CN114726686B - 一种均匀面阵毫米波大规模mimo信道估计方法 - Google Patents
一种均匀面阵毫米波大规模mimo信道估计方法 Download PDFInfo
- Publication number
- CN114726686B CN114726686B CN202210296381.7A CN202210296381A CN114726686B CN 114726686 B CN114726686 B CN 114726686B CN 202210296381 A CN202210296381 A CN 202210296381A CN 114726686 B CN114726686 B CN 114726686B
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- steps
- uniform area
- method comprises
- 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 49
- 239000011159 matrix material Substances 0.000 claims abstract description 108
- 238000009499 grossing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 47
- 230000001575 pathological effect Effects 0.000 abstract description 10
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- 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
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- 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
- H04L25/0256—Channel estimation using minimum mean square error criteria
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
Description
技术领域
本发明涉及通信***领域,具体涉及一种均匀面阵毫米波大规模MIMO***信道估计方法。
背景技术
毫米波频段具有更大数量级的频谱资源,其带来更高***吞吐量和大量空间自由度的同时,全向自由路径损耗及阴影衰落非常严重。通过在收发端配置大规模天线阵列,利用大规模MIMO(Multiple Input Multiple Output)和波束成形技术可以对损耗进行高定向补偿。然而,在均匀面阵毫米波大规模MIMO***中,精准波束成形所需的信道参数成倍增加,完整信道状态信息(Channel State Information,CSI)的获取十分困难,诸如LS(LeastSquare)等传统信道估计算法不再适用。如何通过发射有限导频获得完整可靠的CSI成为现阶段信道估计急需解决的问题。
在已有研究中,一些学者利用离散傅里叶变换矩阵捕捉毫米波大规模MIMO信道在角度域的稀疏结构,采用正交匹配追踪(Orthogonal Matching Pursuit,OMP)等压缩感知算法进行完整CSI估计,但此类算法受稀疏基限制,信道估计精度不高。通过字典学习算法,从***的观测数据中学习信道矩阵的最佳稀疏基,并利用子载波间的公共稀疏性对其进行优化,可以有效提高信道估计精度,但此类算法在学习过程中需要进行大量的导频训练。为了降低导频训练,一些学者结合了信道的稀疏性和低秩结构,将信道的波束空间特性作为矩阵完备理论所需的边信息,并采用交替方向乘子法(Alternating Direction Method ofMultipliers,ADMM)求解该分布式优化问题,然而此类算法计算复杂度较高。此外,在超大规模场景中,信道矩阵会因信道结构的低秩性和超高的矩阵维数呈现出糟糕的病态特性,病态程度越高,矩阵恢复起来越困难,很多基于低秩矩阵恢复的信道估计算法并没有探究这一点。
发明内容
为了克服现有技术的不足,本发明提供了一种均匀面阵毫米波大规模MIMO信道估计方法,相比于其他信道估计算法,本发明有效减少了导频开销,提高了信道估计性能。在病态条件数目κ=700的高病态信道矩阵特殊环境中也有着很好的信道估计性能。
一种均匀面阵毫米波大规模MIMO信道估计方法,包括以下步骤:
S1、构建***模型及信道模型,发射端和接收端均采用均匀面阵UPA,包括俯仰角、方位角发射天线和导频序列P;
S2、接收端通过接收信号Y判断出导频符号的位置矩阵Φ,并获取导频符号矩阵上的信道空间参数HΦ;
S3、根据信道矩阵的低秩结构及信道空间参数HΦ,将信道估计问题转换为带噪声的矩阵完整化问题:
S4、将步骤S3中公式(1)进一步表示为加权最小二乘问题:
s.t.HΦ=Φ(H+W) (2)
S5、通过迭代进行完整信道状态信息恢复,具体步骤为:
S51、进行信道矩阵H迭代:
其中ο为哈达玛积,*为共轭转置,n为迭代次数,初始值为0;
S52、更新平滑因子∈:
S53、更新加权矩阵WL:
其中,U为对信道矩阵H进行奇异值分解的左奇异向量,对角矩阵
其中d=min(N,M),D=max(N,M),σi为矩阵H的奇异值;
进一步地,所述步骤S1中,均匀面阵毫米波大规模MIMO***为点对点通信***,包括发射端天线总数目:N=N1N2,接收端天线总数目:M=M1M2,其中N1、N2分别表示垂直和水平方向发射天线的数量,M1、M2分别表示垂直和水平方向接收天线的数量。
进一步地,所述步骤S1中,假设***内到达移动端的路径数为L,结合收发两端天线阵列响应,将信道模型表示为:
进一步地,所述步骤S2中,接收端在相干时间内接收到q个信号:
Y=HP+W (8)
进一步地,所述步骤S4中,HΦ=Φ(H+W),其中信道矩阵H是病态条件数目为κ=700的高病态信道矩阵,其中σmax为信道矩阵的最大奇异值,σmmin为信道矩阵H的最小非零奇异值;导频符号的位置是随机的,但其数目必须满足:
m≥Crmax{N,M}log2(max{N,M}) (9)
其中,m为采样元素数目,r为矩阵的秩,C为正整数。
进一步地,所述步骤S4具体步骤如下:
S41、将Schatten-p拟范数改写成加权Frobenius范数:
S42、为了防止迭代过程中加权矩阵WL病态化,对其进行奇异值修正:
其中,平滑因子∈>0;IN为大小为N的单位矩阵;
S43、将步骤S2所述公式(1)模型转换为简单的最小二乘模型:
s.t.HΦ=Φ(H+W) (12)
其中,W为加性高白噪声。
与现有技术相比,本发明具有以下有益效果:结合信道低秩结构提出的基于Schatten-p拟范数的迭代重加权最小二乘信道估计算法,不需要进行完整奇异值分解,降低了计算复杂度,利用访问获得的信道子空间参数精确的恢复出完整CSI,减少了导频开销,提高了信道估计性能,适用于病态条件数目κ=700的高病态信道矩阵特殊环境中。
附图说明
图1为本发明实施例中的本方法在不同p因子下NMSE随信噪比的变化曲线。
图2为本发明实施例中的本方法和传统的方法中NMSE随信噪比的变化曲线。
图3为本发明实施例中的本方法和传统的方法中NMSE随导频开销的变化曲线。
图4为本发明实施例中的本方法和传统的方法中NMSE随迭代次数的变化曲线。
图5为本发明实施例中的本方法在病态条件数目κ=700的病态信道矩阵复杂环境中NMSE随迭代次数的变化曲线。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种均匀面阵毫米波大规模MIMO信道估计方法,包括以下步骤:
参照附图1-5所示,参数设置如下:
1.发送和接收天线的数目:N1=N2=10,M1=M2=10(参照图1-4)或N1=50,N2=20,M1=50,M2=20(参照图5)。
2.多径数目L=3(参照图1-4)和L=20(参照图5)。
3.路径增益al,l=1,…,L服从复高斯分布。
S1、构建***模型及信道模型,发射端和接收端均采用均匀面阵(UPA),包括仰角发射天线、方位角发射天线和导频序列P。具体步骤为:
首先,在发射端和接收端均配置均匀面阵(UPA),形成点对点通信,包括发射端天线总数目:N=N1N2,接收端天线总数目:M=M1M2,其中N1、N2分别表示垂直和水平方向发射天线的数量,M1、M2分别表示垂直和水平方向接收天线的数量。两端配置相同数目的射频链路(Radio Frequency,RF)和导频序列P。接收端第q个接收信号可以表示为:
yq=HPq+wq (1)
Y=[y1y2…yq]=HP+W (2)
假设***内到达移动端的路径数为L,结合收发两端天线阵列响应,将信道模型表示为:
具体的:
S2、接收端通过接收信号Y判断出导频符号的位置矩阵Φ,并获取导频符号矩阵上的信道空间参数HΦ=Φ(H+W),其中信道矩阵H可以为病态条件数目为κ=700的高病态信道矩阵,其中 σmax为信道矩阵的最大奇异值,σmin为信道矩阵H的最小非零奇异值。导频符号的位置可以是随机的,但其数目必须满足:
m≥Crmax{N,M}log2(max{N,M}) (10)
其中,m为采样元素数目,r为矩阵的秩,C为正整数。
Φ为导频符号位置矩阵即稀疏采样矩阵,示例如下:
S3、根据信道矩阵的低秩结构及HΦ,将信道估计问题转换为带噪声的矩阵完整化问题:
其中,通过缩小Schatten-p拟范数中的p因子来逼近秩函数:H为信道矩阵,/>为H的估计值。δ>0为噪声功率的界值。/>为Frobenius范数。具体的,将p设置为1、0.8、0.5、0.1、0.01。
Φ(H)=(H1,1,H2,2,H3,1,H3,3)=(1,5,7,9)
S4、将步骤S3的问题进一步表示为加权最小二乘问题,其具体步骤如下:
S41、将Schatten-p拟范数改写成加权Frobenius范数:
S42、为了防止迭代过程中加权矩阵WL病态化,对其进行奇异值修正:
其中,平滑因子∈>0。IN为大小为N的单位矩阵。
S43、将步骤S2所述公式(1)模型转换为简单的最小二乘模型:
s.t.HΦ=Φ(H+W) (15)
其中,W为加性高白噪声,例如在图5中,将信噪比设置为0dB10dB和20dB。
S5、通过迭代进行完整信道状态信息恢复,具体步骤为:
S51、进行信道矩阵H迭代:
其中。为哈达玛积,*为共轭转置。n为迭代次数,初始值为0。
S52、更新平滑因子∈:
S53、更新加权矩阵WL:
其中,U为对信道矩阵H进行奇异值分解的左奇异向量,对角矩阵
其中d=min(N,M),D=max(N,M),σi为矩阵H的奇异值。
下面结合仿真实验对本发明方法的性能进行分析,分别从迭代次数、导频开销以及信噪比等多个方面进行仿真实验,验证本发明所提算法与传统的LS算法、低秩矩阵完备算法SVT算法、ADMM算法以及IWNNM算法在毫米波大规模MIMO***中的信道估计性能,并初步探究IRLS算法在病态条件数目κ=700的病态信道矩阵环境下的信道估计性能。
图1表示不同p因子对信道估计性能的影响。假设信噪比为0dB,导频开销为30,最大迭代次数为30。从图1中可以看出,p因子取值越小,信道估计性能越好,可以提高3dB左右。相比于核范数(p=1),Schatten-p拟范数通过p因子缩小奇异值,削弱较大奇异值在目标函数的影响力来获得更为精确的估计值。但当p=0.1时,p因子对信道估计性能的影响便开始减弱。因此,本发明在下面的实验中p均取0.1。
图2表示不同算法在不同信噪比下的估计性能。其中,考虑到LS算法无法通过有限的导频进行完整的信道估计,所以本文在进行LS信道估计时采用尽可能多的导频以方便我们进行理论分析。假设导频数目为30,最大迭代次数为20,对于文献[7]采用的IWNNM方法,设置γ=36,μ=0.5。相比于传统的LS信道估计算法,基于低秩矩阵完备的算法仅以有限次的迭代步数为代价,便可获得更精确的信道估计值。在信噪比相同的条件下,本发明提出的算法比SVT算法、IWNNM算法的估计性能高,略低于ADMM算法。所提算法随着信噪比的改善,信道估计性能越来越高。
图3表示不同导频开销下各个算法的信道估计性能。与上文相同的是,本次实验LS算法依旧采用尽可能多的导频,只作为参考。假设信噪比为10dB,最大迭代次数为20。从图中可以看出,随着导频数目的增加,SVT算法的信道估计性能逐渐上升,这是因为SVT算法利用阈值仅保留受噪声干扰较小的信道特性,增加采样可以获得更多的信道参数。IRLS算法利用平滑因子∈对受噪声影响较大而变得异常小的奇异值进行修正,尽可能的保留较多信道特性。因此,当满足一定的采样数目时,增加观测值对其性能提升有限。所提算法在导频开销为20时,信道的估计性能最优,与传统的LS算法相比,仅需五分之一的导频开销便可进行精确信道估计。
图4表示各个算法在不同迭代次数下的信道估计性能。假设导频数为30,最大迭代次数为20,信噪比为20dB。对比图中的性能曲线可以看出,SVT算法和ADMM算法收敛较慢,IRLS算法和IWNNM算法经过几次迭代后,便呈现出相对较好的估计性能并逐渐收敛。ADMM算法由于其交替的性质,前期迭代呈现起伏态,尽管ADMM算法的估计性能比其他算法优秀,但在前17次迭代中,所提算法的估计性能最优并且收敛速度最快。
图5结合***本身可以轻易形成超大规模信道矩阵的特点,将信道矩阵的规模上升到1000×1000,以此来初步探究所提算法在超大规模病态信道矩阵环境下的信道估计性能。假设导频数目为300,最大迭代次数为20,信噪比为20dB,病态矩阵的条件数目为 其中σmax为信道矩阵的最大奇异值,σmin为信道矩阵的最小非零奇异值。很多非凸优化算法和基于矩阵分解的矩阵恢复算法的迭代次数会随着κ的增加,收敛速度变慢,计算代价急剧上升。因此,本文仅对所提算法进行了仿真实验。仿真结果表明:在高信噪比情况下,本发明提出的IRLS信道估计算法经过有限次迭代便可稳定获得准确的信道估计精度。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种均匀面阵毫米波大规模MIMO信道估计方法,其特征在于:所述信道估计方法包括以下步骤:
S1、构建***模型及信道模型,发射端和接收端均采用均匀面阵UPA,包括俯仰角、方位角发射天线和导频序列P;
S2、接收端通过接收信号Y判断出导频符号的位置矩阵Φ,并获取导频符号矩阵上的信道空间参数HΦ;
S3、根据信道矩阵的低秩结构及信道空间参数HΦ,将信道估计问题转换为带噪声的矩阵完整化问题:
S4、将步骤S3中公式(1)进一步表示为加权最小二乘问题:
s.t.HΦ=Φ(H+W) (2)
S5、通过迭代进行完整信道状态信息恢复,具体步骤为:
S51、进行信道矩阵H迭代:
其中°为哈达玛积,*为共轭转置,n为迭代次数,初始值为0;
S52、更新平滑因子∈:
S53、更新加权矩阵WL:
其中,U为对信道矩阵H进行奇异值分解的左奇异向量,对角矩阵
其中d=min(N,M),D=max(N,M),σi为矩阵H的奇异值;
2.根据权利要求1所述的一种均匀面阵毫米波大规模MIMO信道估计方法,其特征在于:所述步骤S1中,均匀面阵毫米波大规模MIMO***为点对点通信***,包括发射端天线总数目:N=N1N2,接收端天线总数目:M=M1M2,其中N1、N2分别表示垂直和水平方向发射天线的数量,M1、M2分别表示垂直和水平方向接收天线的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296381.7A CN114726686B (zh) | 2022-03-24 | 2022-03-24 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296381.7A CN114726686B (zh) | 2022-03-24 | 2022-03-24 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114726686A CN114726686A (zh) | 2022-07-08 |
CN114726686B true CN114726686B (zh) | 2023-07-14 |
Family
ID=82240182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210296381.7A Active CN114726686B (zh) | 2022-03-24 | 2022-03-24 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114726686B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115694571A (zh) * | 2022-10-31 | 2023-02-03 | 西安科技大学 | 一种大规模mimo***中基于深度学习的信号检测方法和装置 |
CN116016052B (zh) * | 2023-01-04 | 2024-05-07 | 西南交通大学 | 一种用于毫米波大规模mimo***的信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768943A (zh) * | 2019-03-05 | 2019-05-17 | 北京邮电大学 | 宽带多用户毫米波***中基于变分贝叶斯学习的信道估计方法 |
CN112953861A (zh) * | 2021-02-04 | 2021-06-11 | 南京邮电大学 | 基于矩阵恢复的大规模mimo信道估计方法 |
CN113328770A (zh) * | 2021-06-02 | 2021-08-31 | 中山大学 | 一种大规模mimo信道状态估计方法及装置 |
CN113411107A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古大学 | 一种基于波束束的毫米波大规模mimo***宽带信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10341014B2 (en) * | 2015-04-15 | 2019-07-02 | RF DSP Inc. | Hybrid beamforming multi-antenna wireless systems |
-
2022
- 2022-03-24 CN CN202210296381.7A patent/CN114726686B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768943A (zh) * | 2019-03-05 | 2019-05-17 | 北京邮电大学 | 宽带多用户毫米波***中基于变分贝叶斯学习的信道估计方法 |
CN112953861A (zh) * | 2021-02-04 | 2021-06-11 | 南京邮电大学 | 基于矩阵恢复的大规模mimo信道估计方法 |
CN113328770A (zh) * | 2021-06-02 | 2021-08-31 | 中山大学 | 一种大规模mimo信道状态估计方法及装置 |
CN113411107A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古大学 | 一种基于波束束的毫米波大规模mimo***宽带信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114726686A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112910807B (zh) | 一种基于空间随机采样的智能超表面信道估计方法及*** | |
CN106788653B (zh) | 一种基于协方差矩阵重构的自适应波束形成方法 | |
CN114726686B (zh) | 一种均匀面阵毫米波大规模mimo信道估计方法 | |
US7477190B2 (en) | Smart antenna beamforming device in communication system and method thereof | |
CN105891771B (zh) | 一种提高估计精度的基于连续分布的角度估计方法与设备 | |
CN105978674B (zh) | 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法 | |
US8032184B2 (en) | Method for generating downlink beamforming weighting vectors | |
CN106021637B (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
CN104991236B (zh) | 一种单基地mimo雷达非圆信号相干源波达方向估计方法 | |
Varade et al. | Robust algorithms for DOA estimation and adaptive beamforming for smart antenna application | |
CN110855585A (zh) | 一种毫米波大规模mimo***的信道估计方法 | |
CN108365874B (zh) | 基于fdd大规模mimo贝叶斯压缩感知信道估计方法 | |
CN109861933B (zh) | 一种基于music算法和预编码的毫米波mimo信道估计方法 | |
Xie et al. | Dictionary learning for channel estimation in hybrid frequency-selective mmWave MIMO systems | |
CN113315560B (zh) | 一种紧凑型平面阵列Massive MIMO***的波束赋形方法 | |
CN115022134B (zh) | 基于非迭代重构网络的毫米波大规模mimo***信道估计方法及*** | |
Lee et al. | Large-array signal processing for deep-space applications | |
CN104346532B (zh) | 一种mimo雷达降维自适应波束形成方法 | |
Zhang | Iterative learning for optimized compressive measurements in massive MIMO systems | |
Lu et al. | An adaptive channel estimation algorithm for millimeter wave cellular systems | |
CN107135026B (zh) | 未知互耦存在时基于矩阵重构的稳健波束形成方法 | |
Song et al. | Deep learning based low-rank channel recovery for hybrid beamforming in millimeter-wave massive MIMO | |
CN115396265A (zh) | 基于对称非均匀阵列矩阵重构的角度域信道估计方法 | |
Castanheira et al. | A multi-user linear equalizer for uplink broadband millimeter wave massive MIMO | |
CN114629533A (zh) | 大规模mimo信道估计的信息几何方法及*** |
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 |