CN114928518A - 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法 - Google Patents

毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法 Download PDF

Info

Publication number
CN114928518A
CN114928518A CN202210550913.5A CN202210550913A CN114928518A CN 114928518 A CN114928518 A CN 114928518A CN 202210550913 A CN202210550913 A CN 202210550913A CN 114928518 A CN114928518 A CN 114928518A
Authority
CN
China
Prior art keywords
channel
matrix
angle
transmission time
path
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
CN202210550913.5A
Other languages
English (en)
Other versions
CN114928518B (zh
Inventor
朱鹏程
林慧欣
李佳珉
王东明
尤肖虎
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210550913.5A priority Critical patent/CN114928518B/zh
Publication of CN114928518A publication Critical patent/CN114928518A/zh
Application granted granted Critical
Publication of CN114928518B publication Critical patent/CN114928518B/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
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L25/0256—Channel estimation using minimum mean square error criteria
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种毫米波MIMO‑OFDM系统中基于3D‑MUSIC算法的信道估计方法，适用于毫米波通信领域使用。首先建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由传输时延，到达角(AOA)，离开角(AOD)以及路径增益这四个参数指定；然后，通过三维波束空间多信号分类(MUSIC)算法同时估计出信道的AOA、时延和AOD这三个参数，并通过鸡群优化(CSO)算法来确定空间谱上多个谱峰的所在位置；最后，通过最小二乘(LS)法估计出信道的路径增益参数。本发明所提出的信道估计方法具有非常高的准确性，以及较好的信道参数估计性能。

Description

毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法
技术领域
本发明属于毫米波通信技术领域，尤其涉及一种毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法。
背景技术
毫米波(mm-wave)通信作为未来无线通信系统的关键技术之一，具有通信容量大、短波长、窄波束、抗干扰和安全保密性好等优势，但也正是由于其自身的特点，与传统的微波系统相比，毫米波系统的传播损耗更大。因此，可以在基站(BS)和移动基站(MS)上采用大规模天线阵列来补偿随频率增加的传输损耗，从而保证毫米波通信具有较大的波束成形增益。一种常用的毫米波系统天线阵列处理方法是采用混合多输入多输出(MIMO)系统，该系统由模拟射频波束成形器和数字基带MIMO处理器组成，其中模拟射频波束成形器可以通过相控阵或透镜阵来有效地实现，且由于毫米波信道的稀疏性，射频(RF)链路数可以显著地小于天线数，这说明混合模拟/数字结构具有较低的实现成本和复杂度。为了设计具有较高波束成形增益的混合MIMO系统，需要通过信道估计来获取准确的信道状态信息(CSI)。
正交频分复用(OFDM)技术因其对抗无线信道频率选择性衰落以及高频谱效率的优点，被广泛应用于宽带无线通信系统。因此，在毫米波MIMO-OFDM系统中研究信道估计问题是十分有必要的。由于毫米波信道的脉冲响应仅由少量的散射路径控制，传统的基于丰富散射的MIMO信道模型无法表征毫米波信道的空间稀疏性。但是，毫米波信道可以以参数形式进行建模，即以信道路径的离开角(AOD)、到达角(AOA)、传输时延和相应的路径增益等参数进行建模。也就是说，毫米波信道估计问题不再是信道矩阵估计问题，而是信道参数估计问题。
发明内容
本发明目的在于提供一种毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法,以获取毫米波宽带信道的信道状态信息的技术问题。
为解决上述技术问题，本发明的具体技术方案如下：
一种毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由传输时延，到达角(AOA)，离开角(AOD)以及路径增益这四个参数指定；通过三维波束空间多信号分类(MUSIC)算法同时估计出信道的AOA、时延和AOD这三个参数，并通过鸡群优化(CSO)算法来确定空间谱上多个谱峰的所在位置；通过最小二乘(LS)法估计出信道的路径增益参数；
所述信道估计方法具体包括以下步骤：
S1、建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由四个参数指定：传输时延τl，到达角θl，离开角
Figure BDA0003650652860000021
以及路径增益αl(t)；
S2、通过三维波束空间多信号分类算法同时估计出信道的到达角
Figure BDA0003650652860000022
传输时延
Figure BDA0003650652860000023
和离开角
Figure BDA0003650652860000024
这三个参数；
S3、通过结合三维波束空间多信号分类算法和鸡群优化算法来确定空间谱上多个谱峰的所在位置，以同时估计出信道的多路径参数，即传输时延
Figure BDA0003650652860000025
到达角
Figure BDA0003650652860000026
以及离开角
Figure BDA0003650652860000027
S4、通过最小二乘法来估计信道的路径增益
Figure BDA00036506528600000215
参数。
进一步的，所述步骤S1具体包括以下步骤：
S11、建立宽带稀疏多路径参数化信道模型：接收端BS配有Qa根天线，发射端MS配有Ua根天线，设置OFDM子载波总数为M0，并选择前M子载波进行信道估计；接收端BS和发射端MS分别采用半波长间距的一维均匀线性阵列，并通过移相器连接到模拟波束成形器
Figure BDA0003650652860000028
和
Figure BDA0003650652860000029
模拟波束成形器连接到Qr和Ur根射频链，其中Qr＜Qa，Ur＜Ua；采用射线跟踪信道模型，即接收端BS和发射端MS之间有L条可解析的物理路径，其中第l条路径由传输时延τl、到达角θl、离开角
Figure BDA00036506528600000210
和路径增益αl(t)这四个参数来指定，其中l＝1,…,L；划分一个传输时间帧为N个传输时间块，且复增益在不同传输时间块之间是可变的，而到达角θl、离开角
Figure BDA00036506528600000211
和传输时延τl在每个传输帧中是恒定的，即信道变化仅由路径增益引起，则在第n个传输时间块上的时延域时变信道模型为
Figure BDA00036506528600000212
其中n＝1,…,N，
Figure BDA00036506528600000213
表示向量
Figure BDA00036506528600000214
的转置，δ(·)表示狄垃克函数；
在式(1)中对τ进行傅里叶变换，则在第n个传输时间块和第m个子载波上的频域时变信道模型表示为
Figure BDA0003650652860000031
其中m＝1,…,M，
Figure BDA0003650652860000032
是采样率为fs的OFDM子载波间距，e是自然常数，
Figure BDA0003650652860000033
是在第m个子载波和第l条路径上的时延扩展，
Figure BDA0003650652860000034
是接收端BS的天线阵列响应，
Figure BDA0003650652860000035
是发射端MS的天线阵列响应，其表达式分别为
Figure BDA0003650652860000036
Figure BDA0003650652860000037
S12、建立上行链路信号传输模型：设置在每个传输时间块中有T0个时隙，其中前Tp个时隙被用于信道估计，剩余的时隙被用于数据传输；在一个传输时间块期间，设发射端MS的第i条射频链传输的导频信号被定义为
Figure BDA0003650652860000038
满足
Figure BDA0003650652860000039
其中i＝1,…,Ur，sj是发射端MS的第j条射频链传输的导频信号，其中j＝1,…,Ur，
Figure BDA00036506528600000310
表示向量sj的共轭转置；设置在每个传输块期间射频链传输的导频信号相同，且所有射频链传输的导频信号对于所有被选定的子载波都是相同的，则所有射频链发送的导频信号为
Figure BDA00036506528600000311
因此在第n个传输时间块和第m个子载波上，接收端波束成形器上的输出信号为
Figure BDA0003650652860000041
其中
Figure BDA0003650652860000042
为噪声矩阵，其每个元素服从
Figure BDA0003650652860000043
F*为矩阵F的共轭矩阵，且在接收端BS和发射端MS上的DFT波束成形器被分别表示为
Figure BDA0003650652860000044
Figure BDA0003650652860000045
其中
Figure BDA0003650652860000046
Figure BDA0003650652860000047
根据式(5)中所描述的导频信号的正交性，得到发射端MS的第i条射频链在第n个传输时间块和第m个子载波上的信号，即
Figure BDA0003650652860000048
其中
Figure BDA0003650652860000049
是矩阵F的第i列，
Figure BDA00036506528600000410
是发射端MS的第i条射频链在第n个传输时间块和第m个子载波上的噪声向量，其每个元素服从均值为0方差为σ2的独立高斯分布；将式(2)代入式(9)得到
Figure BDA00036506528600000411
其中⊙表示Khatri-Rao积，
Figure BDA00036506528600000412
是在第m个子载波上的L条路径的时延扩展向量，
Figure BDA00036506528600000413
是L条路径在发射端MS的天线阵列响应矩阵，
Figure BDA00036506528600000414
是L条路径在接收端BS的阵列响应矩阵，
Figure BDA00036506528600000415
是在第n个传输时间块上的L条路径的复增益；
将Ur条射频链和M个子载波上的向量ym,i(n)堆叠在一列中，得到
Figure BDA00036506528600000416
其中
Figure BDA0003650652860000051
是时延扩展矩阵，其第l列向量
Figure BDA0003650652860000052
表示在第l条路径上的M个子载波的时延扩展，被定义为
Figure BDA0003650652860000053
Figure BDA0003650652860000054
是将Ur条射频链和M个子载波上的向量nm,i(n)堆叠在一列所得到的向量，其每个元素服从均值为0方差为σ2的独立高斯分布。
进一步的，所述步骤S2具体包括以下步骤：
S21、输入路径数L；输入信号y(n)；
S22、在式(11)中，定义空间矩阵为
Figure BDA0003650652860000055
其第l列表示为
Figure BDA0003650652860000056
S23、计算信号y(n)的协方差矩阵Ry，即
Figure BDA0003650652860000057
其中
Figure BDA0003650652860000058
表示计算y(n)y(n)H的期望。
S24、对协方差矩阵Ry进行特征分解，即
Figure BDA0003650652860000059
其中
Figure BDA00036506528600000510
是以特征值
Figure BDA00036506528600000511
为对角线元素的对角矩阵，矩阵U的每一列是对应于是每一个特征值的特征向量，矩阵
Figure BDA00036506528600000512
是信号子空间，矩阵
Figure BDA00036506528600000513
是噪声子空间，且|BHUn|＝0；
S25、计算3D-MUSIC算法的空间谱
Figure BDA0003650652860000061
其中，
Figure BDA0003650652860000062
τ∈[0,τmax]；这里，
Figure BDA0003650652860000063
和
Figure BDA0003650652860000064
分别是模拟波束成形器W和F的波束扇区边界，分别在式(7)和式(8)中被定义；τmax是最大时延。
S26、搜索3D-MUSIC算法空间谱上的L个谱峰，第l个谱峰所对应的坐标即为所估计出的接收端BS与发射端MS之间第l条路径的时延
Figure BDA0003650652860000065
离开角
Figure BDA0003650652860000066
和到达角
Figure BDA0003650652860000067
进一步的，所述步骤S3具体包括以下步骤：
S31、初始化：初始化全局最优解集合
Figure BDA0003650652860000068
搜索范围
Figure BDA0003650652860000069
迭代次数为L-1，并令坐标
Figure BDA00036506528600000610
和
Figure BDA00036506528600000611
的适应度值为+∞；
S32、计算全局最优：在搜索范围内执行鸡群优化算法，得到全局最优解
Figure BDA00036506528600000612
S33、更新集合
Figure BDA00036506528600000613
将
Figure BDA00036506528600000614
添加到集合
Figure BDA00036506528600000615
中，并对集合
Figure BDA00036506528600000616
升序排序，则集合
Figure BDA00036506528600000617
中适应度值最小的元素
Figure BDA00036506528600000618
即为空间谱上第1个谱峰所对应的位置坐标；
S34、迭代开始：令
Figure BDA00036506528600000619
的适应度值为+∞；
S35、更新搜索范围：定义
Figure BDA00036506528600000620
其中i为
Figure BDA00036506528600000621
在集合
Figure BDA00036506528600000622
中的索引值，更新搜索范围为
Figure BDA00036506528600000623
和
Figure BDA00036506528600000624
并分别在每个搜索范围内执行鸡群优化算法，输出新的全局最优解
Figure BDA00036506528600000625
和
Figure BDA00036506528600000626
S36、更新集合
Figure BDA00036506528600000627
将
Figure BDA00036506528600000628
和
Figure BDA00036506528600000629
添加到集合
Figure BDA00036506528600000630
中，并对集合
Figure BDA00036506528600000631
升序排序，则集合
Figure BDA00036506528600000632
中适应度值最小的元素
Figure BDA00036506528600000633
即为空间谱上其他谱峰所对应的位置坐标；
S37、迭代终止：若达到最大迭代次数，则停止迭代，得到空间谱上L个谱峰所对应的位置坐标；反之，则返回S34继续迭代。
进一步的，所述步骤S32和S35中的鸡群优化算法的具体执行步骤如下：
步骤1、初始化：包括迭代次数、种群规模、种群更新间隔代数G、鸡群维度D＝3、公鸡母鸡小鸡在鸡群中所占比例、搜索步长和范围；
步骤2、计算适应度：根据式(16)的分母计算每个个体的适应度值，并按照适应度值的大小对鸡群个体排序，以确定鸡群的等级制度；其中公鸡的搜索能力最强，处于统治地位，适应度值最小；母鸡的搜索能力稍差，紧跟在公鸡周围搜索食物，适应度值稍大；小鸡的搜索能力最差，只能跟在母鸡周围搜索食物，适应度值最大，可以实现局部搜索功能；
步骤3、初始化鸡群：按公鸡个数将鸡群分组，并将母鸡随机分配到各个分组中，以确定公鸡和母鸡的伙伴关系。然后，小鸡随机跟随母鸡，以确定母鸡和小鸡的母子关系。
步骤4、迭代开始：若迭代次数是种群更新间隔代数G的倍数，则更新鸡群分组和鸡群中的关系；否则，公鸡、母鸡和小鸡按照各自的位置更新策略来更新自己的位置，并计算更新位置后的适应度值。
步骤5、更新全局最优：将新位置的适应度值与原位置的适应度值相比较，如果新位置的适应度值小，就更新个体位置，否则就保持原来的位置不变。
步骤6、迭代终止：若达到最大迭代次数，则停止迭代，输出全局最优解(即空间谱上谱峰所对应的位置坐标)；反之，则返回步骤4继续循环迭代。
进一步的，所述步骤S4具体包括以下步骤：
S41、根据式(13)和估计出的传输时延
Figure BDA0003650652860000071
到达角
Figure BDA0003650652860000072
和离开角
Figure BDA0003650652860000073
得到相应的估计空间矩阵
Figure BDA0003650652860000074
S42、通过最小二乘法估计出接收端BS与发射端MS之间的路径增益，即
Figure BDA0003650652860000075
其中，
Figure BDA0003650652860000076
表示矩阵
Figure BDA0003650652860000077
的逆矩阵。
S43、根据式(2)和估计出的传输时延
Figure BDA0003650652860000078
到达角
Figure BDA0003650652860000079
离开角
Figure BDA00036506528600000710
和路径增益
Figure BDA00036506528600000711
估计出接收端BS与发射端MS之间在第n个传输时间块和第m个子载波上的道矩阵，即
Figure BDA00036506528600000712
本发明的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，具有以下优点：通过三维波束空间多信号分类(MUSIC)算法同时估计出信道的AOA、时延和AOD这三个参数，并通过鸡群优化(CSO)算法来确定空间谱上多个谱峰的所在位置；通过最小二乘(LS)法估计出信道的路径增益参数。本发明的信道估计方法具有非常高的准确性，以及较好的信道参数估计性能。
附图说明
图1为本发明的具体实施方式的方法流程图；
图2为本发明的具体实施方式的毫米波混合MIMO-OFDM系统示意图；
图3(a)为本发明具体实施方式在不同SNR下到达角(AOA)的归一化均方误差(NMSE)曲线图；
图3(b)为本发明具体实施方式在不同SNR下离开角(AOD)的归一化均方误差(NMSE)曲线图；
图3(c)为本发明具体实施方式在不同SNR下传输时延的归一化均方误差(NMSE)曲线图；
图3(d)为本发明具体实施方式在不同SNR下路径增益的归一化均方误差(NMSE)曲线图；
图3(e)为本发明具体实施方式在不同SNR下信道矩阵的归一化均方误差(NMSE)曲线图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法做进一步详细的描述。
如图2所示，考虑毫米波混合MIMO-OFDM系统，接收端BS配有Qa根天线，发射端MS配有Ua根天线。假设OFDM子载波总数为M0，并选择前M子载波进行信道估计。BS和MS分别采用半波长间距的一维均匀线性阵列(ULA)，并通过移相器连接到模拟波束成形器
Figure BDA0003650652860000081
和
Figure BDA0003650652860000082
模拟波束成形器连接到Qr(＜Qa)和Ur(＜Ua)根射频(RF)链。
如图1所示，本发明包括以下步骤：
S1.建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由四个参数指定：传输时延τl，到达角(AOA)θl，离开角
Figure BDA0003650652860000091
以及路径增益αl(t)。所述步骤S1具体包括：
S11.建立宽带稀疏多路径参数化信道模型：考虑毫米波信道的稀疏性，本文采用射线跟踪信道模型，即BS和MS之间有L条可解析的物理路径，其中第l(l＝1,…,L)条路径由传输时延τl、到达角(AOA)θl、离开角
Figure BDA0003650652860000092
和路径增益αl(t)这四个参数来指定。划分一个传输时间帧为N个传输时间块，且复增益在不同传输块之间是可变的，而AOA、AOD和传输延迟在每个传输帧中是恒定的，即信道变化仅由路径增益引起，则在第n(n＝1,…,N)个传输时间块上的时延域时变信道模型为
Figure BDA0003650652860000093
其中
Figure BDA0003650652860000094
表示向量
Figure BDA0003650652860000095
的转置，δ(·)表示狄垃克函数；
在式(1)中对τ进行傅里叶变换，则在第n个传输时间块和第m(m＝1,…,M)个子载波上的频域时变信道模型表示为
Figure BDA0003650652860000096
其中
Figure BDA0003650652860000097
是采样率为fs的OFDM子载波间距，e是自然常数，
Figure BDA0003650652860000098
是在第m个子载波和第l条路径上的时延扩展，
Figure BDA0003650652860000099
和
Figure BDA00036506528600000910
分别是BS和MS的天线阵列响应，其表达式分别为
Figure BDA00036506528600000911
Figure BDA0003650652860000101
S12.建立上行链路信号传输模型：假设在每个传输时间块中有T0个时隙，其中前Tp个时隙被用于信道估计，剩余的时隙被用于数据传输。在一个传输时间块期间，设发射端MS的第i(i＝1,…,Ur)条RF链传输的导频信号被定义为
Figure BDA0003650652860000102
满足
Figure BDA0003650652860000103
其中sj是发射端MS的第j(j＝1,…,Ur)条射频链传输的导频信号，
Figure BDA0003650652860000104
表示向量sj的共轭转置。设置在每个传输块期间RF链传输的导频信号相同，且所有RF链传输的导频信号对于所有被选定的子载波都是相同的，则所有RF链发送的导频信号为
Figure BDA0003650652860000105
因此在第n个传输时间块和第m个子载波上，接收端波束成形器上的输出信号为
Figure BDA0003650652860000106
其中
Figure BDA0003650652860000107
为噪声矩阵，其每个元素服从
Figure BDA0003650652860000108
F*为矩阵F的共轭矩阵，且在接收端BS和发射端MS上的DFT波束成形器被分别表示为
Figure BDA0003650652860000109
Figure BDA00036506528600001010
其中
Figure BDA00036506528600001011
Figure BDA00036506528600001012
根据式(5)中所描述的导频信号的正交性，可以得到MS的第i条RF链在第n个传输时间块和第m个子载波上的信号，即
Figure BDA00036506528600001013
其中
Figure BDA0003650652860000111
是矩阵F的第i列，
Figure BDA0003650652860000112
是发射端MS的第i条射频链在第n个传输时间块和第m个子载波上的噪声向量，其每个元素服从均值为0方差为σ2的独立高斯分布；将式(2)代入式(9)可以得到
Figure BDA0003650652860000113
其中⊙表示Khatri-Rao积，
Figure BDA0003650652860000114
是在第m个子载波上的L条路径的时延扩展向量，
Figure BDA0003650652860000115
是L条路径在发射端MS的天线阵列响应矩阵，
Figure BDA0003650652860000116
是L条路径在接收端BS的阵列响应矩阵，
Figure BDA0003650652860000117
是在第n个传输时间块上的L条路径的复增益。
将Ur条射频链和M个子载波上的向量ym,i(n)堆叠在一列中，得到
Figure BDA0003650652860000118
其中
Figure BDA0003650652860000119
是时延扩展矩阵，其第l列向量
Figure BDA00036506528600001110
表示在第l条路径上的M个子载波的时延扩展，被定义为
Figure BDA00036506528600001111
Figure BDA00036506528600001112
是将Ur条射频链和M个子载波上的向量nm,i(n)堆叠在一列所得到的向量，其每个元素服从均值为0方差为σ2的独立高斯分布。
S2.通过三维波束空间MUSIC算法同时估计出信道的AOA、时延和AOD这三个参数。所述步骤S2具体包括：
S21：输入路径数L；输入信号y(n)。
S22：在式(11)中，定义空间矩阵为
Figure BDA0003650652860000121
其第l列可以表示为
Figure BDA0003650652860000122
S23：计算信号y(n)的协方差矩阵Ry，即
Figure BDA0003650652860000123
其中
Figure BDA0003650652860000124
表示计算y(n)y(n)H的期望。
S24：对协方差矩阵Ry进行特征分解，即
Figure BDA0003650652860000125
其中
Figure BDA0003650652860000126
是以特征值
Figure BDA0003650652860000127
为对角线元素的对角矩阵，矩阵U的每一列是对应于是每一个特征值的特征向量，矩阵Us
Figure BDA0003650652860000128
是信号子空间，矩阵
Figure BDA0003650652860000129
是噪声子空间，且|BHUn|＝0；
S25：计算3D-MUSIC算法的空间谱
Figure BDA00036506528600001210
其中，
Figure BDA00036506528600001211
τ∈[0,τmax]。这里，
Figure BDA00036506528600001212
和
Figure BDA00036506528600001213
分别是模拟波束成形器W和F的波束扇区边界，分别在式(7)和式(8)中被定义；τmax是最大时延。
S26：搜索3D-MUSIC算法空间谱上的L个谱峰，第l个谱峰所对应的坐标即为所估计出的BS与MS之间第l条路径的时延
Figure BDA00036506528600001214
和
Figure BDA00036506528600001215
S3.通过结合三维波束空间MUSIC算法和CSO算法来确定空间谱上多个谱峰的所在位置，以同时估计出信道的多路径参数。所述步骤S3具体包括：
S31.初始化：初始化全局最优解集合
Figure BDA00036506528600001216
搜索范围
Figure BDA0003650652860000131
迭代次数为L-1，并令坐标
Figure BDA0003650652860000132
和
Figure BDA0003650652860000133
的适应度值为+∞；
S32.计算全局最优：在搜索范围内执行CSO算法，得到全局最优解
Figure BDA0003650652860000134
S33.更新集合
Figure BDA0003650652860000135
将
Figure BDA0003650652860000136
添加到集合
Figure BDA0003650652860000137
中，并对集合
Figure BDA0003650652860000138
升序排序，则集合
Figure BDA0003650652860000139
中适应度值最小的元素
Figure BDA00036506528600001310
即为空间谱上第1个谱峰所对应的位置坐标。
S34.迭代开始：令
Figure BDA00036506528600001311
的适应度值为+∞。
S35.更新搜索范围：定义
Figure BDA00036506528600001312
其中i为
Figure BDA00036506528600001313
在集合
Figure BDA00036506528600001314
中的索引值，更新搜索范围为
Figure BDA00036506528600001315
和
Figure BDA00036506528600001316
并分别在每个搜索范围内执行CSO算法，输出新的全局最优解
Figure BDA00036506528600001317
和
Figure BDA00036506528600001318
S36.更新集合
Figure BDA00036506528600001319
将
Figure BDA00036506528600001320
和
Figure BDA00036506528600001321
添加到集合
Figure BDA00036506528600001322
中，并对集合
Figure BDA00036506528600001323
升序排序，则集合
Figure BDA00036506528600001324
中适应度值最小的元素
Figure BDA00036506528600001325
即为空间谱上其他谱峰所对应的位置坐标。
S37.迭代终止：若达到最大迭代次数，则停止迭代，得到空间谱上L个谱峰所对应的位置坐标；反之，则返回S34继续迭代。
所述步骤S32和S35中的鸡群优化算法的具体执行步骤如下：
步骤1、初始化：初始化迭代次数、种群规模、种群更新间隔代数G、鸡群维度D＝3、公鸡母鸡小鸡在鸡群中所占比例、搜索步长和范围等。
步骤2、计算适应度：根据式(16)的分母计算每个个体的适应度值，并按照适应度值的大小对鸡群个体排序，以确定鸡群的等级制度。其中公鸡的搜索能力最强，处于统治地位，适应度值最小；母鸡的搜索能力稍差，紧跟在公鸡周围搜索食物，适应度值稍大；小鸡的搜索能力最差，只能跟在母鸡周围搜索食物，适应度值最大，可以实现局部搜索功能。
步骤3、初始化鸡群：按公鸡个数将鸡群分组，并将母鸡随机分配到各个分组中，以确定公鸡和母鸡的伙伴关系。然后，小鸡随机跟随母鸡，以确定母鸡和小鸡的母子关系。
步骤4、迭代开始：若迭代次数是种群更新间隔代数G的倍数，则更新鸡群分组和鸡群中的关系；否则，公鸡、母鸡和小鸡按照各自的位置更新策略来更新自己的位置，并计算更新位置后的适应度值。
步骤5、更新全局最优：将新位置的适应度值与原位置的适应度值相比较，如果新位置的适应度值小，就更新个体位置，否则就保持原来的位置不变。
步骤6、迭代终止：若达到最大迭代次数，则停止迭代，输出全局最优解(即空间谱上谱峰所对应的位置坐标)；反之，则返回步骤4继续循环迭代。
S4.通过最小二乘法来估计信道的路径增益参数，所述步骤S4具体包括：
S41.根据式(13)和估计出的传输时延
Figure BDA0003650652860000141
到达角
Figure BDA0003650652860000142
和离开角
Figure BDA0003650652860000143
可以得到相应的估计空间矩阵
Figure BDA0003650652860000144
S42.通过最小二乘(LS)法可以估计出BS与MS之间的路径增益，即
Figure BDA0003650652860000145
其中，
Figure BDA0003650652860000146
表示矩阵
Figure BDA0003650652860000147
的逆矩阵。
S43.根据式(2)和估计出的传输时延
Figure BDA0003650652860000148
到达角
Figure BDA0003650652860000149
离开角
Figure BDA00036506528600001410
和路径增益
Figure BDA00036506528600001411
可以估计出BS与MS之间在第n个传输时间块和第m个子载波上的信道矩阵，即
Figure BDA00036506528600001412
图3为本发明所提出的信道估计方法在不同SNR下，传输时延、AOA、AOD、路径增益以及信道矩阵的归一化均方误差(NMSE)曲线图。该小区由一个配有16根天线和8个RF链路的BS，以及多个配有8根天线和4个RF链路的MS组成。设BS与MS之间的信道有2条物理路径，每个传输时间帧被划分为100个传输时间块，且选择前8个子载波进行上行信道估计。可以看出，采用本具体实施方式所估计出的传输时延、AOA、AOD、路径增益以及信道矩阵具有非常低的NMSE，即本发明所提出的信道估计方法具有非常高的准确性。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (6)

1.一种毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，其特征在于，建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由传输时延，到达角，离开角以及路径增益这四个参数指定；通过三维波束空间多信号分类算法同时估计出信道的到达角、时延和离开角这三个参数，并通过鸡群优化算法来确定空间谱上多个谱峰的所在位置；通过最小二乘法估计出信道的路径增益参数；
所述信道估计方法具体包括以下步骤：
S1、建立上行链路信号传输的宽带稀疏多路径参数化信道模型，其中每条路径由四个参数指定：传输时延τl，到达角θl，离开角
Figure FDA0003650652850000011
以及路径增益αl(t)；
S2、通过三维波束空间多信号分类算法同时估计出信道的到达角
Figure FDA0003650652850000012
传输时延
Figure FDA0003650652850000013
和离开角
Figure FDA0003650652850000014
这三个参数；
S3、通过结合三维波束空间多信号分类算法和鸡群优化算法来确定空间谱上多个谱峰的所在位置，以同时估计出信道的多路径参数，即传输时延
Figure FDA0003650652850000015
到达角
Figure FDA0003650652850000016
以及离开角
Figure FDA0003650652850000017
S4、通过最小二乘法来估计信道的路径增益
Figure FDA0003650652850000018
参数。
2.根据权利要求1所述的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、建立宽带稀疏多路径参数化信道模型：接收端BS配有Qa根天线，发射端MS配有Ua根天线，设置OFDM子载波总数为M0，并选择前M子载波进行信道估计；接收端BS和发射端MS分别采用半波长间距的一维均匀线性阵列，并通过移相器连接到模拟波束成形器
Figure FDA0003650652850000019
和
Figure FDA00036506528500000110
模拟波束成形器连接到Qr和Ur根射频链，其中Qr<Qa，Ur<Ua；采用射线跟踪信道模型，即接收端BS和发射端MS之间有L条可解析的物理路径，其中第l条路径由传输时延τl、到达角θl、离开角
Figure FDA00036506528500000111
和路径增益αl(t)这四个参数来指定，其中l＝1,…,L；划分一个传输时间帧为N个传输时间块，且复增益在不同传输时间块之间是可变的，而到达角θl、离开角
Figure FDA00036506528500000112
和传输时延τl在每个传输帧中是恒定的，即信道变化仅由路径增益引起，则在第n个传输时间块上的时延域时变信道模型为：
Figure FDA0003650652850000021
其中n＝1,…,N，
Figure FDA0003650652850000022
表示向量
Figure FDA0003650652850000023
的转置，δ(·)表示狄垃克函数；
在式(1)中对τ进行傅里叶变换，则在第n个传输时间块和第m个子载波上的频域时变信道模型表示为
Figure FDA0003650652850000024
其中m＝1,…,M，
Figure FDA0003650652850000025
是采样率为fs的OFDM子载波间距，e是自然常数，
Figure FDA0003650652850000026
是在第m个子载波和第l条路径上的时延扩展，
Figure FDA0003650652850000027
是接收端BS的天线阵列响应，
Figure FDA0003650652850000028
是发射端MS的天线阵列响应，其表达式分别为
Figure FDA0003650652850000029
Figure FDA00036506528500000210
S12、建立上行链路信号传输模型：设置在每个传输时间块中有T0个时隙，其中前Tp个时隙被用于信道估计，剩余的时隙被用于数据传输；在一个传输时间块期间，设发射端MS的第i条射频链传输的导频信号被定义为
Figure FDA00036506528500000211
满足
Figure FDA00036506528500000212
其中i＝1,…,Ur，sj是发射端MS的第j条射频链传输的导频信号，其中j＝1,…,Ur，
Figure FDA00036506528500000213
表示向量sj的共轭转置；设置在每个传输块期间射频链传输的导频信号相同，且所有射频链传输的导频信号对于所有被选定的子载波都是相同的，则所有射频链发送的导频信号为
Figure FDA0003650652850000031
因此在第n个传输时间块和第m个子载波上，接收端波束成形器上的输出信号为
Figure FDA0003650652850000032
其中
Figure FDA0003650652850000033
为噪声矩阵，其每个元素服从
Figure FDA0003650652850000034
F*为矩阵F的共轭矩阵，且在接收端BS和发射端MS上的DFT波束成形器被分别表示为
Figure FDA0003650652850000035
Figure FDA0003650652850000036
其中
Figure FDA0003650652850000037
Figure FDA0003650652850000038
是模拟波束成形器W的波束扇区边界；
Figure FDA0003650652850000039
是模拟波束成形器F的波束扇区边界；
根据式(5)中所描述的导频信号的正交性，得到发射端MS的第i条射频链在第n个传输时间块和第m个子载波上的信号，即
Figure FDA00036506528500000310
其中
Figure FDA00036506528500000311
是矩阵F的第i列，
Figure FDA00036506528500000312
是发射端MS的第i条射频链在第n个传输时间块和第m个子载波上的噪声向量，其每个元素服从均值为0方差为σ2的独立高斯分布；将式(2)代入式(9)得到
Figure FDA00036506528500000313
其中⊙表示Khatri-Rao积，
Figure FDA00036506528500000314
是在第m个子载波上的L条路径的时延扩展向量，
Figure FDA00036506528500000315
是L条路径在发射端MS的天线阵列响应矩阵，
Figure FDA0003650652850000041
是L条路径在接收端BS的阵列响应矩阵，
Figure FDA0003650652850000042
是在第n个传输时间块上的L条路径的复增益；
将Ur条射频链和M个子载波上的向量ym,i(n)堆叠在一列中，得到
Figure FDA0003650652850000043
其中
Figure FDA0003650652850000044
是时延扩展矩阵，其第l列向量
Figure FDA0003650652850000045
表示在第l条路径上的M个子载波的时延扩展，被定义为
Figure FDA0003650652850000046
Figure FDA0003650652850000047
是将Ur条射频链和M个子载波上的向量nm,i(n)堆叠在一列所得到的向量，其每个元素服从均值为0方差为σ2的独立高斯分布。
3.根据权利要求2所述的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、输入路径数L；输入信号y(n)；
S22、在式(11)中，定义空间矩阵为
Figure FDA0003650652850000048
其第l列表示为
Figure FDA0003650652850000049
S23、计算信号y(n)的协方差矩阵Ry，即
Figure FDA00036506528500000410
其中，
Figure FDA00036506528500000411
表示计算y(n)y(n)H的期望；
S24、对协方差矩阵Ry进行特征分解，即
Figure FDA0003650652850000051
其中，
Figure FDA0003650652850000052
是以特征值
Figure FDA0003650652850000053
为对角线元素的对角矩阵，矩阵U的每一列是对应于是每一个特征值的特征向量，矩阵
Figure FDA0003650652850000054
是信号子空间，矩阵
Figure FDA0003650652850000055
是噪声子空间，且|BHUn|＝0；
S25、计算3D-MUSIC算法的空间谱
Figure FDA0003650652850000056
其中，
Figure FDA0003650652850000057
τ∈[0,τmax]，τmax是最大时延；
S26、搜索3D-MUSIC算法空间谱上的L个谱峰，第l个谱峰所对应的坐标即为所估计出的接收端BS与发射端MS之间第l条路径的时延
Figure FDA0003650652850000058
离开角
Figure FDA0003650652850000059
和到达角
Figure FDA00036506528500000510
4.根据权利要求3所述的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、初始化：初始化全局最优解集合
Figure FDA00036506528500000511
搜索范围
Figure FDA00036506528500000512
迭代次数为L-1，并令坐标
Figure FDA00036506528500000513
和
Figure FDA00036506528500000514
的适应度值为+∞；
S32、计算全局最优：在搜索范围内执行鸡群优化算法，得到全局最优解
Figure FDA00036506528500000515
S33、更新集合
Figure FDA00036506528500000516
将
Figure FDA00036506528500000517
添加到集合
Figure FDA00036506528500000518
中，并对集合
Figure FDA00036506528500000519
升序排序，则集合
Figure FDA00036506528500000520
中适应度值最小的元素
Figure FDA00036506528500000521
即为空间谱上第1个谱峰所对应的位置坐标；
S34、迭代开始：令
Figure FDA00036506528500000522
的适应度值为+∞；
S35、更新搜索范围：定义
Figure FDA00036506528500000523
其中i为
Figure FDA00036506528500000524
在集合
Figure FDA00036506528500000525
中的索引值，更新搜索范围为
Figure FDA0003650652850000061
和
Figure FDA0003650652850000062
并分别在每个搜索范围内执行鸡群优化算法，输出新的全局最优解
Figure FDA0003650652850000063
和
Figure FDA0003650652850000064
S36、更新集合
Figure FDA0003650652850000065
将
Figure FDA0003650652850000066
和
Figure FDA0003650652850000067
添加到集合
Figure FDA0003650652850000068
中，并对集合
Figure FDA0003650652850000069
升序排序，则集合
Figure FDA00036506528500000610
中适应度值最小的元素
Figure FDA00036506528500000611
即为空间谱上其他谱峰所对应的位置坐标；
S37、迭代终止：若达到最大迭代次数，则停止迭代，得到空间谱上L个谱峰所对应的位置坐标；反之，则返回S34继续迭代。
5.根据权利要求4所述的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，所述步骤S32和S35中的鸡群优化算法的具体执行步骤如下：
步骤1、初始化：包括迭代次数、种群规模、种群更新间隔代数G、鸡群维度D＝3、公鸡母鸡小鸡在鸡群中所占比例、搜索步长和范围；
步骤2、计算适应度：根据式(16)的分母计算每个个体的适应度值，并按照适应度值的大小对鸡群个体排序，以确定鸡群的等级制度；其中公鸡的搜索能力最强，适应度值最小；母鸡的搜索能力稍差，紧跟在公鸡周围搜索食物，适应度值稍大；小鸡的搜索能力最差，只能跟在母鸡周围搜索食物，适应度值最大，实现局部搜索功能；
步骤3、初始化鸡群：按公鸡个数将鸡群分组，并将母鸡随机分配到各个分组中，以确定公鸡和母鸡的伙伴关系；然后，小鸡随机跟随母鸡，以确定母鸡和小鸡的母子关系；
步骤4、迭代开始：若迭代次数是种群更新间隔代数G的倍数，则更新鸡群分组和鸡群中的关系；否则，公鸡、母鸡和小鸡按照各自的位置更新策略来更新自己的位置，并计算更新位置后的适应度值；
步骤5、更新全局最优：将新位置的适应度值与原位置的适应度值相比较，如果新位置的适应度值小，就更新个体位置，否则就保持原来的位置不变；
步骤6、迭代终止：若达到最大迭代次数，则停止迭代，输出全局最优解，即空间谱上谱峰所对应的位置坐标；反之，则返回步骤4继续循环迭代。
6.根据权利要求4所述的毫米波MIMO-OFDM系统中基于3D-MUSIC算法的信道估计方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、根据式(13)和估计出的传输时延
Figure FDA0003650652850000071
到达角
Figure FDA0003650652850000072
和离开角
Figure FDA0003650652850000073
得到相应的估计空间矩阵
Figure FDA0003650652850000074
S42、通过最小二乘法估计出接收端BS与发射端MS之间的路径增益，即
Figure FDA0003650652850000075
其中，
Figure FDA0003650652850000076
表示矩阵
Figure FDA0003650652850000077
的逆矩阵；
S43、根据式(2)和估计出的传输时延
Figure FDA0003650652850000078
到达角
Figure FDA0003650652850000079
离开角
Figure FDA00036506528500000710
和路径增益
Figure FDA00036506528500000711
估计出接收端BS与发射端MS之间在第n个传输时间块和第m个子载波上的信道矩阵，即
Figure FDA00036506528500000712
CN202210550913.5A 2022-05-18 2022-05-18 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法 Active CN114928518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210550913.5A CN114928518B (zh) 2022-05-18 2022-05-18 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210550913.5A CN114928518B (zh) 2022-05-18 2022-05-18 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法

Publications (2)

Publication Number Publication Date
CN114928518A true CN114928518A (zh) 2022-08-19
CN114928518B CN114928518B (zh) 2024-01-30

Family

ID=82809189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210550913.5A Active CN114928518B (zh) 2022-05-18 2022-05-18 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法

Country Status (1)

Country Link
CN (1) CN114928518B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115355907A (zh) * 2022-10-19 2022-11-18 东南大学 基于毫米波通感一体化无人设备的自主导航系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110213185A (zh) * 2019-06-04 2019-09-06 北京交通大学 一种基于原子范数最小化的三维信道参数估计方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110213185A (zh) * 2019-06-04 2019-09-06 北京交通大学 一种基于原子范数最小化的三维信道参数估计方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
B. WANG等: "Beam squint and channel estimation for wideband mmwave massive MIMO-OFDM systems", 《IEEE TRANS. SIGNAL PROCESS》, vol. 67, no. 23 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115355907A (zh) * 2022-10-19 2022-11-18 东南大学 基于毫米波通感一体化无人设备的自主导航系统及方法

Also Published As

Publication number Publication date
CN114928518B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Zhang et al. Multibeam for joint communication and radar sensing using steerable analog antenna arrays
CN113746534B (zh) 一种卫星大规模mimo通信感知一体化的发送方法
US8040278B2 (en) Adaptive antenna beamforming
Sit et al. Direction of arrival estimation using the MUSIC algorithm for a MIMO OFDM radar
CN110099016B (zh) 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
Larsen et al. Performance bounds for MIMO-OFDM channel estimation
CN104698430B (zh) 一种用于提高精度的基于虚拟天线阵列的角度估计方法
US20050074071A1 (en) Method and apparatus for diversity combining and co-channel interference suppression
CN114095318B (zh) 智能超表面辅助的混合构型毫米波通信系统信道估计方法
CN109861933B (zh) 一种基于music算法和预编码的毫米波mimo信道估计方法
CN112929962B (zh) 定位方法、装置、计算机设备和存储介质
Yu et al. Hybrid far-and near-field channel estimation for THz ultra-massive MIMO via fixed point networks
CN115021843B (zh) 一种毫米波通信多用户系统合作感知方法
CN110212951B (zh) 一种基于Butler矩阵的大规模MIMO信道估计方法
CN114928518B (zh) 毫米波mimo-ofdm系统中基于3d-music算法的信道估计方法
CN114879173A (zh) 基于mimo-ofdm信号的感知性能优化方法
Xu et al. Agglomerative group scheduling for mmWave massive MIMO under hybrid beamforming architecture
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
Chen et al. Radar aided mmWave vehicle-to-infrastructure link configuration using deep learning
Rakhimov et al. Channel estimation for hybrid multi-carrier mmWave MIMO systems using 3-D unitary tensor-ESPRIT in DFT beamspace
CN104218984B (zh) 利用压缩感知的双端频域波束搜索方法
WO2022166477A1 (zh) 定位方法、装置、基站、计算机设备和存储介质
CN113075621B (zh) 针对分布式网络化雷达的信号级定位算法精度界计算方法
CN114269014A (zh) 基于域自适应网络的大规模mimo动态环境指纹定位方法
Zhong et al. Performance optimization and parameters estimation for MIMO-OFDM dual-functional communication-radar 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