信道预测方法学习总结
在通信系统中,获取完美的CSI,对于通信系统有着至关重要的作用。如果所发送的CSI由于信道的波动而变得可能过时,则信道预测变得重要,即,需要将CSI的预测发送到发射机以改善MIMO系统的性能。信道预测助于改善在发射机或接收机处执行的各种操作的性能,如自适应编码和调制,解码处理,信道均衡和天线波束成形。
基本的MIMO系统CSI预测框图如图所示:
信道预测策略
核心算法是:通过当前和过去CSI的信息来完成信道的预测,并且为此,需要模型来表示衰落信道的动态。 在获得信道的估计之后,可以估计信道模型的参数,并且因此可以借助于这些估计的信道模型完成对CSI的预测。 根据文献,预测方案可分为以下三种:(1)参数无线电信道模型,(2)基于自回归模型的预测(3)带宽扩展。
无线电信道参数模型(PRC)
于参数无线电信道的方法适用于快速衰落信道,这些参数的估计有助于将信道外推到未来。 该方法将信道视为具有不同幅度,相位和多普勒频率的复杂正弦波的加权和。 该模型也称为正弦波叠加模型。PRC模型的参数估计可以通过使用基于子空间的方法来完成。 常用的基于子空间的方法是ESPRIT,MUSIC和Root-MUSIC。 这些方法首先用于单输入单输出(SISO)系统,然后扩展到MIMO系统。
自回归模型预测(AR)
在基于AR的方法中,通过过去信道估计的加权线性组求解多径信道预测。 这里,基本上计算权重以获得最小的均方误差(MSE),并且需要知道信道自相关函数。自相关函数可以是时变的,也可以是现实中未知的,它们可以从Yule Walker方程,Burg方法,协方差和修正的协方差方法估算出来。可以通过自适应滤波技术(如卡尔曼滤波器,最小均方(LMS)和递归最小二乘(RLS来跟踪信道系数的变化。基于AR的方法被广泛用于SISO信道预测. 在MIMO系统的情况下,MIMO信道可以被视为并行SISO信道,并且单独的MMSE预测器可以应用于每个单独的SISO信道。在《slepian subspace projection in time and frequency for time-variant channel estimation》中,作者提出了一种通用的MIMO-OFDM信道预测框架和两个预测器,即前向逐步子集(FSS)预测器和降低复杂度FSS预测器,它们以不同的方式选择自回归(AR)预测器的数据。第一预测器通过最小化预测模型的均方误差(MSE)来选择数据集,第二预测器通过以启发式方式选择数据来降低计算复杂度。
带宽扩展
在该方法中,基本思想是将信号分解为适当的基函数的总和。 基函数可以利用信号的已知部分完成求解,并且最终在模型中用于预测。相关研究使用傅里叶基础扩展来分解时变信道,但傅里叶基础遭受与矩形窗口相关的频谱泄漏问题。通过另一个低频基线(即离散长椭球波序列(DPSS))可以更好地表示时变信道。使用带限扩展方法预测MIMO信道仍然是一个研究领域。