CN116527456A - 低复杂度的大规模mimo分布式信道估计方法 - Google Patents
低复杂度的大规模mimo分布式信道估计方法 Download PDFInfo
- Publication number
- CN116527456A CN116527456A CN202310539838.7A CN202310539838A CN116527456A CN 116527456 A CN116527456 A CN 116527456A CN 202310539838 A CN202310539838 A CN 202310539838A CN 116527456 A CN116527456 A CN 116527456A
- Authority
- CN
- China
- Prior art keywords
- channel
- angle domain
- matrix
- domain channel
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- 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
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
-
- 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
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于移动通信技术领域，具体涉及一种低复杂度的大规模MIMO分布式信道估计方法；所述方法包括在基站侧，采用具有回溯机制的变步长分段自适应匹配追踪算法，估计出初始帧的角度域信道矢量，同时获取先验信道支撑集；在用户侧，基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分；采用最小二乘算法对密集部分求解，得到部分角度域信道矩阵；采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的角度域信道矩阵精度；采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构；整合估计的后续帧角度域信道矢量。本发明的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。
Description
技术领域
本发明属于移动通信技术领域，具体一种涉及低复杂度的大规模MIMO分布式信道估计方法。
背景技术
大规模多输入输出(Multiple-Input Multiple-Output，MIMO)技术通过在基站(Base Station，BS)侧部署大量天线，大幅提升了无线传输系统的频谱效率和系统容量。但在大规模MIMO系统中，通过信道估计算法获取信道状态信息(Channel StateInformation，CSI)却成为一个棘手的问题。由于天线数量相较于传统MIMO提升了一个数量级，需要估计的信道参数的数量急剧增加，因此带来了极高的计算复杂度。
最小二乘(Least Squares，LS)算法因其较小的计算复杂度被广泛应用于信道估计场景中，但该算法的缺陷是噪声功率对估计性能影响显著，在低信噪比的信道环境下表现不佳。线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)作为经典的信道估计算法之一，具备良好的抗噪声性能，但在大规模MIMO系统中该算法因矩阵运算的维度过大将产生极高的计算复杂度。因此，研究具有低复杂度的大规模MIMO信道估计算法更具有现实意义。
发明内容
针对大规模MIMO传统信道矩阵获取方式导频开销大、计算复杂度高的问题，本发明提供了一种低复杂度的大规模MIMO分布式信道估计方法，本发明将信道估计划分为两个阶段，包括初始帧估计阶段和后续帧估计阶段，初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵，后续阶段在用户端利用信道的时间相关性，将大规模MIMO的角度域信道分解为密集部分和稀疏部分并分别估计以实现连续信道追踪。稀疏部分信道通过本发明提出的分布式自适应弱匹配追踪算法利用子信道的联合稀疏性进行多维重建。相比于传统的LMMSE算法，本发明所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。
本发明的一种低复杂度的大规模MIMO分布式信道估计方法，具体包括：
在基站侧，采用具有回溯机制的变步长分段自适应匹配追踪算法，估计出初始帧的角度域信道矢量，并获得先验信道支撑集；
在用户侧，基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分；采用最小二乘算法对密集部分求解，得到角度域信道矩阵；采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的密集部分角度域信道矩阵的精度；采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构；整合估计出后续帧的角度域信道矢量。
本发明的有益效果：
本发明提出了二阶段的信道估计方案，通过在两个阶段中运用不同的算法对用户下行信道进行连续追踪，有效减少了大规模MIMO信道估计的计算复杂度。经典的LMMSE算法由于矩阵运算产生的计算复杂度显著提升，而采用本章提出的信道分解策略——密集信道和稀疏信道分别估计的方式有效降低了计算复杂度。相比于传统分布式压缩感知重构的同步正交匹配追踪(Simultaneous Orthogonal Matching Pursuit，SOMP)算法在每次迭代时仅筛选一个原子到支撑集中，本发明中的分布式自适应弱匹配追踪算法通过阈值门限对原子进行“弱选择”，一次迭代可能索引多个原子，通过减少迭代次数显著降低了算法的计算复杂度。在估计精度方面，本发明将噪声水平引入阈值门限构成，在低信噪比下提升估计精度，在高信噪比下提升算法效率，同时利用多载波角度域信道共稀疏性，将传感矩阵的原子与每一个观测向量的残差进行内积再求和，加强了以相关度为准则的索引依据，相较于单一测量向量的信道估计算法具有更好的抗噪声性能。
附图说明
图1是本发明实施例的低复杂度的大规模MIMO分布式信道估计流程图；
图2是本发明优选实施例的低复杂度的大规模MIMO分布式信道估计流程图；
图3是在相干时隙T＝64时本发明实施例与其他方案的NMSE性能随SNR变化图；
图4是在相干时隙T＝32时本发明实施例与其他方案的NMSE性能随SNR变化图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
传统频分双工(Frequency Division Duplexing，FDD)模式下无线通信系统信道估计往往通过用户端估计和上行CSI反馈两个步骤实现。但在大规模MIMO系统中，此方式难以实现。一方面，用户端受运算资源限制难以使用LMMSE等经典算法估计信道矩阵；另一方面，将CSI反馈到基站会产生较多的反馈开销。为了解决此问题，提出了一种基于分布式压缩感知的二阶段信道估计方案，如图1所示，在初始帧估计阶段，在基站侧，采用具有回溯机制的变步长分段自适应匹配追踪算法，估计出初始帧的角度域信道矢量，并获得先验信道支撑集；在后续帧估计阶段，在用户侧，基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分；采用最小二乘算法对密集部分求解，得到角度域信道矩阵；采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的密集部分角度域信道矩阵的精度；采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构；整合估计出后续帧的角度域信道矢量。
图2是本发明优选实施例的低复杂度的大规模MIMO分布式信道估计流程图；如图2所示，首先判断出初始估计或者信道追踪是否失败，若失败则进入初始帧估计阶段，采用VSStAMP算法完成初始帧信道估计；然后在相干时间内完成先验信道支撑集信息的采集；否则不进行初始帧信道估计，直接在相干时间内完成先验信道支撑集信息的采集；完成支持集信息的采集后，进入后续帧估计阶段，密集部分角度域信道直接采用LS算法进行处理，利用小波阈值进行去噪处理；而剩余的稀疏部分角度域信道则采用本发明提出的DADMP算法进行处理；最后将信道进行整合就可以完成完整的信道估计。
在本发明实施例中，对于初始帧估计阶段，针对接入小区用户进行初始信道估计或信道跟踪失败的场景，在基站侧使用具有回溯机制的变步长分段自适应匹配追踪(Variable Step Size Stagewise Adaptive Marching Pursuits，VSStAMP)算法估计角度域信道矢量，同时获得准确的信道支撑集。假设用户u为估计的目标用户，则该用户在初始t-1帧内收到第k个子载波上传输的导频信号为：
式中，F表示离散傅里叶变换(Discrete Fourier Transform，DFT)矩阵；为t-1帧时子载波k上角度域信道矢量；/>表示t-1帧时在子载波k发送的导频符号构成的矩阵即导频矩阵；/>表示t-1帧时子载波k传输路径中的信道噪声。
由于角度域信道矢量具有稀疏性，因此可以根据压缩感知(CompressedSensing，CS)理论重建稀疏信道矢量。将式(1)等式两边进行矩阵转置，令/>则有：
式中，表示接收导频符号矢量，其为在t-1帧内收到第k个子载波上传输的导频信号的转置矩阵，上标T表示转置符号；/>表示t-1帧时在子载波k发送的导频符号构成的传感矩阵。
为了使传感矩阵满足约束等距性(Restricted Isometry Property，RIP)，构造导频矩阵/>为随机高斯矩阵。由于接收导频符号矢量/>维度远小于信道矢量/>维度，因此求解/>为一个欠定问题，需要采用贪婪迭代压缩感知重构算法对其进行求解。基站侧采用VSStAMP算法估计角度域信道矢量/>并且将信道矢量中的非零元素索引构成的信道支撑集/>作为后续帧估计阶段的先验信息。然后将估计的信道矢量从角度域变换到频域：
结合不同子载波间角度域信道共享稀疏基性质，得到角度域信道的共同支撑集：
最后将N个初始信道矢量依次计算并整合为一个信道矩阵完成初始帧阶段的信道估计。
在本发明实施例中，对于后续帧估计阶段，针对连续获取用户信道信息的场景，本发明将基于先验信道支撑集将第t帧的角度域信道分解为密集部分/>和稀疏部分中的元素为先验稀疏集中的非零值，假设其中仅有Sn个元素变化为零，/>中最多包含Sn个非零元素。由于稀疏信道的稀疏性更好，有效减少了重构算法迭代次数，从而降低算法复杂度。为了分别获得密集部分信道和稀疏部分信道，将第t帧的接收导频按时隙分为两个部分：
式中，为第t帧前S个时隙收到N个子载波上传输的导频符号；/>表示第t帧T-S个时隙中收到N个子载波上的导频符号。在具有时间相关性的连续帧内不同时隙中发送不同的导频，分别完成角度域信道分量估计。
设密集部分导频为导频符号在M根天线上发送并持续S个时隙，/>可以由角度域导频矩阵变换得到：
式中，表示DFT矩阵中以/>中元素为索引的列；/>表示角度域导频符号构成的酉矩阵。接收端在第t帧的S时隙内接收导频信号为：
由于的维度为N×S且矩阵/>维度为S×S，可以采用计算复杂度较低的LS算法对角度域信道矩阵求解：
为了提升算法在低信噪比下的估计性能，采用小波阈值去噪算法对预估计的信道矩阵进行降噪处理。首先将整合为(S×N)×1维的矢量待去噪信号Y(n)，其中0≤n≤(S×N-1)，采用Mallat算法对Y(n)进行小波分解，以一层小波分解为例：
式中，c1(n)和d1(k)表示第一层小波分解的近似系数和细节系数；h(n)和g(n)表示滤波器系统，取值由小波分解的尺度函数和小波函数决定。采用硬阈值函数对小波系数进行处理：
式中，dj表示尺度j下分解的细节系数；表示门限阈值，阈值大小与噪声强度σ相关。本发明采用稳健估计噪声标准方差：
σ＝median(|d1(n)|)/0.6745 (12)
式中，median(|d1(n)|)表示尺度1下的细节系数模值的中间值。最后通过小波重构将小波去噪后的信号重新变换为S×N维的信道矩阵并将获取的噪声标准方差σ作为稀疏信道估计分布式自适应弱匹配追踪(Distributed Adaptive Weak MatchingPursuit，DAWMP)算法的输入参数。
稀疏部分导频矩阵的维度为M×(T-S)，其构造方式为：
式中，表示稀疏部分角度域导频矩阵，/>为满足RIP准则的随机高斯矩阵。接收端在第t帧的T-S时隙内接收导频信号为：
由于角度域信道的稀疏性与子载波位置无关，因此的不同列中非零元素索引相同，于是利用分布式压缩感知理论对其进行求解。令/>并将式(14)进行转置：
本发明提出一种DAWMP算法重建多维的稀疏部分信道，具体算法流程如下：
输入：接收信号传感矩阵/>噪声标准差σ
输出：稀疏部分角度域信道估计值
步骤1计算阈值参数：α＝σb*a，当α>1时，令α＝1；
步骤2初始化：迭代次数i＝1，残差索引集/>原子支撑集/>
步骤3原子筛选确定最大索引计算门限选择与残差的内积之和大于门限Th的原子，将这些原子对应传感矩阵/>的列序号j构成集合J0；
步骤4更新索引集和原子支撑集：Λi＝Λi-1∪J0，Ai＝Ai-1∪{aj}(j∈J0)；
步骤5更新最小二乘解：
步骤6更新残差：
步骤7令若满足条件βi<γNσ2或Λi中元素数量大于T-S，则进入步骤8；否则i＝i+1，返回步骤3继续迭代；
步骤8迭代停止，输出
其中，σ表示噪声标准方差；b表示算法的预设第二参数；a表示表示算法的预设第一参数，这两个参数的取值可以由本领域技术人员指定；ri表示第i次迭代过程中的残差；表示接收端在第t帧的T-S时隙内接收导频信号的转置矩阵；Λi表示第i次迭代过程中原子索引集；Ai表示第i次迭代过程中原子支撑集；λi表示第i次迭代过程中最大索引；N表示子载波个数；M表示天线数目；S表示角度域信道的稀疏度；rn,i-1表示在第i-1次迭代残差的第n列矢量；aj表示传感矩阵的第j个原子；/>表示传感矩阵的第λi个原子；/>表示第i次迭代中估计出的稀疏部分角度域信道矩阵；hi表示第i次迭代中的理想稀疏部分角度域信道矩阵；/>表示在第t帧的T-S时隙内发送导频符号构成的传感矩阵。
在本发明优选实施例中，在获取了大规模MIMO系统的角度域信道的密集部分和稀疏部分后，对估计出的角度域信道进行整合：
式中，和/>分别表示单位阵I中以/>与/>中元素为索引的列构成的矩阵。最后将角度域信道变换到频域：
对N个子载波上的频域信道矩阵整合为一个信道向量完成估计算法。
如图3、图4所示，不同的相干时隙T下，与传统压缩感知信道估计算法相比，发明方法具有更低的估计误差，说明了此方法在减少了算法复杂度的同时具有更好的估计性能。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述方法包括：
在基站侧，采用具有回溯机制的变步长分段自适应匹配追踪算法，估计出初始帧的角度域信道矢量，同时获得先验信道支撑集；
在用户侧，基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分；采用最小二乘算法对密集部分求解，得到部分角度域信道矩阵；采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的密集部分角度域信道矩阵的精度；采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构；整合估计出后续帧的角度域信道矢量。
2.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分包括将第t帧的角度域信道矢量分解为密集部分和稀疏部分；密集部分中的元素为先验信道支撑集中的非零值，假设其中仅有Sn个元素变化为零，稀疏部分中最多包含Sn个非零元素。
3.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述采用最小二乘算法对密集部分求解包括将第t帧的接收导频按照时隙分为密集部分导频和稀疏部分导频；通过离散傅里叶矩阵中以先验信道支撑集中元素为索引的列矩阵和角度域导频符号酉矩阵的乘积计算出密集部分导频；通过密集部分导频和信道噪声确定出接收导频信号；通过最小二乘算法对所述接收导频信号和角度域导频符号构成的酉矩阵求解，得到角度域信道矩阵。
4.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述采用小波阈值去噪算法对角度域信道矩阵降噪处理包括将角度域信道矩阵整合为待去噪信号；通过Mallat算法对所述待去噪信号进行小波分解；按照确定出的小波系数采用稳健估计噪声标准方差；采用噪声标准方差计算出门限阈值；采用门限阈值以硬阈值方式对小波系数进行处理；将小波分解后的信号重新变换为角度域信道矩阵。
5.根据权利要求4所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述门限阈值的计算公式表示为：
其中，λ表示门限阈值；σ表示噪声标准方差；S表示角度域信道稀疏度；N表示子载波个数。
6.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述采用分布式自适应弱匹配追踪算法对稀疏部分求解包括：
步骤1：计算阈值参数α＝σb*a，当计算出的α>1时，令α＝1；
步骤2：初始化i＝1，
步骤3：原子筛选确定最大索引计算门限/>选择与残差的内积之和大于门限Th的原子，将这些原子对应传感矩阵/>的列序号j构成集合J0；
步骤4：更新原子索引集和原子支撑集：Λi＝Λi-1∪J0，Ai＝Ai-1∪{aj}(j∈J0)；
步骤5：更新最小二乘解：
步骤6：更新残差：
步骤7：令若满足条件βi<γNσ2或Λi中元素数量大于T-S，则进入步骤8；否则i＝i+1，返回步骤3继续迭代；
步骤8：迭代停止，输出
其中，σ表示噪声标准方差；b表示算法的预设第二参数；a表示表示算法的预设第一参数；ri表示第i次迭代过程中的残差；表示接收端在第t帧的T-S时隙内接收导频信号的转置矩阵；Λi表示第i次迭代过程中原子索引集；Ai表示第i次迭代过程中原子支撑集；λi表示第i次迭代过程中最大索引；N表示子载波个数；M表示天线数目；S表示角度域信道的稀疏度；rn,i-1表示在第i-1次迭代残差的第n列矢量；aj表示传感矩阵的第j个原子；/>表示传感矩阵的第λi个原子；/>表示第i次迭代中估计出的稀疏部分角度域信道矩阵；hi表示第i次迭代中的理想稀疏部分角度域信道矩阵；/>表示在第t帧的T-S时隙内发送导频符号构成的传感矩阵。
7.根据权利要求4或5或6所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述噪声标准方差的估计公式表示为：
σ＝median(|d1(n)|)/0.6745
其中，median(|d1(n)|)表示尺度1下的细节系数模值的中间值。
8.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述估计出后续帧的角度域信道矢量包括将求解出的密集部分和稀疏部分进行整合，将角度域信道矩阵变换到频域；将N个子载波上的频域信道矩阵整合为一个信道向量完成估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310539838.7A CN116527456A (zh) | 2023-05-15 | 2023-05-15 | 低复杂度的大规模mimo分布式信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310539838.7A CN116527456A (zh) | 2023-05-15 | 2023-05-15 | 低复杂度的大规模mimo分布式信道估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116527456A true CN116527456A (zh) | 2023-08-01 |
Family
ID=87404510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310539838.7A Pending CN116527456A (zh) | 2023-05-15 | 2023-05-15 | 低复杂度的大规模mimo分布式信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116527456A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
| CN105656819A (zh) * | 2016-03-21 | 2016-06-08 | 电子科技大学 | 一种基于压缩感知和大规模mimo的自适应信道估计方法 |
| WO2018014197A1 (zh) * | 2016-07-19 | 2018-01-25 | 华为技术有限公司 | 一种信道估计方法及装置 |
| CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
| CN108964726A (zh) * | 2018-09-03 | 2018-12-07 | 东南大学 | 一种低复杂度的大规模mimo上行链路传输信道估计方法 |
-
2023
- 2023-05-15 CN CN202310539838.7A patent/CN116527456A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
| CN105656819A (zh) * | 2016-03-21 | 2016-06-08 | 电子科技大学 | 一种基于压缩感知和大规模mimo的自适应信道估计方法 |
| WO2018014197A1 (zh) * | 2016-07-19 | 2018-01-25 | 华为技术有限公司 | 一种信道估计方法及装置 |
| CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
| CN108964726A (zh) * | 2018-09-03 | 2018-12-07 | 东南大学 | 一种低复杂度的大规模mimo上行链路传输信道估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何维;唐彦楠;陈美铃;: "MIMO-OFDM中稀疏度自适应的信道估计方法", 重庆邮电大学学报(自然科学版), vol. 27, no. 06 * |
| 王华华等: "一种自适应稀疏度的混合场信道估计算法", 《电讯技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108322409B (zh) | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 | |
| RU2404513C2 (ru) | Эффективный расчет весовых коэффициентов фильтра для системы mimo | |
| US8218671B2 (en) | Receiving apparatus, receiving method and communication system | |
| CN108881076B (zh) | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 | |
| CN113242191B (zh) | 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法 | |
| CN113271269A (zh) | 基于压缩感知的稀疏度自适应信道估计方法 | |
| Kim | Angle-domain frequency-selective sparse channel estimation for underwater MIMO-OFDM systems | |
| Shim et al. | Sparse detection with integer constraint using multipath matching pursuit | |
| CN115426223B (zh) | 一种低轨卫星信道估计和符号检测方法及系统 | |
| CN113055317A (zh) | 一种水声ofdm系统正交匹配追踪信道估计方法 | |
| US20120213315A1 (en) | Process for estimating the channel in a ofdm communication system, and receiver for doing the same | |
| CN108566347B (zh) | 一种多用户ofdm系统双选择稀疏信道的导频设计方法 | |
| US20100011040A1 (en) | Device and method for solving a system of equations characterized by a coefficient matrix comprising a Toeplitz structure | |
| CN106685555B (zh) | 基于低秩矩阵恢复的mimo水声系统信道状态信息反馈方法 | |
| CN110174657B (zh) | 基于秩一降维模型和块矩阵恢复的波达方向估计方法 | |
| CN114978818B (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
| CN116527456A (zh) | 低复杂度的大规模mimo分布式信道估计方法 | |
| JP2009016887A (ja) | 信号検出装置及び信号検出方法並びにそのプログラムと記録媒体 | |
| CN114362849B (zh) | 一种广义rask系统中基于压缩感知的信号检测方法 | |
| JP2009016886A (ja) | 信号検出装置及び信号検出方法並びにそのプログラムと記録媒体 | |
| CN106534028B (zh) | 基于压缩感知的ofdm信道跟踪方法 | |
| CN113055318B (zh) | 一种信道估计方法 | |
| CN114844544A (zh) | 一种基于低管秩张量分解的互质阵列波束成形方法、系统及介质 | |
| JP2009055217A (ja) | 信号検出装置及び信号検出方法並びにそのプログラムと記録媒体 | |
| CN110138693B (zh) | 结构化压缩感知信道估计方法及装置、存储介质和终端 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240204 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Country or region after: China Address before: 401135 No. 19, Zhuoyue Road, Longxing Town, Yubei District, Chongqing Applicant before: Space Communication Research Institute of Chongqing University of Posts and Telecommunications Country or region before: China |
|
| TA01 | Transfer of patent application right |