💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥
✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:Matlab仿真科研站博客之家
🏆代码获取方式:
💥扫描文章底部QQ二维码💥
⛳️座右铭:行百里者,半于九十;路漫漫其修远兮,吾将上下而求索。
⛄更多Matlab信号处理(仿真科研站版)仿真内容点击👇
Matlab信号处理(仿真科研站版)
⛄一、大规模MIMO
MIMO(Multiple Input Multiple Output)技术采用多个天线,在相同时频资源上传输信号,能在不增加系统带宽的前提下提高信道容量,也能在较低的发射功率情形下得以实现。因此,MIMO技术越来越多地受到无线通信研究者的关注,大规模MIMO(Massive MIMO)技术也被应用于5G系统。而无论是在MIMO技术的理论研究阶段还是在MIMO系统的应用阶段,对MIMO信道模型的研究都是必不可少的。
本文主要研究了MIMO信道建模,总结了常见的用于仿真的信道模型。在此基础上,所做的主要研究如下:
(1)深入学习了基于几何的二维SCM和三维WINNER Ⅱ模型,研究了这两种模型的建模算法。对比于二维SCM模型,三维WINNER Ⅱ模型考虑了仰角维度,大尺度参数之间的相关性更加复杂,但其比二维SCM模型更加符合实际信道。
(2)深入学习了基于相关的二维Kronecker和三维Kronecker模型,这两种模型的建模算法较为简单,但也能很好地描述实际信道。三维Kronecker模型由于考虑仰角维度,其相关矩阵的计算比二维Kronecker模型的要复杂。
(3)对上述四种模型算法进行了MATLAB仿真,对比分析了其信道容量和相关性等信道特征。研究发现,三维信道模型的信道容量和空间相关性都比二维信道的更优。不同模型下,宏小区的信道容量都不及微小区。三维 Kronecker模型中,对比于仰角服从高斯分布的系统,仰角服从VMF分布的系统信道容量更大,空间相关性也更好,但在二维 Kronecker模型中两种分布方式的信道性能并无太大区别。
1 绪论
1.1 MIMO技术研究背景和目的
随着无线通信研究的不断推进,对系统信道容量以及传输可靠性的要求也越来越高,加之能利用的频谱资源有限,SISO(Single Input Single Output)系统已无法满足人们对信道性能的要求,MIMO技术应运而生,并迅速成为无线通信研究者的主要关注方向之一。MIMO技术最早出现在3G时代,是4G系统中所运用的主要技术之一,目前正在进行的5G系统研究也在MIMO技术方面进行更为深入的探索,如:大规模MIMO(Massive MIMO)技术,三维MIMO(Three Dimension MIMO)技术。
MIMO技术通过在通信链路的收发两端布置多个天线,而这多个天线的信号能在相同的时频资源上得以传输。其所提供的复用增益、分集增益和阵列增益能使系统的频谱效率、可靠性和功率效率得以优化[12]。而对于MIMO系统具体性能的研究离不开无线信道建模,其通过模拟实际信道,得到各种参数设置下的信道性能,进而能对系统进行更深层次的优化。因此,本文的主要内容是不同类型的MIMO信道建模算法研究及仿真实现。
1.2 MIMO研究现状
1.2.1 传统MIMO信道建模发展
随着信道测量工作的进行,相关研究组织逐渐用测得的信道参数构建出可用来进行仿真的信道模型。3GPP(3rd Generation Partnership Project)组织最先提出SCM(Spatial Channel Model)模型,随后,WINNER(Wireless world INitiative NEw Radio)组织在SCM模型的基础上进行了一些扩展,形成SCME(Spatial Channel Model Extension)模型。之后,WINNER组织又提出了相应的WINNER模型,其中WINNER Ⅱ模型在信道仿真时得到广泛采用。上述所推出的MIMO信道模型都是基于几何建立的,为了降低信道建模的复杂度,一些通信企业包括Nokia联合高校共同提出了基于相关的I-METRA(Intelligent Multi-element Transmit and Receive Antennas)信道模型。
1.2.2 大规模MIMO研究进展
自2010年底贝尔实验室提出大规模MIMO概念以来,众多学者和研究机构都在进行大规模MIMO信道建模和测量的工作。2012年,Tufvesson在天线布置模式为均匀线性阵列(ULA,Uniform Linear Array)的情况下,测量研究了2.6GHz的大规模MIMO信道,其实验结果表明不是全部的阵列天线都能够接收到反射簇辐射出去的电磁波,进一步证实了近场效应。给出了实际信道环境下的大规模MIMO相关参数测量结果,可明显观察到大规模MIMO信道在天线阵列上的大尺度衰落特性。大规模MIMO系统由于基站端的天线数目较大,运用传统的线性阵列会突破体积的限制,因而更多的是采用共址极化天线,使空间得到复用。
1.2.3 三维MIMO研究进展
传统的MIMO信道都是基于二维平面研究的,在离开角、到达角方面只考虑了水平方位角,并没有考虑仰角的影响,但由于实际信道所具有的多样性和复杂性,我们必须要全面考虑影响MIMO信道特征的因素。因此,需要建立三维的MIMO信道模型来反映更加真实的信道特征。国内外许多学者和研究机构都对三维MIMO信道进行了实际测量分析,WINNER组织通过测量得到了各种信道参数在不同场景下的分布情况;Ikegami通过测量城市环境下无线电波到达角的功率分布,发现该环境下的俯仰角度扩展值处于0~50°之间[23];Janaswamy考虑了MIMO建模俯仰角的特征,提出了一个三维的MIMO信道模型,给出了上行链路的方位角和俯仰角两个维度的达波角的概率密度函数表达式;2014年,3GPP给出三维MIMO信道的参数测量值,并给出了全局坐标系下的快衰信道模型;2015年末,3GPP组织提出了基于相关的三维Kronecker信道模型并给出了收发端的相关矩阵封闭表达式。
1.3 本文的主要内容安排
本文主要研究了基于随机的二维SCM信道模型和三维WINNER Ⅱ模型以及基于相关的二维Kronecker信道模型和三维Kronecker信道模型,并采用MATLAB对每一种模型算法都进行了仿真分析,文章的最后给出了MIMO技术的发展展望。
以下给出本文的结构:
第一章:绪论。主要概述了MIMO的研究背景及其发展、大规模MIMO和三维MIMO的研究进展,最后给出了论文的结构安排。
第二章:MIMO系统的信道建模。主要介绍了常见的用于仿真的MIMO信道模型分类以及基于几何的二维SCM信道模型、三维WINNER Ⅱ模型,基于相关的二维Kronecker信道模型和三维Kronecker信道模型的基本原理。
第三章: 基于几何的随机模型仿真。主要给出了二维SCM信道模型和三维WINNER Ⅱ模型的MATLAB仿真步骤和仿真结果分析。
第四章:基于相关的随机模型仿真。主要给出了二维Kronecker信道模型和三维Kronecker信道模型的MATLAB仿真步骤和仿真结果分析。
第五章:总结。主要总结了本文的信道模型仿真结果,并对后续的MIMO信道测量和建模的研究进行了展望。
⛄二、部分源代码
close all;
clear;
clc;
single_run = true;
monte_carlo_run = false;
SimParameters = struct(); % if empty will use some default parameters
SimParameters.N_tx = 128; % number of elements in TX phased array
% SimParameters.N_rx = 1; % number of elements in digital receiver
SimParameters.N_beacons = 15; % number of compressive beacons (subframes)
SimParameters.N_chirp = 32; % number of chirps in each subframe
SimParameters.N_symb = 256; % number of samples in a single chirp
SimParameters.perSymb_SNR_dB = -5; % mean per sample SNR when one transmitter is active
SimParameters.T_gap = 512; % duration between consecutive chirps (as multiples of symbol period)
SimParameters.DR = 10; % dynamic range of target signal amplitudes
%% single run for visual representation
if single_run
PlotResultsFlag = true; % plot the pretty pictures
N_target = 6;
SimulateMIMORadarFrame(N_target,SimParameters,PlotResultsFlag);
end
%% run monte carlo to get error cdf
if monte_carlo_run
N_tot_targets = 20; % total number of targets to be simulated
min_targets = 5; % minimum number of targets in each realization
max_targets = 8; % maximum number of targets in each realization
PlotResultsFlag = false; % don’t plot the pretty pictures
error_mat_master = zeros(N_tot_targets,3); % contains absolute errors in range, doppler, spatial frequency
% (in units of corresponding FFT grid size)
number_of_simulated_targets = 0;
while number_of_simulated_targets<N_tot_targets
if N_tot_targets - number_of_simulated_targets <= max_targets
N_target = N_tot_targets - number_of_simulated_targets;
else
N_target = min_targets + round(rand()*(max_targets-min_targets));
end
error_mat = SimulateMIMORadarFrame(N_target,SimParameters,PlotResultsFlag);
error_mat_master(number_of_simulated_targets+1:number_of_simulated_targets+N_target,:) = error_mat;
number_of_simulated_targets = number_of_simulated_targets + N_target;
clc; disp([num2str(number_of_simulated_targets),’ out of ‘,num2str(N_tot_targets),’ done.'])
end
figure()
subplot(3,1,1)
cdfplot(error_mat_master(:,1)); title(‘range error (normalized to FFT grid size)’)
subplot(3,1,2)
cdfplot(error_mat_master(:,2)); title(‘doppler error (normalized to FFT grid size)’)
subplot(3,1,3)
cdfplot(error_mat_master(:,3)); title(‘direction error (normalized to FFT grid size)’)
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 朱瑞芳,张国梅,曹艳梅.三维信道模型约束下的大规模MIMO信道估计方法[J].西安交通大学学报. 2021,55(02)
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题(TSP)
4.1.1 单旅行商问题(TSP)
4.1.2 多旅行商问题(MTSP)
4.2 车辆路径问题(VRP)
4.2.1 车辆路径问题(VRP)
4.2.2 带容量的车辆路径问题(CVRP)
4.2.3 带容量+时间窗+距离车辆路径问题(DCTWVRP)
4.2.4 带容量+距离车辆路径问题(DCVRP)
4.2.5 带距离的车辆路径问题(DVRP)
4.2.6 带充电站+时间窗车辆路径问题(ETWVRP)
4.2.3 带多种容量的车辆路径问题(MCVRP)
4.2.4 带距离的多车辆路径问题(MDVRP)
4.2.5 同时取送货的车辆路径问题(SDVRP)
4.2.6 带时间窗+容量的车辆路径问题(TWCVRP)
4.2.6 带时间窗的车辆路径问题(TWVRP)
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置