估计和反馈方案时，下行的训练开销和反馈开销与基站的天线数量成正比。大规模天线系统使得这种训练变得不切实际，因为在信道相干时间有限的情况下，这种训练开销非常大，变得非常不可行。
针对以上技术问题，故需对其进行改进。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种FDD大规模天线中基于字典迭代的信道估计方法。
为了实现以上目的，本发明采用以下技术方案：
一种FDD大规模天线中基于字典迭代的信道估计方法，包括步骤：
S1.发送导频信号，并经过信道接收发送的导频信号；
S2.根据接收到的导频信号利用信道稀疏的特性进行信道估计，得到稀疏信道；
S3.在初步估计的基础上更新稀疏表示的字典；
S4.通过稀疏算法提高信道估计的准确度。
进一步的，所述步骤S1具体为：
信道信息h表示为：
其中，Nc表示散射路径的个数，每个散射路径包含着Ns条子路径；αil表示第i条散射路径的第l条子路径的增益系数；Ωil＝{θil}表示下行链路发射的离开角；a(Ωil)表示响应向量，当发送天线为线阵的时候，表示为：
其中，d表示天线的间隔，λ表示下行链路的传播波长；
通过发送导频信号，经过信道接收发送的导频信号，表示为：
其中，ρ表示发送的信噪比；
表示的是下行信道信息；
接收到的噪声向量；
表示基站发送的导频信号，发送了T次。
进一步的，所述步骤S2具体为：
信道进行稀疏，表示为：h＝Dβ，其中β表示稀疏向量；D表示字典矩阵，维数一般为N×M，其中M表示预先设定的正整数；
将矩阵D用离散傅里叶变换DFT型矩阵F代替，表示为：
h＝Fβ
其中，F表示为：
其中，
进一步的，所述步骤S2还包括：
采用DFT型矩阵
表示为：
其中，M＝4×N，
的每一列跟F有一样的结构f(ψ)。
进一步的，所述步骤S2还包括：
接收信号表示为：
其中，
得到β的恢复求解问题，表示为：
其中，||β||0表示β向量中的非零值的个数；
表示的是y和
之差的范二模；ε表示限制范二模的参数；
通过得到的估计
恢复信道
进一步的，所述步骤S3具体为：
采用
进行稀疏信道估计，得到估计信道
在
中选出与
相关性最强的P个列向量，组成一个新的字典矩阵；
根据组成的新的字典矩阵，进行信道的稀疏表示，求解稀疏向量。
进一步的，所述步骤S4中通过稀疏算法提高信道估计的准确度包括正交匹配追踪OMP算法和把l0问题转换为l1问题方法。
进一步的，所述把l0问题转换为l1问题方法具体为：
在求解β的时候，把l0问题转换为l1问题，即：
其中，||β||1表示β的范一的模，
表示y和
之差的范二模；ε表示限制范二模的参数。
与现有技术相比，本发明基于字典迭代的信道估计方法与传统的信道估计方法相比，能够在发送较少导频信号的情况下，估计出更加准确地信道，且能提高信道估计从而进一步提升系统性能。
附图说明
图1为实施例一提供的一种FDD大规模天线中基于字典迭代的信道估计方法流程图；
图2为实施例二提供的基于字典迭代的信道估计方法误差关于发送导频信号次数的仿真图；
图3为实施例二提供的基于字典迭代的信道估计方法误差关于信噪比的仿真图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供一种FDD大规模天线中基于字典迭代的信道估计方法，如图1所示，包括：
S1.发送导频信号，并经过信道接收发送的导频信号；
S2.根据接收到的导频信号利用信道稀疏的特性进行信道估计，得到稀疏信道；
S3.在初步估计的基础上更新稀疏表示的字典；
S4.通过稀疏算法提高信道估计的准确度。
FDD(Frequency-division Duplex，频分双工模式)下行大规模天线系统包括基站配备N根天线，向单天线用户发送导频信号，进行下行信道状态信息的估计。
在步骤S1中，发送导频信号，并经过信道接收发送的导频信号。
在系统的模式下，本方法采用了能够表现物理传播途径的简化空间信道模型。信道信息h可以表示为：
其中，Nc是散射路径的个数，每个散射路径包含着Ns条子路径。αil是第i条散射路径的第l条子路径的增益系数。Ωil＝{θil}表示下行链路发射的离开角。a(Ωil)是响应向量，当发送天线为线阵的时候，它的表示形式为：
其中，d是天线的间隔，λ是下行链路的传播波长。
由此，通过发送导频信号，经过信道后接收到的表达式为：
其中，ρ是发送的信噪比，
表示的是下行信道信息，
接收到的噪声向量，一般服从高斯分布。
是基站发送的导频信号，发送了T次。
在步骤S2中，根据接收到的导频信号利用信道稀疏的特性进行信道估计，得到稀疏信道。
在基于压缩感知的下行信道估计中，关键是信道进行稀疏表示，即h＝Dβ,其中β是稀疏向量，其中存在大量的零值，只存在少量的非零值，矩阵D成为字典矩阵，它的维数一般为N×M，其中M为事先设定的正整数。在相关的研究中，D可以用DFT(Discrete FourierTransform，离散傅里叶变换)型矩阵F代替，即h＝Fβ，其中F可以表示为：
其中，
以上模型将空间信道响应转换到了角度域。通过f(ψ)和a(θ)的对比可以发现，ψ和θ通过公式ψ＝dsin(θ)/λ联系起来，这也说明DFT型矩阵能够把信道响应变换到稀疏的角度域。
为了能够更好的将信道响应稀疏表示，在线阵天线中，采用了一种更完备的DFT型矩阵
它的形式可以表示为：
其中，M＝4×N，
的每一列跟F有一样的结构f(ψ)，但是在角度域上比F更加完善。
在这种信道的稀疏表示下，可以将接收信号表示为：
其中，
这样信道估计问题就变成了一个经典的稀疏信号，即β的恢复求解问题，用数学公式表示为：
其中，||β||0表示β向量中的非零值的个数，
表示的是y和
之差的范二模，ε是限制范二模的参数。通过得到的估计
可以恢复信道
在步骤S3中，在初步估计的基础上更新稀疏表示的字典。
首先采用
进行稀疏信道估计，得到估计信道
然后在
中选出与
相关性最强的P个列向量，组成一个新的字典矩阵
用这个新的字典矩阵，进行信道的稀疏表示，求解稀疏向量。
在步骤S4中，通过稀疏算法提高信道估计的准确度。
通过稀疏算法提高信道估计的准确度包括正交匹配追踪OMP算法和把l0问题转换为l1问题方法。
OMP算法的本质就是贪婪迭代的方法选择
的列，使得在每次迭代的过程中所选择的列与当前冗余向量最大程度的相关，从原始信号向量中减去相关部分并反复迭代，直到迭代次数达到稀疏度K，停止迭代。
把l0问题转换为l1问题方法就是在求解β的时候，把l0问题转换为l1问题，即：
与现有技术相比，本实施例基于字典迭代的信道估计方法与传统的信道估计方法相比，能够在发送较少导频信号的情况下，估计出更加准确地信道，且能提高信道估计从而进一步提升系统性能。
实施例二
本实施例提供一种FDD大规模天线中基于字典迭代的信道估计方法与实施例一的区别在于：
本实施例通过具体案例说明。
假设系统中基站的天线数为N＝128根并对单天线用户发送导频信号，在用户处通过对导频信号处理来得到估计信道。用户的位置也是随机统一生成的，对于基站和用户之间的每一个信道响应，它由3个固定位置散射簇的多路径和根据用户的位置生成的1个用户位置相关散射簇组成。
S1.发送导频信号建立信道模型
在系统的模式下，采用了能够表现物理传播途径的简化空间信道模型。信道信息h可以表示为：
在具体应用案例中，散射路径一共有Nc＝4条，每条路径包含着Ns＝20条子路径。αil是第i条散射路径的第l条子路径的增益系数。Ωil＝{θil}表示下行链路发射的离开角。a(Ωil)是响应向量，当发送天线为线阵的时候，它的表示形式为：
其中，d是天线的间隔，λ是下行链路传播波长。
由此，通过发送导频信号，经过信道后接收到的表达式为：
其中，ρ是发送的信噪比，
表示的是下行信道信息，
接收到的噪声向量，一般服从高斯分布。
是基站发送的导频信号，发送了T次。
S2.根据接收到的导频信号利用其信道稀疏的特性进行信道估计
在基于压缩感知的下行信道估计中，关键是将信道进行稀疏表示出来，即h＝Dβ,其中β是稀疏向量，其中存在大量的零值，只存在少量的非零值，矩阵D成为字典矩阵，它的维数一般为N×M，其中M为事先设定的正整数。在相关的研究中，D可以用DFT(DiscreteFourier Transform，离散傅里叶变换)型矩阵F代替，即h＝Fβ，其中F可以表示为：
其中，
N＝128是发送天线的数目。以上模型将空间信道响应转换到了角度域上。通过f(ψ)和a(θ)的对比可以发现，ψ和θ通过公式ψ＝dsin(θ)/λ联系起来，这也说明DFT型矩阵能够把信道响应变换到稀疏的角度域。
为了能够更好的将信道响应稀疏表示，在线阵天线中，采用了一种更完备的DFT型矩阵
它的形式可以表示为：
其中，M＝4×N＝512。
的每一列跟F有一样的结构f(ψ)，但是在角度域上比F更加完善。
在这种信道的稀疏表示下，可以将接受信号表示为：
其中，
这样信道估计问题就变成了一个经典的稀疏信号，即β的恢复求解问题，用数学公式表示为：
其中，||β||0表示β向量中的非零值的个数，
表示的是y和
之差的范二模，ε是限制范二模的参数。通过得到的估计
可以恢复信道
S3.在初步估计的基础上更新稀疏表示的字典进行信道估计
首先采用
进行稀疏信道估计，得到估计信道
然后在
中选出与
相关性最强的P＝128个列向量，组成一个新的字典矩阵
用这个新的字典矩阵，进行信道的稀疏表示，求解稀疏向量。
S4.通过稀疏算法提高信道估计的准确度。
在考虑稀疏向量求解，有OMP(orthogonal matching pursuit，正交匹配追踪)算法和把l0问题转换为l1问题。
OMP算法的本质就是贪婪迭代的方法选择
的列，使得在每次迭代的过程中所选择的列与当前冗余向量最大程度的相关，从原始信号向量中减去相关部分并反复迭代，直到迭代次数达到稀疏度K，停止迭代。
第二种方法就是在求解β的时候，把l0问题转换为l1问题，即：
信道估计准确度的分析
在实施例中采用的是均方根误差来分析其信道估计的准确度，其数学表达式为：
其中，h是仿真所用的真实模拟信道，
是所提方案估计出来的信道。
如图2所示，是在上述举例的条件下，在20dB的信噪比，关于信道估计误差随着发送导频信号的次数变化的仿真图，其中DFT-l1是采用DFT字典矩阵和l1算法的信道估计，ODFT-l1是采用更完备DFT字典矩阵和l1算法的信道估计，SODFT-l1是采用本发明所提出的字典矩阵和l1算法的信道估计。其中DFT-omp是采用DFT字典矩阵和OMP算法的信道估计，ODFT-omp是采用更完备DFT字典矩阵和OMP算法的信道估计，SODFT-omp是采用本发明所提出的字典矩阵和OMP算法的信道估计。从图2可以看出，相比于原来的信道估计方法，本实施例提出的方法具有更好的系统性能，具有更低的误差。
如图3所示，是在上述举例的条件下，在发送40次导频信号，关于信道估计误差随着信噪比变化的仿真图。从图3可以看出，相比于原来的信道估计方法，本发明提出的方法具有更好的系统性能，具有更低的误差。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种FDD大规模天线中基于字典迭代的信道估计方法，其特征在于，包括步骤：
S1.发送导频信号，并经过信道接收发送的导频信号；
S2.根据接收到的导频信号利用信道稀疏的特性进行信道估计，得到稀疏信道；
S3.在初步估计的基础上更新稀疏表示的字典；
S4.通过稀疏算法提高信道估计的准确度；
步骤S1具体为：
信道信息h表示为：
其中，Nc表示散射路径的个数，每个散射路径包含着Ns条子路径；αil表示第i条散射路径的第l条子路径的增益系数；Ωil＝{θil}表示下行链路发射的离开角；a(Ωil)表示响应向量，当发送天线为线阵的时候，表示为：
其中，d表示天线的间隔，λ表示下行链路的传播波长；
通过发送导频信号，经过信道接收发送的导频信号，表示为：
其中，ρ表示发送的信噪比；
表示的是下行信道信息；
接收到的噪声向量；
表示基站发送的导频信号，发送了T次；
步骤S2具体为：
信道进行稀疏，表示为：
h＝Dβ
其中β表示稀疏向量；D表示字典矩阵，维数一般为N×M，其中M表示预先设定的正整数；
将矩阵D用离散傅里叶变换DFT型矩阵F代替，表示为：
h＝Fβ
其中，F表示为：
其中，
步骤S2还包括：
采用DFT型矩阵
表示为：
其中，M＝4×N，
的每一列跟F有一样的结构f(ψ)；
步骤S2还包括：
接收信号表示为：
其中，
得到β的恢复求解问题，表示为：
其中，||β||0表示β向量中的非零值的个数；
表示的是y和
之差的范二模；ε表示限制范二模的参数；
通过得到的估计
恢复信道
步骤S3具体为：
采用
进行稀疏信道估计，得到估计信道
在
中选出与
相关性最强的P个列向量，组成一个新的字典矩阵；
根据组成的新的字典矩阵，进行信道的稀疏表示，求解稀疏向量；
步骤S4中通过稀疏算法提高信道估计的准确度包括正交匹配追踪OMP算法和把l0问题转换为l1问题方法；
把l0问题转换为l1问题方法具体为：
在求解β时，把l0问题转换为l1问题，表示为：
其中，||β||1表示β的范一的模，
表示y和
之差的范二模；ε表示限制范二模的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526702.5A CN112671435B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526702.5A CN112671435B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112671435A CN112671435A (zh) | 2021-04-16 |
| CN112671435B true CN112671435B (zh) | 2022-07-22 |
Family
ID=75407523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011526702.5A Expired - Fee Related CN112671435B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112671435B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106302274A (zh) * | 2016-08-26 | 2017-01-04 | 清华大学 | 一种大规模mimo系统多用户信道估计与跟踪方法 |
| CN108199990A (zh) * | 2018-01-20 | 2018-06-22 | 西安交通大学 | 一种非高斯噪声3d-mimo信道估计算法 |
| CN108600125A (zh) * | 2017-06-20 | 2018-09-28 | 杭州电子科技大学 | 一种基于迭代的信道估计方法 |
| CN109039403A (zh) * | 2018-09-14 | 2018-12-18 | 中国人民解放军空军预警学院 | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 |
| CN109257309A (zh) * | 2018-10-24 | 2019-01-22 | 东南大学 | 一种高性能的大规模mimo下行链路传输信道估计方法 |
| 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 |
| CN112106304A (zh) * | 2018-05-11 | 2020-12-18 | 三菱电机株式会社 | 通信系统、通信方法及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015107080B3 (de) * | 2015-05-06 | 2016-08-25 | Intel IP Corporation | Verfahren und Vorrichtungen zur Kanalschätzung für Mobilsysteme ungenügender zyklischer Präfixlänge |
| US10374836B2 (en) * | 2015-10-28 | 2019-08-06 | Huawei Technologies Canada Co., Ltd. | Method and apparatus for downlink channel estimation in massive MIMO |
| CN107018099B (zh) * | 2017-03-07 | 2020-06-09 | 上海交通大学 | 一种针对毫米波多用户mimo系统的时变信道估计方法 |
| WO2020158966A1 (ko) * | 2019-01-29 | 2020-08-06 | 엘지전자 주식회사 | Massive mimo 채널에 대한 채널 추정을 수행하는 방법 및 이를 위한 통신 장치 |
| CN110519189B (zh) * | 2019-08-30 | 2022-12-09 | 东南大学 | 高度移动场景下基于压缩感知的毫米波信道估计方法 |
-
2020
- 2020-12-22 CN CN202011526702.5A patent/CN112671435B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106302274A (zh) * | 2016-08-26 | 2017-01-04 | 清华大学 | 一种大规模mimo系统多用户信道估计与跟踪方法 |
| CN108600125A (zh) * | 2017-06-20 | 2018-09-28 | 杭州电子科技大学 | 一种基于迭代的信道估计方法 |
| CN108199990A (zh) * | 2018-01-20 | 2018-06-22 | 西安交通大学 | 一种非高斯噪声3d-mimo信道估计算法 |
| CN112106304A (zh) * | 2018-05-11 | 2020-12-18 | 三菱电机株式会社 | 通信系统、通信方法及存储介质 |
| CN109039403A (zh) * | 2018-09-14 | 2018-12-18 | 中国人民解放军空军预警学院 | 大规模mimo系统中基于冗余字典的下行链路信道估计方法 |
| CN109257309A (zh) * | 2018-10-24 | 2019-01-22 | 东南大学 | 一种高性能的大规模mimo下行链路传输信道估计方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Mostafa Sadeghi ; Massoud Babaie-Zadeh ; Christian Jutten.Learning_Overcomplete_Dictionaries_Based_on_Atom-by-Atom_Updating.《IEEE Transactions on Signal Processing ( Volume: 62, Issue: 4, Feb.15, 2014)》.2013, * |
| 基于机器学习的MIMO系统收发机设计理论与方法;黄雨迪;《中国优秀硕士学位论文全文数据库信息科技辑》;20200115;全部 * |
| 大规模MIMO系统基于压缩感知的下行信道估计及导频优化研究;胡培利;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215;全部 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112671435A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11228363B2 (en) | OAM multiplexing communication system and inter-mode interference elimination method | |
| 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 | |
| CN101507141B (zh) | 用于mimo通信的变换域反馈信令 | |
| KR101408938B1 (ko) | 다중 입출력 무선통신 시스템에서 일반화된 아이겐 분석을이용한 빔포밍 장치 및 방법 | |
| KR101562557B1 (ko) | Massive MIMO 하향링크를 위한 두 단계 빔포머 기반의 사용자 스케줄링 방법, 장치 및 기록매체 | |
| JP5666581B2 (ja) | Ｍｕ−ｍｉｍｏ通信システムの送信機のためのプリコーディング方法 | |
| CN109005133B (zh) | 双稀疏多径信道模型及基于此模型的信道估计方法 | |
| CN111245481A (zh) | 大规模mimo卫星移动通信下行传输方法及系统 | |
| CN113508539B (zh) | Mimo系统中的信道估计 | |
| Schwarz et al. | Grassmannian product codebooks for limited feedback massive MIMO with two-tier precoding | |
| CN112235022B (zh) | 一种低复杂度的大规模mimo低轨卫星预编码方法 | |
| CN110943767B (zh) | Fdd大规模mimo系统中基于信道部分互易性的预编码设计方法 | |
| CN112671435B (zh) | 一种fdd大规模天线中基于字典迭代的信道估计方法 | |
| CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
| CN113839695B (zh) | Fdd大规模mimo和速率最优统计预编码方法及设备 | |
| CN115065446B (zh) | 一种基于流形学习的信道信息反馈方法 | |
| CN107248878A (zh) | 一种预编码的方法及装置 | |
| CN112702093B (zh) | Fdd下行多用户大规模mimo系统中的信道估计方法 | |
| Kallur | Hybrid PSO-GSA algorithm for channel estimation in massive MIMO system | |
| CN115396265A (zh) | 基于对称非均匀阵列矩阵重构的角度域信道估计方法 | |
| US20230164002A1 (en) | User detection technique, and method and apparatus for channel estimation in wireless communication system supporting massive multiple-input multiple-output | |
| Mohammadghasemi et al. | Limited feedback distributed interference alignment in cellular networks with large scale antennas | |
| Sahoo et al. | Multiuser Massive MIMO Channel Estimation and BER Analysis Using Convex Combination Based Algorithms | |
| KR20100028859A (ko) | 다중 입출력 무선통신 시스템에서 적응적 코드북 컬러링 장치 및 방법 | |
| KR100965100B1 (ko) | 적응적 빔포밍 장치 및 그 방법 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |