CN111865843A - 大规模mimo-ofdm***混合消息传递信道估计方法 - Google Patents
大规模mimo-ofdm***混合消息传递信道估计方法 Download PDFInfo
- Publication number
- CN111865843A CN111865843A CN202010460272.5A CN202010460272A CN111865843A CN 111865843 A CN111865843 A CN 111865843A CN 202010460272 A CN202010460272 A CN 202010460272A CN 111865843 A CN111865843 A CN 111865843A
- Authority
- CN
- China
- Prior art keywords
- vector
- confidence
- variable
- updating
- angle
- 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
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
- H04L25/0224—Channel estimation using sounding signals
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
-
- 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)
- Radio Transmission System (AREA)
Abstract
本发明公开了大规模MIMO‑OFDM***混合消息传递信道估计方法。本发明针对大规模MIMO‑OFDM***进行建模,利用隐马尔可夫模型建模角度‑时延域信道矢量。基于贝叶斯自由能理论,将角度‑时延域稀疏信道估计问题转化为受限贝叶斯自由能最小化问题。通过拉格朗日乘子法求解该问题得到混合消息传递算法,利用该算法实现角度‑时延域信道估计。本发明中的大规模MIMO‑OFDM***混合消息传递信道估计方法能够大幅提高角度‑时延域信道估计的准确性,具有很快的收敛速率,并且可以有效减少导频开销。
Description
技术领域
本发明属于通信技术领域,涉及大规模MIMO-OFDM***的信道估计方法。
背景技术
大规模多输入多输出(MIMO,Multiple-Input Multiple-Ouput)技术是5G以及未来无线通信***的关键技术之一。它通过在基站(BS,Base Station)配备大规模天线阵列同时服务多个用户终端(UTs,User Terminals)极大地提高了频谱效率和***容量。正交频分多址(OFDM,Orthogonal Frequency Division Multiplexing)技术是一种多载波调制技术,它可以充分提高数据传输速率并有效增强对抗频率选择的鲁棒性。未来,大规模MIMO-OFDM技术仍将是5G之后(B5G)移动通信的研究热点。
在大规模的MIMO-OFDM***中,获取准确的信道状态信息(CSI,Channel StateInformation)是实现有效通信的关键。然而,对于大规模的MIMO-OFDM***,上行信道估计面临着各种挑战。随着用户侧天线的增多,导频开销变得难以承受,而且导频的重复使用将会导致导频污染。此外,随着信道矩阵维数的增大,传统的信道估计方法,如最小二乘法(LS,Least Squares)和最小均方误差法(MMSE,Minimum Mean Square Error)具有非常高的计算复杂度,这给基站侧带来了很大的计算负担。因此,研究准确的CSI估计算法并有效降低计算复杂度和减少导频开销是非常有必要的。
发明内容
发明目的:本发明目的在于提供一种大规模MIMO-OFDM***混合消息传递信道估计方法,能够克服现有技术的不足,降低计算复杂度和减少导频开销,准确地估计角度-时延域信道。
技术方案:为了达到上述目的,本发明所述的大规模MIMO-OFDM***混合消息传递信道估计方法包括以下步骤:
(1)建立大规模MIMO-OFDM***OFDM符号对应于角度-时延域信道的***模型;
(2)利用隐马尔可夫模型进行角度-时延域信道矢量建模,将角度-时延域信道矢量建模为状态指示矢量和隐数值矢量的克罗内科积;
(3)基于贝叶斯自由能理论,将角度-时延域信道估计问题转化为受限贝叶斯自由能最小化问题;
(4)基于拉格朗日乘子法解决上述受限贝叶斯自由能最小化问题,通过求解受限贝叶斯自由能最小化问题的拉格朗日方程,得到混合消息传递算法,利用混合消息传递算法实现角度-时延域信道估计。
步骤(1)中大规模MIMO-OFDM***在当前的OFDM符号t对应于角度-时延域信道的***模型表示为:
其中为基站侧观测矢量,为导频子载波采样矩阵,为K个用户的频率域发射信号矩阵,为第k个用户的频率域发射信号矩阵,diag(·)表示对角化矢量操作,IK和IM分别为K维和M维的单位矩阵,FN×L为N维酉DFT矩阵的前L列,为测量矩阵,表示克罗内科积运算,为角度-时延域信道矢量,为加性高斯白噪声矢量,M为基站侧天线数量,K为小区内用户数量,N为OFDM调制子载波总数,P为导频子载波数,L为保护间隔长度。
步骤(2)中角度-时延域信道矢量被建模为状态指示矢量和隐数值矢量的克罗内科积:
wt=st⊙θt
利用马尔可夫链模型建模状态指示矢量:
其中为st的第(k-1)ML+(l-1)M+m个元素,ρ=[ρ01,ρ10]为转移概率矩阵,为ρ01的第(l-1)K+k个元素,表示由0到1的转移概率,为ρ10的第(l-1)K+k个元素,表示由1到0的转移概率,初始概率密度为对应马尔可夫链的稳态概率:
利用高斯-马尔可夫模型建模隐数值矢量:
其中表示变量为均值为方差为的循环对称复高斯分布,λm,l,k、αm,l,k分别为θt、θt-1、λ、α的第(k-1)ML+(l-1)M+m个元素,λm,l,k表示高斯扰动方差,αm,l,k表示时间相关系数,初始概率密度被定义为设为高斯-马尔可夫模型的稳态概率:
步骤(3)中受限贝叶斯自由能最小化问题中的贝叶斯自由能表达式为:
其中D[·‖·]和H[·]分别表示相对熵和熵,用上标(·)τ表示第τ个OFDM符号,并且有τ∈{1,2,…,t}。导频子载波集合表示为其中定义辅助矢量zτ=Φτwτ,用表示辅助矢量的第(m-1)P+p个元素,用表示基站侧观测矢量的第(m-1)P+p个元素,用表示角度-时延域信道矢量wτ的第(k-1)ML+(l-1)M+m个元素,用表示第k个用户的频率域发射信号矢量的第pΔd个元素,用表示FN×L第pΔd行第l列元素,用σ表示加性高斯白噪声方差矢量nt的元素方差;则贝叶斯自由能表达式FB中的因子置信和变量置信分别定义如下:bY,τ,m,p是信道转移函数的因子置信,bZ,τ,m,p是辅助变量函数的因子置信,bW,τ,m,l,k是角度-时延域信道函数的因子置信,bS,τ,m,l,k是马尔可夫转移函数的因子置信,bΘ,τ,m,l,k是高斯-马尔可夫转移函数的因子置信,qZ,τ,m,p是辅助变量的变量置信,qW,τ,m,l,k是角度-时延域信道元素的变量置信,qS,τ,m,l,k是状态指示变量的变量置信,qΘ,τ,m,l,k是隐数值变量的变量置信,其中定义qΘ,0,m,l,k=1,δ(·)表示狄拉克函数。
步骤(3)中受限贝叶斯自由能最小化问题的置信约束条件包括因子化约束,均值与方差约束和边缘一致性约束;因子化约束为:
均值与方差约束为:
其中E[·|·]表示求均值函数,Var[·|·]表示求方差函数;
边缘一致性约束为:
步骤(4)中受限贝叶斯自由能最小化问题的拉格朗日方程表示为:
LB=FB+LC+LS+LH
其中FB为贝叶斯自由能表达式,LC为拉格朗日方程中的信道转移部分,表示为:
步骤(4)中所述的混合消息传递算法由拉格朗日方程求解之后的不动点迭代方程按如下顺序排列而成,具体包含以下步骤:
(4.5)更新因子置信bW,t,m,l,k:
其中∝为正比符号;
(4.13)更新因子置信bW,t,m,l,k:
其中一元二次方程系数a1,l,k,b1,l,k和c1,l,k分别表示为:
其中辅助中间变量d1,m,l,k,d2,m,l,k和d3,m,l,k分别表示为:
其中一元二次方程系数a2,l,k,b2,l,k和c2,l,k分别表示为:
其中辅助中间变量e1,m,l,k,e2,m,l,k和e3,m,l,k分别表示为:
其中一元三次方程系数a3,m,l,k,b3,m,l,k和c3,m,l,k分别表示为
b3,m,l,k=-e2,m,l,k
(4.24)至下一个OFDM符号,重复步骤(4.1)至(4.23),直至最大需要估计的OFDM符号数。
有益效果:与现有技术相比,本发明提出的大规模MIMO-OFDM***混合消息传递信道估计方法具有很高的准确度和很快的迭代收敛速率,并且可以有效减少导频开销。
附图说明
图1为本发明实施例的方法流程图;
图2为混合消息传递算法与现有方法在不同信噪比下的性能比较图;
图3为混合消息传递算法与现有方法在不同迭代次数下的性能比较图;
图4为混合消息传递算法与现有方法在不同导频子载波数下的性能比较图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1所示,本发明实施例公开的大规模MIMO-OFDM***混合消息传递信道估计方法,包括以下步骤:
(1)进行大规模MIMO-OFDM***建模;
(2)利用隐马尔可夫模型进行角度-时延域信道矢量建模;
(3)建立受限贝叶斯自由能最小化问题;
(4)利用拉格朗日乘子法求解步骤(3)的受限贝叶斯自由能最小化问题,得到用于大规模MIMO-OFDM***信道估计的混合消息传递算法。
步骤(1)中所述的大规模MIMO-OFDM***建模具体为:
针对单小区大规模MIMO-OFDM***上行链路,设基站侧配备均匀线阵,共有M个天线,小区内共有K个用户。OFDM调制共有N个子载波,P个导频子载波,导频子载波集合表示为其中保护间隔长度为L个***采样间隔并大于最大信道时延扩展。那么当前OFDM符号t对应于角度-时延域信道的***模型可以表示为
其中为基站侧观测矢量,为导频子载波采样矩阵,为K个用户的频率域发射信号矩阵,为第k个用户的频率域发射信号矩阵,IK和IM分别为K维和M维的单位矩阵,FN×L为N维酉DFT矩阵的前L列,表示克罗内克积运算,为测量矩阵,为角度-时延域信道矢量,为加性高斯白噪声矢量。
步骤(2)中所述的利用隐马尔可夫模型进行角度-时延域信道矢量建模具体包括以下步骤:
(2.1)将角度-时延域信道矢量建模为状态指示矢量和隐数值矢量的克罗内科积:
wt=st⊙θt
(2.2)利用马尔可夫链模型建模状态指示矢量:
其中为st的第(k-1)ML+(l-1)M+m个元素,ρ=[ρ01,ρ10]为转移概率矩阵,为ρ01的第(l-1)K+k个元素,表示由0到1的转移概率,为ρ10的第(l-1)K+k个元素,表示由1到0的转移概率。并且初始概率密度为对应马尔可夫链的稳态概率:
(2.3)利用高斯-马尔可夫模型建模隐数值矢量:
其中表示变量为均值为方差为的循环对称复高斯分布,λm,l,k、αm,l,k分别为第θt、θt-1、λ、α个元素,λm,l,k表示高斯扰动方差,αm,l,k表示时间相关系数。并且初始概率密度被定义为它被设为高斯-马尔可夫模型的稳态概率:
步骤(3)中所述的建立受限贝叶斯自由能最小化问题具体为包括以下步骤:
(3.1)对全局概率密度进行因子化分解:
其中zτ=Φτwτ为辅助矢量,表示基站侧观测矢量在OFDM符号1至当前OFDM符号t的集合,z(t),w(t),s(t),θ(t)分别表示辅助矢量、角度时延域信道矢量、状态指示矢量和隐数值矢量在OFDM符号1至当前OFDM符号t的集合
(3.2)写出贝叶斯自由能表达式:
其中D[·‖·]和H[·]分别表示相对熵和熵。用上标(·)τ表示第τ个OFDM符号,并且有τ∈{1,2,…,t}。定义辅助矢量zτ=Φτwτ,用表示辅助矢量的第(m-1)P+p个元素,用表示基站侧观测矢量的第(m-1)P+p个元素,用表示角度-时延域信道矢量wτ的第(k-1)ML+(l-1)M+m个元素,用表示第k个用户的频率域发射信号矢量的第pΔd个元素,用表示FN×L第pΔd行第l列元素,用σ表示加性高斯白噪声方差矢量nt的元素方差。则贝叶斯自由能表达式FB(b,q)中的因子置信和变量置信分别定义如下:bY,τ,m,p是信道转移函数的因子置信,bZ,τ,m,p是辅助变量函数的因子置信,bW,τ,m,l,k是角度-时延域信道函数的因子置信,bS,τ,m,l,k是马尔可夫转移函数的因子置信,bΘ,τ,m,l,k是高斯-马尔可夫转移函数的因子置信,qZ,τ,m,p是辅助变量的变量置信,qW,τ,m,l,k是角度-时延域信道元素的变量置信,qS,τ,m,l,k是状态指示变量的变量置信,qΘ,τ,m,l,k是隐数值变量的变量置信。
(3.3)确定置信的约束条件:
因子化约束为:
均值与方差约束为:
其中E[·|·]表示求均值函数,Var[·|·]表示求方差函数。
边缘一致性约束为:
(3.4)受限贝叶斯自由能最小化问题表示为:
在步骤(3.3)所述的置信约束条件下最小化步骤(3.2)所述的贝叶斯自由能表达式。
步骤(4)中受限贝叶斯自由能最小化问题的拉格朗日方程表示为:
LB=FB+LC+LS+LH
其中FB为步骤(3.2)所述的贝叶斯自由能表达式,为了在线估计角度-时延域信道,在OFDM符号τ={1,2,…,T-1}的因子置信和变量置信被对应符号中算法产生的估计值所替代,因此拉格朗日方程中只考虑当前OFDM符号t的约束。LC为拉格朗日方程中的信道转移部分,表示为:
步骤(4)中所述的混合消息传递算法具体包含以下步骤:
(4.5)更新因子置信bW,t,m,l,k:
其中∝为正比符号。
(4.13)更新因子置信bW,t,m,l,k:
其中一元二次方程系数a1,l,k,b1,l,k和c1,l,k分别表示为:
其中辅助中间变量d1,m,l,k,d2,m,l,k和d3,m,l,k分别表示为:
其中一元二次方程系数a2,l,k,b2,l,k和c2,l,k分别表示为:
其中辅助中间变量e1,m,l,k,e2,m,l,k和e3,m,l,k分别表示为:
其中一元三次方程系数a3,m,l,k,b3,m,l,k和c3,m,l,k分别表示为
b3,m,l,k=-e2,m,l,k
(4.24)至下一个OFDM符号,重复步骤(4.1)至(4.23),直至最大需要估计的OFDM符号数。
本发明方法主要适用于基站侧配备大规模天线阵列以同时服务多个用户的大规模MIMO-OFDM***。下面结合具体的***仿真场景对本发明涉及基于混合消息传递的稀疏信道估计方法与已有算法进行数值仿真和对比。需要说明的是本发明方法不仅适用于下面示例所举的***场景,也同样适用于其它配置的***场景。
考虑广泛采用的由3GPP/3GPP2组织提出的空间信道模型(Spatial ChannelModel,SCM)。具体***配置为:基站侧天线数M=128,用户数K=10,中心频率为2GHz,子载波数N=512,子载波间隔为15kHz,保护间隔长度L=36,符号间隔为71.4μs,路径数为6,信号传播场景设定为郊区宏蜂窝场景,用户移动速度设为250km/h,性能指标为时间平均的归一化均方误差(Time-averaged Normalized Mean Squared Error,TNMSE),定义为:
首先,给出本实施例中混合消息传递算法与现有方法在不同信噪比下的性能比较。考虑导频子载波数P=100,OFDM符号数T=50。从图2中可以看出混合消息传递算法远好于EM-BG-AMP算法和已知到达时延的LS算法,能够逼近LMMSE算法,特别是在0至5dB的低信噪比情况下,混合消息传递算法非常接近于LMMSE算法,说明发明中的混合消息传递算法对于大规模MIMO-OFDM***角度-时延域稀疏信道估计具有很高的准确性。
接着,给出本实施例中混合消息传递算法与现有方法在不同迭代次数下的性能比较。考虑导频子载波数P=100,OFDM符号数T=50。从图3可以看出,混合消息传递算法不仅性能远好于EM-BG-AMP算法,只需5次迭代就可以收敛,而EM-BG-AMP算法需要8次迭代,说明混合消息传递算法具有更快的收敛速率。
最后,给出本实施例中混合消息传递算法与现有方法在不同导频子载波数下的性能比较。考虑OFDM符号数T=50,信噪比SNR=10dB。从图4可以看出,不同导频子载波下混合消息传递算法性能都可以逼近LMMSE算法,远好于EM-BG-AMP算法和已知到达时延的LS算法,说明混合消息传递算法可以有效减少导频开销。
Claims (7)
1.大规模MIMO-OFDM***混合消息传递信道估计方法,其特征在于,所述方法包括以下步骤:
(1)建立大规模MIMO-OFDM***OFDM符号对应于角度-时延域信道的***模型;
(2)利用隐马尔可夫模型进行角度-时延域信道矢量建模,将角度-时延域信道矢量建模为状态指示矢量和隐数值矢量的克罗内科积;
(3)基于贝叶斯自由能理论,将角度-时延域信道估计问题转化为受限贝叶斯自由能最小化问题;
(4)基于拉格朗日乘子法解决上述受限贝叶斯自由能最小化问题,通过求解受限贝叶斯自由能最小化问题的拉格朗日方程,得到混合消息传递算法,利用混合消息传递算法实现角度-时延域信道估计。
2.根据权利要求1所述的大规模MIMO-OFDM***混合消息传递信道估计方法,其特征在于:步骤(1)中大规模MIMO-OFDM***在当前的OFDM符号t对应于角度-时延域信道的***模型表示为:
3.根据权利要求2所述的大规模MIMO-OFDM***混合消息传递信道估计方法,其特征在于:步骤(2)中角度-时延域信道矢量被建模为状态指示矢量和隐数值矢量的克罗内科积:
wt=st⊙θt
利用马尔可夫链模型建模状态指示矢量:
其中为st的第(k-1)ML+(l-1)M+m个元素,ρ=[ρ01,ρ10]为转移概率矩阵,为ρ01的第(l-1)K+k个元素,表示由0到1的转移概率,为ρ10的第(l-1)K+k个元素,表示由1到0的转移概率,初始概率密度为对应马尔可夫链的稳态概率:
利用高斯-马尔可夫模型建模隐数值矢量:
其中表示变量为均值为方差为的循环对称复高斯分布,λm,l,k、αm,l,k分别为θt、θt-1、λ、α的第(k-1)ML+(l-1)M+m个元素,λm,l,k表示高斯扰动方差,αm,l,k表示时间相关系数,初始概率密度被定义为设为高斯-马尔可夫模型的稳态概率:
4.根据权利要求3所述的大规模MIMO-OFDM***混合消息传递信道估计方法,其特征在于:步骤(3)中受限贝叶斯自由能最小化问题中的贝叶斯自由能表达式为:
其中D[·‖·]和H[·]分别表示相对熵和熵,用上标(·)τ表示第τ个OFDM符号,并且有τ∈{1,2,…,t},导频子载波集合表示为其中定义辅助矢量zτ=Φτwτ,用表示辅助矢量的第(m-1)P+p个元素,用表示基站侧观测矢量的第(m-1)P+p个元素,用表示角度-时延域信道矢量wτ的第(k-1)ML+(l-1)M+m个元素,用表示第k个用户的频率域发射信号矢量的第pΔd个元素,用表示FN×L第pΔd行第l列元素,用σ表示加性高斯白噪声方差矢量nt的元素方差;则贝叶斯自由能表达式FB中的因子置信和变量置信分别定义如下:bY,τ,m,p是信道转移函数的因子置信,bZ,τ,m,p是辅助变量函数的因子置信,bW,τ,m,l,k是角度-时延域信道函数的因子置信,bS,τ,m,l,k是马尔可夫转移函数的因子置信,bΘ,τ,m,l,k是高斯-马尔可夫转移函数的因子置信,qZ,τ,m,p是辅助变量的变量置信,qW,τ,m,l,k是角度-时延域信道元素的变量置信,qS,τ,m,l,k是状态指示变量的变量置信,qΘ,τ,m,l,k是隐数值变量的变量置信,其中定义qΘ,0,m,l,k=1,δ(·)表示狄拉克函数。
7.根据权利要求6所述的大规模MIMO-OFDM***混合消息传递信道估计方法,其特征在于:步骤(4)中所述的混合消息传递算法由拉格朗日方程求解之后的不动点迭代方程按如下顺序排列而成,具体包含以下步骤:
(4.5)更新因子置信bW,t,m,l,k:
其中∝为正比符号;
(4.13)更新因子置信bW,t,m,l,k:
其中一元二次方程系数a1,l,k,b1,l,k和c1,l,k分别表示为:
其中辅助中间变量d1,m,l,k,d2,m,l,k和d3,m,l,k分别表示为:
其中一元二次方程系数a2,l,k,b2,l,k和c2,l,k分别表示为:
其中辅助中间变量e1,m,l,k,e2,m,l,k和e3,m,l,k分别表示为:
其中一元三次方程系数a3,m,l,k,b3,m,l,k和c3,m,l,k分别表示为
b3,m,l,k=-e2,m,l,k
(4.24)至下一个OFDM符号,重复步骤(4.1)至(4.23),直至最大需要估计的OFDM符号数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460272.5A CN111865843B (zh) | 2020-05-27 | 2020-05-27 | 大规模mimo-ofdm***混合消息传递信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460272.5A CN111865843B (zh) | 2020-05-27 | 2020-05-27 | 大规模mimo-ofdm***混合消息传递信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111865843A true CN111865843A (zh) | 2020-10-30 |
CN111865843B CN111865843B (zh) | 2022-10-28 |
Family
ID=72985228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460272.5A Active CN111865843B (zh) | 2020-05-27 | 2020-05-27 | 大规模mimo-ofdm***混合消息传递信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111865843B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253224A (zh) * | 2021-04-03 | 2021-08-13 | 西安电子科技大学 | 基于近似消息传递算法的被动分布式雷达目标检测方法 |
CN113347125A (zh) * | 2021-06-09 | 2021-09-03 | 浙江大学 | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 |
CN114039639A (zh) * | 2021-11-04 | 2022-02-11 | 电子科技大学 | 一种大连接场景下联合信道估计与用户检测方法 |
CN114124623A (zh) * | 2021-10-28 | 2022-03-01 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
CN114629533A (zh) * | 2022-02-17 | 2022-06-14 | 东南大学 | 大规模mimo信道估计的信息几何方法及*** |
CN115150233A (zh) * | 2022-06-30 | 2022-10-04 | 东南大学 | 基于混合消息传递的宽带大规模mimo上行信道估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108832976A (zh) * | 2018-06-14 | 2018-11-16 | 南京邮电大学 | 一种大规模mimo***的上行链路信道估计方法 |
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 |
-
2020
- 2020-05-27 CN CN202010460272.5A patent/CN111865843B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108832976A (zh) * | 2018-06-14 | 2018-11-16 | 南京邮电大学 | 一种大规模mimo***的上行链路信道估计方法 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253224A (zh) * | 2021-04-03 | 2021-08-13 | 西安电子科技大学 | 基于近似消息传递算法的被动分布式雷达目标检测方法 |
CN113253224B (zh) * | 2021-04-03 | 2023-03-14 | 西安电子科技大学 | 基于近似消息传递算法的被动分布式雷达目标检测方法 |
CN113347125A (zh) * | 2021-06-09 | 2021-09-03 | 浙江大学 | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 |
CN114124623A (zh) * | 2021-10-28 | 2022-03-01 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
CN114124623B (zh) * | 2021-10-28 | 2023-07-07 | 中国信息通信研究院 | 一种无线通信信道估计方法和装置 |
CN114039639A (zh) * | 2021-11-04 | 2022-02-11 | 电子科技大学 | 一种大连接场景下联合信道估计与用户检测方法 |
CN114039639B (zh) * | 2021-11-04 | 2023-04-25 | 电子科技大学 | 一种大连接场景下联合信道估计与用户检测方法 |
CN114629533A (zh) * | 2022-02-17 | 2022-06-14 | 东南大学 | 大规模mimo信道估计的信息几何方法及*** |
CN114629533B (zh) * | 2022-02-17 | 2023-04-18 | 东南大学 | 大规模mimo信道估计的信息几何方法及*** |
CN115150233A (zh) * | 2022-06-30 | 2022-10-04 | 东南大学 | 基于混合消息传递的宽带大规模mimo上行信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111865843B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111865843B (zh) | 大规模mimo-ofdm***混合消息传递信道估计方法 | |
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
Yuan et al. | Iterative joint channel estimation, user activity tracking, and data detection for FTN-NOMA systems supporting random access | |
CN108832976B (zh) | 一种大规模mimo***的上行链路信道估计方法 | |
Mei et al. | Compressive sensing-based joint activity and data detection for grant-free massive IoT access | |
CN107276646B (zh) | 大规模mimo-ofdm上行链路迭代检测方法 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma***信号检测方法 | |
Gong et al. | Block distributed compressive sensing-based doubly selective channel estimation and pilot design for large-scale MIMO systems | |
CN107359906B (zh) | 低压电力线通信***中脉冲噪声的抑制方法 | |
CN114205203B (zh) | 一种基于ofdm的卫星物联网大规模接入设计方法 | |
Thoota et al. | Massive MIMO-OFDM systems with low resolution ADCs: Cramér-Rao bound, sparse channel estimation, and soft symbol decoding | |
CN113852575A (zh) | 一种基于时域信道均衡辅助的迭代otfs符号检测方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
CN113595941A (zh) | 深度学习的压缩感知大规模mimo信道估计方法及*** | |
CN114500322B (zh) | 免授权大规模接入场景下设备活跃检测和信道估计方法 | |
US8842754B2 (en) | Process for estimating the channel in a OFDM communication system, and receiver for doing the same | |
CN105812299A (zh) | 基于联合块稀疏重构的无线传感网信道估计算法及*** | |
Mehrotra et al. | Data-Aided CSI Estimation Using Affine-Precoded Superimposed Pilots in Orthogonal Time Frequency Space Modulated MIMO Systems | |
CN115412416B (zh) | 一种面向高速移动场景的低复杂度otfs信号检测方法 | |
CN114039639B (zh) | 一种大连接场景下联合信道估计与用户检测方法 | |
CN113055061B (zh) | 一种大规模mimo***的低复杂度预编码方法 | |
Wang et al. | 3D-IPRDSOMP Algorithm for Channel Estimation in Massive MIMO with OTFS Modulation | |
CN114268346A (zh) | 非高斯噪声下电力线载波通信压缩感知信道估计方法 | |
Zhu et al. | Bayesian channel estimation for massive MIMO communications | |
Wang et al. | Variational bayesian inference based channel estimation for OTFS system with LSM prior |
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 |