CN113242063A - 基于随机耦合的大规模mimo信道模型建模方法 - Google Patents
基于随机耦合的大规模mimo信道模型建模方法 Download PDFInfo
- Publication number
- CN113242063A CN113242063A CN202110475637.6A CN202110475637A CN113242063A CN 113242063 A CN113242063 A CN 113242063A CN 202110475637 A CN202110475637 A CN 202110475637A CN 113242063 A CN113242063 A CN 113242063A
- Authority
- CN
- China
- Prior art keywords
- matrix
- correlation matrix
- mimo channel
- characteristic
- correlation
- 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 49
- 230000008878 coupling Effects 0.000 title claims abstract description 36
- 238000010168 coupling process Methods 0.000 title claims abstract description 36
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 178
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000005562 fading Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification 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
- 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于随机耦合的大规模MIMO信道模型建模方法,包括利用全相关矩阵得到MS侧和BS侧未参数化的单侧相关矩阵RMS和RBS;将RMS和RBS的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵,在BS侧和MS侧特征基之间的链路衰落上设置Nakagami分布;对未参数化的RMS特征分解得到MS侧的特征基,由Nakagami分布生成独立同分布的矩阵O;构建信道冲激响应矩阵。本发明通过使用导向矢量、使用BS侧的导向矩阵和MS侧的特征基之间的耦合表示相关矩阵、利用Nakagami分布描述导向矢量和特征基之间耦合的衰落,复杂度低、准确性高,适用大规模MIMO信道的随机CIRM模型。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种基于随机耦合的大规模MIMO信道模型建模方法。
背景技术
大规模多输入多输出(Multi Input Multi Output,MIMO)技术近年来受到了越来越多的关注,大规模MIMO信道的特性是其中极为重要的研究。MIMO信道的信道冲激响应矩阵(Channel Impulse Response Model,CIRM)一直是以随机方式建模的,典型的天线互相关建模方法包括Kronecker方法、虚拟信道模型和Weichselberger模型。Kronecker方法独立地对发射机和接收机的空间相关性进行建模,可以将全相关矩阵分解为基站(BS)和移动台(MS)端未参数化的单侧空间相关矩阵的Kronecker积,从而生成CIRM。虚拟信道模型考虑了链路两端的相互依赖性,并利用了空间域的预定义虚拟分区,CIRM可以表示为BS侧和MS侧预定的转向矢量之间的耦合之和。Weichselberger模型使用特征基而不是预定义的转向向量,CIRM可以建模为BS侧和MS侧特征基之间的耦合之和。总的来说,Weichselberger模型最准确地描述了传播环境,而虚拟模型的复杂度最低,且上述模型均采用瑞利分布来描述衰落特性。但是,在weibchelberger模型中计算特征基的复杂性随着天线数量的增加而增加。相反,随着阵列尺寸的增大,特征基可能会经历不同的散射环境,但瑞利分布可能无法正确描述衰落特性。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中瑞利分布无法正确描述衰落特性的问题,提出一种提高MIMO的精度和降低其复杂度的基于随机耦合的大规模MIMO信道模型建模方法。
为解决上述技术问题,本发明提供了一种基于随机耦合的大规模MIMO信道模型建模方法,包括以下步骤:
步骤1:利用全相关矩阵表征一般MIMO信道的空间行为,得到MS侧未参数化的单侧相关矩阵RMS和BS侧未参数化的单侧相关矩阵RBS;
步骤2:将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵UBS,在BS侧和MS侧特征基之间的链路衰落上设置Nakagami分布;
步骤3:对未参数化的单侧相关矩阵RMS进行特征分解得到MS侧的特征基UMS,由Nakagami分布生成独立同分布的随机矩阵O;
步骤4:构建信道冲激响应矩阵其中UMS是MS侧的特征基,元素[O]jk(j=1,...,NMS;k=1,...,NBS)为BS处第j个导向矢量和MS侧的第k个特征基之间的虚链路的振幅增益;系数Θ是一个独立同分布随机矩阵,ABS为在BS侧由导向矢量组成的导向矩阵。
进一步地,所述步骤1中利用全相关矩阵表征一般MIMO信道的空间行为,得到MS侧未参数化的单侧相关矩阵RMS和BS侧未参数化的单侧相关矩阵RBS,具体为:
步骤1.1:全相关矩阵RH的计算公式为RH=EH(vec(H)·vec(H)H),其中算符vec(·)将矩阵的列堆叠成列向量,[·]H代表复共轭矩阵转置算子;
步骤1.2:用单侧相关矩阵来描述单侧的相关性,MS侧的相关矩阵为BS侧的相关矩阵为其中QBS和QMS分别是BS侧和MS侧的空间协方差矩阵,H为NMS×NBS的信道冲激响应矩阵,NMS和NBS分别是MS侧和BS侧的天线数量,[·]T是矩阵转置算子,[·]*表示取矩阵的共轭,EH表示对H求期望;
步骤1.3:将空间协方差矩阵QBS和QMS设为单位阵,得到未参数化的单侧相关矩阵:RMS=EH(HHH),RBS=EH(HTH*)。
进一步地,所述步骤2中将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵UBS中,将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化,用于使单侧相关矩阵的特征基仅由传播环境决定;
进一步地,所述步骤2中将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵UBS中,将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为BS侧的导向矩阵UBS,用于使对于大规模MIMO***而言导向矢量可以提供足够的空间分辨率,并且可以作为BS侧的特征基;
进一步地,所述步骤3中对未参数化的单侧相关矩阵RMS进行特征分解得到MS侧的特征基UMS,具体为:
进一步地,所述由Nakagami分布生成矩阵O,具体为:
Nakagami分布项的参数包括mjk和Ωjk,mjk和Ωjk分别是Nakagami分布式入口[O]jk的形状参数和扩展参数。
进一步地,所述Θ中的项在区间[0,2π]上均匀分布,用于指定虚拟链路的相位。
本发明还提供一种基于随机耦合的大规模MIMO信道模型,所述基于随机耦合的大规模MIMO信道模型为通过基于随机耦合的大规模MIMO信道模型建模方法构建得到的信道冲激响应矩阵。
本发明还提供一种计算MIMO信道容量的方法,MIMO信道容量的计算公式为:其中SNR为信噪比,为NMS维数单位矩阵,NMS为MS的天线数,NBS为BS的天线数,det是计算矩阵行列式,H为基于随机耦合的大规模MIMO信道模型。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的基于随机耦合的大规模MIMO信道模型建模方法在构建信道冲激响应矩阵时,通过使用导向矢量在减少运算的复杂度的同时保证了精度,适用于大规模MIMO信道的随机CIRM模型。通过BS侧的导向矩阵和MS侧的特征基之间的耦合来表示相关矩阵,利用Nakagami分布来描述导向矢量和特征基之间耦合的衰落,具有更低的复杂度和更高的准确性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明基于随机耦合的大规模MIMO信道模型建模方法的流程图。
图2是本发明实施例中信噪比为10dB时的容量CDF的测量值和仿真值。
图3是本发明实施例中信噪比为10dB时的容量CDF的理论值和仿真值。
图4是本发明实施例中信噪比为-20dB时的容量PDF的理论值和仿真值。
图5是本发明实施例中信噪比为-5dB时的容量PDF的理论值和仿真值。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
在本发明的描述中,需要理解的是,术语“包括”意图在于覆盖不排他的包含,例如包含了一系列步骤或单元的过程、方法、***、产品或设备,没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
参照图1流程图所示,本发明一种基于随机耦合的大规模MIMO信道模型建模方法的实施例,包括以下步骤:
步骤1:利用全相关矩阵来表征一般MIMO信道的空间行为,得到MS侧未参数化的单侧相关矩阵RMS和BS侧未参数化的单侧相关矩阵RBS;
步骤1.1:全相关矩阵RH的计算公式为RH=EH(vec(H)·vec(H)H),其中算符vec(·)将矩阵的列堆叠成列向量,[·]H代表复共轭矩阵转置算子;
步骤1.2:用单侧相关矩阵来描述单侧的相关性,MS侧的相关矩阵为BS侧的相关矩阵为其中QBS和QMS分别是BS侧和MS侧的空间协方差矩阵,H为NMS×NBS的信道冲激响应矩阵,NMS和NBS分别是MS侧和BS侧的天线数量,[·]T是矩阵转置算子,[·]*表示取矩阵的共轭,EH表示对H求期望;
步骤1.3:将空间协方差矩阵QBS和QMS设为单位阵,得到未参数化的单侧相关矩阵:RMS=EH(HHH),RBS=EH(HTH*)。
步骤2:将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵UBS,在BS侧和MS侧特征基之间的链路衰落上设置Nakagami分布;
步骤2.3:在BS侧和MS侧特征基之间的链路衰落上设置Nakagami分布,由于特征基随着阵列尺寸的增大可能经历不同的散射,瑞利分布可能无法精确描述衰落特性。Nakagami分布已被证明对更广泛的衰落环境是有用的。此外,Rayleigh分布是Nakagami分布的一个特例。因此,Nakagami分布比Rayleigh分布更能反映BS和MS侧的衰落特性。
步骤3:对未参数化的单侧相关矩阵RMS进行特征分解得到MS侧的特征基UMS,由Nakagami分布生成矩阵O;
步骤3.2:Nakagami分布项的参数的计算公式为:其中mjk和Ωjk分别是Nakagami分布式入口[O]jk的形状和扩展参数,var(·)表示求括号中变量的方差。因此,元素[O]jk可以用参数mjk和Ωjk由Nakagami分布生成,[O]jk的生成式为:[O]jk⊙Nakagami(mjk,Ωjk)。
步骤4:构建信道冲激响应矩阵通过H可以得到其他的信道参数描述MIMO信道特性,通过道冲激响应矩阵H可以描述出MIMO信道特性的优劣;UMS是MS侧的特征基,O是一个独立同分布的随机矩阵,具有Nakagami分布项,元素[O]jk(j=1,...,NMS;k=1,...,NBS)为BS处第j个导向矢量和MS侧的第k个特征基之间的虚链路的振幅增益;系数Θ是一个独立同分布随机矩阵,ABS为在BS侧由导向矢量组成的导向矩阵;当步骤2中的条件满足时,信道冲激响应矩阵被建模为步骤4中提出的方程。所述Θ中的项在区间[0,2π]上均匀分布,用于指定虚拟链路的相位。本发明结合Weichselberger模型和虚拟模型的优点,利用Nakagami分布来描述导向矢量与特征基耦合的衰落特性,随机信道脉冲响应矩阵模型可以表示为BS侧的转向向量和MS侧的特征基之间的耦合之和。
则每端的单侧相关矩阵可计算为
其中ABSQBSABS=Q′BS,UMSQMSUMS=Q′MS。因此,ΘBS和ΘMS是对角矩阵。
为了进一步说明本发明的有益效果,对7*7*3m3的室内办公室环境下的MS与BS间的信道进行了测量,在MATLAB仿真软件下对室内办公室环境下的信道进行了仿真实验。并将结果与相同条件下的Weichselberger模型的仿真结果进行比较。
本发明的应用为可以分析MIMO信道的容量,因此本实施例中用前述的基于随机耦合的大规模MIMO信道模型建模方法来分析MIMO信道的容量,信道容量取决于导向矢量与特征基耦合的幅度。当NBS发射天线之间的信号是统计独立的,并且每个符号的能量相同时,容量可以计算为单位为bps/Hz,其中SNR表示信噪比,为NMS维数单位矩阵,NMS为MS的天线数,NBS为BS的天线数,det是计算矩阵行列式,H是信道冲激响应矩阵。如图2在信噪比为10dB时的容量CDF的测量值和仿真值所示,图2中横坐标为信道容量,纵坐标为累积分布函数(CDF)。图中圆圈为测量值,实线为本发明中模型的仿真值,虚线为Weichselberger模型仿真值。从图2可以看出本发明方法生成的模型与实测CDF的拟合统计量为0.11,而Weichselberger模型的拟合结果为0.45,拟合结果越小,模型越优。因此,很明显,本发明方法生成的模型优于Weichselberger模型。
图3是信噪比为10dB时容量CDF的理论和仿真值,图中横坐标为信道容量,纵坐标为累积分布函数(CDF),图中圆圈为模型仿真值,实线为理论值。
定理1:大容量MIMO信道的容量近似为
因此,定理1中的信道容量模型得到证明。
通过蒙特卡罗模拟证明了定理1中容量的闭式表达式,蒙特卡罗方法是一种统计模拟方法,过程可以归结为三个主要步骤:构造或描述概率过程;实现从已知概率分布抽样;建立各种估计量。本实施例中理论值由测量得到,大容量MIMO信道的容量的计算公式为对于10dB的信噪比,图3说明定理1中闭式表达式与本实施例中提出的信道模型所获得的模拟结果很好地对应,此模型能够更好地拟合数据。用K-S检验(比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法)来评价拟合的性能,验证了定理1。
在低信噪比条件下,容量的近似PDF可以表示为
其中近似值log2(1+x)=log2e·x对于小x使用。
由上式可知,低信噪比条件下的容量可以看作是具有形状参数mjk和尺度参数SNR/NBS×log2e×Ωjk/mjk的NBS×NMS伽马随机变量之和。
因此,本发明的另一个应用为可用独立同分布伽马分布变量之和表示的概率分布函数(PDF)来表示低信噪比条件下的容量。如图4信噪比为-20dB时容量PDF的理论和仿真值所示,横坐标为信道容量,纵坐标为累积分布函数(CDF)。圆圈为模型仿真值,实线为理论值。通过蒙特卡罗模拟验证定理2中提出的低SINR区域的PDF。结果表明,在信噪比-20dB条件下,闭合表达式与模拟结果吻合良好。然而,如图5所示,横坐标为信道容量,纵坐标为累积分布函数(CDF)。圆圈为模型仿真值,实线为理论值。在信噪比-5dB条件下,由于log2(1+x)=log2e·x中的近似值不能保持较高的信噪比,性能会迅速下降。因此,我们可以得出结论,定理2中得到的容量PDF对于低信噪比是准确的。因此,得到容量的PDF,定理2完成验证。
结果表明,所提出的模型和分析结果可用于未来大规模MIMO***的设计。
本发明的上述技术方案相比现有技术具有以下优点:本发明所述的基于随机耦合的大规模MIMO信道模型建模方法在构建信道冲激响应矩阵时,通过使用导向矢量在减少运算的复杂度的同时保证了精度,适用于大规模MIMO信道的随机CIRM模型。通过BS侧的导向矩阵和MS侧的特征基之间的耦合来表示相关矩阵,利用Nakagami分布来描述导向矢量和特征基之间耦合的衰落,具有更低的复杂度和更高的准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于随机耦合的大规模MIMO信道模型建模方法,其特征在于,包括以下步骤:
步骤1:利用全相关矩阵表征一般MIMO信道的空间行为,得到MS侧未参数化的单侧相关矩阵RMS和BS侧未参数化的单侧相关矩阵RBS;
步骤2:将MS侧的相关矩阵和BS侧的相关矩阵的特征基设置为不随空间协方差矩阵而变化的BS侧的导向矩阵UBS,在BS侧和MS侧特征基之间的链路衰落上设置Nakagami分布;
步骤3:对未参数化的单侧相关矩阵RMS进行特征分解得到MS侧的特征基UMS,由Nakagami分布生成独立同分布的随机矩阵O;
2.根据权利要求1所述的基于随机耦合的大规模MIMO信道模型建模方法,其特征在于:所述步骤1中利用全相关矩阵表征一般MIMO信道的空间行为,得到MS侧未参数化的单侧相关矩阵RMS和BS侧未参数化的单侧相关矩阵RBS,具体为:
步骤1.1:全相关矩阵RH的计算公式为RH=EH(vec(H)·vec(H)H),其中算符vec(·)将矩阵的列堆叠成列向量,[·]H代表复共轭矩阵转置算子;
步骤1.2:用单侧相关矩阵来描述单侧的相关性,MS侧的相关矩阵为BS侧的相关矩阵为其中QBS和QMS分别是BS侧和MS侧的空间协方差矩阵,H为NMS×NBS的信道冲激响应矩阵,NMS和NBS分别是MS侧和BS侧的天线数量,[·]T是矩阵转置算子,[·]*表示取矩阵的共轭,EH表示对H求期望;
步骤1.3:将空间协方差矩阵QBS和QMS设为单位阵,得到未参数化的单侧相关矩阵:RMS=EH(HHH),RBS=EH(HTH*)。
6.根据权利要求1所述的基于随机耦合的大规模MIMO信道模型建模方法,其特征在于:所述由Nakagami分布生成矩阵O,具体为:
Nakagami分布项的参数包括mjk和Ωjk,mjk和Ωjk分别是Nakagami分布式入口[O]jk的形状参数和扩展参数。
7.根据权利要求1所述的基于随机耦合的大规模MIMO信道模型建模方法,其特征在于:所述Θ中的项在区间[0,2π]上均匀分布,用于指定虚拟链路的相位。
8.一种基于随机耦合的大规模MIMO信道模型,其特征在于:所述基于随机耦合的大规模MIMO信道模型为通过权利要求1-7中任一项所述的基于随机耦合的大规模MIMO信道模型建模方法构建得到的信道冲激响应矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110475637.6A CN113242063A (zh) | 2021-04-29 | 2021-04-29 | 基于随机耦合的大规模mimo信道模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110475637.6A CN113242063A (zh) | 2021-04-29 | 2021-04-29 | 基于随机耦合的大规模mimo信道模型建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113242063A true CN113242063A (zh) | 2021-08-10 |
Family
ID=77131498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110475637.6A Pending CN113242063A (zh) | 2021-04-29 | 2021-04-29 | 基于随机耦合的大规模mimo信道模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113242063A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107086894A (zh) * | 2017-05-12 | 2017-08-22 | 重庆大学 | 一种高速移动下基于马尔科夫链的mimo信道建模方法 |
CN107171702A (zh) * | 2017-05-12 | 2017-09-15 | 重庆大学 | 基于pca演进的大规模mimo信道反馈方法 |
CN109039725A (zh) * | 2018-07-23 | 2018-12-18 | 哈尔滨理工大学 | 一种具有随机发生耦合的复杂网络优化估计方法 |
US20190089446A1 (en) * | 2016-03-29 | 2019-03-21 | Intel IP Corporation | Frame structures for beam switching and refinement in cellular systems |
CN112565122A (zh) * | 2020-12-08 | 2021-03-26 | 江南大学 | 基于牛顿-正交匹配追踪的超大规模mimo信道估计方法 |
-
2021
- 2021-04-29 CN CN202110475637.6A patent/CN113242063A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190089446A1 (en) * | 2016-03-29 | 2019-03-21 | Intel IP Corporation | Frame structures for beam switching and refinement in cellular systems |
CN107086894A (zh) * | 2017-05-12 | 2017-08-22 | 重庆大学 | 一种高速移动下基于马尔科夫链的mimo信道建模方法 |
CN107171702A (zh) * | 2017-05-12 | 2017-09-15 | 重庆大学 | 基于pca演进的大规模mimo信道反馈方法 |
CN109039725A (zh) * | 2018-07-23 | 2018-12-18 | 哈尔滨理工大学 | 一种具有随机发生耦合的复杂网络优化估计方法 |
CN112565122A (zh) * | 2020-12-08 | 2021-03-26 | 江南大学 | 基于牛顿-正交匹配追踪的超大规模mimo信道估计方法 |
Non-Patent Citations (1)
Title |
---|
RONG DAI; YANG LIU: "A Stochastic Coupling-Based Channel Impulse Response Matrix Model for Massive MIMO Channels", 《2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A novel millimeter-wave channel simulator and applications for 5G wireless communications | |
Amiri et al. | Exact solution for elliptic localization in distributed MIMO radar systems | |
Ademaj et al. | 3GPP 3D MIMO channel model: A holistic implementation guideline for open source simulation tools | |
CN108365903B (zh) | 一种基于随机散射簇的三维Massive MIMO信道建模方法 | |
Zetterberg et al. | The spectrum efficiency of a base station antenna array system for spatially selective transmission | |
Zhang et al. | On capacity of large-scale MIMO multiple access channels with distributed sets of correlated antennas | |
US20110270567A1 (en) | Tools for design and analysis of over-the-air test systems with channel model emulation capabilities | |
CN109714120B (zh) | 一种模拟耦合多天线室内空间衰落信道传播特性的方法 | |
Ma et al. | A PCA-based modeling method for wireless MIMO channel | |
CN105071843B (zh) | 大规模mimo***低复杂度多项式展开矩阵求逆方法及应用 | |
CN107171703A (zh) | 一种能够模拟室内多天线通信***中衰落信号传播特性的方法 | |
CN104537171A (zh) | 一种mimo信道空间衰落相关性计算方法及多天线*** | |
CN104539340A (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
CN105246086A (zh) | 一种确定天线角度的方法和设备 | |
Adeogun et al. | Polarimetric wireless indoor channel modeling based on propagation graph | |
Kamga et al. | Spectral-efficiency analysis of regular-and large-scale (massive) MIMO with a comprehensive channel model | |
Wang et al. | Electromagnetic-compliant channel modeling and performance evaluation for holographic MIMO | |
CN106230531A (zh) | 一种mimo ota信道建模方法及装置 | |
Testolina et al. | Scalable and accurate modeling of the millimeter wave channel | |
CN116155412A (zh) | 无线信道评估方法及*** | |
Roy et al. | MIMO channel hardening for ray-based models | |
De Bast et al. | Expert-knowledge-based data-driven approach for distributed localization in cell-free massive MIMO networks | |
CN113242063A (zh) | 基于随机耦合的大规模mimo信道模型建模方法 | |
US11802898B2 (en) | Method, apparatus, and device of reconstructing non-kronecker structured channels | |
Hao et al. | Measurement-based massive-MIMO channel characterization for outdoor LoS scenarios |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |