最近在写中期,用压缩感知方法跑出来效果特别差,所以找找传统MIMO中信道估计的常用方法,找找思路和方向。
一、信道估计思想
信道估计的基本思想是相似的,只是具体采用的算法不同。具体如下:
1. 用一个矩阵表示“发射信号”和“接收信号”。
2.通过寻找发射信号和接收信号之间的稳定关联,确定信道矩阵。
基本上基于公式: Y = X × H + Z 。
二、MIMO信道估计方法
主要分为时域和频域两大类方法。时域上传统估计方法:基于训练序列信道估计方法、盲信道估计方法和半盲信道估计方法。
1.基于训练序列的估计方法最为常用。它主要是根据某种特定的估计准则来确定待估计参数值。常用估计准则有:最小二乘估计(LS)、最大似然估计(ML)、最大后验概率估计(MAP)和最小均方误差估计(MMSE)。
2.时域上的叠加训练序列的信道估计方法:
(1)在发射端叠加周期大于信道阶数的训练序列,然后利用接收信号的循环平稳特性,通过均值运算得到信道估计值。
(2)用类似于DFT变换的方式来处理信道系数,可以处理接收信号存在未知直流分量的情况。
(3)在发射端采用预编码手段使信息序列与叠加序列矩阵正交。
3.压缩感知技术
4.利用时间相关性估计MIMO信道
利用CSI的时间相关性,可以从历史时隙的CSI中获得当前时隙的CSI的部分信道支持信息。
5.基于高速移动的MIMO信道估计
在高速列车和无人机通信等应用中,MIMO基站或用户会高速移动,信道的相干时间变短,信道准静态假设会失效。
J. Ma, S. Zhang, H. Li, F. Gao, and S. Jin. Sparse bayesian learning for the time-varying massive MIMO channels: acquisition and tracking [J]. IEEE Transactions on Communications, 2019, 67(3): 1925–1938.中提出了一种基于期望最大化的稀疏贝叶斯学习框架来学习时变大规模MIMO信道模型的时空参数,并采用降维卡尔曼滤波进行信道追踪。
6.基于神经网络的MIMO信道估计
部分引用,侵删。