CN113472705B - 基于zc序列的ris辅助信道的估计及预测方法 - Google Patents
基于zc序列的ris辅助信道的估计及预测方法 Download PDFInfo
- Publication number
- CN113472705B CN113472705B CN202110668245.1A CN202110668245A CN113472705B CN 113472705 B CN113472705 B CN 113472705B CN 202110668245 A CN202110668245 A CN 202110668245A CN 113472705 B CN113472705 B CN 113472705B
- Authority
- CN
- China
- Prior art keywords
- sequence
- channel
- estimation
- ris
- time
- 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
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J13/00—Code division multiplex systems
- H04J13/0007—Code type
- H04J13/0055—ZCZ [zero correlation zone]
- H04J13/0059—CAZAC [constant-amplitude and zero auto-correlation]
- H04J13/0062—Zadoff-Chu
-
- 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
Abstract
本发明公开了一种基于ZC序列的RIS辅助信道的估计及预测方法。本发明由用户端多次发送ZC序列,RIS多次改变其反射相位;基站端收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号,利用最大似然法进行时变信道的参数估计;使用空间交替广义期望最大化方法将高维参数估计问题转化为多个低维参数估计问题,避免高维搜索;对于单径的参数估计,利用ZC序列的时延‑频率偏移的模糊性,设计基于FFT的信道参数联合估计算法,进一步降低运算复杂度,然后结合牛顿迭代进行精确估计;使得时变信道可以准确估计,而且可以预测;仿真结果表明,本发明可以在较小的训练开销下实现高质量的信道估计。
Description
技术领域
本发明属于无线信道估计技术领域,具体涉及智能反射面辅助的大规模MIMO无线通信系统中,基于Zadoff-Chu序列的信道估计和预测方法。
背景技术
由于丰富的频谱资源,毫米波通信成为无线系统中一种很有前途的通信技术,但其路径损耗很大。由于大规模多输入多输出(MIMO)技术可以用其阵列增益补偿路径损耗,毫米波大规模MIMO已经成为近年来的研究热点。近年来,可重构智能表面(RIS)技术已被引入无线通信系统。与传统的大规模MIMO技术相比,RIS辅助的大规模MIMO通信系统允许合并非常多(数千甚至更多)的反射器件,从而产生了具有极大阵列增益的超级大规模MIMO。作为一种无源器件,RIS可以在有限的功耗下提供良好的无线传播环境。因此,毫米波和RIS技术的结合可预见的将成为第五代(B5G)无线网络的关键之一。
信道状态信息是RIS辅助的海量MIMO获得巨大理论增益的前提,然而RIS的高维特性给获取信道状态信息带来了巨大挑战。类似的问题也发生在基于毫米波的移相网络(PSN)的混合大规模MIMO场景中。
但目前已有的研究工作基本都没有考虑到频率偏移,亦或者没有考虑到非整数倍的奈奎斯特采样时延。然而实际中由于收发端的相对运动,多普勒频偏必然存在。考虑各径的时延、多普勒频偏、角度,综合这些信息有利于环境感知、信道估计等。在模型中引入多普勒频偏不仅可以改善信道估计,而且可以预测时变信道,从而可以更节省地传输导频序列,以减少信道估计的开销。因此,如何在多径环境下实现大规模MIMO通信系统的信道估计是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种运算复杂度低,硬件实现方便的基于Zadoff-Chu序列(简称ZC序列)的对RIS辅助的大规模MIMO多径时变信道的估计及预测方法。
本发明提供的基于Zadoff-Chu序列的对RIS辅助的大规模MIMO多径时变信道的估计及预测方法,简称基于ZC序列的RIS辅助信道的估计及预测方法,由用户端(UE)多次发送ZC序列,相应的RIS多次改变其反射相位;考虑用户端到终端的直射链路被阻断的情形,基站端(BS)收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号,利用最大似然法进行时变信道的参数的估计;使用空间交替广义期望最大化(SAGE)的方法将原本的高维参数估计问题(多径)转化为多个低维参数估计问题(单径),避免了高维搜索;对于单径的参数估计,利用ZC序列的时延-频率偏移的模糊性,设计一种高效的基于FFT的信道参数联合估计算法,进一步降低运算复杂度,然后结合牛顿迭代进行精确估计;对于多普勒频偏的估计,使得时变信道不仅可以准确估计,而且可以预测。具体步骤如下:
第一步,采用ZC序列作为训练序列;
第二步,利用ZC序列的时延-频偏可互换的性质,采用FFT高效获取时延、角度、多普勒频偏的初始解;
第三步,基于时延、角度、多普勒频偏的初始解,进行牛顿迭代,进一步获得四维参数估计问题中时延、角度、多普勒频偏的精确值,从而实现时变信道估计及预测。
其中,j表示虚数,λ表示波长,RIS元素个数为P×Q=M,表示复数域,dx和dz分别表示均匀矩形阵列相邻天线在x轴和z轴上的间距,表示均匀矩形阵列天线的方向矢量矩阵,以均匀矩形阵列(URA)左上角第1根天线为坐标原点,以均匀矩形阵列天线所在平面为xoz平面且以均匀矩形阵列天线所在平面的法向量为y轴建立空间直角坐标系,θ表示在空间直角坐标系中发射信号的发射方向在xoz平面上的投影与x轴之间的夹角,表示在空间直角坐标系中发射信号的发射方向与z轴负半轴之间的夹角。
在上行通道中,当单天线UE发送连续时间信号x(t)时,用户端到终端的直射链路被阻断,接收端接收到的多径信号包含U条经RIS反射的反射径,各径存在不同的时延、角度、多普勒频偏,所述多径信号模型如下:
其中,是智能反射面和基站之间的信道,是先验已知信道;是对角阵,diag(·)表示向量对角化为矩阵操作,对角元素对应RIS的M个相位;用户端到智能反射面的反射信道即为待估信道。βu,θu,τu,ζu表示经RIS反射的第u条径的信道增益,到达角,时延和多普勒频偏;是的列向量化;y(t)表示接收信号,x(t)表示训练序列,z(t)表示服从复高斯分布的高斯噪声;表示实数域。
本发明第一步中,所述的ZC序列,具体设计过程如下:
(2)考虑收发端存在的成型滤波器的影响,假设收发端存在的成型滤波器为升余弦滤波器,升余弦滤波器脉冲响应表示为:
其中,α是滚降系数,Ts是奈奎斯特采样周期;离散的ZC序列s(n)经过成型滤波器后表示为连续时间信号x(t):
由于成型滤波器的低通特性,ZC序列的高频部分会被压制;连续时间信号x(t)中间的长为L的低频部分近似为一个啁啾信号,即:
因此,ZC序列的低频部分通过升余弦滤波器后的信号看作是一个啁啾信号(chirp),并且同样存在时延和频偏的互换关系,即:
其中,时延τ不再局限于整数倍的奈奎斯特采样周期;
我们在ZC序列s(n)前添加一个长度为T的循环前缀(CP),则线性时延转化为循环时延:
本发明第二步中,所述的获取时延、角度、多普勒频偏的初始解,具体过程如下:
(1)基于模型公式(2),经过接收端模数转换器后,接收信号的采样表示为:
为了改进信道估计,我们多次改变RIS的反射相位;假设信道参数在K次观测期间保持不变,则BS接收到的第K次观测的采样信号为:
截取每次观测的接收信号的低频部分,将yk(n)整理为如下矩阵形式:
且
其中
及
定义:
则有:
其中:
和
根据权利要求2所述ZC序列的设计,(23)可以进一步整理为:
定义:
和
故(24)可以进一步整理为:
定义:
由(26),时延
(2)对于第u条径问题的求解,首先进行时延、角度、频偏初始值的估计;第u条径的参数的初始值利用以下方法来实现:
单径场景下,(29)可以简化为:
其中,(·)H表示转置共轭操作;(·)*表示共轭操作;Tr(·)表示取迹操作。
定义:
由于p(ξ)和d(ζ)各元素的模恒为1,p(ξ)Hp(ξ)和d(ζ)Td(ζ)*是常数,故(32)可简化为:
将公式(34)代入公式(31)中,得到:
(35)的分母部分可以整理为:
由于{W(Φk),k=1,…,K}是预先线下设置的,我们可以离线计算(36)并提前存储
其中,R(k)(m,:)指R(k)的第m行。
定义
本发明第三步中,所述的通过牛顿迭代,进一步获得四维参数的精确值,从而实现时变信道估计及预测。具体过程如下:
基于得到的初始值,利用牛顿迭代得到精确值:
估计ζ,ζ时,
定义
和
牛顿迭代的迭代式为:
时变信道估计及预测中所述的空间交替广义期望最大化(SAGE)的关键思想是将多径问题分解为多个单径问题。算法流程为:
第一步,计算:
第二步,计算:
和
迭代更新每条路径的参数,直到收敛。此时,由
和
其中,
本发明方法的优点:
(1)本发明能够从大规模MIMO无线通信系统场景下的多径信号中估计出各径的时延、多普勒频偏、角度,从而实现信道估计及预测。
(2)本发明考虑了现实硬件中的成型滤波器的影响,能够进行超分辨率的时延估计,实现高质量的信道估计。
(3)本发明通过交替迭代避免了高维搜索,硬件实现复杂度低。
(4)本发明设计了一种基于ZC序列的发送序列,该序列可以利用ZC序列的时延-频率偏移的模糊性,降低运算复杂度。
(5)本发明考虑了多普勒频偏的估计,使得时变信道可预测,进而减少训练开销,可以在较小的训练开销下实现高质量的信道估计。
本发明可以在大规模MIMO无线通信系统实现高精度的传输时延、多普勒频偏和角度估计,进而实现精确的信道估计及预测;同时,对于多普勒频偏的估计使得时变信道可预测,进而减少训练开销。仿真结果表明,该方法可以在较小的训练开销下实现高质量的信道估计。
附图说明
图1是RIS辅助的大规模MIMO无线通信系统示意图。
图2是窄带远场环境中信号到达角关于RIS的均匀矩形阵列的示意图。
图3是经过成型滤波器后的ZC序列的模值图。
图4是基于ZC序列的发送训练序列的格式示意图。
图5是单径场景下,时延、频偏、方位角、仰角估计的RMSE性能图,以及相应的克拉美劳线(CRB)。
图6是单径场景中,在不同观测次数K下的信道估计及预测的RMSE性能图。
图7是六径场景下的信道估计和预测的RMSE性能图。
具体实施方式
下面通过具体实施例子进一步介绍本发明。
作为实施例,本发明用计算机仿真了信号发送-成型滤波器-经过信道-接收信号-信号处理的完整过程。待发送的ZC序列L=600,每一个ZC序列各自都有一个长Tcp=64的循环前缀。成型滤波器采用升余弦滤波器,滚降系数α=0.3。假设接收端有Mr=6个天线,RIS包含M=P×Q=32×32=1024个元素,天线间间距均等于半波长即RIS相位在π,3π/2四个相位中随机选取。载波频率fc=28GHz,带宽B=50MHz,也即意味着Ts=20ns。每个仿真结果都进行了100次蒙特卡洛。
实施例1,考虑直射径堵塞场景下,频偏为ξ=3×10-6/Ts(150Hz),角度为θ=90°时延为τ=0.5Ts,信道增益其中φ1是(0,1)之间随机产生的随机数,观测次数K=4。图5为该信号的时延、频偏、角度估计的根均方误差(RMSE)曲线以及它们的克拉美劳线(CRB)。仿真表明本发明可以有效估计出信号的时延、频偏、角度,并且仿真性能可以逼近CRB。
实施例2,考虑实施例1场景下,本发明的方法对单径信道估计及预测的性能。图6展示了该单径信道的信道估计及预测的RMSE性能图。仿真表明本发明在单径环境下,可以实现准确的信道估计及预测。同时,观测次数取K=2,4时的信道估计性能表明,信道估计的精度随着观测次数的增加而增加。
实施例3,六径的频偏ξ=[3×10-4,-10-5,10-6,10-4,3×10-6,-2×10-5]/Ts,角度为θ=[40°,65°,150°,100°,120°,90°],时延为τ=[0.5,1.1,1.8,2.6,5.5,6.4]Ts,信道增益其中φ1,…φ6在(0,1)之间随机产生。图7展示了该六径信道的信道估计及预测的RMSE性能图。仿真表明本发明在多径环境下,可以实现准确的信道估计及预测,且相较于没有考虑多普勒频偏的方法,本发明的方法在40个OFDM符号后依然可以准确预测信道。
参考文献
[1]D.Chu,“Polyphase codes with good periodic correlation properties(corresp.),”IEEE Transactions on Information Theory,vol.18,no.4,pp.531–532,1972.
[2]S.Boyd and L.Vandenberghe,Convex Optimization.2004.
[3]B.H.Fleury,M.Tschudin,R.Heddergott,D.Dahlhaus,and K.IngemanPedersen,“Channel parameter estimation in mobile radio environments using theSAGE algorithm,”IEEE Journal on Selected Areasin Communications,vol.17,no.3,pp.434–450,1999.
Claims (4)
1.一种基于ZC序列的RIS辅助信道的估计及预测方法,其特征在于,由用户端多次发送ZC序列,相应地RIS多次改变其反射相位;考虑用户端到终端的直射链路被阻断的情形,基站端收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号,利用最大似然法进行时变信道的参数的估计;使用空间交替广义期望最大化的方法将原本的高维参数估计问题转化为多个低维参数估计问题,避免高维搜索;对于单径的参数估计,利用ZC序列的时延-频率偏移的模糊性,设计基于FFT的信道参数联合估计算法,进一步降低运算复杂度,然后结合牛顿迭代进行精确估计;对于多普勒频偏的估计使得时变信道可以准确估计,而且可以预测;具体步骤如下:
步骤一,采用ZC序列作为训练序列;
步骤二,利用ZC序列的时延-频偏可互换的性质,采用FFT高效获取时延、角度、多普勒频偏的初始解;
步骤三,基于时延、角度、多普勒频偏的初始解,进行牛顿迭代,进一步获得四维参数估计问题中时延、角度、多普勒频偏的精确值,从而实现时变信道估计及预测;
其中,j表示虚数,λ表示波长,RIS元素个数为P×Q=M,表示复数域,dx和dz分别表示均匀矩形阵列相邻天线在x轴和z轴上的间距,表示均匀矩形阵列天线的方向矢量矩阵,以均匀矩形阵列左上角第1根天线为坐标原点,以均匀矩形阵列天线所在平面为xoz平面且以均匀矩形阵列天线所在平面的法向量为y轴建立空间直角坐标系,θ表示在空间直角坐标系中发射信号的发射方向在xoz平面上的投影与x轴之间的夹角,表示在空间直角坐标系中发射信号的发射方向与z轴负半轴之间的夹角;
在上行通道中,当单天线UE发送连续时间信号x(t)时,用户端到终端的直射链路被阻断,接收端接收到的多径信号包含U条经RIS反射的反射径,各径存在不同的时延、角度、多普勒频偏,所述多径信号模型如下:
2.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法,其特征在于步骤一中所述的ZC序列,具体设计过程如下:
(2)考虑收发端存在的成型滤波器的影响,假设收发端存在的成型滤波器为升余弦滤波器,升余弦滤波器脉冲响应表示为:
其中,α是滚降系数,Ts是奈奎斯特采样周期;离散的ZC序列s(n)经过成型滤波器后表示为连续时间信号x(t):
由于成型滤波器的低通特性,ZC序列的高频部分会被压制;连续时间信号x(t)中间的长为L的低频部分近似为一个啁啾信号,即:
于是,ZC序列的低频部分通过升余弦滤波器后的信号看作是一个啁啾信号,并且同样存在时延和频偏的互换关系,即:
其中,时延τ不再局限于整数倍的奈奎斯特采样周期;
在ZC序列s(n)前添加一个长度为T的循环前缀(CP),则线性时延转化为循环时延:
3.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法,其特征在于,步骤二中所述的获取时延、角度、多普勒频偏的初始解,具体过程如下:
(1)基于模型公式(2),经过接收端模数转换器后,接收信号的采样表示为:
为了改进信道估计,多次改变RIS的反射相位;假设信道参数在K次观测期间保持不变,则BS接收到的第K次观测的采样信号为:
截取每次观测的接收信号的低频部分,将yk(n)整理为如下矩阵形式:
且
其中:
及
定义:
则有:
其中:
和
根据ZC序列的设计,(23)式可以进一步整理为:
定义:
和
故(24)式可以进一步整理为:
定义
由(26)式,时延:
(2)对于第u条径问题的求解,首先进行时延、角度、频偏初始值的估计;第u条径的参数的初始值利用以下方法来实现:
单径场景下,(29)简化为:
其中,(·)H表示转置共轭操作;(·)*表示共轭操作;Tr(·)表示取迹操作;
定义:
由于p(ξ)和d(ζ)各元素的模恒为1,p(ξ)Hp(ξ)和d(ζ)Td(ζ)*是常数,故(32)式简化为:
将公式(34)代入公式(31)中,得到:
(35)式的分母部分可以整理为:
由于{W(Φk),k=1,…,K}是预先线下设置的,可以离线计算(36)式并提前存储:
其中,R(k)(m,:)指R(k)的第m行;
定义:
4.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法,其特征在于,步骤三中所述的通过牛顿迭代,进一步获得四维参数的精确值,从而实现时变信道估计及预测;具体过程如下:
基于得到的初始值,利用牛顿迭代得到精确值:
估计ζ,ξ时,
定义:
和
牛顿迭代的迭代式为:
时变信道估计及预测中所述的空间交替广义期望最大化的关键是将多径问题分解为多个单径问题;算法流程为:
第一步,计算:
第二步,计算:
和
迭代更新每条路径的参数,直到收敛;此时,由
和
到达RIS平面的时域信号为:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668245.1A CN113472705B (zh) | 2021-06-16 | 2021-06-16 | 基于zc序列的ris辅助信道的估计及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668245.1A CN113472705B (zh) | 2021-06-16 | 2021-06-16 | 基于zc序列的ris辅助信道的估计及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113472705A CN113472705A (zh) | 2021-10-01 |
CN113472705B true CN113472705B (zh) | 2022-06-21 |
Family
ID=77870114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668245.1A Active CN113472705B (zh) | 2021-06-16 | 2021-06-16 | 基于zc序列的ris辅助信道的估计及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113472705B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11601307B2 (en) * | 2018-12-17 | 2023-03-07 | U-Blox Ag | Estimating one or more characteristics of a communications channel |
US11848709B2 (en) * | 2020-08-14 | 2023-12-19 | Huawei Technologies Co., Ltd. | Media-based reconfigurable intelligent surface-assisted modulation |
CN114338297B (zh) * | 2021-11-26 | 2023-06-30 | 河南工程学院 | 一种非相干LoRa系统下的联合定时同步与频偏估计方法 |
CN114172546B (zh) * | 2021-12-10 | 2022-11-01 | 中国传媒大学 | Ris辅助mimo系统中一种多参数迭代估计方法 |
CN114337871B (zh) * | 2021-12-29 | 2023-02-28 | 北京交通大学 | 一种ris辅助信道仿真及信道容量分析方法 |
CN114422048A (zh) * | 2021-12-30 | 2022-04-29 | 西安电子科技大学 | 一种高速飞行器快时变多径大时延差信道探测方法及系统 |
CN114567360B (zh) * | 2022-03-04 | 2024-01-26 | 东南大学 | 一种用于智能超表面无线通信的信道参数估计方法 |
WO2023221094A1 (en) * | 2022-05-20 | 2023-11-23 | Lenovo (Beijing) Limited | Methods and apparatuses for uplink signal enhancement |
CN115412187A (zh) * | 2022-07-10 | 2022-11-29 | 重庆邮电大学 | 一种基于可重构智能表面的毫米波信道追踪方法 |
CN116094875A (zh) * | 2023-02-09 | 2023-05-09 | 重庆邮电大学 | 一种超大规模mimo系统中基于上行辅助的otfs下行信道估计方法 |
CN116743530B (zh) * | 2023-08-08 | 2023-10-31 | 中国电子科技集团公司第二十九研究所 | 基于数据辅助的otsm系统信道估计方法、介质及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010219A (zh) * | 2019-11-28 | 2020-04-14 | 东南大学 | 可重构智能表面辅助的多用户mimo上行链路传输方法 |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
CN112565121A (zh) * | 2020-12-07 | 2021-03-26 | 电子科技大学 | 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法 |
CN112910807A (zh) * | 2021-02-04 | 2021-06-04 | 华中科技大学 | 一种基于空间随机采样的智能超表面信道估计方法及系统 |
-
2021
- 2021-06-16 CN CN202110668245.1A patent/CN113472705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010219A (zh) * | 2019-11-28 | 2020-04-14 | 东南大学 | 可重构智能表面辅助的多用户mimo上行链路传输方法 |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
CN112565121A (zh) * | 2020-12-07 | 2021-03-26 | 电子科技大学 | 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法 |
CN112910807A (zh) * | 2021-02-04 | 2021-06-04 | 华中科技大学 | 一种基于空间随机采样的智能超表面信道估计方法及系统 |
Non-Patent Citations (1)
Title |
---|
Enabling Large Intelligent Surfaces With Compressive Sensing and Deep Learning;ABDELRAMAN TAHA等;《IEEE ACCESS》;20200502;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113472705A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113472705B (zh) | 基于zc序列的ris辅助信道的估计及预测方法 | |
Zhou et al. | Channel estimation for RIS-aided multiuser millimeter-wave systems | |
Han et al. | Localization and channel reconstruction for extra large RIS-assisted massive MIMO systems | |
WO2022165872A1 (zh) | 一种针对毫米波3d mimo信道的路径参数提取方法 | |
CN109412983B (zh) | 一种基于dft域的无网格化大规模mimo信道估计算法 | |
CN113156365B (zh) | 基于共轭zc序列对的速度、角度、距离联合估计方法 | |
CN108683619B (zh) | 一种低复杂度的大规模mimo信道参数估计方法 | |
CN105891771A (zh) | 一种提高估计精度的基于连续分布的角度估计方法与设备 | |
Qi et al. | Off-grid compressive channel estimation for mm-wave massive MIMO with hybrid precoding | |
Li et al. | Distributed MIMO radar based on sparse sensing: Analysis and efficient implementation | |
CN108594166A (zh) | 一种二维波达方向估计方法及装置 | |
Ghermezcheshmeh et al. | Parametric channel estimation for LoS dominated holographic massive MIMO systems | |
Mo et al. | Beamspace channel estimation with beam squint effect for the millimeter-wave MIMO-OFDM systems | |
Teng et al. | Variational bayesian multiuser tracking for reconfigurable intelligent surface aided mimo-ofdm systems | |
CN110086734B (zh) | 一种时变大规模mimo系统中的信道追踪和恢复方法 | |
CN113644940A (zh) | 一种基于统计csi的智能反射面的相移设计方法 | |
EP3763052A1 (en) | Channel covariance matrix conversion | |
Rinchi et al. | Single-snapshot localization for near-field RIS model using atomic norm minimization | |
CN114520699B (zh) | 可重构智能表面辅助毫米波通信的低复杂度信道估计方法 | |
Xia et al. | Sensing-enabled Predictive Beamforming Design for RIS-assisted V2I Systems: A Deep Learning Approach | |
Wang et al. | Spatial-wideband effect in massive MIMO systems | |
Liu et al. | Reconfigurable Intelligent Surface Enhanced Massive Connectivity with Massive MIMO | |
Wang et al. | A block sparsity based channel estimation technique for mmWave massive MIMO with beam squint effect | |
Jing et al. | Transceiver beamforming for over-the-air computation in massive MIMO systems | |
Peng et al. | Channel estimation for RIS-aided mmWave MIMO system from 1-sparse recovery perspective |
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 |