CN116707687B - 一种去蜂窝大规模mimo系统的信道预测方法 - Google Patents
一种去蜂窝大规模mimo系统的信道预测方法 Download PDFInfo
- Publication number
- CN116707687B CN116707687B CN202310763017.1A CN202310763017A CN116707687B CN 116707687 B CN116707687 B CN 116707687B CN 202310763017 A CN202310763017 A CN 202310763017A CN 116707687 B CN116707687 B CN 116707687B
- Authority
- CN
- China
- Prior art keywords
- channel
- kth
- user
- representing
- denotes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005562 fading Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 230000032683 aging Effects 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 5
- 108091006146 Channels Proteins 0.000 claims description 169
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 230000003679 aging effect Effects 0.000 abstract description 7
- 230000033001 locomotion Effects 0.000 abstract description 4
- 230000001413 cellular effect Effects 0.000 description 5
- 230000006854 communication Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 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
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种去蜂窝大规模MIMO系统的信道预测方法,所述方法包括:基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统,建立信道老化下的信道模型;基于所述信道模型给出接入点AP接收到的上行训练数据表达式;基于p阶有限长脉冲响应维纳滤波器,将上行训练数据表达式接收的上行信道训练数据作为滤波器输入,通过最小化实际信道与预测信道之间的均方误差,求解信道预测因子,输出预测的信道;本发明利用以前的信道状态信息来预测当前信道,不仅没有额外增加用于信道估计的导频开销,将预测的信道用于数据传输阶段,还有效抑制了终端移动引起的信道老化效应,提升了用户的频谱效率,改善了系统性能。
Description
技术领域
本发明涉及一种去蜂窝大规模MIMO系统的信道预测方法,属于通信技术领域。
背景技术
去蜂窝大规模MIMO系统通过将大量装配一个或多个天线阵列的接入点随机分配在用户周围,较传统蜂窝网络架构相比,极大地缩短了基站与用户之间的通信距离,降低了数据在传播过程中的路径损耗。另外,大量地天线也带来了可观的宏分集增益和空间复用增益,有效抑制了一部分用户间干扰,实现了均匀的服务质量。因此,依赖于这些优点,去蜂窝大规模MIMO系统近几年成为通信领域的热点之一,研究人员对其进行了大量研究。
值得注意的是,现有的大部分关于去蜂窝大规模MIMO系统的研究,都假定了静止状态的用户,从而用户与基站之间的传播信道不会随着时间而发生改变。对于实际移动通信系统,用户往往处于移动状态,而非静止状态,用户与基站之间的相对移动使得它们之间的传播信道不断发生变化,引起信道老化效应。通常来讲,去蜂窝大规模MIMO系统通信过程含有三个阶段:上行信道估计,上行信道数据传输和下行信道数据传输。由于数据传输和处理存在时延,对于非静止用户的系统,信道老化效应不可避免,若将估计的信道用于上行接收和下行预编码,则会因为估计的信道与实际的信道不一致,严重降低系统性能,因此需要在移动场景中采取适当的措施应对信道老化效应。
发明内容
本发明的目的在于提供一种去蜂窝大规模MIMO系统的信道预测方法,以解决终端与基站之间的相对运动引发的信道老化效应。
一种去蜂窝大规模MIMO系统的信道预测方法,所述方法包括:
基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统,建立信道老化下的信道模型;
基于所述信道模型给出接入点AP接收到的上行训练数据表达式;
基于有限长脉冲响应维纳滤波器,将上行训练数据表达式得到的上行信道训练数据作为滤波器输入,通过最小化实际信道与预测信道之间的均方误差,求解信道预测因子,输出预测的信道。
进一步地,所述信道模型的表达式为:
其中gmk(n)表示第m个AP与第k个用户在第n个时刻的信道,gmk(λ)表示第m个AP与第k个用户在第λ个时刻的信道,ξmk(n)表示第m个AP与第k个用户在第n个时刻的随机信道,ρk(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数。
进一步地,所述接入点AP获取上行信道训练数据的表达式为:
其中,ρp表示归一化导频序列发送功率,τp表示正交导频序列长度和正交导频序列个数(τp<K),gmk(t)表示第m个AP与第k个用户在第t个时刻的信道,表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量,其元素服从循环对称复高斯分布/>ym(t)为第m个AP在第t时刻接收的上行训练数据。
进一步地,所述求解信道预测因子的计算方法包括:
基于上行信道训练数据表达式给出的过去的训练数据对第k个用户与所有AP之间在第n个时刻的信道序列/>进行了预测,如下式所示:
其中,p表示预测阶数,M表示AP总个数,y1(t)表示第1个AP在第t个时刻收到的训练数据,yM(t)表示第M个AP在第t个时刻收到的训练数据,y1(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据,yM(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据,表示第k个用户与所有AP在第n个时刻的预测信道序列,/>表示第k个用户的信道预测矩阵因子。
进一步地,所述第k个用户的信道预测矩阵因子的表达式为:
Vk通过最小化得到,因此第k个用户的信道预测矩阵因子具体表达式为:
其中βk=diag(β1k,β2k,…,βmk,…,βMk),β1k表示第1个AP与第k个用户之间的大尺度衰落系数,β2k表示第2个AP与第k个用户之间的大尺度衰落系数,βmk表示第m个AP与第k个用户之间的大尺度衰落系数,βMk表示第M个AP与第k个用户之间的大尺度衰落系数。(·)H和diag(·)分别表示克罗内克积、共轭转置和对角化运算,/>表示第k个用户与所有AP之间在第n个时刻的信道序列;
δ(ρ,p)=[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]
其中,k′表示第k′个用户的编号,ρk(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数,ρk(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数,ρk(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数,β1k′表示第1个AP与第k′个用户之间的大尺度衰落系数,M表示AP总个数,βMk′表示第M个AP与第k′个用户之间的大尺度衰落系数,IM(p+1)表示维度为M×(p+1)的单位矩阵,(·)-1表示矩阵逆运算。
进一步地,所述方法还包括:
将预测的信道用于下行数据预编码处理,给出下行用户接收的数据表达式;
利用UatF策略对用户接收的数据表达式进行处理,推导系统性能指标下行频谱效率的表达式。
进一步地,下行用户接收的数据表达式为:
其中ρd表示归一化下行数据发送功率,ωk(n)表示第k个用户在第n个时刻收到的高斯噪声,其满足均值为0,方差为1,rk(n)为第k个用户在第n个时刻接收到的信息,表示第m个AP与第k′个用户之间在第n个时刻的预测信道,k′表示第k′个用户的编号,ηmk′表示第m个AP和第k′个用户之间的功率控制系数,qk′(n)表示第k′个用户的随机消息变量。
进一步地,所述频谱效率的表达式为:
利用use-and-then-forget策略,推导出第k个用户在第n个时刻的频谱效率为,单位为bit/s/Hz,τc和SINRk分别表示相干时间间隔和信干噪比,
其中,表示第k个用户与所有AP之间的视距传播信道,/>表示第k′个用户与所有AP之间的视距传播信道序列。Λk=diag(η1k,η2k,…,ηMk)和Λk′=diag(η1k′,η2k′,…,ηMk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η1k表示第1个AP和第k个用户之间的功率控制系数,η2k表示第2个AP和第k个用户之间的功率控制系数,ηMk表示第M个AP和第k个用户之间的功率控制系数。η1k′表示第1个AP和第k′个用户之间的功率控制系数,η2k′表示第2个AP和第k′个用户之间的功率控制系数,ηMk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵,/>表示第k′个用户的预测信道序列的协方差矩阵。
与现有技术相比,本发明所达到的有益效果:
本发明利用以前的信道状态信息来预测当前信道,不仅没有额外增加用于信道估计的导频开销,将预测的信道用于数据传输阶段,还有效抑制了终端移动引起的信道老化效应,提升了用户的频谱效率,改善了系统性能。
附图说明
图1为本发明方法去蜂窝大规模MIMO系统模型示意图;
图2为本发明下行总频谱效率与预测阶数的关系图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明公开了一种去蜂窝大规模MIMO系统的信道预测方法,所述方法包括:
步骤1、基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统,建立信道老化下的信道模型;
步骤2、基于所述信道模型给出接入点AP接收到的上行训练数据表达式;
步骤3、基于有限长脉冲响应维纳滤波器,将上行训练数据表达式得到的上行信道训练数据作为滤波器输入,通过最小化实际信道与预测信道之间的均方误差,求解信道预测因子,输出预测的信道;
步骤4、将预测的信道用于下行数据预编码处理,给出下行用户接收的数据表达式;
步骤5、利用use-and-then-forget策略对用户接收的数据表达式进行处理,推导系统性能指标下行频谱效率的表达式。
本实施例中,步骤1中所述的信道模型的表达式为:
其中gmk(n)表示第m个AP与第k个用户在第n个时刻的信道,gmk(λ)表示第m个AP与第k个用户在第λ个时刻的信道,ξmk(n)表示第m个AP与第k个用户在第n个时刻的随机信道,ρk(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数。
本实施例中,步骤2中所述的接入点AP获取上行信道训练数据的表达式为:
其中,ρp表示归一化导频序列发送功率,τp表示正交导频序列长度和正交导频序列个数(τp<K),gmk(t)表示第m个AP与第k个用户在第t个时刻的信道,表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量,其元素服从循环对称复高斯分布/>为第m个AP在第t个时刻接收的上行训练数据。
在本实施例中,步骤3所述求解信道预测因子的计算方法包括:
基于上行信道训练数据表达式给出的过去的训练数据,
对第k个用户与所有AP之间在第n个时刻的信道序列/>进行了预测,如下式所示:
其中,p表示预测阶数,M表示AP总个数,y1(t)表示第1个AP在第t个时刻收到的训练数据,yM(t)表示第M个AP在第t个时刻收到的训练数据,y1(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据,yM(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据。表示第k个用户与所有AP之间的预测信道序列,/>表示第k个用户的信道预测矩阵因子。
所述第k个用户的信道预测矩阵因子的表达式为:
Vk通过最小化得到,因此第k个用户的信道预测矩阵因子具体表达式为:
其中βk=diag(β1k,β2k,…,βMk),βmk表示第m个AP与第k个用户之间的大尺度衰落系数,(·)H和diag(·)分别表示克罗内克积、共轭转置和对角化运算,/>表示第k个用户与所有AP之间在第n个时刻的信道序列;
δ(ρ,p)=[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]
其中,k′表示第k′个用户的编号,ρk(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数,ρk(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数,ρk(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数,β1k′表示第1个AP与第k′个用户之间的大尺度衰落系数,M表示AP总个数,βMk′表示第M个AP与第k′个用户之间的大尺度衰落系数,IM(p+1)表示维度为M×(p+1)的单位矩阵,(·)-1表示矩阵逆运算。
步骤4中下行用户接收的数据表达式为:
其中ρd表示归一化下行数据发送功率,ωk(n)表示第n个时刻用户k收到的高斯噪声,其满足均值为0,方差为1,rk(n)为第k个用户在第n个时刻接收到的信息,k′表示第k′个用户的编号,ηmk′表示第m个AP和第k′个用户之间的功率控制系数,表示第m个AP与第k′个用户在第n个时刻的预测信道,qk′(n)表示第k′个用户的随机消息变量。
步骤5中,所述频谱效率的表达式为:
利用use-and-then-forget策略,推导出第k个用户在第n个时刻的频谱效率为,单位为bit/s/Hz,τc和SINRk分别表示相干时间间隔和信干噪比,
其中表示第k个用户与所有AP之间的视距传播信道,/>表示第k′个用户与所有AP之间的视距传播信道序列。Λk=diag(η1k,η2k,…,ηMk)和Λk′=diag(η1k′,η2k′,…,ηMk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η1k表示第1个AP和第k个用户之间的功率控制系数,η2k表示第2个AP和第k个用户之间的功率控制系数,ηMk表示第M个AP和第k个用户之间的功率控制系数。η1k′表示第1个AP和第k′个用户之间的功率控制系数,η2k′表示第2个AP和第k′个用户之间的功率控制系数,ηMk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵,/>表示第k′个用户的预测信道序列的协方差矩阵。
针对本实施例,更为具体的阐述上述方法:
请参阅图1,本发明建立在去蜂窝大规模MIMO系统下,该系统包含随机分布的M个接入点AP和K个用户终端,且所有AP通过回传链路连接到中央处理单元CPU,并在同一时频资源块上同时服务于所有用户。
进一步的,我们考虑了更为实际地莱斯衰落信道模型,即AP与用户之间的信道包含与时间无关的视距信道LOS和与时间相关的非视距信道NLOS两部分,具体可表示为:
其中gmk(n)表示第m个AP与第k个用户在第n个时刻的信道,表示第m个AP与第k个用户之间的视距信道,βmk表示第m个AP与第k个用户之间的大尺度衰落系数,/>表示第m个AP与第k个用户在第n个时刻的非视距信道,并服从循环对称复高斯分布
进一步的,由于本发明方法考虑了移动场景,受信道老化效应影响,利用信道老化模型,接入点AP与用户之间的信道又可以表示为:
其中gmk(λ)表示第m个AP与第k个用户在第λ个时刻的信道,ξmk(n)表示第m个AP与第k个用户在第n个时刻和第λ个时刻之间的信道误差,ρk(n-λ)=J0(2πfDkTs|n-λ|)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数,J0(·)表示第一类零阶贝塞尔函数,Ts表示采样时间,fDk=fcv/c表示第k个用户在速度v下的多普勒频移,fc表示信道载波频率,c表示光速。
进一步的,假定了τp个正交导频序列用于上行信道训练(τp<K),则第m个AP在第t个时刻接收的上行训练数据ym(t)为
其中ρp表示归一化导频序列发送功率,gmk(t)表示第m个AP与第k个用户之间在第t个时刻的信道,表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量,其元素服从循环对称复高斯分布/>
进一步的,为了有效的提取第k个用户的信道状态信息,令
其中(·)H表示矩阵共轭转置运算,gmk′(t)表示第m个AP与第k′个用户之间在第t个时刻的信道,表示第k′个用户所分配的导频序列。
进一步的,所有AP在第t个时刻接收到的关于第k个用户的训练数据为
进一步的,基于有限长脉冲响应维纳滤波器,我们利用了过去的训练数据对第n时刻的第k个用户与所有AP之间的信道序列/>进行预测,如下所示:
其中表示第k个用户与所有AP之间的预测信道序列,/>表示第k个用户的信道预测矩阵,/>
进一步的,利用维纳滤波器的特性——最小化实际值与预测值之间的均方误差我们得到第k个用户的信道预测矩阵因子
其中βk=diag(β1k,β2k,…,βMk),β1k表示第1个AP与第k个用户之间的大尺度衰落系数,β2k表示第2个AP与第k个用户之间的大尺度衰落系数,βMk表示第M个AP与第k个用户之间的大尺度衰落系数。,COV(·)、和diag(·)分别表示协方差、克罗内克积和对角化运算,
其中,p表示预测阶数,k′表示第k′个用户的编号,ρk(0-0)表示第k个用户在第0个时刻和第0个时刻之间的信道相关系数,ρk(1-0)表示第k个用户在第1个时刻和第0个时刻之间的信道相关系数,ρk(p-0)表示第k个用户在第p个时刻和第0个时刻之间的信道相关系数,ρk(1-1)表示第k个用户在第1个时刻和第1个时刻之间的信道相关系数,ρk(p-p)表示第k个用户在第p个时刻和第p个时刻之间的信道相关系数,ρk(p-1)表示第k个用户在第p个时刻和第1个时刻之间的信道相关系数,ρk(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数,ρk(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数,ρk(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数,β1k′表示第1个AP与第k′个用户之间的大尺度衰落系数,M表示AP总个数,βMk′表示第M个AP与第k′个用户之间的大尺度衰落系数。IM(p+1)表示维度为M×(p+1)的单位矩阵,(·)-1表示矩阵逆运算。
进一步的,在下行数据传输阶段采用了共轭波束赋形,并将预测信道用于预编码处理,因此第k个用户在第n个时刻接收到的信息rk(n)为
其中ρd表示归一化下行数据发送功率,k′表示第k′个用户的编号,ηmk′表示第m个AP和第k′个用户之间的功率控制系数,gmk(n)表示第m个AP与第k个用户之间在第n个时刻的信道,表示第m个AP与第k′个用户之间在第n个时刻的预测信道,qk′(n)表示第k′个用户的随机消息变量,其满足均值为0,方差为1,/>表示第k个用户在第n个时刻收到的高斯噪声。
进一步的,根据用户接收到的信息,利用UatF策略,我们可以计算出第k个用户在第n个时刻的下行频谱效率为SEk=(1-τp/τc)log2(1+SINRk),单位为bit/s/Hz,τc和SINRk分别表示相干时间间隔和第k个用户的信干噪比,
其中表示第k个用户与所有接入点AP之间的视距传播信道序列,Λk=diag(η1k,η2k,…,ηMk)和Λk′=diag(η1k′,η2k′,…,ηMk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η1k表示第1个AP和第k个用户之间的功率控制系数,η2k表示第2个AP和第k个用户之间的功率控制系数,ηMk表示第M个AP和第k个用户之间的功率控制系数。η1k′表示第1个AP和第k′个用户之间的功率控制系数,η2k′表示第2个AP和第k′个用户之间的功率控制系数,ηMk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵,/>表示第k′个用户的预测信道序列的协方差矩阵。
进一步的,本发明方法推广到瑞利衰落信道模型中,并与莱斯衰落信道模型进行了比较。
请参阅图2,该图描绘了下行总频谱效率与预测阶数的关系图,从图中可以看出,无论是莱斯衰落信道,还是瑞利衰落信道,本发明方法均可以有效提升频谱效率,并优于采用过去的信道(即整个通信过程中只估计一次信道)下的系统性能,且随着预测阶数p的增加,使用预测信道的下行总频谱效率逐步缩短与理想信道(即每发送一次数据前估计一次信道)之间的性能差距,表明了本发明方法可以在不增加信道训练成本的条件下提升系统性能,有效抑制信道老化带来的影响。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种去蜂窝大规模MIMO系统的信道预测方法,其特征在于,所述方法包括:
基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统,建立信道老化下的信道模型;
基于所述信道模型给出接入点(AP)接收到的上行训练数据表达式;
基于有限长脉冲响应维纳滤波器,将上行训练数据表达式得到的上行信道训练数据作为滤波器输入,通过最小化实际信道与预测信道之间的均方误差,求解信道预测因子,输出预测的信道;
所述信道模型的表达式为:
其中gmk(n)表示第m个AP与第k个用户在第n个时刻的信道,gmk(λ)表示第m个AP与第k个用户在第λ个时刻的信道,ξmk(n)表示第m个AP与第k个用户在第n个时刻的随机信道,ρk(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数;
所述接入点AP获取上行信道训练数据的表达式为:
其中,ρp表示归一化导频序列发送功率,p表示预测阶数,τp表示正交导频序列长度和正交导频序列个数,τp<K,gmk(t)表示第m个AP与第k个用户之间在第t个时刻的信道,表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量,其元素服从循环对称复高斯分布/>ym(t)为第m个AP在第t个时刻接收的上行训练数据;
所述求解信道预测因子的计算方法包括:
基于上行信道训练数据表达式给出的过去的训练数据对第n个时刻的第k个用户与所有AP之间的信道序列/>进行了预测,如下式所示:
其中,y1(t)表示第1个AP在第t个时刻收到的训练数据,yM(t)表示第M个AP在第t个时刻收到的训练数据,y1(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据,yM(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据,表示第k个用户与所有AP之间的预测信道序列,/>表示第k个用户的信道预测矩阵因子。
2.根据权利要求1所述的去蜂窝大规模MIMO系统的信道预测方法,其特征在于,所述第k个用户的信道预测矩阵因子的表达式为:
Vk通过最小化得到,因此第k个用户的信道预测矩阵因子具体表达式为:
其中βk=diag(β1k,β2k,…,βmk,…,βMk),β1k表示第1个AP与第k个用户之间的大尺度衰落系数,β2k表示第2个AP与第k个用户之间的大尺度衰落系数,βmk表示第m个AP与第k个用户之间的大尺度衰落系数,βMk表示第M个AP与第k个用户之间的大尺度衰落系数,(·)H和diag(·)分别表示克罗内克积、共轭转置和对角化运算,/>表示第k个用户与所有AP之间在第n个时刻的信道序列;
δ(ρ,p)=[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]
其中,k′表示第k′个用户的编号,ρk(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数,ρk(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数,ρk(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数,β1k′表示第1个AP与第k′个用户之间的大尺度衰落系数,M表示AP总个数,βMk′表示第M个AP与第k′个用户之间的大尺度衰落系数,IM(p+1)表示维度为M×(p+1)的单位矩阵,(·)-1表示矩阵逆运算。
3.根据权利要求1所述的去蜂窝大规模MIMO系统的信道预测方法,其特征在于,所述方法还包括:
将预测的信道用于下行数据预编码处理,给出下行用户接收的数据表达式;
利用use-and-then-forget策略对用户接收的数据表达式进行处理,推导系统性能指标下行频谱效率的表达式。
4.根据权利要求3所述的去蜂窝大规模MIMO系统的信道预测方法,其特征在于,下行第k个用户接收的数据表达式为:
其中ρd表示归一化下行数据发送功率,ωk(n)表示第k个用户在第n个时刻收到的高斯噪声,其满足均值为0,方差为1,rk(n)为第k个用户在第n个时刻接收到的信息,表示第m个AP与第k′个用户之间在第n个时刻的预测信道,k′表示第k′个用户的编号,ηmk′表示第m个AP和第k′个用户之间的功率控制系数,qk′(n)表示第k′个用户的随机消息变量。
5.根据权利要求3所述的去蜂窝大规模MIMO系统的信道预测方法,其特征在于,所述频谱效率的表达式为:
利用use-and-then-forget策略,推导出第k个用户在第n个时刻的频谱效率为SEk=(1-τp/τc)log2(1+SINRk),单位为bit/s/Hz,τc和SINRk分别表示相干时间间隔和信干噪比,
其中,表示第k个用户与所有AP之间的视距传播信道,k′表示第k′个用户的编号,/>表示第k′个用户与所有AP之间的视距传播信道序列,Λk=diag(η1k,η2k,…,ηMk)和Λk′=diag(η1k′,η2k′,…,ηMk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵,η1k表示第1个AP和第k个用户之间的功率控制系数,η2k表示第2个AP和第k个用户之间的功率控制系数,ηMk表示第M个AP和第k个用户之间的功率控制系数,η1k′表示第1个AP和第k′个用户之间的功率控制系数,η2k′表示第2个AP和第k′个用户之间的功率控制系数,ηMk′表示第M个AP和第k′个用户之间的功率控制系数,/>表示第k个用户的预测信道序列的协方差矩阵,/>表示第k′个用户的预测信道序列的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310763017.1A CN116707687B (zh) | 2023-06-27 | 2023-06-27 | 一种去蜂窝大规模mimo系统的信道预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310763017.1A CN116707687B (zh) | 2023-06-27 | 2023-06-27 | 一种去蜂窝大规模mimo系统的信道预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707687A CN116707687A (zh) | 2023-09-05 |
CN116707687B true CN116707687B (zh) | 2024-05-10 |
Family
ID=87831064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310763017.1A Active CN116707687B (zh) | 2023-06-27 | 2023-06-27 | 一种去蜂窝大规模mimo系统的信道预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707687B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000752A1 (zh) * | 2015-07-01 | 2017-01-05 | 东南大学 | 一种fdd大规模mimo系统下行链路训练序列设计方法 |
CN110691049A (zh) * | 2019-10-31 | 2020-01-14 | 华中科技大学 | 一种频分双工模式下的大规模mimo系统信道预测方法 |
CN110971546A (zh) * | 2019-11-12 | 2020-04-07 | 华中科技大学 | 一种大规模mimo系统信道跟踪方法 |
CN113364501A (zh) * | 2021-06-04 | 2021-09-07 | 大连海事大学 | 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法 |
CN114665930A (zh) * | 2022-03-16 | 2022-06-24 | 南京邮电大学 | 去蜂窝大规模mimo系统的下行链路盲信道估计方法 |
WO2023018607A1 (en) * | 2021-08-12 | 2023-02-16 | The Board Of Trustees Of The University Of Illinois | Channel prediction for mimo systems based on reciprocity |
CN116248210A (zh) * | 2022-12-20 | 2023-06-09 | 哈尔滨工业大学(深圳) | 大规模多发多收系统信道预测方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230078276A1 (en) * | 2021-09-16 | 2023-03-16 | Mavenir Systems, Inc. | Method and apparatus for channel prediction for 5g uplink/downlink massive mimo system for open radio access networks |
-
2023
- 2023-06-27 CN CN202310763017.1A patent/CN116707687B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000752A1 (zh) * | 2015-07-01 | 2017-01-05 | 东南大学 | 一种fdd大规模mimo系统下行链路训练序列设计方法 |
CN110691049A (zh) * | 2019-10-31 | 2020-01-14 | 华中科技大学 | 一种频分双工模式下的大规模mimo系统信道预测方法 |
CN110971546A (zh) * | 2019-11-12 | 2020-04-07 | 华中科技大学 | 一种大规模mimo系统信道跟踪方法 |
CN113364501A (zh) * | 2021-06-04 | 2021-09-07 | 大连海事大学 | 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法 |
WO2023018607A1 (en) * | 2021-08-12 | 2023-02-16 | The Board Of Trustees Of The University Of Illinois | Channel prediction for mimo systems based on reciprocity |
CN114665930A (zh) * | 2022-03-16 | 2022-06-24 | 南京邮电大学 | 去蜂窝大规模mimo系统的下行链路盲信道估计方法 |
CN116248210A (zh) * | 2022-12-20 | 2023-06-09 | 哈尔滨工业大学(深圳) | 大规模多发多收系统信道预测方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
A Capacity Enhanced AP-RIS Joint Optimization Scheme for Irregular Intelligent Surface-Assisted Cell-Free Massive MIMO Systems;Z. Dai, L. Yang, H. Fang, Y. Qiao and R. Luo;2022 IEEE 8th International Conference on Computer and Communications (ICCC);全文 * |
面向5G热点场景无线信道测量、仿真与建模研究;李双德;中国博士学位论文全文数据库 (信息科技辑);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116707687A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100559070B1 (ko) | 적응형 안테나 어레이 및 그 제어 방법 | |
González-Prelcic et al. | Radar aided beam alignment in mmWave V2I communications supporting antenna diversity | |
CN1695271B (zh) | 包括虚拟天线单元的天线阵 | |
Yang et al. | Performance of conjugate and zero-forcing beamforming in large-scale antenna systems | |
KR20120086279A (ko) | 다중-셀 협력 통신을 위한 기지국들 및 단말을 포함하는 통신 시스템 | |
Sabbagh et al. | Pilot allocation and sum-rate analysis in cell-free massive MIMO systems | |
CN110430150B (zh) | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 | |
JP2007159130A (ja) | 分散型アンテナ移動通信システムにおける上り受信方法及び装置 | |
KR102403502B1 (ko) | 무선 통신 시스템에서 채널 상태 추정 방법 및 장치 | |
KR100963333B1 (ko) | 다중 안테나를 이용한 빔 형성 방법 | |
US8462869B2 (en) | Channel information prediction system and channel information prediction method | |
CN115021843B (zh) | 一种毫米波通信多用户系统合作感知方法 | |
KR20160062731A (ko) | 분산 어레이 매시브 mimo 시스템의 신호 송수신 방법 및 장치 | |
Jiang et al. | Deep Learning-Aided Delay-Tolerant Zero-Forcing Precoding in Cell-Free Massive MIMO | |
Arya et al. | Kalman filter based tracking for channel aging in massive MIMO systems | |
KR101418766B1 (ko) | 다중―이용자 무선 시스템들에서 셀간 간섭을 감소시키기 위한 다중 안테나 방법 | |
Iwakuni et al. | Null-space expansion for multiuser massive MIMO inter-user interference suppression in time varying channels | |
KR20210128841A (ko) | Mimo를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치 | |
Noh et al. | Optimal pilot beam pattern design for massive MIMO systems | |
Ge et al. | A rate-splitting approach for RIS-aided massive MIMO networks with transceiver design | |
CN116707687B (zh) | 一种去蜂窝大规模mimo系统的信道预测方法 | |
CN101621357B (zh) | Mimo通信系统及其方法 | |
Alshammari et al. | The effect of channel spatial correlation on capacity and energy efficiency of massive mimo systems | |
Amin et al. | HOSVD-based denoising for improved channel prediction of weak massive MIMO channels | |
Sun et al. | Multi-pair two-way massive MIMO AF full-duplex relaying with ZFR/ZFT and imperfect CSI |
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 |