CN114465642A - 信道估计方法、装置、电子设备及存储介质 - Google Patents

信道估计方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114465642A
CN114465642A CN202210056629.2A CN202210056629A CN114465642A CN 114465642 A CN114465642 A CN 114465642A CN 202210056629 A CN202210056629 A CN 202210056629A CN 114465642 A CN114465642 A CN 114465642A
Authority
CN
China
Prior art keywords
path component
field
field path
estimation result
far
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
CN202210056629.2A
Other languages
English (en)
Inventor
戴凌龙
魏秀红
崔铭尧
陆宇
吴梓栋
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210056629.2A priority Critical patent/CN114465642A/zh
Publication of CN114465642A publication Critical patent/CN114465642A/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供一种信道估计方法、装置、电子设备及存储介质，所述方法应用于MIMO基站，包括：创建混合场信道模型，其中，混合场信道模型包括远场路径分量子模型和近场路径分量子模型；基于远场路径分量子模型对MIMO基站的信道进行划分，得到远场路径分量，基于近场路径分量子模型对MIMO基站的信道进行划分，得到近场路径分量；基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果；基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。通过本发明实现对MIMO混合场通信环境的低开销且精准性信道估计。

Description

信道估计方法、装置、电子设备及存储介质
技术领域
本发明涉及无线移动通信技术领域，尤其涉及一种信道估计方法、装置、电子设备及存储介质。
背景技术
超大规模多输入多输出(Multi-Input Multi-Output，MIMO)技术是未来6G具有潜力的关键技术之一。基站通过配置超大规模的天线阵列可以实现更高的频谱效率和能量效率。但是，急剧增加的天线数目给超大规模MIMO信道估计带来巨大的导频开销。
目前有两类低开销的信道估计方法，分别为远场信道估计方案和近场信道估计方案。
相关技术可知，现有的远场信道估计方案和近场信道估计方案假设散射体全部分布在远场区域，或者全部分布在近场区域。然而，实际上超大规模MIMO通信系统中更容易出现混合场的通信环境，即一些散射体分布在远场区域，一些散射体分布在近场区域。即超大规模MIMO信道通常既包含远场信道分量又包含近场信道分量。因此，现有的远场或者近场信道模型都与这种混合场的通信环境不匹配。进而在对混合场超大规模MIMO信道估计中造成严重的性能损失。
发明内容
本发明提供一种信道估计方法、装置、电子设备及存储介质，用以解决现有技术中信道估计方法与混合场的通信环境不匹配的缺陷，实现基于混合场信道模型更精确的建模MIMO混合场通信环境，并分别对混合场通信环境中的远场路径分量和近场路径分量进行分别估计，实现对MIMO混合场通信环境的低开销且精准性信道估计。
本发明提供一种信道估计方法，所述方法应用于MIMO基站，所述方法包括：创建混合场信道模型，其中，所述混合场信道模型包括远场路径分量子模型和近场路径分量子模型；基于所述远场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条远场路径分量，以及基于所述近场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条近场路径分量；基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，以及基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果；基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果。
根据本发明提供的一种信道估计方法，所述基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果，包括：基于角度域信道转化矩阵对所述第一估计结果进行处理，得到所述第一估计结果在所述MIMO基站所在的原始空间域的转化后第一估计结果，以及基于极化域信道转化矩阵对所述第二估计结果进行处理，得到所述第二估计结果在所述MIMO基站所在的原始空间域的转化后第二估计结果；基于所述转化后第一估计结果和所述转化后第二估计结果，得到关于所述MIMO基站的信道估计结果。
根据本发明提供的一种信道估计方法，所述混合场信道模型采用以下公式确定：
Figure BDA0003476761910000031
其中，h表示所述MIMO基站到用户之间的信道；N表示所述MIMO基站的天线数目；L表示基于所述远场路径分量子模型和所述近场路径分量子模型确定的所有路径分量的数目；γ表示基于所述远场路径分量子模型确定的远场路径分量占所有路径分量的数目比例；
Figure BDA0003476761910000032
表示基于所述远场路径分量子模型确定的远场路径分量中的远场路径增益；
Figure BDA0003476761910000033
表示基于所述近场路径分量子模型确定的近场路径分量中的近场路径增益；
Figure BDA0003476761910000034
表示基于所述远场路径分量子模型确定的远场路径分量对应的空间角度，
Figure BDA0003476761910000035
表示基于所述近场路径分量子模型确定的近场路径分量对应的空间角度，
Figure BDA0003476761910000036
表示基于所述近场路径分量子模型确定的近场路径分量对应的超大规模阵列的中心到散射体之间的距离；a(θ)表示远场阵列响应矢量；b(θ,r)表示近场阵列响应矢量。
根据本发明提供的一种信道估计方法，所述基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，包括：确定混合信道估计模型；基于所述远场路径分量在角度域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述远场路径分量进行估计，得到第一估计结果。
根据本发明提供的一种信道估计方法，所述混合信道估计模型采用以下公式确定：
y＝PFhA+PWhP+n
其中，y表示用户获取的接收导频；n表示接收噪声；P表示所述MIMO基站向所述用户发送的导频矩阵；hA表示所述第一估计结果；F表示远场信道转换矩阵；hP表示所述第二估计结果；W表示近场信道转换矩阵。
根据本发明提供的一种信道估计方法，所述通过所述混合信道估计模型以及所述压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，包括：通过所述混合信道估计模型，确定第一稀疏信号恢复模型；以所述接收导频作为第一初始残差向量，通过压缩感知算法对所述第一稀疏信号恢复模型进行计算，得到所述第一估计结果。
根据本发明提供的一种信道估计方法，所述第一稀疏信号恢复模型采用以下公式确定：
min||hA||0,s.t.||y-PFhA||2＜ε,
其中，||hA||0表示hA中非零元素的个数；hA表示所述第一估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示所述MIMO基站向所述用户发送的导频矩阵；F表示远场信道转换矩阵。
根据本发明提供的一种信道估计方法，所述基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果，包括：基于所述近场路径分量在极化域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述近场路径分量进行估计，得到第二估计结果。
根据本发明提供的一种信道估计方法，所述基于所述近场路径分量在极化域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述近场路径分量进行估计，得到第二估计结果，包括：
通过所述混合信道估计模型，确定第二稀疏信号恢复模型；
以接收导频与所述第一估计结果的影响之差作为第二初始残差向量，通过压缩感知算法对所述第二稀疏信号恢复模型进行计算，得到所述第二估计结果，其中，所述第二初始残差向量通过以下公式确定：
r＝y-PFhA
r表示所述第二初始残差向量；y表示所述接收导频；PFhA表示所述第一估计结果的影响。
根据本发明提供的一种信道估计方法，所述第二稀疏信号恢复模型采用以下公式确定：
min||hP||0,s.t.||y-PWhP||2＜ε,
其中，||hP||0表示hP中非零元素的个数；hP表示所述第二估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示所述MIMO基站向所述用户发送的导频矩阵；W表示近场信道转换矩阵。
本发明还提供一种信道估计装置，所述装置应用于MIMO基站，所述装置包括：
创建模块，用于创建混合场信道模型，其中，所述混合场信道模型包括远场路径分量子模型和近场路径分量子模型；
划分模块，用于基于所述远场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条远场路径分量，以及基于所述近场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条近场路径分量；
估计模块，用于基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，以及基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果；
处理模块，用于基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述信道估计方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述信道估计方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述信道估计方法的步骤。
本发明提供的信道估计方法、装置、电子设备及存储介质，基于混合场信道模型更精确的建模MIMO混合场通信环境，并分别对混合场通信环境中的远场路径分量和近场路径分量进行分别估计，实现对MIMO混合场通信环境的低开销且精准性信道估计，用以减少在混合场超大规模MIMO信道估计中造成的性能损失。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的MIMO基站对应的混合场环境示意图；
图2是本发明提供的信道估计方法的流程示意图之一；
图3是本发明提供的基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果的流程示意图之一；
图4是本发明提供的基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果的流程示意图之一；
图5是本发明提供的通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果的流程示意图之一；
图6是本发明提供的基于近场路径分量在极化域的稀疏性，通过混合信道估计模型以及压缩感知算法对近场路径分量进行估计，得到第二估计结果的流程示意图之一；
图7是应用本发明提供的信道估计方法得到的信道估计误差性能对比示意图；
图8是本发明提供的信道估计装置的结构示意图；
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
超大规模多输入多输出(Multi-Input Multi-Output，MIMO)技术是未来6G具有潜力的关键技术之一。基站通过配置超大规模的天线阵列可以实现更高的频谱效率和能量效率。但是，急剧增加的天线数目给超大规模MIMO信道估计带来巨大的导频开销。
目前有两类低开销的信道估计方法，分别为远场信道估计和近场信道估计。
现有的远场信道估计方案和近场信道估计方案假设散射体或者全部分布在远场区域，或者全部分布在近场区域。实际上，超大规模MIMO通信系统中更容易出现混合场的通信环境，即一些散射体分布在远场区域，一些散射体分布在近场区域。即超大规模MIMO信道通常既包含远场信道分量又包含近场信道分量。然而，现有的远场或者近场信道模型都与这种混合场的通信环境不匹配。现有的远场或者近场信道估计方法在混合场超大规模MIMO信道估计中将造成严重的性能损失。
本发明提出一种MIMO混合场信道模型，以更精确地建模MIMO信道。进一步的，可以基于MIMO混合场信道模型，提出一种低开销的混合场信道估计方法，用以实现对MIMO混合场通信环境的低开销且精准性信道估计，从而减少在混合场超大规模MIMO信道估计中造成的性能损失。
本发明将结合下述实施例对信道估计方法的过程进行说明。
在本发明一示例性实施例中，信道估计方法可以应用于MIMO基站，可以理解的是，MIMO基站对应有超大规模MIMO辅助的通信系统。结合图1可知，假设一个配置超大规模天线阵列的基站与单天线用户进行通信，通信环境中存在两种类型的散射体(用户本身也可以看作是一种特殊的散射体)。有的散射体离基站较远，处于超大规模阵列的远场范围，将会产生远场路径分量；一种散射体离基站较近，处于超大规模阵列的近场范围，将会产生近场路径分量。
针对前述的超大规模MIMO的混合场通信环境，本发明将提出一种信道估计方法对MIMO基站进行信道估计，用以确保相比于现有的远场信道估计方法和近场信道估计方法在相同的低导频开销下可以取得更好的信道估计性能。
图2是本发明提供的信道估计方法的流程示意图之一。
在本发明一示例性实施例中，如图2所示，信道估计方法可以包括步骤210至步骤240，下面将分别介绍各步骤。
在步骤210中，创建混合场信道模型，其中，混合场信道模型可以包括远场路径分量子模型和近场路径分量子模型。
在步骤220中，基于远场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及基于近场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条近场路径分量。
在一种实施例中，鉴于MIMO基站可以产生超大规模MIMO混合场通信环境，可以创建混合场信道模型。其中，混合场信道模型可以包括远场路径分量子模型和近场路径分量子模型。
在一种实施例中，混合场信道模型可以采用以下公式确定：
Figure BDA0003476761910000091
其中，h表示MIMO基站到用户之间的信道；N表示MIMO基站的天线数目；L表示基于远场路径分量子模型和近场路径分量子模型确定的所有路径分量的数目；γ表示基于远场路径分量子模型确定的远场路径分量占所有路径分量的数目比例；
Figure BDA0003476761910000092
表示基于远场路径分量子模型确定的远场路径分量中的远场路径增益；
Figure BDA0003476761910000093
表示基于近场路径分量子模型确定的近场路径分量中的近场路径增益；
Figure BDA0003476761910000094
表示基于远场路径分量子模型确定的远场路径分量对应的空间角度；
Figure BDA0003476761910000095
表示基于近场路径分量子模型确定的近场路径分量对应的空间角度；
Figure BDA0003476761910000096
表示基于近场路径分量子模型确定的近场路径分量对应的超大规模阵列的中心到散射体之间的距离；a(θ)表示远场阵列响应矢量；b(θ,r)表示近场阵列响应矢量。可以理解的是，超大规模阵列的中心可以是MIMO基站中的天线阵列的中心。
在一示例中，远场阵列响应矢量a(θ)可以通过以下公式表示：
Figure BDA0003476761910000097
在又一示例中，远场阵列响应矢量b(θ,r)可以通过以下公式表示：
Figure BDA0003476761910000098
其中，
Figure BDA0003476761910000099
表示第n个天线单元到散射体之间的距离，d表示相邻两个天线单元之间的间隔，
Figure BDA0003476761910000101
其中n＝1,2,…,N。
在又一种实施例中，基于远场路径分量子模型和近场路径分量子模型，可以对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及关于MIMO基站的多条近场路径分量。需要说明的是，对于不同的超大规模MIMO混合场通信环境，MIMO基站对应的远场路径分量的数量比可以不同。
在步骤230中，基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，以及基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果。
在一种实施例中，每一条远场路径分量都可以由路径增益和基于角度的远场阵列导引矢量组成，当其变换到角度域时会呈现出一定的稀疏性。在应用过程中，可以基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果。在本实施例中，利用远场路径分量在角度域的稀疏性，可以将远场路径分量估计问题建模为一个稀疏信号恢复问题。并采用压缩感知算法以估计出所有的远场路径分量，此时感知矩阵与远场角度域信道变换矩阵(即DFT矩阵)有关。通过本实施例，通过低维的数据即可实现对具有高维稀疏矩阵格式的远场路径分量的估计，得到第一估计结果，实现了信道估计的低开销性。
在又一种实施例中，每一条近场路径分量都由路径增益和基于角度和距离的近场阵列导引矢量组成，当其变换到极化域时会呈现出一定的稀疏性。在应用过程中，可以基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果。在本实施例中，可以利用近场路径分量在极化域的稀疏性，将近场路径分量估计问题建模为一个稀疏信号恢复问题。并采用压缩感知算法以估计出所有的近场路径分量，此时感知矩阵与近场极化域信道变换矩阵有关。通过本实施例，通过低维的数据即可实现对具有高维稀疏矩阵格式的近场路径分量的估计，得到第二估计结果，实现了信道估计的低开销性。
在步骤240中，基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。
在一种实施例中，可以根据估计得到的角度域远场路径分量(对应第一估计结果)和估计得到的极化域近场路径分量(对应第二估计结果)，得到关于MIMO基站的信道估计结果。
本发明提供的信道估计方法，基于混合场信道模型更精确的建模MIMO混合场通信环境，并分别对混合场通信环境中的远场路径分量和近场路径分量进行分别估计，实现对MIMO混合场通信环境的低开销且精准性信道估计，用以减少在混合场超大规模MIMO信道估计中造成的性能损失。
为了进一步介绍本发明提供的信道估计方法，下面将结合下述实施例对基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果的过程进行说明。
图3是本发明提供的基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果的流程示意图之一。
在本发明一示例性实施例中，如图3所示，基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果可以包括步骤310至步骤330，下面将分别介绍各步骤。
在步骤310中，基于角度域信道转化矩阵对第一估计结果进行处理，得到第一估计结果在MIMO基站所在的原始空间域的转化后第一估计结果。
在步骤320中，基于极化域信道转化矩阵对第二估计结果进行处理，得到第二估计结果在MIMO基站所在的原始空间域的转化后第二估计结果。
在步骤330中，基于转化后第一估计结果和转化后第二估计结果，得到关于MIMO基站的信道估计结果。
在一种实施例中，可以将两类路径分量(对应第一估计结果和第二估计结果)分别经过角度域信道转化矩阵和极化域信道转化矩阵转化到原始的空间域，分别得到转化后第一估计结果和转化后第二估计结果。进一步的，将转化后第一估计结果和转化后第二估计结果相加，可以得到最终关于MIMO基站的信道估计结果。在本实施例中，对于MIMO混合场通信环境，分别基于不同的信道转化矩阵对远场路径分量和近场路径分量进行分别估计，并基于估计的结果得到关于MIMO基站的信道估计结果，实现了对MIMO混合场通信环境的信道估计的精准性。
本发明将结合下述实施例对基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果的过程进行说明。
图4是本发明提供的基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果的流程示意图之一。
在本发明一示例性实施例中，如图4所示，基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果可以包括步骤410和步骤420，下面将分别介绍各步骤。
在步骤410中，确定混合信道估计模型。
在一种实施例中，基于混合场信道模型，可以进一步提出混合场信道估计方法。在一示例中，在M个时隙中，MIMO基站可以向用户发送导频矩阵P以进行信道估计。其中，混合信道估计模型可以表示为以下公式：
y＝Ph+n (4)
其中，y表示用户获取的接收导频，n表示接收噪声。所提方法的基本思路为通过利用远场路径分量在角度域的稀疏性和近场路径分量和极化域的稀疏性，基于不同的信道转换矩阵分别估计远场路径分量和近场路径分量。
在一种实施例中，上述混合信道估计模型可以进一步表示为：
y＝PFhA+PWhP+n (5)
其中，y表示用户获取的接收导频；n表示接收噪声；P表示MIMO基站向所述用户发送的导频矩阵；hA表示第一估计结果；F表示远场信道转换矩阵；hP表示第二估计结果；W表示近场信道转换矩阵。其中，第一估计结果hA和第二估计结果hP均具有一定的稀疏性。远场信道转换矩阵F＝[a(θ1),…,a(θN)]，即离散傅里叶变换(discrete fouriertransform(DFT))矩阵矩阵，其中
Figure BDA0003476761910000131
近场信道转换矩阵
Figure BDA0003476761910000132
其中，
Figure BDA0003476761910000133
表示在采样角度θn下对应采样距离，且满足
Figure BDA0003476761910000134
在步骤420中，基于远场路径分量在角度域的稀疏性，通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果。
在一种实施例中，基于混合信道估计模型，我们将分别估计角度域的远场路径分量和极化域的近场路径分量。首先，我们先估计远场路径分量，可将估计问题建模为稀疏信号恢复问题。通过将估计问题建模为稀疏信号恢复问题可以实现信道估计的低开销性。
为了进一步介绍本发明提供的信道估计方法，下面将结合下述实施例对通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果的过程进行说明。
图5是本发明提供的通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果的流程示意图之一。
在本发明一示例性实施例中，如图5所示，通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果可以包括步骤510和步骤520，下面将分别介绍各步骤。
在步骤510中，通过混合信道估计模型，确定第一稀疏信号恢复模型。
在步骤520中，以接收导频作为第一初始残差向量，通过压缩感知算法对第一稀疏信号恢复模型进行计算，得到第一估计结果。
在一种实施例中，第一稀疏信号恢复模型采用以下公式确定：
min||hA||0,s.t.||y-PFhA||2＜ε, (6)
其中，||hA||0表示hA中非零元素的个数；hA表示第一估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示MIMO基站向用户发送的导频矩阵；F表示远场信道转换矩阵。需要说明的是可容忍的误差阈值ε可以根据实际情况进行调整。
在一种实施例中，可以将接收导频y作为第一初始残差向量，通过压缩感知算法，例如正交匹配追踪算法进行求解，得到第一估计结果，即得到估计的角度域远场路径分量hA。在本实施例中，通过将估计问题建模为稀疏信号恢复问题可以实现信道估计的低开销性。
在估计完角度域远场路径分量(对应第一估计结果)hA后，可以从接收的导频信号y中减去所估计的远场路径分量的影响，得到估计的极化域近场路径分量(对应第二估计结果)hP所需的第二初始残差向量。
在一种实施例中，基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果可以通过以下方式实现：
基于近场路径分量在极化域的稀疏性，通过混合信道估计模型以及压缩感知算法对近场路径分量进行估计，得到第二估计结果。
在一种实施例中，如图6所示，基于近场路径分量在极化域的稀疏性，通过混合信道估计模型以及压缩感知算法对近场路径分量进行估计，得到第二估计结果可以包括步骤610和步骤620，下面将分别介绍各步骤。
在步骤610中，通过混合信道估计模型，确定第二稀疏信号恢复模型。
在一种实施例中，第二稀疏信号恢复模型可以采用以下公式确定：
min||hP||0,s.t.||y-PWhP||2＜ε, (7)
其中，||hP||0表示hP中非零元素的个数；hP表示第二估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示MIMO基站向用户发送的导频矩阵；W表示近场信道转换矩阵。需要说明的是可容忍的误差阈值ε可以根据实际情况进行调整。
在步骤620中，以接收导频与第一估计结果的影响之差作为第二初始残差向量，通过压缩感知算法对第二稀疏信号恢复模型进行计算，得到第二估计结果。
在一示例中，第二初始残差向量可以通过以下公式确定：
r＝y-PFhA (8)
其中，r表示第二初始残差向量；y表示接收导频；PFhA表示第一估计结果的影响。在第一估计结果的影响中，P表示基站向用户发送的导频矩阵，F表示远场信道转换矩阵，hA表示第一估计结果。
在一种实施例中，在对近场路径分量进行估计时，可将估计问题建模为稀疏信号恢复问题。对应的稀疏信号恢复模型采用第二稀疏信号恢复模型。
在应用过程中，可以将接收导频y与第一估计结果的影响PFhA之差作为第二初始残差向量r，通过压缩感知算法，例如正交匹配追踪算法进行求解，得到第二估计结果，即得到估计的极化域近场路径分量hP。需要说明的是，后续每次迭代计算残差向量时均需减去已估计的远场路径分量的影响。在本实施例中，通过将估计问题建模为稀疏信号恢复问题可以实现信道估计的低开销性。
进一步的，可以将估计的两类路径分量(对应第一估计结果和第二估计结果)分别经过角度域信道转化矩阵和极化域信道转化矩阵转化到原始的空间域，分别得到转化后第一估计结果和转化后第二估计结果。进一步的，将转化后第一估计结果和转化后第二估计结果相加，可以得到最终关于MIMO基站的信道估计结果。
图7是应用本发明提供的信道估计方法得到的信道估计误差性能对比示意图。
结合图7可知，本发明所提的混合场信道估计方法在超大规模MIMO混合场通信环境中相比于现有的远场或者近场信道估计方法在相同的低导频开销下可以达到更好的信道估计性能。
根据上述描述可知，本发明提供的信道估计方法，基于混合场信道模型更精确的建模MIMO混合场通信环境，并分别对混合场通信环境中的远场路径分量和近场路径分量进行分别估计，实现对MIMO混合场通信环境的低开销且精准性信道估计，用以减少在混合场超大规模MIMO信道估计中造成的性能损失。
基于相同的构思，本发明还提供一种信道估计装置。
下面对本发明提供的信道估计装置进行描述，下文描述的信道估计装置与上文描述的信道估计方法可相互对应参照。
图8是本发明提供的信道估计装置的结构示意图。
在本发明一示例性实施例中，信道估计装置可以应用于MIMO基站，其中，MIMO基站可以是超大规模MIMO基站。可以理解的是，超大规模MIMO基站可以形成一种超大规模MIMO的混合场通信环境。如图8所示，信道估计装置可以包括创建模块810、划分模块820、估计模块830和处理模块840，下面将分别介绍各模块。
创建模块810可以被配置为用于创建混合场信道模型，其中，混合场信道模型可以包括远场路径分量子模型和近场路径分量子模型。
划分模块820可以被配置为用于基于远场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及基于近场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条近场路径分量。
估计模块830可以被配置为用于基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，以及基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果。
处理模块840可以被配置为用于基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。
在本发明一示例性实施例中，处理模块840可以采用以下方式基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果：
基于角度域信道转化矩阵对第一估计结果进行处理，得到第一估计结果在MIMO基站所在的原始空间域的转化后第一估计结果，以及基于极化域信道转化矩阵对第二估计结果进行处理，得到第二估计结果在MIMO基站所在的原始空间域的转化后第二估计结果；基于转化后第一估计结果和转化后第二估计结果，得到关于MIMO基站的信道估计结果。
在本发明一示例性实施例中，创建模块810可以采用以下方式确定混合场信道模型：
Figure BDA0003476761910000171
其中，h表示MIMO基站到用户之间的信道；N表示MIMO基站的天线数目；L表示基于远场路径分量子模型和近场路径分量子模型确定的所有路径分量的数目；γ表示基于远场路径分量子模型确定的远场路径分量占所有路径分量的数目比例；
Figure BDA0003476761910000181
表示基于远场路径分量子模型确定的远场路径分量中的远场路径增益；
Figure BDA0003476761910000182
表示基于近场路径分量子模型确定的近场路径分量中的近场路径增益；
Figure BDA0003476761910000183
表示基于远场路径分量子模型确定的远场路径分量对应的空间角度；
Figure BDA0003476761910000184
表示基于近场路径分量子模型确定的近场路径分量对应的空间角度；
Figure BDA0003476761910000185
表示基于所述近场路径分量子模型确定的近场路径分量对应的超大规模阵列的中心到散射体之间的距离；a(θ)表示远场阵列响应矢量；b(θ,r)表示近场阵列响应矢量。
在本发明一示例性实施例中，估计模块830可以采用以下方式基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果：
确定混合信道估计模型；基于远场路径分量在角度域的稀疏性，通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果。
在本发明一示例性实施例中，估计模块830可以采用以下方式确定混合信道估计模型：
y＝PFhA+PWhP+n (10)
其中，y表示用户获取的接收导频；n表示接收噪声；P表示MIMO基站向用户发送的导频矩阵；hA表示第一估计结果；F表示远场信道转换矩阵；hP表示第二估计结果；W表示近场信道转换矩阵。
在本发明一示例性实施例中，估计模块830可以采用以下方式通过混合信道估计模型以及压缩感知算法对远场路径分量进行估计，得到第一估计结果：
通过混合信道估计模型，确定第一稀疏信号恢复模型；以接收导频作为第一初始残差向量，通过压缩感知算法对第一稀疏信号恢复模型进行计算，得到第一估计结果。
在本发明一示例性实施例中，估计模块830可以采用以下方式确定第一稀疏信号恢复模型：
min||hA||0,s.t.||y-PFhA||2＜ε, (11)
其中，||hA||0表示hA中非零元素的个数；hA表示第一估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示MIMO基站向用户发送的导频矩阵；F表示远场信道转换矩阵。
在本发明一示例性实施例中，估计模块830可以采用以下方式基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果：
基于近场路径分量在极化域的稀疏性，通过混合信道估计模型以及压缩感知算法对近场路径分量进行估计，得到第二估计结果。
在本发明一示例性实施例中，估计模块830可以采用以下方式基于近场路径分量在极化域的稀疏性，通过混合信道估计模型以及压缩感知算法对近场路径分量进行估计，得到第二估计结果：
通过混合信道估计模型，确定第二稀疏信号恢复模型；以接收导频与第一估计结果的影响之差作为第二初始残差向量，通过压缩感知算法对第二稀疏信号恢复模型进行计算，得到第二估计结果，其中，第二初始残差向量通过以下公式确定：
r＝y-PFhA (12)
r表示第二初始残差向量；y表示接收导频；PFhA表示第一估计结果的影响。
在本发明一示例性实施例中，估计模块830可以采用以下方式确定第二稀疏信号恢复模型：
min||hP||0,s.t.||y-PWhP||2＜ε, (13)
其中，||hP||0表示hP中非零元素的个数；hP表示第二估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示MIMO基站向用户发送的导频矩阵；W表示近场信道转换矩阵。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行信道估计方法，其中，信道估计方法应用于MIMO基站，该方法包括：创建混合场信道模型，其中，混合场信道模型包括远场路径分量子模型和近场路径分量子模型；基于远场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及基于近场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条近场路径分量；基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，以及基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果；基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信道估计方法，其中，信道估计方法应用于MIMO基站，该方法包括：创建混合场信道模型，其中，混合场信道模型包括远场路径分量子模型和近场路径分量子模型；基于远场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及基于近场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条近场路径分量；基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，以及基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果；基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的信道估计方法，其中，信道估计方法应用于MIMO基站，该方法包括：创建混合场信道模型，其中，混合场信道模型包括远场路径分量子模型和近场路径分量子模型；基于远场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条远场路径分量，以及基于近场路径分量子模型，对关于MIMO基站的信道进行划分，得到关于MIMO基站的多条近场路径分量；基于远场路径分量在角度域的稀疏性，根据压缩感知算法对远场路径分量进行估计，得到第一估计结果，以及基于近场路径分量在极化域的稀疏性，根据压缩感知算法对近场路径分量进行估计，得到第二估计结果；基于第一估计结果和第二估计结果，得到关于MIMO基站的信道估计结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种信道估计方法，其特征在于，所述方法应用于MIMO基站，所述方法包括：
创建混合场信道模型，其中，所述混合场信道模型包括远场路径分量子模型和近场路径分量子模型；
基于所述远场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条远场路径分量，以及基于所述近场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条近场路径分量；
基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，以及基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果；
基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果。
2.根据权利要求1所述的信道估计方法，其特征在于，所述基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果，包括：
基于角度域信道转化矩阵对所述第一估计结果进行处理，得到所述第一估计结果在所述MIMO基站所在的原始空间域的转化后第一估计结果，以及
基于极化域信道转化矩阵对所述第二估计结果进行处理，得到所述第二估计结果在所述MIMO基站所在的原始空间域的转化后第二估计结果；
基于所述转化后第一估计结果和所述转化后第二估计结果，得到关于所述MIMO基站的信道估计结果。
3.根据权利要求1所述的信道估计方法，其特征在于，所述混合场信道模型采用以下公式确定：
Figure FDA0003476761900000021
其中，h表示所述MIMO基站到用户之间的信道；N表示所述MIMO基站的天线数目；L表示基于所述远场路径分量子模型和所述近场路径分量子模型确定的所有路径分量的数目；γ表示基于所述远场路径分量子模型确定的远场路径分量占所有路径分量的数目比例；
Figure FDA0003476761900000022
表示基于所述远场路径分量子模型确定的远场路径分量中的远场路径增益；
Figure FDA0003476761900000023
表示基于所述近场路径分量子模型确定的近场路径分量中的近场路径增益；
Figure FDA0003476761900000024
表示基于所述远场路径分量子模型确定的远场路径分量对应的空间角度；
Figure FDA0003476761900000025
表示基于所述近场路径分量子模型确定的近场路径分量对应的空间角度；
Figure FDA0003476761900000026
表示基于所述近场路径分量子模型确定的近场路径分量对应的超大规模阵列的中心到散射体之间的距离；a(θ0表示远场阵列响应矢量；b(θ,r)表示近场阵列响应矢量。
4.根据权利要求1所述的信道估计方法，其特征在于，所述基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，包括：
确定混合信道估计模型；
基于所述远场路径分量在角度域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述远场路径分量进行估计，得到第一估计结果。
5.根据权利要求4所述的信道估计方法，其特征在于，所述混合信道估计模型采用以下公式确定：
y＝PFhA+PWhP+n
其中，y表示用户获取的接收导频；n表示接收噪声；P表示所述MIMO基站向所述用户发送的导频矩阵；hA表示所述第一估计结果；F表示远场信道转换矩阵；hP表示所述第二估计结果；W表示近场信道转换矩阵。
6.根据权利要求5所述的信道估计方法，其特征在于，所述通过所述混合信道估计模型以及所述压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，包括：
通过所述混合信道估计模型，确定第一稀疏信号恢复模型；
以所述接收导频作为第一初始残差向量，通过压缩感知算法对所述第一稀疏信号恢复模型进行计算，得到所述第一估计结果。
7.根据权利要求6所述的信道估计方法，其特征在于，所述第一稀疏信号恢复模型采用以下公式确定：
min||hA||0,s.t.||y-PFhA||2＜ε,
其中，||hA||0表示hA中非零元素的个数；hA表示所述第一估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示所述MIMO基站向所述用户发送的导频矩阵；F表示远场信道转换矩阵。
8.根据权利要求4所述的信道估计方法，其特征在于，所述基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果，包括：
基于所述近场路径分量在极化域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述近场路径分量进行估计，得到第二估计结果。
9.根据权利要求8所述的信道估计方法，其特征在于，所述基于所述近场路径分量在极化域的稀疏性，通过所述混合信道估计模型以及所述压缩感知算法对所述近场路径分量进行估计，得到第二估计结果，包括：
通过所述混合信道估计模型，确定第二稀疏信号恢复模型；
以接收导频与所述第一估计结果的影响之差作为第二初始残差向量，通过压缩感知算法对所述第二稀疏信号恢复模型进行计算，得到所述第二估计结果，其中，所述第二初始残差向量通过以下公式确定：
r＝y-PFhA
r表示所述第二初始残差向量；y表示所述接收导频；PFhA表示所述第一估计结果的影响。
10.根据权利要求9所述的信道估计方法，其特征在于，所述第二稀疏信号恢复模型采用以下公式确定：
min||hP||0,s.t.||y-PWhP||2＜ε,
其中，||hP||0表示hP中非零元素的个数；hP表示所述第二估计结果；ε表示可容忍的误差阈值；y表示用户获取的接收导频；P表示所述MIMO基站向所述用户发送的导频矩阵；W表示近场信道转换矩阵。
11.一种信道估计装置，其特征在于，所述装置应用于MIMO基站，所述装置包括：
创建模块，用于创建混合场信道模型，其中，所述混合场信道模型包括远场路径分量子模型和近场路径分量子模型；
划分模块，用于基于所述远场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条远场路径分量，以及基于所述近场路径分量子模型，对关于所述MIMO基站的信道进行划分，得到关于所述MIMO基站的多条近场路径分量；
估计模块，用于基于所述远场路径分量在角度域的稀疏性，根据压缩感知算法对所述远场路径分量进行估计，得到第一估计结果，以及基于所述近场路径分量在极化域的稀疏性，根据压缩感知算法对所述近场路径分量进行估计，得到第二估计结果；
处理模块，用于基于所述第一估计结果和所述第二估计结果，得到关于所述MIMO基站的信道估计结果。
12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至10任一项所述信道估计方法的步骤。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述信道估计方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述信道估计方法的步骤。
CN202210056629.2A 2022-01-18 2022-01-18 信道估计方法、装置、电子设备及存储介质 Pending CN114465642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210056629.2A CN114465642A (zh) 2022-01-18 2022-01-18 信道估计方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210056629.2A CN114465642A (zh) 2022-01-18 2022-01-18 信道估计方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114465642A true CN114465642A (zh) 2022-05-10

Family

ID=81409795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210056629.2A Pending CN114465642A (zh) 2022-01-18 2022-01-18 信道估计方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114465642A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115296706A (zh) * 2022-06-30 2022-11-04 华为技术有限公司 一种信号检测方法及装置
CN115996392A (zh) * 2023-03-22 2023-04-21 南京邮电大学 近场超大规模平面阵列通信系统中的正交位置设计方法
CN116032699A (zh) * 2022-12-28 2023-04-28 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3297236A1 (en) * 2016-09-15 2018-03-21 Mitsubishi Electric R & D Centre Europe B.V. Efficient sparse channel estimation based on compressed sensing
EP3588128A1 (en) * 2018-06-26 2020-01-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays
US11190377B1 (en) * 2020-05-26 2021-11-30 Wuhan University Time-frequency block-sparse channel estimation method based on compressed sensing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3297236A1 (en) * 2016-09-15 2018-03-21 Mitsubishi Electric R & D Centre Europe B.V. Efficient sparse channel estimation based on compressed sensing
EP3588128A1 (en) * 2018-06-26 2020-01-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays
US11190377B1 (en) * 2020-05-26 2021-11-30 Wuhan University Time-frequency block-sparse channel estimation method based on compressed sensing

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIUHONG WEI等: "Channel Estimation for Extremely Large-Scale Massive MIMO: Far-Field, Near-Field, or Hybrid-Field?", 《 IEEE COMMUNICATIONS LETTERS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115296706A (zh) * 2022-06-30 2022-11-04 华为技术有限公司 一种信号检测方法及装置
CN115296706B (zh) * 2022-06-30 2024-04-26 华为技术有限公司 一种信号检测方法及装置
CN116032699A (zh) * 2022-12-28 2023-04-28 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法
CN116032699B (zh) * 2022-12-28 2024-05-14 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法
CN115996392A (zh) * 2023-03-22 2023-04-21 南京邮电大学 近场超大规模平面阵列通信系统中的正交位置设计方法
CN115996392B (zh) * 2023-03-22 2023-08-25 南京邮电大学 近场超大规模平面阵列通信系统中的正交位置设计方法

Similar Documents

Publication Publication Date Title
CN114465642A (zh) 信道估计方法、装置、电子设备及存储介质
Liu et al. Exploiting burst-sparsity in massive MIMO with partial channel support information
RU2404513C2 (ru) Эффективный расчет весовых коэффициентов фильтра для системы mimo
US11646776B2 (en) Massive MIMO beam domain robust precoding transmission method and system
US20220393730A1 (en) Method and system for acquiring massive mimo beam domain statistical channel information
CN110430147B (zh) 一种面向fdd系统的信道跟踪方法
CN106559361B (zh) 大规模多输入多输出天线系统的信道估计方法及装置
Khan et al. A robust channel estimation scheme for 5G massive MIMO systems
JP5274664B2 (ja) 無線ｍｉｍｏシステムでの送信のために信号をプリコーディングする方法
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
CN115053465A (zh) 一种信息传输方法及装置
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
CN114629533B (zh) 大规模mimo信道估计的信息几何方法及系统
CN106130938B (zh) Tdd大规模mimo系统多用户联合信道估计方法
Fesl et al. Channel estimation for quantized systems based on conditionally Gaussian latent models
CN109951216B (zh) 一种基于码本辅助的大规模mimo doa估计方法
US20230353426A1 (en) Channel Estimation for an Antenna Array
Yin et al. Adaptive channel estimation and tracking for URA-based massive MIMO systems
CN109946663A (zh) 一种线性复杂度的Massive MIMO目标空间方位估计方法和装置
CN113037342B (zh) 单比特毫米波多天线系统信道估计和预编码方法及装置
CN106230755B (zh) 一种mimo系统信道估计方法和装置
Fang et al. Sparse angular reciprocity learning for massive MIMO channel estimation
CN115473553A (zh) 一种智能抑制波束斜视的方法、装置及电子设备
US9673878B1 (en) Systems and methods for performing precoding in multi-user systems
CN104717003B (zh) 一种移动通信信道误差建模方法

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

Application publication date: 20220510