💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎
💥1 概述
参考文献:
摘要:3GPP建议将双极化(DP)天线阵列与双向(DD)信道模型结合起来进行下行信道估计。这种组合在高容量通信和简约信道建模之间取得了良好的平衡,同时为下行信道状态信息带来了有限反馈方案——因为这种信道可以通过几个关键参数完全描述。然而,大多数现有的基于DD模型的信道估计工作尚未考虑DP阵列,可能是因为复杂的阵列流形和由此导致的算法设计难度。在本文中,我们首先揭示了在发射机和接收机处使用DP阵列的DD信道可以自然地建模为低秩张量,因此可以通过张量分解算法有效地估计信道的关键参数。在理论方面,我们表明在非常温和的条件下,可以通过低秩张量的可识别性来识别DD-DP参数。此外,我们开发了一种压缩张量分解算法来减轻下行训练开销。我们展示了通过精心设计的导频结构,即使导频序列的大小远远小于传统信道识别方法(例如线性最小二乘和匹配滤波)所需的大小,仍然可以通过压缩张量分解公式来识别信道参数。通过数值仿真展示了所提出方法的有效性。
关键词:信道估计 张量 应力 接收天线 天线阵列 信号处理算法 MIMO通信 下行
📚2 运行结果
部分代码:
function f = PUMA(u)
N = length(u);
J1 = eye(N-1,N);
J2 = [zeros(N-1,1),eye(N-1)];
u1 = J1*u;
u2 = J2*u;
f = pinv(u1)*u2;
% w = tmp(u,round(2*N/3),f);
% f = exp(1j*w);
it = 0;
while it < 3
A = J2 - J1*f;
W = A*A';
f = (u1'/W*u2)/(u1'/W*u1);
it = it + 1;
end
doa = asin(angle(f)/pi)*180/pi;
f = angle(f);
end
function [w,DOA] = tmp(us,m,z2)
[M,K] = size(us);
z = angle( eig(us(1:m,:)\us(M-m+1:end,:)) );
w = zeros(K,1);
l = floor((M-m-1)/2);
dt = [];
for i = 1:K
d = ((-l:l) * 2*pi + z(i))/(M-m);
dt = [dt,d];
end
for i = 1:K
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
🌈4 Matlab代码、文章
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取