CN113364710B - 一种基于块比较重构的压缩感知信道估计方法 - Google Patents
一种基于块比较重构的压缩感知信道估计方法 Download PDFInfo
- Publication number
- CN113364710B CN113364710B CN202110638011.2A CN202110638011A CN113364710B CN 113364710 B CN113364710 B CN 113364710B CN 202110638011 A CN202110638011 A CN 202110638011A CN 113364710 B CN113364710 B CN 113364710B
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- formula
- value
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 193
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 102000005717 Myeloma Proteins Human genes 0.000 claims description 3
- 108010045503 Myeloma Proteins Proteins 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Complex Calculations (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于块比较重构的压缩感知信道估计方法,包括以下步骤:通过矩阵块编码的方式从原信道矩阵中获取信道子矩阵;对信道子矩阵进行二维离散傅里叶变换,获得频谱矩阵;对频谱矩阵的向量形式进行压缩传感,获得观测值向量与频谱矩阵之间的数学关系;通过压缩采样匹配追踪CoSaMP算法对观测值向量进行重构,还原信道子矩阵的频谱;通过块比较的方法选择频谱矩阵中合适的元素和位置,计算出有效路径对应的信道参数。本发明中,由于是对信道子矩阵的频谱进行压缩传感并且仅需要求解有限个有效路径上的信道参数,在很大程度上减小了计算规模,而且由于采取矩阵块编码方式获取信道子矩阵,进一步减短了训练序列的长度,缩减了训练开销。
Description
技术领域
本发明属于毫米波信道估计领域,具体公开一种基于块比较重构的压缩感知信道估计方法。
背景技术
近些年,由于毫米波频段的富余资源和毫米波较短的波长十分适配于大规模天线技术的应用,对毫米波MIMO系统的研究成为无线通信领域的一大热点。而毫米波系统的应用已经深入人们生活的各个方面,包括汽车雷达系、卫星星际通信、移动蜂窝通信系统、统无线高清多媒体接口技术、医疗设备传输成像等多个方面。因此,对毫米波通信系统的性能评估变得格外重要,对毫米波信道估计方法的研究成为了无线通信领域的另一个研究重点。
在实际运用中,毫米波通信系统基本采用的都是大规模天线技术,因此信道矩阵的维值一般都很大,如果采用传统的压缩感知信道估计算法,大量的观测次数会导致训练序列较长,而且当使用信号重构方法还原整个信道矩阵时,计算所用的稀疏向量的稀疏度K会较大,算法的运算会需要大量的计算。总而言之,训练开销和时间成本比较高。
发明内容
针对传统的压缩感知信道估计算法的缺点,本发明提出了一种基于基于块比较重构的压缩感知信道估计方法,通过采用矩阵块编码的方式,减短训练序列的长度,缩减训练开销。然后,通过二维离散傅里叶变换将对信道矩阵的重构问题转换成对有效路径的信道参数求解问题,由于毫米波信道是稀疏的,有效路径较少,所以算法所需计算规模会减小,节省了时间成本。最后,通过块比较的方法,减少了加性噪声对信道估计性能的影响。
为实现上述发明目的,本发明采用如下技术方案:
一种块比较重构的压缩感知信道估计方法,包括以下步骤:
步骤1,通过矩阵块编码的方式从原信道矩阵中获取信道子矩:利用射频预编码矩阵FRF和射频接收矩阵WRF对原信道矩阵H进行截取,获得维值为MR×MT的信道子矩阵HM;所述矩阵块编码方法,包括维值为TR×TT的计算子块HT、预编码矩阵FRF和接收矩阵WRF,其中计算子块HT是用于表示单次训练所计算出的子矩阵的对应部分;
步骤2,对信道子矩阵HM进行二维离散傅里叶变换获得频谱矩阵HF;
步骤3,对频谱矩阵HF的向量形式进行压缩感知,获得观测值向量与频谱矩阵HF之间的数学关系;所述压缩感知方法,包括观测矩阵Φ和稀疏变换矩阵Ψ,其中稀疏变换矩阵用于将输入变换成为稀疏向量,观测矩阵用于对稀疏向量进行观测获得观测值向量;
进一步地,步骤1的矩阵块编码方法中,将用于表示单次训练所计算出的子矩阵对应部分的计算子块HT和子矩阵HM表示为式(1)和式(2):
将用于表示单次训练时的预编码矩阵FRF表示为式(3):
其中,NT表示发射天线数量,F0是维值为TT×TT的满秩的恒模方阵;
将用于表示单次训练时的接收矩阵WRF表示为式(4):的
其中,NR表示发射天线数量,W0是维值为TR×TR的满秩的恒模方阵。
进一步地,步骤1中,将用于表示单次训练时的接收信号yRF表示为式(5):
由上述分析计算出接收信号矩阵Y(p,q),如式(7)所示
由式(7)推导出子块HT(p,q)的估计值,如式(8)所示
其中,HF(h,l)表示频谱矩阵HF在(h,l)处的元素;
原信道矩阵H为一个拥有M个有效路径的数模混合的毫米波通信系统,该通信系统发射端共有NT根天线,TT个射频链路,且TT≤NT,接收端有NR根天线,TR个射频链路,且TR≤NR,即用式(10)表示矩阵H;
利用信道矩阵的表达式(10)和DFT性质,将出发角和到达角的正弦值以NDFT为基数进行量化,得到式(11):
其中,am表示第m个有效路径的路径增益系数,θm表示第m个有效路径的到达角,表示第m个有效路径的出发角,式(10)表明信道矩阵H中每一项都是由M个分量组成,且每个分量都是每一条路径各自的增益系数、出发角和到达角的角度响应相乘的结果;
利用上述分析化简式(9),得到式(12):
其中,Q(h,l)表示一个维值为MR×MT的全1矩阵二维DFT后的结果,其维值为NDFT×NDFT,而Q(h-hm,l-lm)表示频谱的中心平移至(hm,lm)处。
进一步地,步骤3中,利用式(7)将输入训练矩阵经过子矩阵HM传输后的输出信号Y用式(13)表示:
将子矩阵HM表示成频谱矩阵HF傅里叶反变换的矩阵形式,如式(16)所示:
其中,NDFT表示二维离散傅里叶变换的维值;
利用上述分析对Y进行向量化处理,得到式(19):
根据式(19)总结出观测矩阵Φ和稀疏变换矩阵Ψ的表现形式,如式(20)和式(21)所示
进一步地,步骤4中,具体流程如下:
首先定义参数:剩余观测值为νi,感知矩阵为A,感知矩阵中的列向量为列向量的索引λi,索引集合为Λi,索引集合对应的重构的列向量集合为Ai,观测值向量为vec(Y),每次循环所得的稀疏解为hi,被观测的稀疏向量的稀疏度为K,Me为固定常数,且Me≥M;
进行如下分步骤循环:
步骤4-1:在第i次循环执行的时候,计算νi-1与Aj的内积,然后从内积中选出2K个最大值所对应的位置信息并存放在集合Λi2K中,对应的列向量存放在集合Ai2K中;
步骤4-2:记录并更新上一步中获取到的索引以及相对应的列向量至各自的集合中:Λi=Λi-1∪Λi2K,Ai=Ai-1∪Ai2K;
步骤4-4:从hi2K选出绝对值最大的K项记为hi,对应的Ai中的K列记为集合AiK,AiK在A中所对应的位置信息记为集合ΛiK;
步骤4-5:更新索引集合Λi=ΛiK和列向量集合Ai=AiK,并更新剩余观测值νi=y-Aihi;
步骤4-6:i=i+1,判断i≥Me或者νi=0是否成立,若是则退出循环执行下一步,否则返回第一步继续执行;
进一步地,步骤5中,具体流程如下:
首先定义参数:迭代次数为Me,长度为Me的向量E、a、h和l;
初始化:i=1;
进行如下分步骤循环:
步骤5-3:h(i)=hi,l(i)=li,a(i)=ai;
步骤5-7:i=i+1,判断i≥Me是否成立,若是则退出循环执行下一步,否则返回第一步继续执行;
步骤5-8:找出均方误差值向量E中最大的M项并记录位置信息,h,l和a向量中对应位置的M项即通过块比较选举出的最佳输出;
步骤5-9:利用式(11)计算出相应的M个出发角和到达角;
本发明设计方案相较于现有技术,有以下技术特点:
(1)采用矩阵块编码的方式,可以减短训练序列长度,缩减训练开销,训练序列长度可以表示为(MR/TR)(MT/TT)TT;
(2)通过二维离散傅里叶变换将对信道矩阵的重构问题转换成对有效路径的信道参数求解问题,由于毫米波信道是稀疏的,有效路径较少,所以算法所需计算规模会减小,节省了时间成本;
(3)通过块比较的方法,对比了重构后的频谱峰值与理想频谱峰值之间的相似度,并选举最佳的M个有效路径,减少了加性噪声对信道估计性能的影响。
附图说明
图1是本发明实施例中所述的基于块比较重构的压缩感知信道估计方法的步骤流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
附图1给出了本发明的总体技术思路。首先,通过矩阵块编码的方式从原信道矩阵中获取信道子矩阵并对信道子矩阵进行二维离散傅里叶变换,获得频谱矩阵;其次,对频谱矩阵的向量形式进行压缩传感,获得观测值向量与频谱矩阵之间的数学关系;然后,通过压缩采样匹配追踪(CoSaMP)算法对观测值向量进行重构,还原信道子矩阵的频谱矩阵;最后,通过块比较的方法选择频谱矩阵中合适的元素和位置,计算出有效路径对应的信道参数。以下是具体的实施步骤。
步骤1,通过矩阵块编码的方式从原信道矩阵H中获取维值为MR×MT的信道子矩阵HM。
所述矩阵块编码方法,包括维值为TR×TT的计算子块HT、预编码矩阵FRF和接收矩阵WRF,其中子块HT是用于表示单次训练所计算出的子矩阵的对应部分。
将用于表示单次训练所计算出的子矩阵对应部分的计算子块HT和子矩阵HM表示为式(1)和式(2):
将用于表示单次训练时的预编码矩阵FRF表示为式(3):
其中,NT表示发射天线数量,F0是维值为TT×TT的满秩的恒模方阵。
将用于表示单次训练时的接收矩阵WRF表示为式(4):
其中,NR表示发射天线数量,TR表示射频链路,W0是维值为TR×TR的满秩的恒模方阵。
针对F0和W0的选取,为其保证满秩且恒模,可参考哈达玛矩阵。
将用于表示单次训练时的接收信号yRF表示为式(5):
由上述分析计算出接收信号矩阵Y(p,q),如式(7)所示:
由式(7)推导出子块HT(p,q)的估计值,如式(8)所示:
步骤2,对信道子矩阵HM进行二维离散傅里叶变换获得频谱矩阵HF。
其中,HF(h,l)表示频谱矩阵HF在(h,l)处的元素;
原信道矩阵H可参考一个拥有M个有效路径的数模混合的毫米波通信系统,该通信系统发射端共有NT根天线,TT个射频链路,且TT≤NT,接收端有NR根天线,TR个射频链路,且TR≤NR,即可用式(10)表示矩阵H。
利用信道矩阵的表达式(10)和DFT性质,将出发角和到达角的正弦值以NDFT为基数进行量化,得到式(11):
其中,am表示第m个有效路径的路径增益系数,θm表示第m个有效路径的到达角,表示第m个有效路径的出发角,式(10)表明信道矩阵H中每一项都是由M个分量组成,且每个分量都是每一条路径各自的增益系数、出发角和到达角的角度响应相乘的结果。
利用上述分析化简式(9),得到式(12):
其中,Q(h,l)表示的一个维值为MR×MT的全1矩阵二维DFT后的结果,其维值为NDFT×NDFT,而Q(h-hm,l-lm)表示频谱的中心平移至(hm,lm)处。
步骤3,对频谱矩阵HF的向量形式进行压缩感知,获得观测值向量与频谱矩阵HF之间的数学关系。
所述压缩感知方法,包括观测矩阵Φ和稀疏变换矩阵Ψ,其中稀疏变换矩阵用于将输入变换成为稀疏向量,观测矩阵用于对稀疏向量进行观测获得观测值向量。观测矩阵Φ和稀疏变换矩阵Ψ的具体计算获得方式如下。
利用式(7)将输入训练矩阵经过子矩阵HM传输后的输出信号Y用式(13)表示:
将子矩阵HM表示成频谱矩阵HF傅里叶反变换的矩阵形式,如式(16)所示:
其中,NDFT表示二维离散傅里叶变换的维值。
利用上述分析对Y进行向量化处理,得到式(19)
根据式(19)总结出观测矩阵Φ和稀疏变换矩阵Ψ的表现形式,如式(20)和式(21)所示
下面将说明CoSaMP重构算法的具体流程:
定义参数:剩余观测值为νi,感知矩阵为A,感知矩阵中的列向量为列向量的索引λi,索引集合为Λi,索引集合对应的重构的列向量集合为Ai,观测值向量为vec(Y),每次循环所得的稀疏解为hi,被观测的稀疏向量的稀疏度为K,Me为固定常数,且Me≥M。
步骤4-1:在第i次循环执行的时候,计算νi-1与Aj的内积,然后从内积中选出2K个最大值所对应的位置信息并存放在集合Λi2K中,对应的列向量存放在集合Ai2K中。
步骤4-2:记录并更新上一步中获取到的索引以及相对应的列向量至各自的集合中:Λi=Λi-1∪Λi2K,Ai=Ai-1∪Ai2K。
步骤4-4:从hi2K选出绝对值最大的K项记为hi,对应的Ai中的K列记为集合AiK,AiK在A中所对应的位置信息记为集合ΛiK。
步骤4-5:更新索引集合Λi=ΛiK和列向量集合Ai=AiK,并更新剩余观测值νi=y-Aihi。
步骤4-6:i=i+1,判断i≥Me或者νi=0是否成立,若是则退出循环执行下一步,否则返回第一步继续执行。
下面将说明块比较方法的具体流程:
定义参数:迭代次数为Me,长度为Me的向量E、a、h和l。
初始化:i=1。
步骤5-3:h(i)=hi,l(i)=li,a(i)=ai。
步骤5-7:i=i+1,判断i≥Me是否成立,若是则退出循环执行下一步,否则返回第一步继续执行。
步骤5-8:找出均方误差值向量E中最大的M项并记录位置信息,h,l和a向量中对应位置的M项即通过块比较选举出的最佳输出。
步骤5-9:利用式(11)计算出相应的M个出发角和到达角。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (2)
1.一种块比较重构的压缩感知信道估计方法,其特征在于:包括以下步骤:
步骤1,通过矩阵块编码的方式从原信道矩阵中获取信道子矩:利用射频预编码矩阵FRF和射频接收矩阵WRF对原信道矩阵H进行截取,获得维值为MR×MT的信道子矩阵HM;所述编码的矩阵块,包括维值为TR×TT的计算子块HT、预编码矩阵FRF和接收矩阵WRF,其中计算子块HT是用于表示单次训练所计算出的子矩阵的对应部分;
步骤1的矩阵块编码方法中,将用于表示单次训练所计算出的子矩阵对应部分的计算子块HT和子矩阵HM表示为式(1)和式(2):
将用于表示单次训练时的预编码矩阵FRF表示为式(3):
其中,NT表示发射天线数量,F0是维值为TT×TT的满秩的恒模方阵;
将用于表示单次训练时的接收矩阵WRF表示为式(4):
其中,NR表示接收天线数量,W0是维值为TR×TR的满秩的恒模方阵;
步骤1中,将用于表示单次训练时的接收信号yRF表示为式(5):
由上述分析计算出接收信号矩阵Y(p,q),如式(7)所示:
由式(7)推导出子块HT(p,q)的估计值,如式(8)所示:
步骤2,对信道子矩阵HM进行二维离散傅里叶变换获得频谱矩阵HF;
其中,HF(h,l)表示频谱矩阵HF在(h,l)处的元素;
原信道矩阵H为一个拥有M个有效路径的数模混合的毫米波通信系统,该通信系统发射端共有NT根天线,TT个射频链路,且TT≤NT,接收端有NR根天线,TR个射频链路,且TR≤NR,即用式(10)表示矩阵H;
利用信道矩阵的表达式(10)和DFT性质,将出发角和到达角的正弦值以NDFT为基数进行量化,得到式(11):
其中,αm表示第m个有效路径的路径增益系数,θm表示第m个有效路径的到达角,表示第m个有效路径的出发角,式(10)表明信道矩阵H中每一项都是由M个分量组成,且每个分量都是每一条路径各自的增益系数、出发角和到达角的角度响应相乘的结果;
利用上述分析化简式(9),得到式(12):
其中,Q(h,l)表示一个维值为MR×MT的全1矩阵二维DFT后的结果,其维值为NDFT×NDFT,而Q(h-hm,l-lm)表示频谱的中心平移至(hm,lm)处;
步骤3,对频谱矩阵HF的向量形式进行压缩感知,获得观测值向量与频谱矩阵HF之间的数学关系;所述压缩感知方法,包括观测矩阵Φ和稀疏变换矩阵Ψ,其中稀疏变换矩阵用于将输入变换成为稀疏向量,观测矩阵用于对稀疏向量进行观测获得观测值向量;
步骤3中,利用式(7)将输入训练矩阵经过子矩阵HM传输后的输出信号Y用式(13)表示:
将子矩阵HM表示成频谱矩阵HF傅里叶反变换的矩阵形式,如式(16)所示:
其中,NDFT表示二维离散傅里叶变换的维值;
利用上述分析对Y进行向量化处理,得到式(19):
根据式(19)总结出观测矩阵Φ和稀疏变换矩阵Ψ的表现形式,如式(20)和式(21)所示:
步骤4中,具体流程如下:
首先定义参数:剩余观测值为νi,感知矩阵为A,感知矩阵中的列向量为列向量的索引λi,索引集合为Λi,索引集合对应的重构的列向量集合为Ai,观测值向量为y,每次循环所得的稀疏解为hi,被观测的稀疏向量的稀疏度为K,Me为固定常数,且Me≥M;
进行如下分步骤循环:
步骤4-1:在第i次循环执行的时候,计算νi-1与Aj的内积,然后从内积中选出2K个最大值所对应的位置信息并存放在集合Λi2K中,对应的列向量存放在集合A i2K中;
步骤4-2:记录并更新上一步中获取到的索引以及相对应的列向量至各自的集合中:Λi=Λi-1∪Λi2K,Ai=Ai-1∪Ai2K;
步骤4-4:从hi2K选出绝对值最大的K项记为hi,对应的Ai中的K列记为集合AiK,AiK在A中所对应的位置信息记为集合ΛiK;
步骤4-5:更新索引集合Λi=ΛiK和列向量集合Ai=AiK,并更新剩余观测值νi=y-Aihi;
步骤4-6:i=i+1,判断i≥Me或者νi=0是否成立,若是则退出循环执行下一步,否则返回步骤4-1继续执行;
步骤5中,具体流程如下:
首先定义参数:迭代次数为Me,长度为Me的向量E、a;
初始化:i=1;
进行如下分步骤循环:
步骤5-3:a(i)=ai;
步骤5-7:i=i+1,判断i≥Me是否成立,若是则退出循环执行下一步,否则返回步骤5-1继续执行;
步骤5-8:找出均方误差值向量E中最大的M项并记录位置信息,h,l和a向量中对应位置的M项即通过块比较选举出的最佳输出;
步骤5-9:利用式(11)计算出相应的M个出发角和到达角;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638011.2A CN113364710B (zh) | 2021-06-08 | 2021-06-08 | 一种基于块比较重构的压缩感知信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638011.2A CN113364710B (zh) | 2021-06-08 | 2021-06-08 | 一种基于块比较重构的压缩感知信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113364710A CN113364710A (zh) | 2021-09-07 |
CN113364710B true CN113364710B (zh) | 2023-05-23 |
Family
ID=77533193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638011.2A Active CN113364710B (zh) | 2021-06-08 | 2021-06-08 | 一种基于块比较重构的压缩感知信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364710B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804981B (zh) * | 2021-09-15 | 2022-06-24 | 电子科技大学 | 一种时频联合最优化多源多信道信号分离方法 |
CN115021844B (zh) * | 2022-05-30 | 2023-07-04 | 同济大学 | 基于低秩矩阵恢复和时间相关性的连续宽带压缩感知方法 |
US12057864B2 (en) * | 2022-09-20 | 2024-08-06 | Hong Kong Applied Science and Technology Research Institute Company Limited | Hardware implementation of frequency table generation for Asymmetric-Numeral-System-based data compression |
CN117908141B (zh) * | 2024-03-19 | 2024-05-14 | 成都鹰谷米特科技有限公司 | 基于双波段毫米波一体化的目标确定方法及近炸引信 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104229B (zh) * | 2018-08-13 | 2022-01-11 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
-
2021
- 2021-06-08 CN CN202110638011.2A patent/CN113364710B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113364710A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113364710B (zh) | 一种基于块比较重构的压缩感知信道估计方法 | |
Liu et al. | Deep denoising neural network assisted compressive channel estimation for mmWave intelligent reflecting surfaces | |
CN108933745B (zh) | 一种基于超分辨率角度和时延估计的宽带信道估计方法 | |
CN110311718B (zh) | 一种大规模mimo信道状态信息反馈中的量化和逆量化方法 | |
CN107566305B (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN111049557B (zh) | 基于统计信道信息的毫米波mimo系统混合预编码方法 | |
CN109257309A (zh) | 一种高性能的大规模mimo下行链路传输信道估计方法 | |
CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
CN110380997B (zh) | 基于自适应压缩感知的毫米波信道估计方法 | |
CN107544051A (zh) | 嵌套阵列基于k‑r子空间的波达方向估计方法 | |
CN114745237B (zh) | 一种智能超表面辅助多用户无线通信系统的信道估计方法 | |
CN112737649B (zh) | 一种基于角度网格优化与范数约束的毫米波信道估计方法 | |
TWI404360B (zh) | 用於一多輸入多輸出正交分頻多工系統之通訊裝置及其方法 | |
CN109495150B (zh) | 一种毫米波通信码本设计方法 | |
CN104869086A (zh) | 基于二维压缩感知的mimo-ofdm通信系统下行信道估计方法、装置 | |
CN114567525A (zh) | 一种信道估计方法及装置 | |
CN110719127B (zh) | 一种具有恒模约束的毫米波mimo系统波束成形方法 | |
CN112953865A (zh) | 一种用于大规模多输入多输出系统的信道估计方法 | |
CN112202481A (zh) | 一种基于自适应感知矩阵的压缩感知信道估计算法及实现装置 | |
CN103456148B (zh) | 信号重构的方法和装置 | |
CN110174657A (zh) | 基于秩一降维模型和块矩阵恢复的波达方向估计方法 | |
CN114978818B (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
CN106844886B (zh) | 基于主分量分析的目标波达方向获取方法 | |
KR100965100B1 (ko) | 적응적 빔포밍 장치 및 그 방법 | |
Alam et al. | DCsiNet: Effective Handling of Noisy CSI in FDD Massive MIMO System |
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 |