CN113037344A - 一种多用户大规模mimo多源图像传输干扰消除方法 - Google Patents

一种多用户大规模mimo多源图像传输干扰消除方法 Download PDF

Info

Publication number
CN113037344A
CN113037344A CN202110219862.3A CN202110219862A CN113037344A CN 113037344 A CN113037344 A CN 113037344A CN 202110219862 A CN202110219862 A CN 202110219862A CN 113037344 A CN113037344 A CN 113037344A
Authority
CN
China
Prior art keywords
tensor
source image
sub
user
image transmission
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.)
Pending
Application number
CN202110219862.3A
Other languages
English (en)
Inventor
周小平
刘海潮
王培培
罗开华
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.)
Shanghai Normal University
University of Shanghai for Science and Technology
Original Assignee
Shanghai Normal 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 Shanghai Normal University filed Critical Shanghai Normal University
Priority to CN202110219862.3A priority Critical patent/CN113037344A/zh
Publication of CN113037344A publication Critical patent/CN113037344A/zh
Pending legal-status Critical Current

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
    • H04B7/0452—Multi-user MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00095—Systems or arrangements for the transmission of the picture signal
    • H04N1/00103—Systems or arrangements for the transmission of the picture signal specially adapted for radio transmission, e.g. via satellites

Abstract

本发明一种多用户大规模MIMO多源图像传输干扰消除方法，涉及大规模MIMO图像传输技术领域。本方法包括下列步骤：A建立多用户大规模MIMO多源图像传输系统和信道模型；B将用户端接收的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为子张量块；C利用空间/时间多线性信号分类获取每个信道子张量块的特征参数；D利用K‑means算法将有相似特征的信道子张量块聚类成组，将多源图像子张量块构建成三维群张量；E根据群张量的低秩性质进行张量分解并更新迭代，得到消除其他用户干扰后的多源图像。本方法能消除其他用户的多源图像干扰，用户端可以得到准确的多源图像信息，可以有效降低系统的误差和提高系统的和速率。

Description

一种多用户大规模MIMO多源图像传输干扰消除方法
技术领域
本发明涉及大规模MIMO图像传输技术领域，具体指一种多用户大规模MIMO多源图像传输干扰消除方法。
背景技术
随着信息传递中数据呈指数型增加，多用户大规模MIMO技术成为人们关注的热点之 一。由于多用户大规模MIMO技术发射机和接收机配置大量的天线阵列，实现高频谱效率， 提升系统容量，所以多用户大规模MIMO系统中的干扰消除成为近年来的研究热点。
国内外很多人开展了多用户大规模MIMO系统中的干扰消除的研究，采用最大似然、 最小均方误差、正交干扰消除、串行干扰消除、并行干扰消除等相关干扰消除处理方法，来 达到消除多用户大规模MIMO系统干扰的目的。近年来，多源图像处理作为一种高维度的 图像处理备受人们重视，尤其是在多用户大规模MIMO系统中，用户端接收到多个发送端 的发送的图像，会受到其他发送端的干扰图像，因此在处理干扰问题时，更为复杂。
针对多用户大规模MIMO系统内存在的干扰问题，传统的最大似然检测算法，可以使 误比特率达到最小，然而其复杂度，尤其是在多用户大规模MIMO系统中，随着发送端数据流的增加而过高；最小均方误差方法复杂度低，，检测性能好，但是在多用户大规模MIMO中由于自身循环结构容易导致错误传播；串行干扰消除方法和并行干扰消除方法在接收端解 码干扰信号，复杂度高，适用于少量用户的场景，在多用户大规模MIMO系统中难以应用；利用正交性消除干扰是在时域、频域、空域、码域上对干扰信号和期望信号进行正交分离，但是随着用户的不断增多，导致每个用户的接收性能下降。
发明内容
本发明的目的在于克服现有技术存在的缺失与不足，提出一种多用户大规模MIMO多 源图像传输干扰消除方法。
本发明一种多用户大规模MI MO多源图像传输干扰消除方法，其包括下列步骤：
(1)建立多用户大规模MIMO多源图像传输系统和信道模型；
(2)将用户端接收的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为 子张量块；
(3)利用空间/时间多线性信号分类获取每个信道子张量块的特征参数；
(4)利用K-means算法将有相似特征的信道子张量块聚类成组，将多源图像子张量块构建成三维群张量；
(5)根据群张量的低秩性质进行张量分解并更新迭代，得到消除其他用户干扰后的多 源图像。
优选地，建立多用户大规模MIMO多源图像传输系统和信道模型，包括：
设定好多源图像传输的用户数、发射天线数、接收天线数、子载波数、发送符号和编码 矩阵，建立多用户大规模MIMO多源图像传输系统模型，再设定好系统多源图像传输时发 送端的方位角、仰角、多条传输路径、衰落因子以及相关延迟得到多源图像传输的信道模型。
优选地，所述的将用户端接收的多源图像建模成三阶张量模型，将建模后的多源图像张 量分割为子张量块，包括：
根据建模好的多源图像传输系统和信道模型，推导出用户端所接收的多源图像，将其构 建为三阶张量模型，其中三个模分别对应接收天线，发射天线和系统复用子载波。然后按照 一定的步长把多源图像张量在两维空间分割为重叠的三维子张量块。
优选地，利用空间/时间多线性信号分类获取每个信道子张量块的特征参数，包括：
通过推导出时间和空间协方差矩阵，联合角度时延估计的空间多线性信号分类和时间多 线性信号分类算法，利用信号和噪声子空间之间的正交性，多线性信号分类在空间和时间上 精确地获得路径的角度和时延信息。
优选地，利用K-means算法将有相似特征的子张量块聚类成组，将多源图像子张量块 构建成三维群张量，包括：
利用K-means算法将一组具有相似信道参数的多径分量聚类，信道参数如方位角、仰 角、多径数量，相关延迟。使用多径分量距离作为距离测量，将来自同一发送端的子张量块 聚类成群张量，区分来自不同发送端的多源图像。
优选地，根据群张量的低秩性质进行张量分解并更新迭代，得到消除其他用户干扰后的 多源图像，包括：
将聚类成群张量的具有低秩结构的子张量进行张量分解，重新堆叠成新的群张量。对新 的群张量进行张量分解，用户得到具有稀疏干扰项的多源图像。
综上所述，本发明一种多用户大规模MIMO多源图像传输干扰消除方法，通过张量分 解方法和K-means算法对接收的多源图像进行分析、聚类，消除来自其他用户的多源图像 干扰，用户得到准确的多源图像信息。
附图说明
图1为本发明一种多用户大规模M IMO多源图像传输干扰消除方法的流程框图；
图2为本发明实施例多源图像传输系统图；
图3为本发明实施例多源图像干扰消除算法框架；
图4为本发明实施例子张量分解过程示意框图。
具体实施方式
以下结合附图和实施例本发明作进一步描述
本发明一种多用户大规模MIMO多源图像传输干扰消除方法流程框图(如附图1所示)。
具体实施例如下：
步骤一：建立多用户大规模MIMO多源图像传输系统和信道模型。
本发明所建立的多用户大规模MIMO系统(如附图2所示)，考虑
Figure RE-GDA0003015649780000041
个子载波空间 复用大规模MIMO系统，系统为K个用户服务，发送端k和用户端k分别配置NT，NR根 天线，则第m个子载波上的第k个接收端接收的多源图像Ym，k可以被表示为：
Figure RE-GDA0003015649780000042
其中，m＝1，...，M，k＝1，..，K，nR＝1，..，NR，nT＝1，..，NT，
Figure RE-GDA0003015649780000043
为信道张量，
Figure RE-GDA0003015649780000044
为第m个子载波上的第j个发送端的第nT根天线到第k个接收端的第nR根天 线之间的脉冲响应，
Figure RE-GDA0003015649780000045
为第m个子载波上的第k个发送端的第nT根天线经过L条 路径到第k个接收端的第nR根天线之间的多源图像张量，其中
Figure RE-GDA0003015649780000046
Figure RE-GDA0003015649780000047
表示第k个用户的第根天线上的第n个符号数据；
Figure RE-GDA0003015649780000048
为第k个用户的编码矩 阵；
Figure RE-GDA0003015649780000049
为第m个子载波上第k个图像接收端接收到第j发送端的信道矩阵，
Figure RE-GDA00030156497800000410
表示加性高斯白噪声信号。
系统中所考虑的是带宽B远大于最大延迟扩展的倒数的宽带信道模型，即B＞＞1/τmax。 假设第j个发送端经过信道后产生Lj条多径，第lj条多径的第j个发送端和第k个接收端 的方位角和仰角分别为
Figure RE-GDA00030156497800000411
和
Figure RE-GDA00030156497800000412
衰落因子为
Figure RE-GDA00030156497800000413
相关延迟为
Figure RE-GDA00030156497800000414
在大规模MIMO系统中，相 应的第m个子载波上对应的第k个接收端到第j个发送端的信道矩阵为
Figure RE-GDA00030156497800000415
Figure RE-GDA0003015649780000051
其中fs为系统的采样率，Lj小于发送端和接收端天线个数与总的子载波个数，
Figure RE-GDA0003015649780000052
和
Figure RE-GDA0003015649780000053
分别表示第j个发送端和第k个接收端的阵列 矢量。
多源图像传输干扰消除算法框架(如附图3所示)，接收的多源图像张量是三个模分别 为发送天线数，接收天线数和复用子载波数，将张量分割为子张量，通过信道参数获得多径 分量距离(Multipath Component Distance，MCD)，根据MCD和K-means算法对信道子张量块进行聚类，同用户的子张量块聚类成群张量，然后通过张量分解并进行更新迭代，用户得到消除其他用户干扰后的多源图像。
步骤B：将大规模MIMO接收获得的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为子张量块。
在第k个接收端，多个子载波上的多源图像可以被表示为一个三维张量形式
Figure RE-GDA0003015649780000054
三维张量形式的高斯白噪声，
Figure RE-GDA0003015649780000055
其中张量的每个模分别对应接收端的天线数， 发送端天线和子载波。将接收端图像
Figure RE-GDA0003015649780000056
刮分为重叠的三维子张量，其中滑动窗口步长w＝1。因此，在接收天线空间维度上，将接收图像端的天线阵划分为(NR-ΔnR+1)个子阵列块， 每个子阵阵元数为ΔnR；在发射天线空间维度上，将所有发送端的天线阵划分为 (KNT-ΔnT+1)子阵列块，每个子阵阵元数为ΔnT，同时保持频率维持不变。通过第k个 接收端张量的两维空间的分割，可以得到(NR-AnR+1)(KNT-ΔnT+1)个具有多维空间 信息的第k个接收端的第(p，q)个接收图像子张量
Figure RE-GDA0003015649780000057
1≤p≤NR-ΔnR， 1≤q≤KNT-ΔnT，可表示为式(3)：
Figure RE-GDA0003015649780000058
式(3)中，nR＝p，...，p+ΔnR，nT＝q，...，q+ΔnT，
Figure RE-GDA0003015649780000059
为子信道 张量，
Figure RE-GDA00030156497800000510
为多源图像子张量，
Figure RE-GDA00030156497800000511
为第m个子载波上的第k个发送端的第nT根 天线经过L条路径到第k个接收端的第nR根天线之间的多源图像张量，
Figure RE-GDA00030156497800000512
为第m个 子载波上的第nT根天线到第k个接收端的第nR根天线之间的脉冲响应，
Figure RE-GDA0003015649780000061
为子高斯 白噪声张量。
步骤C：利用空间/时间多线性信号分类获取每个信道子张量块的特征参数。
通过推导出时间和空间协方差矩阵，联合角度时延估计的空间多线性信号分类(Spatial-Multiple Signal Classification，S-MUSIC)和时间多线性信号分类 (Time-Multiple Signal Classification，T-MUSIC)算法，利用信号和噪声子空间之间的 正交性，MUSIC需要在空间和时间上进行全光谱搜，精确地获得路径的角度和时延信息。 假设网络中的每个图像接收端发送正交训练符号集。
当MUSIC算法用于联合估计多径分量(Multipath Component，MPC)的到达角(Angle of Arrival，AOA)和离开角(Angle of Departure，AOD)时，涉及多个参数 的导向矢量可以表示为式(4)：
Figure RE-GDA0003015649780000062
利用空域、时延域信号子空间与噪声子空间的正交性，S-MUSIC和T-MUSIC零谱函数分别定义为：
Figure RE-GDA0003015649780000063
式中
Figure RE-GDA0003015649780000064
和
Figure RE-GDA0003015649780000065
为列空间噪声子空间，
Figure RE-GDA0003015649780000066
为时延分量。然后令
Figure RE-GDA0003015649780000067
通过搜索以下空间谱和延迟谱的峰值来估计第(p，q)个子张量的角度和延迟信息：
Figure RE-GDA0003015649780000068
Figure RE-GDA0003015649780000069
步骤D：利用K-means算法将有相似特征的信道子张量块聚类成组，将多源图像子张 量块构建成三维群张量。
使用K-means算法和多径分量距离(Multipath Component Distance，MCD)作为距离测量，将来自同一发送端的信道子张量聚类成组，来区分来自其他用户发送端的多源图像。
MCD测量：首先，分别计算空间维度(方位角φ、仰角θ)和延迟域维度(延迟τ) 的距离；然后，根据数据结构的高维空间结构，联合空间和延迟域维度的距离进行联合聚类， 当出现不同维度的数据时，适当的对数据进行缩放，以符合聚类标准。
假设信道张量
Figure RE-GDA0003015649780000071
分割的第(p，q)和第(u，v)个信道张量块中分别存在L(p，q)和L(u，v)条 路径，对于第l条路径延迟距离定义为：
Figure RE-GDA0003015649780000072
则两个子信道张量之间的多径分量距离度量为：
Figure RE-GDA0003015649780000073
式中
Figure RE-GDA0003015649780000074
分别为第l条路径的离开角(AOD)度距离和到达角(AOA)度距离。
K-means算法使用MPC距离来量化MPC之间的相似性，算法通过参数空间中的质心位置识别每个聚类，(NR-ΔnR+1)(KNT-ΔnT+1)个子张量被分配给具有最小距离的聚 类质心，该算法迭代地优化质心的位置，以便最小化每个子张量到其质心的总的MPC距离。
聚类过程如下：
第一步：随机初始化K群质心μ1，μ2，..，
Figure RE-GDA0003015649780000076
即从数据集Φ中独立选择K个质心作为子张量的聚类中心。
第二步：将每个子张量的MPC参数样本分配给合理的群质心μk。
第三步：更新集群质心。
重复第二步和第三步直到收敛，即集群质心位置保持不变。
第四步：输出K个群子张量的集合
子张量分解的过程示意框图(如附图4所示)，可以清晰的表达出子张量分解的过程， 并且展现出张量分解后矩阵的低秩结构。
步骤E：根据群张量的低秩性质进行张量分解并更新迭代，用户得到消除其他用户干扰 后的多源图像。
假设群数量为K，第k群中子张量的数量为Jk，由于聚类成群的子张量具有低秩特性， 故可对每个群中的子张量进行张量分解形成相应的矩阵。
由于收发端间存在有限的传输路径L(p，q)，故多源图像子张量
Figure RE-GDA0003015649780000075
有内在的低秩结构， 并满足张量分解的低秩条件，故该子张量存在唯一性分解，并分别给出多源图像子张量
Figure RE-GDA0003015649780000081
的三维(发射天线、接收天线和频率维度)因子的定义：
Figure RE-GDA0003015649780000082
Figure RE-GDA0003015649780000083
Figure RE-GDA0003015649780000084
通过对
Figure RE-GDA0003015649780000085
进行张量分解(矩阵化)可以将其重新表示为二维矩阵
Figure RE-GDA0003015649780000086
如下：
Figure RE-GDA0003015649780000087
式中，令
Figure RE-GDA0003015649780000088
表示为多源图像子张量中的角度域空间特征因子矩阵，由于传输路径L(p，q)是有限的，所以
Figure RE-GDA0003015649780000089
的秩也是有限的，即
Figure RE-GDA00030156497800000810
子张量
Figure RE-GDA00030156497800000811
是低秩的，故二维矩阵
Figure RE-GDA00030156497800000812
也是低秩的。
然后这些子张量堆叠成新的群张量
Figure RE-GDA00030156497800000813
因此，第k个接收端与发送端之 间的多源图像可表示为：
Figure RE-GDA00030156497800000814
Figure RE-GDA00030156497800000815
表示第k个接收端与第k个发送端之间的多源图像信息，
Figure RE-GDA00030156497800000816
表示第k个接收端与其 他K-1个发送端之间的稀疏的多源图像干扰项。
然后进行更新迭代得到优化后的多源图像。由于低秩多源图像群张量
Figure RE-GDA00030156497800000817
的张量核范数 为
Figure RE-GDA00030156497800000818
的所有正面切片的核范数的总和，故当最小化
Figure RE-GDA00030156497800000819
时，可恢复低秩多源图像群张量 每个正面切片
Figure RE-GDA00030156497800000820
的低秩子空间。利用这种性质，低秩多源图像群张量
Figure RE-GDA00030156497800000821
的核范数可用于 描述多源图像张量的低秩结构。采用l1范数来表征稀疏性质。更新迭代
Figure RE-GDA00030156497800000822
和
Figure RE-GDA00030156497800000823
的优化 公式如下：
Figure RE-GDA00030156497800000824
Figure RE-GDA00030156497800000825
式(16)中，Tτ(·)是傅里叶域中的奇异值收缩运算，其定义如下：
Figure RE-GDA0003015649780000091
式(18)中，
Figure RE-GDA0003015649780000092
是张量奇异值分解，其收缩算子为 Sτ[x]＝sgn(x)max(|x|-τ，0)。通过利用低秩张量分解算法可以得到优化后的低秩多源图 像张量
Figure RE-GDA0003015649780000093
阳稀疏干扰项
Figure RE-GDA0003015649780000094
则(15)式可以更新为：
Figure RE-GDA0003015649780000095
综上所述，本发明建立多用户大规模MIMO多源图像传输系统和信道模型；将用户端 接收的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为子张量块；利用空间 /时间多线性信号分类获取每个信道子张量块的特征参数；利用K-means算法将有相似特 征的信道子张量块聚类成组，将多源图像子张量块构建成三维群张量；根据群张量的低秩性 质进行张量分解并更新迭代，得到消除其他用户干扰后的多源图像。本发明能消除其他用户 的多源图像干扰，用户端可以得到准确的多源图像信息，可以有效降低系统的误差和提高系 统的和速率。

Claims (7)

1.一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，包括下列步骤：
A.建立多用户大规模MIMO多源图像传输系统和信道模型；
B.将用户端接收的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为子张量块；
C.利用空间/时间多线性信号分类获取每个信道子张量块的特征参数；
D.利用K-means算法将有相似特征的信道子张量块聚类成组，将多源图像子张量块构建成三维群张量；
E.根据群张量的低秩性质进行张量分解并更新迭代，得到消除其他用户干扰后的多源图像。
2.如权利要求1所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤A.建立多用户大规模MIMO多源图像传输系统和信道模型，还包括如下步骤：
A1.设定多源图像传输的用户数、发射天线数、接收天线数、子载波数、发送符号和编码矩阵；
A2.建立多用户大规模MIMO多源图像传输系统模型；
A3.再设定系统多源图像传输时发送端的方位角、仰角、多条传输路径、衰落因子以及相关延迟得到多源图像传输的信道模型。
3.如权利要求1所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤B.将用户端接收的多源图像建模成三阶张量模型，将建模后的多源图像张量分割为子张量块，还包括如下步骤：
B1.根据建模的多源图像传输系统和信道模型，推导出用户端所接收的多源图像；
B2.将其构建为三阶张量模型，其中三个模分别对应接收天线，发射天线和系统复用子载波；
B3.然后按照一定的步长把多源图像张量在两维空间分割为重叠的三维子张量块。
4.如权利要求1所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤C.利用空间/时间多线性信号分类获取每个信道子张量块的特征参数，还包括如下步骤：
C1.通过推导出时间和空间协方差矩阵，联合角度时延估计的空间多线性信号分类和时间多线性信号分类算法，
C2.利用信号和噪声子空间之间的正交性，多线性信号分类在空间和时间上精确地获得路径的角度和时延信息。
5.如权利要求1所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤D.利用K-means算法将有相似特征的信道子张量块聚类成组将多源图像子张量块构建成三维群张量，还包括如下步骤：
D1.利用K-means算法将一组具有相似信道参数的多径分量聚类，信道参数为方位角、仰角、多径数量，相关延迟；
D2.使用多径分量距离作为距离测量，将来自同一发送端的子张量块聚类成群张量，区分来自不同发送端的多源图像。
6.如权利要求1所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤E.根据群张量的低秩性质进行张量分解并更新迭代，得到消除其他用户干扰后的多源图像，还包括如下步骤：
E1.将聚类成群张量的具有低秩结构的子张量进行张量分解，重新堆叠成新的群张量；
E2.对新的群张量进行张量分解，用户得到具有稀疏干扰项的多源图像。
7.如权利要求5所述的一种多用户大规模MIMO多源图像传输干扰消除方法，其特征在于，所述步骤D1利用K-means算法将一组具有相似信道参数的多径分量聚类，其聚类过程如下：
D1.1：随机初始化K群质心
Figure FDA0002954319630000021
即从数据集Φ中独立选择K个质心作为子张量的聚类中心。
D1.2：将每个子张量的MPC参数样本分配给合理的群质心μk，对于每个
Figure FDA0002954319630000022
有：
式中，k＝1，2，...，K，c(i)表示
Figure FDA0002954319630000023
第i个子张量与第k个群质心聚类的集合索引，
Figure FDA0002954319630000024
为第i个子张量的MPC参数样本
Figure FDA0002954319630000025
和质心μk的多径分量距离。
D1.3：更新集群质心，对于第k个群的质心更新为：
重复D1.2和D1.3直到收敛，即集群质心位置保持不变。
Figure FDA0002954319630000026
D1.4：输出K个群子张量的集合。
CN202110219862.3A 2021-02-26 2021-02-26 一种多用户大规模mimo多源图像传输干扰消除方法 Pending CN113037344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110219862.3A CN113037344A (zh) 2021-02-26 2021-02-26 一种多用户大规模mimo多源图像传输干扰消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110219862.3A CN113037344A (zh) 2021-02-26 2021-02-26 一种多用户大规模mimo多源图像传输干扰消除方法

Publications (1)

Publication Number Publication Date
CN113037344A true CN113037344A (zh) 2021-06-25

Family

ID=76462043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110219862.3A Pending CN113037344A (zh) 2021-02-26 2021-02-26 一种多用户大规模mimo多源图像传输干扰消除方法

Country Status (1)

Country Link
CN (1) CN113037344A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949423A (zh) * 2021-10-28 2022-01-18 上海师范大学 一种多用户毫米波大规模mimo信道估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100217763A1 (en) * 2007-09-17 2010-08-26 Electronics And Telecommunications Research Institute Method for automatic clustering and method and apparatus for multipath clustering in wireless communication using the same
CN106559367A (zh) * 2016-12-08 2017-04-05 电子科技大学 基于低秩张量分解的mimo‑ofdm系统毫米波信道估计方法
CN108199751A (zh) * 2017-12-29 2018-06-22 哈尔滨工程大学 一种mimo系统下基于张量模型的波形生成方法和装置
CN110518946A (zh) * 2019-08-30 2019-11-29 电子科技大学 基于毫米波时变信道块稀疏和低秩的时变信道估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100217763A1 (en) * 2007-09-17 2010-08-26 Electronics And Telecommunications Research Institute Method for automatic clustering and method and apparatus for multipath clustering in wireless communication using the same
CN106559367A (zh) * 2016-12-08 2017-04-05 电子科技大学 基于低秩张量分解的mimo‑ofdm系统毫米波信道估计方法
CN108199751A (zh) * 2017-12-29 2018-06-22 哈尔滨工程大学 一种mimo系统下基于张量模型的波形生成方法和装置
CN110518946A (zh) * 2019-08-30 2019-11-29 电子科技大学 基于毫米波时变信道块稀疏和低秩的时变信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈文娟: "基于群稀疏和低秩张量分解的大规模MIMO信号检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949423A (zh) * 2021-10-28 2022-01-18 上海师范大学 一种多用户毫米波大规模mimo信道估计方法

Similar Documents

Publication Publication Date Title
CN112910578B (zh) 一种针对毫米波3d mimo信道的路径参数提取方法
Hu et al. An ESPRIT-based approach for 2-D localization of incoherently distributed sources in massive MIMO systems
Van Der Veen et al. Joint angle and delay estimation using shift-invariance properties
CN1471779A (zh) 通信系统中缩减排序信道估计的方法和设备
CN112995892B (zh) 基于复数神经网络的大规模mimo指纹定位方法
CN113507426A (zh) 基于otfs调制的联合信道估计与信号检测方法及装置
CN108881076A (zh) 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法
CN111555992A (zh) 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN111181671A (zh) 一种基于深度学习的下行信道快速重建方法
CN109507641A (zh) 一种合作的mimo雷达和mimo通信系统性能计算方法
EP3387805A1 (en) Method and computer implemented method for decoding symbol transmitted over mmwave channel, receiver for receiving and decoding symbols transmitted over mmwave channel
CN110430150A (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
Uwaechia et al. Compressed channel estimation for massive MIMO-OFDM systems over doubly selective channels
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Naskovska et al. Generalized tensor contraction with application to Khatri-Rao coded MIMO OFDM systems
CN113037344A (zh) 一种多用户大规模mimo多源图像传输干扰消除方法
CN113949423A (zh) 一种多用户毫米波大规模mimo信道估计方法
Ruble et al. Multilinear singular value decomposition for millimeter wave channel parameter estimation
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN105610479A (zh) 一种大规模mu-mimo系统信道估计方法
CN105847196B (zh) 一种基于DOA的多小区Massive MIMO系统的信道估计方法
CN112769462A (zh) 一种基于联合参数学习的毫米波mimo宽带信道估计方法
Mota et al. Estimation of the radio channel parameters using the SAGE algorithm
CN114269014B (zh) 基于域自适应网络的大规模mimo动态环境指纹定位方法
Choi Maximum likelihood estimation for angles of arrival of coherent signals using a coherency profile

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210625

Assignee: Shanghai Diyan Information Technology Co.,Ltd.

Assignor: SHANGHAI NORMAL University

Contract record no.: X2021310000040

Denomination of invention: An interference cancellation method for multi-user large-scale MIMO multi-source image transmission

License type: Common License

Record date: 20211025

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210625