CN115276861B - 用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 - Google Patents
用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115276861B CN115276861B CN202210773983.7A CN202210773983A CN115276861B CN 115276861 B CN115276861 B CN 115276861B CN 202210773983 A CN202210773983 A CN 202210773983A CN 115276861 B CN115276861 B CN 115276861B
- Authority
- CN
- China
- Prior art keywords
- channel
- matrix
- transceiver
- coupling
- coupling matrix
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 130
- 238000010168 coupling process Methods 0.000 title claims abstract description 130
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 130
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 169
- 238000005259 measurement Methods 0.000 claims abstract description 81
- 238000010219 correlation analysis Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 27
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000003491 array Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000021615 conjugation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种6G超大规模MIMO无线信道的收发端耦合特性分析方法、装置及存储介质，涉及无线通信技术领域，能够实现对于收发端联合特性的分析。本发明包括：获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵；利用所述收发端联合相关分析量，建立信道模型组；通过信道测量平台获取信道测量数据；利用所述信道测量数据，分析所述信道模型组中模型的性能通过信道测量平台获取信道测量数据。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种用于MIMO无线通信信道的耦合特性分析方法、装置及存储介质。
背景技术
随着全球万物互联的进一步深化，第六代(sixth generation，6G)移动通信将要满足日益增长的系统覆盖和容量需求。超大规模多输入多输出(multiple-inputmultiple-output，MIMO)作为6G关键技术之一，在基站端配置数百甚至上千根天线，可大大提高系统的频谱效率和能量效率。针对6G超大规模MIMO无线通信系统的设计、优化和性能评估，一个重要前提是建立相应的无线信道模型。但是超大规模阵列的应用会给无线信道带来一些新的传播特性，然而传统无线信道模型无法准确描述该特性。因此，针对超大规模MIMO无线通信信道，亟需充分研究其新颖的传播特性，并进一步建立准确的信道模型。
目前已有相关单位开展了(超)大规模MIMO信道的测量和特性分析研究，但现有信道测量大多数使用虚拟阵列的方式，缺少在不同场景下使用真实超大规模阵列的信道测量工作。尤其是在信道特性分析方面，已研究得到信号的球面波、空间非平稳以及多用户情况下的信道硬化现象，但以上研究均只考虑收发端单侧的传播特性，缺少对于收发端联合特性的分析。
发明内容
本发明的实施例提供一种用于MIMO无线通信信道的耦合特性分析方法、装置及存储介质，能够实现对于收发端联合特性的分析。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供的方法，包括：
S1、获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵，所述收发端耦合矩阵用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配；
S2、利用所述收发端联合相关分析量，建立信道模型组；
S3、通过信道测量平台获取信道测量数据；
S4、利用所述信道测量数据，分析所述信道模型组中模型的性能。
第二方面，本发明的实施例提供的装置，包括：
预处理模块，用于获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵，所述收发端耦合矩阵用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配；
模型管理模块，用于利用所述收发端联合相关分析量，建立信道模型组实验模块，用于通过信道测量平台获取信道测量数据；
分析模块，用于利用所述信道测量数据，分析所述信道模型组中模型的性能。
第三方面，本发明的实施例提供一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现本实施例中的方法。
针对现有技术中所暴露出的问题，即现有方案考虑收发端单侧的传播特性，缺少对于收发端联合特性的分析的问题。本发明实施例提供的方案中，实现了将接收端和发送端的特性联合起来进行分析的分析方式，其中，通过收发端联合相关分析量实现了将接收端和发送端的特性进行联合，为后续进一步的分析提供了量化的基础。具体通过收发端联合相关分析量中的收发端耦合矩阵来建立信道模型，之后再设计了一种信道测量平台对该信道模型进行实验和测量，得到测量数据，从而进一步分析信道模型的性能。而由于收发端耦合矩阵是基于接收端和发送端的特性在实际应用中的耦合情况进行设计的，因此，基于收发端耦合矩阵建立的信道模型，也就能够体现收发端联合特性，就比如：收发端耦合矩阵可以用来描述收发端空间相关特性，例如可以利用LoS和NLoS场景下的耦合矩阵变化趋势来验证信道模型的性能，从而实现了在验证信道模型的性能的过程中，引入了反映收发端联合特性的相关分析量，从而使得所验证的信道模型的性能能够反映接收端和发送端的特性联合。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1为本发明实施例提供的信道测量环境及收发端位置示意图；
图2为本发明实施例提供的方法流程示意图；
图3为本发明实施例提供的具体实例中的不同场景的子阵列位置处的PAS变化示意图；
图4为本发明实施例提供的具体实例中的不同场景的子阵列位置处的耦合矩阵变化示意图；
图5为本发明实施例提供的具体实例中的不同场景下的CMD对比图；
图6为本发明实施例提供的具体实例中的不同模型计算得到的信道容量对比图；
图7为本发明实施例提供的具体实例中的双簇GBSM的耦合矩阵示意图；
图8为本发明实施例提供的具体实例的基于收发端耦合矩阵的信道模型性能分析大致过程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当本实施例称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本实施例中所涉及的一些专业名词以及缩写的解释：
6G(第六代移动通信系统，Sixth generation)、
MIMO(超大规模多输入多输出，Multiple-input multiple-output)、
MUSIC(多重信号分类，Multiple signal classification)、
ML(机器学习，Machine learning)、
RT(射线追踪，Ray tracing)、
CBSM(基于相关的随机信道模型，Correlation based stochastic models)、
KBSM(克罗内克随机信道模型，Kronecker based stochastic model)、
GBSM(基于几何随机的信道模型，Geometry-based stochastic model)、
ULA(均匀线阵，Uniform linear array)、
LoS(直射，Line of sight)、
NLoS(非直射，Non-line of sight)、
PAS(功率角度谱，Power angular spectrum)、
CIR(信道冲激响应，Channel impulse response)、
Tx(发射端，Transmitter)、
Rx(接收端，Receiver)、
PDP(功率时延谱，Power delay profile)。
本发明实施例提供一种用于MIMO无线通信信道的耦合特性分析方法，如图2所示，包括：
S1、获取收发端联合相关分析量。
其中，所述收发端联合相关分析量包括：收发端耦合矩阵，所述收发端耦合矩阵用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配。进一步的，收发端联合相关分析量还包括：空间全相关矩阵和空间单边相关矩阵。
本实施例中所述的收发端耦合矩阵，可以理解为Weichselberger模型中提出的收发端耦合矩阵，本实施例中将收发端耦合矩阵应用于无线信道收发端相关性的测量和仿真数据分析。具体来说，本实施例中的收发端耦合矩阵，可以根据空间全相关矩阵(所述空间全相关矩阵则是利用信道冲激响应H计算得到的)、发送端和接收端的单边特征向量计算得到，例如下述的公式(5)中所示的。其中，本实施例中的收发端耦合矩阵的维度组成为：接收端天线数MR*发送端天线数MT，收发端耦合矩阵中的各元素表示不同接收端单边特征向量与不同发送端单边特征向量之间的平均功率分配。
由于空间全相关矩阵维度较大，因此本实施例中进一步改进了对于空间全相关矩阵的处理方式。其中，可以利用空间单边相关矩阵来代替空间全相关矩阵进行处理，而结合本实施例的具体应用场景，空间单边相关矩阵包括了：所述发送端空间单边相关矩阵和所述接收端空间单边相关矩阵。而不论是收发端耦合矩阵、空间全相关矩阵还是空间单边相关矩阵。本实施例中所述的空间全相关矩阵和空间单边相关矩阵，都属于收发端联合相关分析量。具体的，本实施例中采用类似的方式来计算发送端空间单边矩阵和接收端空间单边矩阵，例如下述的公式(2)、(3)中所示的，而矩阵中的各元素表示单端不同天线之间的空间相关系数，例如：发送端空间单边矩阵中的各元素，表示发送端的不同天线之间的空间相关系数；接受端空间单边矩阵中的各元素，表示接受端的不同天线之间的空间相关系数。
S2、利用所述收发端联合相关分析量，建立信道模型组。
其中，所述信道模型组包括：基于相关的随机信道模型(CBSM)和基于几何随机的信道模型(GBSM)，其中，CBSM包括了全相关的克罗内克随机信道模型(KBSM)和Weichselberger随机信道模型，Weichselberger随机信道模型基于所述收发端耦合矩阵建立。GBSM具体为基于几何随机的双簇GBSM。
S3、通过信道测量平台获取信道测量数据。
其中，本实施例可以用于开展LoS与NLoS场景下超大规模MIMO无线信道测量实验。信道测量平台中可以搭建超大规模MIMO测量平台作为接收端，获取直射(line of sight，LoS)和非直射(non-line of sight，NLoS)场景测量数据。
S4、利用所述信道测量数据，分析所述信道模型组中模型的性能。
其中，可以分析所述信道模型组中与所述收发端耦合矩阵相关联的模型的性能。例如：建立基于Weichselberger模型的收发端联合相关分析量。考虑收发端之间相关性，开展室外超大规模MIMO信道测量工作，分析测量数据的收发端耦合特性，并评估现有模型的准确性。比如：基于空间平稳子阵列的接收数据，计算收发端联合PAS和耦合矩阵，分析验证不同场景的收发端相关特性。其次，根据近远场瑞利距离划分子阵列，创新性地使用Weichselberger模型中的收发端特征向量的耦合矩阵计算方法，计算不同子阵列的耦合矩阵，并使用Capon’s波束赋形计算对应的功率角度谱(power angular spectrum，PAS)。通过比较验证耦合矩阵在空间非平稳特性分析的正确性，以及在空间散射体分布判断的必要性。
针对现有技术中所暴露出的问题，即现有方案考虑收发端单侧的传播特性，缺少对于收发端联合特性的分析的问题。本实施例提供的方案中，实现了将接收端和发送端的特性联合起来进行分析的分析方式，其中，通过收发端联合相关分析量实现了将接收端和发送端的特性进行联合，为后续进一步的分析提供了量化的基础。具体通过收发端联合相关分析量中的收发端耦合矩阵来建立信道模型，之后再设计了一种信道测量平台对该信道模型进行实验和测量，得到测量数据，从而进一步分析信道模型的性能。而由于收发端耦合矩阵是基于接收端和发送端的特性在实际应用中的耦合情况进行设计的，因此，基于收发端耦合矩阵建立的信道模型，也就能够体现收发端联合特性，就比如：收发端耦合矩阵可以用来描述收发端空间相关特性，例如可以利用LoS和NLoS场景下的耦合矩阵变化趋势来验证信道模型的性能，从而实现了在验证信道模型的性能的过程中，引入了反映收发端联合特性的相关分析量，从而使得所验证的信道模型的性能能够反映接收端和发送端的特性联合。
本实施例中，在S1中，包括：分别对发送端空间单边相关矩阵和接收端空间单边相关矩阵进行特征分解，得到收发端各自的单边特征；根据所述空间全相关矩阵和收发端各自的单边特征，确定所述收发端耦合矩阵。其中，所述收发端联合相关分析量还包括：空间全相关矩阵和空间单边相关矩阵，所述空间全相关矩阵则是利用信道冲激响应计算得到的，所述空间单边相关矩阵则包括了：发送端的空间单边相关矩阵和接收端的空间单边相关矩阵。例如：
可以建立空间全相关矩阵
RMIMO＝E{vec(H)vecH(H)} (1)
其中，vec(·)为矩阵向量化运算符，可将MR×MT矩阵拉成MRMT×1列向量，E{·}为期望运算符，(·)H为矩阵共轭转置运算符。考虑时不变窄带MIMO无线信道，假设收发端均匀线阵的天线单元数分别为MR和MT，MT为发送端均匀线阵的天线单元数，MR为接收端均匀线阵的天线单元数，H为信道冲激响应(channel impulse response，CIR)其矩阵维度即为MR×MT，RMIMO中矩阵元素多达个。
而收发端各自的单边特征向量可以分别从发送端空间单边相关矩阵和接收端空间单边相关矩阵获取，具体的，为了进一步简化空间全相关矩阵，考虑基于收发端单边特征向量和收发端单边特征向量对之间的平均能量分配(比如公式(5)中所示)，需要构建收发端耦合矩阵。在这其中，需要获取空间单边相关矩阵即包括了：所述发送端空间单边相关矩阵和所述接收端空间单边相关矩阵：发送端空间单边相关矩阵为：
RT＝E{HTH*} (2)
接收端空间单边相关矩阵为：
RR＝E{HHH} (3)
其中，(·)T为矩阵转置运算符，(·)*为矩阵共轭运算符。
对所述发送端空间单边相关矩阵和所述接收端空间单边相关矩阵，分别进行特征分解，得到收发端各自的单边特征，其中，特征分解的方式具体为
和/>
其中，UT和UR表示收发端单边特征，具体来说，UT为接收端单边特征向量uT的特征空间，UR为发送端单边特征向量uR构成的特征空间；ΛT和ΛR可以称之为对角元素，具体来说，ΛT为接收端单边特征值的对角矩阵，ΛR为发送端单边特征值的对角矩阵；
根据所述空间全相关矩阵和收发端各自的单边特征，则可以确定所述收发端耦合矩阵：
其中，Ω即表示所述收发端耦合矩阵，E{·}为期望运算符，(·)T为矩阵转置运算符，(·)H为矩阵共轭转置运算符，(·)*为矩阵共轭运算符，⊙为Hadamard乘积运算符，uR为发送端单边特征向量，uT为接收端单边特征向量，H为信道冲激响应(channel impulseresponse，CIR)。由此可见，所述收发端耦合矩阵可用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配，接收端单边特征向量与发送端单边特征向量组成一个收发端单边特征向量对，通过所述收发端耦合矩阵也可以反映不同的收发端单边特征向量对之间的平均功率分配。
本实施例中，在S2中，包括：
利用空间全相关矩阵的均方根和向量化的复高斯分布矩阵，建立基于空间全相关矩阵的信道模型(CBSM)。以及，利用所述收发端耦合矩阵，建立基于收发端耦合矩阵的Weichselberger模型。其中，MIMO信道系数服从零均值复高斯分布，则CIR可由信道协方差矩阵唯一决定，CBSM可表示为：
G为独立同分布的零均值复高斯分布矩阵，vec(HFull)表示向量化的基于空间全相关矩阵的信道模型，表示空间全相关矩阵的均方根，vec(G)表示向量化的复高斯分布矩阵。
建立基于收发端耦合矩阵的Weichselberger模型，表示为
其中，为Ω的平方根，HWM即为所建立的Weichselberger模型CIR，HWM可用于反映信道中散射体的分布情况。UT为接收端单边特征向量uT的特征空间，UR为发送端单边特征向量uR构成的特征空间，(·)T为矩阵转置运算符，⊙为Hadamard乘积运算符。
进一步的，可以建立收发端不相关的KBSM，具体来说，在理想情况下，即散射体无限多且分布于收发端和收发端之间，此时收发端不相关，则KBSM可表示为：
其中，P为总功率，收发端不相关可以表示为算符/>表示克罗内克乘积，RMIMO表示空间全相关矩阵。
更进一步的，还可以建立基于几何随机的双簇GBSM，其中，考虑LOS和NLOS场景，第q根接收第p根发送天线对应的子信道CIR可表示为
其中，K为莱斯因子，和/>分别为LoS和NLoS分量。各分量中多径时延、角度等信息可根据双簇模型中几何关系和随机分布得到。尤其对于NLoS分量，考虑一一对应的第一跳和最后一跳散射体簇，中间的传播路径由虚拟链路表示。
所采用的信道测量平台的组成部分，包括：发射端、接收端和测量设备。在所述信道测量平台中，各个设备的布置方式包括：将发射端放置于至少2个不同的位置，其中，一个发射端放置的位置与接收端的距离和角度，与另一个发射端放置的位置不相同。例如：所述发射端安装在移动底盘上，所述接收端固定安装在预设高度位置，并且在通过所述测量设备获取信道测量数据的过程中，将所述发射端放置于至少2个不同的位置。一个发射端放置的位置与所述接收端的距离和角度，与另一个发射端放置的位置不相同。
在一种可能的优选方案中，可以采用如图1所示的方式搭建信道测量平台，用于重点关注收发端天线配置情况。其中，发射端安装在1.5m高的小推车上，发射端(transmitter，Tx)上配置8根全向天线，所述8根全向天线直线排列且相邻天线间隔为5cm。所述接收端(receiver，Rx)配置128超大规模天线阵，且相邻单元天线间距为0.5955波长，线阵长度为4.3136m，将接收端固定安装在预设高度位置，例如放置于20m高的楼顶侧面。所述接收端。所述测量设备的工作中心频率在5.3GHz，带宽为160MHz，在测量设备信道测量过程中可以设定为将无线信道视为静止状态。在通过信道测量平台获取信道测量数据的过程中，将所述发射端放置于至少2个不同的位置。在通过信道测量平台进行信道测量的过程中，为了方便比较不同传播距离、不同LOS和NLOS场景下的信道传播特性，可以将Tx分别放置于城区道路的位置1和2处(如图1所示)。根据收发端几何关系，本实施例可以计算出Tx1、Tx2分别与Rx超大规模线阵中心位置点之间的距离和水平/俯仰角度信息。实际应用中，可以进一步验证信道测量数据：为了验证测量数据的准确性，将测量数据进行处理。首先根据CIR计算功率时延谱(power delay profile，PDP)，观测谱峰所在时延位置点，尤其是最强路径的时延。另外，使用谱估计算法或者高分辨率参数估计算法提取多径三维角度、时延、复幅度等信息，本实施例使用的是Capon’s波束赋形算法来处理若干子阵列的数据。
在本实施例中，分析所述信道模型组中模型的性能的方式，包括：
分析基于所述收发端耦合矩阵的测量数据，所述测量数据包括：直射(LoS)和非直射(NLoS)场景下超大规模阵列的耦合矩阵变化趋势。以及，分析基于所述收发端耦合矩阵的信道模型性能，所述信道模型性能包括：所述信道模型组中的各个模型对应的信道容量和各个模型对于收发端的互耦特性。
其中，所述分析基于所述收发端耦合矩阵的测量数据，包括：划分子阵列，其中，每个子阵列由多根天线组成，在一种可能的优选方案中可以设定为10根天线组成一个子阵列，具体的，在子阵列半径660m以内的空间范围作为近场范围，在子阵列半径660m以外的为远场范围。获取不同子阵列的运行数据，并记录不同子阵列处PAS谱峰的变化趋势和不同子阵列对应的耦合矩阵变化情况，其中，所记录的用于表示变化趋势的数据包括：谱峰数目和主峰位置，所记录的用于表示耦合矩阵变化情况的数据包括：对应各个子阵列处的PAS、耦合矩阵峰值数目和耦合矩阵峰值位置。分析基于所述收发端耦合矩阵的测量数据的过程，包括：划分空间平稳子阵列：由于Rx阵列的尺寸较大，根据瑞利距离计算公式可知，半径660m以内的空间位置均处于阵列的近场范围内。为了进一步分析信道特性，以10根天线为一组划分子阵列，此时Tx1和Tx2均处于阵列远场范围内。根据子阵列数据计算PAS和相应的耦合矩阵：使用Capon’s波束赋形分别处理LoS和NLoS场景下的不同子阵列数据，观察在不同子阵列处PAS谱峰的变化趋势，包括谱峰数目和主峰位置。另外，根据收发端耦合矩阵计算公式，计算不同子阵列对应的耦合矩阵变化情况。综合比较不同子阵列的PAS和耦合矩阵，总结二者之间的相似之处。重点观察在相同子阵列处的PAS与耦合矩阵峰值数目和位置，以及不同子阵列处二者随阵列位置产生的变化。总结分析不同LoS和NLoS场景下的PAS和耦合矩阵变化。此外，对比实际测量环境，验证耦合矩阵反应散射体位置的正确性。分析LoS和NLoS场景下超大规模阵列的耦合矩阵变化趋势：使用滑窗划分子阵列，阵元数为10，则128天线阵可划分为119个子阵列。针对LoS和NLoS场景测量数据，以第一个子阵列(即第1-10个阵元)为参考，分别计算不同子阵列与第一个子阵列之间的耦合矩阵距离(couplingmatrix distance，CMD)。计算第i个和第j个子阵列的耦合矩阵距离的方式为：
当Di,j＝0时，两个子阵列的耦合矩阵相等；当Di,j＝1时，两个子阵列的耦合矩阵差异最大。Ωi表示第i个子阵列的耦合矩阵，Ωj表示第j个子阵列的耦合矩阵i和j分别表示两个不同子阵列的序号。
所述分析基于所述收发端耦合矩阵的信道模型性能，包括：将所述信道模型组中的模型的收发端耦合矩阵的计算结果，与所述信道模型组中的该模型对应的测量数据进行比较并得到差异；根据所得到的差异的程度，确定描述收发端互耦特性的准确度最高的模型。例如图8所示的，比较不同信道模型的系统性能：分别使用基于全相关矩阵的模型、KBSM、Weichselberger模型和双簇GBSM计算信道容量，并与根据测量数据得到的信道容量进行比较。这里对于GBSM需要调整参数取值从而观察是否能够较好地拟合测量结果。分析信道模型的收发端互耦特性：保持所使用的参数取值不变，计算此时的耦合矩阵，观察计算结果与测量数据的差异，从而验证该模型是否能够提供对于收发端互耦特性的准确描述。优化信道模型，得到信道特性与系统性能的准确描述：若模型仅能够对单端的信道特性和系统性能进行准确描述，而收发端互耦特性差异较大，则需要进一步改善信道模型，实现信道模型性能的整体优化。
目前有关(超)大规模MIMO信道的测量和特性分析研究的现有方案中，大多数使用虚拟阵列的方式，缺少在不同场景下使用真实超大规模阵列的信道测量工作。在信道特性分析方面，已研究得到信号的球面波、空间非平稳以及多用户情况下的信道硬化现象，但以上特性均只考虑收发端单侧的传播特性，缺少对于收发端联合特性的分析。此外，在超大规模MIMO信道模型中，GBSM通过在假设散射体分布下与收发端的几何关系，建立收发端之间的内在联系，但由于散射体的随机分布使得该联系或许不能反应真实场景中的收发端相关性。CBSM中的KBSM假设收发端不相关，已有相关研究显示该模型不能提供准确的性能分析，Weichselberger模型计算收发端特性向量之间的耦合矩阵，从而建立相关性信道模型，但有研究显示信号的二阶矩不足以准确表示信道。基于ML的预测信道模型还未能充分考虑现有信道特性，并且收发端相关特性的考虑需要建立在大量信道测量和特性分析的基础上。
本发明实施例则是针对现有超大规模MIMO信道特性分析与建模均未充分考虑收发端之间相关性的问题，开展室外超大规模MIMO信道测量工作，分析测量数据的收发端耦合特性，并评估现有模型的准确性。通过比较验证耦合矩阵在空间非平稳特性分析的正确性，以及在空间散射体分布判断的必要性。最后，综合比较不同GBSM和CBSM对真实信道容量的拟合程度，说明考虑收发端相关性的重要性，并通过创新性的反向计算现有模型的耦合矩阵，提供进一步精确建模的改进思路。
在实验测试过程中，本实施例利用耦合矩阵来描述收发端空间相关特性，分析LoS和NLoS场景下测量数据的耦合矩阵变化趋势(比如图1所示的信道测量平台所提供的实验环境)，以及超大规模MIMO信道的空间非平稳特性，并基于该耦合矩阵验证各信道模型的仿真性能。其中，如图3所示的，展示了不同Tx位置点Tx1和Tx2(分别对应LoS和NLoS场景)处，使用不同子阵列测量数据计算得到的PAS。相应地，在图4中展示了不同场景和不同子阵列对应的耦合矩阵。从图3和图4的对比可以验证耦合矩阵用于超大规模MIMO信道特性分析的正确性，并说明耦合矩阵可反应散射体的大致分布情况。在图5中展示了Tx1和Tx2处使用滑窗划分子阵列所计算得到的CMD，均以第一个子阵列的耦合矩阵作为参考。可看出LoS场景下的CMD明显低于NLoS场景，但平稳性高于NLoS场景。图6展示了使用不同信道模型计算得到的信道容量与测量结果的对比图。可以看出KBSM由于未考虑收发端相关性，得到的信道容量最低；Weichselberger模型与全相关模型得到的结果接近，但依然不能很好地拟合测量数据的信道容量；双簇GBSM能够提供与测量数据相近的结果。然而，图7展示了基于此时双簇GBSM计算得到的耦合矩阵，可以看出虽然该模型通过调整参数能够提供对单端和系统容量的较好拟合，但其收发端相关性依然相差较大，需要进一步优化该模型，由此可见，本实施例不仅可以将接收端和发送端的特性联合起来进行分析，还可以为模型的进一步优化提供支持。
总的来说，针对现有技术中所暴露出的问题，即现有方案考虑收发端单侧的传播特性，缺少对于收发端联合特性的分析的问题。本发明实施例提供的方案中，实现了将接收端和发送端的特性联合起来进行分析的分析方式，其中，通过收发端联合相关分析量实现了将接收端和发送端的特性进行联合，为后续进一步的分析提供了量化的基础。具体通过收发端联合相关分析量中的收发端耦合矩阵来建立信道模型，之后再设计了一种信道测量平台对该信道模型进行实验和测量，得到测量数据，从而进一步分析信道模型的性能。而由于收发端耦合矩阵是基于接收端和发送端的特性在实际应用中的耦合运行的情况下进行设计的，因此，基于收发端耦合矩阵建立的信道模型，也就能够体现收发端联合特性，就比如：收发端耦合矩阵可以用来描述收发端空间相关特性，例如可以利用LoS和NLoS场景下的耦合矩阵变化趋势来验证信道模型的性能，从而实现了在验证信道模型的性能的过程中，引入了反映收发端联合特性的相关分析量，从而使得所验证的信道模型的性能能够反映接收端和发送端的特性联合。本发明的实施例还提供一种用于MIMO无线通信信道的耦合特性分析装置，包括：
预处理模块，用于获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵；
模型管理模块，用于利用所述收发端联合相关分析量，建立信道模型组
实验模块，用于通过信道测量平台获取信道测量数据。
分析模块，用于利用所述信道测量数据，分析所述信道模型组中模型的性能。
本发明的实施例还提供一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现本实施例中的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种用于MIMO无线通信信道的耦合特性分析方法，其特征在于，包括：
S1、获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵，所述收发端耦合矩阵用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配；
S2、利用所述收发端联合相关分析量，建立信道模型组；
S3、通过信道测量平台获取信道测量数据；
S4、利用所述信道测量数据，分析所述信道模型组中模型的性能；
在S4中，所述分析所述信道模型组中模型的性能，包括：分析基于所述收发端耦合矩阵的测量数据，其中，所述分析基于所述收发端耦合矩阵的测量数据，包括：划分子阵列后获取不同子阵列的运行数据，并记录不同子阵列处功率角度谱(PAS)的谱峰变化趋势和不同子阵列对应的耦合矩阵变化情况，所述测量数据包括：直射(LoS)和非直射(NLoS)场景下超大规模阵列的耦合矩阵变化趋势。
2.根据权利要求1所述的方法，其特征在于，所述收发端联合相关分析量还包括：空间全相关矩阵和空间单边相关矩阵，所述空间全相关矩阵则是利用信道冲激响应计算得到的；
在S1中，包括：分别对发送端空间单边相关矩阵和接收端空间单边相关矩阵进行特征分解，得到收发端各自的单边特征；
根据所述空间全相关矩阵和收发端各自的单边特征，确定所述收发端耦合矩阵。
3.根据权利要求2所述的方法，其特征在于，所述信道模型组包括：基于相关的随机信道模型和基于几何随机的信道模型，其中，所述基于相关的随机信道模型包括了全相关的克罗内克随机信道模型和Weichselberger随机信道模型。
4.根据权利要求2或3所述的方法，其特征在于，在S2中，包括：利用空间全相关矩阵的均方根和向量化的复高斯分布矩阵，建立基于空间全相关矩阵的信道模型；
利用所述收发端耦合矩阵，建立基于收发端耦合矩阵的Weichselberger模型。
5.根据权利要求1所述的方法，其特征在于，在所述信道测量平台中，包括：将发射端放置于至少2个不同的位置，其中，一个发射端放置的位置与接收端的距离和角度，与另一个发射端放置的位置不相同。
6.根据权利要求1或5所述的方法，其特征在于，在S4中，所述分析所述信道模型组中模型的性能，包括：
分析基于所述收发端耦合矩阵的信道模型性能，所述信道模型性能包括：所述信道模型组中的各个模型对应的信道容量和各个模型对于收发端的互耦特性。
7.根据权利要求6所述的方法，其特征在于，所记录的用于表示变化趋势的数据包括：谱峰数目和主峰位置，所记录的用于表示耦合矩阵变化情况的数据包括：对应各个子阵列处的PAS、耦合矩阵峰值数目和耦合矩阵峰值位置；所述分析基于所述收发端耦合矩阵的测量数据还包括：
计算第i个和第j个子阵列的耦合矩阵距离(CMD)，表示为其中，Di,j＝0时，第i个和第j个子阵列的耦合矩阵相等；当Di,j＝1时，第i个和第j个子阵列的耦合矩阵差异最大，Ωi表示第i个子阵列的耦合矩阵，Ωj表示第j个子阵列的耦合矩阵，i和j分别表示两个不同子阵列的序号，vec(•)表示矩阵向量化运算符，(•)H表示矩阵共轭转置运算符。
8.根据权利要求7所述的方法，其特征在于，所述分析基于所述收发端耦合矩阵的信道模型性能，包括：
将所述信道模型组中的模型的收发端耦合矩阵的计算结果，与所述信道模型组中的该模型对应的测量数据进行比较并得到差异；
根据所得到的差异的程度，确定描述收发端互耦特性的准确度最高的模型。
9.一种用于MIMO无线通信信道的耦合特性分析装置，其特征在于，包括：
预处理模块，用于获取收发端联合相关分析量，所述收发端联合相关分析量包括：收发端耦合矩阵，所述收发端耦合矩阵用于表示接收端单边特征向量与发送端单边特征向量之间的平均功率分配；
模型管理模块，用于利用所述收发端联合相关分析量，建立信道模型组；
实验模块，用于通过信道测量平台获取信道测量数据；
分析模块，用于利用所述信道测量数据，分析所述信道模型组中模型的性能；
在S4中，所述分析所述信道模型组中模型的性能，包括：分析基于所述收发端耦合矩阵的测量数据，其中，所述分析基于所述收发端耦合矩阵的测量数据，包括：划分子阵列后获取不同子阵列的运行数据，并记录不同子阵列处功率角度谱(PAS)的谱峰变化趋势和不同子阵列对应的耦合矩阵变化情况，所述测量数据包括：直射(LoS)和非直射(NLoS)场景下超大规模阵列的耦合矩阵变化趋势。
10.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210773983.7A CN115276861B (zh) | 2022-07-01 | 2022-07-01 | 用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210773983.7A CN115276861B (zh) | 2022-07-01 | 2022-07-01 | 用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115276861A CN115276861A (zh) | 2022-11-01 |
| CN115276861B true CN115276861B (zh) | 2024-03-19 |
Family
ID=83764706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210773983.7A Active CN115276861B (zh) | 2022-07-01 | 2022-07-01 | 用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115276861B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107171757A (zh) * | 2017-05-22 | 2017-09-15 | 电子科技大学 | 一种融合智能天线的mimo无线信道建模方法 |
| CN108199794A (zh) * | 2018-03-05 | 2018-06-22 | 南京邮电大学 | 一种新型Massive MIMO信道模型的统计性建模方法 |
| US11101905B1 (en) * | 2020-07-08 | 2021-08-24 | Keysight Technologies, Inc. | Method for estimating radiative contamination at nodes of an RF circuit |
| CN114679734A (zh) * | 2022-03-18 | 2022-06-28 | 西安电子科技大学 | 一种固定口径下大规模均匀紧致阵列的阵元间距优化方法 |
-
2022
- 2022-07-01 CN CN202210773983.7A patent/CN115276861B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107171757A (zh) * | 2017-05-22 | 2017-09-15 | 电子科技大学 | 一种融合智能天线的mimo无线信道建模方法 |
| CN108199794A (zh) * | 2018-03-05 | 2018-06-22 | 南京邮电大学 | 一种新型Massive MIMO信道模型的统计性建模方法 |
| US11101905B1 (en) * | 2020-07-08 | 2021-08-24 | Keysight Technologies, Inc. | Method for estimating radiative contamination at nodes of an RF circuit |
| CN114679734A (zh) * | 2022-03-18 | 2022-06-28 | 西安电子科技大学 | 一种固定口径下大规模均匀紧致阵列的阵元间距优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 下一代移动通信环境下多天线信道建模的研究;卢明乔;;通信技术(第05期);第1050-1053页 * |
| 基于Weichselberger模型的3D MIMO信道建模研究;翟曼等;信号处理;第33卷(第5期);第687-694页第1-6节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115276861A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Payami et al. | Channel measurements and analysis for very large array systems at 2.6 GHz | |
| Chizhik et al. | Multiple-input-multiple-output measurements and modeling in Manhattan | |
| US9786999B2 (en) | Over-the-air test | |
| Steinbauer et al. | How to quantify multipath separation | |
| JP5139462B2 (ja) | セルラー無線ネットワーク内におけるマルチアンテナの配備によって得られる容量および有効範囲の利得を近似し最適化する方法 | |
| CN108199794B (zh) | 一种新型Massive MIMO信道模型的统计性建模方法 | |
| Bengtsson | Antenna array signal processing for high rank data models | |
| 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 | |
| Suvikunnas et al. | Evaluation of the performance of multiantenna terminals using a new approach | |
| Svantesson | A double-bounce channel model for multi-polarized MIMO systems | |
| Yanakiev et al. | On small terminal antenna correlation and impact on MIMO channel capacity | |
| Nishimoto et al. | Measurement-based performance evaluation of MIMO spatial multiplexing in a multipath-rich indoor environment | |
| Bialkowski et al. | Investigating the performance of MIMO systems from an electromagnetic perspective | |
| CN115276861B (zh) | 用于mimo无线通信信道的耦合特性分析方法、装置及存储介质 | |
| Raschkowski et al. | Directional propagation measurements and modeling in an urban environment at 3.7 GHz | |
| Kammoun et al. | Spatial correlation characterization of a uniform circular array in 3D MIMO systems | |
| Feng et al. | Mutual coupling analysis of 6G ultra-massive MIMO channel measurements and models | |
| Aslam et al. | Massive MIMO channel performance analysis considering separation of simultaneous users | |
| Intarapanich et al. | Spatial correlation measurements for broadband MIMO wireless channels | |
| CN113708807B (zh) | 一种基于mimo-ota基站静态测试的信道建模方法 | |
| Fritzsche et al. | Verifying ray tracing based CoMP-MIMO predictions with channel sounding measurements | |
| Sit et al. | Maximum capacity antenna design for an indoor MIMO-UWB communication system | |
| Wang et al. | Research on MIMO Channel Capacity in Complex Indoor Environment Based on Deterministic Channel Model | |
| Song et al. | Antenna selection technique for constructing arrays applied in spatial channel characterization | |
| Dias et al. | Spatial radio channel sounding for static environment at 10 GHz |
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 |