CN114726685A - 一种低复杂度的大规模mimo通信系统下行链路信道估计方法 - Google Patents

一种低复杂度的大规模mimo通信系统下行链路信道估计方法 Download PDF

Info

Publication number
CN114726685A
CN114726685A CN202210211539.6A CN202210211539A CN114726685A CN 114726685 A CN114726685 A CN 114726685A CN 202210211539 A CN202210211539 A CN 202210211539A CN 114726685 A CN114726685 A CN 114726685A
Authority
CN
China
Prior art keywords
gamma
channel estimation
communication system
alpha
beta
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.)
Granted
Application number
CN202210211539.6A
Other languages
English (en)
Other versions
CN114726685B (zh
Inventor
王顺
季晨
戴继生
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202210211539.6A priority Critical patent/CN114726685B/zh
Publication of CN114726685A publication Critical patent/CN114726685A/zh
Application granted granted Critical
Publication of CN114726685B publication Critical patent/CN114726685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/024—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
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，步骤1：基站采用了一个具有Mt根天线的均匀线性阵列，下行链路中的移动用户装配Mr根天线的均匀线性阵列，在T个时刻内，基站发送导频信号矩阵S，则移动用户接收到的信号为Y＝SAT(β)WBT+N。步骤2：将接收信号进行向量化。步骤3：初始化参数。步骤4：设置迭代次数计数变量j＝1。步骤5：固定q(α)，q(γ),β，B,更新q(w)。步骤6：固定q(w),q(γ),β，B,更新q(α)。步骤7：固定q(w)，q(α)，β，B,更新q(γ)。步骤8：固定q(w)，q(α)，q(γ)，β,更新B。步骤9：固定q(w),q(α),q(γ),B,更新β。步骤10：判断迭代计数变量j是否达到上限J或γ是否收敛，如果都不满足，则迭代计数变量j＝j+1，并返回步骤5。步骤11：估计最终的信道H。本发明在信道估计性能上有明显的提升，同时复杂度较低。

Description

一种低复杂度的大规模MIMO通信系统下行链路信道估计方法
技术领域
本发明属于无线通信领域，涉及一种多输入多输出(Multi-input Multi-output，MIMO)通信系统的信道估计方法，具体来说是一种基于变分贝叶斯推理(variationalBayesian inference,VBI)的低复杂度大规模MIMO通信系统的下行链路信道估计方法。
背景技术
大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)技术是下一代无线通信的研究热点和关键技术之一。将大规模MIMO技术应用于无线通信中，可获得较高的信道增益，同时其极低的系统功耗可以使得信号的覆盖范围得到有效扩大。相比于传统无线通信系统，大规模MIMO系统具有很高的频谱利用率、能量效率和系统的鲁棒性能。
信道信息的获取在通信系统中占有举足轻重的地位，然而在无线通信系统中信道信息都是不可知的，因此信道估计是无线通信中极为重要的技术，信道估计的精度将直接影响整个通信系统的性能。同时，随着天线规模的扩大，信道矩阵的维度也随之线性增长，高计算复杂度的问题愈发成为信道估计技术的制约因素。为了降低计算复杂度，现有方法在进行信道估计时大多将用户端的阵列信息并入路径增益矩阵中，进而利用复杂度较低的行稀疏特性进行信道估计。目前，人们已经提出了很多利用行稀疏特性的方法解决大规模MIMO信道估计问题，例如在文献J.Dai,A.Liu and V.K.N.Lau,FDD Massive MIMO ChannelEstimation with Arbitrary 2D-Array Geometry,IEEE Transactions on SignalProcessing,vol.66,no.10,pp.2584-2599,15May,2018中提出了一种基于离网稀疏贝叶斯学习的大规模MIMO通信系统的信道估计方法，由于此方法忽略了用户端的阵列反馈信息，因此会损失一定的信道估计性能。
发明内容
针对现有方法的不足，本发明将提出一种低复杂度的基于VBI的大规模MIMO通信系统的下行链路信道估计方法。
用于实现本发明的技术解决方案包括如下步骤：
步骤1：基站采用了一个具有Mt根天线的均匀线性阵列，下行链路中的移动用户装配Mr根天线的均匀线性阵列，在T个时刻内，基站发送导频信号矩阵S，则移动用户接收到的信号为Y＝SAT(β)WBT+N。
步骤2：将接收信号进行向量化。
步骤3：初始化参数。
步骤4：设置迭代次数计数变量j＝1。
步骤5：固定q(α),q(γ),β,B,更新q(w)。
步骤6：固定q(w),q(γ),β,B,更新q(α)。
步骤7：固定q(w),q(α),β,B,更新q(γ)。
步骤8：固定q(w),q(α),q(γ),β,更新B。
步骤9：固定q(w),q(α),q(γ),B,更新β。
步骤10：判断迭代计数变量j是否达到上限J或γ是否收敛，如果都不满足，则迭代计数变量j＝j+1，并返回步骤5。
步骤11：估计最终的信道。
本发明的有益效果为：
利用VBI方法，本发明获得了一种低复杂度基于变分贝叶斯推理的大规模MIMO通信系统的下行链路信道估计方法。与现有方法相比，本发明在信道估计性能上有明显的提升，同时本发明的计算复杂度为
Figure BDA0003531628540000021
明显低于现有方法的
Figure BDA0003531628540000022
附图说明
图1是本发明实施流程图。
图2在信噪比为0dB，发送端天线Mt为150，用户天线Mr为8根，网格数设定为200时，导频时刻T由40到90变化时对信道进行500次估计，仿真结果如图2所示。
图3在导频时刻为50，发送端天线Mt为100，用户天线Mr为8根，网格数设定为200时，信噪比从-10dB到10dB变化时对信道进行500次估计，仿真结果如图3所示。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的实施如图1所示，包括如下：
(1)基站采用了一个具有Mt根天线的均匀线性阵列，下行链路中的移动用户数装配Mr根天线的均匀线性阵列，在T个时刻内，基站发送维度为T×Mt的导频信号矩阵S，移动用户接收到的信号为Y＝SAT(β)WBT+N，其中:
AT(β)＝[aT(θ1+β1),aT(θ2+β2),...,aT(θN+βN)]表示发送端阵列流型矩阵，
Figure BDA0003531628540000031
表示导向矢量，n＝1,2,...,N，
(·)T表示转置，
λ表示载波波长，d为相邻天线阵元之间的间距，
Figure BDA0003531628540000032
表示对角域
Figure BDA0003531628540000033
均匀划分成N个网格点，即
Figure BDA0003531628540000034
Figure BDA0003531628540000035
中的元素βi表示θi上的角度偏差，
W代表N×Mr维的稀疏矩阵，
B代表Mr×Mr维的未知矩阵，
N代表T×Mr维均值为0，精度为α的高斯白噪声矩阵。
(2)将接收信号重新排列，可得y＝ΦBw+n，其中：
y＝vec(Y)，
Figure BDA0003531628540000037
Φ(β)＝SAT(β)，w＝vec(W)，n＝vec(N)，
vec(·)代表向量化，
Figure BDA0003531628540000038
代表克罗内科积，
(3)初始化参数：μm＝0N，γ＝0N，a＝b＝10-10，μm表示wm的均值，BT为Y的右奇异向量，其中：
Figure BDA0003531628540000036
0N表示维度为N×1的0向量。
(4)设置迭代次数计数变量j＝1。
(5)固定q(α),q(γ),β,B,更新q(w)：
Figure BDA0003531628540000041
其中：
q(α),q(γ)，q(w)分别表示α，γ，w的近似后验概率密度函数，
Figure BDA0003531628540000042
表示均值为μ，方差为Σ的复高斯分布，
wm代表W的第m列向量，
Figure BDA0003531628540000043
Figure BDA0003531628540000044
bm表示B的第m列向量，
(·)H表示共轭转置，
diag(·)表示对角运算矩阵。
(6)固定q(w),q(γ),β,B,更新q(α)：
q(α)＝Γ(α；aα,bα)，
其中：
Γ(·|a,b)表示形状参数为a，速率参数为b的伽马分布，
Figure BDA0003531628540000045
aα＝TMr+a，
Figure BDA0003531628540000046
Figure BDA0003531628540000047
Figure BDA0003531628540000048
||·||2表示矩阵的2范数，tr(·)表示矩阵的迹。
(7)固定q(w),q(α),β,B,更新q(γ)：
Figure BDA0003531628540000049
其中：
Figure BDA00035316285400000410
γ表示w的精度向量，
Figure BDA00035316285400000411
γn表示γ的第n个元素，
Figure BDA0003531628540000051
Figure BDA0003531628540000052
Figure BDA0003531628540000053
[·]n,n表示矩阵的第n个对角线元素。
(8)固定q(w),q(α),q(γ),β,更新B：
Figure BDA0003531628540000054
其中：
Figure BDA0003531628540000055
Figure BDA0003531628540000056
Figure BDA0003531628540000057
gm＝tr(Φ(β)ΣmΦH(β))，m＝1,2,...,Mr。
(9)固定q(w),q(α),q(γ),B,更新β：
Figure BDA0003531628540000058
其中：
Figure BDA0003531628540000059
sign(·)表示取正负号运算，
Figure BDA00035316285400000510
ζ＝[ζ(β1),ζ(β2),…ζ(βN)]T，
Figure BDA00035316285400000511
ζ(βn)＝2Re(a′(θn+βn)HSHSa(θn+βn)c1+a′(θn+βn)HSHc2)，n＝1,2,...,N，
Figure BDA00035316285400000512
Re(·)表示取实部运算，
Figure BDA00035316285400000513
Figure BDA00035316285400000514
Figure BDA00035316285400000515
Figure BDA00035316285400000516
Figure BDA00035316285400000517
Figure BDA00035316285400000523
Figure BDA00035316285400000518
Figure BDA00035316285400000519
表示U的第n行，
Figure BDA00035316285400000520
表示Σm的第(i,i)个元素，
Figure BDA00035316285400000521
(·)*代表共轭运算，
Figure BDA00035316285400000522
a′(θn+βn)表示a(θn+βn)在θn+βn处的导数。
(10)判断迭代计数变量j是否达到上限J＝100或γ是否收敛，如都不满足，则迭代计数变量j＝j+1，并返回(5)。
(11)估计最终的信道H：H＝Φ(β)UBT。
下面通过列举仿真实验结果对本发明的效果做进一步阐述。
为了评估本方法的性能，假设基站装配了一个具有Mt＝100根天线的均匀线性阵列，下行链路的工作频率为2170MHz，无线信道由3GPP spatial channel model(SCM)模型随机产生，基站发送导频信号矩阵S，S的每个元素均为零均值单位方差的独立高斯分布，加性噪声假设为高斯白噪声。
实验条件
采用本发明在信噪比为0dB，发送端天线Mt为150，用户天线Mr为8根，网格数设定为200时，导频时刻T由40到90变化时对信道进行500次估计，仿真结果如图2所示。
采用本发明在在导频时刻为50，发送端天线Mt为100，用户天线Mr为8根，网格数设定为200时，信噪比从-10dB到10dB变化时对信道进行500次估计，仿真结果如图3所示。
实验分析
从图2和图3可以看出，本发明可以精确地估计出大规模MIMO通信系统的下行链路信道信息，其NMSE性能明显优于现有方法。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，包括如下步骤：
步骤1：基站采用了一个具有Mt根天线的均匀线性阵列，下行链路中的移动用户装配Mr根天线的均匀线性阵列，在T个时刻内，基站发送维度为T×Mt的导频信号矩阵S，移动用户接收到的信号为Y＝SAT(β)WBT+N；
步骤2：将接收信号进行向量化；
步骤3：固定q(α)，q(γ)，β，B，更新q(w)；
步骤4：固定q(w)，q(γ)，β，B，更新q(α)；
步骤5：固定q(w)，q(α)，β，B，更新q(γ)；
步骤6：固定q(w)，q(α)，q(γ)，β，更新B；
步骤7：固定q(w)，q(α)，q(γ)，B，更新β；
步骤8：判断迭代计数变量j是否达到上限J或γ是否收敛，如果都不满足，则迭代计数变量j＝j+1，并返回步骤3；
步骤9：估计最终的信道。
2.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤1中：
AT(β)＝[aT(θ1+β1)，aT(θ2+β2)，...，aT(θN+βN)]表示发送端阵列流型矩阵，
Figure FDA0003531628530000011
表示导向矢量，
(·)T表示转置，
λ表示载波波长，d为相邻天线阵元之间的间距，
Figure FDA0003531628530000012
表示对角域
Figure FDA0003531628530000013
均匀划分成N个网格点，即
Figure FDA0003531628530000014
Figure FDA0003531628530000015
中的元素βi表示θi上的角度偏差，
W代表N×Mr维的稀疏矩阵，
B代表Mr×Mr维的未知矩阵，
N代表T×Mr维均值为0，精度为α的高斯白噪声矩阵。
3.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤2中对接收信号进行向量化的方法：
y＝ΦBw+n，
其中：y＝vec(Y)，
Figure FDA0003531628530000021
Φ(β)＝SAT(β)，w＝vec(W)，n＝vec(N)，
vec(·)代表向量化，
Figure FDA0003531628530000022
代表克罗内科积。
4.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤3中更新q(w)的方法：
Figure FDA0003531628530000023
其中：
Figure FDA0003531628530000024
表示均值为μ，方差为∑的复高斯分布，
wm代表W的第m列向量，
Figure FDA0003531628530000025
Figure FDA0003531628530000026
bm表示B的第m列向量，
(·)H表示共轭转置，
diag(·)表示对角运算矩阵。
5.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤4中更新q(α)的方法：
q(α)＝Γ(α；aα，bα)，
其中：
Γ(·|a，b)表示形状参数为a，速率参数为b的伽马分布，
Figure FDA0003531628530000031
aα＝TMr+a，
Figure FDA0003531628530000032
Figure FDA0003531628530000033
||·||2表示矩阵的2范数，tr(·)表示矩阵的迹。
6.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤5中更新q(γ)的方法：
Figure FDA0003531628530000034
其中：
Figure FDA0003531628530000035
γ表示w的精度向量，
Figure FDA0003531628530000036
γn表示γ的第n个元素，
Figure FDA0003531628530000037
Figure FDA0003531628530000038
[·]n，n表示矩阵的第n个对角线元素。
7.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤6中更新B的方法：
Figure FDA0003531628530000039
其中：
Figure FDA00035316285300000310
Figure FDA00035316285300000311
gm＝tr(Φ(β)∑mΦH(β))。
8.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤7中更新β的方法：
Figure FDA0003531628530000041
其中：
Figure FDA0003531628530000042
sign(·)表示取正负号运算，
Figure FDA0003531628530000043
ζ＝[ζ(β1)，ζ(β2)，…ζ(βN)]T，
Figure FDA0003531628530000044
ζ(βn)＝2Re(a′(θn+βn)HSHSa(θn+βn)c1+a′(θn+βn)HSHc2)，
Figure FDA0003531628530000045
Re(·)表示取实部运算，
Figure FDA0003531628530000046
Figure FDA0003531628530000047
Figure FDA0003531628530000048
Figure FDA0003531628530000049
Figure FDA00035316285300000410
Figure FDA00035316285300000411
Figure FDA00035316285300000412
Figure FDA00035316285300000413
表示U的第n行，
Figure FDA00035316285300000414
表示∑m的第(i，i)个元素，
Figure FDA00035316285300000415
(·)*代表共轭运算，
a′(θn+βn)表示a(θn+βn)在θn+βn处的导数。
9.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，所述步骤9中估计最终信道的方法：
H＝Φ(β)UBT。
10.根据权利要求1所述的一种低复杂度的大规模MIMO通信系统下行链路信道估计方法，其特征在于，还包括：初始化参数μm＝0N，γ＝0N，a＝b＝10-10，以及设置迭代次数计数变量初始值为j＝1。
CN202210211539.6A 2022-03-04 2022-03-04 一种低复杂度的大规模mimo通信系统下行链路信道估计方法 Active CN114726685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210211539.6A CN114726685B (zh) 2022-03-04 2022-03-04 一种低复杂度的大规模mimo通信系统下行链路信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210211539.6A CN114726685B (zh) 2022-03-04 2022-03-04 一种低复杂度的大规模mimo通信系统下行链路信道估计方法

Publications (2)

Publication Number Publication Date
CN114726685A true CN114726685A (zh) 2022-07-08
CN114726685B CN114726685B (zh) 2024-04-09

Family

ID=82236015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210211539.6A Active CN114726685B (zh) 2022-03-04 2022-03-04 一种低复杂度的大规模mimo通信系统下行链路信道估计方法

Country Status (1)

Country Link
CN (1) CN114726685B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108337199A (zh) * 2018-01-17 2018-07-27 江苏大学 一种基于稀疏贝叶斯学习的大规模mimo通信系统的下行链路信道估计方法
CN108494445A (zh) * 2018-01-17 2018-09-04 江苏大学 一种基于上行链路信道信息辅助的大规模mimo通信系统的下行链路信道估计方法
CN110636017A (zh) * 2019-08-19 2019-12-31 江苏大学 一种基于变分贝叶斯推断的大规模mimo系统的下行链路信道估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108337199A (zh) * 2018-01-17 2018-07-27 江苏大学 一种基于稀疏贝叶斯学习的大规模mimo通信系统的下行链路信道估计方法
CN108494445A (zh) * 2018-01-17 2018-09-04 江苏大学 一种基于上行链路信道信息辅助的大规模mimo通信系统的下行链路信道估计方法
CN110636017A (zh) * 2019-08-19 2019-12-31 江苏大学 一种基于变分贝叶斯推断的大规模mimo系统的下行链路信道估计方法

Also Published As

Publication number Publication date
CN114726685B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Ding et al. Bayesian channel estimation algorithms for massive MIMO systems with hybrid analog-digital processing and low-resolution ADCs
CN108832976B (zh) 一种大规模mimo系统的上行链路信道估计方法
Sohrabi et al. Deep active learning approach to adaptive beamforming for mmWave initial alignment
CN108234101B (zh) 能效最大化导频信号设计方法及大规模多天线系统
US20220179031A1 (en) Method for estimating the direction-of-arrival of a coprime array based on virtual domain statistics reconstruction of single-bit quantized signal
CN105891771B (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
CN105791186B (zh) 一种大规模mimo系统中的稀疏低秩信道联合估计方法
CN110138427B (zh) 基于部分连接的大规模多输入多输出混合波束赋形算法
CN107566303A (zh) 一种基于贝叶斯压缩感知的毫米波信道估计方法
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
Hu et al. MmWave MIMO communication with semi-passive RIS: A low-complexity channel estimation scheme
CN115208442A (zh) 一种超大规模阵列通信系统的两阶段波束训练方法
CN110719127B (zh) 一种具有恒模约束的毫米波mimo系统波束成形方法
CN113839695B (zh) Fdd大规模mimo和速率最优统计预编码方法及设备
CN108494445B (zh) 大规模mimo中基于上行信道信息辅助的下行信道估计方法
Wu et al. Deep learning-based hybrid precoding for FDD massive MIMO-OFDM systems with a limited pilot and feedback overhead
CN114726686A (zh) 一种均匀面阵毫米波大规模mimo信道估计方法
CN114629533A (zh) 大规模mimo信道估计的信息几何方法及系统
CN109787672B (zh) 基于参数学习的大规模mimo格点偏移信道估计方法
CN116405077A (zh) 一种基于深度学习的大规模mimo混合波束赋形方法
CN114726685B (zh) 一种低复杂度的大规模mimo通信系统下行链路信道估计方法
CN110636017B (zh) 一种基于变分贝叶斯推断的大规模mimo系统的下行链路信道估计方法
CN115604815A (zh) 采用低精度量化的毫米波通信系统定位方法
Wen et al. Reduced-dimension design of MIMO AirComp for data aggregation in clustered IoT networks
Chen et al. DDL-based sparse channel representation and estimation for downlink FDD massive MIMO systems

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