CN112702092B - 一种fdd下行多用户大规模mimo***中的信道估计方法 - Google Patents
一种fdd下行多用户大规模mimo***中的信道估计方法 Download PDFInfo
- Publication number
- CN112702092B CN112702092B CN202011526703.XA CN202011526703A CN112702092B CN 112702092 B CN112702092 B CN 112702092B CN 202011526703 A CN202011526703 A CN 202011526703A CN 112702092 B CN112702092 B CN 112702092B
- Authority
- CN
- China
- Prior art keywords
- channel
- user
- received signal
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种FDD下行多用户大规模MIMO***中的信道估计方法,包括步骤:S1.针对多个用户设计训练序列以及处理接收信号;S2.根据接收信号进行相应的角度估计;S3.通过角度估计值构造信道导向矢量;S4.根据构造的信道导向矢量重构下行信道状态信息。本发明基于少量的、统一的训练序列的信道估计方法,多个用户可同时估计信道状态信息,有效减少导频开销,为实现更高的***吞吐量打下基础。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种FDD下行多用户大规模 MIMO***中的信道估计方法。
背景技术
在大规模多输入多输出(MIMO)***中,利用基站(BS)的大规模天线阵,***能够获得极高的空间分辨率和空间分割复用增益,在没有受到严重干扰的情况下,还能同时为多个用户提供服务,极大的提高了***的频谱效率和传送速率。但是这些优良性能都取决于信道状态信息(CSI)的可用性,因此在实际***中如何获取完整的CSI对***性能的影响至关重要。
针对频分双工(FDD)大规模MIMO***,要获取完整的下行CSI需要花费大量的导频开销。这是由于在实际的大规模MIMO***中,训练次数和反馈开销与BS天线的数量成正比,采用传统的线性信道估计方法(如最小二乘算法(LS)和线性最小均方误差(LMMSE)算法)获取完整的CSI的资源需要发送和基站天线数相同的训练序列,从而造成近年来发展起来的FDD下行信道估计方法,几乎都是针对不同用户的信道信息设计不同的训练序列获得 CSI,这样,对于多用户***,会消耗更多的时间和资源,不切实际。
针对以上技术问题,故需对其进行改进。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种FDD下行多用户大规模MIMO***中的信道估计方法。
为了实现以上目的,本发明采用以下技术方案:
一种FDD下行多用户大规模MIMO***中的信道估计方法,包括步骤:
S1.针对多个用户设计训练序列以及处理接收信号;
S2.根据接收信号进行相应的角度估计;
所述步骤S2具体包括:
S21.估计信道导向矢量中的横向角度信息;
S22.估计信道复增益;
S23.估计信道导向矢量中的纵向角度信息;
S3.通过角度估计值构造信道导向矢量;
S4.根据构造的信道导向矢量重构下行信道状态信息。
进一步的,所述步骤S1中多个用户设计训练序列以及处理接收信号中包括K个相互独立的单天线用户、一个基站、基站处配备M根天线。
进一步的,所述基站处配备的M根天线采用平面阵排列方式,且M=MhMv,其中每行有Mh根天线,每列有Mv根天线,则第k(k=1,2,3,…,K)个用户从基站到达接收端的信道具体表示为:
其中:Pk表示基站与第k个用户的接收端之间的传播路径数;gk,l表示第 k个用户的第l条路径的信道复增益;α(θ,φ)表示信道的导向矢量;α(θk,l,φk,l)表示第k个用户的第l条路径的信道的导向矢量;θk,l和φk,l分别表示第k个用户的第l条路径的仰角和方位角;
所述信道的导向矢量α(θ,φ)可具体表示如下:
其中:d表示天线阵元之间的距离,假设d=λ/2,λ为载波波长;αv(θ)中包含平面阵列的纵向角度信息,αh(θ,φ)包含平面阵列的横向角度信息。
进一步的,所述步骤S1中设计训练序列具体为:
假设基站对所有的K个用户的发送信号均为SN,为M×N维的矩阵,具体表示为:
其中:FN表示N维的离散傅里叶DFT矩阵;0(M-N)×N表示(M-N)×N维的零矩阵。
进一步的,所述步骤S1中处理接收信号具体为:
混入噪声后,第k(k=1,2,3,..,K)个用户端的接收信号表示为:
其中:ρ表示信噪比,zk表示第k个用户处混入的噪声;
其中,yk表示接收信号。
进一步的,所述步骤S21具体包括:
根据第k个用户的实际接收信号估计信道导向矢量α(θ,φ)中的中αh(θ,φ) 的横向角度信息;具体过程如下:
第k个用户处的接收信号的前Mh个信号实际上是基站发送的平面阵列天线中的第一行天线的信息;
S211.将第k个用户处的N个接收信号的前Mh个信号取出,组成的n×l的 Hankel矩阵,表示为:
其中:yk(x)(x=1,2,…,n+l-1)表示取第k个用户处的第x(x=1,2,…,n+l-1)个接收信号,总的采样数为Mh,且Mh=n+l-1,需满足 n>P,l>P;
S212.将X进行奇异值分解,得到X=USVH,取左特征向量U的按特征值递减排列的前P列,为W(r),则W(r)=(w(1),w(2),…,w(P));
进一步的,所述步骤S22具体为:
则第k个用户的下行信道的复增益的具体计算公式,表示为:
进一步的,所述步骤S23具体为:
第k个用户处的接收信号的第Mh+1到第N个信号实际上是基站发送的平面阵列天线中的第二行天线的信息;
第k个用户端接收到的第Mh+1到第N个信号用矩阵的形式,表示为:
其中:将矩阵
进一步的,所述步骤S3具体为:
与现有技术相比,本发明基于少量的、统一的训练序列的信道估计方法,多个用户可同时估计信道状态信息,有效减少导频开销,为实现更高的***吞吐量打下基础。
附图说明
图1为实施例一提供的一种FDD下行多用户大规模MIMO***中的信道估计方法流程图;
图2为实施例一提供的一种FDD下行多用户大规模MIMO***中的信道估计方法仿真图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供一种FDD下行多用户大规模MIMO***中的信道估计方法,如图1所示,包括:
S1.针对多个用户设计训练序列以及处理接收信号;
S2.根据接收信号进行相应的角度估计;
S3.通过角度估计值构造信道导向矢量;
S4.根据构造的信道导向矢量重构下行信道状态信息。
本实施例的一种FDD下行多用户大规模MIMO***中的信道估计方法中,基于少量的、统一的训练序列的信道估计方法,用于下行多用户大规模MIMO ***,针对现有信道估计方法的不足进行了改进。
具体应用案例如下:
假设***中有1个小区,1个基站,基站的天线数为128根,采样次数N 取32,无线信号从基站到达每个用户的路径数Pk=4,每个用户接收天线为1 个。平面阵列天线每行的天线数Mh=16,每列的天线数Mv=8,载波波长λ=3×108/1.5×109,阵元间距d=λ/2,信道矩阵中导向矢量中包含的仰角θ和方位角φ都是服从区间(-90°,90°]内的均匀分布,横向角度采样Hankel矩阵的行数n=8,列数l=9。
在步骤S1中,针对多个用户设计训练序列以及处理接收信号。
基站处配备的128根天线采用平面阵(UPA Uniform-Planar-Array)排列方式,且M=16×8,其中每行有16根天线,每列有8根天线。第k个用户从基站到达接收端的信道具体表示为:
其中:Pk为基站与第k个用户的接收端之间的传播路径数,gk,l表示第k个用户的第l条路径的信道复增益,假设是服从零均值,单位方差的复高斯分布。α(θk,l,φk,l)表示第k个用户的第l条路径的信道的导向矢量,θk,l和φk,l分别表示第k个用户的第l条路径的仰角和方位角。
设计训练序列具体为:
假设基站对所有的用户的发送信号均为SN,为128×32维的矩阵,具体表示为:
其中:FN为32维的离散傅里叶(DFT)矩阵,0(M-N)×N为96×32维的零矩阵。
处理接收信号具体为:
混入噪声后,第k个用户端的接收信号表示为:
其中:ρ为信噪比,zk为第k个用户处混入的噪声,假设是服从零均值,单位方差的高斯噪声。
其中,yk表示接收信号。
在步骤S2中,根据接收信号进行相应的角度估计。
S21.估计信道导向矢量α(θ,φ)中的中αh(θ,φ)的横向角度信息
根据第k个用户的实际接收信号估计信道导向矢量α(θ,φ)中的中αh(θ,φ) 的横向角度信息。具体过程如下:
第k个用户处的接收信号的前16个信号实际上是基站发送的平面阵列天线中的第一行天线的信息。
S211.将第k个用户处的32个接收信号的前16个信号取出,组成如下的 8×9的Hankel矩阵:
其中:yk(x)(x=1,2,…,16)表示取第k个用户处的第xx(x=1,2,…,16)个接收信号,总的采样数为16。
S212.将X进行奇异值分解,即X=USVH,取左特征向量U的按特征值递减排列的前4列,为W(r),则W(r)=(w(1),w(2),w(3),w(4))。
S214.计算Φ(r)的特征值,其特征值就包含导向矢量α(θk,l,φk,l)中的横向矢量αh(θk,l,φk,l)中的横向角度信息估计值(其中:l=1,2,3,4),则横向角度的估计值和就由对Φ(r)的特征值提取相位角得到。
S22.估计信道复增益
则第k个用户的下行信道的复增益的具体计算公式如下:
S23.估计信道导向矢量α(θ,φ)中的中αv(θ)的纵向角度信息
第k个用户处的接收信号的第17到第32个信号实际上是基站发送的平面阵列天线中的第二行天线的信息。
第k个用户端接收到的第17到第32个信号用矩阵的形式表示为:
其中:将矩阵
在步骤S3中,通过角度估计值构造信道导向矢量。
在步骤S4中,根据构造的信道导向矢量重构下行信道状态信息。
在本实施例中,为了分析所提出的FDD大规模天线***中基于角度估计的信道估计方法的性能,定义了***吞吐量为:C=log(1+ρ||hHf||2),f为预编码。
如图2所示,是在上述举例的条件下,关于***吞吐量的仿真图,其中“理想转态”是采用真实信道做预编码的***吞吐量曲线,“本发明提出的方法”是采用本发明提出的方法采用重构信道做预编码的***吞吐量曲线。从图2 可以看出,本发明提出的方法得到的信道估计值所做预编码,在同等条件下与真实信道所做预编码相比,***的吞吐量仅相差1个比特左右,且随着信噪比的增加,本发明提出的方法更加逼近理想状态下的***吞吐量,且计算复杂度较低,具有很好的***性能。
与现有技术相比,本实施例为了更好的节省训练开销,在经过理论推导后,结合PRONY方程可以推出,对于大规模天线***,针对阵列天线,其信道都是满足PRONY方程的形式。基于此,考虑到在多用户场景下,可以对不同的用户发送相同的训练序列同时进行训练,并结合角度估计方法获取完整的信道状态信息依此来减少导频开销和时间消耗。基于少量的、统一的训练序列的信道估计方法,多个用户可同时估计信道状态信息,有效减少导频开销,为实现更高的***吞吐量打下基础。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种FDD下行多用户大规模MIMO***中的信道估计方法,其特征在于,包括步骤:
S1.针对多个用户设计训练序列以及处理接收信号;
S2.根据接收信号进行相应的角度估计;
所述步骤S2具体包括:
S21.估计信道导向矢量中的横向角度信息;
S22.估计信道复增益;
S23.估计信道导向矢量中的纵向角度信息;
S3.通过角度估计值构造信道导向矢量;
S4.根据构造的信道导向矢量重构下行信道状态信息;
所述步骤S1中多个用户设计训练序列以及处理接收信号中包括K个相互独立的单天线用户、一个基站、基站处配备M根天线;
所述基站处配备的M根天线采用平面阵排列方式,且M=MhMv,其中每行有Mh根天线,每列有Mv根天线,则第k个用户从基站到达接收端的信道具体表示为:
其中:Pk表示基站与第k个用户的接收端之间的传播路径数;gk,l表示第k个用户的第l条路径的信道复增益;α(θ,φ)表示信道的导向矢量;α(θk,l,φk,l)表示第k个用户的第l条路径的信道的导向矢量;θk,l和φk,l分别表示第k个用户的第l条路径的仰角和方位角;
所述信道的导向矢量α(θ,φ)具体表示如下:
其中:d表示天线阵元之间的距离,假设d=λ/2,λ为载波波长;αv(θ)中包含平面阵列的纵向角度信息,αh(θ,φ)包含平面阵列的横向角度信息;
所述步骤S1中设计训练序列具体为:
假设基站对所有的K个用户的发送信号均为SN,为M×N维的矩阵,具体表示为:
其中:FN表示N维的离散傅里叶DFT矩阵;0(M-N)×N表示(M-N)×N维的零矩阵;
所述步骤S1中处理接收信号具体为:
混入噪声后,第k个用户端的接收信号表示为:
其中:ρ表示信噪比,zk表示第k个用户处混入的噪声;
其中,yk表示接收信号;
所述步骤S21具体包括:
根据第k个用户的实际接收信号估计信道导向矢量α(θ,φ)中的中αh(θ,φ)的横向角度信息;具体过程如下:
第k个用户处的接收信号的前Mh个信号实际上是基站发送的平面阵列天线中的第一行天线的信息;
S211.将第k个用户处的N个接收信号的前Mh个信号取出,组成的n×l的Hankel矩阵,表示为:
其中:yk(x)表示取第k个用户处的第x个接收信号,x=1,2,…,n+l-1,总的采样数为Mh,且Mh=n+l-1,需满足n>P,l>P;
S212.将X进行奇异值分解,得到X=USVH,取左特征向量U的按特征值递减排列的前P列,
为W(r),则W(r)=(w(1),w(2),…,w(P));
3.根据权利要求2所述的一种FDD下行多用户大规模MIMO***中的信道估计方法,其特征在于,所述步骤S23具体为:
第k个用户处的接收信号的第Mh+1到第N个信号实际上是基站发送的平面阵列天线中的第二行天线的信息;
第k个用户端接收到的第Mh+1到第N个信号用矩阵的形式,表示为:
其中:将矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526703.XA CN112702092B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd下行多用户大规模mimo***中的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526703.XA CN112702092B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd下行多用户大规模mimo***中的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112702092A CN112702092A (zh) | 2021-04-23 |
CN112702092B true CN112702092B (zh) | 2021-12-14 |
Family
ID=75510200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526703.XA Active CN112702092B (zh) | 2020-12-22 | 2020-12-22 | 一种fdd下行多用户大规模mimo***中的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112702092B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221838B (zh) * | 2021-12-24 | 2024-02-13 | 杭州电子科技大学 | 大规模mimo***中利用信道共轭数据的信道估计方法及*** |
CN114244658B (zh) * | 2021-12-24 | 2024-03-26 | 杭州电子科技大学 | 大规模mimo***中的基于倍角估计的信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199987A (zh) * | 2017-12-21 | 2018-06-22 | 中国人民解放军空军预警学院 | 一种fdd大规模mimo***中的下行链路信道估计方法 |
CN108600125A (zh) * | 2017-06-20 | 2018-09-28 | 杭州电子科技大学 | 一种基于迭代的信道估计方法 |
CN109327918A (zh) * | 2018-11-19 | 2019-02-12 | 东南大学 | 一种低开销的fdd大规模mimo下行信道重建方法 |
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***信道预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9967065B2 (en) * | 2016-04-21 | 2018-05-08 | Alcatel-Lucent Usa Inc. | Frequency division duplex (FDD) MIMO backhaul for communication terminals |
CN110445520B (zh) * | 2019-07-31 | 2020-11-24 | 郑州航空工业管理学院 | 基于频分双工多用户多天线***的下行功率分配方法 |
US11382139B2 (en) * | 2020-06-12 | 2022-07-05 | Ahmad Jalali | Signaling and procedures for fast and low overhead handover for MU MIMO systems |
-
2020
- 2020-12-22 CN CN202011526703.XA patent/CN112702092B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600125A (zh) * | 2017-06-20 | 2018-09-28 | 杭州电子科技大学 | 一种基于迭代的信道估计方法 |
CN108199987A (zh) * | 2017-12-21 | 2018-06-22 | 中国人民解放军空军预警学院 | 一种fdd大规模mimo***中的下行链路信道估计方法 |
CN109327918A (zh) * | 2018-11-19 | 2019-02-12 | 东南大学 | 一种低开销的fdd大规模mimo下行信道重建方法 |
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***信道预测方法 |
Non-Patent Citations (2)
Title |
---|
Haiquan Wang ; Guobin Li ; Sisi Zheng ; Shaoshi Yang ; Peng Pan.An Approach to Reduce the Overhead of Training Sequences in FDD Massive MIMO Downlink Systems.《 IEEE Wireless Communications Letters ( Volume: 8, Issue: 4, Aug. 2019)》.2019, * |
莱斯衰落信道下大规模MIMO***中的信道估计方法;王雪丽,王海泉,李肖,杨大款;《电信科学》;20171114;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112702092A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436872B (zh) | 一种多用户大规模mimo信道估计方法与装置 | |
CN107483091B (zh) | 一种fdd大规模mimo-ofdm***下的信道信息反馈算法 | |
CN108964726A (zh) | 一种低复杂度的大规模mimo上行链路传输信道估计方法 | |
US8649457B2 (en) | Precoding process for a transmitter of a MU-MIMO communication system | |
JP5133007B2 (ja) | 送信装置、及びビームフォーミング行列生成方法 | |
CN102474315B (zh) | 多输入多输出波束赋形数据发送方法和装置 | |
CN112702092B (zh) | 一种fdd下行多用户大规模mimo***中的信道估计方法 | |
CN102546088A (zh) | 一种块对角化预编码方法及装置 | |
CN102291166B (zh) | 多用户多输入多输出***中最小均方误差的预编码方法 | |
CN110650103A (zh) | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 | |
CN110943767B (zh) | Fdd大规模mimo***中基于信道部分互易性的预编码设计方法 | |
CN114221838B (zh) | 大规模mimo***中利用信道共轭数据的信道估计方法及*** | |
Albdran et al. | Effect of exponential correlation model on channel estimation for massive MIMO | |
CN114567525A (zh) | 一种信道估计方法及装置 | |
CN102171946B (zh) | 数据传输方法和装置 | |
CN102710390B (zh) | 一种多用户mimo***中预编码的方法和装置 | |
CN108173585B (zh) | 一种多用户混合线性非线性预编码方法 | |
CN113839695B (zh) | Fdd大规模mimo和速率最优统计预编码方法及设备 | |
CN105812032B (zh) | 基于波束块结构压缩感知的信道估计方法 | |
CN106685501A (zh) | 一种波束赋形的方法及装置 | |
CN112769462B (zh) | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 | |
CN112702093B (zh) | Fdd下行多用户大规模mimo***中的信道估计方法 | |
JP2009268106A (ja) | 信号対干渉電力と雑音比の決定方法およびその装置 | |
CN104994041A (zh) | 三维大规模天线***基于导频的波达波离角联合估计方法 | |
CN114338303B (zh) | 大规模MIMO***中基于多维Hankel矩阵的信道估计方法及*** |
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 |